Dossier Anthropic — page 29

1Password permet à Claude de se connecter sans accéder à vos mots de passe

Voici le résumé de 300-450 mots : Anthropic a annoncé une intégration entre Claude et le gestionnaire de mots de passe 1Password, permettant à l'agent de se connecter à des comptes en ligne sans jamais avoir accès aux identifiants eux-mêmes. Disponible immédiatement sur Mac, cette fonctionnalité s'active lorsqu'une tâche confiée à Claude le conduit vers une page de connexion : l'agent réclame alors un identifiant enregistré dans 1Password, que l'utilisateur approuve ou refuse. Une fois validée, la transmission des données passe par un canal chiffré distinct des systèmes d'Anthropic. Selon 1Password, ces secrets « ne sont jamais accessibles à Claude ni aux systèmes d'Anthropic » directement. Concrètement, Claude identifie seulement le site visé et reçoit en retour des informations limitées sur l'autorisation accordée et le résultat de la connexion, pendant que l'extension du gestionnaire déchiffre et insère le mot de passe sans en révéler le contenu. Si la soumission du formulaire échoue, les identifiants sont immédiatement effacés avant que Claude ne reprenne la main, évitant qu'un champ resté rempli n'expose des données sensibles. La fonctionnalité nécessite 1Password version 8.12.28 minimum et s'adresse pour l'instant aux abonnés individuels, familiaux et professionnels équipés d'un Mac récent ; en entreprise, les administrateurs doivent activer explicitement le remplissage automatique pour les connexions assistées. Cette avancée répond à un risque numérique bien identifié : jusqu'ici, un agent IA amené à se connecter à un service devait souvent manipuler directement des identifiants en clair, exposant ces données à des systèmes tiers. En séparant strictement l'authentification de l'exécution de la tâche, 1Password et Anthropic réduisent une surface d'attaque concrète pour les utilisateurs professionnels qui délèguent de plus en plus de tâches à des agents autonomes. Mais cette protection reste partielle : elle sécurise l'entrée dans le compte, pas les actions qui suivent. Une fois authentifié, Claude conserve tous les droits associés au compte concerné, qu'il s'agisse de consulter des documents, modifier des réglages ou publier du contenu difficile à effacer. La sécurité de la connexion ne garantit donc en rien un usage prudent des permissions accordées ensuite. Cette première version se limite aux noms d'utilisateur, mots de passe et codes à usage unique stockés dans 1Password, excluant pour l'instant les clés d'accès (passkeys) et les connexions sociales comme celles via Google. Elle s'inscrit dans une tendance plus large où les fournisseurs d'identité cherchent à encadrer l'essor des agents IA autonomes, appelés à multiplier les interactions avec des comptes en ligne. En attendant une couverture plus complète, les experts recommandent de limiter cette fonctionnalité à des tâches précises sur des comptes peu sensibles, et d'éviter d'accorder d'emblée à Claude des accès coûteux ou difficiles à révoquer.

💬 C'est le genre de progrès qui compte vraiment : séparer l'authentification de l'exécution, c'est exactement ce qu'on demande depuis des mois aux agents IA. Reste que ça protège l'entrée, pas ce qui se passe après, une fois connecté Claude garde toutes les mains sur le compte. Selon Le Fil IA, la vraie question de sécurité avec les agents autonomes n'est plus l'accès aux mots de passe mais le contrôle des permissions une fois la porte ouverte.

Cette police d’écriture met l’IA en échec… tandis que les humains la lisent sans effort

Voici l'article résumé en français, en trois paragraphes fluides sans titres : Le designer Eric Lu a dévoilé le 11 juillet 2026 une police d'écriture expérimentale baptisée Ghost Font, capable de tromper plusieurs intelligences artificielles tout en restant parfaitement lisible pour un œil humain. Contrairement à une police classique, aucune lettre n'est dessinée avec des contours ou des traits fixes. À l'écran, des milliers de petits points se déplacent selon deux trajectoires distinctes : ceux qui composent les lettres suivent une direction, tandis que les autres points, en arrière-plan, suivent un mouvement différent. Le cerveau humain regroupe instinctivement ces déplacements cohérents et fait apparaître le mot caché en quelques secondes, sans effort conscient. Dès que l'animation s'arrête, l'illusion s'évanouit totalement et l'image redevient un nuage de points sans aucune structure visible. Sur X, Eric Lu a affirmé avoir testé sa création sur plusieurs modèles d'IA multimodaux, sans qu'aucun ne parvienne à déchiffrer correctement le message. Certaines versions du projet vont plus loin en intégrant un faux texte : l'IA répond alors avec assurance en lisant un message erroné, alors que l'humain continue de percevoir le véritable contenu. Cette expérience met en lumière une différence fondamentale entre la perception humaine et celle des machines, plutôt qu'une simple faiblesse ponctuelle des modèles comme ceux d'OpenAI, Google ou Anthropic. Le système visuel humain excelle dans la détection du mouvement : en une fraction de seconde, il assemble les variations entre plusieurs images pour reconstituer une forme cohérente. Ghost Font exploite précisément ce mécanisme, en supprimant les contours nets et les contrastes stables sur lesquels reposent la plupart des systèmes de reconnaissance de texte. Les modèles multimodaux, eux, traitent souvent une vidéo comme une simple succession d'images isolées, ce qui les empêche de reconstituer le mouvement global porteur d'information. Cela ne rend toutefois pas l'IA totalement aveugle au procédé : plusieurs développeurs ont rapporté de meilleurs résultats en demandant explicitement aux modèles d'analyser les images une par une, preuve que la faille peut être en partie contournée avec la bonne méthode. Le principe rappelle directement les premiers CAPTCHA, ces textes déformés que les internautes devaient identifier pour prouver qu'ils n'étaient pas des robots. À l'époque, la distorsion portait sur la forme des lettres elles-mêmes, une technique devenue largement obsolète face aux progrès de la reconnaissance d'image par IA. Ghost Font renouvelle cette logique en déplaçant l'information non plus sur la forme statique, mais sur le mouvement. Ce projet illustre ainsi un enjeu plus large : à mesure que l'IA progresse, les méthodes conçues pour distinguer humains et machines doivent elles aussi évoluer, ouvrant la voie à de nouvelles formes de vérification visuelle fondées sur nos capacités perceptives encore hors de portée des algorithmes.

💬 Cette Ghost Font, c'est plus malin qu'un simple gadget de designer : elle exploite un truc que l'IA multimodale ne sait juste pas faire, reconstituer du mouvement cohérent sur plusieurs images au lieu de les traiter une par une. Ça rappelle les vieux CAPTCHA, sauf qu'ici la faille n'est plus dans la forme des lettres mais dans la perception temporelle, un terrain où l'humain a encore une longueur d'avance. Reste que ça se contourne déjà en demandant au modèle d'analyser image par image, donc plutôt qu'une parade définitive, on tient surtout la preuve que la vérification humain/machine va devoir se réinventer en continu.

Codex a dépassé les 7 millions d'utilisateurs, en hausse de plus de 10 fois en 6 mois : dépasse-t-il Claude Code ?

OpenAI a franchi une nouvelle étape dans l'adoption de son outil de programmation assistée Codex. Selon des données relayées sur les réseaux sociaux, le nombre d'utilisateurs de Codex a dépassé les 7 millions cette semaine, avec un gain d'environ un million d'utilisateurs en seulement 24 heures, entre le 12 et le 13 juillet 2026. Ce bond fait suite au lancement de GPT 5.6 le 9 juillet, et à une annonce du 12 juillet indiquant que 6 millions d'utilisateurs avaient été atteints en 48 heures. En remontant aux données communiquées par Fidji Simo en mars, qui évoquait 2 millions d'utilisateurs, puis à une estimation de 550 000 à 700 000 utilisateurs au 1er janvier, la progression de Codex représente une multiplication par dix de sa base d'utilisateurs en seulement six mois. À titre de comparaison, Anthropic avait communiqué en février des chiffres autour de 2 millions d'utilisateurs actifs hebdomadaires pour Claude Code, avec un chiffre d'affaires annualisé de 2,5 milliards de dollars, en précisant que cette base avait doublé en six semaines depuis le 1er janvier. Cette divergence de communication entre les deux entreprises interroge. L'hypothèse la plus favorable à Anthropic est que l'essentiel des usages de programmation se serait déplacé vers Claude en tant qu'agent intégré à Slack plutôt que vers l'outil en ligne de commande Claude Code, rendant toute comparaison directe des statistiques d'usage difficile puisque les deux produits n'ont pas la même accessibilité. Il n'empêche que la croissance de Codex, multipliée par dix en six mois, reste un signal fort pour l'industrie des agents de codage, où la course aux utilisateurs et à la rétention devient un enjeu concurrentiel central entre OpenAI et Anthropic, avec des implications directes sur les revenus, l'adoption en entreprise et l'attractivité des différents écosystèmes de développement assisté par IA. Ce mouvement s'inscrit dans un contexte plus large où la qualité du modèle sous-jacent ne suffit plus à faire la différence: le harnais, c'est-à-dire l'environnement d'exécution et d'orchestration entourant l'agent, devient lui-même un facteur décisif de performance. C'est dans cette logique que Prime Intellect a dévoilé cette semaine la version 1 de ses environnements verifiers, une refonte de sa pile logicielle pour l'apprentissage par renforcement agentique, désormais valorisée à un milliard de dollars pour 100 millions de dollars de revenus annualisés. La nouvelle architecture sépare les tâches, le harnais et le moteur d'exécution, et stocke les traces de rollout sous forme de graphes de messages plutôt que de copies répétées, ce qui réduit la croissance des données de complexité quadratique à linéaire et facilite l'entraînement sur des tâches longues, comme un modèle de 100 milliards de paramètres entraîné sur des tâches d'ingénierie logicielle de 40 tours en moins de deux jours sur six nœuds H200.

💬 Dix fois plus d'utilisateurs en six mois, ça change la nature du problème : la bataille des agents de codage ne se joue plus sur le modèle, elle se joue sur la distribution. Anthropic peut toujours dire que Claude Code n'est qu'une partie de l'histoire à cause de Slack, ça n'efface pas l'écart brut avec ses 2 millions d'utilisateurs hebdo. Et le vrai signal de la semaine est peut-être ailleurs, dans les verifiers de Prime Intellect : le harnais qui entraîne ces agents commence à valoir aussi cher que le modèle qui tourne dedans.

Nobel et leaders de l'IA alertent : la fenêtre pour anticiper l'impact économique de l'IA se referme rapidement

Cette déclaration coordonnée réunit plus de 200 économistes et chercheurs en intelligence artificielle, dont 16 lauréats du prix Nobel ainsi que des représentants de Google, OpenAI et Anthropic. Le message est clair : il faut agir immédiatement pour préparer l'impact économique de l'IA, avant qu'il ne soit trop tard. Selon les signataires, la transformation en cours pourrait dépasser en ampleur celle de la révolution industrielle, mais se dérouler sur une période bien plus courte, laissant peu de temps aux gouvernements, entreprises et travailleurs pour s'adapter. Le texte, toutefois, ne propose aucune mesure concrète à ce stade. Cet avertissement collectif pèse lourd par la diversité et la notoriété de ses signataires, qui couvrent à la fois le monde académique et les principales entreprises développant l'IA. Il vise à alerter les décideurs politiques et économiques sur l'urgence d'anticiper des bouleversements potentiels dans l'emploi, les revenus et l'organisation du travail, plutôt que de les subir après coup. Pour les professionnels comme pour le grand public, ce signal souligne un décalage croissant entre la vitesse des avancées technologiques et la capacité des institutions à y répondre. Le contexte reste toutefois nuancé : les études menées jusqu'à présent n'ont pas identifié d'effets significatifs de l'IA sur le marché du travail, ce qui contraste avec le ton alarmiste de la déclaration. Ce paradoxe illustre un débat plus large dans le secteur, partagé entre l'anticipation de ruptures majeures et l'absence de données empiriques les confirmant pour l'instant. La question de savoir qui doit agir, et comment, entre régulateurs, entreprises technologiques et institutions économiques, reste ouverte, alors que les grands acteurs de l'IA eux-mêmes reconnaissent publiquement l'ampleur des enjeux à venir.

💬 Bon, quand seize prix Nobel et les boîtes qui construisent l'IA signent le même texte, c'est plus de la posture, ça sent l'urgence réelle. Sauf qu'ils alertent sur une transformation "plus rapide que la révolution industrielle" sans donner un seul levier pour s'y préparer, ni citer une seule étude qui montre déjà l'impact sur l'emploi. Ce qui est peut-être le vrai signal ici : les entreprises qui vendent l'IA sont les premières à demander qu'on la régule avant qu'elles n'aient à en gérer les dégâts sociaux.

