Optimiser vos budgets IT : Flezi Foundry automatise la chaîne de valeur

OpenAI met à jour Codex pour automatiser vos flux de travail – et mieux rivaliser avec Claude Code

OpenAI a annoncé une mise à jour significative de Codex, son assistant de programmation, en lui ajoutant un système de plugins destiné à étendre ses capacités bien au-delà de la simple génération de code. Ces nouveaux connecteurs permettent à Codex de s'intégrer directement dans des environnements de développement, d'automatiser des flux de travail complets — tests, déploiement, gestion de dépendances — et d'interagir avec des outils tiers. L'objectif déclaré est de faire de Codex un agent de développement polyvalent, capable d'agir de manière autonome sur l'ensemble du cycle de vie d'un projet logiciel. Cette évolution place directement Codex en concurrence frontale avec Claude Code, l'outil d'Anthropic qui a conquis une base d'utilisateurs fidèles parmi les développeurs professionnels grâce à sa capacité à opérer de manière agentique dans des environnements complexes. Pour les équipes d'ingénierie, l'enjeu est concret : disposer d'un assistant capable de prendre en charge des tâches répétitives et structurées réduit les coûts de développement et accélère les cycles de livraison. La bataille des assistants de code s'intensifie depuis l'émergence des outils agentiques en 2024. GitHub Copilot, Claude Code, Cursor et désormais un Codex renforcé se disputent un marché en pleine expansion, où la différenciation repose moins sur la qualité brute du code généré que sur la capacité à s'intégrer dans les workflows existants. OpenAI, qui avait initialement lancé Codex comme un simple moteur de complétion, mise désormais sur l'autonomie et l'extensibilité pour reconquérir un terrain cédé à ses concurrents.

Coinbase for Agents : automatiser le trading de portefeuille grâce à l'IA

Coinbase a lancé « Coinbase for Agents », une infrastructure permettant à des agents d'intelligence artificielle d'exécuter des transactions financières directement depuis des portefeuilles utilisateurs. Jusqu'à présent, les grands modèles de langage pouvaient analyser les marchés et formuler des recommandations, mais ils étaient incapables de passer des ordres de manière autonome. La plateforme comble ce fossé en proposant deux modes d'intégration : une interface en ligne de commande destinée aux environnements de développement comme Claude Code ou OpenAI Codex, et le protocole MCP (Model Context Protocol) pour les agents web tels que ChatGPT ou Claude Web, qui ne nécessite aucune clé API ni configuration locale. Un accès MCP distant via authentification unique est également annoncé prochainement. Les agents peuvent ainsi acheter, vendre, gérer des soldes et passer des ordres à cours limité, le tout dans des paramètres définis à l'avance par l'utilisateur. Concrètement, un gestionnaire de portefeuille peut programmer un agent pour maintenir une allocation cible, par exemple 60 % Bitcoin, 20 % Ethereum et 20 % Solana, sur plusieurs mois. L'agent surveille les cours en temps réel et place automatiquement des ordres d'achat lors de baisses de 5, 10 ou 15 % pour profiter des corrections de marché. Il peut également gérer les liquidités dormantes en les déployant pour générer des rendements. Autre cas d'usage illustré : un plan de dollar-cost averaging sur Ethereum, où l'agent analyse trente jours de données horaires, identifie les creux historiques de la journée, puis exécute un achat quotidien de 20 dollars pendant deux semaines à partir d'une seule instruction initiale. La plateforme supporte déjà le trading au comptant et sur dérivés, et prévoit d'étendre son offre aux fonds indiciels, actions d'entreprises, matières premières et marchés de prédiction. Ce lancement s'inscrit dans une dynamique plus large de financiarisation des agents IA. Coinbase avait introduit l'an dernier le protocole x402, un standard de paiement conçu spécifiquement pour les agents logiciels, leur permettant d'acheter de manière autonome des ressources de calcul, des modèles analytiques ou des données de marché propriétaires pour affiner leurs décisions. L'intégration de x402 à Coinbase for Agents étend ce mécanisme à un écosystème financier concret. Pour limiter les risques, les agents opèrent exclusivement dans des portefeuilles isolés, sans accès aux autres actifs de l'utilisateur. La course à « l'infrastructure agentique » s'intensifie, plusieurs acteurs cherchant à devenir le back-end financier de référence pour les agents autonomes, avec Coinbase en position avancée grâce à son infrastructure régulée et ses millions d'utilisateurs existants.

💬 C'est le vrai saut. Les agents IA qui conseillent de trader, ça existe depuis deux ans, mais là Coinbase leur donne les clés du portefeuille, dans des contraintes que tu fixes à l'avance, et c'est une autre affaire. Reste à voir ce qui se passe le jour où le marché fait un truc que le modèle n'avait pas vu venir.

