Deel Pangaea : des modèles RH plus rapides, mais un gain de coût non chiffré

Le 21 octobre 2026, Deel a annoncé Pangaea, deux modèles de langage spécialisés dans les ressources humaines et la paie. L'éditeur les présente comme une façon de répondre à des questions d'emploi plus efficacement qu'avec les plus gros modèles généralistes. Le message est simple : un petit modèle bien formé peut suffire pour les questions récurrentes.

Le mot « coût » domine pourtant la promesse, alors que les chiffres publiés portent sur autre chose. Ils mesurent un score de précision et un temps de réponse médian. Aucun comparatif de dépense par réponse, ni aucune économie mensuelle, n'apparaît dans les éléments que nous avons pu consulter.

Deux autres points méritent un examen. Deel n'a pas identifié la version exacte de Nemotron utilisée pour son modèle de paie, ni le modèle de base de son modèle de connaissances. Et l'éditeur affirme que ses modèles n'apprennent pas des fiches de paie réelles de ses clients : ils s'entraînent sur des exemples préparés par des spécialistes.

Cet article sépare ce qui est chiffré de ce qui est seulement affirmé. Il utilise aussi un point de comparaison, la start-up doubleAI, qui se présente elle aussi comme un réducteur de coûts de calcul. Nos sources sont l'article de VentureBeat sur Pangaea et un court extrait du Wall Street Journal sur doubleAI.

Ce que Deel a annoncé exactement

Selon VentureBeat, Deel a présenté Pangaea, une paire de modèles spécialisés, en même temps qu'Emet. Emet est une activité qui fournit des données d'entraînement créées par des experts et qui évalue les performances d'IA.

L'ensemble sert deux objectifs. Deel améliore son propre assistant, et l'entreprise vend l'expertise qui le nourrit à d'autres développeurs d'IA.

Les clients rencontreront Pangaea dans Deel AI, l'assistant déjà intégré au logiciel. Son rôle : expliquer les règles locales d'emploi, les droits à congés et les questions de paie. Les modèles généralistes restent utilisés pour les demandes qui exigent un raisonnement plus large ou des flux d'agents complexes.

Abhijit Mehta, que Deel présente comme directeur senior produit, résume la logique : « We picked the best model for the best task ». Le client ne choisit pas : l'assistant oriente la question vers le modèle adapté.

Le contexte d'échelle est donné par Deel : plus de 40 000 clients et des opérations dans 150 pays, d'après le profil public de l'entreprise cité par VentureBeat.

K1 et P1 : deux modèles, deux méthodes

K1, le modèle de connaissances

K1 traite les règles d'emploi et les procédures. Deel a adapté un modèle existant aux poids téléchargeables plutôt que d'entraîner un modèle fondation. Dans ses réponses écrites à VentureBeat, l'entreprise indique que ce modèle de départ compte 9 milliards de paramètres. Elle ne le nomme pas.

La méthode comporte deux temps. Deel a poursuivi l'entraînement avec sa documentation interne, puis a appris au modèle à produire des réponses à partir d'exemples générés par un modèle « enseignant » plus capable. Selon l'article, ce procédé modifie le modèle lui-même : il peut restituer des informations sans récupérer chaque document au préalable.

La base documentaire compterait plus de 43 500 pages, entretenues par plus de 2 000 spécialistes en droit du travail, RH, administration de la paie et exigences réglementaires. Le matériel d'entraînement de K1 inclut des réécritures de ces faits et un peu de texte général, pour environ 1,2 milliard de tokens. Ces chiffres viennent de Deel.

P1, le modèle de paie

P1 suit une autre voie. Deel dit s'appuyer sur la famille Nemotron de Nvidia, avec un entraînement complémentaire réalisé par AI21 Labs sur des exemples de paie produits via Emet.