OpenAI dément désormais toute suppression massive d'emplois liée à l'IA, un revirement par rapport à ses prévisions passées

Sam Altman, le PDG d'OpenAI, affirme désormais être "presque certain" que l'intelligence artificielle a créé plus d'emplois qu'elle n'en a détruits. Cette déclaration marque un revirement spectaculaire par rapport à ses mises en garde passées, où il évoquait la disparition pure et simple de professions entières sous l'effet de l'automatisation par l'IA. Dario Amodei, PDG d'Anthropic, opère un virage similaire, revenant lui aussi sur des prédictions alarmistes qu'il avait formulées sur l'impact de l'IA sur l'emploi. Ni l'un ni l'autre n'a toutefois présenté de données chiffrées précises pour étayer ce nouveau discours plus optimiste. Ce changement de ton n'est pas anodin: les dirigeants des deux principaux laboratoires d'IA générative façonnent en grande partie le débat public sur les conséquences économiques et sociales de leurs technologies. Leurs déclarations influencent les décisions des entreprises, des investisseurs et des régulateurs quant au rythme d'adoption de l'IA et aux politiques d'accompagnement des travailleurs. Un discours qui passe de la catastrophe annoncée à l'optimisme mesuré pourrait ainsi peser sur la manière dont gouvernements et entreprises anticipent, ou non, les bouleversements du marché du travail. Reste que les études disponibles à ce jour ne confirment ni les scénarios les plus pessimistes évoqués auparavant par ces mêmes dirigeants, ni cet optimisme nouveau sur la création nette d'emplois. La question de l'impact réel de l'IA sur l'emploi demeure donc largement ouverte, et les prises de position des grands acteurs du secteur semblent encore devancer les preuves empiriques dont disposent économistes et chercheurs sur le sujet.

💬 C'est le genre de retournement de veste qui devrait faire tiquer tout le monde. Zéro chiffre pour étayer ni la panique d'hier ni l'optimisme d'aujourd'hui, alors qu'on parle des deux mecs qui pèsent le plus sur le débat public autour de l'IA et l'emploi. Le discours des labos avance plus vite que les preuves des chercheurs, et c'est bien ça le vrai problème : les décisions politiques et les stratégies d'entreprise se calent sur des vibes, pas sur des études.

Le sens d'un titre : une startup propose une solution au problème de la pensée unique de l'IA

La startup australienne Springboards a mis au point un modèle de langage baptisé Flint, conçu pour sortir les intelligences artificielles conversationnelles de leur tendance à toujours produire les mêmes réponses. Le constat de départ est simple à vérifier: demandez à Claude, ChatGPT ou Gemini de citer un nombre au hasard entre 1 et 10, et la réponse sera presque systématiquement 7. Ce phénomène, documenté par Will Douglas Heaven dans la newsletter The Download du MIT Technology Review, illustre un problème plus large de "pensée de groupe" chez les grands modèles de langage actuels, qui convergent vers des réponses prévisibles et peu créatives dès qu'on leur pose une question ouverte. Flint a été entraîné spécifiquement pour élargir l'éventail de ses réponses face à des questions du type "où partir en vacances en Europe", en évitant de se replier systématiquement sur les suggestions les plus consensuelles ou les plus statistiquement fréquentes dans ses données d'entraînement. Cette uniformité des réponses n'est pas gênante pour des tâches comme la programmation ou la recherche factuelle, où la précision et la cohérence priment. Elle devient en revanche un vrai handicap pour tout usage créatif: remue-méninges, planification de voyage, génération d'idées ou exploration d'options originales. Un assistant qui reproduit toujours les mêmes schémas de réponse limite de fait sa valeur pour les utilisateurs qui cherchent justement à sortir des sentiers battus. En misant sur la diversité des réponses plutôt que sur leur seule exactitude, Springboards vise un usage encore peu exploité commercialement: celui des chatbots comme outils d'idéation plutôt que de simple recherche d'information, un segment où la personnalisation et la surprise comptent autant que la fiabilité. Ce travail s'inscrit dans un paysage de l'IA générative en pleine effervescence, où les grands acteurs américains et chinois se disputent la suprématie technologique et financière. Le même jour, la newsletter rapportait qu'OpenAI aurait proposé de céder une participation de 5% à l'administration Trump, un geste qui pourrait s'étendre à d'autres géants comme Anthropic, Google ou Meta selon Bloomberg. Parallèlement, le modèle chinois GLM-5.2 gagne du terrain auprès de clients occidentaux grâce à des coûts réduits, tandis que Meta explore de nouvelles sources de revenus en louant sa puissance de calcul et ses modèles hébergés. Dans ce contexte de concentration autour de quelques mastodontes, l'approche de Springboards rappelle qu'il existe encore de la place pour des acteurs plus modestes cherchant à résoudre des limites techniques précises, comme ce manque criant de diversité dans les réponses des IA conversationnelles les plus utilisées au monde.

💬 Demande à trois chatbots différents un chiffre au hasard entre 1 et 10, tu auras 7 à chaque fois, ça dit tout : nos IA ne pensent pas, elles moyennent. Springboards s'attaque à un angle mort que les géants n'ont aucun intérêt à corriger, OpenAI et Google optimisent pour rassurer, pas pour surprendre. Bonne nouvelle pour l'idéation, mais faut voir si Flint tient face à un vrai brainstorm : la diversité des réponses va devenir un critère de choix aussi important que la fiabilité.

Modèle de sélection simplifié dans Amazon Bedrock grâce au Model Profiler open source

Amazon vient de rendre open source le Model Profiler, un outil qui centralise la comparaison des modèles disponibles sur Amazon Bedrock, sa plateforme de génération de texte gérée. Bedrock donne accès à plus de 100 modèles fondation de fournisseurs comme Anthropic, OpenAI, Meta, Mistral AI, Cohere et Amazon lui-même, mais comparer leurs capacités, tarifs, disponibilité régionale, taille de fenêtre de contexte et débit obligeait jusqu'ici à naviguer entre plusieurs pages de console, documentations et appels API régionaux distincts. Le Model Profiler agrège ces données dans une interface web unique, avec filtrage avancé, comparaisons côte à côte et fiches détaillées par modèle. En coulisses, un pipeline serverless entièrement automatisé collecte les informations depuis sept sources différentes, cinq API AWS et deux URL publiques, incluant les spécifications des modèles Bedrock, les tarifs on-demand et batch, les quotas de débit (tokens par minute et requêtes par minute) sur 33 régions, les profils d'inférence cross-région, ainsi que les tailles de fenêtre de contexte via la base LiteLLM et le statut de cycle de vie via la documentation AWS. Le pipeline repose sur AWS Step Functions et orchestre 17 fonctions Lambda réparties en quatre phases, avec un système de cache S3 inter-Lambda qui réduit le nombre d'appels API d'environ 480 à 29 par exécution, soit un taux de succès de cache de 97%. L'ensemble tourne quotidiennement à 6h UTC et se termine en 8 à 12 minutes. Pour les équipes qui évaluent des modèles pour de nouveaux projets, cherchent à optimiser coûts et performances, ou migrent depuis d'autres systèmes d'IA, cet outil supprime une friction concrète: le temps perdu à croiser manuellement des documents épars pour prendre une décision éclairée. Comprendre les quotas est central dans ce choix. Le débit en tokens par minute (TPM) fixe le plafond de traitement, sachant que 1 000 tokens représentent environ 750 mots de texte, tandis que le nombre de requêtes par minute (RPM) limite les appels API indépendamment de leur taille, ces deux quotas variant selon le modèle et la région choisie. En rendant ces informations accessibles et à jour quotidiennement dans une seule interface, l'outil accélère la phase d'expérimentation et raccourcit le délai avant la mise en production. Cette initiative s'inscrit dans une tendance plus large où les grands fournisseurs cloud cherchent à simplifier l'accès à des catalogues de modèles de plus en plus vastes et fragmentés en termes de tarification, de régions et de capacités techniques. Amazon mise ici sur l'open source et sur une architecture serverless réutilisable, déployable en moins de cinq minutes via un template AWS CloudFormation, dont la fréquence de mise à jour est configurable par une règle Amazon EventBridge. Le projet embarque également un système agentique d'auto-réparation, propulsé par Bedrock, capable de détecter des lacunes dans les données collectées et d'appliquer automatiquement des correctifs de configuration jugés sûrs. À mesure que le nombre de modèles disponibles sur Bedrock continue de croître, cet outil pourrait devenir une référence pour les équipes techniques cherchant à arbitrer rapidement entre coût, performance et couverture géographique sans dépendre exclusivement des interfaces officielles d'AWS.

Sécuriser le déploiement des modèles de pointe auprès des clients

Voici la traduction/résumé en français : Amazon Web Services (AWS) a annoncé que les modèles Claude Fable 5 d'Anthropic redeviennent disponibles dès demain pour les clients de Bedrock, sa plateforme d'intelligence artificielle, avec des garde-fous renforcés contre les usages malveillants. Cette annonce s'inscrit dans la continuité de Bedrock Mantle, lancé l'an dernier pour offrir une protection renforcée des poids des modèles et de la confidentialité des données. AWS travaille également en étroite collaboration avec Anthropic et d'autres acteurs du secteur dans le cadre du Projet Glasswing, une initiative visant à encadrer le déploiement de modèles de nouvelle génération comme Claude Mythos, dont les capacités en cybersécurité sont particulièrement avancées. L'équipe de sécurité offensive d'AWS (Red Team) a directement contribué, aux côtés d'Anthropic, à améliorer les protections de Fable 5. Lorsque ses garde-fous se déclenchent, le modèle bascule automatiquement vers Opus 4.8, déjà accessible publiquement. Cette annonce illustre un dilemme central pour l'industrie de l'IA : comment mettre des capacités avancées de cybersécurité entre les mains des équipes de défense sans donner simultanément aux attaquants les moyens de mener des recherches de vulnérabilités plus poussées. AWS souligne que l'objectif prioritaire des garde-fous est justement d'empêcher les acteurs malveillants d'accéder à ce niveau de recherche offensive, tout en laissant aux entreprises, gouvernements et institutions académiques le temps de renforcer leurs défenses avant que ces capacités ne soient exploitées à grande échelle. Pour les clients de Bedrock, cela signifie un accès plus rapide aux modèles les plus récents, avec les standards de sécurité et de confidentialité attendus d'AWS, sans avoir à choisir entre performance et prudence. Cette collaboration s'inscrit dans un contexte plus large où les modèles frontières gagnent rapidement en puissance, notamment sur des tâches sensibles comme l'analyse de vulnérabilités logicielles. Anthropic a publié de son côté un billet de blog intitulé "Redeploying Fable 5", détaillant sa manière d'évaluer les capacités de cette nouvelle génération de modèles ainsi que ses engagements et délais de réponse en cas de signalement de problèmes après déploiement. AWS salue cette transparence et annonce vouloir continuer à faire évoluer les garde-fous au fur et à mesure que de nouveaux modèles sortent et que les enseignements s'accumulent sur l'efficacité des protections actuelles. Les deux entreprises présentent cette coopération comme une première tentative structurée de définir des niveaux de gravité et des protocoles de réponse spécifiques aux modèles capables d'assister en cybersécurité, un cadre appelé à s'affiner avec le reste du secteur.

💬 Le détail qui compte, c'est le fallback automatique : si Fable 5 dérape, il bascule tout seul vers Opus 4.8. Sur le papier ça règle le dilemme de la cybersécu offensive, mais Glasswing c'est surtout l'aveu que les modèles progressent plus vite que les garde-fous qu'on sait construire autour. Reste à voir si ça tient face à un vrai attaquant motivé, pas juste face à un red team maison.

