Dossier Microsoft — page 4

Avec 3M, Microsoft accélère la course aux infrastructures qui feront tourner l’IA de demain

Microsoft et 3M ont annoncé le 15 juillet 2026 un partenariat stratégique autour des infrastructures d'intelligence artificielle. Selon le communiqué officiel, Azure deviendra le premier fournisseur de cloud hyperscale à déployer la technologie propriétaire Expanded Beam Optical (EBO) de 3M dans ses centres de données. En contrepartie, 3M intégrera les plateformes d'IA de Microsoft afin d'accélérer sa propre transformation numérique dans plusieurs fonctions de l'entreprise. Cette technologie de connectique optique utilise un faisceau élargi plutôt qu'un contact direct entre les fibres, ce qui limite les effets de la poussière et des contaminations lors de l'installation et de la maintenance des réseaux. Microsoft affirme que ses premiers déploiements internes ont permis de raccourcir les délais de mise en service du réseau dans certains environnements, sans toutefois communiquer de chiffres précis sur ces gains. Cet accord illustre un déplacement du terrain de compétition dans l'IA. Pendant longtemps, la rivalité entre géants technologiques s'est jouée sur les modèles génératifs et les puces de calcul, à l'image des processeurs Maia et Cobalt que Microsoft développe en interne pour ses centres de données, comme l'avait rapporté Reuters. Désormais, la fiabilité et la rapidité de déploiement des infrastructures physiques deviennent un enjeu tout aussi déterminant. Face à l'explosion des charges de travail liées à l'IA générative, chaque amélioration apportée à la connectivité, à la consommation énergétique ou à la fiabilité des équipements se traduit directement par des économies sur les coûts d'exploitation et par une mise en service plus rapide des nouvelles capacités de calcul. Pour les opérateurs de cloud comme pour leurs clients entreprises, cela signifie des services d'IA disponibles plus vite et potentiellement moins coûteux à faire tourner. Ce rapprochement s'inscrit dans une tendance plus large où les industriels traditionnels deviennent des partenaires stratégiques des géants du cloud. Face à la demande croissante des hyperscalers, 3M annonce augmenter ses capacités de production et poursuivre la standardisation de sa technologie via l'accord multi-sources EBO (MSA), dans l'objectif de favoriser son adoption par d'autres opérateurs de centres de données au-delà de Microsoft. Cette dynamique rappelle que la course à l'IA ne se limite plus aux laboratoires de recherche ou aux fabricants de semi-conducteurs : les fournisseurs de matériaux avancés, de connectique et de solutions industrielles pour data centers deviennent eux aussi des maillons critiques de la chaîne de valeur, alors que les besoins en capacité de calcul continuent de croître à un rythme soutenu.

Vision agents : créer une intelligence visuelle avec Amazon Bedrock et des serveurs MCP

L'entreprise technologique Amazon Web Services a présenté une nouvelle architecture combinant vision par ordinateur, agents IA et protocole standardisé MCP (Model Context Protocol) au sein d'Amazon Bedrock, sa plateforme de modèles génératifs. Baptisée Computer Vision MCP Server, cette solution s'appuie sur trois briques technologiques assemblées pour la première fois dans un pipeline unifié : Amazon Rekognition pour l'analyse d'images (détection d'objets, extraction d'éléments), Strands Agents, un framework open source pour construire des agents IA compatibles avec plusieurs fournisseurs de modèles, et le protocole MCP, qui standardise la connexion entre modèles d'IA et sources de données externes. L'ensemble repose sur une architecture centrée sur un rôle IAM (Identity and Access Management) unique servant de passerelle de sécurité, éliminant le besoin d'identifiants embarqués côté client, tandis qu'Amazon S3 gère le stockage des fichiers et Amazon OpenSearch permet l'indexation et la recherche dans les données. L'interface utilisateur, développée avec Streamlit, propose un chat permettant de choisir le modèle d'analyse, par défaut Claude 4 Sonnet en mode raisonnement, avec une alternative vers Claude 3.7 Sonnet. Les utilisateurs peuvent y importer des images (PNG, JPG, JPEG, GIF, WEBP) ou des vidéos (MP4, AVI, MOV, MKV, WEBM, MPEG4) jusqu'à 200 Mo, par glisser-déposer ou sélection manuelle. L'intérêt de cette approche réside dans la suppression d'un obstacle technique récurrent : la difficulté de faire communiquer entre eux des systèmes capables de voir, de raisonner et d'agir. Jusqu'ici, les développeurs devaient construire des intégrations complexes et coûteuses, multipliant les API et les connecteurs sur mesure pour chaque paire modèle/source de données, au prix de solutions souvent fragiles. En unifiant ces briques via une interface standardisée, AWS rend ces capacités accessibles à un plus large éventail d'applications et d'équipes techniques, sans expertise poussée en intégration système. Concrètement, un utilisateur peut téléverser une photo ou une vidéo, puis dialoguer avec l'agent pour obtenir un recadrage d'objets, une détection d'étiquettes ou une analyse détaillée du contenu, le tout piloté en langage naturel. Cette initiative s'inscrit dans une tendance de fond du secteur : le passage de modèles d'IA génératifs isolés vers des agents capables d'orchestrer plusieurs outils et sources de données de façon autonome. Le protocole MCP, popularisé notamment par Anthropic, s'impose progressivement comme un standard de facto pour connecter les grands modèles de langage à des systèmes tiers, et son adoption par AWS au sein de Bedrock illustre sa montée en puissance chez les grands fournisseurs cloud. Pour Amazon, l'enjeu est aussi concurrentiel face à Google Cloud et Microsoft Azure, qui développent des approches similaires d'agents multimodaux. Les prochaines étapes attendues concernent l'extension de cette architecture à d'autres cas d'usage sectoriels, comme la surveillance industrielle, le contrôle qualité ou l'analyse de contenus vidéo en temps réel.

Nadella critique OpenAI et Anthropic pour avoir interdit la distillation tout en s'entraînant sur les données des autres

Satya Nadella, PDG de Microsoft, a publiquement critiqué OpenAI et Anthropic pour ce qu'il qualifie de "paradoxe inversé de l'information". Selon lui, ces laboratoires s'appuient sur la doctrine du fair use pour entraîner leurs modèles sur des données publiques disponibles en ligne, tout en interdisant à des tiers de pratiquer la distillation de leurs propres modèles, c'est-à-dire l'extraction de connaissances d'un modèle pour en entraîner un autre moins coûteux. Nadella souligne également que ces entreprises continuent d'apprendre à partir des interactions de leurs clients, une pratique qu'il juge tout aussi problématique dans cette logique d'asymétrie. Cette prise de position n'est pas neutre pour l'industrie de l'intelligence artificielle. Nadella appelle les entreprises à reprendre le contrôle de leur propre infrastructure d'apprentissage plutôt que de dépendre des grands fournisseurs de modèles fermés. Un tel positionnement pourrait accélérer la tendance déjà observée vers l'hébergement de modèles propriétaires en interne, renforçant la méfiance des entreprises clientes envers les conditions d'utilisation imposées par OpenAI et Anthropic, notamment sur la protection de leurs propres données et modèles dérivés. Cette sortie s'inscrit dans un contexte de tensions croissantes autour de la propriété intellectuelle et des pratiques d'entraînement des grands modèles de langage, où les géants technologiques défendent des règles différentes selon qu'ils sont fournisseurs ou consommateurs de données. Microsoft, partenaire historique d'OpenAI mais aussi concurrent via Azure AI, n'est pas un acteur neutre dans ce débat: le groupe commercialise justement des solutions permettant aux entreprises de garder la maîtrise de leur infrastructure d'apprentissage. Cette déclaration pourrait relancer le débat réglementaire sur l'équité des pratiques de fair use dans l'IA, un sujet déjà scruté par les autorités américaines et européennes.

💬 Bon, sur le papier Nadella a raison, mais l'angle mort m'énerve : Microsoft vend justement les briques qui permettent de contourner OpenAI, donc ce n'est pas une leçon de morale, c'est du business déguisé. Reste que le constat tient : une boîte qui interdit la distillation de son modèle mais s'entraîne sans vergogne sur tout le web, elle demande aux autres une éthique qu'elle s'interdit à elle-même. Et ça, tôt ou tard, les régulateurs vont s'en servir contre elle.

Renforcement de l'inférence entreprise sur Amazon SageMaker HyperPod grâce à l'intégration de Hugging Face, NVMe et Route 53

Amazon vient d'enrichir SageMaker HyperPod, sa plateforme d'inférence pour l'intelligence artificielle générative en entreprise, avec plusieurs nouvelles fonctionnalités destinées à améliorer l'observabilité et la flexibilité du déploiement de modèles. La première nouveauté majeure est la capture de données d'inférence, qui permet d'enregistrer les requêtes et réponses à trois niveaux distincts du chemin d'inférence : au niveau du endpoint SageMaker AI, au niveau de l'Application Load Balancer (ALB), et au niveau du pod du modèle lui-même. Chaque niveau se configure indépendamment via une définition de ressource personnalisée (CRD) déclarative, avec un stockage des données capturées dans un bucket Amazon S3, chiffrement optionnel via AWS KMS, et réglages fins du taux d'échantillonnage, de la taille des lots et des limites de charge utile. Par exemple, le niveau du pod capture par défaut 100% des entrées et sorties, tandis que le niveau ALB active les journaux d'accès classiques incluant adresses IP clients, chemins de requêtes et latences. Autre avancée : le déploiement direct de modèles depuis des hubs communautaires comme Hugging Face, sans avoir à pré-charger les poids dans un espace de stockage objet ou fichier, avec prise en charge de l'accès restreint (gated), de l'épinglage de versions et de l'isolation des tokens, compatible avec les moteurs d'inférence vLLM, TGI et SGLang. Ces évolutions répondent à un besoin croissant des entreprises qui déploient des modèles de langage à grande échelle en production : pouvoir surveiller précisément ce qui transite dans leurs pipelines d'inférence, tout en réduisant les frictions opérationnelles. La possibilité de charger les poids d'un modèle directement depuis un stockage NVMe local au nœud de calcul réduit sensiblement la latence de démarrage à froid, un problème récurrent qui pénalise les applications d'IA nécessitant une mise à l'échelle rapide, avec un repli automatique vers le stockage cloud en cas de besoin. La gestion automatique des enregistrements DNS pour les domaines personnalisés via Route 53 simplifie par ailleurs le travail des équipes d'infrastructure, qui bénéficient également de permissions IAM granulaires au niveau de chaque pod pour renforcer les frontières de sécurité. Pour les équipes techniques, cela signifie livrer des applications d'IA plus rapidement sans sacrifier la gouvernance des données ni la visibilité opérationnelle, deux exigences de plus en plus scrutées à mesure que les modèles génératifs s'intègrent dans des processus métiers sensibles. Ces annonces s'inscrivent dans la course que se livrent les grands fournisseurs cloud, Amazon Web Services en tête, pour simplifier l'exploitation de modèles d'IA génératifs à grande échelle, un domaine où la complexité opérationnelle freine encore de nombreuses entreprises. HyperPod, lancé pour l'entraînement de modèles massifs, élargit ainsi son périmètre vers l'inférence de production, un segment où la concurrence avec Google Cloud et Microsoft Azure s'intensifie. L'intégration native avec Hugging Face illustre aussi la volonté d'AWS de faciliter l'accès aux modèles open source les plus populaires, sans complexité de préparation de l'infrastructure. À mesure que les entreprises multiplient les cas d'usage en production, la demande pour des outils d'audit, de traçabilité et de contrôle des coûts d'inférence devrait continuer de croître, poussant les fournisseurs cloud à approfondir ces capacités de gestion fine des workloads d'IA.

