L'agent d'utilisation informatique d'AI2 peut exécuter des actions en ligne

Utiliser des agents de code en local

Il est désormais possible de faire tourner un agent de programmation complet entièrement en local, sans dépendre d'OpenAI, Anthropic ou d'un autre service propriétaire. Le principe repose sur deux composants : un modèle de langage open-weight hébergé localement via un serveur d'inférence, et un "harness" de codage, c'est-à-dire une couche logicielle qui permet au modèle de lire des fichiers, effectuer des modifications, exécuter des commandes et vérifier les changements produits. Des outils populaires comme Codex CLI ou Claude Code peuvent ainsi être reconfigurés pour pointer vers un modèle local plutôt que vers les API cloud de leurs éditeurs respectifs. Des alternatives plus spécialisées existent également : Qwen-Code (optimisé pour Qwen3.6), OpenCode, Cline ou encore Noumena Code. L'auteur de ce tutoriel, qui utilise toujours Codex et Claude Code comme outils principaux au quotidien, documente en détail comment assembler cette pile locale de bout en bout. Les avantages d'une telle configuration sont multiples et concrets. Sur le plan économique, le coût est ramené aux seules dépenses matérielles et électriques, indépendamment des limites d'abonnement ou des fluctuations tarifaires des API. Sur le plan de la confidentialité, des données sensibles comme des factures ou des documents internes ne transitent jamais hors du poste de travail, ce qui est impossible à garantir avec les services cloud. La reproductibilité constitue un autre atout : un modèle local ne change pas sans que l'utilisateur en décide, alors que des mises à jour silencieuses chez OpenAI (GPT-5.4 vers 5.5, par exemple) peuvent altérer des workflows existants. Enfin, l'usage hors-ligne reste possible, que ce soit en avion ou dans un lieu sans connexion stable. La montée en puissance des solutions locales s'inscrit dans un contexte de tensions croissantes autour des services propriétaires. Anthropic a récemment été accusé de brider les performances de son modèle phare dans certains contextes de recherche sur les LLM, ce qui illustre que les grands fournisseurs peuvent restreindre l'accès à leurs outils pour des raisons qui leur sont propres. Parallèlement, la qualité des modèles open-weight ne cesse de progresser, avec des acteurs comme Qwen (Alibaba) ou Mistral qui publient régulièrement des versions capables de rivaliser avec les offres commerciales sur les tâches de codage. Pour les développeurs soucieux de leur autonomie ou disposant du matériel adéquat, mettre en place un agent local pleinement opérationnel n'est plus une curiosité technique mais une alternative crédible et pérenne aux solutions des grandes plateformes.

💬 L'argument qui m'a vraiment convaincu, c'est la reproductibilité : une mise à jour silencieuse chez OpenAI peut casser un workflow qu'on a passé des semaines à fiabiliser, et tu l'apprends en prod. Les modèles open-weight ont atteint le niveau où la question n'est plus "est-ce assez bon pour du code ?" mais "est-ce que j'ai le GPU qu'il faut ?". Pour ceux qui ont le matos, c'est une vraie alternative, pas un bricolage.

Se retire de l'extraction d'informations web automatisée par Amazon Bedrock AgentCore