Point essentiel pour notre angle : Deel n'a identifié ni la version précise de Nemotron, ni le modèle sous-jacent de K1. Pour un acheteur, cela empêche de savoir de quelle licence, de quelle taille ou de quel historique de sécurité hérite le modèle. Cela empêche aussi toute reproduction indépendante.

Photo : Cristofer Maximilian sur Unsplash

Ce que le benchmark chiffre vraiment

Le résultat le plus clair concerne K1. Dans l'évaluation de Deel, il obtient 70, quand le meilleur score est 75. Sa durée médiane de réponse est de 7,7 secondes. Les quatre modèles mieux notés demandent entre 14,8 et 28,4 secondes, d'après des documents que Deel a fournis à VentureBeat.

Le test, EmBench Global Work, comprend 601 questions sur les procédures d'entreprise et l'emploi à l'international. Deel a donné aux modèles concurrents un accès à la même collection de référence par recherche. Un autre modèle d'IA a noté les faits individuels dans les réponses.

Modèle	Score EmBench Global Work
DeepSeek V4.1 Flash	75
Claude Opus 5.5	74
GLM 5.3 Flash	72
Claude Sonnet 5.5	71
Pangaea K1	70
Gemini 3.8 Flash	69
GPT-6 Sol	59
GPT-6 Luna	52

Le modèle de base de 9 milliards de paramètres obtient 19 sans recherche et 46 avec recherche, contre 70 pour K1 après adaptation. L'entraînement spécialisé change donc beaucoup le résultat.

Ce que ces chiffres ne disent pas

VentureBeat le souligne : ce sont des résultats annoncés par l'entreprise, sur un test conçu par elle. Le média n'a pas pu accéder au site public du benchmark et n'a pas reproduit les scores.

Le classement ne démontre pas que K1 est le plus précis : quatre modèles font mieux. Un score de 70 ne signifie pas non plus que le système réussit 70 % des opérations de paie.

Une nuance de méthode s'ajoute. K1 restitue ce qu'il a appris, tandis que les concurrents passent par la recherche documentaire. Le test compare donc des systèmes complets, pas seulement des modèles.

Sur la vitesse, K1 répond environ deux fois plus vite que le plus rapide des quatre mieux notés (7,7 s contre 14,8 s) et près de quatre fois plus vite que le plus lent (28,4 s). Ce calcul est le nôtre, à partir des chiffres de Deel. La rapidité n'est cependant pas le coût.

Le comparatif de coût : publié ou seulement affirmé ?

C'est le cœur de la question. Le titre de VentureBeat parle d'un pari : celui que des spécialistes peuvent réduire le coût des réponses. Le corps de l'article précise la logique. Deel s'interroge sur ce qu'un éditeur doit dépenser pour appeler un modèle externe quand il peut en former un plus petit pour les questions récurrentes.

Pour Alex Bouaziz, cofondateur et PDG, les dépenses d'IA tournée vers les clients pèsent sur les marges brutes. Faire passer davantage de requêtes spécialisées sur des modèles que Deel contrôle réduirait la dépendance aux fournisseurs externes et rendrait le coût de service plus prévisible.

Ce raisonnement est plausible. Mais VentureBeat est explicite : cela ne démontre pas un coût total de possession plus bas. L'entraînement, l'hébergement, l'évaluation, la maintenance documentaire et la relecture par des experts demandent encore des investissements. Selon l'article, les documents examinés n'établissent aucune économie mensuelle vérifiée de façon indépendante.

Résumons ce qui manque :

• aucun coût par réponse pour K1 ou P1 ;
• aucun coût par réponse pour un modèle généraliste sur la même charge ;
• aucun chiffre d'hébergement ou de maintenance ;
• aucun poids téléchargeable ni API Pangaea avec tarifs publics ;
• pour Emet, des projets chiffrés au cas par cas, sans grille tarifaire publique.

L'assistant reste inclus dans les abonnements existants, sans facturation par question. Le client final ne verra donc pas de baisse de prix directe : l'éventuel gain irait d'abord à la marge de Deel.

