Les règles critiquées : le Master en Intelligence Artificielle remplace le LLM en Droit

« GPT 5.6 fait baisser les prix de 20 à 80 % : le coût de l'intelligence de GPT 5.4 a chuté de 13x en 4 mois »

GPT-5.6 d'OpenAI a permis une baisse de prix spectaculaire, comprise entre 20% et 80% selon les modèles, révélée cette semaine dans une note technique publiée par l'entreprise. Le modèle a été utilisé pour optimiser sa propre infrastructure de service : rebaptisé Sol dans ce rôle, GPT-5.6 a analysé le trafic de production, ajusté la répartition de charge et réécrit de façon autonome des noyaux de calcul en Triton et Gluon, les langages internes d'OpenAI, ce qui a réduit les coûts de service de bout en bout de 20%. L'entreprise a aussi amélioré le décodage spéculatif en perfectionnant son modèle brouillon via des centaines d'expériences pilotées automatiquement, gagnant plus de 15% en efficacité de génération de tokens, et optimisé la gestion du cache KV pour les charges de travail spécifiques à des outils comme Codex. Côté harnais agentique, la couche d'orchestration en Rust a été revue pour limiter la découverte d'outils au strict nécessaire et plafonner les sorties d'outils à 10 000 tokens, tandis que l'historique visible par le modèle est désormais traité comme strictement additif afin de maximiser la réutilisation du cache de prompts. Résultat concret : le modèle Luna voit son prix chuter de 80%, Terra de 20%, et un nouveau mode Sol Fast offre une latence 2,5 fois plus faible pour le double du prix standard. L'observation la plus frappante vient d'une comparaison de performance : GPT-5.4 en version complète, en mode de raisonnement maximal, obtenait un score de 51 sur un benchmark donné en mars, un score aujourd'hui atteint par Luna, une version bien moins chère du nouveau modèle. Or GPT-5.4 coûtait 2,50 dollars par million de tokens en entrée et 15 dollars en sortie, contre 0,20 et 1,20 dollar pour Luna aujourd'hui, soit un coût treize fois inférieur pour un niveau d'intelligence équivalent en seulement quatre mois, un rythme annualisé proche de 2000x. Cette baisse dépasse même l'accélération déjà spectaculaire notée un an plus tôt, quand une analyse largement reprise, y compris par le dirigeant de Google DeepMind Demis Hassabis, montrait qu'un niveau d'intelligence équivalent à GPT-4 avait vu son coût divisé par 1000 en dix-huit mois. Cette dynamique confirme que la baisse des coûts à intelligence constante n'était pas un simple effet de rattrapage lié au passage des modèles denses aux architectures mixtes ou du texte brut au raisonnement, comme certains le pensaient il y a un an. Sur le seul critère du coût d'une intelligence non spécialisée, sans besoin de fine-tuning, OpenAI distance désormais des modèles ouverts comme DeepSeek, GLM ou MiniMax ainsi que des modèles économiques concurrents comme Gemini Flash-Lite, même si des modèles ouverts comme Laguna de Poolside ou Inkling de Thinky Labs conservent l'avantage pour les organisations qui exigent un contrôle total et la souveraineté sur leurs modèles.

💬 GPT-5.4 à 51 sur ce benchmark en mars, Luna au même score aujourd'hui pour treize fois moins cher : ce n'est plus de l'optimisation, c'est un modèle qui réécrit ses propres noyaux de calcul pour payer sa propre facture. Le vrai signal, c'est que ça enterre la thèse du rattrapage ponctuel (dense vers MoE, texte vers raisonnement) : la baisse continue, point. Reste que ce classement ne vaut que sur le coût pur, pas sur la souveraineté, et là des boîtes comme Poolside ou Thinky Labs gardent une carte à jouer.