Amazon a présenté une solution technique permettant d'automatiser l'extraction d'informations à partir de sites web, construite autour d'Amazon Bedrock AgentCore, une plateforme dédiée à la création et à l'exploitation d'agents IA à grande échelle. Le système combine plusieurs services cloud : AgentCore Browser, un navigateur entièrement géré capable de restituer les pages riches en JavaScript, Amazon Bedrock pour l'analyse par IA, Amazon OpenSearch Serverless pour la recherche sémantique, et AWS Lambda pour l'orchestration. Concrètement, une règle Amazon EventBridge déclenche toutes les 15 minutes une fonction Lambda qui vérifie les flux RSS configurés et élimine les doublons via Amazon S3. Pour chaque nouvel article détecté, une session de navigateur s'ouvre via AgentCore et se connecte grâce à Playwright par le protocole Chrome DevTools (CDP) : contrairement à une simple requête HTTP, ce navigateur distant charge la page entière, attend le rendu des éléments dynamiques, capture une image d'écran et télécharge les visuels, avant que ces éléments ne soient stockés dans S3 dans un format structuré. Chaque dépôt sur S3 déclenche ensuite un message via Amazon SQS pour lancer le traitement par IA. Le code complet est disponible sur GitHub. L'enjeu pour les entreprises est de taille : suivre manuellement des dizaines de sites concurrents, de blogs sectoriels ou de publications réglementaires est chronophage et repose sur des scrapers classiques, fragiles par nature, puisqu'ils dépendent étroitement de la structure des pages. Une simple refonte d'un site ou une migration vers un frontend en JavaScript peut casser silencieusement un pipeline pendant plusieurs jours sans que l'équipe s'en aperçoive. En rendant le rendu des pages plus fiable, AgentCore Browser réduit ce risque et permet à des équipes design, marketing ou produit de suivre en continu les nouveautés d'un concurrent, les changements de tarification ou les signaux faibles d'un marché, sans intervention manuelle quotidienne. Cette architecture événementielle, qui sépare la collecte de contenu du traitement par IA, illustre une tendance plus large : l'automatisation de la veille par des agents capables de naviguer le web comme un humain plutôt que par des scripts rigides. Les cas d'usage identifiés par Amazon couvrent l'intelligence concurrentielle, la veille marché, la curation de contenu et la surveillance réglementaire. La recherche sémantique via des embeddings vectoriels dans OpenSearch Serverless permet ensuite d'interroger l'ensemble des informations collectées en langage naturel plutôt que par mots-clés exacts, ouvrant la voie à des tableaux de bord de veille alimentés en continu et consultables via une interface web.

💬 Se retirer d'un service AWS "prêt à l'emploi" pour l'extraction web, c'est un signal fort : même Amazon préfère composer ses propres briques (Browser, Lambda, OpenSearch) plutôt que de maintenir un produit fini. Ça confirme un truc que je répète depuis des mois, la veille automatisée par navigateur headless plutôt que par scraper fragile devient l'architecture par défaut, pas une option de luxe. Reste que c'est un stack AWS complet à opérer soi-même, pas un bouton à cliquer, donc parfait pour une équipe data qui sait déjà manier Lambda et SQS, beaucoup moins pour une PME qui voulait juste suivre trois concurrents sans embaucher un ingénieur cloud.

Visa intègre ChatGPT pour permettre aux agents IA d'effectuer des achats en ligne

Visa a officiellement connecté son infrastructure de paiement à ChatGPT, permettant désormais aux agents d'intelligence artificielle de sélectionner des produits et de finaliser des transactions commerciales sans aucune intervention humaine. Concrètement, un utilisateur formule une requête d'achat, et l'agent prend en charge l'ensemble du processus : évaluation des catalogues marchands, comparaison des produits, puis règlement financier via le réseau Visa, chez n'importe quel commerçant partenaire. Pour sécuriser l'authentification, Visa a mis en place un système de tokenisation programmatique : l'utilisateur définit en amont des paramètres de dépense, et à chaque achat validé par le modèle, un jeton de paiement à usage unique est généré et transmis directement au backend du marchand via API, en contournant totalement l'interface visuelle. La transaction se règle comme un paiement classique par portefeuille numérique, sans page de navigation, sans saisie manuelle ni vérification CAPTCHA. Ce partenariat marque une rupture profonde avec les intégrations commerciales précédentes, qui confinaient l'IA à des environnements mono-vendeur, c'est-à-dire les chatbots propriétaires d'une seule enseigne. En ouvrant l'accès au web ouvert via un réseau de paiement universel, Visa et OpenAI déplacent le point de décision hors du site marchand. Les équipes marketing conçoivent aujourd'hui leurs campagnes autour de la psychologie humaine, de l'émotion et du merchandising visuel : ces leviers deviennent obsolètes face à un agent qui évalue uniquement les spécifications techniques, les scores agrégés d'avis clients et les structures tarifaires. Les publicités display et les optimisations d'interface n'ont aucun poids dans les critères de sélection du modèle. Les marchands qui ne disposent pas de métadonnées produits structurées et lisibles par les machines risquent tout simplement de devenir invisibles pour ces nouveaux acheteurs automatisés. Cette évolution s'inscrit dans une tendance de fond où les grandes plateformes technologiques cherchent à intégrer des capacités agentiques dans leurs écosystèmes. Le déploiement de Visa avec ChatGPT illustre la convergence entre les grands modèles de langage et les infrastructures financières mondiales, un couplage que l'industrie anticipait mais qui prend ici une forme concrète et opérationnelle. Pour les retailers, les implications sont structurelles : l'optimisation pour les moteurs de recherche doit céder la place à une optimisation pour les modèles de langage, fondée sur des flux de données structurés et des API clairement documentées. Les architectures commerce headless, déjà adoptées par les enseignes les plus avancées techniquement, offrent un avantage immédiat puisqu'elles peuvent traiter la requête d'un agent, vérifier les stocks et exécuter le token de paiement en quelques millisecondes. Les métriques traditionnelles, taux de rebond, durée de session, abandons de panier, perdent leur sens face à des interactions qui se résument à une requête d'API suivie d'un paiement ou d'une déconnexion immédiate.

