Ex-chercheur d'OpenAI parie que 100 milliards de dollars vont être investis dans les données d'entraînement, car la mise à l'échelle seule ne suffira pas

Google affirme que Gemini 3.5 Flash peut réduire les coûts IA des entreprises de plus d'un milliard de dollars par an

Google a présenté mardi Gemini 3.5 Flash lors de sa conférence annuelle I/O, un nouveau modèle d'intelligence artificielle qui revendique une rupture avec l'un des compromis les plus tenaces du secteur : la capacité et la vitesse ne seraient plus antinomiques. Selon Sundar Pichai, PDG de Google, les entreprises traitant environ mille milliards de tokens par jour sur Google Cloud pourraient économiser plus d'un milliard de dollars par an en basculant 80 % de leurs charges de travail vers Flash et d'autres modèles frontier. Sur les benchmarks standards, Gemini 3.5 Flash dépasse Gemini 3.1 Pro, qui était encore positionné comme le modèle phare de l'entreprise il y a quatre à cinq mois : 76,2 % sur Terminal-Bench 2.1, 1656 Elo sur GDPval-AA, 83,6 % sur MCP Atlas et 84,2 % sur CharXiv Reasoning. Il génère des tokens quatre fois plus vite que les modèles frontier concurrents comparables, voire douze fois plus vite dans sa version optimisée disponible dès maintenant sur Antigravity, la plateforme de développement agentique de Google. Koray Kavukcuoglu, directeur technique de Google DeepMind, confirme : « Nous avons développé une version encore plus optimisée de Flash, non pas quatre fois, mais douze fois plus rapide, à qualité égale. » L'enjeu est considérable pour les entreprises qui ont massivement investi dans l'IA générative. Depuis trois ans, les DSI sont contraints de jongler entre des modèles puissants mais lents et coûteux pour les tâches complexes, et des modèles légers mais moins fiables pour les requêtes simples. Ce pilotage en portefeuille génère une ingénierie coûteuse, des expériences utilisateur inégales et, surtout, des budgets tokens qui s'épuisent à toute vitesse. Pichai l'a formulé sans détour lors d'un briefing presse lundi : « Vous avez probablement entendu des DSI dire que leurs entreprises ont déjà dépassé leur budget annuel de tokens, et on est seulement en mai. » Flash, à environ un tiers à la moitié du coût des modèles frontier actuels tout en atteignant selon Google 90 % de leurs performances, rendrait ce compromis obsolète pour la majorité des cas d'usage. Cette annonce s'inscrit dans une bataille d'efficience qui s'est intensifiée depuis que les entreprises ont commencé à déployer des agents IA en production à grande échelle. La course ne porte plus seulement sur l'intelligence brute des modèles, mais sur leur coût d'exploitation réel. Google fait face à une pression croissante d'Anthropic, d'OpenAI et de Meta, qui ont tous lancé des modèles intermédiaires visant le même créneau. Avec Flash, Google revendique la position unique de modèle occupant le quadrant supérieur droit de l'index intelligence/vitesse d'Artificial Analysis, sans concurrent direct à date. La disponibilité immédiate du modèle turbo dans Antigravity suggère que Google mise sur les workflows agentiques comme terrain de différenciation durable face à ses rivaux.

Le directeur IA de Microsoft affirme que l'entreprise est "libérée" d'OpenAI pour poursuivre la superintelligence