« Datalab Lift face à la concurrence : comment un extracteur à 9 milliards de paramètres, guidé par schéma, se compare à NuExtract3, LlamaExtract, Marker et Docling »

Datalab a lancé Lift, un outil d'extraction de documents qui promet une approche différente des solutions existantes. Le principe : on lui fournit un PDF ou une image accompagné d'un schéma JSON, et le modèle retourne directement les données structurées correspondantes, sans passer par une conversion intermédiaire en Markdown. Lift s'appuie sur un modèle de vision de 9 milliards de paramètres, capable de lire les images des pages rendues et de produire l'objet JSON final en une seule passe grâce à un décodage contraint par le schéma. Selon les benchmarks internes de Datalab, Lift atteint une précision de champs de 90,2%, contre 81,5% pour son principal concurrent open-weight, NuExtract3, développé par NuMind. Ce dernier, un modèle de 4 milliards de paramètres sous licence Apache-2.0, combine extraction structurée et conversion image-vers-Markdown, et cible des documents comme les factures, reçus, formulaires et contrats. Cette approche change la manière dont les entreprises peuvent construire leurs pipelines de traitement documentaire. Jusqu'à présent, la pratique dominante consistait à convertir un PDF en Markdown ou en texte structuré via des outils comme Docling, MinerU, Marker ou Unstructured, puis à envoyer cette représentation à un grand modèle de langage avec un schéma pour en extraire les champs utiles. Lift propose de fusionner ces deux étapes en une seule, ce qui réduit la complexité du pipeline lorsque l'objectif final est réellement l'extraction de champs précis, comme un numéro de facture, un nom de fournisseur ou une liste de lignes de commande, plutôt que la reconstruction fidèle du document dans son ensemble. Pour les équipes d'ingénierie qui traitent de gros volumes de documents visuellement complexes, cela peut se traduire par moins de composants à maintenir et une latence réduite, au prix d'une dépendance plus forte à un seul modèle propriétaire. Le marché de l'extraction documentaire par IA s'est considérablement densifié ces derniers mois, avec plusieurs catégories d'outils qui se chevauchent sans être toujours en concurrence directe. D'un côté, les parseurs comme Docling, MinerU, Marker, Unstructured, PyMuPDF ou Surya, qui produisent des représentations fidèles du document plutôt que des données applicatives. De l'autre, les extracteurs schéma-first comme Lift, NuExtract3, LlamaExtract, Reducto Extract ou Extend, ainsi que les géants du cloud comme Azure, Google et AWS avec leurs propres systèmes de compréhension documentaire. Des bibliothèques de génération structurée comme XGrammar, Outlines, Instructor ou BAML complètent cet écosystème en garantissant la conformité des sorties JSON. Face à ce paysage fragmenté, le choix entre Lift et ses alternatives dépendra moins de la performance brute que des priorités de chaque équipe : licence permissive, taille du déploiement local, ou besoin d'un modèle unique capable à la fois d'extraire et de convertir en Markdown.

Traduction concise et factuelle du sens réel

Le géant du cloud Amazon vient de détailler les bonnes pratiques pour entraîner des agents conversationnels multi-tours grâce à l'apprentissage par renforcement (RL) sur Amazon SageMaker AI. Ce nouveau service, baptisé SageMaker AI MTRL, permet d'entraîner des agents capables de résoudre des tickets de support ou de modérer du contenu à travers une séquence d'actions liées entre elles : lecture d'instructions, appels d'outils, analyse des résultats, prise de décision et correction d'erreurs avant de livrer une réponse finale. L'agent peut tourner sur Amazon Bedrock AgentCore, Amazon EKS, Amazon EC2, AWS Fargate ou toute autre infrastructure choisie par le développeur, connectée via un petit adaptateur qui expose la surface d'outils au serveur d'exécution. Le service embarque une bibliothèque native d'algorithmes incluant PPO, CISPO et plusieurs estimateurs d'avantage par groupe comme GRPO ou RLOO, ainsi qu'une exécution serverless facturée au token, sans gestion de clusters GPU à prévoir. Les exemples cités s'appuient sur SOP-Bench, un benchmark d'Amazon Science qui évalue la capacité des agents à suivre des procédures opérationnelles standard complexes dans douze secteurs d'activité différents. Cette annonce compte parce que l'entraînement par renforcement multi-tours est nettement plus délicat que l'entraînement mono-tour classique. Plus un agent dispose de façons d'agir, plus il existe de moyens détournés de satisfaire la fonction de récompense sans réellement accomplir la tâche demandée, ce qui peut corrompre silencieusement le signal d'apprentissage. Pour les entreprises qui développent des agents IA destinés à des usages métiers critiques comme le support client ou la modération, disposer d'un cadre fiable permettant de mesurer la réussite en dehors de la seule récompense, de suivre les trajectoires d'exécution tour par tour dans MLflow, et d'obtenir des rapports d'évaluation avant déploiement vers un endpoint SageMaker AI ou Amazon Bedrock représente un gain de temps et de fiabilité considérable. Cela réduit le risque de déployer des agents qui paraissent performants en entraînement mais échouent une fois confrontés à des situations réelles. Le contexte plus large est celui d'une course entre grands fournisseurs cloud pour industrialiser l'entraînement d'agents IA autonomes, alors que les entreprises cherchent à automatiser des tâches complexes à plusieurs étapes plutôt que de simples réponses ponctuelles. Amazon met l'accent sur la nécessité de construire des environnements d'entraînement isolés et reproductibles, où les appels d'outils suivent les mêmes schémas et logiques métier que la production mais restent déconnectés du trafic réel, notamment parce qu'une session d'entraînement type génère plusieurs milliers de trajectoires simulées. Cette approche s'inscrit dans une tendance de fond où les fournisseurs de cloud proposent de plus en plus d'infrastructures clé en main pour le fine-tuning et le RL d'agents, un terrain où Amazon Web Services affronte directement Google Cloud et Microsoft Azure, tandis que la fiabilité des environnements simulés et la conception des récompenses deviennent des enjeux techniques centraux pour la fiabilité des futurs agents d'entreprise.

Haleon signe un partenariat de cinq ans avec Microsoft pour accélérer sa transformation par l’IA

Haleon, le groupe de santé grand public propriétaire de marques comme Sensodyne, Voltaren et Centrum, a annoncé le 1er juillet 2026 la signature d'un partenariat stratégique de cinq ans avec Microsoft pour accélérer sa transformation numérique par l'intelligence artificielle. L'entreprise utilisait déjà Microsoft 365 Copilot, mais cet accord va nettement plus loin en faisant d'Azure la plateforme cloud de référence de Haleon et en plaçant l'écosystème IA de Microsoft au cœur de sa stratégie numérique. Le partenariat couvre plusieurs fonctions de l'entreprise : automatisation de tâches administratives, accélération de la recherche scientifique, personnalisation des contenus marketing, amélioration des prévisions commerciales et optimisation de la chaîne d'approvisionnement. Haleon prévoit aussi de s'appuyer sur les capacités d'IA dites agentiques de Microsoft, capables d'assister les équipes dans des processus complexes tout en restant gouvernées par les outils d'identité, de cybersécurité et de gouvernance des données du groupe américain. L'accord inclut par ailleurs le développement conjoint de nouveaux cas d'usage entre les deux entreprises. Cette annonce illustre un changement de statut de l'intelligence artificielle au sein des grandes entreprises internationales. Après une phase dominée par les expérimentations ponctuelles, les groupes privilégient désormais des engagements pluriannuels avec un fournisseur cloud unique plutôt que la multiplication de projets pilotes dispersés entre plusieurs plateformes. Pour Haleon, l'enjeu dépasse la simple productivité des équipes : il s'agit de bâtir une infrastructure de données capable de soutenir durablement l'innovation, la prise de décision et le développement de nouveaux produits, tout en répondant plus rapidement à l'évolution des attentes des consommateurs et à la demande mondiale. Cette approche répond aussi à une préoccupation croissante des entreprises qui déploient des assistants IA sur des données sensibles : la sécurité et la gouvernance deviennent aussi déterminantes que la performance des modèles eux-mêmes. Ce type de contrat à long terme s'impose progressivement comme un nouveau standard sur le marché de l'IA d'entreprise, permettant aux multinationales de moderniser leur infrastructure par étapes tout en limitant le nombre de fournisseurs technologiques à gérer. Pour Microsoft, l'accord avec Haleon consolide sa stratégie de différenciation face à ses concurrents cloud : plutôt que de se positionner comme simple fournisseur de logiciels ou de puissance de calcul, l'entreprise américaine se présente comme partenaire stratégique de transformation, en combinant dans une même offre le cloud, l'intelligence artificielle, la cybersécurité et la gouvernance des données. Ce partenariat s'inscrit dans une série d'accords similaires signés par Microsoft avec de grands groupes internationaux ces derniers mois, confirmant la bataille que se livrent les géants du cloud pour devenir l'infrastructure de référence de la transformation IA des entreprises, dans des secteurs aussi sensibles que la santé grand public.

Une tour à 15 274 €, deux GPU AMD et aucun abonnement cloud : on a testé l’IA locale à son maximum [Sponso]

Une configuration à 15 274 euros, assemblée sous un bureau et équipée de deux cartes graphiques AMD, a été testée pour évaluer ce qu'une machine dédiée à l'intelligence artificielle peut réellement accomplir en local, sans recourir au moindre service cloud. L'objectif de ce test, mené en collaboration avec AMD, était de faire fonctionner une chaîne complète de production logicielle d'IA, de l'entraînement à l'inférence, entièrement sur du matériel physique installé chez l'utilisateur. Le contenu a été produit par les rédacteurs indépendants de l'entité Humanoid xp, sans intervention de la rédaction de Numerama, dans le cadre d'un partenariat commercial clairement identifié. Cette démarche illustre un intérêt croissant pour les infrastructures d'IA locales, à contre-courant du modèle dominant fondé sur les abonnements aux plateformes cloud comme AWS, Azure ou Google Cloud. Pour les professionnels et les entreprises soucieux de maîtriser leurs coûts récurrents, leurs données sensibles ou leur dépendance à des fournisseurs tiers, une tour équipée de GPU AMD représente une alternative tangible, même si l'investissement initial reste conséquent. Cela change la donne pour les studios, les chercheurs ou les PME qui veulent expérimenter avec des modèles d'IA sans exposer leurs données à des serveurs externes ni subir la facturation à l'usage. Le marché du matériel dédié à l'IA locale s'est intensifié ces dernières années, porté par la demande de puissance de calcul pour l'entraînement et l'inférence de modèles toujours plus lourds. AMD y voit une opportunité de concurrencer Nvidia, acteur dominant du secteur, en misant sur des configurations multi-GPU accessibles aux particuliers avertis et aux petites structures. Ce type de démonstration commerciale s'inscrit dans une bataille plus large pour convaincre les utilisateurs que l'IA locale peut rivaliser, en performance comme en autonomie, avec les offres cloud des géants du secteur.

💬 Une tour à 15 000 balles pour causer IA sans dépendre du cloud, c'est le genre de démo commerciale qu'on regarde avec un sourcil levé, financée par AMD pour vendre du multi-GPU. Mais le vrai signal derrière, c'est que le prix d'entrée pour sortir du modèle abonnement-cloud devient un calcul économique sérieux, pas juste un fantasme de geek paranoïaque des données. Reste à voir si une PME normale a vraiment besoin de ça, parce que pour la plupart, un bon abonnement API reste largement moins cher que d'amortir une tour à cinq chiffres.