Associer Nova 2 Lite à Claude pour un traitement de documents à moindre coût

Amazon a publié un retour d'expérience détaillé sur une architecture combinant deux modèles d'IA pour numériser des annuaires scolaires numérisés à grande échelle. Le pipeline, développé sur Amazon Bedrock, associe Amazon Nova 2 Lite et Claude Sonnet 4.6 d'Anthropic dans deux étapes séquentielles distinctes. Testé sur 336 pages d'annuaires scannées, le système a produit 3 122 associations nom-visage, avec 93 % des correspondances atteignant un score de confiance supérieur ou égal à 0,95. La première étape confie à Nova 2 Lite l'extraction multimodale native : via un seul appel API, le modèle détecte les photos avec leurs coordonnées, extrait les noms visibles sur la page avec leurs positions approximatives, et remonte les métadonnées de la page. Claude Sonnet 4.6 intervient ensuite uniquement pour le raisonnement spatial, c'est-à-dire déterminer quel nom correspond à quel visage selon la mise en page. Ce découpage permet de limiter la sortie de Nova 2 Lite à environ 1 000 tokens par page, contre 4 500 tokens pour une passe OCR complète. Le coût total est réduit de deux tiers par rapport à un modèle unique chargé de l'intégralité de la tâche. L'intérêt concret de cette architecture va au-delà de la numérisation d'annuaires. Elle illustre une stratégie de décomposition de tâches visuelles complexes en sous-problèmes spécialisés, permettant d'affecter à chaque étape le modèle le mieux adapté et le moins coûteux. Nova 2 Lite est configuré en mode de raisonnement LOW, le niveau minimal, sans perte mesurable de précision sur cette tâche d'extraction structurée. Claude, lui, absorbe la variabilité des mises en page sans nécessiter de prompt engineering spécifique à chaque format, grâce à ce qu'Amazon appelle son "adaptive thinking". La tarification fixe par image de Nova 2 Lite rend également le coût prévisible à grande échelle, ce qui est déterminant pour des workflows traitant des centaines de milliers de pages. Cette publication s'inscrit dans la montée en puissance d'Amazon Bedrock comme plateforme d'orchestration multi-modèles, où différents modèles d'éditeurs tiers coexistent et peuvent être combinés. Amazon positionne Nova 2 Lite comme un modèle économique pour les tâches d'extraction à haut volume, tandis que Claude occupe le rôle de raisonneur pour les étapes à plus forte valeur ajoutée. Ce type d'architecture hybride reflète une tendance plus large dans l'industrie : plutôt que de chercher le modèle universel le plus puissant, les équipes d'ingénierie construisent des pipelines spécialisés où le coût et la précision sont optimisés étape par étape. La question des droits sur les archives numérisées, notamment pour des annuaires privés, reste un angle peu abordé mais potentiellement sensible à mesure que ces techniques se généralisent.

Construire un workflow stable avec les traces Fable 5 dans Colab : analyse d'appels d'outils, audit et entraînement

Le jeu de données "Fable-5-traces", publié par Glint Research sur Hugging Face sous l'identifiant Glint-Research/Fable-5-traces, rassemble des traces réelles d'agents de codage fonctionnant avec le modèle Fable 5. Un tutoriel technique détaille comment construire un pipeline d'analyse complet de ces données dans Google Colab, en contournant délibérément les bibliothèques instables comme datasets, scikit-learn ou scipy. Le workflow s'appuie sur le téléchargement manuel d'un fichier JSONL unique nommé fable5cotmerged.jsonl via huggingfacehub, puis enchaîne l'inspection des fichiers de dépôt, la normalisation des appels d'outils, un audit structurel du dataset, la détection de secrets potentiels via des expressions régulières couvrant des formats comme sk-, hf, AKIA ou githubpat, et la visualisation de distributions clés comme les types de sorties, les outils appelés ou la longueur des textes produits. Ces traces constituent des données d'entraînement précieuses pour affiner des modèles de langage sur des tâches de programmation réelles. Le tutoriel montre comment en extraire des exports "safe no-CoT" au format SFT, directement exploitables pour du fine-tuning supervisé sans exposer les raisonnements intermédiaires de l'agent. Un classificateur Naive Bayes écrit en Python pur, entraîné sur ces traces, sert de baseline quantitative pour tester si le contexte d'une conversation prédit le type de sortie produit et les outils sollicités, avant d'engager des ressources de fine-tuning plus coûteuses. L'attention portée à la détection de secrets intégrés dans les traces répond à un risque documenté : les datasets publics de traces d'agents contiennent parfois des credentials réels capturés par inadvertance lors des sessions d'enregistrement. Fable 5, le dernier modèle d'Anthropic, s'inscrit dans une génération de modèles dont les traces d'utilisation commencent à circuler publiquement, aux côtés de jeux de données comme SWE-bench ou les trajectoires OpenHands. La décision de construire un pipeline autonome sans dépendances lourdes répond aux contraintes concrètes des environnements Colab, où les incompatibilités de versions ont régulièrement brisé des notebooks complexes. En proposant un workflow stable reposant sur Python standard, pandas et matplotlib, ce tutoriel abaisse la barrière d'entrée pour les chercheurs et praticiens qui souhaitent analyser le comportement des agents de codage, repérer des biais dans leurs sorties ou assembler leurs propres jeux de données d'entraînement à partir de traces existantes. La disponibilité croissante de ce type de données soulève aussi des questions sur la gouvernance de leur publication, notamment autour de la confidentialité des sessions capturées et des risques de fuite d'informations sensibles.

💬 Des traces d'agents de codage réels sur HuggingFace, analysables sans dépendances lourdes, c'est le genre de ressource qui fait progresser vite le fine-tuning maison. Mais le vrai signal dans ce tutoriel, c'est la détection de credentials : des clés API et tokens GitHub capturés par inadvertance dans les sessions d'enregistrement, qui finissent publiés dans des datasets publics sans que personne n'ait nettoyé. Les équipes qui diffusent ce genre de traces vont devoir y penser avant de déposer, parce que le problème va s'aggraver à mesure que les données d'agents circulent.

GLM-5.2 : guide pratique de l'API compatible OpenAI, raisonnement, appels de fonctions et récupération longue durée

Zhipu AI a mis à disposition une API hébergée pour son modèle GLM-5.2, entièrement compatible avec les clients OpenAI, permettant aux développeurs d'accéder au modèle sans avoir à l'exécuter localement. L'API est disponible via cinq fournisseurs distincts : la plateforme native z.ai, OpenRouter, Together AI, Requesty et HuggingFace, tous accessibles avec la bibliothèque Python openai standard. La tarification s'établit à 1,40 dollar par million de tokens en entrée et 4,40 dollars par million de tokens en sortie. Le modèle propose un contrôle fin du niveau de raisonnement via un paramètre reasoningeffort avec trois niveaux (désactivé, high, max), ainsi qu'un mode "thinking" qui expose la trace de raisonnement interne du modèle avant la réponse finale. Le tutoriel couvre l'ensemble du spectre fonctionnel : chat de base, raisonnement en streaming, appel de fonctions, agent à outils, sortie JSON structurée, récupération longue-contexte et estimation de coût à la volée. La compatibilité OpenAI de GLM-5.2 est sa proposition de valeur centrale : un développeur qui utilise déjà GPT-4o ou Claude via l'API d'Anthropic peut basculer vers GLM-5.2 en changeant uniquement l'URL de base et la clé API, sans réécrire son code. Le contrôle du niveau de raisonnement représente un avantage concret par rapport aux modèles qui imposent un mode de réflexion unique : les tâches simples peuvent être traitées rapidement et à moindre coût avec le mode désactivé, tandis que les problèmes complexes mobilisent la pleine capacité de raisonnement. L'exposition de la trace de pensée (reasoningcontent) dans la réponse est également utile pour le débogage ou pour construire des interfaces qui montrent le raisonnement du modèle à l'utilisateur final. GLM-5.2 s'inscrit dans la vague de modèles chinois à raisonnement avancé qui rivalisent désormais frontalement avec les offres américaines, notamment DeepSeek-R1 et Qwen de Alibaba, sur les benchmarks de raisonnement mathématique et logique. La décision de Zhipu AI de proposer une API compatible OpenAI reflète une stratégie d'adoption agressive : plutôt que de demander aux développeurs d'apprendre une nouvelle interface, le modèle s'intègre dans les outils existants. La disponibilité sur des agrégateurs comme OpenRouter et HuggingFace élargit encore l'accès, particulièrement en dehors de la Chine. À mesure que la concurrence entre fournisseurs de modèles s'intensifie, la compatibilité d'API et la transparence du raisonnement deviennent des critères de sélection aussi importants que les performances brutes sur les benchmarks.

💬 La vraie astuce de Zhipu, c'est pas le modèle lui-même, c'est la stratégie d'adoption. Un dev qui tourne sur GPT-4o ou Claude change deux lignes de code et c'est parti, sans réapprendre quoi que ce soit. On est en train de voir les modèles chinois prendre des parts de marché non pas sur les benchmarks, mais sur le confort de migration, et ça, c'est beaucoup plus redoutable que n'importe quel score MMLU.

GPT-5.6 dès cette semaine ? Une version Pro et un mode vocal seraient aussi prévus

Plusieurs sources actives sur X annoncent un lancement d'OpenAI pour jeudi 26 juin 2026, soit dans les 72 heures suivant leurs publications. Selon les fuites, trois nouveaux modèles seraient déployés simultanément pour les utilisateurs de ChatGPT : GPT-5.6 Pro, présenté comme le modèle le plus avancé d'OpenAI pour le raisonnement complexe ; GPT-5.6-family, une version orientée rapidité et capacités générales ; et GPT-Bidi-1, un modèle vocal conçu pour des échanges bidirectionnels en temps réel. Ces informations proviennent principalement de deux comptes suivis par la communauté IA : Chetaslua, qui affirme avoir testé GPT-5.6 Pro et le décrit comme capable de résultats "impressionnants avec les bons prompts", et Salio (@Mr_Salio), qui reprend le même calendrier. OpenAI n'a confirmé aucune de ces informations à ce stade. Si ces annonces se confirment, elles représentent une accélération notable du rythme de déploiement d'OpenAI. GPT-5.6 Pro ciblerait les tâches les plus exigeantes en raisonnement, là où les modèles actuels montrent encore leurs limites sur des problèmes longs ou multi-étapes. GPT-Bidi-1 répond à une demande exprimée depuis l'ère GPT-4o : un mode vocal sans les coupures et latences qui brisent le naturel des échanges. Certains testeurs le décrivent déjà comme le meilleur mode conversationnel vocal proposé par l'entreprise. Une base de connaissances arrêtée en août 2025 est mentionnée pour GPT-Bidi-1, ce qui placerait ce modèle dans la continuité directe des dernières mises à jour de la série GPT-5. Pour les professionnels qui utilisent ChatGPT au quotidien pour des tâches d'analyse, de rédaction ou de traitement de données, un gain substantiel sur le raisonnement et l'interaction vocale aurait un impact immédiat sur les flux de travail. Ces rumeurs s'inscrivent dans une période de forte pression concurrentielle pour OpenAI. Google, Anthropic et Meta ont tous accéléré leurs cycles de publication en 2025 et 2026, forçant chaque acteur à raccourcir ses fenêtres de lancement. OpenAI a déjà multiplié les sorties en rafale cette année, brouillant parfois la lisibilité de sa gamme pour les utilisateurs. La fiabilité des sources citées reste difficile à évaluer indépendamment : les fuites de la communauté X ont parfois anticipé des lancements réels, et parfois disparu sans suite. L'absence totale de communication officielle d'OpenAI à 72 heures d'un lancement annoncé est inhabituelle, mais pas sans précédent. Réponse attendue d'ici jeudi.

OpenAI lance la guerre des prix dans l'IA avec des quotas flexibles pour son agent de code Codex

OpenAI modifie son système de limites d'utilisation pour Codex, son agent de codage IA. Les utilisateurs peuvent désormais accumuler leurs réinitialisations de débit et les déclencher manuellement, plutôt que de voir ces crédits expirer automatiquement selon un calendrier fixe. Concrètement, si un développeur atteint son plafond en plein milieu d'une session, il peut immédiatement consommer une réinitialisation mise de côté, sans attendre le prochain cycle. Les abonnés aux formules Go, Plus, Pro et Business reçoivent chacun une réinitialisation gratuite au démarrage. Les utilisateurs Plus et Pro bénéficient en outre d'un mécanisme de parrainage : en invitant des amis, ils peuvent débloquer des crédits supplémentaires. Pour les développeurs qui intègrent Codex dans leurs flux de travail, cette flexibilité change concrètement la donne. Auparavant, atteindre une limite de débit en cours de session signifiait une interruption forcée, coûteuse en temps et en concentration. La possibilité de gérer ses crédits de manière proactive réduit les frictions dans l'utilisation intensive de l'agent. C'est aussi un signal fort sur le terrain concurrentiel : en améliorant l'expérience utilisateur sans baisser les prix, OpenAI cherche à fidéliser sa base face à une concurrence de plus en plus agressive. Cette annonce s'inscrit dans une guerre des prix qui s'intensifie dans le secteur des agents de codage IA. Anthropic avec Claude Code, Google avec Gemini, et des acteurs spécialisés comme Cursor ou GitHub Copilot se livrent une bataille acharnée pour capter les développeurs. Codex, capable d'écrire, tester et déboguer du code de manière autonome, représente l'un des paris stratégiques majeurs d'OpenAI pour 2026. Le mécanisme de parrainage introduit rappelle les tactiques de croissance virale du grand public, une approche inhabituellement agressive pour un outil professionnel.