« Je pense qu’on a atteint l’intelligence artificielle générale » : le patron de Nvidia surprend tout le monde avec cette phrase

Jensen Huang, le PDG de Nvidia, a créé la surprise en affirmant lors du podcast de Lex Fridman qu'à ses yeux, l'intelligence artificielle générale, l'AGI, pourrait déjà être une réalité. Une déclaration inattendue de la part d'un des acteurs les plus influents du secteur des semi-conducteurs, qui alimente depuis des semaines un vif débat dans la communauté technologique. L'AGI est traditionnellement définie comme une IA capable de réaliser toute tâche cognitive que peut accomplir un être humain, voire de le surpasser dans tous les domaines. Si ce seuil est effectivement franchi, les implications pour l'économie, la recherche scientifique et la société dans son ensemble seraient considérables. La déclaration de Huang intervient dans un contexte où les grands laboratoires d'IA s'affrontent à coups de modèles toujours plus puissants, et où la question du moment de l'atteinte de l'AGI est devenue un enjeu stratégique et commercial majeur. La nuance essentielle réside dans la définition même de l'AGI. Huang a lui-même reconnu que tout dépend du cadre conceptuel retenu. Pour certains chercheurs, l'AGI suppose une compréhension profonde du monde réel, une capacité d'apprentissage autonome et une adaptabilité générale que les systèmes actuels n'atteignent pas encore. Pour d'autres, les grands modèles de langage actuels remplissent déjà de nombreux critères fonctionnels associés à une intelligence générale. Nvidia, dont les GPU sont au cœur de l'entraînement de tous les grands modèles d'IA, a un intérêt évident à positionner le secteur comme étant à la frontière de cette rupture technologique. Ces propos relancent un débat fondamental que l'industrie peine à trancher faute de consensus sur une définition rigoureuse. Des figures comme Yann LeCun de Meta restent sceptiques quant à la capacité des architectures actuelles à atteindre une vraie généralité cognitive, tandis que d'autres, comme Sam Altman d'OpenAI, anticipent l'AGI pour un horizon très proche. La prise de position de Huang, aussi ambiguë soit-elle, confirme que la course à l'AGI est désormais autant une bataille de narratif qu'une compétition purement technique.

GEO : quand l’intelligence artificielle redessine les règles du search

Les moteurs de recherche génératifs -- ChatGPT, Perplexity AI, Google AI Overviews -- transforment en profondeur la manière dont les internautes accèdent à l'information en ligne. Là où le SEO traditionnel visait à positionner des pages web dans des listes de résultats, le GEO (Generative Engine Optimization) désigne les pratiques émergentes pour apparaître dans les réponses synthétiques produites directement par ces systèmes d'IA. Les directions marketing et les responsables de la visibilité digitale se retrouvent confrontés à un changement de paradigme dont les contours restent encore à définir. L'enjeu est considérable : si un moteur génératif répond directement à la question d'un utilisateur sans qu'il visite un site, le trafic organique s'effondre, quelles que soient les positions SEO obtenues. Des études récentes montrent déjà une baisse du taux de clics sur les résultats Google depuis le déploiement des AI Overviews aux États-Unis. Pour les marques, les éditeurs et les e-commerçants, la question n'est plus seulement d'être bien référencé, mais d'être cité, synthétisé ou recommandé par ces nouveaux intermédiaires algorithmiques. Google, Microsoft avec Bing Copilot et des acteurs comme Perplexity AI se livrent une bataille pour capter l'intention de recherche avant même que l'utilisateur ne clique. Face à cette recomposition, les professionnels du marketing explorent de nouvelles tactiques : structuration sémantique renforcée, production de contenus factuels et sourcés, construction d'une autorité thématique reconnue par les LLM. Le GEO n'est pas encore une discipline codifiée, mais il s'impose déjà comme un chantier stratégique incontournable pour 2025 et au-delà.

Gemini 3.1 Flash-Lite : Conçu pour l'intelligence à grande échelle

Gemini 3.1 Flash-Lite est le modèle le plus rapide et le plus économique de la série Gemini 3. Il a été conçu pour optimiser l'intelligence à grande échelle.