Memora : une représentation mémorielle harmonique entre abstraction et précision

Des chercheurs de Microsoft ont présenté Memora à la conférence ICML 2026, un système de mémoire scalable conçu pour les agents IA opérant sur des tâches longues durées. Publiés en open source sur GitHub sous le compte Microsoft, les travaux montrent que Memora établit de nouveaux records sur les benchmarks LoCoMo et LongMemEval, surpassant des systèmes existants comme Mem0, les approches RAG classiques et l'inférence en contexte complet, tout en consommant jusqu'à 98 % moins de tokens de contexte. Le principe central du système est de dissocier ce qui est stocké, c'est-à-dire un contenu riche et expressif comme une chronologie de projet ou une discussion multi-tours, de la manière dont ce contenu est récupéré, via une couche structurelle légère composée d'abstractions et d'ancres de rappel. L'enjeu est considérable pour quiconque utilise ou développe des assistants IA dans des contextes professionnels. Les grands modèles de langage actuels sont fondamentalement apatrides : chaque session repart de zéro, chaque longue conversation oblige le modèle à relire l'intégralité de son historique, et chaque nouvelle information est soit stockée telle quelle sous forme de texte brut fragmenté, soit compressée en résumé vague qui efface les détails précis. Pour un copilote qui suit un projet pendant plusieurs mois, ou un agent de recherche qui accumule une expertise sur le long terme, cette absence de mémoire structurée est devenue le principal goulot d'étranglement. Memora résout ce problème en permettant à un agent de naviguer dans son propre historique sans tout relire, en consolidant les informations liées en unités stables et en restituant les détails fins uniquement quand ils sont pertinents. Les approches existantes buttaient toutes sur la même contradiction fondamentale entre spécificité et abstraction. Les systèmes orientés fragmentation de contenu, comme RAG ou Mem0, préservent le détail mais produisent des entrées isolées qui perdent toute cohérence narrative. Les systèmes de compression résument l'expérience en blocs compacts mais sacrifient les contraintes, cas limites et chiffres précis qui rendent une mémoire réellement utile. Les systèmes à base de graphes comme Zep ou GraphRAG ajoutent de la structure mais restent dépendants d'ontologies rigides qui ne se généralisent pas d'un domaine à l'autre. Memora s'inscrit dans une dynamique plus large où l'industrie cherche à doter les agents autonomes d'une continuité cognitive réelle, condition nécessaire pour passer du chatbot ponctuel à l'assistant capable de gérer des missions complexes s'étalant sur des semaines ou des mois. La publication du code en open source suggère que Microsoft entend positionner ce système comme une brique fondamentale de l'écosystème d'agents IA en pleine structuration.

HP Inc. dévoile Frontier, son partenariat avec OpenAI pour intégrer l’IA aux ordinateurs professionnels

HP Inc. a officialisé le 29 juin 2026 un partenariat stratégique avec OpenAI pour déployer la plateforme Frontier à l'ensemble de ses activités mondiales. Ce rapprochement, fruit de plusieurs mois d'expérimentation débutée en février 2026, vise à intégrer l'IA au cœur des produits, des services clients et des opérations internes du fabricant américain. Concrètement, HP prévoit de déployer Frontier sur ses canaux de vente en magasin, chez les revendeurs, ainsi que via le chat et le téléphone, afin d'accélérer les réponses et de réduire les délais de traitement. En parallèle, le groupe développe une nouvelle génération de PC professionnels capables d'exécuter des charges de travail IA directement sur l'appareil, avec des composants matériels dédiés à l'inférence continue, sans dépendre systématiquement du cloud. OpenAI affirme que des ingénieurs HP ont déjà automatisé le traitement de dizaines de projets logiciels lors des pilotes, et que des équipes de cybersécurité ont réduit de plusieurs semaines à une seule journée certaines tâches de correction. L'enjeu de ce partenariat dépasse la simple intégration d'un outil supplémentaire. HP ambitionne de fédérer l'ensemble de ses systèmes internes autour d'une couche d'IA commune, en s'appuyant notamment sur sa plateforme Workforce Experience Platform pour analyser les données de télémétrie et améliorer la productivité de ses collaborateurs. Cette approche unifiée tranche avec la tendance habituelle à empiler des solutions isolées, et positionne HP parmi les premiers grands industriels à adopter Frontier comme socle opérationnel de sa transformation numérique. Pour les entreprises clientes, cela signifie potentiellement des appareils professionnels qui ne se contentent plus de faire tourner des applications, mais qui intègrent nativement des agents intelligents dans les flux de travail quotidiens. Ce partenariat s'inscrit dans une compétition intense entre les fabricants de PC pour imposer leur vision de l'ordinateur professionnel de la prochaine génération. Depuis l'émergence des PC estampillés "Copilot+" par Microsoft et ses partenaires en 2024, l'ensemble du secteur cherche à différencier le matériel par la puissance IA embarquée. HP, qui avait jusqu'ici misé sur des partenariats plus discrets avec des fournisseurs de modèles, franchit un cap en s'alliant directement avec OpenAI, le leader du secteur. La question centrale reste celle de la validation à grande échelle : les gains spectaculaires annoncés lors des pilotes, encore limités à quelques équipes, devront être reproduits dans des déploiements impliquant des dizaines de milliers de collaborateurs pour confirmer la solidité industrielle du dispositif.

Créer un assistant de recherche sur les protéines avec Amazon Bedrock AgentCore

Amazon Web Services a publié un guide technique détaillant la construction d'un assistant conversationnel dédié à la recherche sur les protéines, baptisé "protein research copilot", reposant sur Amazon Bedrock AgentCore. Le système permet aux chercheurs de soumettre des requêtes en langage naturel, par exemple "Trouve 10 peptides similaires au peptide du virus de la dengue LPAIVREAI", et d'obtenir automatiquement des résultats de similarité structurelle accompagnés d'une synthèse scientifique générée par IA. L'architecture s'appuie sur le SDK Strands Agents pour orchestrer trois outils spécialisés au sein d'un agent unique : un parseur de requêtes, un moteur de recherche vectorielle, et un summariseur. Les embeddings protéiques sont calculés via le modèle ESM-C 300M déployé comme endpoint serverless sur Amazon SageMaker AI, puis comparés par similarité cosinus dans une base Amazon Aurora PostgreSQL avec l'extension pgvector. L'interface utilisateur tourne sur AWS Fargate via Streamlit, et le modèle de langage central est Claude Sonnet 4.6 d'Anthropic, accessible via l'API Bedrock Converse. Ce type d'outil répond à un problème concret dans les laboratoires de biologie computationnelle : la recherche manuelle de peptides structurellement similaires parmi des milliers de séquences est lente, sujette aux erreurs, et exige une expertise pointue pour interpréter les résultats. En automatisant l'ensemble du pipeline, de la formulation de la question à la synthèse des résultats, le copilote réduit drastiquement le temps passé sur des tâches répétitives et rend la recherche accessible à des profils moins spécialisés en bioinformatique. Le pattern "LLM-as-parser" utilisé pour extraire des paramètres structurés depuis du langage naturel est directement réutilisable dans d'autres domaines scientifiques où les données sont complexes et la formulation des requêtes peu standardisée. Cette publication s'inscrit dans la stratégie d'AWS de positionner Bedrock AgentCore comme plateforme de référence pour déployer des agents IA en production, face à des concurrents comme Google Vertex AI ou Microsoft Azure AI Studio. Le secteur biotech et pharmaceutique représente une cible prioritaire : la recherche sur les épitopes viraux, le dataset utilisé ici est celui de l'IEDB (Immune Epitope Database), est au coeur du développement de vaccins et de thérapies antivirales. Le modèle ESM-C, développé par EvolutionaryScale, est l'un des modèles de langage protéique les plus performants du moment. Le déploiement complet est estimé entre 30 et 45 minutes, mais implique des coûts sur Bedrock, SageMaker, Aurora Serverless v2 et Fargate qu'AWS invite explicitement à consulter avant de lancer l'infrastructure. Les prochaines étapes naturelles seraient l'intégration de bases de données protéiques publiques comme UniProt ou PDB, et l'extension à d'autres types de molécules biologiques.

☕️ Projet Myna : Canonical confirme la reconnaissance vocale en local dans Ubuntu 26.10

Canonical a officiellement présenté le 17 juin le projet Myna, une initiative visant à intégrer la dictée vocale nativement dans Ubuntu Desktop. Prévu pour Ubuntu 26.10, dont la sortie est attendue en octobre 2026, ce système fonctionnera entièrement en local, sans recours à un serveur distant ni à une connexion internet. Le nom Myna fait référence au mainate religieux, un oiseau réputé pour imiter la parole humaine. Dans sa première version, le principe est volontairement simple : l'utilisateur déclenche l'écoute via un raccourci clavier, prononce son texte, et celui-ci s'insère directement dans le champ actif de n'importe quelle application. Cette version initiale ciblera Ubuntu Desktop sous Wayland avec l'environnement GNOME, mais Canonical précise que l'architecture sera conçue pour accueillir d'autres environnements de bureau par la suite. Un dépôt GitHub a été ouvert pour recueillir des retours, même si seule de la documentation y figure pour l'instant. L'enjeu central de Myna est la confidentialité. L'audio capturé par le microphone est effacé de la mémoire immédiatement après traitement, rien n'est transmis à des serveurs, et le micro ne s'active qu'à la demande explicite de l'utilisateur via le raccourci clavier. Pour les professionnels, journalistes, développeurs ou personnes à mobilité réduite qui dictent du texte au quotidien, disposer d'une solution souveraine et offline dans leur système d'exploitation représente un changement de paradigme concret. Jusqu'ici, les solutions de dictée vocale fiables sous Linux reposaient soit sur des services cloud comme Google ou Azure, soit sur des outils tiers complexes à configurer. L'intégration native dans Ubuntu simplifie radicalement l'accès à cette fonctionnalité pour des millions d'utilisateurs. Ce projet s'inscrit dans une stratégie d'IA plus large que Canonical développe depuis plusieurs mois. L'éditeur d'Ubuntu distingue deux grandes familles d'IA : l'IA implicite, qui améliore discrètement des fonctions existantes comme l'autofocus webcam ou la qualité du microphone, et l'IA explicite, que l'utilisateur invoque consciemment. La dictée vocale est la première fonction explicite annoncée, mais elle ouvre la voie à d'autres intégrations d'inférence locale. Cette orientation est cohérente avec une tendance de fond dans l'industrie : après des années de dépendance au cloud pour l'IA, les grands acteurs logiciels, d'Apple avec ses modèles on-device à Microsoft avec Copilot+ PC, misent désormais sur des modèles légers exécutables directement sur le matériel de l'utilisateur. Canonical prend ainsi position dans cette compétition, avec l'avantage différenciateur d'une approche open source et tournée vers la vie privée.

Copilot a fouillé vos emails, LiteLLM a exposé des clés admin : faites cet audit en 5 points

En l'espace de deux semaines, quatre équipes de recherche ont révélé des failles critiques dans des outils d'IA d'entreprise, mettant à nu un même défaut structurel. Le 15 juin 2026, Varonis a divulgué SearchLeak (CVE-2026-42824), une chaîne d'exfiltration silencieuse dans Microsoft 365 Copilot Enterprise Search : un utilisateur clique sur une URL piégée hébergée sur microsoft.com, Copilot effectue une recherche dans sa propre boîte mail, et les données quittent le périmètre via un SSRF Bing, sans plugin, sans second clic, sans aucun indicateur visible. Quatre jours plus tôt, Obsidian Security avait publié une chaîne de trois CVE contre LiteLLM, une passerelle proxy qui centralise les accès à OpenAI, Anthropic, Azure et Bedrock. CVE-2026-47101 permet à un compte non-administrateur de générer une clé API universelle ; CVE-2026-47102 élève ce compte au rang d'administrateur via un endpoint non protégé ; CVE-2026-40217 permet une évasion du sandbox par exécution de code arbitraire. La chaîne combinée est scorée à CVSS 9.9. S'y ajoute CVE-2026-42271, une injection de commande dans les endpoints MCP de LiteLLM, inscrite sur la liste CISA KEV le 8 juin avec échéance de remédiation au 22 juin. Langflow a simultanément vu CVE-2026-5027 exploitée activement dès le 9 juin : une traversée de chemin dans l'upload de fichiers combinée à une auto-connexion activée par défaut ouvre une exécution de code à distance sans authentification sur environ 7 000 instances exposées, avec attribution à MuddyWater. Ces vulnérabilités révèlent un problème de fond identique : les outils IA d'entreprise acceptent des entrées externes sans frontière de confiance. Dans le cas de Copilot Enterprise Search, l'étendue est particulièrement préoccupante puisque l'outil hérite des droits organisationnels complets de l'utilisateur, exposant potentiellement l'ensemble de ce qu'il peut atteindre. Pour LiteLLM, compromettre la passerelle revient à obtenir simultanément toutes les clés de fournisseurs d'une organisation. Avec plus de 40 000 étoiles sur GitHub et des milliers de déploiements en entreprise, l'exposition est massive. L'exploitation active de Langflow par un acteur étatique iranien sur des milliers d'instances illustre la rapidité avec laquelle ces failles sont weaponisées après divulgation. Ces incidents s'inscrivent dans une tendance plus large. SearchLeak est la troisième chaîne d'exfiltration Copilot publiée par Varonis en douze mois, après Reprompt en janvier 2026 et EchoLeak en 2025, chaque fois avec un périmètre élargi. LiteLLM avait déjà été compromis en mars 2026 via une attaque supply chain qui avait backdooré les versions 1.82.7 et 1.82.8 sur PyPI. La campagne Mini Shai-Hulud a confirmé la viralité du vecteur : après la publication du code source d'un ver le 12 mai, des variantes ont compromis 32 packages npm de Red Hat Cloud Services le 1er juin, des packages téléchargés 80 000 fois par semaine. Le schéma est systémique : à mesure que l'IA s'intègre dans les infrastructures critiques, chaque couche de la chaîne, modèle, proxy, orchestrateur, dépendances, devient un vecteur d'attaque potentiel que les périmètres de confiance traditionnels ne couvrent pas.

