OutilsNext INpact4h· 2 min de lecture

Proton lance son assistant IA Lumo 2.0 avec génération d’images et mémoire

Proton a dévoilé le 2 juillet 2026 la version 2.0 de Lumo, son assistant IA, un an après son lancement en juillet 2025. L'éditeur suisse, connu pour ses services chiffrés (Proton Mail, Proton VPN), revendique aujourd'hui dix millions d'utilisateurs pour cet assistant construit sur la promesse d'une confidentialité totale, avec chiffrement de bout en bout, garantie zéro accès et absence de logs. Cette nouvelle mouture, présentée comme le changement le plus important depuis la création du produit, repose sur une architecture repensée et se décline en quatre modes : Lite pour les tâches courantes, Max pour le raisonnement complexe, Fast pour les réponses rapides, et Thinking pour les analyses multi-étapes avec raisonnement visible en temps réel. Sur le plan des performances, Proton annonce, via l'Artificial Analysis Intelligence Index, un score en hausse de 127% pour Lumo 2.0 Lite et de 240% pour Lumo 2.0 Max par rapport à la version 1.4, ce dernier modèle atteignant 51 points, entre les 44 de Claude Sonnet 4.6 et les 55 de GPT-5.5.

Cette mise à jour vise avant tout à combler le retard de Lumo sur ses concurrents directs. L'assistant devient multimodal, capable d'analyser des images, d'en générer à partir d'un prompt ou d'une esquisse, et de les éditer au sein d'une même conversation, le tout couvert par la garantie zéro accès. Autre ajout attendu de longue date : la recherche web avec citation des sources, ainsi qu'une mémoire persistante permettant à l'assistant de retenir préférences et style d'un utilisateur, avec un contrôle total laissé à ce dernier sur ce qui est conservé ou effacé. La fenêtre de contexte a également doublé, sans que Proton ne communique de chiffre précis, et de nouvelles fonctions collaboratives font leur apparition : les Projects, des espaces de travail chiffrés regroupant conversations, fichiers et instructions, et les Custom Lumos, des assistants personnalisés comparables aux Gems de Google Gemini.

Ces annonces s'inscrivent dans une bataille plus large où les acteurs mettant en avant la confidentialité, comme Proton, cherchent à rattraper l'écart technique avec les géants du secteur sans sacrifier leur positionnement éthique. Andy Yen, PDG de Proton, a déclaré via 9to5Mac que les tests utilisateurs montrent une différence qualitative de moins en moins perceptible entre Lumo 2.0 Max et les derniers modèles d'OpenAI et d'Anthropic, une affirmation qui reste toutefois celle du fabricant et non d'un benchmark indépendant. Un test publié par It's FOSS relativise d'ailleurs ce discours, pointant des limites sur certaines tâches comme l'édition d'image. Reste à voir si ces gains techniques suffiront à convaincre au-delà de la base d'utilisateurs déjà acquise à la promesse de confidentialité de Proton.

Impact France/UE

Proton, éditeur suisse très implanté en Europe, propose aux utilisateurs français et européens soucieux de confidentialité une alternative chiffrée aux assistants IA américains.

Dans nos dossiers

OpenAI Anthropic GPT-5.5 Gemini

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

1Le Big Data

La génération d’images avec la mémoire de Gemini devient 100 % gratuite mais…

La génération d'images personnalisées de Gemini, jusqu'ici réservée aux abonnés payants, devient gratuite pour tous les utilisateurs aux États-Unis. Google s'appuie sur Nano Banana, son modèle de génération d'images, combiné à une fonctionnalité appelée Intelligence personnelle. Lorsqu'un utilisateur active cette option, Gemini est autorisé à puiser dans les données de plusieurs services Google liés à son compte : Gmail, Google Photos, YouTube ou encore la Recherche Google. L'assistant peut ainsi composer des images sur mesure sans que l'utilisateur ait à décrire en détail ses goûts, ses passions ou son style de vie dans chaque requête. Une simple demande comme « crée une image de moi avec toutes mes choses préférées » suffit désormais pour que Gemini assemble une illustration cohérente avec ce qu'il sait déjà de la personne, y compris en s'appuyant directement sur des photos stockées dans Google Photos plutôt que d'exiger un téléversement manuel de références. Cette évolution change concrètement l'usage de l'IA générative d'images pour le grand public. Jusqu'à présent, obtenir un portrait ou une création vraiment personnalisée supposait un travail de description long et fastidieux, ou l'envoi répété de photos de référence. En automatisant cette étape grâce à la mémoire contextuelle de Gemini, Google abaisse la barrière technique et rend la personnalisation accessible en une phrase, ce qui pourrait accélérer l'adoption de ces outils chez des utilisateurs peu familiers des techniques de prompt engineering. Le choix de rendre la fonction gratuite, alors qu'elle était auparavant un argument de vente des abonnements payants, illustre aussi la stratégie de Google de démocratiser ses outils d'IA pour gagner en parts de marché face à des concurrents comme OpenAI ou Midjourney, quitte à sacrifier une partie de la différenciation premium. Cette ouverture s'accompagne toutefois de précautions sur la confidentialité des données, un sujet sensible dès lors qu'un assistant IA est connecté à des services aussi personnels que la messagerie ou les photos. Google insiste sur le caractère facultatif d'Intelligence personnelle : l'utilisateur choisit d'activer ou non la fonction, ainsi que les services spécifiques auxquels Gemini peut accéder, et peut désactiver l'option à tout moment depuis le menu Outils pour revenir à un fonctionnement classique. Lancée d'abord aux États-Unis, l'option Intelligence personnelle a ensuite été étendue progressivement à l'Inde et au Japon, ce qui laisse penser qu'un déploiement plus large, notamment en Europe où le RGPD impose des contraintes supplémentaires sur l'exploitation des données personnelles, pourrait suivre selon un calendrier plus prudent.