Moonshot AI lance Kimi Code CLI : un agent de codage IA en ligne de commande, développé en TypeScript

Moonshot AI, le laboratoire chinois d'intelligence artificielle, a publié Kimi Code CLI, un agent de codage open source conçu pour fonctionner directement dans le terminal. Distribué sous licence MIT et disponible sur GitHub, l'outil s'installe en une seule commande, sans prérequis Node.js, via un script officiel compatible macOS, Linux et Windows. Écrit en TypeScript et diffusé via npm, Kimi Code CLI succède à l'ancien kimi-cli et s'interface nativement avec les modèles Kimi de Moonshot AI, tout en restant compatible avec d'autres fournisseurs. L'agent est capable de lire et modifier du code, exécuter des commandes shell, explorer des fichiers, interroger des pages web, implémenter de nouvelles fonctionnalités, corriger des bugs, effectuer des refactorisations, répondre à des questions d'architecture et automatiser des tâches en lot. Par défaut, les opérations en lecture seule s'exécutent automatiquement, tandis que les modifications de fichiers ou les commandes shell demandent une confirmation explicite du développeur. L'agent adopte un modèle d'exécution dit "feedback-driven" : il planifie ses étapes, modifie le code, lance les tests et rapporte ses actions en boucle jusqu'à complétion. Parmi ses fonctionnalités distinctives, Kimi Code CLI intègre un support vidéo permettant de déposer un enregistrement d'écran directement dans le chat, une configuration native des serveurs MCP (Model Context Protocol) via la commande /mcp-config, ainsi qu'un système de sous-agents parallèles pour déléguer des tâches d'exploration, de planification ou de codage dans des contextes isolés. Des hooks de cycle de vie permettent d'auditer les décisions de l'agent ou de déclencher des notifications locales. Un mode plan (accessible via Shift-Tab ou --kimi --plan) génère un plan de recherche avant toute modification, et la commande /fork crée une branche expérimentale abandonnnable à tout moment. Kimi Code CLI s'inscrit dans une compétition croissante autour des agents de codage en terminal, un segment en pleine effervescence depuis l'émergence de Claude Code d'Anthropic, Aider ou encore Amp. La tendance de fond est celle de l'autonomisation progressive des outils de développement : les agents ne se contentent plus de suggérer du code, ils planifient, exécutent et itèrent de façon quasi-autonome sur des sessions longues. Moonshot AI, connu pour ses modèles Kimi aux capacités de contexte étendues, positionne cet outil comme une alternative sérieuse aux solutions occidentales dominantes, en ciblant notamment les développeurs souhaitant intégrer des LLMs dans leurs workflows sans quitter le terminal. L'accès au CLI est gratuit, mais l'utilisation des modèles nécessite une authentification OAuth Kimi Code ou une clé API Moonshot AI Open Platform.

💬 On ne comptait plus les CLI agents depuis Claude Code, mais celui-là mérite qu'on s'y arrête deux secondes. Le support vidéo natif et les sous-agents parallèles, c'est pas du remplissage de changelog, ça règle de vrais problèmes de workflow que les autres ont encore ignorés. Reste à voir si les modèles Kimi sont à la hauteur en dehors des benchmarks.

Le défi de communication d'OpenAI

OpenAI traverse une période délicate sur le plan de la communication publique, alors que la compagnie se prépare à une introduction en bourse dans un climat politique de plus en plus hostile à l'industrie de l'IA. Depuis le départ de Hannah Wong, responsable des relations publiques, en décembre dernier, le poste est vacant et la recherche d'un remplaçant s'étire. La société a contacté plusieurs profils de haut niveau : Jill Hazelbaker, présidente et directrice des affaires corporate chez Uber ; Sarah O'Brien, qui gère les communications de l'ancien directeur design d'Apple Jony Ive ; et Aaron Zamost, ancien responsable communication chez Square. Aucun accord n'a été conclu à ce jour. Le problème n'est pas seulement de trouver le bon candidat : plusieurs d'entre eux auraient explicitement signalé aux représentants d'OpenAI que le poste est structurellement difficile à tenir. La raison principale est que le PDG Sam Altman et d'autres dirigeants disposent d'une grande liberté de parole publique, multipliant les apparitions médiatiques en suivant leur propre agenda. Dans un secteur où chaque déclaration d'un dirigeant peut déclencher une controverse majeure, l'absence d'un responsable communication expérimenté pour cadrer ces interventions représente un risque réel, d'autant qu'OpenAI a enchaîné plusieurs épisodes embarrassants ces derniers mois. La bataille que se livrent OpenAI, Anthropic et Google dépasse largement les modèles et les revenus : elle intègre désormais la perception publique comme variable stratégique à part entière. Alors qu'Anthropic et OpenAI avancent toutes deux vers une cotation en bourse, la confiance des investisseurs et du grand public devient un actif aussi précieux que la puissance de calcul. OpenAI, en particulier, semble plus exposée que ses concurrentes aux turbulences de communication, ce qui rend le recrutement d'un directeur des affaires publiques de premier plan d'autant plus urgent. Le défi sera de trouver quelqu'un capable de naviguer entre la culture de la liberté de parole qui caractérise la maison et les exigences d'un environnement réglementaire et politique de plus en plus scrutateur.

Utilisateurs d’iPhone, vous pouvez maintenant précommander l’application Google AI Studio

Google a ouvert ce 21 mai 2026 les précommandes de l'application Google AI Studio sur l'App Store d'Apple, avec un lancement officiel programmé au 1er juillet prochain. L'application sera gratuite au téléchargement, même si certaines fonctionnalités avancées pourraient rester liées aux abonnements payants Gemini. Côté Android, la version Play Store était déjà disponible en préinscription depuis le 19 mai. Concrètement, l'application permet de créer, tester et prototyper des applications basées sur l'IA Gemini directement depuis un smartphone, en utilisant des commandes vocales ou du texte, sans écrire une seule ligne de code. Google met en avant plusieurs fonctionnalités orientées productivité mobile : synchronisation entre appareils, partage de projets simplifié, et une galerie communautaire regroupant des exemples créés par d'autres utilisateurs. Cette version mobile de Google AI Studio représente un changement de cible significatif pour l'outil, jusqu'ici réservé aux développeurs sur navigateur. En rendant le prototypage d'applications IA accessible depuis un iPhone ou un Android, Google élargit son audience bien au-delà des ingénieurs : designers, chefs de produit, entrepreneurs ou simples curieux peuvent désormais tester des idées en déplacement, sans environnement de développement. L'enjeu est de démocratiser la création d'outils IA, en réduisant la friction technique à son minimum. Pour l'industrie, cela accélère potentiellement les cycles d'idéation et de validation de produits, à condition que l'expérience mobile tienne ses promesses en termes de performance et de complétude par rapport à la version desktop. Cette annonce s'inscrit dans une stratégie d'expansion agressive de l'écosystème Gemini par Google, qui cherche à couvrir l'ensemble des points de contact numériques, navigateur, IDE, assistant, et maintenant smartphone. La firme de Mountain View fait face à une concurrence directe d'OpenAI, qui pousse ChatGPT sur mobile avec des fonctionnalités de plus en plus avancées, et d'Anthropic, qui développe ses propres interfaces pour Claude. Proposer un outil de prototypage IA natif sur iOS et Android est aussi une réponse à l'appétit croissant des professionnels pour des workflows IA nomades. Si le lancement du 1er juillet confirme les fonctionnalités annoncées, Google AI Studio mobile pourrait s'imposer rapidement comme un outil de référence pour quiconque souhaite expérimenter avec les modèles Gemini sans contrainte de lieu ni de configuration technique.

Créer des agents IA pour la business intelligence avec Amazon Bedrock AgentCore

OPLOG, entreprise turque spécialisée dans la logistique e-commerce pilotée par l'IA et la robotique, traite des millions de colis chaque mois en Turquie, au Royaume-Uni et en Allemagne pour des marques internationales et des marketplaces globales. Face à une fragmentation critique de ses données métier réparties entre HubSpot CRM, Microsoft Teams, Databricks et plusieurs autres systèmes indépendants, la société a développé une plateforme de business intelligence (BI) basée sur des agents IA déployés via Amazon Bedrock AgentCore. Concrètement, OPLOG a construit trois agents distincts à l'aide du Strands Agents SDK d'AWS, intégrés avec le modèle Claude Sonnet d'Anthropic et Amazon Bedrock Knowledge Bases pour la recherche par RAG. Les résultats mesurés sont nets : réduction de 35 % des cycles de vente, amélioration de 91 % de la complétude des données CRM, et réduction de 98 % du temps consacré à la recherche manuelle. L'impact opérationnel est significatif pour toute organisation B2B confrontée à des silos de données. Avant ce système, les équipes d'OPLOG passaient plusieurs heures par jour à extraire manuellement des rapports de systèmes disparates, à synthétiser l'information et à préparer des mises à jour. Les rapports hebdomadaires manquaient 60 % des opportunités commerciales, les deals ayant déjà évolué avant que l'analyse soit disponible. Désormais, trois agents autonomes prennent en charge ces tâches en temps réel : le Deal Analyzer Agent tourne selon un calendrier aligné sur l'activité commerciale et analyse les deals HubSpot récents pour vérifier leur conformité méthodologique, en remontant les résultats directement dans Microsoft Teams. Le Sales Coach Agent réagit aux webhooks HubSpot lorsqu'un deal change de stade, valide les champs requis selon le modèle commercial (B2C, B2B, ou mixte), et crée automatiquement des tâches pour les données manquantes. Un troisième agent, dont le détail n'est pas entièrement publié, complète le dispositif côté recherche de prospects. Ce déploiement s'inscrit dans une tendance de fond : les grandes plateformes cloud cherchent à faire des agents IA le nouveau standard de l'automatisation d'entreprise. Amazon Bedrock AgentCore, l'environnement d'exécution managé d'AWS pour agents IA, vise à simplifier ce type d'architecture en éliminant la gestion d'infrastructure tout en offrant scalabilité et traçabilité. Le choix de Claude Sonnet (Anthropic) comme moteur de raisonnement positionne AWS dans une logique de multi-partenariat avec les principaux labs IA. Pour des entreprises comme OPLOG, dont la croissance rapide dépasse les capacités des outils BI traditionnels, cette approche par agents spécialisés et indépendants offre une voie pragmatique vers l'automatisation sans refonte complète du système d'information.

Comment créer des pipelines de génération de graphes de connaissances à partir de texte avec kg-gen, NetworkX et des visualisations interactives

Une équipe de chercheurs de l'Université Stanford a publié un tutoriel complet présentant kg-gen, une bibliothèque Python open source permettant de générer automatiquement des graphes de connaissances à partir de texte non structuré. Le workflow décrit s'appuie sur trois outils principaux : kg-gen pour l'extraction des entités et relations, NetworkX pour l'analyse des structures de graphes, et PyVis ainsi que Matplotlib pour la visualisation interactive. Le processus repose sur un modèle de langage configuré via LiteLLM, une couche d'abstraction qui permet de brancher indifféremment GPT-4o-mini d'OpenAI, Claude d'Anthropic, Gemini de Google ou des modèles locaux via Ollama. À partir d'un texte simple, « Linda est la mère de Josh, Ben est son frère, Andrew son père, Josh étudie à Stanford », kg-gen identifie automatiquement les entités (Linda, Josh, Ben, Stanford) et les relations sémantiques qui les lient sous forme de triplets sujet-prédicat-objet. Pour les passages plus longs, la bibliothèque intègre un mécanisme de découpage par chunks de 800 caractères et un algorithme de clustering qui regroupe les entités synonymes, évitant ainsi les doublons lorsqu'un même concept apparaît sous plusieurs formes dans le texte source. L'intérêt concret de cet outil réside dans sa capacité à transformer des corpus textuels volumineux et désordonnés en structures de données navigables et interrogeables. Pour les équipes data, les chercheurs ou les développeurs travaillant sur des bases documentaires, cela représente un gain significatif : là où il fallait annoter manuellement les relations entre concepts, kg-gen automatise l'extraction en quelques lignes de code. Le graphe résultant peut ensuite être analysé avec NetworkX pour identifier les nœuds les plus connectés, détecter des communautés thématiques, ou mesurer la centralité de certains acteurs dans un corpus. La visualisation interactive via PyVis permet de naviguer dans le graphe directement dans un notebook Jupyter ou un navigateur, ce qui ouvre des usages en veille technologique, en analyse de réseaux d'influence ou en construction de bases de connaissances pour des systèmes RAG. kg-gen a été développé à Stanford et s'appuie en interne sur DSPy, un framework de programmation déclarative pour les LLM, pour garantir des sorties structurées et reproductibles. LiteLLM, qui sert de couche de routage, supporte une quarantaine de fournisseurs de modèles, ce qui rend le pipeline indépendant d'un prestataire unique. Ce tutoriel s'inscrit dans une tendance plus large visant à combiner les grands modèles de langage avec des représentations symboliques du savoir, à mi-chemin entre les approches purement neuronales et les systèmes expert classiques. Plusieurs grandes entreprises tech explorent cette direction pour améliorer la fiabilité des réponses de leurs IA, notamment en réduisant les hallucinations en ancrant le raisonnement dans un graphe de faits vérifiables. La prochaine étape naturelle du projet consiste à fusionner des graphes issus de sources multiples, un problème d'alignement d'entités que kg-gen aborde également dans les sections avancées du tutoriel.

