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 confirme officiellement son ambition de déployer un agent IA au sein de WeChat, la messagerie chinoise incontournable avec ses 1,3 milliard d'utilisateurs actifs. Martin Lau, président de Tencent, a annoncé que l'objectif est de créer un assistant capable de gérer un large éventail de tâches quotidiennes pratiques directement depuis l'application. L'enjeu est considérable : WeChat n'est pas une simple messagerie en Chine, c'est un super-app intégrant paiements, commerce, services gouvernementaux et vie sociale. Y intégrer un agent IA performant pourrait transformer radicalement l'expérience de centaines de millions d'utilisateurs et positionner Tencent comme acteur central de l'IA conversationnelle en Asie, face à la concurrence d'Alibaba, de Baidu et des nouveaux entrants comme DeepSeek. Martin Lau a formulé l'objectif ainsi : "Notre ambition pour l'avenir est de créer un agent IA" capable d'accomplir des tâches pratiques au quotidien, une déclaration qui confirme des informations rapportées en exclusivité par The Information. Tencent s'appuierait sur ses modèles Hunyuan, sa famille de LLMs développée en interne, pour alimenter cet agent. Cette annonce s'inscrit dans une course effrénée au sein de la Big Tech chinoise pour intégrer l'IA générative dans les plateformes à forte audience. L'intégration native dans WeChat, sans nécessiter d'application tierce, représenterait un avantage stratégique majeur en termes d'adoption, et pourrait servir de modèle pour d'autres super-apps à l'échelle mondiale.

ChatGPT Voice évolue avec GPT-Live-1 et GPT-Live-1 mini : tout ce qu’il faut savoir

OpenAI a dévoilé le 8 juillet 2026 deux nouveaux modèles vocaux, GPT-Live-1 et GPT-Live-1 mini, intégrés directement à ChatGPT Voice. Ces modèles remplacent l'ancien système de prise de parole séquentielle par une architecture dite « full-duplex », qui permet à l'IA d'écouter et de parler en même temps, exactement comme le ferait un interlocuteur humain. Concrètement, l'utilisateur peut désormais interrompre ChatGPT en pleine réponse, marquer une pause pour réfléchir sans être coupé, ou demander à l'assistant de ralentir son débit, le tout sans casser la fluidité de l'échange. OpenAI a aussi retravaillé les neuf voix déjà proposées afin de les rendre plus naturelles et expressives. Autre nouveauté clé, lorsqu'une requête demande davantage de raisonnement, GPT-Live peut transférer discrètement la tâche à un modèle plus puissant comme GPT-5.5, sans interrompre la conversation en cours, et l'utilisateur peut choisir entre un mode instantané privilégiant la rapidité ou des niveaux de réflexion plus poussés. Ce lancement intervient juste avant le déploiement plus large de GPT-5.6. Cette mise à jour vise à corriger l'un des principaux défauts reprochés au mode vocal de ChatGPT depuis son lancement, à savoir sa tendance à couper la parole des utilisateurs au moindre silence, interprété à tort comme la fin d'une phrase. Pour les professionnels qui utilisent l'assistant vocal au quotidien, que ce soit pour du brainstorming, de la préparation de réunions ou de l'apprentissage de langues, cette fluidité accrue change concrètement l'expérience et rapproche l'outil d'une conversation humaine naturelle plutôt que d'un échange mécanique question réponse. La traduction en temps réel, démontrée lors d'une présentation avec une phrase traduite instantanément de l'anglais vers l'hindi, ouvre aussi des usages professionnels comme les réunions internationales, même si sa précision réelle dans différentes langues reste à confirmer par les premiers retours d'utilisateurs. Cette évolution s'inscrit dans une course plus large entre les grands acteurs de l'IA pour rendre les assistants vocaux véritablement conversationnels, alors que Google et d'autres concurrents travaillent aussi sur des interactions vocales plus naturelles. OpenAI accompagne ce lancement de nouvelles fonctionnalités comme des cartes visuelles affichant météo, résultats sportifs ou données boursières pendant l'échange vocal, ainsi que de garde-fous supplémentaires pour gérer les situations à risque et des contrôles parentaux limitant l'accès des adolescents au mode vocal. Le mode conserve par ailleurs ses capacités existantes de recherche web, d'analyse de fichiers et de mémoire, avec un déploiement déjà lancé dans ChatGPT.

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.