« LinkedIn ajoute vraiment un bouton "ça ressemble à du contenu IA de mauvaise qualité" »

Le PDG de Nvidia tente d'expliquer pourquoi DLSS 5 n'est pas du "contenu IA de mauvaise qualité

Jensen Huang, PDG de Nvidia, a pris la parole lundi pour défendre DLSS 5 face aux critiques virulentes de la communauté gaming. Lors d'un entretien de près de deux heures sur le Lex Fridman Podcast, il a tenté d'expliquer pourquoi cette technologie ne relève pas du "AI slop", terme désignant les contenus générés par IA de faible qualité qui inondent le web. La controverse est née la semaine précédente, lors de la présentation publique de DLSS 5 et de ses améliorations visuelles dites "génération IA" appliquées aux scènes de jeux. La réaction en ligne a été immédiate et négative, les joueurs redoutant que leurs titres favoris prennent une esthétique générique et artificielle, caractéristique des productions IA en masse. Huang a reconnu comprendre ces inquiétudes : "Je ne suis pas fan du AI slop moi-même... tout le contenu IA généré se ressemble de plus en plus", a-t-il admis. Mais il distingue fermement DLSS 5 de cette tendance en soulignant que la technologie est "conditionnée et guidée par la 3D". Les artistes des studios restent les créateurs de la géométrie et des textures du jeu, qui constituent la "structure de vérité" sur laquelle s'appuie DLSS 5. La technologie améliore chaque image sans en altérer la structure fondamentale. La position de Nvidia illustre une tension croissante dans l'industrie du jeu vidéo : intégrer l'IA pour améliorer les performances graphiques sans sacrifier l'identité artistique des œuvres. Si l'argument technique de Huang est cohérent, il devra convaincre une communauté de joueurs de plus en plus vigilante face à toute intervention algorithmique sur l'expérience visuelle.

Les bagues connectées ressemblent à mon type de gadget IA

Depuis quelques mois, un journaliste de The Verge passe une bonne partie de son temps à dicter du texte à son ordinateur plutôt qu'à le taper. Il a testé de nombreuses applications de dictée dopées à l'IA, parmi lesquelles WisprFlow, Monologue, Spokenly et Handy, et constate que même les modèles de langage les moins chers sont désormais capables de comprendre et de retranscrire la parole avec une précision remarquable. Ces outils permettent de rédiger rapidement des emails, des messages Slack ou des textos simplement en parlant, sans repasser par le clavier. Ce progrès change concrètement la façon dont les professionnels communiquent au quotidien, en réduisant la friction liée à la rédaction et en accélérant les échanges écrits. Il reste toutefois des défauts d'usage : ces applications ont tendance à formater le texte de façon trop formelle et à terminer systématiquement les messages par un point, ce qui donne un ton un peu froid, presque robotique, à des messages censés rester informels. Ces imperfections s'améliorent néanmoins de version en version, à mesure que les modèles progressent. Cette percée de la dictée illustre un phénomène plus large de la révolution des grands modèles de langage : des capacités vocales longtemps réservées à des usages spécialisés deviennent accessibles et bon marché pour le grand public. Elle ouvre aussi la voie à de nouveaux objets connectés pensés pour capter la parole en continu, comme les bagues intelligentes, que l'auteur évoque comme la prochaine étape logique de cette tendance vers une interaction vocale permanente avec l'IA.

LinkedIn présente son agent de mémoire cognitive pour les agents IA

LinkedIn a dévoilé le Cognitive Memory Agent (CMA), une couche d'infrastructure d'IA générative destinée à rendre les systèmes d'intelligence artificielle persistants et conscients du contexte dans lequel ils opèrent. Ce framework fournit une mémoire durable organisée en trois couches distinctes : épisodique, qui retient les interactions passées ; sémantique, qui stocke les connaissances générales ; et procédurale, qui encode les comportements appris. Le CMA prend également en charge la coordination entre plusieurs agents, la récupération d'informations et la gestion complète du cycle de vie des mémoires. Cette initiative s'attaque à une limitation fondamentale des grands modèles de langage : leur absence d'état entre les sessions. Sans mémoire externe, chaque interaction repart de zéro, rendant impossible toute personnalisation durable. En déployant le CMA dans ses propres applications, LinkedIn ouvre la voie à des assistants IA capables de se souvenir des préférences professionnelles d'un utilisateur, de ses recherches d'emploi passées ou de ses habitudes de networking, transformant ainsi l'expérience sur une plateforme de plus d'un milliard d'utilisateurs. La mémoire des agents est devenue l'un des chantiers prioritaires de l'industrie, alors que les entreprises cherchent à faire passer leurs systèmes d'IA du mode réactif au mode autonome et continu. OpenAI, Google DeepMind et Anthropic développent des architectures comparables, mais LinkedIn dispose d'un avantage singulier : une base de données professionnelles sans équivalent. Le CMA positionne l'entreprise pour intégrer ces capacités directement dans ses outils de recrutement, de formation et de recommandation, avec des implications profondes sur la façon dont les professionnels interagiront avec l'IA au quotidien.

Qu’est ce qu’un Prompt IA ? Comment en réaliser un pertinent et comment le maintenir à jour ?

Le terme « prompt » s'est imposé comme le vocabulaire incontournable de l'intelligence artificielle générative, sans que sa définition soit toujours clairement posée. Un prompt désigne l'instruction textuelle qu'un utilisateur soumet à un modèle d'IA pour obtenir une réponse : une question, une consigne, un contexte ou une combinaison des trois. Sa qualité détermine directement la pertinence du résultat produit par des outils comme ChatGPT, Claude ou Gemini. Plus l'instruction est précise, structurée et contextualisée, plus la réponse générée sera utile et adaptée au besoin réel. Maîtriser l'art du prompt devient un avantage concret pour les professionnels qui intègrent l'IA dans leur quotidien. Un prompt efficace précise le rôle attendu du modèle, le format de sortie souhaité, le niveau de détail et l'audience cible. L'absence de ces éléments produit des réponses génériques, vagues ou hors sujet, ce qui oblige à multiplier les échanges et réduit le gain de productivité escompté. À l'inverse, une instruction bien construite peut transformer un outil généraliste en assistant expert adapté à un métier ou une tâche précise. La pratique du prompting n'est pas figée : les modèles évoluent régulièrement, leurs capacités changent, et les prompts qui fonctionnaient bien il y a six mois peuvent devenir sous-optimaux après une mise à jour. Il est donc recommandé de documenter ses prompts les plus utiles, de les tester à intervalles réguliers et de les ajuster en fonction des nouvelles versions des modèles. Cette discipline, parfois appelée « prompt engineering », commence à faire l'objet de formations et de rôles dédiés au sein des entreprises.

💬 Le prompt engineering s'officialise en formation et en poste RH, et c'est le vrai signal ici : l'IA générative est sortie du laboratoire. La vraie compétence, c'est moins de savoir coller un rôle et un format dans un prompt que de comprendre ce qu'un modèle peut vraiment faire ou pas (ça, l'article passe vite dessus). Documenter et versionner ses prompts comme du code, par contre, c'est du bon sens qu'on applique encore trop rarement.