Agent View débarque sur Claude Code : votre armée d’agents IA en une vue

Anthropic a lancé une nouvelle fonctionnalité appelée Agent View pour son outil Claude Code, disponible dès la version 2.1.139 de l'application. Accessible via la commande claude agents dans le terminal, cette interface regroupe l'ensemble des sessions d'agents actives dans un tableau de bord unique intégré directement à l'environnement de développement. Elle est disponible pour tous les abonnements Pro, Max, Team et Enterprise, ainsi que via l'API Claude, dans le respect des limites de débit habituelles. Les administrateurs d'organisation disposent par ailleurs de la possibilité de désactiver la fonctionnalité depuis les paramètres centraux. Chaque ligne du tableau de bord représente une session Claude Code avec son état en temps réel : en cours, en attente de réponse humaine, terminée, inactive, arrêtée ou en échec. Pour les équipes de développeurs qui orchestrent plusieurs tâches simultanées, Agent View change concrètement la façon de travailler. Jusqu'ici, gérer plusieurs agents en parallèle signifiait jongler entre de multiples fenêtres de terminal, sans vue d'ensemble claire sur l'état de chaque processus. Désormais, un développeur peut lancer en parallèle des agents chargés de correctifs, de tests, de revues de code ou de mises à jour, passer de l'un à l'autre sans friction, reprendre une session suspendue à tout moment, et surtout identifier immédiatement les agents qui nécessitent une intervention humaine. Ce gain de visibilité est particulièrement précieux dans les environnements d'intégration continue où le temps perdu à chercher quelle tâche est bloquée peut coûter cher. Cette mise à jour s'inscrit dans une stratégie plus large qu'Anthropic mène depuis plusieurs mois pour transformer Claude Code en véritable plateforme de gestion d'agents IA pour les équipes techniques. L'entreprise avait déjà introduit successivement les sous-agents, les équipes d'agents, les compétences personnalisées, les hooks, les commandes à distance, les tâches programmées et une version web de Claude Code. Agent View est en quelque sorte la pièce qui manquait : elle consolide tous ces blocs épars en une interface cohérente. Anthropic cherche clairement à sortir Claude Code du statut d'assistant à l'écriture de code pour en faire un outil d'orchestration de workflows autonomes, en concurrence directe avec des environnements comme GitHub Copilot Workspace ou les solutions agentiques de Google DeepMind. La question qui reste ouverte est celle de la fiabilité à grande échelle : plus les agents sont nombreux et autonomes, plus la capacité à détecter rapidement les échecs devient critique, et c'est précisément ce que vise Agent View.

GPT-6 déjà teasé par le PDG : OpenAI passe à la vitesse supérieure

Quelques jours à peine après le lancement de GPT-5.5, le PDG d'OpenAI Sam Altman a publié le 28 avril 2026 sur X une capture d'écran évoquant l'entraînement de GPT-6, avec la mention humoristique « encore plus de gobelins ». Ce teasing inattendu est né d'un bug désormais célèbre dans la communauté tech : depuis GPT-5.1, les modèles d'OpenAI glissaient régulièrement des gobelins, gremlins, trolls et autres créatures fantastiques dans leurs réponses, un comportement qui s'est amplifié de façon notable entre les versions GPT-5.2 et GPT-5.4. Face aux moqueries croissantes sur les réseaux sociaux, OpenAI a fini par intégrer des instructions explicites dans GPT-5.5 pour lui interdire de mentionner ces créatures. C'est cette révélation, découverte par des utilisateurs fouillant les paramètres du modèle, qui a mis le feu aux poudres sur X et poussé Altman à y répondre avec sa propre blague. Au-delà du trait d'humour, la sortie d'Altman a suffi à relancer les spéculations sur le calendrier de sortie de GPT-6. Le PDG n'a fourni aucune date, aucune fonctionnalité précise, aucun engagement formel. Pourtant, dans un secteur où chaque communication du dirigeant d'OpenAI est analysée au millimètre, la simple mention du nom GPT-6 dans un contexte public suffit à signaler que la prochaine génération est au moins en cours de développement actif. Pour les entreprises et développeurs qui intègrent les API d'OpenAI dans leurs produits, cela signifie que la fenêtre entre deux générations majeures continue de se réduire, comprimant les cycles d'adaptation. OpenAI traverse une période d'accélération intense sur son calendrier de sorties : GPT-4o, GPT-4.5, GPT-5, puis GPT-5.1 à 5.5 en l'espace de quelques mois, une cadence sans précédent dans l'histoire du laboratoire. Cette multiplication de versions intermédiaires traduit à la fois la pression concurrentielle exercée par Anthropic, Google DeepMind et les acteurs open source comme Meta, et la volonté d'OpenAI d'itérer rapidement en production plutôt qu'en laboratoire fermé. Les indices accumulés ces derniers mois sur GPT-6 suggèrent une architecture plus stable, une mémoire longue terme améliorée et une intégration plus profonde avec les fichiers et applications tierces. Quant aux gobelins, leur disparition officielle de GPT-5.5 illustre un problème récurrent dans l'entraînement des grands modèles de langage : des comportements émergents inattendus, difficiles à anticiper et à corriger sans instructions explicites.

Créer des workflows LLM traçables et évalués avec Promptflow, Prompty et OpenAI

Un tutoriel publié récemment détaille la construction d'un pipeline LLM complet et prêt pour la production, en s'appuyant sur trois outils clés : Promptflow, le format Prompty, et l'API OpenAI, le tout déployé dans un environnement Google Colab. Le workflow s'articule autour de plusieurs briques : une connexion sécurisée à OpenAI via un backend keyring alternatif, un fichier Prompty structuré servant de composant LLM central (ici GPT-4o-mini, avec une température de 0,2 et un maximum de 350 tokens), puis un flux de type "flex flow" basé sur une classe Python qui combine un prétraitement déterministe avec le raisonnement du modèle. Le système permet d'injecter des hints calculés dans les réponses du modèle, d'activer une traçabilité pas-à-pas de chaque exécution, de lancer des requêtes unitaires ou en batch, et de générer des sorties dans un format structuré. La chaîne se conclut par un pipeline d'évaluation automatisé dans lequel un LLM joue le rôle de juge pour noter les réponses produites face à des réponses attendues. L'intérêt de cette approche est double : elle apporte de la traçabilité à chaque étape d'un pipeline LLM, un manque criant dans beaucoup de déploiements actuels, et elle industrialise l'évaluation en remplaçant la validation manuelle par un juge automatisé. Pour les équipes qui cherchent à passer du prototype au système en production, ce type d'architecture garantit qu'on peut auditer, déboguer et améliorer le comportement du modèle de façon systématique. La combinaison d'un outil déterministe (le calcul sécurisé) et d'un raisonnement LLM dans un même flow illustre aussi comment orchestrer des agents hybrides, sujet central du moment dans le développement d'applications IA. Promptflow est un framework open source lancé par Microsoft en 2023, initialement pensé pour Azure AI Studio mais disponible en local. Il répond à un besoin croissant dans l'industrie : les équipes ne manquent plus de modèles, mais d'outils pour structurer, tester et maintenir des workflows LLM dans la durée. Le format Prompty, introduit plus récemment, standardise la définition des appels au modèle en séparant la configuration (modèle, paramètres, connexion) du template de prompt, ce qui facilite la réutilisation et la gouvernance. Avec l'essor du concept de LLM-as-a-judge, popularisé notamment par des travaux de Lmsys et repris par OpenAI et Anthropic dans leurs propres systèmes d'évaluation, le tutoriel s'inscrit dans une tendance de fond : automatiser non seulement la génération, mais aussi le contrôle qualité des sorties, condition nécessaire pour une adoption enterprise sérieuse de l'IA générative.

Bilan AIE Europe et thèse des Agent Labs : épisode croisé Unsupervised Learning x Latent Space (2026)

Enregistré quelques jours après la conférence AIE Europe 2026, un épisode spécial du podcast Unsupervised Learning a réuni Jacob Effron et Shawn Wang, plus connu sous le pseudonyme "swyx", figure centrale de la communauté AI engineering, pour faire le point un an après leur premier épisode croisé avec Latent Space. Les deux animateurs ont passé en revue l'ensemble du paysage IA : infrastructure agentique, guerres du code, formation de modèles spécialisés, valorisations débridées, et ce que signifie vendre à des agents plutôt qu'à des humains. Parmi les points saillants : le playbook des "agent labs", qui consiste à démarrer avec des modèles frontier, à se spécialiser sur un domaine, puis à entraîner ses propres modèles une fois que les données, les volumes d'usage et les économies de latence le justifient. Des entreprises comme Cursor et Cognition sont citées comme exemples concrets de cette trajectoire. Ce que l'épisode documente, c'est la maturation accélérée d'un marché encore en phase d'exploration intensive. L'infrastructure IA a contraint ses acteurs à se réinventer chaque année, tandis que les entreprises applicatives ont mieux résisté à la volatilité des modèles en s'ancrant dans des workflows métier précis. La spécialisation de domaine, la distillation et l'amélioration du contexte ("context engineering") émergent comme leviers de différenciation réels, pas de simples arguments marketing. Le marché du coding IA, l'une des catégories à la croissance la plus rapide, illustre cette dynamique : Anthropic, OpenAI, Cursor et Cognition y ont tous prospéré, mais seule une poignée de noms s'impose comme gagnants réels, un mystère que l'épisode laisse en partie ouvert. La mémoire et la personnalisation sont identifiées comme le prochain grand vecteur de différenciation produit, dans un monde où les modèles récompensent encore trop la fréquence de mention plutôt que la pertinence contextuelle. L'épisode s'inscrit dans un moment charnière : les grands labos frontier tentent d'envahir les verticaux comme la finance et la santé, mais laissent encore de l'espace aux entreprises focalisées qui contrôlent le workflow et le "dernier kilomètre" utilisateur. Swyx se dit plus optimiste qu'avant sur l'open source et sur l'émergence de hardware non-Nvidia, soulignant que chaque accélération de 10x en inférence peut débloquer des expériences produit inédites. L'épisode a été enregistré avant l'annonce de l'accord Cursor-xAI, ce qui lui donne rétrospectivement une valeur de document pré-rupture, un instantané du marché juste avant que la consolidation ne s'accélère davantage. Le marché du coding est présenté comme le modèle préfigurant la trajectoire de toutes les autres verticales IA.

