OutilsInteresting Engineering2h

Snapchat introduit des publicités dans les chats via des agents IA conçus pour simuler la conversation

Résumé IASource uniqueImpact UE

Snapchat a dévoilé début 2026 un nouveau format publicitaire baptisé AI Sponsored Snaps, qui intègre des agents d'intelligence artificielle directement dans les fils de conversation de l'application. Ces agents de marque apparaissent dans l'interface Chat, là où les utilisateurs passent déjà l'essentiel de leur temps, et leur permettent d'explorer des produits, poser des questions et recevoir des recommandations sans jamais quitter la conversation. L'annonce s'appuie sur des chiffres impressionnants : Snapchat revendique plus de 950 milliards de messages échangés au premier trimestre 2026 et plus de 500 millions d'utilisateurs ayant interagi avec son chatbot My AI depuis son lancement. Experian est le premier partenaire annoncé pour la phase alpha, avec un cas d'usage centré sur l'éducation financière : les utilisateurs pourront poser des questions sur leur crédit et la gestion de leur argent directement dans Chat.

Ce format représente une rupture significative avec la publicité digitale traditionnelle. Plutôt que d'interrompre l'expérience utilisateur avec des bannières ou des vidéos imposées, Snap Inc. parie sur une intégration qui épouse les habitudes de communication existantes. Pour les marques, l'enjeu est considérable : accéder à près d'un milliard d'utilisateurs mensuels actifs via un canal perçu comme personnel et de confiance, avec des signaux d'intention bien plus forts que ceux générés par la publicité display classique. Ajit Mohan, vice-président de Snapchat, résume l'ambition : "La conversation devient l'espace publicitaire le plus précieux. L'IA accélère ce basculement, transformant le chat en lieu où les gens découvrent des produits, posent des questions et prennent des décisions en temps réel." Les marques peuvent désormais déployer leurs propres agents sur la plateforme, construisant ainsi une expérience dite "full-funnel" au sein d'une seule interface.

Ce lancement s'inscrit dans une tendance plus large qui voit les grandes plateformes sociales réinventer leur modèle publicitaire face à la montée en puissance des interfaces conversationnelles. Snapchat avait déjà introduit les Sponsored Snaps, un format classique affichant selon la société des taux de conversion supérieurs à la moyenne et des coûts réduits ; les AI Sponsored Snaps en sont l'évolution directe. La concurrence est vive : Meta teste également des agents d'IA dans WhatsApp et Messenger, et Google pousse ses propres formats conversationnels via Gemini. Pour Snap, qui cherche à diversifier ses revenus et à s'imposer face à TikTok, l'enjeu est de démontrer que la relation de confiance entretenue avec sa base d'utilisateurs jeunes peut être monétisée sans en altérer la nature. Le succès du partenariat avec Experian sera scruté de près avant tout déploiement à grande échelle.

Impact France/UE

Les utilisateurs européens de Snapchat, dont une large proportion de jeunes, seront exposés à ce format publicitaire conversationnel, dont le déploiement en Europe devra se conformer au RGPD et aux exigences de transparence de l'AI Act.

Dans nos dossiers

Gemini Meta IA Agents IA

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AWS ML Blog

Strands Evals : simuler des utilisateurs réalistes pour évaluer les agents IA multi-tours