La conclusion factuelle est nette. Le comparatif de coût est affirmé, pas publié. Ce qui est publié, c'est un écart de vitesse et un écart de score. Pour comprendre pourquoi un tarif catalogue dit peu de chose, notre méthode de calcul du coût réel d'un modèle d'IA montre des écarts de deux à soixante-douze fois entre le prix affiché et la facture.

Photo : Zaqy Al Fattah sur Unsplash

La promesse : pas d'apprentissage sur la paie réelle

Deel affirme qu'aucun des deux modèles de lancement n'apprend à partir d'informations d'employés identifiables ni des dossiers de paie réels des clients. L'entraînement utilise des documents et des exemples préparés par des spécialistes.

Pour un employeur, l'argument est rassurant sur la confidentialité. Il s'agit toutefois d'une déclaration de l'entreprise. Les sources ne mentionnent ni audit externe, ni certification propre à cet entraînement. Nous ne pouvons donc la présenter que comme une affirmation.

Un choix qui a aussi un prix en qualité

Cette protection a une contrepartie logique. Des exemples fabriqués par des experts reflètent ce que les experts pensent des cas courants et difficiles. Ils ne contiennent pas forcément le désordre des situations réelles : contrats atypiques, saisies incomplètes, cumul de règles locales.

Ce point est une inférence de notre part, pas un constat des sources. Mais il est cohérent avec ce que VentureBeat note sur les évaluations. Ni EmBench Global Work ni EmBench Payroll n'établissent une performance fiable dans tous les pays et tous les scénarios de paie.

Emet présente EmBench Payroll comme une évaluation fondée sur le savoir de spécialistes des exigences salariales par pays. Deel dit que P1 s'approche des meilleurs modèles sur les questions difficiles de ce test. C'est une revendication distincte de celle de K1, et aucun score chiffré de P1 ne figure dans nos sources.

Qualité sur cas réels : ce qu'il reste à vérifier

Trois éléments invitent à la prudence avant de confier une décision de paie à un modèle spécialisé.

Premièrement, la fraîcheur. Apprendre une règle n'évite pas de vérifier si elle a changé. Deel le reconnaît : la recherche documentaire reste utile avec K1 pour fournir des citations, vérifier des détails et tenir compte des évolutions depuis l'entraînement.

Deuxièmement, la cadence de mise à jour. Mehta indique que l'équipe a produit des révisions internes quotidiennes du modèle pendant les trois semaines précédentes. Une mise à jour hebdomadaire pourrait un jour être pertinente. VentureBeat précise qu'il s'agit d'une attente, pas d'un calendrier de publication.

Troisièmement, le rôle de l'assistant. Un score à 70 sur 601 questions ne dit pas combien d'erreurs atteindraient une fiche de paie. L'article rappelle d'ailleurs qu'un modèle ne peut pas, sur cette base, autoriser seul une décision d'emploi.

Les résultats de Deel montrent aussi l'arbitrage à tenir. La spécialisation rend un petit modèle compétitif, mais certains systèmes généralistes répondent encore plus justement. C'est précisément pour cela que Deel garde un routage entre modèles.

Le cas doubleAI : « plus petit, donc moins cher » est-il documenté ?

Le Wall Street Journal décrit doubleAI, start-up de Tel Aviv. Selon l'extrait que nous avons, elle s'apprête à lancer ce qu'elle appelle une nouvelle catégorie d'intelligence artificielle capable d'aider les entreprises à réduire leurs coûts de calcul.

L'extrait ajoute des éléments sur l'entreprise : elle est cofondée par son PDG Amnon Shashua, qui a aussi contribué à lancer Mobileye. Ses investisseurs incluent Lightspeed Venture Partners, Bessemer Venture Partners, Nvidia et Dell, pour 220 millions de dollars levés au total. Shashua dirige également Mobileye, mais la société a indiqué en juillet qu'il partirait une fois un successeur nommé.

