Aviva utilise l'IA pour bloquer 230 millions de livres de fraude à l'assurance

Meta utilise l'IA pour cartographier les connaissances tacites dans ses pipelines de données

Meta a développé un système original pour rendre ses agents IA capables de travailler efficacement sur une base de code massive : un pipeline de données couvrant quatre dépôts, trois langages de programmation et plus de 4 100 fichiers. Face à l'inefficacité des assistants IA classiques sur ce terrain, incapables de produire des modifications utiles rapidement, les ingénieurs ont conçu un moteur de pré-calcul composé de plus de 50 agents IA spécialisés. Ces agents ont systématiquement parcouru l'ensemble du code pour produire 59 fichiers de contexte condensés, encodant ce que les développeurs appellent le « tribal knowledge » : les règles implicites et les conventions qui n'existent que dans la tête des ingénieurs. Résultat : la couverture structurée du code est passée de 5 % à 100 % des modules, soit les 4 100 fichiers des trois dépôts. Plus de 50 patterns « non-évidents » ont été documentés pour la première fois, et les tests préliminaires montrent une réduction de 40 % des appels d'outils par les agents IA pour chaque tâche. L'enjeu n'est pas anodin. Sans cette cartographie, les agents IA se comportaient comme des développeurs juniors largués sur un projet inconnu : ils compilaient du code fonctionnel en apparence, mais subtilement incorrect. Par exemple, deux modes de configuration utilisent des noms de champs différents pour la même opération, les inverser produit une erreur silencieuse. Ou encore, des dizaines de valeurs d'énumération marquées « deprecated » ne peuvent jamais être supprimées, car la compatibilité de sérialisation en dépend. Aucune de ces règles n'était écrite nulle part. En les formalisant, Meta permet désormais à des modèles IA variés de naviguer le codebase de manière fiable, le système de connaissance étant indépendant du modèle utilisé. L'infrastructure se maintient aussi elle-même : toutes les quelques semaines, des jobs automatisés valident les chemins de fichiers, détectent les lacunes de couverture et corrigent les références obsolètes. Ce projet s'inscrit dans une tendance plus large où les grandes entreprises tech cherchent à industrialiser l'usage des agents IA sur des codebases de production réels, bien au-delà des démos. Meta avait déjà déployé des systèmes IA pour des tâches opérationnelles, surveillance de dashboards, reconnaissance de patterns incidents, suggestions de corrections, mais l'extension aux tâches de développement butait sur ce problème fondamental d'absence de contexte. La solution choisie, baptisée « compass, not encyclopedia », repose sur des fichiers ultra-compacts de 25 à 35 lignes environ 1 000 tokens chacun, organisés en quatre sections : commandes clés, fichiers essentiels, patterns non-évidents, et références croisées. Les 59 fichiers réunis pèsent moins d'un contexte de modèle standard. C'est cette sobriété délibérée, chaque ligne justifie sa présence, qui permet au système de rester maintenable et scalable à mesure que le codebase évolue.