Amazon a publié dans son SDK Strands Evaluations une fonctionnalité appelée ActorSimulator, destinée à automatiser l'évaluation des agents IA dans des conversations multi-tours. Contrairement aux tests à tour unique — où l'on fournit une entrée, on collecte une sortie et on juge le résultat — les interactions réelles s'étendent sur plusieurs échanges : l'utilisateur pose des questions de suivi, change de direction ou exprime sa frustration face à des réponses incomplètes. Un assistant de voyage qui gère correctement "Réserve-moi un vol pour Paris" peut échouer lorsque le même utilisateur enchaîne avec "En fait, peut-on regarder les trains ?" ou "Qu'en est-il des hôtels près de la tour Eiffel ?". L'ActorSimulator permet de générer des utilisateurs simulés avec des personas structurés et des objectifs définis, puis de les laisser converser naturellement avec un agent sur plusieurs tours, à grande échelle. L'enjeu est considérable pour les équipes qui développent des agents conversationnels en production. Conduire manuellement des centaines de conversations multi-tours à chaque modification d'un agent est insoutenable, et les jeux de données statiques d'entrées/sorties ne capturent pas la dynamique réelle : la "bonne" prochaine question de l'utilisateur dépend entièrement de ce que l'agent vient de répondre. Les approches artisanales consistant à demander à un LLM de "jouer l'utilisateur" sans définition structurée du persona produisent des résultats incohérents d'une exécution à l'autre, rendant impossible la détection fiable de régressions. L'ActorSimulator répond à ce problème en combinant le réalisme d'une conversation humaine avec la reproductibilité et l'échelle des tests automatisés. Ce développement s'inscrit dans une tendance plus large de l'industrie à professionnaliser l'évaluation des agents IA, à mesure que ceux-ci quittent les démos pour entrer dans des usages critiques. AWS positionne Strands Evaluations comme une infrastructure d'évaluation systématique, comparable aux simulateurs de vol ou aux moteurs de jeu qui testent des millions de comportements avant déploiement. La difficulté fondamentale réside dans la croissance combinatoire des chemins de conversation : plus les capacités d'un agent s'étoffent, plus le nombre de scénarios possibles explose au-delà de ce que des équipes humaines peuvent explorer. En permettant la simulation structurée de personas avec des objectifs explicites et un suivi de progression, Strands Evals vise à offrir aux équipes d'évaluation un outil comparable à ce que les testeurs de logiciels ont dans d'autres disciplines d'ingénierie, avec des résultats comparables dans le temps.

OutilsOutil

1 source

2InfoQ AI

Google dévoile AppFunctions pour connecter les agents IA aux applications Android

Google a dévoilé AppFunctions, une nouvelle fonctionnalité en bêta anticipée pour Android, conçue pour permettre aux agents d'intelligence artificielle d'interagir directement avec les applications installées sur l'appareil. L'initiative s'inscrit dans une vision que Google qualifie d'OS « agent-first » : plutôt que d'ouvrir des applications manuellement, l'utilisateur formule un objectif, et un agent IA orchestre les briques fonctionnelles exposées par les apps pour l'accomplir. Ce changement de paradigme redéfinit le rôle des applications mobiles : elles ne sont plus des interfaces autonomes, mais des fournisseurs de capacités que les assistants IA peuvent assembler à la demande. Concrètement, un utilisateur pourrait demander à son assistant de « réserver un restaurant et d'ajouter l'événement au calendrier » sans jamais toucher manuellement ces deux apps — l'agent s'en chargerait via leurs AppFunctions respectives. Pour les développeurs, cela implique d'exposer leurs fonctionnalités sous une nouvelle forme d'API destinée aux agents. Cette annonce s'inscrit dans la course que se livrent Apple, Google et Microsoft pour intégrer l'IA générative au cœur des systèmes d'exploitation. Apple a lancé Apple Intelligence avec des capacités similaires via les App Intents, tandis que Microsoft pousse Copilot dans Windows. Google, fort de son modèle Gemini, cherche à faire d'Android la plateforme de référence pour les agents autonomes sur mobile — un terrain stratégique alors que l'usage des LLM sur appareil progresse rapidement.

UELes développeurs européens d'applications Android devront exposer leurs fonctionnalités via AppFunctions pour rester compatibles avec les agents IA intégrés à Android.

OutilsActu

1 source

3AWS ML Blog

Développer des agents IA pour la gestion des effectifs avec Visier et Amazon Quick