Von recommande tous les grands modèles IA pour l'analyse des revenus, et automatise leur combinaison

Von, une nouvelle plateforme d'intelligence artificielle lancée par l'équipe derrière Rattle, une startup spécialisée dans l'automatisation des processus, s'attaque à un paradoxe bien connu dans les entreprises tech : si les outils comme Claude Code ou Cursor ont radicalement transformé le quotidien des développeurs, les équipes commerciales restent, elles, prisonnières de silos de données, de saisies manuelles dans les CRM et de reportings approximatifs. Fondée par Sahil Aggarwal, Von se positionne non pas comme une solution ponctuelle supplémentaire, mais comme une "couche d'intelligence" unifiée pour les équipes Go-To-Market. La plateforme commence par construire un "graphe de contexte" de l'entreprise en ingérant des données structurées issues de CRM comme Salesforce et HubSpot, ainsi que des données non structurées provenant d'enregistreurs d'appels (Gong, Zoom, Chorus), de fils de messagerie et de documentation interne. Elle s'appuie ensuite sur une architecture multi-modèles : Claude d'Anthropic pour le raisonnement de haut niveau, ChatGPT pour le traitement massif de données, et Gemini de Google pour la génération de contenus créatifs comme les présentations et rapports. Lors d'une démonstration, Von a analysé 101 comptes PME pour identifier les risques de désabonnement en un peu plus de trois minutes, une tâche qu'un analyste humain effectuerait en une à deux semaines. L'enjeu est considérable pour les opérations commerciales. L'un des problèmes chroniques des équipes de vente est l'écart entre ce qui est enregistré dans un CRM et ce qui s'est réellement dit lors d'un appel client. Von résout ce problème en croisant automatiquement les transcriptions d'appels avec les données Salesforce, permettant d'identifier des incohérences dans les raisons de pertes de deals ou d'évaluer la santé d'une opportunité commerciale sur la base du sentiment réel exprimé, et non d'une mise à jour manuelle d'un commercial. La plateforme génère également des fiches de briefing pré-appel, des analyses de victoires et défaites commerciales regroupées par thèmes, et automatise les tâches administratives Salesforce à faible valeur ajoutée. En agissant comme un "Data Scientist IA" ou un "VP RevOps" virtuel, Von promet de libérer les équipes des tâches de reporting répétitives pour les recentrer sur la vente. Ce positionnement s'inscrit dans une tendance plus large de l'IA d'entreprise : après avoir conquis les workflows techniques, les grandes plateformes cherchent à s'implanter dans les fonctions commerciales et opérationnelles, historiquement moins automatisées. Von hérite de l'expertise de Rattle dans l'intégration des outils de vente, ce qui lui confère une connaissance fine des flux de données GTM. Le choix d'une stratégie "mixture of models" plutôt que d'un modèle unique reflète une maturité technique croissante dans l'industrie, où l'optimisation coût-performance dicte désormais l'architecture des solutions. La prochaine étape pour Von sera de démontrer sa capacité à s'imposer face à des acteurs établis comme Clari, Gong ou Salesforce Einstein dans un marché de l'intelligence des revenus déjà très concurrentiel et en pleine consolidation.

Commandes omnicanales avec Amazon Bedrock AgentCore et Amazon Nova 2 Sonic

Amazon a présenté une architecture complète pour construire des systèmes de commande vocale omnicanaux en s'appuyant sur deux de ses services cloud : Amazon Bedrock AgentCore, une plateforme dédiée au déploiement d'agents IA en production, et Amazon Nova 2 Sonic, un modèle de fondation speech-to-speech disponible via Amazon Bedrock. La solution permet à une application de traiter des commandes vocales en temps réel sur plusieurs points de contact simultanément, application mobile, site web et interface vocale, tout en maintenant le contexte conversationnel entre les échanges. L'infrastructure s'appuie sur AWS CDK pour le déploiement, le protocole MCP (Model Context Protocol) pour connecter l'agent IA aux services métier, et une série de services managés : Amazon Cognito pour l'authentification OAuth 2.0, API Gateway pour exposer les endpoints REST, AWS Lambda pour la logique métier, DynamoDB pour le stockage des profils et commandes, et AWS Location Services pour les recommandations géolocalisées de points de retrait. L'intérêt principal de cette architecture réside dans sa capacité à isoler chaque composant pour les faire évoluer indépendamment. AgentCore Runtime exécute chaque session utilisateur dans une microVM isolée, ce qui garantit qu'un pic de charge sur une session n'affecte pas les autres, un problème classique des systèmes vocaux en production. Le MCP standardise la communication entre l'agent et les services backend, ce qui permet de modifier ou d'étendre la logique métier sans réécrire le code d'intégration. Pour les équipes qui construisent des expériences de commande vocale à grande échelle, restauration rapide, retail, logistique, cette séparation claire entre la couche IA, le frontend et le backend réduit significativement la complexité opérationnelle et les risques de régression lors des mises à jour. La publication de cette solution s'inscrit dans une compétition intense autour des agents IA en production. Google, Microsoft et des acteurs comme Anthropic proposent leurs propres infrastructures agentiques, mais AWS mise sur l'intégration native avec son écosystème de services cloud existants comme différenciateur clé. Nova 2 Sonic, le modèle speech-to-speech au coeur du système, représente l'entrée d'Amazon dans les interfaces vocales conversationnelles en temps réel, un segment où OpenAI s'est imposé avec GPT-4o Voice. En publiant ce tutoriel complet avec une architecture de restaurant fictive comme backend d'exemple, Amazon cherche à accélérer l'adoption par les développeurs et à établir AgentCore comme standard de fait pour le déploiement d'agents IA sur AWS. Les prochaines étapes logiques incluront probablement l'extension à d'autres modalités et l'intégration avec des systèmes de caisse et d'inventaire existants.

Le tokenmaxxing commence peut-être déjà à reculer

Chez Meta, un phénomène insolite a récemment été mis en lumière par The Information : des employés se livrent à une compétition interne baptisée "Claudeonomics", un classement mesurant qui consomme le plus de tokens d'IA dans son travail quotidien. Le record récent appartient à un employé ayant utilisé 328,5 milliards de tokens sur une période de 30 jours, ce qui représente une facture potentielle de près de 2 millions de dollars aux tarifs publics d'Anthropic. Ce comportement, surnommé "tokenmaxxing", consiste à maximiser délibérément sa consommation d'IA pour signaler son implication et sa productivité à l'entreprise. Ce phénomène révèle une fracture croissante entre les géants technologiques ultra-capitalisés et le reste des entreprises. Si Meta peut absorber des dépenses d'IA colossales pour ses ingénieurs, la grande majorité des organisations ne dispose pas de tels budgets. Le tokenmaxxing risque ainsi de devenir un indicateur trompeur de performance, encourageant une consommation artificielle plutôt qu'une utilisation réellement productive des outils d'IA. Ce cas intervient dans un contexte où les entreprises tech cherchent à quantifier l'adoption interne de l'IA et à mesurer le retour sur investissement de leurs abonnements aux modèles comme Claude d'Anthropic ou GPT d'OpenAI. La course aux classements internes illustre une tension plus profonde : comment distinguer l'usage pertinent de l'IA d'une simple démonstration ostentatoire ? À mesure que les coûts des modèles diminuent, cette dynamique pourrait évoluer, mais pour l'instant, le tokenmaxxing reste un luxe réservé aux plus grands acteurs de la Silicon Valley.

Google intègre le support MCP dans Colab pour permettre l'exécution cloud d'agents IA

Google a publié le Colab MCP Server, un outil open source qui permet aux agents d'intelligence artificielle d'interagir directement avec Google Colab via le Model Context Protocol (MCP). Cette intégration donne aux agents la capacité d'exécuter du code, de lancer des notebooks et de piloter des environnements cloud Colab sans intervention humaine, en passant par une interface standardisée que les principaux frameworks d'agents reconnaissent nativement. L'enjeu est concret : les développeurs qui construisent des agents IA se heurtent régulièrement à deux problèmes, la puissance de calcul disponible localement et la sécurité des exécutions. En déportant ces tâches vers Colab, les agents peuvent faire tourner des modèles lourds, traiter des jeux de données volumineux ou exécuter du code potentiellement risqué dans un environnement isolé et géré par Google, sans exposer la machine du développeur. Cela ouvre la voie à des workflows d'automatisation bien plus ambitieux, notamment pour les équipes qui n'ont pas accès à des GPU dédiés. Ce lancement s'inscrit dans la montée en puissance du Model Context Protocol, standard initialement proposé par Anthropic et rapidement adopté par l'ensemble de l'industrie comme protocole commun pour connecter les agents aux outils externes. Google, qui avait déjà intégré MCP dans plusieurs de ses produits, étend ainsi sa surface de compatibilité avec l'écosystème agent. Le fait que le serveur soit open source suggère une volonté d'ancrer Colab comme infrastructure de référence pour l'exécution agentique dans le cloud.

[Tuto] Utiliser des IA génératives en local et influence du GPU sur les performances

Faire tourner un grand modèle de langage sur sa propre machine est désormais accessible à quiconque dispose d'un ordinateur suffisamment puissant. Des outils comme Ollama permettent d'installer et d'utiliser localement des LLM tels que Mistral, LLaMA ou Qwen, sans connexion internet et sans envoyer la moindre donnée à un serveur tiers. L'article propose un tutoriel pas à pas pour configurer cet environnement en local, accompagné d'un comparatif de performances entre deux configurations : un serveur équipé de 24 cœurs CPU sans GPU, et un autre disposant d'une carte graphique dédiée. Le résultat est sans appel : l'écart de vitesse d'inférence entre les deux setups est énorme, le GPU surclassant massivement le CPU seul pour ce type de charge de travail. L'enjeu central est la confidentialité des données. Utiliser ChatGPT, Claude ou Le Chat implique d'envoyer ses requêtes sur les serveurs d'OpenAI, Anthropic ou Mistral, où elles peuvent potentiellement servir à l'entraînement ou à l'amélioration des modèles. Pour les professionnels manipulant des données sensibles, documents juridiques, médicaux, financiers, code propriétaire, cette dépendance aux infrastructures cloud représente un risque réel. L'exécution locale supprime complètement ce vecteur : le modèle tourne sur la machine de l'utilisateur, les données n'en sortent jamais. C'est aussi une question d'autonomie : pas de quota d'API, pas d'abonnement mensuel, pas de coupure de service. Deux contraintes techniques conditionnent la faisabilité de cette approche. D'abord la mémoire : les poids d'un modèle de 7 milliards de paramètres occupent environ 4 à 8 Go selon le niveau de quantisation, tandis qu'un modèle de 70 milliards en requiert facilement 40 Go ou plus. Ensuite la puissance de calcul : un GPU accélère les opérations matricielles qui constituent le cœur de l'inférence, là où un CPU seul produit des réponses lentes et difficilement utilisables en pratique. Cette architecture locale n'est pas nouvelle, la communauté open source travaille dessus depuis la publication de LLaMA par Meta en 2023, mais elle est devenue beaucoup plus accessible grâce à des outils comme Ollama, LM Studio ou llama.cpp, qui abstraient la complexité technique. L'essor des modèles compacts et quantisés (3B, 7B, 14B paramètres) rend aujourd'hui possible une expérience satisfaisante même sur du matériel grand public, à condition de disposer d'une carte graphique avec suffisamment de VRAM.

Top 10 des entreprises IA : qui domine vraiment la révolution mondiale ?

Une poignée de géants technologiques concentre aujourd'hui l'essentiel de la puissance de l'intelligence artificielle mondiale. Microsoft, en tête, a réalisé un pivot stratégique majeur en investissant plusieurs milliards de dollars dans OpenAI, le laboratoire créateur de ChatGPT. En échange de ce partenariat exclusif, la firme de Redmond intègre les modèles GPT dans l'ensemble de son écosystème sous la marque Copilot : Windows, la suite Office, GitHub et ses outils de cybersécurité. Son cloud Azure sert simultanément de plateforme d'entraînement pour OpenAI et d'infrastructure pour les entreprises souhaitant déployer leurs propres applications d'IA. Alphabet, maison mère de Google, incarne quant à elle une présence encore plus ancienne dans le domaine : en 2017, ses chercheurs ont publié "Attention Is All You Need", le papier fondateur de l'architecture transformer sur laquelle reposent aujourd'hui la quasi-totalité des grands modèles de langage. Nvidia, OpenAI, Meta, Amazon, Apple, Anthropic et d'autres acteurs complètent ce cercle restreint qui contrôle modèles, puces et infrastructure cloud. Ce niveau de concentration a des conséquences directes sur l'ensemble de l'économie numérique. En contrôlant à la fois les algorithmes et l'infrastructure, ces entreprises deviennent les principaux distributeurs d'IA pour des centaines de millions d'utilisateurs et pour les entreprises qui cherchent à automatiser leurs processus. Microsoft et Google, en particulier, transforment des logiciels déjà massivement adoptés en interfaces d'intelligence artificielle, rendant l'adoption quasi-transparente pour l'utilisateur final. Les entreprises qui souhaitent développer leurs propres solutions d'IA se retrouvent en grande partie dépendantes de l'infrastructure cloud de ces mêmes acteurs, renforçant ainsi leur position dominante sur toute la chaîne de valeur, de la recherche fondamentale jusqu'à la distribution commerciale. Cette domination est le fruit de décennies d'investissement massif dans la recherche et l'infrastructure. Google Finance cette transformation depuis les années 2010 via DeepMind et Google Brain, tandis que Microsoft a su reconvertir sa position de leader du logiciel d'entreprise en levier d'adoption de l'IA générative. La barrière à l'entrée est désormais astronomique : entraîner un grand modèle de langage compétitif nécessite des dizaines de milliers de GPU et des investissements se chiffrant en milliards de dollars, ce que seuls quelques acteurs peuvent se permettre. La question qui se pose pour la suite est double : comment les régulateurs, notamment en Europe avec l'AI Act, vont-ils encadrer cette concentration de pouvoir technologique, et quels nouveaux entrants, à l'image d'Anthropic ou Mistral, parviendront à s'imposer face à des géants qui ont pris plusieurs longueurs d'avance ?