Microsoft vend les modèles OpenAI en Chine, OpenAI et Anthropic refusent

Microsoft est devenu, discrètement mais significativement, le principal fournisseur de modèles OpenAI en Chine. Selon une enquête de Bloomberg publiée cette semaine, les plus grandes entreprises internet chinoises achètent les modèles GPT via Azure, la plateforme cloud de Microsoft, alors qu'OpenAI et Anthropic refusent de commercialiser leurs technologies directement dans le pays, invoquant des risques de détournement de propriété intellectuelle. ByteDance, la maison mère de TikTok, est le plus grand client IA de Microsoft dans le monde, et devrait dépenser plus d'un milliard de dollars par an en services cloud et IA Microsoft. Ant Group, Meituan et Tencent font également partie des acheteurs. En interne, la croissance est célébrée : les revenus IA d'Azure en Chine ont environ triplé sur l'exercice fiscal clos en juin 2025, après une hausse de 400 % l'année précédente. Judson Althoff, alors directeur commercial, a présenté Microsoft comme la seule entreprise capable de "relier les deux pôles" de l'IA mondiale, soit la côte ouest américaine et la Chine. Cette situation place Microsoft dans une position géopolitique et commerciale inédite : l'entreprise encaisse la marge des deux côtés d'une frontière technologique que ses propres partenaires refusent de franchir. Le contrat singulier liant Microsoft à OpenAI lui permet de fixer ses propres conditions pour revendre les modèles GPT à l'étranger, ce qu'OpenAI ne fait pas lui-même. Mais cette position soulève des questions concrètes sur le contrôle des usages : OpenAI a en privé demandé à Microsoft de mieux surveiller la pratique de "distillation", technique consistant à utiliser les sorties d'un modèle pour en entraîner un autre. Microsoft affirme se limiter aux entreprises établies et s'appuyer sur une surveillance automatisée, mais des sources proches du dossier indiquent qu'aucune vigilance particulière n'est exercée sur les clients chinois, et que les données synthétiques générées restent difficiles à tracer. Le paradoxe s'approfondit lorsqu'on examine la stratégie globale de Microsoft. D'un côté, la société vend des modèles américains en Chine. De l'autre, elle a ajouté DeepSeek R1 à Azure AI Foundry en janvier 2025 et teste actuellement une version affinée de DeepSeek-V4 pour alimenter son agent d'entreprise Copilot Cowork, aujourd'hui propulsé par OpenAI et Anthropic. Microsoft vend donc aussi un modèle chinois à ses clients occidentaux, captant la marge sur les deux jambes du commerce. Cette acrobatie s'inscrit dans un contexte politique tendu : à Washington, des élus considèrent la poussée IA chinoise comme une menace directe pour l'industrie américaine, et la part du marché chinois représentait environ 1,5 % du chiffre d'affaires de Microsoft en 2024 selon Brad Smith, son président. La pression pourrait s'intensifier si OpenAI décide de rendre publiques ses objections, jusqu'ici discrètes.

Adobe dévoile Brand Visibility pour le GEO

Adobe a lancé Brand Visibility, une nouvelle solution destinée à aider les entreprises à mesurer et améliorer leur présence dans les réponses générées par les assistants IA comme ChatGPT, Perplexity ou Microsoft Copilot. L'outil combine les données de Semrush, partenaire de référence en analyse SEO, avec les capacités de la plateforme Adobe LLM Optimizer, déjà intégrée à Adobe Experience Manager. La solution s'appuie sur une base de près de 300 millions de requêtes réelles issues des principales plateformes conversationnelles pour fournir aux équipes marketing une vision précise de leur visibilité dans cet écosystème. Des indicateurs concrets sont proposés : fréquence des citations, part de visibilité par thématique, et comparaison directe avec les concurrents sur des requêtes identifiées. Des agents IA analysent ensuite ces données et génèrent des recommandations priorisées, applicables directement depuis la plateforme, avec une transmission automatique aux modèles d'IA et aux contenus web. L'enjeu est considérable. Entre octobre 2024 et mai 2026, le trafic provenant des interfaces IA vers les sites de e-commerce américains a progressé de 1 324 %, et de 2 215 % dans le secteur du tourisme. Ces chiffres, avancés par Adobe, illustrent la vitesse à laquelle les assistants conversationnels s'imposent comme un nouveau canal d'acquisition. Comme le souligne Anil Chakravarthy, président de l'activité Customer Experience Orchestration chez Adobe, une part croissante des consommateurs interagit désormais avec une IA avant même de visiter directement le site d'une marque. Pour les équipes marketing, cela signifie qu'une absence dans les réponses de ChatGPT ou Copilot peut se traduire par une perte de trafic et de revenus, sans même que la marque en soit consciente. Brand Visibility vise précisément à rendre ce phénomène mesurable et actionnable. Ce lancement s'inscrit dans une tendance de fond : l'émergence du GEO, le Generative Engine Optimization, en miroir du SEO traditionnel. Depuis l'explosion des modèles de langage grand public, les entreprises spécialisées en référencement cherchent à adapter leurs outils à ces nouveaux points de contact. Adobe, dont la plateforme Experience Cloud cible les grandes entreprises, se positionne ainsi en acteur incontournable de cette transition, en intégrant la dimension IA directement dans ses outils de gestion de l'expérience client. La collaboration avec Semrush, qui dispose d'une des plus grandes bases de données de requêtes au monde, renforce la crédibilité de l'approche. La capacité annoncée à relier les optimisations réalisées à des résultats commerciaux mesurables, réservations ou chiffre d'affaires, sera déterminante pour convaincre des directions marketing encore sceptiques sur la maturité du GEO comme levier stratégique.

La promesse d’une « IA pour tous » au service du bien commun a du plomb dans l’aile

La suspension soudaine, par Anthropic, de ses deux modèles les plus avancés, Mythos 5 et sa version grand public Fable 5, a provoqué une onde de choc bien au-delà du cercle des utilisateurs directement affectés. En quelques jours, le Conseil de l'IA et du Numérique a publié une note qualifiant l'événement de « point de bascule » et affirmant que « la menace sur l'autonomie numérique européenne n'est plus une hypothèse, elle est devenue une réalité tangible ». Le Conseil, co-présidé par Anne Bouverot (ex-Orange, présidente du conseil d'administration de l'ENS) et Guillaume Poupard (ex-directeur général de l'ANSSI, aujourd'hui CTO d'Orange), souligne que la coupure a touché l'ensemble des clients, partout dans le monde, sans distinction, comme l'avait déjà fait Adobe en octobre 2019, lorsque la société avait suspendu ses services au Venezuela sur ordre de l'administration Trump, empêchant même l'ouverture de documents PDF. Ce que cet épisode révèle, c'est la matérialisation d'un risque longtemps théorisé : le kill switch. La question se posait déjà autour de S3ns et Bleu, les deux offres de cloud souverain français adossées aux infrastructures de Google et Microsoft. S3ns, certifié SecNumCloud par l'ANSSI, estime pouvoir fonctionner quelques mois sans mises à jour depuis les États-Unis ; Bleu revendique une capacité d'autarcie d'environ un an, avec la possibilité de proposer des liaisons directes à ses clients pour fonctionner totalement isolé d'Internet. Mais la coupure d'Anthropic va plus loin : ce ne sont plus de simples outils logiciels qui disparaissent, ce sont des modèles de langage devenus centraux dans des workflows professionnels entiers. Le cas Nicolas Guillou, juge français à la Cour pénale internationale privé d'accès aux services numériques américains, illustre jusqu'où peut aller cette dépendance. Pour le Conseil de l'IA, cet événement s'inscrit dans une stratégie d'endiguement technologique américaine plus large, « jusqu'ici principalement incarnée par les restrictions à l'exportation des puces NVIDIA les plus performantes » vers la Chine. Washington entend éviter un nouveau « moment DeepSeek », soit l'émergence d'une alternative non américaine capable de rivaliser. Les LLM ne sont plus perçus comme de simples services en ligne mais comme des actifs stratégiques, au même titre que les semi-conducteurs ou les réseaux télécoms. L'Europe, encore largement dépourvue de modèles fondateurs de premier rang à l'échelle mondiale, se retrouve dans une position de dépendance structurelle que cette coupure a rendue impossible à ignorer, et que ni S3ns, ni Bleu, ni aucune certification nationale ne peuvent, seuls, résoudre.

AT&T limite l'usage de l'IA de certains salariés avec l'essor du "tokenminimizing

AT&T a commencé à restreindre l'accès de certains employés à GitHub Copilot de Microsoft, selon une source interne à l'entreprise. Meta a également mis en place des limites sur les dépenses d'IA de ses salariés pour des services comme ceux d'Anthropic et d'autres fournisseurs. Uber et Walmart ont eux aussi plafonné l'utilisation des outils d'IA dédiés au développement logiciel, selon Bloomberg. Amazon, de son côté, a supprimé son classement interne qui établissait un palmarès des employés selon leur niveau de consommation d'IA. Un phénomène suffisamment généralisé pour que l'on parle désormais de "tokenminimizing", en opposition au "tokenmaxxing" qui régnait encore il y a quelques mois. Ce virage marque un tournant significatif dans la façon dont les grandes entreprises américaines perçoivent l'IA au quotidien. Après une période d'enthousiasme débridé où les outils génératifs étaient présentés comme des leviers de productivité illimités, les directions financières font face à une réalité budgétaire concrète : les coûts d'inférence s'accumulent rapidement à l'échelle de milliers d'employés, et le retour sur investissement reste difficile à mesurer. Pour les salariés, ces restrictions signifient moins d'autonomie dans le choix des outils, et potentiellement un ralentissement de certains workflows devenus dépendants de l'assistance IA. Il y a quelques mois à peine, Meta encourageait une dynamique inverse : ses employés se livraient à une compétition informelle pour consommer le plus de tokens possible, dans une logique d'"utilisation maximale" des capacités offertes. Ce renversement brutal illustre la tension croissante entre les promesses de productivité portées par les éditeurs d'IA et la pression exercée par les investisseurs sur les coûts opérationnels des Fortune 500, d'Uber à Snowflake en passant par ServiceNow. Le PDG de Box, Aaron Levie, s'est démarqué en affirmant n'avoir jamais mis en place de classements ni encouragé le tokenmaxxing. Sa prudence originelle ressemble aujourd'hui à de la sagesse anticipée.

Faille critique dans Copilot : des pirates pouvaient voler les codes 2FA des utilisateurs

Microsoft a corrigé mardi dernier une faille de sécurité classée critique au niveau maximal dans sa plateforme d'IA M365 Copilot. Le lundi suivant, les chercheurs ayant découvert et signalé la vulnérabilité ont dévoilé le détail de leur exploit : leur preuve de concept permettait de récupérer des codes d'authentification à deux facteurs (2FA) ainsi que d'autres données sensibles contenues dans les e-mails accessibles à Copilot. Concrètement, un attaquant pouvait injecter des instructions malveillantes dans un contenu externe, par exemple un e-mail ou un document, que Copilot était amené à traiter, et l'IA exécutait ces instructions à l'insu de l'utilisateur. Le problème révélé ici dépasse le simple bug logiciel : il touche à une limite fondamentale des grands modèles de langage. Ces systèmes sont structurellement incapables de distinguer les instructions légitimes d'un utilisateur des instructions malveillantes glissées dans un contenu tiers qu'ils analysent ou résument. Cette catégorie d'attaque, connue sous le nom de prompt injection indirect, expose potentiellement des millions d'utilisateurs professionnels qui confient à Copilot l'accès à leurs boîtes mail, leurs documents et leurs données d'entreprise. Un acteur malveillant peut ainsi exfiltrer discrètement des informations confidentielles sans que l'utilisateur ne remarque quoi que ce soit. Pour contourner les garde-fous mis en place par Microsoft, les chercheurs ont utilisé des langages de balisage permettant d'ajouter des liens et du formatage sans recourir à HTML brut, ou ont encapsulé des données sensibles dans des balises HTML comme ` ou `. Dans les deux cas, une requête web contenant les données volées est envoyée automatiquement vers un serveur contrôlé par l'attaquant, qui les récupère dans ses journaux de connexion. Microsoft comme ses concurrents se retrouvent ainsi à construire des protections complexes et improvisées pour contenir les effets d'une faille architecturale qu'ils ne peuvent pas corriger à la racine.

