OutilsGoogle AI Blog · 4 mars 2026, 18:00· 1 min de lecture

Utilisez la fonction Canvas dans le mode IA pour accomplir des tâches et donner vie à vos idées directement dans Recherche.

La fonction Canvas dans le mode IA permet aux utilisateurs d'exécuter des tâches et de donner vie à leurs idées directement au sein de la plateforme Recherche. Cette fonctionnalité offre un environnement visuel pour concevoir et collaborer sur divers projets.

Cet article vous a été utile ?

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

À lire aussi

1ZDNET FR

Ce nouvel outil Claude Code Review utilise des agents IA pour détecter les bugs dans vos pull requests. Voici comment cela fonctionne

Un nouvel outil baptisé Claude Code Review s'appuie sur des agents d'intelligence artificielle pour analyser automatiquement les pull requests et détecter les bugs avant qu'ils n'atteignent la production. Développé dans l'écosystème Anthropic, cet outil incarne une nouvelle génération de revue de code assistée, où ce ne sont plus de simples modèles de langage mais de véritables agents autonomes qui examinent le code en profondeur. L'enjeu est considérable pour les équipes de développement : un bug non détecté en phase de revue peut engendrer des coûts bien supérieurs une fois en production, incidents critiques, pertes de données, interruptions de service. En automatisant une partie du processus de revue, Claude Code Review vise à combler les angles morts que les développeurs humains, sous pression ou surchargés, peuvent laisser passer. Le marché des outils DevOps basés sur l'IA est en pleine effervescence, et cette solution s'y positionne directement face à des concurrents comme GitHub Copilot ou Qodo. Le modèle tarifaire est révélateur de la valeur perçue : chaque pull request analysée peut coûter jusqu'à 25 $. Un montant qui peut sembler élevé à première vue, mais que les entreprises sont susceptibles d'accepter si l'outil permet d'éviter un seul incident de production majeur, dont le coût réel se chiffre régulièrement en dizaines de milliers de dollars, voire davantage pour les systèmes critiques. La question de l'adoption à grande échelle dépendra néanmoins de la précision des agents et du taux de faux positifs. Les équipes techniques sont réticentes aux outils qui génèrent trop d'alertes non pertinentes, au risque de voir les développeurs ignorer les recommandations automatisées. Anthropic devra démontrer que ses agents apportent une valeur ajoutée mesurable par rapport aux outils de revue statique existants.

OutilsOutil

1 source

2The Decoder

Claude peut désormais créer des graphiques et visualisations interactifs directement dans le chat

Anthropic lance une nouvelle fonctionnalité bêta pour Claude : la génération de graphiques, diagrammes et visualisations interactifs directement dans la conversation. Cette capacité permet aux utilisateurs d'obtenir des représentations visuelles de données sans quitter l'interface de chat.

OutilsOutil

1 source

301net

Vous pouvez utiliser Shazam directement dans ChatGPT

OpenAI intègre désormais Shazam directement dans l'interface de ChatGPT, permettant aux utilisateurs d'identifier des morceaux de musique sans quitter le chatbot. Cette addition s'inscrit dans la stratégie d'OpenAI d'enrichir ChatGPT par l'intégration d'applications tierces.

OutilsOutil

1 source

4The Decoder

L'approche open-source d'OpenSeeker vise à briser le monopole des données pour les agents de recherche IA

OpenSeeker s'impose comme une alternative crédible aux agents de recherche IA propriétaires, en démontrant qu'il est possible d'atteindre des performances compétitives avec des ressources drastiquement réduites. Entraîné sur seulement 11 700 points de données en une seule passe d'entraînement, ce modèle open-source rivalise avec des solutions développées par des géants comme Alibaba. L'enjeu dépasse la simple performance technique : le secteur des agents de recherche IA souffre d'une concentration des données d'entraînement entre les mains d'un nombre restreint d'acteurs disposant de ressources massives. En rendant publics ses données, son code et son modèle, OpenSeeker remet en question ce monopole de fait et ouvre la voie à une recherche reproductible et accessible à la communauté scientifique. Le fait marquant reste l'efficacité remarquable obtenue avec 11 700 exemples d'entraînement seulement, un chiffre infime comparé aux ensembles de données massifs habituellement requis pour ce type de système, tout en ne nécessitant qu'une seule exécution d'entraînement. Cette sobriété méthodologique contraste fortement avec les approches dominantes et suggère que la qualité des données prime sur leur quantité brute. Cette publication s'inscrit dans une tendance plus large de démocratisation des agents IA capables de recherche autonome, un domaine jusqu'ici dominé par des laboratoires disposant de budgets considérables. Si ces résultats se confirment à plus grande échelle, OpenSeeker pourrait devenir une référence de base pour les équipes souhaitant développer des agents de recherche sans dépendance aux pipelines de données propriétaires.

OutilsPaper

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic