Coder à l'intuition peut créer votre pipeline, mais ne l'expliquera pas six mois plus tard

Codex : plus besoin d’être collé à votre PC, l’IA de code arrive sur mobile

OpenAI a annoncé le 14 mai 2026 l'intégration de Codex dans l'application mobile ChatGPT, disponible sur iOS et Android. L'outil, jusqu'ici réservé aux environnements de bureau, peut désormais être piloté depuis un smartphone. Concrètement, Codex se connecte à la machine principale de l'utilisateur, PC portable, serveur dédié ou environnement distant, et affiche en temps réel l'état des tâches en cours : résultats de tests, sorties terminal, captures d'écran, validations et modifications de projet. Il ne s'agit pas de faire tourner un environnement de développement complet sur téléphone, mais de transformer le smartphone en tableau de bord portable pour superviser et orienter des tâches qui s'exécutent ailleurs. L'enjeu pratique est clair : les développeurs qui utilisent des agents d'IA autonomes se heurtent régulièrement au même problème. Ces agents peuvent travailler plusieurs dizaines de minutes, voire plusieurs heures, sans intervention humaine, mais ils finissent inévitablement par avoir besoin d'un arbitrage : choisir entre deux solutions techniques, approuver une action sensible, fournir du contexte supplémentaire. Jusqu'ici, cela imposait de retourner à son poste. Avec Codex sur mobile, il devient possible de lancer une analyse de bug avant de quitter le bureau, de suivre l'exécution depuis un taxi, et d'approuver une commande critique sans rouvrir tout son environnement de travail. OpenAI met en avant la sécurité du dispositif : la machine n'est pas exposée directement à Internet, la synchronisation entre appareils passant par une couche de relais sécurisée. Cette annonce s'inscrit dans une tendance plus large où les grands acteurs de l'IA, OpenAI en tête, cherchent à étendre leurs outils au-delà du seul écran d'ordinateur. Codex, initialement présenté comme un agent de codage autonome capable de gérer des tâches complexes sur des dépôts GitHub, monte progressivement en puissance depuis son lancement. L'intégration mobile est encore en préversion, mais elle signale une ambition claire : faire de l'IA de code un outil disponible en permanence, quel que soit le contexte. Pour l'industrie, cela accentue la pression sur les concurrents comme GitHub Copilot ou Cursor, qui n'ont pas encore poussé aussi loin l'expérience nomade. Pour les développeurs, la question n'est plus de savoir si l'IA va s'intégrer dans leurs outils quotidiens, mais à quelle vitesse elle va coloniser chaque surface disponible, y compris les six pouces de leur poche.

💬 Personne n'attendait un IDE sur téléphone. Ce qu'on voulait, c'est pouvoir débloquer un agent depuis le taxi à 19h sans rouvrir son laptop, et là OpenAI coche la case. Bon, faut encore vérifier ce que vaut vraiment cette "couche de relais sécurisée" dont ils parlent.

Softr lance une plateforme IA pour permettre aux équipes non techniques de créer des applications métier sans code

Softr, la plateforme no-code berlinoise utilisée par plus d'un million de créateurs et 7 000 organisations dont Netflix, Google et Stripe, a lancé ce mardi une nouvelle version qu'elle qualifie d'« AI-native » — un pari sur le fait que l'explosion des outils de création d'applications par IA a surtout produit des démonstrations impressionnantes, mais peu de logiciels métier réellement opérationnels. Le cœur de cette mise à jour est l'« AI Co-Builder » : l'utilisateur décrit en langage naturel l'application dont il a besoin, et la plateforme génère un système complet — base de données, interface, permissions et logique métier — connecté et prêt à déployer immédiatement. Mariam Hakobyan, cofondatrice et PDG de Softr, a présenté cette annonce en exclusivité à VentureBeat en amont du lancement. Ce positionnement cible une faille bien réelle du marché actuel. Les plateformes dites de « vibe coding » — Lovable, Bolt, Replit — ont capté l'attention des développeurs et des investisseurs en capital-risque depuis dix-huit mois, mais elles s'adressent mal aux milliards d'utilisateurs non techniques en entreprise qui ont besoin de logiciels opérationnels personnalisés sans pouvoir maintenir du code généré par IA quand il casse. « Un seul prompt peut casser dix étapes déjà complétées », explique Hakobyan. « On finit par maintenir quelque chose qu'on n'avait pas demandé. » Les outils qui génèrent du code brut laissent l'utilisateur face à une base de code illisible : connecter ces apps à des bases de données réelles ou à des systèmes d'authentification requiert souvent des intégrations techniques — Supabase, appels API — qui transforment l'utilisateur en développeur malgré lui. La réponse de Softr repose sur une architecture de « blocs de construction » pré-conçus — tableaux Kanban, vues liste, authentification, gestion des rôles — que l'IA assemble selon les besoins décrits, sans jamais générer de code libre. Après cinq ans passés à construire une infrastructure no-code contrainte et éprouvée, l'entreprise a superposé l'IA sur cette base stable, évitant ainsi le problème d'hallucination qui fragilise les générateurs de code. Ce lancement s'inscrit dans un moment charnière pour tout le secteur : la promesse du no-code se heurte depuis des années à la complexité des logiciels métier réels — portails clients, CRM internes, outils de gestion de stocks — qui exigent fiabilité et sécurité à chaque utilisation. Softr mise sur le fait que l'IA doit guider, pas générer, pour tenir cette promesse auprès des organisations qui n'ont ni le temps ni les ressources pour embaucher un développeur à chaque bug.

Comment créer des pipelines de génération de graphes de connaissances à partir de texte avec kg-gen, NetworkX et des visualisations interactives

Une équipe de chercheurs de l'Université Stanford a publié un tutoriel complet présentant kg-gen, une bibliothèque Python open source permettant de générer automatiquement des graphes de connaissances à partir de texte non structuré. Le workflow décrit s'appuie sur trois outils principaux : kg-gen pour l'extraction des entités et relations, NetworkX pour l'analyse des structures de graphes, et PyVis ainsi que Matplotlib pour la visualisation interactive. Le processus repose sur un modèle de langage configuré via LiteLLM, une couche d'abstraction qui permet de brancher indifféremment GPT-4o-mini d'OpenAI, Claude d'Anthropic, Gemini de Google ou des modèles locaux via Ollama. À partir d'un texte simple, « Linda est la mère de Josh, Ben est son frère, Andrew son père, Josh étudie à Stanford », kg-gen identifie automatiquement les entités (Linda, Josh, Ben, Stanford) et les relations sémantiques qui les lient sous forme de triplets sujet-prédicat-objet. Pour les passages plus longs, la bibliothèque intègre un mécanisme de découpage par chunks de 800 caractères et un algorithme de clustering qui regroupe les entités synonymes, évitant ainsi les doublons lorsqu'un même concept apparaît sous plusieurs formes dans le texte source. L'intérêt concret de cet outil réside dans sa capacité à transformer des corpus textuels volumineux et désordonnés en structures de données navigables et interrogeables. Pour les équipes data, les chercheurs ou les développeurs travaillant sur des bases documentaires, cela représente un gain significatif : là où il fallait annoter manuellement les relations entre concepts, kg-gen automatise l'extraction en quelques lignes de code. Le graphe résultant peut ensuite être analysé avec NetworkX pour identifier les nœuds les plus connectés, détecter des communautés thématiques, ou mesurer la centralité de certains acteurs dans un corpus. La visualisation interactive via PyVis permet de naviguer dans le graphe directement dans un notebook Jupyter ou un navigateur, ce qui ouvre des usages en veille technologique, en analyse de réseaux d'influence ou en construction de bases de connaissances pour des systèmes RAG. kg-gen a été développé à Stanford et s'appuie en interne sur DSPy, un framework de programmation déclarative pour les LLM, pour garantir des sorties structurées et reproductibles. LiteLLM, qui sert de couche de routage, supporte une quarantaine de fournisseurs de modèles, ce qui rend le pipeline indépendant d'un prestataire unique. Ce tutoriel s'inscrit dans une tendance plus large visant à combiner les grands modèles de langage avec des représentations symboliques du savoir, à mi-chemin entre les approches purement neuronales et les systèmes expert classiques. Plusieurs grandes entreprises tech explorent cette direction pour améliorer la fiabilité des réponses de leurs IA, notamment en réduisant les hallucinations en ancrant le raisonnement dans un graphe de faits vérifiables. La prochaine étape naturelle du projet consiste à fusionner des graphes issus de sources multiples, un problème d'alignement d'entités que kg-gen aborde également dans les sections avancées du tutoriel.

OpenAI met à jour Codex : les agents peuvent créer des espaces de travail interactifs via Sites et plugins par rôle

OpenAI a annoncé mardi une mise à jour majeure de sa plateforme agentique Codex, avec l'introduction de plusieurs fonctionnalités destinées à conquérir le monde de l'entreprise : des plugins sectoriels, un outil d'édition ciblée baptisé "Annotations", et une fonctionnalité d'hébergement web rapide appelée "Sites". Cette évolution transforme délibérément Codex, jusqu'ici perçu comme un assistant spécialisé pour développeurs, en environnement de travail quotidien pour les professionnels non-techniques. Parmi les 5 millions d'utilisateurs hebdomadaires de la plateforme, les non-développeurs, analystes financiers, marketeurs, opérationnels, chercheurs, représentent désormais environ 20% de la base et adoptent l'outil trois fois plus vite que les ingénieurs traditionnels. La fonctionnalité Annotations résout un problème concret qui freinait l'adoption en entreprise : jusqu'ici, demander à l'IA de modifier un graphique ou un calcul dans un tableur forçait le modèle à réécrire l'intégralité du fichier, détruisant souvent la mise en forme et introduisant des erreurs. Annotations isole précisément le segment sélectionné par l'utilisateur, un bloc de cellules dans un modèle financier, par exemple, et exécute les modifications sans toucher aux formules, styles ou dépendances environnantes. En parallèle, OpenAI déploie six plugins métier qui agrègent 62 applications professionnelles et 110 compétences automatisées dès le départ : un plugin Data Analytics connecte Snowflake, Databricks et Tableau ; le plugin Creative Production intègre Figma, Canva et Shutterstock ; le plugin Sales synchronise Salesforce, HubSpot, Slack et Clay ; le plugin Finance bancaire agrège des flux institutionnels comme Moody's, FactSet, PitchBook et S&P pour automatiser la modélisation financière et la préparation de pitch books. Le calendrier de cette annonce n'est pas anodin : elle intervient précisément au moment où Microsoft, principal investisseur mais concurrent direct d'OpenAI, ouvre sa conférence annuelle Build à San Francisco, où plusieurs outils de productivité enterprise concurrents sont attendus. Elle suit aussi de près la progression rapide d'Anthropic sur ce même segment, via Claude et Claude Code, auprès des travailleurs du savoir. OpenAI cherche à positionner Codex comme la référence pour l'automatisation des tâches de col blanc, avant que le marché des agents IA d'entreprise ne se structure autour d'autres acteurs. La stratégie est claire : ne plus réserver l'IA agentique aux équipes techniques, mais en faire un couche opérationnelle transversale, accessible à chaque département sans intervention du service informatique.