Visier, plateforme d'intelligence des ressources humaines basée dans le cloud, et Amazon Quick, l'espace de travail agentique d'IA d'Amazon, ont annoncé une intégration technique permettant à leurs systèmes de fonctionner de concert via le Model Context Protocol (MCP), un standard ouvert d'interopérabilité pour agents IA. Concrètement, Visier centralise les données RH d'une organisation, SIRH, paie, gestion des talents, suivi des candidatures, et les rend accessibles en temps réel à travers son assistant IA interne appelé Vee. Amazon Quick, de son côté, sert d'interface unifiée où les collaborateurs posent leurs questions, automatisent des processus et construisent des agents travaillant en leur nom. Le MCP joue le rôle d'adaptateur universel entre les deux systèmes, sans nécessiter d'intégration personnalisée. L'intérêt concret de cette connexion est illustré par deux profils types : Maya, Business Partner RH qui prépare un bilan de santé organisationnel pour un comité de direction, et David, responsable financier qui suit l'évolution des effectifs par rapport aux budgets prévisionnels. Avant cette intégration, chacun devait interroger plusieurs outils séparément, recouper manuellement des données issues de sources hétérogènes, et passer d'un tableau de bord à l'autre. Désormais, depuis Amazon Quick, ils peuvent poser une question en langage naturel et obtenir une réponse qui croise simultanément les données live de Visier, les politiques internes de recrutement, les objectifs financiers et le contexte historique, sans changer d'outil. Pour Maya, cela signifie accéder instantanément aux taux d'attrition, aux performances moyennes par département ou à la durée de tenure. Pour David, obtenir les chiffres d'effectifs en temps réel mesurés contre les cibles budgétaires. Cette intégration s'inscrit dans une tendance de fond : la multiplication des architectures dites "multi-agents", où des plateformes spécialisées exposent leurs capacités via des protocoles standardisés plutôt que des connecteurs ad hoc. Le MCP, popularisé depuis fin 2024, est devenu le langage commun qui permet à des outils comme Visier de s'insérer dans des écosystèmes IA plus larges sans friction technique. Visier, qui s'appuie sur des données anonymisées de millions de salariés pour ses benchmarks sectoriels, cherche ainsi à étendre sa portée au-delà des équipes RH vers l'ensemble des décideurs de l'entreprise. Amazon Quick, en agrégeant ces sources d'intelligence métier dans un seul espace conversationnel, parie sur le fait que la valeur de l'IA en entreprise réside moins dans les modèles eux-mêmes que dans leur capacité à connecter des silos de données jusqu'ici cloisonnés.

OutilsOutil

1 source

4AI News

Pourquoi des entreprises comme Apple misent sur des agents IA aux capacités bridées

Apple, Qualcomm et d'autres acteurs majeurs de l'industrie technologique développent une nouvelle génération d'assistants IA capables d'agir de manière autonome au sein des applications, réserver des services, publier du contenu, naviguer dans des flux complexes. Lors d'une phase bêta privée, un de ces systèmes agentiques a ainsi parcouru l'intégralité d'un tunnel de paiement dans une application avant de s'arrêter net à l'écran de confirmation, attendant le feu vert de l'utilisateur. Ces agents ne sont pas conçus pour agir librement : ils intègrent des points de validation obligatoires, notamment pour toute action sensible liée aux paiements, aux modifications de compte ou aux publications. Les fournisseurs de services de paiement sont déjà en discussion pour intégrer leurs systèmes d'authentification sécurisée directement dans ces flux agentiques, bien que ces dispositifs soient encore en cours de développement. Ce modèle dit "human-in-the-loop", où l'agent prépare l'action mais laisse la décision finale à l'humain, répond à un enjeu concret : à mesure que l'IA gagne en capacité d'action, les risques d'erreur se transforment en risques financiers ou de fuite de données. Pour les utilisateurs grand public, une réservation mal déclenchée ou une transaction non souhaitée peut avoir des conséquences immédiates. Les entreprises tentent donc de limiter le périmètre d'action de ces agents : plutôt que de leur donner un accès total aux applications et aux données, elles définissent précisément quels services l'IA peut toucher, dans quelles conditions, et avec quels droits. Sur l'appareil, le traitement local des données vise également à éviter que des informations sensibles soient transmises vers des serveurs externes. Le débat sur la gouvernance des IA agentiques s'était jusqu'ici concentré sur les usages entreprise, cybersécurité, automatisation à grande échelle, conformité réglementaire. Le déploiement grand public introduit une dimension différente : des millions d'utilisateurs, souvent peu familiers des risques, interagissant avec des systèmes capables d'engager des dépenses ou de modifier des comptes en quelques secondes. Apple, dont les travaux de recherche ont exploré des mécanismes de pause avant toute action non explicitement demandée, semble vouloir établir un standard : des environnements contrôlés où l'autonomie de l'agent est réelle mais bornée. Dans le contexte du règlement européen sur l'IA, qui entre progressivement en application en 2026, cette architecture "agentique avec garde-fous" pourrait s'imposer comme la norme par défaut pour tout acteur souhaitant déployer ces technologies auprès du grand public.

UEL'architecture 'agentique avec garde-fous' pourrait s'imposer comme norme de conformité sous le règlement européen sur l'IA, qui entre progressivement en application en 2026, imposant des contraintes concrètes aux acteurs déployant des agents IA auprès du grand public en Europe.

OutilsOpinion

1 source