Von recommande tous les grands modèles IA pour l'analyse des revenus, et automatise leur combinaison

Von, une nouvelle plateforme d'intelligence artificielle lancée par l'équipe derrière Rattle, une startup spécialisée dans l'automatisation des processus, s'attaque à un paradoxe bien connu dans les entreprises tech : si les outils comme Claude Code ou Cursor ont radicalement transformé le quotidien des développeurs, les équipes commerciales restent, elles, prisonnières de silos de données, de saisies manuelles dans les CRM et de reportings approximatifs. Fondée par Sahil Aggarwal, Von se positionne non pas comme une solution ponctuelle supplémentaire, mais comme une "couche d'intelligence" unifiée pour les équipes Go-To-Market. La plateforme commence par construire un "graphe de contexte" de l'entreprise en ingérant des données structurées issues de CRM comme Salesforce et HubSpot, ainsi que des données non structurées provenant d'enregistreurs d'appels (Gong, Zoom, Chorus), de fils de messagerie et de documentation interne. Elle s'appuie ensuite sur une architecture multi-modèles : Claude d'Anthropic pour le raisonnement de haut niveau, ChatGPT pour le traitement massif de données, et Gemini de Google pour la génération de contenus créatifs comme les présentations et rapports. Lors d'une démonstration, Von a analysé 101 comptes PME pour identifier les risques de désabonnement en un peu plus de trois minutes, une tâche qu'un analyste humain effectuerait en une à deux semaines. L'enjeu est considérable pour les opérations commerciales. L'un des problèmes chroniques des équipes de vente est l'écart entre ce qui est enregistré dans un CRM et ce qui s'est réellement dit lors d'un appel client. Von résout ce problème en croisant automatiquement les transcriptions d'appels avec les données Salesforce, permettant d'identifier des incohérences dans les raisons de pertes de deals ou d'évaluer la santé d'une opportunité commerciale sur la base du sentiment réel exprimé, et non d'une mise à jour manuelle d'un commercial. La plateforme génère également des fiches de briefing pré-appel, des analyses de victoires et défaites commerciales regroupées par thèmes, et automatise les tâches administratives Salesforce à faible valeur ajoutée. En agissant comme un "Data Scientist IA" ou un "VP RevOps" virtuel, Von promet de libérer les équipes des tâches de reporting répétitives pour les recentrer sur la vente. Ce positionnement s'inscrit dans une tendance plus large de l'IA d'entreprise : après avoir conquis les workflows techniques, les grandes plateformes cherchent à s'implanter dans les fonctions commerciales et opérationnelles, historiquement moins automatisées. Von hérite de l'expertise de Rattle dans l'intégration des outils de vente, ce qui lui confère une connaissance fine des flux de données GTM. Le choix d'une stratégie "mixture of models" plutôt que d'un modèle unique reflète une maturité technique croissante dans l'industrie, où l'optimisation coût-performance dicte désormais l'architecture des solutions. La prochaine étape pour Von sera de démontrer sa capacité à s'imposer face à des acteurs établis comme Clari, Gong ou Salesforce Einstein dans un marché de l'intelligence des revenus déjà très concurrentiel et en pleine consolidation.

Automatiser la génération de schémas pour le traitement intelligent de documents

Amazon Web Services vient d'enrichir son IDP Accelerator, solution open-source et serverless dédiée au traitement automatisé de documents, d'une nouvelle fonctionnalité baptisée "multi-document discovery". Jusqu'ici, exploiter le traitement intelligent de documents (IDP) exigeait de constituer manuellement un schéma de configuration pour chaque type de document à analyser : définir les classes, identifier des exemples représentatifs, spécifier les champs à extraire. Une contrainte rédhibitoire dès lors qu'une organisation se retrouve avec des milliers de documents non étiquetés et aucune visibilité sur les catégories qui les composent. La nouvelle fonctionnalité répond directement à ce problème : elle analyse une collection de documents inconnus, les regroupe automatiquement par type, puis génère les schémas de configuration prêts à l'emploi. Le pipeline repose sur AWS Step Functions pour l'orchestration, AWS Lambda pour le calcul serverless, Amazon S3 pour le stockage, et les modèles disponibles via Amazon Bedrock pour la génération des schémas, dont le modèle d'embeddings Cohere Embed v4 utilisé par défaut. L'intérêt opérationnel est considérable pour les équipes qui traitent des volumes documentaires hétérogènes. Là où le module Discovery existant nécessitait de connaître ses classes de documents à l'avance et de fournir un exemple par classe, la nouvelle approche supprime ce prérequis. Le système génère d'abord un embedding visuel pour chaque document, en se basant sur la première page uniquement pour les documents multi-pages, puis utilise le score de silhouette pour déterminer automatiquement le nombre de clusters pertinents. Un agent construit avec Strands Agents et un LLM Bedrock analyse ensuite chaque cluster pour identifier le type de document et produire un schéma. Une étape de "réflexion" finale compare l'ensemble des schémas générés pour détecter les chevauchements et incohérences avant validation humaine. Cette approche réduit drastiquement le travail préparatoire qui, à grande échelle, pouvait représenter des semaines de labelling manuel. Le choix des embeddings visuels plutôt que textuels, via OCR, est une décision technique délibérée : la mise en page, le formatage et la structure visuelle d'un document permettent de distinguer des types documentaires même lorsque leur contenu textuel se ressemble. Ce positionnement s'inscrit dans la stratégie plus large d'AWS de faire de Bedrock un socle central pour les workflows d'IA en entreprise, en y adossant des briques comme Strands Agents pour la partie agentique. La solution reste open-source, disponible sur GitHub, ce qui permet aux équipes de l'adapter à leurs propres collections. L'enjeu sous-jacent est de rendre accessibles les initiatives IDP à des organisations qui ne disposent pas des ressources pour classifier manuellement leur patrimoine documentaire avant même de commencer à en extraire de la valeur.