UELe déploiement de cette fonctionnalité n'est pas encore confirmé pour la France/UE, les exigences du RGPD sur l'exploitation des données personnelles (Gmail, Photos, YouTube) pouvant retarder son arrivée en Europe.

OutilsOutil

1 source

2MarkTechPost

Construire un assistant de recherche à base d'agents avec Groq, LangGraph, sous-agents et mémoire

Un tutoriel publié récemment détaille la construction d'un assistant de recherche agentique fonctionnant sur l'infrastructure d'inférence de Groq, en combinant LangGraph, LangChain et le modèle open source Llama 3.3 70B Versatile de Meta. L'architecture repose sur l'endpoint compatible OpenAI de Groq, disponible gratuitement via console.groq.com, ce qui permet d'utiliser l'interface ChatOpenAI de LangChain sans modifier le code en profondeur, simplement en redirigeant la clé API et l'URL de base. L'agent ainsi construit dispose d'un ensemble d'outils concrets: recherche web via DuckDuckGo, récupération de pages, lecture et écriture de fichiers, exécution de code Python, délégation à des sous-agents spécialisés, et une mémoire persistante entre les sessions. Le tout s'appuie sur des bibliothèques comme BeautifulSoup4 pour le parsing HTML et Pydantic pour la validation des données. Ce qui rend cette approche notable, c'est la combinaison d'une infrastructure gratuite et d'une architecture capable de raisonnement multi-étapes. L'agent ne se contente pas de répondre à une question: il décompose un sujet de recherche en sous-questions, interroge plusieurs sources, croise les informations pour identifier les consensus et les divergences, puis génère des rapports structurés sauvegardés dans un répertoire de sortie. La mémoire à long terme lui permet de réutiliser des connaissances acquises lors d'exécutions précédentes, évitant de recommencer from scratch à chaque session. Pour les développeurs et chercheurs qui cherchent à automatiser des workflows de veille ou d'analyse documentaire, cette architecture offre un point de départ fonctionnel sans coût d'inférence immédiat. Ce tutoriel s'inscrit dans une tendance de fond qui voit LangGraph s'imposer comme framework de référence pour les systèmes agentiques en Python, face à des alternatives comme AutoGen ou CrewAI. Groq, de son côté, mise sur la vitesse d'inférence permise par ses puces LPU propriétaires pour attirer les développeurs avec un tier gratuit généreux, dans l'espoir de les convertir en clients payants à l'échelle. L'utilisation de Llama 3.3 70B, modèle open source de Meta, illustre également la montée en puissance des modèles non propriétaires capables d'exécuter du tool calling fiable, compétence longtemps réservée aux modèles fermés comme GPT-4. La prochaine étape naturelle pour ce type de système serait l'intégration de sources structurées, une mémoire vectorielle plus sophistiquée, ou le déploiement dans des environnements de production avec contrôle des coûts.

OutilsTuto

1 source

3VentureBeat AI

Anthropic lance Claude Tag, un assistant IA persistant et autonome pour remplacer son application Slack