Apple Intelligence : le guide complet pour utiliser l’IA sur son iPhone ou Mac

Au printemps 2026, Apple Intelligence s'est imposée comme une composante centrale des iPhone et Mac, bien loin du gadget expérimental de ses débuts en 2024. Selon les chiffres de mars 2026, plus de 80 % des utilisateurs d'appareils compatibles recourent quotidiennement aux outils de résumé ou de retouche intégrés au système. Cette adoption massive concerne notamment les possesseurs d'iPhone 17 et de MacBook Pro M5, qui bénéficient du fruit de trois ans de recherche sur les modèles de langage à petite échelle (SLM). Siri 2.0, rebaptisé agent d'action, peut désormais exécuter des commandes complexes directement dans les applications : analyser une photo reçue sur WhatsApp, en extraire les informations d'un événement et les inscrire automatiquement dans Calendrier et Plans, sans intervention manuelle. Les Writing Tools, disponibles sur Mac et iPhone, permettent de reformuler, restructurer et affiner des textes à partir de brouillons, transformant un message maladroit en communication professionnelle en quelques secondes. Le Priority Hub d'iOS 19 réorganise les notifications selon leur urgence réelle, remontant par exemple une alerte d'annulation de vol même en mode « Ne pas déranger ». L'impact de ces évolutions dépasse le simple confort d'usage : elles redéfinissent le rapport des utilisateurs à leurs appareils. La promesse d'une IA qui respecte la vie privée, les traitements étant effectués localement sur l'appareil via les puces Apple Silicon, lève un frein majeur à l'adoption que les solutions concurrentes basées sur le cloud n'avaient pas su dissiper. Pour les professionnels, les créatifs et les particuliers, le gain de temps est concret : rédaction assistée, retouche photo instantanée avec l'outil Clean Up, génération d'illustrations depuis des esquisses sur iPad grâce à Image Wand, ou encore création d'emojis personnalisés (Genmoji) en deux secondes depuis iMessage. Le Semantic Intelligence Framework, qui permet à Siri d'adapter son ton et son débit au contexte, rend l'interaction suffisamment fluide pour que l'assistant s'intègre au rythme de vie sans friction perceptible. Cette montée en puissance s'inscrit dans une stratégie de long terme qu'Apple a construite en réponse à la pression exercée par OpenAI, Google et Microsoft sur le marché de l'IA grand public. Là où ces acteurs misaient sur des modèles massifs hébergés dans le cloud, Apple a choisi une voie différente : des modèles compacts optimisés pour tourner directement sur ses puces, couplés à une architecture système qui donne à l'IA un accès profond aux données personnelles sans les exporter. Le résultat, après deux ans de rodage parfois chaotique, est un écosystème cohérent où l'IA n'est plus une application à lancer, mais une couche invisible qui amplifie chaque geste. Les prochaines versions d'iOS et de macOS devraient étendre ces capacités aux applications tierces via des API publiques, ce qui pourrait transformer Apple Intelligence en plateforme ouverte autant qu'en avantage concurrentiel propriétaire.

Codex a dépassé les 7 millions d'utilisateurs, en hausse de plus de 10 fois en 6 mois : dépasse-t-il Claude Code ?

OpenAI a franchi une nouvelle étape dans l'adoption de son outil de programmation assistée Codex. Selon des données relayées sur les réseaux sociaux, le nombre d'utilisateurs de Codex a dépassé les 7 millions cette semaine, avec un gain d'environ un million d'utilisateurs en seulement 24 heures, entre le 12 et le 13 juillet 2026. Ce bond fait suite au lancement de GPT 5.6 le 9 juillet, et à une annonce du 12 juillet indiquant que 6 millions d'utilisateurs avaient été atteints en 48 heures. En remontant aux données communiquées par Fidji Simo en mars, qui évoquait 2 millions d'utilisateurs, puis à une estimation de 550 000 à 700 000 utilisateurs au 1er janvier, la progression de Codex représente une multiplication par dix de sa base d'utilisateurs en seulement six mois. À titre de comparaison, Anthropic avait communiqué en février des chiffres autour de 2 millions d'utilisateurs actifs hebdomadaires pour Claude Code, avec un chiffre d'affaires annualisé de 2,5 milliards de dollars, en précisant que cette base avait doublé en six semaines depuis le 1er janvier. Cette divergence de communication entre les deux entreprises interroge. L'hypothèse la plus favorable à Anthropic est que l'essentiel des usages de programmation se serait déplacé vers Claude en tant qu'agent intégré à Slack plutôt que vers l'outil en ligne de commande Claude Code, rendant toute comparaison directe des statistiques d'usage difficile puisque les deux produits n'ont pas la même accessibilité. Il n'empêche que la croissance de Codex, multipliée par dix en six mois, reste un signal fort pour l'industrie des agents de codage, où la course aux utilisateurs et à la rétention devient un enjeu concurrentiel central entre OpenAI et Anthropic, avec des implications directes sur les revenus, l'adoption en entreprise et l'attractivité des différents écosystèmes de développement assisté par IA. Ce mouvement s'inscrit dans un contexte plus large où la qualité du modèle sous-jacent ne suffit plus à faire la différence: le harnais, c'est-à-dire l'environnement d'exécution et d'orchestration entourant l'agent, devient lui-même un facteur décisif de performance. C'est dans cette logique que Prime Intellect a dévoilé cette semaine la version 1 de ses environnements verifiers, une refonte de sa pile logicielle pour l'apprentissage par renforcement agentique, désormais valorisée à un milliard de dollars pour 100 millions de dollars de revenus annualisés. La nouvelle architecture sépare les tâches, le harnais et le moteur d'exécution, et stocke les traces de rollout sous forme de graphes de messages plutôt que de copies répétées, ce qui réduit la croissance des données de complexité quadratique à linéaire et facilite l'entraînement sur des tâches longues, comme un modèle de 100 milliards de paramètres entraîné sur des tâches d'ingénierie logicielle de 40 tours en moins de deux jours sur six nœuds H200.

💬 Dix fois plus d'utilisateurs en six mois, ça change la nature du problème : la bataille des agents de codage ne se joue plus sur le modèle, elle se joue sur la distribution. Anthropic peut toujours dire que Claude Code n'est qu'une partie de l'histoire à cause de Slack, ça n'efface pas l'écart brut avec ses 2 millions d'utilisateurs hebdo. Et le vrai signal de la semaine est peut-être ailleurs, dans les verifiers de Prime Intellect : le harnais qui entraîne ces agents commence à valoir aussi cher que le modèle qui tourne dedans.

Cara développe une IA spécialisée pour les courtiers en assurance d'entreprise avec AWS

Cara, une startup fondée par Vic Yeh, Nikhil Kansal et Jon Patel, a lancé une plateforme d'IA spécialisée pour les courtiers en assurance d'entreprise, construite entièrement sur Amazon Web Services. Les trois fondateurs ont une expérience directe du secteur : ils avaient créé puis revendu leur propre courtage digital à The McGowan Companies, l'un des plus grands groupes d'assurance privés aux États-Unis. C'est lors de cette aventure qu'ils ont développé un premier copilote IA interne basé sur des LLMs, qui avait réduit les délais de traitement, amélioré la précision des données et fluidifié les workflows des agents. Fort de son adoption, le concept a été élargi en produit autonome : Cara. La plateforme répond à une problématique concrète dans un secteur pesant 8 000 milliards de dollars mondial : les agents d'assurance passent des heures sur des tâches répétitives comme le remplissage de formulaires ACORD, l'analyse comparative des garanties, la ressaisie de données entre systèmes et les allers-retours entre clients et compagnies. Face à une pénurie persistante de talents, les courtages doivent augmenter leur chiffre d'affaires sans embaucher proportionnellement. Cara automatise ces processus en s'appuyant sur Amazon Bedrock pour l'inférence LLM, ce qui évite de gérer une infrastructure GPU, et sur Amazon EKS pour l'orchestration des microservices en conteneurs sur plusieurs zones de disponibilité, supportant des milliers d'utilisateurs et de workflows simultanés par courtage. Chaque organisation bénéficie d'espaces de travail isolés, avec des données et workflows cloisonnés pour répondre aux exigences réglementaires du secteur. Les outils IA généralistes échouent dans l'assurance parce qu'ils ignorent les modèles de données métier, les exigences spécifiques des compagnies et les contraintes réglementaires liées aux données personnelles et financières sensibles. Cara a été conçu précisément pour combler ces lacunes, en intégrant des workflows propres aux courtages, la connaissance des appétits des compagnies, les historiques de placements et les directives internes des agences. La solution s'interface avec les principaux systèmes de gestion d'agences et CRM du marché, synchronisant comptes, polices et documents pour éliminer les doublons. Dans un secteur où la précision et la traçabilité sont non négociables, ce positionnement de spécialiste, par opposition aux assistants IA horizontaux, représente la thèse centrale de Cara et pourrait devenir un modèle de référence pour d'autres verticals fortement réglementés cherchant à industrialiser l'IA sans sacrifier la conformité.