Une comparaison à manier avec honnêteté

L'extrait du Journal ne contient ni chiffre de coût, ni benchmark, ni détail technique. Nous ne pouvons donc pas dire que l'argument de doubleAI est documenté. Nous ne pouvons pas non plus dire qu'il ne l'est pas : le reste de l'article ne figure pas dans nos sources.

On peut seulement constater une symétrie. Dans les deux cas, la réduction de coût est le message commercial, et les éléments visibles pour les lecteurs portent d'abord sur l'entreprise, ses soutiens ou ses scores. Chez Deel, au moins, l'article de VentureBeat dit explicitement ce qui manque : pas d'économie vérifiée de façon indépendante.

Pour doubleAI, rien de comparable ne peut être affirmé à partir de l'extrait disponible. Le lecteur doit donc attendre les chiffres de coût publiés avant de tirer une conclusion.

Emet et le modèle économique derrière Pangaea

Emet décrit trois offres : des évaluations, des exemples d'entraînement produits par des experts, et des environnements d'exercice où des systèmes d'IA tentent des tâches métier et reçoivent un retour de contrôles automatisés.

La logique commerciale s'appuie sur l'infrastructure existante de Deel, qui recrute, vérifie, contractualise et paie déjà des spécialistes dans plusieurs juridictions. Emet applique cette mécanique à des personnes qui créent et évaluent du matériel d'entraînement.

Bouaziz dit travailler déjà avec de grands laboratoires d'IA, sans les nommer. Cette information n'est donc pas vérifiable. Deel sert de premier terrain d'essai : les experts repèrent les lacunes, préparent des exemples et mesurent les versions suivantes.

L'ensemble se complète avec Akai, la plateforme d'automatisation de Deel, disponible séparément. Akai coordonne des agents sur des flux opérationnels, Pangaea fournit des réponses spécialisées, et Emet développe le matériel et les tests. Les clients d'Akai n'ont pas besoin d'un abonnement Deel RH ou paie distinct.

Une précision utile : la connexion de Deel à Claude via le Model Context Protocol reste un dispositif à part. Interroger Deel depuis Claude donne toujours la réponse de Claude. Brancher Deel ne fait pas passer Claude sur Pangaea.

Photo : Glenn Carstens-Peters sur Unsplash

Ce que les acheteurs devraient demander à Deel

À partir de ce qui manque, une liste de questions concrètes s'impose pour un directeur RH ou un responsable paie :

1. Quel est le coût par réponse de Pangaea, et celui du modèle généraliste qu'il remplace sur la même charge ?
2. Quel est le modèle de base de K1 et quelle version de Nemotron sert P1 ?
3. Quels résultats sur des cas réels, y compris anonymisés, existent hors des tests conçus par Deel ?
4. Qui audite l'engagement de ne pas apprendre des données de paie réelles ?
5. À quelle fréquence les règles sont-elles mises à jour, et la recherche documentaire reste-t-elle active ?
6. Quels pays et quels scénarios de paie sont couverts par EmBench Payroll ?

Si Deel publie ces éléments, le débat sur le « plus petit donc moins cher » reposera enfin sur des chiffres. D'ici là, nous pouvons comparer des prix catalogue, comme dans notre analyse de Gemini 3.8 Flash et de ses mécanismes de coût cachés ou de DeepSeek V4.1 Flash, qui figure en tête du classement de Deel. Mais ces tarifs ne disent rien du coût d'un modèle maison.