💬 La prompt injection, c'est pas nouveau, mais là ça touche des boîtes mail pro avec les codes 2FA et c'est une autre échelle. Microsoft a patché ce cas précis, mais le vrai problème, qu'un LLM ne peut pas distinguer tes instructions d'une instruction planquée dans un doc piégé, ça personne ne peut le corriger vraiment. Reste à voir combien de variantes traînent encore.

OpenAI acquiert Ona pour renforcer les agents IA de Codex

OpenAI a annoncé le 11 juin 2026 son intention d'acquérir Ona, une société spécialisée dans les environnements cloud sécurisés pour agents logiciels. L'objectif est d'intégrer la technologie d'Ona directement au sein de Codex, l'assistant de développement d'OpenAI, afin de lui permettre d'exécuter des tâches complexes sur des durées allant de plusieurs heures à plusieurs jours, y compris lorsque l'ordinateur de l'utilisateur est éteint. Codex compte déjà plus de 5 millions d'utilisateurs hebdomadaires, un chiffre en hausse de 400 % depuis le début de l'année 2026. Quelque 2 millions de développeurs ont par ailleurs utilisé les technologies d'Ona pour travailler dans des environnements cloud sécurisés et mutualisés. À l'issue du rachat, l'équipe d'Ona rejoindra directement l'équipe Codex chez OpenAI. Cette acquisition marque un tournant dans la manière dont les agents IA seront déployés en entreprise. Jusqu'ici, les agents fonctionnaient principalement à l'échelle d'une session utilisateur. Avec les environnements persistants d'Ona, un utilisateur pourra lancer une tâche, fermer son ordinateur, et retrouver l'avancement du travail plus tard, tout en conservant le contrôle sur les décisions critiques. Pour les organisations, l'enjeu dépasse la simple performance du modèle : il s'agit désormais de garantir la gouvernance, la gestion des accès et des identifiants, la journalisation des activités et la validation des actions réalisées par les agents. Les agents pourront opérer directement dans le cloud du client, pendant qu'OpenAI fournit l'intelligence et l'orchestration, permettant aux entreprises de conserver la maîtrise de leurs données sans brider les capacités de Codex. Initialement conçu pour assister les développeurs dans l'écriture de code, Codex s'est imposé comme un outil bien plus transversal, mobilisé aujourd'hui pour la recherche d'informations, l'analyse de données, la création de contenu et l'automatisation de processus métiers. Le marché des agents IA entre dans une phase d'industrialisation : après les expérimentations, les entreprises cherchent des solutions intégrables en production, conformes à leurs exigences réglementaires et de sécurité. Ona apporte précisément cette expertise, développée sur plusieurs années en aidant des équipes à migrer leurs workflows depuis des machines locales vers des infrastructures cloud reproductibles. Face à des concurrents comme Microsoft Copilot ou les agents de Google DeepMind qui avancent sur le même terrain, OpenAI consolide ainsi sa position en dotant Codex d'une couche d'exécution sécurisée et persistante, indispensable pour convaincre les grands comptes de passer à l'échelle.

Les agents IA de codage trouvent le bon fichier mais passent à côté des lignes essentielles, selon une étude

Les agents de codage dopés à l'intelligence artificielle, comme Claude Code d'Anthropic ou Codex d'OpenAI, souffrent d'un angle mort précis : ils localisent correctement le fichier contenant un bug, mais ratent la majorité des lignes critiques à l'intérieur de ce fichier. C'est ce que révèle SWE-Explore, un nouveau benchmark conçu spécifiquement pour évaluer la phase d'exploration du code, c'est-à-dire la recherche et la navigation dans une base de code, séparément de la phase de correction proprement dite. C'est une première dans l'évaluation des outils de développement automatisé. Ce découplage entre exploration et réparation change la façon d'interpréter les performances des agents de codage. Jusqu'ici, les benchmarks dominants comme SWE-bench mesuraient uniquement le résultat final : le bug est-il corrigé ou non ? SWE-Explore montre qu'un agent peut échouer non pas parce qu'il ne sait pas corriger le code, mais parce qu'il n'a pas identifié les bonnes lignes à modifier. Sans contexte suffisant, même le meilleur algorithme de correction produit un patch inutile. Les développeurs qui s'appuient sur ces outils en production s'exposent donc à des corrections en apparence valides mais ciblant les mauvaises sections. Ce travail s'inscrit dans une dynamique de remise en question des métriques utilisées pour comparer les agents de développement. L'industrie investit massivement dans ces outils, GitHub Copilot, Cursor, Devin, et les entreprises les vendent sur des taux de résolution de tickets. SWE-Explore suggère que ces chiffres masquent une faiblesse structurelle en amont : la compréhension fine d'une base de code existante reste un problème ouvert, et le résoudre conditionne tout le reste.

💬 Ça explique des trucs que j'ai vécus : le patch arrive, il compile, les tests passent, et pourtant le bug est toujours là parce que l'agent a retouché le mauvais endroit. SWE-Explore met le doigt dessus avec rigueur, en séparant la phase de navigation de la phase de correction, ce qui n'avait jamais été fait proprement. Les éditeurs vont devoir intégrer ça dans leurs benchmarks marketing, parce que vendre sur des taux de résolution de tickets quand la moitié du problème est en amont, c'est se raconter des histoires.

Traiter des PDF et en extraire des insights : concevoir un pipeline intelligent avec les services IA générative d'AWS

Amazon Web Services a dévoilé une architecture complète de traitement intelligent de documents reposant sur ses services d'IA générative, notamment Amazon Bedrock Data Automation (BDA). Ce service unifié permet d'extraire des informations structurées depuis des documents multimodaux, PDF, images, vidéos, fichiers audio, avec une capacité allant jusqu'à 3 000 pages et 500 Mo par requête API. Contrairement aux solutions OCR classiques qui se limitent à l'extraction de texte brut, BDA analyse le contexte, classe automatiquement chaque section d'un document dans la bonne catégorie, l'associe au bon modèle de traitement, et fournit des scores de confiance sur les données extraites. L'architecture s'appuie sur quatre couches intégrées : ingestion des fichiers via Amazon S3, extraction et stockage avec DynamoDB, couche d'intelligence sémantique via Amazon Bedrock Knowledge Base, et coordination agentique par des agents spécialisés hébergés sur Amazon Bedrock AgentCore Runtime, orchestrés par AWS Step Functions. Pour les organisations qui traitent chaque jour des millions de documents, contrats juridiques, dossiers médicaux, factures, déclarations d'assurance, cette solution répond à un goulot d'étranglement majeur : l'intervention humaine obligatoire dans les pipelines traditionnels. En automatisant la classification, la normalisation et la validation des données, BDA réduit les coûts opérationnels, accélère les délais de traitement et limite les erreurs de saisie. La capacité à relier plusieurs documents entre eux via une base de connaissances sémantique permet également des analyses croisées impossibles avec les approches OCR conventionnelles, ouvrant la voie à des cas d'usage comme l'audit automatisé de contrats ou l'analyse comparative de rapports financiers. Ce lancement s'inscrit dans une course que se livrent les grands fournisseurs cloud, AWS, Microsoft Azure et Google Cloud, pour proposer des pipelines documentaires clé en main à destination des entreprises. AWS positionne BDA comme une réponse directe aux limites des solutions point-à-point qui nécessitaient jusqu'ici d'assembler manuellement des modèles OCR, des LLM et des orchestrateurs distincts. En intégrant l'ensemble dans une API unifiée au sein de Bedrock, Amazon cherche à réduire la friction technique pour les équipes data et à accélérer l'adoption de l'IA générative dans des secteurs très réglementés comme la finance, la santé et le droit. Les prochaines évolutions attendues concernent l'élargissement des formats supportés et le renforcement des capacités d'analyse de graphiques et de visualisations complexes embarqués dans les documents.

Une étude Anthropic montre que l'IA peut créer des exploits en quelques heures à partir de correctifs de sécurité

L'équipe de sécurité d'Anthropic a publié une étude montrant que son modèle Mythos Preview est capable de transformer des correctifs de sécurité en exploits fonctionnels en quelques heures seulement, pour un coût de quelques milliers de dollars et sans expertise spécialisée requise. Lors des tests, le modèle a produit huit chaînes d'attaque complètes ciblant Firefox et le noyau Windows avant même que les mises à jour automatiques de Microsoft n'aient atteint un seul appareil dans le monde. Cette découverte remet en cause un pilier central de la cybersécurité défensive : la fenêtre de protection entre la publication d'un correctif et son exploitation malveillante. Ce délai, autrefois de plusieurs jours voire semaines, s'est effondré à quelques heures avec l'assistance de l'IA. Entreprises, éditeurs de logiciels et administrations publiques ne peuvent plus compter sur le rythme traditionnel de déploiement des patches pour se protéger ; chaque vulnérabilité corrigée devient quasi instantanément une cible exploitable. Anthropic s'inscrit dans une démarche de divulgation responsable adoptée par les grands laboratoires d'IA, qui publient leurs propres évaluations pour alerter l'industrie sur les capacités offensives de leurs modèles. Cette étude relance le débat sur les délais standard de divulgation des vulnérabilités, comme la règle des 90 jours de Google Project Zero, aujourd'hui inadaptée si l'IA peut armer un correctif en temps réel. Les éditeurs, les équipes de réponse aux incidents et les régulateurs vont devoir repenser en profondeur leurs cycles de sécurité.

💬 La règle des 90 jours, c'est terminé. Quand un modèle produit huit chaînes d'attaque fonctionnelles avant que la mise à jour Windows ait atteint un seul appareil, c'est pas un délai qui raccourcit, c'est tout le principe du déploiement progressif qui devient obsolète. Les équipes sécu vont devoir repenser ça de zéro.

Un tribunal allemand déclare Google responsable des réponses fausses de son AI Overview

Le tribunal régional de Munich a prononcé une injonction provisoire contre Google en Allemagne, lui interdisant de diffuser de fausses informations sur deux éditeurs munichois via sa fonctionnalité AI Overview. Ces résumés générés automatiquement par intelligence artificielle, affichés en tête des pages de résultats, avaient associé à tort les deux sociétés à des escroqueries, des abonnements trompeurs et des pratiques commerciales douteuses. Le tribunal a tranché clairement : Google est directement responsable de ces allégations mensongères, car elles émanaient de ses propres systèmes d'IA et non des pages tierces indexées. Aucun des résultats de recherche sous-jacents n'établissait de lien entre les plaignants et des pratiques frauduleuses, l'IA avait fabriqué ces connexions de toutes pièces. Cette décision remet en cause un principe juridique fondamental dont Google bénéficiait jusqu'ici : le statut d'hébergeur neutre, qui protège les plateformes de toute responsabilité pour les contenus tiers qu'elles référencent. Le tribunal a jugé que ce bouclier ne s'applique pas aux AI Overviews, puisque ces résumés constituent une production propre de Google, synthétisant plusieurs sources en un texte cohérent et autonome. La mention « créé avec l'IA » ne suffit pas à exonérer l'entreprise. Le tribunal a d'ailleurs invoqué le droit local de la presse, qui rend un média responsable de ses titres et chapeaux au même titre que du reste de l'article, même si le lecteur ne va pas plus loin. L'argument de Google, selon lequel les utilisateurs savent généralement qu'il ne faut pas faire aveuglément confiance aux résultats IA, a été balayé, d'autant que l'entreprise déploie activement cette fonctionnalité à l'échelle mondiale. Cette affaire s'inscrit dans un contexte de tension croissante entre les outils de résumé automatique et les droits des éditeurs et des tiers cités. Des études montrent déjà une chute significative des clics vers les sources originales lorsque Google affiche un AI Overview, ce qui fragilise économiquement les médias tout en amplifiant le risque de désinformation. En qualifiant les résultats de l'AI Overview de « propres déclarations de Google » et en précisant que les textes algorithmiques ne sont pas « l'expression d'une conviction établie mais le résultat d'un algorithme », le tribunal de Munich pose un précédent qui pourrait faire jurisprudence en Europe. Si ce raisonnement s'étend, Google et ses concurrents proposant des fonctionnalités similaires, comme Microsoft Copilot dans Bing ou Perplexity AI, pourraient se retrouver exposés à des responsabilités éditoriales inédites, les contraignant à repenser en profondeur la vérification de leurs sorties IA avant publication.

