5 tendances qui ont marqué l'AI Engineering au World's Fair 2026

AI Engineer World’s Fair 2026 : la conférence où l’IA cesse d’être une démo

L'AI Engineer World's Fair 2026 se tiendra à San Francisco du 30 juin au 2 juillet, réunissant des ingénieurs et équipes techniques autour d'une question centrale : comment faire fonctionner l'intelligence artificielle en production réelle, et non plus en démonstration. L'événement s'impose comme un rendez-vous de référence pour les praticiens de l'IA, ceux qui déploient concrètement des systèmes en entreprise plutôt que de les théoriser en laboratoire. Ce positionnement comble un vide réel dans l'écosystème des conférences tech. Ni aussi académique que NeurIPS ou ICML, ni aussi orienté marketing que les grands salons comme CES ou VivaTech, l'AI Engineer World's Fair s'adresse directement aux équipes d'ingénierie confrontées aux défis opérationnels : latence, fiabilité, intégration dans les systèmes existants, coûts d'inférence. Pour les entreprises qui ont passé 2024 et 2025 à expérimenter avec des LLMs, 2026 marque le passage à la mise en production à grande échelle, et ce type d'événement devient un outil de montée en compétences critique. Ce glissement vers une IA "d'ingénierie" plutôt qu'"exploratoire" reflète la maturité croissante du secteur. Après les années de proof-of-concept et de prototypes, les entreprises font face à des problèmes concrets : gouvernance des modèles, gestion des hallucinations en contexte métier, pipelines RAG robustes, évaluation continue des performances. San Francisco reste le centre de gravité de cette transformation, et des conférences comme celle-ci participent à structurer une discipline émergente qui n'avait pas encore ses propres forums techniques.

Skill engineering, l'argument contre la conception IA en un seul essai

Paul Bakaus, créateur de l'outil open-source Impeccable, a présenté lors de l'AI Engineer World's Fair sa vision d'une nouvelle discipline qu'il appelle le "skill engineering". Impeccable est un système de compétences de conception destiné aux agents de codage IA : plutôt que de demander à un agent de redessiner un site entier en une seule instruction, l'utilisateur peut lui demander de rendre une section plus "audacieuse", plus "sobre", plus "dense" ou plus soignée. Le projet a démarré comme une extension relativement simple du skill de design frontend d'Anthropic, avant de s'étoffer en un système à composants et flux de travail multiples à mesure que son audience grandissait. Lors d'un atelier consacré à ce qu'il a qualifié d'"arts obscurs" de la conception de compétences pour agents, Bakaus a expliqué que la plupart des modèles et des skills existants manquent de créativité et convergent tous vers les mêmes solutions visuelles quand ils s'appuient sur les mêmes outils. L'enjeu dépasse la simple esthétique : il s'agit de donner aux agents un vocabulaire de conception précis plutôt que des adjectifs vagues. Un modèle livré à lui-même, sollicité pour rendre une page plus "audacieuse", ajoutera souvent des dégradés, des effets néon ou des surfaces vitrées. Impeccable définit au contraire l'audace via des notions concrètes comme la hiérarchie visuelle, l'échelle et une typographie décisive, des changements qui attirent l'attention sans casser le système de design existant. Pour Bakaus, "un adjectif sans rien derrière n'est qu'une jolie apostrophe" : il faut expliciter à l'agent ce que le terme signifie réellement. Cette approche compte pour l'industrie car elle comble l'écart de résultats observé entre un designer et un ingénieur utilisant pourtant le même modèle, l'un sachant simplement mieux articuler ce qu'il veut obtenir que l'autre. Ce travail de traduction du vocabulaire professionnel en instructions actionnables pour les agents doit aussi composer avec les différences entre plateformes : Claude Code, Cursor, GitHub Copilot et Codex ne gèrent pas les sous-agents ou les permissions de la même façon, ce qui interdit de concevoir un skill universel sans adaptation. Bakaus a par ailleurs expérimenté un routage interne aux compétences, combinant plusieurs capacités et orientant chaque tâche vers les instructions pertinentes, un mécanisme qu'il compare à un modèle de type mixture-of-experts, utile à la fois pour économiser des tokens et améliorer l'efficacité. Il insiste cependant sur les limites de cette abstraction : ajuster un espacement reste parfois plus rapide en manipulation directe, et le prompt ouvert garde son utilité en phase d'exploration initiale. L'objectif n'est pas de remplacer chaque outil par un agent, mais de déterminer le niveau de contrôle exact où le jugement humain doit intervenir dans le processus créatif.