Anthropic a lancé mardi Claude Tag, une nouvelle intégration Slack qui positionne son modèle d'IA le plus avancé non plus comme un assistant individuel, mais comme un coéquipier partagé, persistant et autonome. Disponible dès aujourd'hui en bêta pour les abonnés Claude Enterprise et Team, le produit remplace l'ancienne application Claude in Slack et fonctionne sur Claude Opus 4.8, sorti il y a moins d'un mois. Le principe est simple : un administrateur connecte Claude à un espace de travail Slack, lui attribue des outils, des sources de données et des limites budgétaires, puis n'importe quel membre du canal peut taper @Claude pour lui déléguer une tâche, rédiger une pull request, extraire des chiffres de ventes, lancer une analyse de données. Claude décompose la demande en étapes, les exécute et répond dans un fil de discussion Slack avec le résultat complet. Ce qui distingue Claude Tag des intégrations IA existantes dans Slack tient à quatre caractéristiques structurelles. D'abord, il est multijoueur : au sein d'un canal, il n'y a qu'un seul Claude, visible de tous, dont chacun peut reprendre la conversation là où un collègue l'a laissée. Ensuite, il mémorise : au fil des échanges, Claude accumule le contexte du projet sans que les utilisateurs aient à se réexpliquer à chaque session. Il prend aussi des initiatives, avec le mode "ambient behavior" activé, il surveille les canaux auxquels il a accès et remonte proactivement les informations pertinentes ou relance les tâches restées sans suite. Enfin, il travaille de façon asynchrone, pouvant poursuivre un projet sur plusieurs heures ou jours sans supervision constante. Anthropic affirme que ses propres équipes produit "délèguent désormais des tâches à de nombreux Claude en parallèle" et que 65 % du code de son équipe produit est déjà généré par la version interne de cet outil, une affirmation frappante sur l'adoption réelle en interne. Claude Tag s'inscrit dans une compétition frontale pour le contrôle de la couche de collaboration d'entreprise, là où se prennent les décisions et s'accumule la connaissance institutionnelle en temps réel. Microsoft (Copilot dans Teams), Google (Gemini dans Workspace) et Salesforce (Agentforce) occupent déjà ce terrain. Anthropic tente de s'y imposer avec un argument de différenciation clair : un agent conçu pour s'intégrer dans les dynamiques d'équipe existantes plutôt que de les remplacer. Sur le plan de la gouvernance, les administrateurs définissent des identités Claude distinctes par usage, cloisonnées à des canaux et des outils spécifiques, avec des mémoires isolées entre contextes. Les suites restent à observer : la capacité de Claude à prendre des initiatives sur des canaux entiers, à surveiller les échanges et à décider de ce que les équipes doivent savoir, soulève des questions de contrôle et de transparence que les entreprises devront trancher avant tout déploiement à grande échelle.

UELes entreprises européennes sous abonnement Claude Enterprise ou Team peuvent dès maintenant tester Claude Tag en bêta, mais devront vérifier la conformité au RGPD avant tout déploiement à grande échelle, notamment pour les fonctions de surveillance ambiante des canaux.

OutilsOutil

1 source

4MarkTechPost

Construire un agent IA avancé avec planification, appel d'outils, mémoire et auto-critique via l'OpenAI API

Un tutoriel publié sur la plateforme de notebooks Colab détaille comment construire un système d'IA agentique avancé en s'appuyant sur l'API OpenAI et le modèle GPT-5.2. L'architecture proposée repose sur un pipeline de trois rôles spécialisés et distincts : un planificateur qui décompose les objectifs complexes en étapes, un exécuteur qui mobilise des outils concrets pour agir, et un critique qui évalue la qualité des résultats avant de les valider. Quatre outils sont intégrés directement dans le système : une calculatrice sécurisée qui accepte uniquement des expressions numériques sans variables, un moteur de recherche dans une base de connaissances interne simulant des playbooks d'équipe, un extracteur JSON pour produire des sorties structurées, et un module d'écriture de fichiers qui sauvegarde les livrables finaux avec une empreinte SHA-256 de vérification. La clé API est transmise via getpass() pour éviter toute exposition dans le code ou les sorties du notebook. Cette approche modulaire représente un changement de paradigme dans la façon de concevoir des agents IA. En séparant strictement la stratégie, l'action et le contrôle qualité en trois couches distinctes, le système évite les dérives courantes des agents monolithiques qui mélangent raisonnement et exécution sans garde-fous. Le composant critique intégré permet une autocorrection systématique avant la réponse finale, ce qui réduit les hallucinations et améliore la fiabilité des sorties dans des contextes professionnels. Pour les développeurs et les entreprises qui cherchent à automatiser des workflows complexes (rédaction de comptes-rendus de réunion, traitement de données structurées, génération de rapports), ce type d'architecture offre une robustesse que les chatbots conversationnels classiques ne peuvent pas atteindre. Ce tutoriel s'inscrit dans une vague plus large d'intérêt pour les systèmes multi-agents et les architectures dites "agentic", portées notamment par les travaux d'Anthropic sur Claude, de Google avec Gemini, et d'OpenAI elle-même avec ses API d'assistants et de function calling. L'émergence de GPT-5.2, le modèle utilisé ici, illustre la rapidité avec laquelle les capacités de base progressent et rendent ces architectures accessibles à un plus grand nombre de développeurs. La tendance de fond est claire : les LLM cessent d'être de simples générateurs de texte pour devenir des orchestrateurs capables de planifier, d'agir sur des systèmes externes et de s'autocorriger, ce qui rapproche concrètement l'IA générative des promesses d'automatisation avancée que l'industrie promet depuis plusieurs années.

OutilsTuto

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