Présentation de SimuLang : Playwright pour l'ensemble du bureau
par Ang Li • Palo Alto, Californie • 23 avril 2026
Simulang est un langage de script pour automatiser les navigateurs, les applications natives et les workflows au niveau du système d'exploitation — conçu pour être écrit par des agents IA. Nous venons d'ouvrir le code source de Simulang. Vous pouvez l'installer maintenant avec une seule commande :
.png)
That absence creates problems. AI agents, as the industry currently builds them, lack efficiency.
To be clear, this isn’t about AI’s capability; frontier labs have been breaking new grounds virtually every month. The problem is agent cost – measured in dollars, time, tokens, compute, and human oversight – and the fact that none of those costs gravitate toward the most efficient result. Just as how things in nature tend towards efficiency, computer autonomy should, too.
Pourquoi nous l'avons construit
Récemment, j'ai remarqué que le temps que je passais devant l'ordinateur avait été considérablement réduit à environ deux heures par jour. Il y a un an, j'avais facilement huit ans. La différence, c'est que les agents informatiques (CUA) s'améliorent de plus en plus à mesure que l'industrie fabrique enfin des agents capables de voir et d'agir comme des humains.
Vitesse. Chaque action prend moins de 50 millisecondes — le temps nécessaire pour interroger une API locale et exécuter un clic. Pas de capture d'image, pas de téléchargement, pas de raisonnement de modèle. Un workflow en 20 étapes se termine en moins d'une seconde. Les agents basés sur des captures d'écran prennent 3 à 5 secondes par action pour le même workflow, ce qui les rend 60 à 100 fois plus lents à grande échelle.
Coût. Un script Simulang ne consomme aucun jeton lors de la relecture. Vous payez pour le raisonnement du LLM lorsque le script est créé pour la première fois (ou lorsque Sai le génère à partir du langage naturel). Après cela, chaque exécution ultérieure est gratuite — pas d'appels API, pas de traitement cloud, pas de frais par exécution. Pour les équipes exécutant des centaines de workflows automatisés quotidiennement, c'est la différence entre une solution viable et une solution prohibitivement chère. Ce ne sont pas des améliorations incrémentales. Ce sont des avantages structurels qui découlent du choix de la bonne abstraction : des éléments sémantiques au lieu de pixels, une exécution locale au lieu d'une inférence cloud, des références déterministes au lieu d'hypothèses probabilistes.
Lastly, today's agents don’t practice because they never learn on the task. Agents of today are predominantly LLM-based. While an LLM model is great at solving novel problems, it’s wasteful on routine tasks. It doesn’t learn on the task but re-inferences from scratch every time. The LLM keeps doing the work without ever forming muscle memory, so it never gets more efficient at a task it has already done a hundred times. This turns into billable amnesia.
Lastly, today's agents don’t practice because they never learn on the task. Agents of today are predominantly LLM-based. While an LLM model is great at solving novel problems, it’s wasteful on routine tasks. It doesn’t learn on the task but re-inferences from scratch every time. The LLM keeps doing the work without ever forming muscle memory, so it never gets more efficient at a task it has already done a hundred times. This turns into billable amnesia.
What practice looks like in a machine
So how do we build agents that actually follow the power law of practice? The good news is we already have a working example of extreme efficiency sitting inside our brain.
The human brain runs on about 20 watts [3]. That is the power of a dim light bulb, and with it, a person can hold a conversation, recognize a face across a noisy room, plan a week of meals, and second-guess a decision from 10 years ago. No machine we have built comes close to that efficiency, namely the ratio of output to energy consumption.
It’s worth sitting with that before talking about machine intelligence. The brain did not become efficient by being powerful. It gets there by being cheap, and it gets cheap through practice.
An AI agent should work the same way. It shouldn’t pay twice for the same task, and it shouldn’t starve the model to save on tokens. Like muscle, learned and repeated actions can be handled by a small model and stored in small memory units. Not everything needs to route through a central LLM – the "brain" – every time. Intelligence doesn’t require brute force; small, structured, symbolic units can execute repeated work in code efficiently. That is the power law of practice: the first run is an expensive discovery, and every run after gets cheaper.
.png)
This is also the neurosymbolic approach: neural LLMs where novelty is needed for discovery, and symbolic, muscle-memory-like code for repeatable work. The neural half handles first encounters; the symbolic half is where practice happens. Together, they give agents efficiency overtime.
Ce que fait Simulang
Vous pourriez vous demander :
Un script Simulang peut :
- Ouvrir n'importe quelle application — navigateurs, applications de bureau natives, boîtes de dialogue système, gestionnaires de fichiers.
- Lire l'arbre d'accessibilité — chaque bouton, champ de texte, élément de menu et étiquette exposé comme un élément structuré et adressable par référence.
- Interagir de manière déterministe — cliquer, taper, sélectionner, basculer, faire défiler, développer/réduire — par référence d'élément, pas par coordonnées de pixel.
- Se rabattre sur la vision — lorsqu'une application n'expose pas de données d'accessibilité, Simulang utilise l'ancrage visuel au niveau du pixel pour localiser les éléments à l'écran.
Construire des ordinateurs autonomes ne signifie pas remplacer les humains. Cela signifie coopération.
Libérez vos mains de l'ordinateur. Téléchargez Simular dès aujourd'hui gratuitement.