💬 Je l'attendais, cette décision. Depuis le départ, AI Overview génère du contenu inventé de toutes pièces, et si tu crois que Google pouvait encore se cacher derrière le statut de plateforme neutre, le tribunal de Munich vient de lui répondre. Reste à voir si ça fait jurisprudence au-delà de l'Allemagne, mais Perplexity et Bing ont un dossier ouvert chez leurs juristes ce matin.

KPMG et Microsoft généralisent l’usage des agents IA dans les entreprises

KPMG et Microsoft ont annoncé un renforcement significatif de leur partenariat mondial, avec deux axes majeurs : le déploiement de Microsoft 365 Copilot auprès des 276 000 collaborateurs de KPMG répartis dans 138 pays, et l'adoption de Microsoft Agent 365 pour superviser et gouverner les agents IA au sein du cabinet et chez ses clients. Cette extension, qui s'appuie sur plus de dix ans de collaboration entre les deux groupes, marque le passage d'une phase d'expérimentation à une industrialisation réelle de l'IA dans les grandes organisations de conseil. KPMG s'appuiera sur KPMG Workbench, une plateforme construite sur Microsoft Azure AI Foundry, pour coordonner plusieurs agents IA à travers ses services d'audit, de fiscalité et de conseil. Dans l'audit, ces capacités seront intégrées progressivement à KPMG Clara, la plateforme mondiale du groupe, pour renforcer l'analyse en temps réel et améliorer la détection précoce des risques. L'enjeu central de cet accord n'est pas l'adoption de l'IA en elle-même, mais sa gouvernance à l'échelle. Plus les entreprises multiplient les agents semi-autonomes, ces systèmes capables d'exécuter des tâches complexes, d'interagir avec plusieurs applications et de participer à des processus métiers, plus elles doivent pouvoir répondre à des questions précises : quels agents sont actifs, quelles données traitent-ils, quelles décisions prennent-ils, et qui en est responsable. C'est précisément ce verrou organisationnel que Microsoft Agent 365 cherche à lever, en proposant une couche centralisée de déploiement, de supervision et de contrôle. Pour KPMG, cela se traduit aussi par un renforcement de son framework Trusted AI, conçu pour garantir une utilisation responsable de l'IA aussi bien en interne que chez ses clients grands comptes. Cette annonce s'inscrit dans une tendance de fond qui traverse l'ensemble du secteur des services professionnels : après deux années de pilotes et d'expérimentations, les grands cabinets de conseil et d'audit cherchent à standardiser leurs usages IA pour en tirer un avantage concurrentiel mesurable. Microsoft, de son côté, positionne Agent 365 comme une réponse directe aux inquiétudes des DSI et des directions juridiques face à la multiplication incontrôlée des agents autonomes dans leurs systèmes d'information. L'accord KPMG-Microsoft pourrait servir de modèle de référence pour d'autres organisations de taille comparable souhaitant franchir le cap de l'industrialisation sans sacrifier conformité et sécurité des données sensibles.

Anthropic lâche enfin son IA Mythos… mais sous un autre nom

Anthropic a officiellement lancé le 9 juin 2026 Claude Fable 5, un modèle d'intelligence artificielle qui n'est autre qu'une version publique de Mythos 5, son système jugé trop sensible pour être diffusé librement il y a deux mois. Les performances du modèle sont remarquables : sur SWE-Bench Pro, le benchmark de référence en ingénierie logicielle, Fable 5 atteint 80,3 %, contre 69,2 % pour Claude Opus 4.8, 58,6 % pour GPT-5.5 et 54,2 % pour Gemini 3.1 Pro. L'écart se creuse encore sur FrontierCode Diamond, un test d'évaluation des capacités de programmation avancée, où Fable 5 obtient 29,3 % contre 13,4 % pour Opus 4.8. Le modèle a également réussi à terminer Pokémon Rouge Feu en se basant uniquement sur des captures d'écran, sans carte ni outils de navigation, une prouesse que les générations précédentes ne pouvaient accomplir sans assistance externe. Le modèle est accessible via l'API Claude, Claude Code, ainsi que sur AWS, Google Cloud et Microsoft Foundry, à 10 dollars par million de tokens en entrée et 50 dollars en sortie. Ce lancement marque une avancée significative dans la course aux agents autonomes capables de produire du code de qualité professionnelle, avec un avantage technique mesurable sur les principaux concurrents. Pour les développeurs et les entreprises, Fable 5 représente un saut qualitatif réel sur les tâches longues et complexes, là où l'écart de performance avec les autres modèles est le plus prononcé. La décision de rendre le modèle accessible aux abonnés Pro, Max, Team et Enterprise sans surcoût jusqu'au 22 juin illustre une stratégie d'adoption agressive, avant une bascule vers un système de crédits dédiés. Son tarif de sortie, deux fois supérieur à celui d'Opus, le positionne néanmoins parmi les modèles les plus onéreux du catalogue Anthropic. La prudence initiale d'Anthropic autour de Mythos n'a pas disparu pour autant : Fable 5 embarque des systèmes de surveillance en temps réel qui redirigent automatiquement vers Claude Opus 4.8 les requêtes touchant à des domaines sensibles, notamment la cybersécurité offensive, la biologie, la chimie ou la reproduction de modèles d'IA. Ce filtrage ne concerne cependant que moins de 5 % des conversations, selon l'entreprise. La version originale, Mythos 5, reste quant à elle réservée à un cercle restreint d'organisations sélectionnées dans le cadre du programme Project Glasswing. Ce modèle à deux vitesses illustre la tension croissante entre la compétition commerciale qui pousse à publier les modèles les plus puissants et la pression réglementaire et éthique qui incite à en limiter l'accès, une dynamique qui devrait s'intensifier à mesure que les capacités des agents autonomes progressent.

💬 80 % sur SWE-Bench Pro, c'est plus une nuance, c'est l'argument qui fait basculer. Mythos était jugé trop risqué pour sortir en février, il s'appelle maintenant Fable 5 avec un filtre temps réel sur bio, cyber offensif et compagnie, ce qui couvre moins de 5 % des cas selon Anthropic. Le vrai frein, c'est le prix de sortie : 50 dollars le million de tokens, à réserver aux tâches longues où l'écart se voit vraiment.

Premier avis de sinistre automatisé : Strands Agents et Amazon Bedrock AgentCore pour un traitement intelligent des déclarations

Amazon Web Services a présenté un système d'automatisation de la déclaration de sinistre initiale (FNOL, ou "First Notice of Loss") combinant deux de ses technologies : le SDK open source Strands Agents et l'outil Amazon Bedrock AgentCore Browser Tool. Le dispositif s'appuie également sur Amazon Nova Act, un client capable d'interpréter des instructions en langage naturel pour piloter des interfaces web. Concrètement, Nova Act orchestre les interactions avec les portails de gestion de sinistres, ouvrir un dossier non traité, déclencher une analyse d'images, tandis que les agents construits avec Strands Agents appliquent les règles métier propres à l'assurance : interprétation des preuves, corrélation entre différents types de médias, évaluation de la complexité du dossier. Les modèles de fondation sont servis via Amazon Bedrock, et les sessions de navigation sont gérées dans des environnements Chrome isolés, avec enregistrement et visualisation en temps réel pour garantir la traçabilité. L'enjeu est considérable pour les compagnies d'assurance. À chaque déclaration de sinistre, les experts reçoivent un ensemble hétérogène d'informations non structurées : photos prises sur le terrain, vidéos panoramiques des dégâts, documents scannés, notes dictées ou enregistrées. Avant même de pouvoir exercer leur jugement, ils doivent naviguer dans des portails, vérifier l'exhaustivité des pièces justificatives et interpréter manuellement chaque élément. Les estimations sectorielles indiquent que cette phase de validation représente une part significative du temps d'un expert lors du traitement initial d'un dossier. Lors de pics de sinistres, catastrophes naturelles, vagues saisonnières, ces délais s'accumulent, créent des files d'attente et dégradent l'expérience client. Le système proposé délivre aux experts des dossiers pré-analysés, avec les preuves étiquetées et contextualisées, prêts pour la prise de décision plutôt que pour la validation. Cette initiative s'inscrit dans un mouvement plus large d'automatisation des processus assurantiels par l'IA générative, un secteur où les grands acteurs du cloud, AWS, Microsoft Azure, Google Cloud, se livrent une concurrence intense pour conquérir les équipes claims et underwriting. L'approche d'AWS est notable car elle ne cherche pas à remplacer l'expert humain mais à éliminer le travail répétitif d'écran, en préservant la supervision et l'auditabilité. Les données d'intake étiquetées deviennent également un actif opérationnel durable, utilisable pour affiner le routage des dossiers, détecter des patterns de fraude ou améliorer les workflows sur l'ensemble du cycle de vie des sinistres. La prochaine étape naturelle sera l'intégration avec des systèmes de gestion de sinistres existants comme Guidewire ou Duck Creek, où la valeur de l'automatisation multimodale sera pleinement testée à l'échelle.

Microsoft AI lance MAI-Transcribe-1.5 : 2,4 % de taux d'erreur et transcriptions longues jusqu'à 5x plus rapides

Microsoft a dévoilé la semaine dernière MAI-Transcribe-1.5, la deuxième génération de son modèle de reconnaissance vocale développé en interne. Ce système de transcription automatique prend en charge 43 langues, contre 25 pour la version précédente, avec dix-huit nouvelles langues ajoutées sans dégradation des performances, dont le bengali, le tamoul, le télougou côté Asie du Sud, et l'ukrainien, le grec ou le catalan côté Europe. Sur le benchmark multilingue FLEURS, Microsoft revendique la première place parmi les modèles du marché. Sur le classement Artificial Analysis, le modèle affiche un taux d'erreur par mot (WER) de 2,4 %, ce qui le place troisième dans un champ concurrentiel. En vitesse, il est capable de transcrire une heure d'audio en moins de 15 secondes et se révèle jusqu'à 5 fois plus rapide que des modèles comparables comme Gemini 3.1, Scribe v2 ou GPT-4o-Transcribe sur des fichiers longs. MAI-Transcribe-1.5 est intégré à Copilot, Teams, GitHub et Dynamics 365 Contact Centre, et disponible via Foundry, la plateforme de modèles de Microsoft. La fonctionnalité qui mérite le plus d'attention est le « keyword biasing », ou biais par entités nommées. Les transcripteurs génériques trébuchent régulièrement sur les vocabulaires métiers, noms propres, termes médicaux, acronymes internes, précisément là où les erreurs coûtent le plus cher. MAI-Transcribe-1.5 permet de fournir jusqu'à 200 mots-clés personnalisés que le modèle prend en compte lors de la transcription, sans forcer mécaniquement les correspondances mais en s'appuyant sur le contexte. Résultat : une réduction de 30 % du WER sur FLEURS lorsque ce mécanisme est activé. Sur les réunions d'entreprise, dans les centres d'appels ou les environnements de santé, cette capacité change concrètement la qualité des transcriptions produites. La détection automatique de la langue parlée, sans paramétrage manuel, complète l'ensemble pour des flux d'entrée non structurés. La course aux modèles de transcription s'est considérablement intensifiée depuis que OpenAI a popularisé Whisper et que des acteurs comme AssemblyAI ou ElevenLabs ont investi le segment entreprise. Microsoft, fort de son infrastructure Azure et de son intégration profonde dans les outils de productivité, cherche à imposer une solution maison plutôt que de dépendre de fournisseurs tiers. Le passage de 25 à 43 langues, avec une couverture renforcée des langues d'Asie du Sud, reflète aussi une ambition de croissance sur des marchés où l'anglais n'est pas dominant. Pour les équipes qui traitent des archives audio volumineuses en batch, médias, justice, santé, support client, un facteur de vitesse de 5x sur les fichiers longs n'est pas anecdotique : il réduit directement les coûts d'infrastructure et les délais de traitement à grande échelle.