💬 Je retiens surtout ça : l'agent compare des specs et des prix, il se fiche de ton beau slider homepage. Des années d'A/B testing, d'optimisation de tunnel d'achat, de merchandising émotionnel, tout ça devient du bruit pour un modèle qui lit du JSON. La tokenisation à usage unique, par contre, c'est bien vu côté sécurité.

☕️ Alexa+, l’agent conversationnel d’Amazon, peut désormais générer des podcasts par IA

Amazon a annoncé une nouvelle fonctionnalité pour Alexa+, son assistant conversationnel dopé à l'intelligence artificielle : la génération de podcasts à la demande, disponible dès maintenant pour les utilisateurs basés aux États-Unis. L'agent peut produire en quelques minutes un épisode audio complet sur n'importe quel sujet, sans qu'il soit nécessaire de fournir des documents ou de préparer quoi que ce soit. Le format reprend le modèle popularisé par Google NotebookLM, avec une conversation simulée entre deux co-animateurs de synthèse. Pour alimenter ces productions, Amazon s'appuie sur des partenariats avec plus de 200 sources d'actualité, dont Associated Press, Reuters, le Washington Post, TIME, Forbes, Business Insider, Politico, USA Today, des publications de Condé Nast, Hearst et Vox, ainsi que plus de 200 journaux locaux américains. La fonctionnalité est incluse sans surcoût pour les abonnés Amazon Prime ; les non-membres peuvent y accéder pour 19,99 dollars par mois. Cette capacité marque un tournant dans la manière dont les assistants vocaux peuvent traiter et restituer l'information. Jusqu'ici cantonnée aux réponses factuelles et aux tâches utilitaires, Alexa+ entre dans le registre du contenu éditorial long-format, personnalisé en temps réel selon les intérêts de l'utilisateur. Les cas d'usage annoncés sont variés : actualité, loisirs, préparation de voyages, reconversion professionnelle, approfondissement de sujets scolaires. Pour les médias partenaires, l'accord représente une nouvelle forme de distribution, bien que les montants financiers n'aient pas été divulgués. Pour les utilisateurs, c'est une façon de consommer de l'information dense sans effort de recherche, à la manière d'un briefing audio personnalisé. Cette annonce s'inscrit dans une dynamique plus large d'intégration de l'IA générative dans les assistants grand public, accélérée depuis l'émergence des grands modèles de langage. Amazon, qui reconnaît qu'Alexa a déjà répondu à des dizaines de milliards de questions, cherche à transformer son assistant en véritable agent capable de produire du contenu original et contextualisé, et non plus seulement de réciter des informations. La référence directe à NotebookLM de Google n'est pas anodine : elle signale une compétition frontale sur le segment des outils d'apprentissage et d'information audio générés par IA. La question des droits des éditeurs reste cependant en suspens, les termes financiers des partenariats n'étant pas communiqués, dans un contexte où les négociations entre médias et plateformes d'IA font l'objet de tensions croissantes à l'échelle mondiale.