Points clés à retenir

• Deel présente Pangaea (K1 pour les connaissances, P1 pour la paie) comme un moyen de réduire le coût des réponses, mais aucun coût par réponse n'est publié.
• Les chiffres disponibles sont annoncés par Deel : K1 obtient 70 contre 75 au meilleur score, avec 7,7 secondes de médiane contre 14,8 à 28,4 secondes pour les quatre modèles mieux notés.
• Le test (601 questions) compare des systèmes différents : K1 restitue ce qu'il a appris, les concurrents utilisent la recherche. VentureBeat n'a pas reproduit les scores.
• Deel n'a pas identifié la version de Nemotron ni le modèle de base de K1, qui compte 9 milliards de paramètres.
• Deel affirme que les modèles n'apprennent pas des données de paie réelles. Aucun audit n'est mentionné.
• Pas d'économie mensuelle vérifiée de façon indépendante, pas de poids téléchargeables, pas d'API Pangaea avec tarifs.
• L'extrait du WSJ sur doubleAI ne contient aucun chiffre de coût : l'argument y est annoncé, pas documenté dans ce que nous avons lu.

FAQ

Que sont les modèles Pangaea de Deel ?

Pangaea est une paire de modèles de langage spécialisés. K1 traite les règles d'emploi et les procédures, P1 la paie. Ils sont intégrés à l'assistant Deel AI, à côté de modèles généralistes que Deel conserve pour les demandes plus complexes.

Pangaea réduit-il vraiment le coût des réponses ?

Deel le présente ainsi, mais aucun comparatif de coût n'est publié. Les chiffres connus concernent le score et la vitesse. VentureBeat précise que les documents examinés n'établissent pas d'économie mensuelle vérifiée de façon indépendante.

K1 est-il plus précis que les grands modèles ?

Non, d'après le test de Deel. K1 obtient 70, contre 75 pour DeepSeek V4.1 Flash, 74 pour Claude Opus 5.5, 72 pour GLM 5.3 Flash et 71 pour Claude Sonnet 5.5. Il dépasse Gemini 3.8 Flash (69), GPT-6 Sol (59) et GPT-6 Luna (52). Il répond en revanche plus vite.

Les modèles utilisent-ils mes données de paie ?

Deel affirme que les deux modèles de lancement n'apprennent pas à partir d'informations d'employés identifiables ni des dossiers de paie réels des clients. Ils s'entraînent sur des exemples préparés par des spécialistes. C'est une déclaration de l'éditeur, sans audit mentionné dans nos sources.

Sur quels modèles de base Pangaea repose-t-il ?

K1 part d'un modèle de 9 milliards de paramètres que Deel ne nomme pas. P1 s'appuie sur la famille Nemotron de Nvidia, avec un entraînement complémentaire par AI21 Labs. Deel n'a pas précisé la version de Nemotron.

Comment se compare l'argument de doubleAI ?

L'extrait du Wall Street Journal dit que doubleAI veut aider les entreprises à réduire leurs coûts de calcul. Il ne donne ni chiffre ni benchmark. Il est donc impossible, à partir de nos sources, de juger si cet argument est mieux documenté que celui de Deel.

Conclusion

Pangaea est un exemple net de la tendance aux petits modèles spécialisés dans les logiciels d'entreprise. Les éléments chiffrés sont réels mais limités : un score proche des meilleurs, une réponse plus rapide, sur un test conçu par Deel et non reproduit. La promesse de coût, elle, reste une hypothèse économique plausible, sans pièce à l'appui.

Pour un acheteur, la bonne attitude consiste à traiter Pangaea comme une amélioration d'un service existant, pas comme une économie acquise. Demandez des mesures sur des cas réels, une identification des modèles de base et un coût par réponse avant toute décision.

Pour d'autres outils utiles au travail quotidien, consultez notre rubrique Productivité. Pour comprendre l'écart entre prix affiché et facture réelle, lisez aussi Ce que coûte vraiment un modèle d'IA.

---

Sources : Deel launches Pangaea AI models for HR and payroll, betting specialists can cut the cost of answers · Nvidia-backed startup doubleAI launches model to pare cost of compute

Photo de couverture : Jakub Żerdzicki sur Unsplash