Mustafa Suleyman, directeur de Microsoft AI, a révélé lors de Microsoft Build 2026 qu'un changement contractuel conclu il y a environ six mois avec OpenAI a officiellement autorisé sa division à développer de manière autonome ce qu'il appelle ouvertement la "superintelligence". Cette annonce, faite en coulisses du Fort Mason Center à San Francisco, s'est accompagnée d'une démonstration concrète : Microsoft a présenté une famille de sept modèles d'IA entièrement développés en interne par son équipe AI Superintelligence Team, regroupés sous le nom "MAI". Le modèle phare, MAI-Thinking-1, est un modèle de raisonnement de 35 milliards de paramètres actifs qui, selon Microsoft, rivalise avec les meilleurs modèles de sa catégorie sur les benchmarks d'ingénierie logicielle et de raisonnement mathématique. La famille comprend également MAI-Code-1-Flash pour GitHub Copilot et VS Code, MAI-Image-2.5 pour la génération et l'édition d'images, MAI-Transcribe-1.5 couvrant 43 langues, et MAI-Voice-2 pour la synthèse vocale multilingue. Tous sont disponibles via Microsoft Foundry, et pour la première fois, les développeurs peuvent ajuster les poids des modèles via des plateformes tierces comme OpenRouter, Fireworks et Baseten. Ce virage stratégique marque une rupture significative pour une entreprise dont l'identité en matière d'IA était jusqu'ici presque entièrement définie par son partenariat avec OpenAI, dans lequel elle a investi un total cumulé dépassant 13 milliards de dollars. Le point le plus frappant du discours de Suleyman n'est pas la liste de modèles, mais la philosophie qui les sous-tend : tous sont entraînés depuis zéro sur des données propres et commercialement licenciées, sans distillation à partir de modèles tiers. Cette position contraste directement avec une pratique répandue dans l'industrie, où les labs utilisent les sorties de modèles concurrents pour entraîner leurs propres systèmes. Pour les entreprises clientes soucieuses de la traçabilité des données et des risques juridiques liés au copyright, ce choix représente un argument différenciant concret. La relation avec OpenAI n'est pas rompue pour autant, mais elle se transforme. Pendant des années, un arrangement contractuel spécifique limitait la capacité de Microsoft à construire ses propres modèles de frontier, la positionnant davantage comme distributeur et intégrateur que comme laboratoire de recherche à part entière. L'assouplissement de ces clauses il y a six mois marque donc un tournant institutionnel autant que technique. Suleyman l'a clairement formulé : l'objectif est qu'en 2030 et au-delà, Microsoft soit capable de "construire les meilleurs modèles au monde", et non plus seulement de les acheter. Cette transition sera longue, et les sept modèles annoncés ne sont qu'une preuve de concept. Ce qui se joue ici, c'est la capacité de Microsoft à devenir un acteur de recherche fondamentale en IA, aux côtés d'OpenAI, Google DeepMind et Anthropic, plutôt que dans leur ombre.

💬 Le plus intéressant dans cette histoire, c'est pas les sept modèles, c'est le changement contractuel signé il y a six mois dans la plus grande discrétion. Microsoft s'est reconstruite une liberté de recherche sans rompre avec OpenAI, c'est bien joué. Et le choix d'entraîner depuis zéro sur des données licenciées, sans distillation depuis les concurrents, ça pèse lourd pour les boîtes qui naviguent avec l'AI Act.

OpenAI intègre le raisonnement GPT-5 dans la voix en temps réel et transforme ce que les agents vocaux peuvent orchestrer

OpenAI a lancé trois nouveaux modèles vocaux distincts : GPT-Realtime-2, GPT-Realtime-Translate et GPT-Realtime-Whisper. Le premier est présenté comme le premier modèle vocal de la société doté d'un raisonnement "de classe GPT-5", capable de traiter des requêtes complexes tout en maintenant un flux de conversation naturel. GPT-Realtime-Translate prend en charge plus de 70 langues en entrée et les traduit vers 13 autres en temps réel, au rythme de l'interlocuteur. GPT-Realtime-Whisper, lui, se concentre exclusivement sur la transcription audio vers texte. Jusqu'ici, ces trois fonctions, conversation, traduction, transcription, étaient regroupées dans un seul système vocal monolithique. OpenAI les sépare désormais en composants spécialisés distincts, chacun gérable indépendamment, avec une fenêtre de contexte de 128 000 tokens. Ce changement architectural a des conséquences directes pour les entreprises qui déploient des agents vocaux à grande échelle. Jusqu'à présent, la lourdeur de ces systèmes tenait moins aux capacités conversationnelles des modèles qu'à leurs limites de contexte : les équipes techniques devaient construire des mécanismes de réinitialisation de session, de compression d'état et de reconstruction à chaque déploiement, ce qui alourdissait considérablement l'infrastructure. En décomposant la voix en primitives d'orchestration séparées, OpenAI permet aux entreprises d'assigner chaque tâche au modèle le plus adapté, de réduire la redondance et de mieux maîtriser les coûts. L'intérêt commercial est aussi clair : les interactions vocales génèrent des données clients particulièrement riches, et la demande pour ces agents augmente à mesure que les utilisateurs s'habituent à converser avec des IA. Cette annonce s'inscrit dans une course à la voix enterprise où OpenAI n'est plus seul. Mistral a récemment lancé ses modèles Voxtral, également orientés entreprises et structurés autour de la séparation transcription/conversation, ciblant directement le même segment de marché. Pour les équipes techniques qui évaluent ces solutions, le critère de choix ne se limite plus à la qualité brute du modèle : il faut désormais s'assurer que l'architecture d'orchestration existante est capable de router des tâches vocales vers des modèles spécialisés et de gérer l'état sur une fenêtre de 128 000 tokens. La modularisation de la voix, longtemps présentée comme une bonne pratique théorique, devient une contrainte d'intégration concrète pour quiconque veut tirer parti de ces nouveaux modèles dans un pipeline agentique plus large.

