Tencent prépare en secret un agent IA pour WeChat, que faut-il savoir ?

Tencent confirme un projet d'agent IA WeChat pour les "tâches pratiques

Tencent prépare un agent IA intégré à WeChat, capable de gérer un large éventail de tâches quotidiennes pratiques pour ses utilisateurs. La confirmation vient de Martin Lau, président de Tencent Holdings, après une première révélation par The Information.

Tencent open-source TencentDB Agent Memory : un pipeline mémoire local à 4 niveaux pour agents IA

Tencent a publié en open source TencentDB Agent Memory, un système de mémoire pour agents IA conçu pour résoudre deux problèmes chroniques des agents de longue durée : l'explosion du contexte et l'échec de rappel. Distribué sous licence MIT, le projet repose sur une architecture à quatre niveaux et une mémoire symbolique court terme, sans nécessiter d'API externe grâce à un backend SQLite local via l'extension sqlite-vec. Le système s'intègre à OpenClaw comme plugin npm (@tencentdb-agent-memory/memory-tencentdb, Node.js 22.16+) et à l'agent Hermes via une image Docker avec passerelle TDAI. La mémoire long terme est organisée en pyramide sémantique à quatre couches : L0 Conversation (dialogues bruts), L1 Atom (faits atomiques), L2 Scenario (blocs de scènes), et L3 Persona (profil utilisateur en Markdown). Les couches hautes sont interrogées en premier ; on ne descend vers les faits bruts que si le détail est nécessaire. Les logs d'outils sont déchargés dans des fichiers externes sous refs/*.md, et les transitions d'état sont encodées en syntaxe Mermaid dans un canvas léger, permettant à l'agent de raisonner sur un graphe symbolique plutôt que sur des logs verbeux. Les gains de performance mesurés par Tencent sur des sessions continues sont significatifs. Sur WideSearch, le taux de réussite passe de 33 % à 50 % (amélioration relative de 51,52 %) et la consommation de tokens chute de 221,31 millions à 85,64 millions, soit une réduction de 61,38 %. Sur SWE-bench, testé en sessions de 50 tâches consécutives pour simuler l'accumulation de contexte, le taux de succès monte de 58,4 % à 64,2 % pendant que les tokens passent de 3 474 millions à 2 375 millions (-33 %). Sur le benchmark de mémoire personnalisée PersonaMem, la précision bondit de 48 % à 76 %. La récupération combine par défaut recherche BM25 et embeddings vectoriels via Reciprocal Rank Fusion, avec support du chinois (jieba) et de l'anglais. Une extraction de mémoire L1 se déclenche toutes les cinq interactions, un persona utilisateur est généré tous les 50 nouveaux souvenirs, et un timeout de cinq secondes évite de bloquer la conversation en cas d'échec de rappel. Ces résultats s'inscrivent dans une course plus large à la résolution du problème de mémoire pour les agents IA autonomes. La plupart des systèmes actuels fragmentent les données dans des stores vectoriels plats, rendant le rappel aveugle et peu structuré. L'approche de Tencent, qui sépare structure symbolique et texte brut tout en maintenant une hiérarchie sémantique, représente une alternative architecturale concrète. Le projet étant open source sous MIT et autosuffisant localement, il s'adresse directement aux développeurs qui construisent des agents de production sans vouloir dépendre d'une API mémoire tierce. Le modèle par défaut est DeepSeek-V3.2 de Tencent Cloud, mais tout modèle compatible OpenAI peut être substitué, ce qui élargit considérablement le périmètre d'adoption potentielle.

💬 La réduction de 61% des tokens sur WideSearch, ça ne s'invente pas. Tencent a fait ce que la plupart des frameworks négligent encore : séparer la structure symbolique du texte brut et organiser la mémoire en hiérarchie, plutôt que de tout jeter dans un store vectoriel plat et prier pour que le rappel fonctionne. Open source MIT, autosuffisant en local, compatible n'importe quel modèle OpenAI-compatible, les ingrédients sont là.

