Après l’achat de Base44 par Wix, Base1 utilise de vraies données d’interface utilisateur pour défier les LLM de pointe

Tout le monde veut le plus gros modèle, jusqu’à ce que ce gros modèle conçoive votre parcours d’intégration comme un formulaire fiscal en baskets. Le nouveau Base1 de Base44 est intéressant parce qu’il n’essaie pas de surpasser tous les laboratoires de pointe sur tous les terrains. Il vise un problème précis, désordonné et précieux : générer de meilleures interfaces d’applications dans un flux de travail de vibe-coding. C’est moins de l’opéra de science-fiction que du grille-pain extrêmement sûr de lui, et c’est souvent là que vivent vraiment les logiciels utiles.

Ce que Base44 a réellement lancé

Selon Let’s Data Science, Base44, la plateforme de vibe-coding détenue par Wix, a commencé à déployer Base1, un modèle propriétaire affiné à partir d’un modèle de base open source, en utilisant des données issues des sessions de création d’applications de ses propres utilisateurs. Le rapport attribue ce calendrier au billet de blog publié le 29 juin 2026 par le fondateur Maor Shlomo, et indique que Base44 a été acquise par Wix pour au moins 80 millions de dollars en 2025.

Base1 apparaît désormais dans le sélecteur de modèles de Base44 aux côtés de GPT-5.5 et d’Opus 4.8 de Claude, ce qui revient, dans un menu de modèles, à placer votre chili maison à côté de chefs étoilés Michelin en disant : en fait, le nôtre connaît le quartier. The Next Web rapporte que Base1 est déjà en production et sert des utilisateurs, et que Base44 affirme être la première plateforme de création d’applications à livrer son propre modèle propriétaire, plutôt que de seulement louer ceux d’OpenAI ou d’Anthropic.

Cette affirmation importe moins comme trophée que comme stratégie : si tout le monde a accès aux mêmes modèles généralistes, la couche produit commence à ressembler à des boîtes de céréales identiques avec des mascottes différentes. Base44 parie que des données propres à un flux de travail peuvent devenir le facteur de différenciation.

Pourquoi les données produit sont le fossé défensif que veut Base44

The Next Web indique que Base44 a entraîné Base1 sur un jeu de données tiré de « dizaines de millions d’interactions réelles d’utilisateurs » sur sa plateforme. C’est la partie qui donne du piquant. Les modèles de pointe généralistes sont entraînés pour être largement compétents, ce qui est merveilleux jusqu’au moment où vous avez besoin qu’ils créent un écran de connexion qui ne donne pas l’impression d’avoir été assemblé par un comité de menus déroulants hantés.

Let’s Data Science rapporte que Shlomo a décrit l’objectif comme celui d’un modèle plus petit et spécialisé, capable de surpasser les modèles de pointe généralistes sur une tâche donnée — créer des applications — tout en étant moins coûteux et plus rapide à exécuter. C’est une thèse technique raisonnable, pas de la poudre magique. Les modèles plus ciblés peuvent gagner lorsque la distribution des tâches est limitée, que la boucle de rétroaction est courte, et que le produit peut observer ce que les utilisateurs acceptent, modifient, abandonnent ou publient réellement.

En termes de machine learning, Base44 essaie de transformer les traces laissées par le produit en supervision ; en termes humains, il apprend de toutes les fois où quelqu’un a crié : non, le bouton va là.

La leçon pour les créateurs cachée sous

les confettis du battage médiatique Let’s Data Science note aussi que Base44 affirme avoir atteint 2 millions d’utilisateurs et un rythme de revenus récurrents annuels de 150 millions de dollars. Ces chiffres comptent, car les modèles spécialisés ont besoin de données spécialisées, et les données spécialisées ne s’accumulent que si les gens utilisent suffisamment le produit pour générer des signaux utiles. Un minuscule modèle de flux de travail sans données d’usage n’est qu’un modèle de pointe en bonsaï : adorable, coûteux, et probablement trop arrosé.

Pour les créateurs, la conclusion n’est pas que chaque produit doit avoir son propre LLM d’ici mardi. La leçon est de se demander si votre flux de travail possède une structure répétable, des résultats mesurables et suffisamment de données d’interaction pour apprendre à un modèle quelque chose qu’un LLM généraliste continue de manquer. La génération d’interfaces est un bon candidat, car les utilisateurs révèlent leurs préférences par leurs modifications, leurs relances, les mises en page acceptées et les tentatives abandonnées.

Si votre produit possède ce type de boucle, la spécialisation peut améliorer la qualité, la latence et le coût, sans prétendre résoudre le repliement des protéines pendant la pause café.

Ce qu’il faut surveiller ensuite

The Next Web présente la décision de Base44 comme un pari : posséder le modèle, plutôt que le louer à OpenAI ou Anthropic, peut devenir un fossé défensif dans la création d’applications. Let’s Data Science ajoute une nuance géopolitique, en rapportant que Base44 voit aussi les petits modèles spécialisés comme une protection partielle contre le durcissement des restrictions américaines sur l’accès aux modèles de pointe.

Cela ne veut pas dire que les modèles de pointe sont soudain les restes d’hier. Cela signifie que la pile devient plus plurielle : des modèles généralistes pour l’étendue, des modèles spécialisés pour le travail produit répété, et une logique de routage pour décider quel cerveau prend le volant.

Pour les lecteurs qui construisent des produits d’IA, surveillez si Base1 améliore visiblement la qualité des interfaces générées, réduit les temps d’attente ou modifie la pression sur les prix dans le flux de travail de Base44. Surveillez aussi si les concurrents répondent avec leurs propres modèles verticaux, ou s’ils ajoutent simplement un onglet d’API de pointe de plus et une page d’accueil motivante.

Le modèle de pointe reste le couteau suisse, mais Base44 soutient que, parfois, il faut un tournevis, pas une cuillère financée par du capital-risque.