Les chatbots IA progressent sept fois plus vite que les réseaux sociaux, mais restent quatre fois moins fréquentés

Le trafic vers les chatbots d'intelligence artificielle croît sept fois plus vite que celui des réseaux sociaux, mais reste quatre fois inférieur en volume total, selon une analyse publiée par Similarweb. Ces données portent sur les principales plateformes de conversation IA, dont ChatGPT d'OpenAI, Gemini de Google et Claude d'Anthropic, et révèlent des différences notables entre ces deux catégories de services numériques, notamment dans les habitudes d'utilisation selon les appareils et les comportements des utilisateurs. Ce rythme de croissance exceptionnel illustre l'adoption massive et rapide des outils d'IA conversationnelle par le grand public, mais l'écart de volume avec les réseaux sociaux rappelle que ces derniers restent ancrés dans le quotidien numérique de milliards de personnes. Pour les acteurs du secteur tech, cela signifie que le marché de l'IA conversationnelle est encore loin de sa maturité et que les marges de progression restent considérables. La question des usages par appareil est particulièrement stratégique : les chatbots sont aujourd'hui davantage utilisés sur ordinateur, là où les réseaux sociaux dominent sur mobile. Cette dynamique s'inscrit dans un contexte de compétition intense entre les grandes plateformes d'IA, qui multiplient les mises à jour et les nouvelles fonctionnalités pour capter des parts de marché. Les réseaux sociaux, eux, ont bénéficié de deux décennies d'intégration dans les usages quotidiens. Si la trajectoire actuelle se maintient, l'écart de trafic entre les deux catégories pourrait se réduire significativement dans les prochaines années, à mesure que l'IA s'intègre dans davantage d'applications et de flux de travail professionnels.

Composants d'un agent de codage

Les agents de codage comme Claude Code ou le Codex CLI d'OpenAI sont devenus des outils incontournables pour les développeurs, mais leur fonctionnement repose sur une architecture précise que peu d'articles détaillent. Un agent de codage n'est pas simplement un grand modèle de langage (LLM) auquel on pose des questions : c'est un LLM enveloppé dans une couche logicielle appelée "harness" (ou cadre agentique), qui orchestre les appels au modèle, gère les outils disponibles, maintient un état en mémoire et décide quand s'arrêter. Cette distinction est fondamentale : le modèle est le moteur, mais le harness est la transmission, le tableau de bord et les roues réunies. Un agent de codage comprend six composants principaux — la boucle de contrôle, la gestion du contexte, les outils (lecture/écriture de fichiers, exécution de code, recherche), la mémoire, la gestion des prompts et la continuité entre sessions longues. Ce cadre explique pourquoi Claude Code ou Codex semblent nettement plus capables que le même modèle sous-jacent utilisé dans une interface de chat ordinaire. La différence n'est pas dans les paramètres du modèle, mais dans le système qui l'entoure : la stabilité du cache de prompts, l'accès au contexte du dépôt Git, la boucle de feedback itérative après exécution du code, et la gestion de sessions qui peuvent durer des heures. Pour les développeurs et les équipes d'ingénierie, cela signifie que choisir un outil de codage assisté par IA revient autant à évaluer l'architecture du harness qu'à comparer les benchmarks des modèles. Un modèle plus puissant dans un harness médiocre produira des résultats inférieurs à un modèle modeste bien intégré. Il convient également de distinguer trois notions souvent confondues : le LLM classique génère des tokens ; le modèle de raisonnement est un LLM entraîné à produire des traces de réflexion intermédiaires et à s'auto-vérifier (à l'image de o1 ou de QwQ), ce qui le rend plus puissant mais plus coûteux à l'inférence ; l'agent, lui, est une boucle de contrôle qui appelle le modèle répétitivement dans un environnement, en mettant à jour son état à chaque itération. Le harness de codage est un cas spécialisé de harness agentique, orienté vers les tâches de génie logiciel — gestion du contexte de code, exécution, débogage itératif. Des systèmes comme Claude Code d'Anthropic ou Codex CLI d'OpenAI illustrent cette catégorie, et la tendance de fond est claire : les progrès les plus décisifs en IA appliquée ne viennent plus seulement des modèles eux-mêmes, mais de l'ingénierie des systèmes qui les entourent.

Construire des systèmes à base d'agents prêts pour la production avec Z.AI GLM-5 : raisonnement, appel d'outils et streaming

Z.AI a publié un tutoriel complet présentant les capacités avancées de son modèle GLM-5, conçu pour construire des systèmes agentiques prêts pour la production. Le guide couvre l'intégralité du cycle de développement : configuration via le SDK Z.AI (compatible avec l'interface OpenAI), réponses en streaming, mode de raisonnement approfondi (dit "thinking mode"), conversations multi-tours, appels de fonctions, sorties structurées, et construction d'un agent multi-outils complet. L'installation se fait via pip avec les paquets zai-sdk et openai, et l'authentification repose sur une clé API obtenue gratuitement sur z.ai. Dès les premières lignes de code, GLM-5 répond à des questions techniques — comme expliquer l'architecture Mixture-of-Experts en trois phrases — avec une consommation de tokens détaillée et un contrôle fin via les paramètres temperature et max_tokens. Ce qui distingue GLM-5 des modèles classiques est son mode de raisonnement enchaîné (chain-of-thought), qui expose le processus interne du modèle avant de fournir une réponse finale. Sur des problèmes logiques ou mathématiques — l'exemple du fermier avec 17 moutons dont "tous sauf 9 s'enfuient" illustre le piège classique de la lecture rapide — le modèle affiche séparément son raisonnement intermédiaire et sa conclusion. Cette transparence est particulièrement précieuse pour les équipes qui déploient des agents autonomes dans des contextes critiques : débogage plus facile, auditabilité améliorée, et meilleure confiance dans les décisions du modèle. Le streaming en temps réel des tokens, géré chunk par chunk, rend l'expérience utilisateur fluide même pour des réponses longues et complexes. GLM-5 s'inscrit dans la dynamique actuelle d'ouverture des modèles chinois à l'écosystème international. Z.AI, filiale de Zhipu AI — laboratoire issu de l'Université Tsinghua — positionne GLM-5 comme un concurrent direct aux modèles d'OpenAI et Anthropic, avec une compatibilité API volontairement calquée sur le standard OpenAI pour faciliter la migration. La prise en charge native du function calling et des sorties structurées permet d'intégrer GLM-5 dans des pipelines d'automatisation complexes sans couche d'adaptation. Alors que les entreprises cherchent à diversifier leurs dépendances vis-à-vis des fournisseurs américains, ce type de modèle — accessible, documenté, et compatible avec les outils existants — représente une alternative crédible pour les développeurs européens et asiatiques construisant des applications d'IA en production.

Fidji Simo d'OpenAI rachète le podcast TBPN malgré sa campagne contre les projets parallèles

Fidji Simo, directrice générale du déploiement de l'AGI chez OpenAI, a annoncé jeudi l'acquisition de TBPN, un podcast technologique quotidien très suivi, animé par John Coogan et Jordi Hays. Cette décision intervient alors que Simo s'est imposée ces dernières semaines comme la figure de la rigueur au sein d'OpenAI, à mesure que la startup s'approche d'une introduction en bourse prévue fin 2025. Selon les informations communiquées aux équipes, les deux animateurs conserveront leur indépendance éditoriale tout en jouant un rôle de conseil auprès de l'entreprise en matière de marketing et de communication. La nouvelle a été si inattendue que certains employés d'OpenAI ont cru à un poisson d'avril en retard. L'acquisition surprend d'autant plus qu'elle contraste frontalement avec le discours que Simo tient en interne depuis plusieurs semaines. Le mois dernier, elle avait adressé un message de mise en garde aux équipes : OpenAI ne peut plus se permettre de courir après des "quêtes secondaires" qui détournent l'entreprise de ses priorités. Dans la foulée, Sora, l'outil de génération vidéo gourmand en ressources de calcul, a été abandonné. Une fonctionnalité de paiement express dans ChatGPT, à laquelle Simo s'était montrée sceptique, a également été retirée, et les plans permettant à ChatGPT de générer du contenu érotique ont été mis en suspens indéfiniment. Acquérir un podcast populaire dans ce contexte représente donc une rupture de ton notable. OpenAI, valorisé à 300 milliards de dollars après sa dernière levée de fonds de 40 milliards en mars 2025, cherche à soigner son image publique avant son entrée en bourse. La relation avec les médias et la maîtrise du récit sont devenues des enjeux stratégiques pour une entreprise sous intense scrutin réglementaire et concurrentiel. Intégrer TBPN dans son giron pourrait s'interpréter comme une tentative de capter directement une audience tech influente, dans un contexte où la guerre de perception entre OpenAI, Google, Anthropic et Meta se joue aussi sur les canaux informels. La question de l'indépendance éditoriale promise restera centrale pour la crédibilité de cette opération.

Codex propose désormais une tarification plus flexible pour les équipes

OpenAI a annoncé l'ajout d'une option de facturation à l'usage pour Codex, son agent de programmation, disponible désormais pour les abonnés ChatGPT Business et Enterprise. Ce modèle tarifaire vient compléter les formules d'abonnement existantes et permet aux équipes de ne payer que ce qu'elles consomment réellement, sans engagement forfaitaire fixe. Ce changement facilite concrètement l'adoption de Codex dans les entreprises qui hésitaient à s'engager sur un abonnement avant d'évaluer leur usage réel. Les équipes de développement peuvent désormais tester l'outil à petite échelle, mesurer le retour sur investissement, puis augmenter progressivement leur consommation sans friction tarifaire. C'est particulièrement pertinent pour les grandes organisations où les déploiements se font par étapes et nécessitent des validations budgétaires successives. Codex s'inscrit dans la stratégie d'OpenAI pour conquérir le marché des outils de développement, en concurrence directe avec GitHub Copilot (Microsoft), Cursor et Claude d'Anthropic. La tarification à l'usage est devenue un standard dans ce secteur, les entreprises préférant une corrélation directe entre coût et valeur produite. Cette flexibilité tarifaire devrait accélérer la pénétration de Codex dans les équipes techniques enterprise, segment où la friction à l'adoption reste le principal frein.

Z.ai lance GLM-5V-Turbo : un modèle multimodal de vision et de code optimisé pour les workflows d'ingénierie à base d'agents

Zhipu AI (Z.ai), laboratoire d'intelligence artificielle chinois, a lancé GLM-5V-Turbo, un nouveau modèle de vision multimodale spécialement conçu pour la génération de code et les workflows d'ingénierie logicielle. Ce modèle se distingue par une architecture dite de fusion multimodale native, associant un encodeur visuel CogViT à une architecture MTP (Multi-Token Prediction), avec une fenêtre de contexte de 200 000 tokens. Il est capable de traiter simultanément des images, des vidéos, des maquettes de design et des documents techniques complexes, tout en produisant du code syntaxiquement rigoureux. Son entraînement repose sur une technique de reinforcement learning conjoint sur plus de 30 tâches distinctes couvrant le raisonnement STEM, l'ancrage visuel, l'analyse vidéo et l'utilisation d'outils externes. Ce lancement répond à un problème structurel bien connu dans le domaine des modèles vision-langage : le « effet de balançoire », où les gains en perception visuelle se font au détriment des capacités de programmation logique. En optimisant conjointement ces deux dimensions, GLM-5V-Turbo ouvre la voie à des agents d'interface graphique (GUI agents) véritablement opérationnels — des systèmes capables de « voir » un écran et d'en déduire les actions ou le code nécessaire pour y interagir. Concrètement, cela permet à un développeur de soumettre une capture d'écran d'un bug ou une maquette de fonctionnalité, et d'obtenir directement le code correspondant, sans passer par une description textuelle intermédiaire. L'intégration avec OpenClaw, framework open source pour agents GUI, et avec Claude Code, l'outil de programmation assistée d'Anthropic, renforce son positionnement dans des pipelines d'automatisation logicielle à haute capacité. Ce modèle s'inscrit dans une compétition mondiale de plus en plus intense autour des modèles multimodaux orientés code, où des acteurs comme Google (Gemini), OpenAI (GPT-4o) et Anthropic (Claude) investissent massivement. La stratégie de Z.ai se distingue par une spécialisation assumée : plutôt que de viser un usage généraliste, GLM-5V-Turbo cible explicitement les workflows agentiques, en s'intégrant dès le départ dans des écosystèmes d'outils existants. Cette approche de « deep adaptation » pourrait s'avérer décisive pour les équipes d'ingénierie cherchant à automatiser des tâches visuellement complexes — déploiement d'environnements, analyse de sessions enregistrées, génération de code à partir de maquettes — sans sacrifier la précision logique indispensable au développement logiciel professionnel.