Microsoft Fara : lancer un agent Browser-Use dans Google Colab avec un endpoint OpenAI factice

Un tutoriel récemment publié décrit comment déployer Fara, l'agent de navigation web de Microsoft, directement depuis Google Colab sans nécessiter d'infrastructure dédiée. Le guide couvre l'ensemble du pipeline opérationnel : clonage du dépôt GitHub (github.com/microsoft/fara), installation des dépendances via pip, configuration du navigateur Playwright Firefox, puis exécution d'une tâche concrète telle que "ouvrir example.com et décrire le contenu de la page". L'approche centrale repose sur la création d'un point de terminaison fictif compatible avec l'API OpenAI, qui simule les réponses du vrai modèle Fara-7B. Ce serveur mock retourne des actions de navigation valides que Playwright exécute réellement dans le navigateur, reproduisant fidèlement la boucle complète de l'agent en conditions quasi-réelles, sans avoir à héberger un modèle de 7 milliards de paramètres. L'intérêt de cette méthode est de rendre le développement d'agents de navigation accessible sans GPU ni serveur dédié. En découplant la logique de l'agent du modèle de langage sous-jacent, les développeurs peuvent valider leurs flux de travail, déboguer leur code et tester des scénarios d'automatisation à moindre coût. La configuration reste entièrement portable : le même notebook peut être reconnecté à un vrai endpoint Fara-7B hébergé sur Azure AI Foundry, vLLM, LM Studio ou Ollama, en basculant une unique variable booléenne (USEREALFARA_ENDPOINT). Cette flexibilité entre backends réduit significativement le coût d'entrée pour les équipes qui souhaitent expérimenter l'automatisation web par IA sans s'engager d'emblée dans une infrastructure lourde. Les agents capables de piloter un navigateur de façon autonome constituent l'une des frontières les plus actives de l'IA appliquée en 2026. Anthropic a introduit son API "computer use" pour Claude, OpenAI a déployé son agent Operator, et Google explore des capacités similaires via Project Mariner. Microsoft, avec Fara, mise sur un modèle spécialisé entraîné spécifiquement pour piloter des interfaces web, une approche différente des solutions généralistes de ses concurrents. Le choix délibéré de la compatibilité avec le format OpenAI n'est pas anodin : il permet à Fara de s'intégrer dans l'écosystème d'outillage existant sans réécriture majeure. La publication de ce type de tutoriel accessible joue un rôle clé dans la démocratisation de ces technologies, en abaissant la barrière technique pour les développeurs indépendants et les équipes produit qui n'ont pas encore accès à des infrastructures d'inférence dédiées.

Les tribunaux face à une vague de plaintes générées par l'IA

Depuis 2022, les tribunaux fédéraux américains sont confrontés à une hausse spectaculaire des procédures engagées sans avocat. Une étude portant sur 4,5 millions de dossiers civils fédéraux entre 2005 et 2026, menée par Anand Shah du MIT et Joshua Levy de l'Université de Californie du Sud, révèle que la part de ces affaires est passée de 11 % en 2022 à 16,8 % en 2025, avec un nombre de dépôts plus que doublé par rapport aux niveaux d'avant 2023. Les chercheurs ont soumis 1 600 documents judiciaires tirés au hasard au détecteur de texte IA Pangram : la proportion identifiée comme contenant de l'écriture générée par IA est passée de 1 % en 2023 à 18 % en 2026. Dans le Vermont, les affaires déposées sans avocat sont passées d'environ 45 par an avant 2022 à plus de 1 100 en 2024, en partie grâce à un post viral Reddit de décembre 2024 expliquant comment rédiger un recours en mandamus via Microsoft Copilot, le faire polir par un juriste pour 150 dollars, puis le déposer dans ce district réputé rapide. Ce phénomène soulève une question centrale : l'IA améliore-t-elle réellement l'accès à la justice ? La juge fédérale Maritza Braswell, magistrate au Colorado et utilisatrice d'IA pour vérifier les documents judiciaires, reconnaît que les plaidoiries rédigées avec assistance IA sont souvent mieux articulées, ce qui lui permet de mieux comprendre les arguments et de traiter ces dossiers plus rapidement. Mais la médaille a son revers : les documents contiennent parfois des jurisprudences hallucinées et des citations fabriquées. Surtout, l'IA n'améliore pas les chances de succès des plaignants sans avocat, qui restent bien plus susceptibles de perdre que ceux représentés par un professionnel. Selon Joshua Levy, « engager un procès est une tâche complexe et multidimensionnelle, rédiger un texte n'en constitue qu'une partie ». Ces évolutions forcent le système judiciaire et les législateurs à affronter des questions inédites. Si un chatbot joue un rôle d'avocat de facto, a-t-il un devoir de conseil comme un juriste humain ? Qui est responsable quand il délivre de mauvais conseils juridiques ? Un nombre croissant d'États américains commencent à légiférer sur cette responsabilité. Le juge William Garfinkel du Connecticut, trente ans de carrière à la bénédiction, planche désormais sur des concepts comme le « privilège client-chatbot », analogue du secret professionnel de l'avocat. En parallèle, des communautés en ligne prolifèrent pour échanger des guides pratiques d'auto-représentation assistée par IA. L'intelligence artificielle ne remplace pas encore un avocat compétent, mais elle redessine profondément qui peut se permettre de pousser la porte d'un tribunal.

Microsoft veut rendre les utilisateurs accros à son agent IA Scout

Microsoft a présenté Scout lors de sa conférence Build 2026, un agent IA autonome et permanent conçu pour s'intégrer profondément dans l'écosystème Microsoft 365. Contrairement à Copilot, qui répond à des sollicitations ponctuelles, Scout agit de manière proactive : il surveille Teams, Outlook, OneDrive, SharePoint, le calendrier et les e-mails pour anticiper les besoins de l'utilisateur. Concrètement, il peut repérer des réunions importantes, organiser automatiquement des rendez-vous, bloquer des créneaux dans l'agenda pour boucler un projet, préparer des documents avant une réunion ou signaler qu'une décision traîne et risque de faire déraper un planning. Scout possède aussi sa propre identité traçable : toutes ses actions sont journalisées et les opérations critiques nécessitent une validation humaine. Selon des documents internes publiés par 404media, plus de 1 000 employés Microsoft l'utilisent déjà, dont le PDG Satya Nadella. L'agent est pour l'instant en aperçu privé, mais le document interne révèle qu'il s'est imposé comme "l'un des outils internes les plus demandés chez Microsoft, sans annonce officielle, sans marketing". Cette approche représente un changement de paradigme dans l'usage professionnel de l'IA. Là où Copilot restait un assistant réactif, Scout ambitionne de devenir un collaborateur permanent qui apprend les habitudes de travail, identifie les projets prioritaires et anticipe les tâches récurrentes. Pour les entreprises clientes de Microsoft 365, cela signifie un agent qui réduit la charge cognitive des équipes en automatisant la coordination et la gestion du temps, deux des principaux goulots d'étranglement dans les organisations. L'enjeu commercial est considérable : Microsoft a investi des milliards dans ses infrastructures IA et cherche à transformer cet investissement en adoption massive au sein des entreprises. Ce qui rend le lancement de Scout particulièrement significatif, c'est la technologie qui le propulse : OpenClaw, une bibliothèque open source devenue une référence dans le monde des agents autonomes capables de manipuler des applications, des fichiers et des services en continu. Ironie du calendrier, Microsoft avertissait encore en février 2026 des risques de sécurité liés à OpenClaw, jugeant la technologie trop risquée pour les environnements d'entreprise en raison de ses privilèges étendus. L'éditeur a depuis changé de position et s'engage désormais à contribuer directement au projet, affirmant qu'il va "ajouter la sécurité, la gouvernance et l'intégration Microsoft 365" à la base existante. Ce revirement contraste avec l'approche de Meta, qui développe sa propre alternative propriétaire baptisée Hatch depuis qu'OpenAI a recruté Peter Steinberger, le créateur d'OpenClaw. Microsoft choisit l'intégration là où Meta choisit la bifurcation, un pari qui pourrait s'avérer décisif dans la course aux agents d'entreprise.

💬 En février, Microsoft nous expliquait qu'OpenClaw était trop dangereux pour les environnements d'entreprise. Quatre mois après, c'est la même techno qui fait tourner Scout en prod chez Satya Nadella, sans annonce officielle, juste des gens qui l'adoptent en interne. Ce revirement, ça en dit plus sur la pression concurrentielle que sur une vraie conviction technique.

Fini le statu quo : l’Europe déclare son indépendance technologique

La Commission européenne a présenté début juin 2026 un vaste paquet législatif destiné à renforcer l'autonomie technologique du continent face aux géants américains et chinois. Le texte couvre trois domaines stratégiques : le cloud, l'intelligence artificielle et les semi-conducteurs. Parmi les mesures phares figure une refonte du Chips Act, avec l'ambition de doubler la part de marché mondiale de l'Europe dans les semi-conducteurs pour atteindre 20 % d'ici 2030. Une nouvelle loi sur le cloud et l'IA impose par ailleurs des exigences renforcées aux fournisseurs opérant dans des secteurs sensibles, santé, énergie, finance, et les contraint à développer leurs logiciels sur le territoire européen. Pour certains marchés publics stratégiques, le matériel devra être conçu au sein de l'Union, ce qui pourrait exclure de facto des acteurs comme Microsoft, Amazon ou Google. L'enjeu dépasse la simple rivalité commerciale. Lorsque des hôpitaux, des réseaux énergétiques ou des administrations fonctionnent sur des infrastructures contrôlées par des entreprises étrangères soumises à des législations extraterritoriales, la souveraineté numérique devient une question de sécurité nationale. Le Cloud Act américain, qui permet aux autorités américaines d'accéder aux données hébergées par des entreprises américaines même à l'étranger, illustre précisément ce risque. Les nouvelles règles visent à garantir qu'aucun interrupteur situé à des milliers de kilomètres ne puisse mettre en péril des services essentiels pour les citoyens et les États membres. Cette offensive législative s'inscrit dans une prise de conscience progressive, accélérée par la pandémie et les tensions géopolitiques des dernières années, qui ont révélé la fragilité des chaînes d'approvisionnement européennes en puces et la dépendance structurelle au cloud américain. Plusieurs initiatives de cloud souverain ont déjà émergé en réponse, portées par des acteurs comme OVHcloud ou des consortiums nationaux, mais sans jamais atteindre la masse critique nécessaire. Les propositions de la Commission doivent encore être négociées avec les États membres et le Parlement européen avant d'entrer en vigueur, un processus qui peut prendre des années. Les partisans y voient un levier indispensable de résilience ; les critiques redoutent un protectionnisme qui compliquerait les relations commerciales transatlantiques et pourrait ralentir l'accès aux technologies les plus avancées. La bataille politique ne fait que commencer.

💬 Enfin du concret, pas juste un discours sur la souveraineté. L'obligation d'opérer et développer sur le territoire pour les secteurs sensibles, c'est la première fois que je vois Bruxelles poser de vraies contraintes sur AWS et Azure, et OVHcloud n'est pas le seul à se frotter les mains. Reste à voir ce qu'il en reste une fois que tout le monde aura amendé le texte.