Google Pay se prépare pour les agents IA avec le Universal Commerce Protocol

Google Pay annonce une refonte majeure de son infrastructure de paiement pour anticiper l'essor des transactions initiées par des agents d'intelligence artificielle. L'entreprise a présenté le Universal Commerce Protocol (UCP), une nouvelle spécification destinée à standardiser la communication entre agents IA, systèmes de paiement et marchands. En parallèle, Google déploie un nouveau serveur baptisé Merchant Commerce Platform (MCP), qui fait office d'intermédiaire entre les développeurs d'agents et les backends commerciaux. D'autres composants complètent ce dispositif : des callbacks dynamiques pour l'API Android Pay, permettant des ajustements en temps réel pendant une transaction (recalcul des frais de livraison, mise à jour de la TVA), ainsi qu'une extension du support WebView pour autoriser des paiements natifs au sein d'applications tierces comme les réseaux sociaux. Ce basculement répond à un problème concret : les agents IA conçus pour réserver des vols, commander des fournitures ou effectuer des achats en ligne sont incapables de naviguer dans des tunnels de conversion pensés pour des humains, avec leurs clics, leurs formulaires et leurs pages de confirmation visuelles. En remplaçant ce modèle par une API stable et lisible par les machines, Google cherche à s'imposer comme la plaque tournante du commerce machine-à-machine. Pour les entreprises, les implications sont immédiates : si leurs données produits, leurs prix et leurs stocks ne sont pas exposés sous forme de données structurées exploitables par un agent, elles deviennent invisibles dans ce nouveau canal commercial. Le référencement ne se fera plus uniquement pour les humains, mais aussi pour les algorithmes qui décident des achats à leur place. Ce repositionnement intervient alors que l'ensemble de l'industrie tech anticipe une explosion des transactions autonomes. En centralisant les flux via son serveur MCP, Google obtient une vue privilégiée sur les tendances commerciales générées par les agents IA, ce qui soulève des questions de gouvernance des données et de dépendance à une plateforme propriétaire. Sur le plan de la sécurité, Google introduit une authentification biométrique inter-appareils : un agent peut demander à l'utilisateur de valider un achat depuis son téléphone, même si la transaction a été orchestrée depuis un ordinateur. Ce mécanisme établit un modèle de supervision humaine pour les transactions sensibles, mais la question de savoir quand un agent peut agir de façon entièrement autonome reste ouverte et sera probablement au cœur des prochains débats réglementaires et industriels.

💬 Le vrai angle ici, c'est pas le protocole, c'est que les agents IA ne savent pas passer en caisse. Google règle ça, et du même coup devient incontournable pour tout le commerce machine-à-machine. Les marchands qui n'ont pas encore leurs données produits en format structuré viennent d'hériter d'un nouveau chantier.

Votre chanson préférée est-elle faite par une IA ? Deezer peut le savoir

Deezer a lancé un outil public de détection de musique générée par intelligence artificielle, accessible à tous les utilisateurs de plateformes de streaming, qu'ils soient abonnés Deezer ou non. Le service fonctionne simplement : l'utilisateur connecte son compte Spotify, Apple Music, SoundCloud ou YouTube Music, autorise l'accès, et l'outil analyse ses playlists pour identifier les morceaux d'origine artificielle. À l'issue de l'analyse, un pourcentage indique la proportion de titres générés par IA présents dans la bibliothèque. Selon le PDG de Deezer, le résultat peut surprendre : près d'un utilisateur sur deux migrant depuis une autre plateforme possède déjà des morceaux IA dans ses playlists, souvent sans en avoir conscience. La plateforme affirme avoir identifié, depuis le début 2025, plus de 13,4 millions de titres créés par IA, avec un flux entrant de quelque 75 000 nouveaux morceaux artificiels chaque jour. L'enjeu dépasse la simple curiosité technologique. Deezer indique que ces morceaux étiquetés comme IA sont automatiquement exclus de ses algorithmes de recommandation, ce qui signifie qu'ils ne peuvent pas être artificiellement promus auprès des auditeurs. Pour les artistes humains, c'est une protection directe contre une concurrence fondée sur le volume plutôt que sur le talent : quand n'importe qui peut générer des milliers de titres en quelques clics, les plateformes risquent d'être inondées de contenus qui parasitent la découvrabilité des musiciens professionnels. L'outil public offre aussi une transparence inédite aux auditeurs, dans un contexte où, selon les propres données de Deezer, 97 % des utilisateurs sont incapables de distinguer à l'oreille un morceau humain d'un morceau généré par IA. L'industrie musicale observe depuis plusieurs années la montée en puissance des outils de génération audio, capables de produire des chansons complètes avec voix, instruments et arrangements en quelques minutes. Face à cette réalité, plusieurs acteurs ont commencé à réagir différemment : Bandcamp a durci ses conditions d'utilisation, Sony multiplie les actions juridiques contre des services génératifs, tandis que Deezer choisit la voie de la détection et de l'information. La plateforme française affirme travailler sur ce système depuis un an et demi, ce qui lui a permis d'accumuler suffisamment de données pour rendre l'outil public avec un niveau de fiabilité opérationnel. La prochaine étape sera probablement réglementaire : plusieurs pays européens discutent d'une obligation d'étiquetage des contenus générés par IA, et des outils comme celui de Deezer pourraient devenir une infrastructure de conformité autant qu'un service grand public.

💬 75 000 morceaux IA générés par jour qui rentrent sur les plateformes, et la moitié des utilisateurs en ont déjà dans leurs playlists sans le savoir. Deezer fait le bon pari en rendant ça visible maintenant, parce que les plateformes qui attendent le règlement européen vont se retrouver à construire cette infra dans l'urgence. Le vrai test, c'est si leur modèle de détection tient quand les outils génératifs vont s'entraîner spécifiquement à le contourner.