Hugging Face lance ml-intern, un agent IA open source qui automatise l'après-entraînement des LLM

Hugging Face a publié ml-intern, un agent d'intelligence artificielle open-source conçu pour automatiser de bout en bout le post-entraînement des grands modèles de langage (LLM). Construit sur le framework smolagents de la société, l'outil est capable de réaliser de manière autonome des revues de littérature scientifique sur arXiv, de découvrir des jeux de données sur le Hub Hugging Face, d'exécuter des scripts d'entraînement et d'évaluer itérativement les résultats, le tout sans intervention humaine. Lors d'une démonstration officielle, l'agent a pris le modèle de base Qwen3-1.7B, qui obtenait initialement environ 10 % sur le benchmark GPQA de raisonnement scientifique, et l'a porté à 32 % en moins de 10 heures sur un seul GPU H100, franchissant la barre des 27,5 % en seulement trois heures. Ce résultat dépasse celui de Claude Code d'Anthropic, actuellement à 22,99 % sur cette même tâche, et se rapproche du record actuel de 33 % obtenu avec le modèle Gemma-3-4B, deux fois plus grand. L'impact de ml-intern est direct pour les équipes de recherche en machine learning : il automatise un cycle de travail qui mobilise habituellement plusieurs ingénieurs pendant plusieurs jours. L'agent gère la génération de données synthétiques lorsque les jeux de données existants sont insuffisants, comme dans un test médical où il a produit des exemples d'entraînement ciblant des cas limites en langage médical et en réponse d'urgence multilingue. Il implémente également des techniques avancées comme le Group Relative Policy Optimization (GRPO), une variante du RLHF moins gourmande en mémoire que le PPO standard, en surveillant les courbes de récompense et en lançant des ablations pour identifier les composants efficaces. L'ensemble du suivi expérimental repose sur Trackio, un outil natif au Hub présenté comme alternative open-source à Weights & Biases. Cette publication s'inscrit dans une tendance de fond : l'automatisation du travail des chercheurs en IA par des agents eux-mêmes entraînés à raisonner sur des pipelines ML. Le benchmark PostTrainBench, développé par l'université de Tübingen et le Max Planck Institute, a servi de cadre d'évaluation standardisé, contraignant les agents à post-entraîner un modèle de base en moins de 10 heures. En positionnant ml-intern comme supérieur à Claude Code sur cette tâche précise, Hugging Face signale une ambition claire : faire de son écosystème, du Hub aux outils d'entraînement, une plateforme autonome et intégrée capable de rivaliser avec les solutions propriétaires d'Anthropic ou de Google. La disponibilité en open-source de l'agent ouvre la voie à des adaptations communautaires rapides, et le benchmark PostTrainBench devrait s'imposer comme référence pour évaluer les prochaines générations de ces outils.

Siri AI vs Google Gemini : qui gagne en 2026 ?

En 2026, la rivalité entre les deux principaux assistants IA mobiles prend un tournant décisif. Apple, longtemps perçu comme en retard sur l'intelligence artificielle générative, accélère sa transition avec une version substantiellement rénovée de Siri, désormais capable de comprendre le contexte de plusieurs conversations simultanées, de résumer des échanges et d'effectuer des recherches approfondies à travers les applications natives de l'iPhone. De son côté, Google Gemini s'est imposé comme une plateforme multimodale de référence, capable d'interpréter simultanément du texte, des images, de l'audio et des séquences vidéo longues, tout en traitant des requêtes complexes nécessitant plusieurs étapes de raisonnement. La coopération stratégique annoncée entre Apple et Google, par laquelle Cupertino s'appuie partiellement sur l'infrastructure de son rival pour enrichir certaines fonctions de son écosystème, ajoute une dimension inédite à ce face-à-face. La divergence entre les deux approches est fondamentale et détermine concrètement l'expérience de centaines de millions d'utilisateurs. Siri mise sur une intégration profonde dans iOS, iPadOS et macOS : l'assistant peut accéder au contenu affiché à l'écran, aux messages récents et aux fichiers stockés localement pour personnaliser ses réponses, plutôt que de simplement produire une réponse exacte. Cette philosophie du traitement local et du cloud privé est pensée pour des utilisateurs attachés à la confidentialité. Gemini, lui, privilégie la puissance brute : il excelle dans l'analyse de documents volumineux, l'identification d'éléments visuels précis ou la réponse à des scénarios multi-étapes, en croisant plusieurs sources d'information en quelques secondes. Pour les professionnels qui travaillent sur des contenus variés, ou les utilisateurs ancrés dans l'écosystème Google Workspace, l'avantage penche nettement vers Gemini. Ce duel reflète une recomposition plus profonde du marché des smartphones, où l'IA est devenue le principal terrain de différenciation. Pendant des années, Apple a préféré la prudence, cantonnant Siri à des tâches limitées pour préserver sa réputation sur la vie privée. La montée en puissance de ChatGPT et de Gemini a forcé Cupertino à changer de vitesse, quitte à s'allier temporairement avec Google. Google, de son côté, joue sur deux tableaux : enrichir Android avec Gemini tout en fournissant une partie de sa technologie à Apple via des accords commerciaux. Les prochains mois seront déterminants : Apple doit démontrer que sa vision centrée sur la confidentialité peut rivaliser avec la puissance de calcul de Google à l'échelle mondiale, tandis que Google doit convaincre que son ouverture ne se fait pas au détriment de la transparence pour les utilisateurs.

💬 Apple qui achète de la puissance IA à Google pour faire tourner Siri, c'est le vrai scoop de cet article. Ça fait deux ans qu'on attendait qu'Apple se réveille sur l'IA générative, mais se réveiller en sous-traitant à l'ennemi, c'est un choix qui mérite qu'on s'y arrête. La confidentialité locale, c'est bien, mais faut pas que ce soit juste un argument marketing pour cacher que les modèles maison ne suivent pas.