💬 La vraie nouvelle, c'est pas le titre GPT-5 dans la voix. C'est la modularisation : trois primitives séparées, chacune gérable indépendamment, fini les sessions à réinitialiser à la main entre deux tours de conversation. Mistral est déjà en face avec Voxtral, donc le match va se jouer sur l'intégration, pas sur les benchmarks.

Photon-1 d'Induction Labs simule des bureaux, joue aux dames et modélise la physique du billard à partir d'un seul entraînement

Induction Labs a publié la semaine dernière Photon-1, un modèle d'IA capable de comprendre et de contrôler un ordinateur après avoir simplement observé des vidéos d'écran, sans jamais recevoir d'étiquettes indiquant quelle action correspond à quelle image. Ce transformeur de type mixture-of-experts (MoE) totalise 106 milliards de paramètres, dont 5 milliards actifs à chaque inférence, et a été entraîné sur l'équivalent de 18 années de vidéos de démonstration informatique, soit 575 millions d'images extraites d'un corpus initial de 2 milliards de vidéos publiques, filtré jusqu'à environ 2 millions d'enregistrements d'écrans. L'entraînement complet, mené en une seule époque sur 552 milliards de tokens avec un contexte de 32 000 tokens, a nécessité environ 30 000 heures de calcul sur GPU H200, soit 4,4×10²² opérations en virgule flottante, avec une utilisation soutenue de 40 % de la capacité matérielle grâce à des noyaux personnalisés développés en PyTorch. Sur un benchmark interne d'utilisation d'ordinateur, Induction Labs affirme que Photon-1 surpasse Gemini 3.1 Flash-Lite tout en consommant nettement moins de calcul à l'entraînement et en coûtant environ trois fois moins cher à faire fonctionner, avec un coût pondéré de 0,11 dollar contre 0,36 dollar par million de tokens. Cette approche renverse une contrainte considérée jusqu'ici comme incontournable dans l'entraînement d'agents autonomes: la nécessité de labelliser chaque action associée à une image vidéo. En prédisant simplement les images futures dans un espace de représentation compressé, plutôt qu'en générant des pixels, le modèle développe ce qu'Induction Labs appelle une "politique implicite": il apprend le concept général d'une tâche accomplie par un humain, sans jamais voir explicitement un clic de souris étiqueté. Concrètement, cela pourrait réduire drastiquement le coût et la complexité de l'entraînement d'agents capables de naviguer sur des interfaces graphiques, un enjeu central pour les entreprises qui cherchent à automatiser des tâches de bureau, remplir des formulaires ou piloter des logiciels métier sans développer d'intégrations spécifiques pour chaque application. Techniquement, la prouesse repose sur un encodeur vidéo utilisant une quantification scalaire finie: chaque image est compressée en 960 tokens discrets de huit dimensions, chacune limitée à cinq valeurs possibles, pour un encodage d'environ 2,2 Ko par image, soit plus de cent fois plus compact que les représentations multimodales existantes tout en conservant texte, mise en page et changements d'état. Après cette phase de pré-entraînement, Induction Labs a affiné Photon-1 sur moins de 35 000 trajectoires d'utilisation réelle d'ordinateur pour lui apprendre à produire des actions concrètes, avant d'appliquer un apprentissage par renforcement en ligne sur des machines virtuelles Linux reproduisant cinq environnements de bureau différents (LXQt, Xfce, MATE, GNOME et Plasma), avec des comptes Google et un clone interne de ChatGPT sans limite de requêtes. Deux réserves accompagnent toutefois ces résultats: le chiffre de calcul attribué à Gemini reste une estimation prudente d'Induction Labs elle-même, et les modalités précises du benchmark comparatif n'ont pas été entièrement détaillées par l'entreprise.

💬 Ce qui saute aux yeux, c'est pas les dames ni le billard, c'est qu'Induction Labs vient de faire sauter le vrai goulot d'étranglement des agents de bureau: labelliser chaque clic à la main. Le modèle apprend juste en prédisant les images qui suivent, sans étiquette d'action, et il tourne trois fois moins cher à l'usage qu'un Gemini Flash-Lite. Bon, le benchmark est maison et les chiffres sur Gemini restent une estimation d'Induction Labs elle-même, donc j'attends de voir ça reproduit ailleurs, mais si ça tient, automatiser des tâches sur une interface graphique va coûter beaucoup moins cher à entraîner que ce qu'on croyait.