OpenAI renonce à son mode érotique pour ChatGPT

OpenAI a renoncé à son projet de mode de contenu érotique pour ChatGPT, devenant ainsi la dernière d'une série d'initiatives abandonnées par la startup en l'espace d'une semaine. La fonctionnalité, qui aurait permis à ChatGPT de générer des contenus pour adultes explicites, n'a jamais été officiellement lancée à grande échelle avant d'être écartée. Cette décision illustre les tensions croissantes au sein d'OpenAI entre sa volonté d'élargir les cas d'usage de ses modèles — et donc ses revenus — et les contraintes éthiques, réglementaires et d'image de marque qui pèsent sur l'entreprise. Un tel mode aurait pu ouvrir un marché lucratif, mais exposait également OpenAI à des critiques sur la protection des mineurs et la modération des contenus. Ce recul s'inscrit dans un contexte plus large de repositionnement stratégique pour OpenAI, qui jongle entre sa mission déclarée de développer une IA bénéfique pour l'humanité et une pression commerciale intense pour diversifier ses sources de revenus. Plusieurs projets annexes ont été abandonnés en parallèle, sans explication publique détaillée, suggérant une remise à plat interne des priorités alors que la concurrence avec Anthropic, Google et Meta s'intensifie.

Un aperçu des outils en ligne de commande

Les agents d'intelligence artificielle fonctionnent en combinant un modèle de langage avec des outils concrets — et les interfaces en ligne de commande (CLI) constituent leur outil de prédilection. Concrètement, un agent peut exécuter une séquence de commandes bash pour renommer 400 photos produit selon un format SKU précis, les redimensionner en 1200x1200 pixels, les trier dans des sous-dossiers par catégorie, puis vérifier le résultat — le tout en quelques secondes, là où un humain y passerait plusieurs heures. Chaque étape correspond à une commande réelle : ls pour lister les fichiers, mkdir pour créer les dossiers, mogrify pour redimensionner les images, mv pour déplacer et renommer. L'agent enchaîne ces opérations de façon autonome, interprète les sorties, et s'adapte à ce qu'il découvre. Ce mécanisme de "tool use" est au cœur de ce qui distingue un agent d'un simple chatbot. Plus on lui donne accès à des CLIs spécialisées — Stripe CLI pour les données de paiement, Playwright pour contrôler un navigateur web, AWS CLI pour gérer une infrastructure cloud, Vercel CLI pour déployer un site en une commande — plus ses capacités s'étendent. Un agent équipé de bash seul peut organiser des fichiers ; ajoutez Stripe et il peut analyser vos revenus ; ajoutez Playwright et il peut naviguer sur le web ; ajoutez Vercel et il peut déployer ce qu'il vient de construire. C'est cette combinaison d'outils qui définit concrètement ce qu'un agent est capable d'accomplir. Des outils comme Claude Code permettent d'ailleurs de voir les commandes défiler en temps réel, ou de les retrouver via un panneau extensible. Ce modèle technique s'inscrit dans une période d'accélération notable pour les outils d'agents IA. Anthropic vient justement de lancer un "auto mode" pour Claude Code, un régime intermédiaire entre la validation manuelle de chaque action et l'exécution sans aucune permission — une réponse directe aux tensions entre autonomie et sécurité dans les workflows développeurs. En parallèle, les connecteurs Claude pour les outils professionnels sont désormais disponibles sur mobile, et Anthropic travaille sur une fonctionnalité "auto-dream" dédiée à la compaction de mémoire des agents pendant la nuit. Claude Code peut également envoyer des messages iMessage pour notifier l'utilisateur en cours de tâche. Ces annonces illustrent une tendance de fond : les grands labs ne cherchent plus seulement à améliorer les modèles, mais à rendre les agents réellement opérationnels dans des environnements de production réels, avec des garde-fous calibrés pour des usages professionnels quotidiens.

OpenAI suspend son chatbot érotique pour une durée indéterminée

OpenAI a mis en suspens "indéfiniment" son projet de mode adulte pour ChatGPT, selon des informations du Financial Times. Cette fonctionnalité aurait permis des conversations à caractère érotique et sexualisé avec l'IA. La décision intervient après des résistances internes importantes — employés et investisseurs ont exprimé leurs inquiétudes quant aux effets néfastes que ce type de contenu pourrait avoir sur la société, en particulier les populations vulnérables. Ce recul s'inscrit dans un mouvement plus large de recentrage stratégique chez OpenAI. En décembre dernier, le PDG Sam Altman avait déclenché un "code rouge" interne pour concentrer les équipes sur les produits phares de l'entreprise. Dans ce sillage, OpenAI a également abandonné Sora, sa plateforme de génération vidéo par IA, invoquant des "discussions internes sur les priorités de recherche". Ces choix signalent une volonté de ne pas disperser les ressources sur des projets secondaires au moment où la concurrence avec Google, Anthropic et d'autres acteurs s'intensifie. La question du contenu adulte généré par IA reste cependant un marché en pleine expansion, avec des plateformes spécialisées comme Character.AI ou Replika qui s'y sont déjà engouffrées. OpenAI avait initialement envisagé ce segment comme une source de revenus supplémentaires face à ses coûts d'infrastructure colossaux. En y renonçant, la société fait le pari que la crédibilité institutionnelle et la confiance des entreprises clientes pèsent davantage que les gains potentiels d'un marché jugé trop risqué sur le plan réputationnel.

Productivité CMS : WordPress.com transforme les agents IA en véritables gestionnaires de contenu

WordPress.com a annoncé une mise à jour majeure de son intégration avec les agents d'intelligence artificielle, permettant désormais à des outils comme ChatGPT ou Claude d'effectuer des opérations d'écriture complètes sur les sites hébergés. Concrètement, ces agents peuvent créer de nouveaux articles, modifier du contenu existant, gérer les médias et administrer les paramètres du CMS — des capacités jusqu'ici réservées aux utilisateurs humains connectés via l'interface classique. Ce changement marque un tournant dans la manière dont les équipes éditoriales et les créateurs de contenu peuvent déléguer des tâches répétitives à l'IA. Un rédacteur peut désormais demander à son assistant IA de publier directement un billet, de corriger une série d'articles ou de réorganiser une taxonomie, sans quitter son environnement de travail. Pour les agences et les entreprises gérant plusieurs sites, le gain de productivité potentiel est considérable. Cette évolution s'inscrit dans la montée en puissance des agents autonomes capables d'interagir avec des systèmes tiers via des protocoles standardisés comme le MCP (Model Context Protocol) d'Anthropic. Automattic, la société derrière WordPress.com, rejoint ainsi un écosystème croissant de plateformes SaaS qui ouvrent leurs API aux agents IA — une tendance qui soulève également des questions sur la sécurité des accès et la gouvernance éditoriale automatisée.

OpenAI a mis Sora en retrait pour sa stratégie entreprise

OpenAI a décidé de mettre fin à Sora, son modèle de génération vidéo, malgré le succès viral rencontré lors de son lancement. L'application avait suscité un engouement massif du grand public, mais elle consomme une quantité considérable de ressources de calcul. La raison est stratégique : OpenAI cherche à se repositionner comme un fournisseur enterprise, ciblant les grandes entreprises plutôt que les consommateurs. Dans ce modèle, les projets gourmands en compute qui ne génèrent pas de revenus suffisants deviennent un frein. Sacrifier Sora permet de concentrer l'infrastructure sur des offres B2B rentables comme GPT-4o et les API professionnelles. Cette décision illustre la tension croissante entre l'image grand public d'OpenAI et ses ambitions commerciales, dans un contexte où la course aux ressources GPU s'intensifie face à des concurrents comme Anthropic et Google.

Le nouveau mode automatique de Claude Code cherche à équilibrer sécurité et rapidité

Anthropic a lancé un nouveau mode "Auto Mode" pour Claude Code, son outil de développement assisté par IA. Jusqu'ici, les développeurs devaient choisir entre approuver manuellement chaque action exécutée par l'outil ou désactiver complètement les vérifications de sécurité — deux extrêmes peu satisfaisants. Ce nouveau mode intermédiaire cherche à trouver le bon équilibre entre sécurité et fluidité d'utilisation. Il permettrait à Claude Code d'agir de façon autonome pour les opérations courantes, tout en sollicitant une confirmation humaine pour les actions potentiellement risquées. Claude Code s'inscrit dans la vague des agents de développement IA capables d'écrire, modifier et exécuter du code de façon semi-autonome. La question du contrôle humain est centrale dans ce secteur, où trop de friction freine l'adoption et trop d'autonomie pose des risques réels.

OpenAI prévoit de presque doubler ses effectifs d'ici 2026 pour accélérer son offensive sur le marché entreprise

OpenAI prévoit de presque doubler ses effectifs pour atteindre 8 000 employés d'ici fin 2026, dans le cadre d'une offensive majeure sur le marché de l'IA en entreprise. Ce secteur est aussi convoité par Anthropic, qui y gagne régulièrement du terrain.

OpenAI veut créer une « super-app » en fusionnant ChatGPT, Atlas, Sora et Codex au sein d’un seul et même logiciel

OpenAI envisage de fusionner ses principaux services — ChatGPT, Atlas, Sora et Codex — en une seule "super-app" unifiée. Cette décision stratégique intervient dans un contexte de concurrence accrue avec Anthropic. L'objectif est de regrouper l'ensemble de l'offre d'OpenAI au sein d'une unique application.

Le Mac devrait avoir droit à une application Gemini

Google travaille sur une application Mac native pour Gemini, comblant ainsi son retard face à la concurrence. Actuellement, les utilisateurs Mac doivent passer par un navigateur web pour accéder à Gemini, contrairement à OpenAI et Anthropic qui proposent déjà des applications macOS dédiées.

The Download : les nouveaux projets d'IA du Pentagone et les réacteurs nucléaires de nouvelle génération

Le Pentagone prépare des environnements sécurisés pour permettre à des entreprises d'IA comme Anthropic d'entraîner leurs modèles sur des données classifiées, notamment des rapports de surveillance et évaluations de champ de bataille — une évolution majeure qui soulève de nouveaux risques de sécurité. Par ailleurs, la prochaine vague de réacteurs nucléaires de nouvelle génération pose des défis inédits en matière de gestion des déchets radioactifs, avec une grande diversité de designs impliquant autant de types de déchets potentiels. Enfin, des sous-marins narco sans équipage, équipés de terminaux Starlink et de pilotes automatiques nautiques, pourraient transformer le trafic de cocaïne colombien en permettant d'acheminer de plus grandes quantités sur de plus longues distances sans risque de capture pour les passeurs.

Critiques sur les règles : Les employés dénoncent un xAI au ralenti en raison de l'agitation constante

Les employés d'xAI se plaignent de son échec dû à une instabilité constante, entraînant de nouvelles licenciements et l'arrivée de "résolveurs" de SpaceX et Tesla pour auditer la startup. Ce dernier revirement survient après le succès d'Anthropic et OpenAI avec leurs outils de codage en IA, qui ont bouleversé l'industrie du logiciel. Elon Musk intensifie la pression suite à l'acquisition d'xAI par SpaceX pour 1,25 milliard de dollars, visant un important listing boursier en juin. Musk vise à lancer des centres de données en IA dans l'espace, construire des usines sur la Lune et coloniser Mars.

Claude peut désormais créer des graphiques et visualisations interactifs directement dans le chat

Anthropic lance une nouvelle fonctionnalité bêta pour Claude : la génération de graphiques, diagrammes et visualisations interactifs directement dans la conversation. Cette capacité permet aux utilisateurs d'obtenir des représentations visuelles de données sans quitter l'interface de chat.

Kernels Personnalisés pour Tous, grâce à Codex et Claude

Titre: Puces personnalisées pour tous, grâce à Codex et Claude Résumé: Codex, issu de OpenAI, et Claude, développé par Anthropic, offrent désormais des noyaux personnalisables pour améliorer les performances des systèmes d'IA, permettant aux utilisateurs de moduler les paramètres en fonction de leurs besoins spécifiques.

Nous avons fait appel à Claude pour affiner un LLM open source

Titre: Nous avons fait appel à Claude pour affiner un grand langage modélisé à source ouverte Résumé: Claude, un système avancé de traitement du langage développé par Anthropic, a été utilisé pour améliorer un modèle de langage open source. Ce processus d'affinage a permis d'augmenter les performances du modèle, notamment dans la compréhension et la génération de texte.