Workday et Google Cloud déploient des agents IA pour les RH et la finance

Workday et Google Cloud ont annoncé le 29 mai 2026 une extension significative de leur partenariat, visant à intégrer les agents IA de Workday directement dans Gemini Enterprise, la suite collaborative de Google. Concrètement, l'agent Sana Self-Service de Workday s'imbrique désormais dans l'environnement Google que les collaborateurs utilisent au quotidien. Un salarié peut ainsi consulter son solde de congés, récupérer un bulletin de paie ou soumettre une demande d'absence sans jamais ouvrir l'interface Workday. Les managers gagnent eux aussi en autonomie : approbation de feuilles de temps, lancement d'évaluations de performance, accès aux objectifs d'équipe, tout cela depuis une interface conversationnelle unique. Côté finance, les utilisateurs peuvent interroger les politiques de dépenses et initier des démarches administratives sans changer d'outil. L'annonce confirme par ailleurs que Gemini devient le modèle d'IA par défaut de Sana dans Workday, remplaçant les solutions précédemment utilisées. L'enjeu est considérable pour les grandes organisations, qui souffrent depuis des années d'une fragmentation logicielle coûteuse : les équipes jonglent quotidiennement entre suites RH, ERP financiers, outils collaboratifs et plateformes analytiques pour accomplir des tâches souvent élémentaires. En ancrant les agents directement dans les outils de travail existants, Workday et Google Cloud cherchent à éliminer ces frictions et à accélérer l'exécution des processus métiers. Pour les directions RH et financières, qui manipulent des données sensibles soumises à des réglementations strictes, l'intégration apporte aussi les capacités de raisonnement avancé, le support multimodal et le traitement multilingue de Gemini, tout en maintenant les garde-fous métier, les règles d'approbation et les contrôles de conformité propres à Workday. Ce rapprochement s'inscrit dans une tendance de fond qui voit les grands éditeurs de logiciels d'entreprise transformer leurs plateformes en orchestrateurs d'agents IA. Workday, qui gère les ressources humaines et les finances de milliers de grandes entreprises mondiales, dispose d'un levier stratégique majeur : ses données métier structurées, longtemps cloisonnées dans ses interfaces propriétaires. En ouvrant ces données aux agents via Gemini, l'éditeur américain positionne sa plateforme comme un nœud central des architectures multi-agents qui émergent dans les grands groupes. Pour Google Cloud, faire de Gemini le moteur par défaut de Sana représente une victoire commerciale et un signal fort envoyé à l'ensemble de l'écosystème enterprise, dans un marché où Microsoft, avec Copilot intégré à Office 365 et Dynamics, exerce une pression concurrentielle intense. Les prochaines étapes du partenariat devraient porter sur l'orchestration de workflows plus complexes, impliquant plusieurs agents agissant en coordination sur des processus bout-en-bout.

Airbus s’allie à Mistral AI pour développer une IA souveraine dans l’aéronautique

Airbus et Mistral AI ont officialisé un partenariat stratégique le 28 mai 2026, lors du sommet "The AI Now Summit" organisé au Louvre à Paris. L'accord prévoit que le géant aéronautique européen déploie l'ensemble de la suite logicielle de la startup française au sein de ses opérations industrielles, de ses activités de défense et de ses futurs systèmes embarqués. Concrètement, Airbus utilisera des modèles d'IA installés sur site ou dans des clouds privés, contournant ainsi toute dépendance aux infrastructures cloud américaines. Le groupe bénéficiera également d'un accès direct aux équipes de recherche de Mistral AI et pourra influencer la feuille de route produit de la startup. Parmi les cas d'usage déjà identifiés : l'automatisation de la documentation technique pour avions commerciaux et hélicoptères, l'assistance à la conception et aux phases de certification, ainsi que l'intégration de modèles directement dans des aéronefs ou des systèmes spatiaux pour la reconnaissance d'objets et l'amélioration de la sécurité des vols. L'enjeu dépasse largement la productivité interne d'Airbus. Dans le secteur aéronautique et de la défense, chaque donnée traitée par un tiers représente un risque réglementaire et sécuritaire. En s'appuyant sur Mistral AI, Airbus s'assure que ses modèles d'IA respectent les contraintes strictes de confidentialité, de cybersécurité et de contrôle des données imposées notamment par les contrats militaires et les certifications aéronautiques. Pour les ingénieurs du groupe, cela signifie des outils réellement adaptés à leurs workflows, et non des solutions génériques taillées pour le marché grand public. Pour Mistral AI, le contrat valide sa capacité à adresser des environnements industriels à très forte contrainte, bien au-delà des usages bureautiques ou des administrations publiques qu'elle cible habituellement. Ce partenariat s'inscrit dans un mouvement plus large qui agite l'industrie européenne depuis deux ans. Face à la domination d'OpenAI, Microsoft, Google et Amazon dans le domaine de l'IA, les grands industriels du continent cherchent des alternatives capables de fonctionner hors des clouds américains, notamment pour leurs activités sensibles. Mistral AI, fondée en 2023 à Paris, a levé plusieurs centaines de millions d'euros et s'est imposée comme le principal champion européen de l'IA générative. Son annonce simultanée de partenariats avec BMW et EDF lors du même sommet confirme une stratégie d'ancrage dans les filières industrielles stratégiques. Pour Airbus, qui opère dans 50 pays et emploie 130 000 personnes, la prochaine étape sera de déployer ces solutions en production tout en naviguant entre les exigences des régulateurs européens, les certifications aéronautiques et les impératifs de souveraineté numérique que Bruxelles pousse activement depuis l'entrée en vigueur de l'AI Act.

💬 Airbus, BMW et EDF dans la même semaine, c'est la démonstration de force qu'on attendait de Mistral. L'aéro et la défense, c'est leur terrain de chasse parfait : des clients qui ne peuvent pas toucher aux clouds américains, des budgets solides, et des cas d'usage où une IA générique n'a aucune chance de passer les certifications. Reste à voir si ça tient quand les équipes terrain s'en emparent en prod.

RAG (Retrieval-Augmented Generation) : une approche pour optimiser l’usage de l’IA

La Retrieval-Augmented Generation, ou RAG, est une architecture technique qui associe un modèle de langage à une base documentaire externe, permettant à l'intelligence artificielle de consulter des informations précises avant de formuler une réponse. Concrètement, le processus se déroule en trois temps : les documents de l'entreprise sont d'abord découpés en fragments, puis convertis en représentations mathématiques appelées embeddings, qui transforment le sens d'une phrase en coordonnées numériques. Lorsqu'un utilisateur pose une question, sa requête est elle aussi encodée de cette façon, puis comparée aux vecteurs stockés pour identifier les passages les plus pertinents. Ces extraits sont ensuite injectés dans le prompt envoyé au modèle, qui rédige sa réponse à partir d'un contexte documenté et vérifiable. Contrairement à une recherche par mots-clés classique, le système reconnaît deux phrases sémantiquement proches même si elles n'ont pas de termes en commun. L'intérêt pour les entreprises est considérable. Les modèles de langage traditionnels fonctionnent uniquement à partir de leur corpus d'entraînement : toute information absente ou modifiée depuis génère inévitablement des erreurs, ce que les praticiens appellent les "hallucinations". Le RAG court-circuite ce problème en dotant l'IA d'une mémoire externe dynamique, mise à jour en temps réel. Un service client peut ainsi déployer un assistant conversationnel capable de consulter les procédures internes à jour avant chaque réponse, sans que les données quittent le périmètre de l'organisation. Pour des secteurs manipulant des documents sensibles, comme le juridique, la conformité ou l'ingénierie, cette architecture représente la différence entre un outil expérimental et un outil déployable en production. Le RAG s'est imposé comme l'une des réponses les plus pragmatiques aux limites structurelles des LLM depuis que ces modèles ont commencé à être déployés en entreprise à grande échelle. Les géants du cloud, d'AWS à Microsoft Azure en passant par Google Cloud, proposent désormais des services RAG managés, tandis qu'une constellation de startups comme Pinecone, Weaviate ou Qdrant se sont spécialisées dans les bases vectorielles qui en constituent le socle technique. La question qui reste ouverte est celle de la mise à l'échelle : indexer des dizaines de milliers de documents internes, maintenir la cohérence des embeddings lors des mises à jour, et gérer la latence de récupération sont des défis d'ingénierie non triviaux. Les prochaines évolutions du RAG s'orientent vers des architectures hybrides combinant recherche vectorielle et recherche structurée, ainsi que vers des systèmes capables de raisonner sur plusieurs documents simultanément plutôt que de simplement les concaténer.

L'ère des agents asynchrones : Walden Yan de Cognition et Cole Murray d'OpenInspect

En mai 2026, Cognition, la startup à l'origine de l'agent de développement Devin, a annoncé une levée de fonds de série D d'un milliard de dollars, une opération largement sursouscrite malgré la multiplication des concurrents sur le marché. Walden Yan, cofondateur et directeur produit de l'entreprise, qui a également forgé l'expression "context engineering", s'est entretenu avec Cole Murray, créateur d'OpenInspect, pour analyser ce qu'ils nomment "l'ère des agents asynchrones". Les chiffres internes parlent d'eux-mêmes : Devin a multiplié par sept son volume de pull requests, et sa part dans les commits des dépôts de Cognition est passée de 16 % à 80 % depuis le tournant de décembre 2025, quand les modèles de langage ont franchi un seuil qualitatif déterminant. Ce virage vers les agents de fond marque une rupture nette avec les deux générations précédentes d'outils IA pour développeurs. La première vague, celle des Copilot et de l'autocomplétion de Cursor, accélérait le développeur sans jamais le sortir de la boucle : il regardait le modèle suggestion par suggestion, poussait le code interaction par interaction. La deuxième vague, celle des agents locaux comme Claude Code ou Windsurf, a multiplié les terminaux parallèles mais restait centrée sur le flux de travail individuel du développeur. Aujourd'hui, le modèle émergent repose sur des agents à qui l'on confie une tâche, un dépôt, une machine, un shell, un navigateur et des boucles de révision, puis qui travaillent en arrière-plan de façon autonome. Comme l'a formulé Michael Truell, fondateur de Cursor, l'outil ne sert plus à écrire du code, mais à construire "la fabrique qui crée le logiciel", composée de flottes d'agents traités comme des coéquipiers. Ce basculement s'opère dans un paysage industriel sous tension. D'un côté, des laboratoires d'agents valorisés à plusieurs dizaines de milliards de dollars comme Sierra, Decagon ou Cursor ; de l'autre, une prolifération de frameworks open source (LangGraph, Pydantic) et d'agents managés proposés par Anthropic, Google et Amazon qui facilite la construction en interne. Des entreprises comme Shopify, Stripe ou Razorpay ont déjà développé leurs propres agents de codage, et même Ramp, proche de Cognition, a bâti le sien avec Modal. Les défis techniques restent néanmoins considérables : séparation du cerveau et de la machine d'exécution, configuration initiale des dépôts, orchestration multi-agents, limites du protocole MCP, gestion de la mémoire, sécurisation des secrets dans des environnements isolés. Le flux "spec to pull request" devient une réalité en production, mais l'infrastructure qui le rend fiable et sécurisé reste un terrain de construction active pour tout le secteur.

Microsoft lancera un nouveau modèle de code la semaine prochaine

Microsoft s'apprête à dévoiler une gamme de nouveaux modèles d'intelligence artificielle développés en interne lors de sa conférence annuelle Build, prévue la semaine prochaine à San Francisco. Parmi les annonces attendues figure un modèle spécialisé dans la génération de code, conçu pour renforcer GitHub Copilot, l'assistant de programmation appartenant à Microsoft. L'entreprise prévoit également de présenter plusieurs modèles déclinés en différentes tailles, chacun optimisé pour des tâches spécifiques : transcription audio, raisonnement, synthèse vocale et traitement d'images. Cette famille de modèles s'inscrit dans la continuité des premiers modèles maison que Microsoft avait présentés en avant-première plus tôt cette année. L'enjeu est considérable pour GitHub Copilot, qui avait pourtant pris une longueur d'avance significative sur le marché des assistants de codage alimentés par l'IA. Cet avantage s'est progressivement érodé face à la montée en puissance de concurrents comme Cursor et Claude Code d'Anthropic, qui ont su séduire une large communauté de développeurs. Microsoft cherche donc à reconquérir ce terrain perdu en proposant des modèles plus performants et mieux adaptés aux besoins concrets des programmeurs. La capacité à regagner la confiance de cette communauté représente un test majeur pour la crédibilité de la stratégie IA de la firme de Redmond. Cette initiative s'inscrit dans un contexte de compétition intense entre les grands acteurs de la technologie pour s'imposer auprès des développeurs, qui constituent un segment stratégique dans l'adoption des outils d'IA. Microsoft, qui a investi massivement dans OpenAI, cherche en parallèle à développer ses propres capacités pour réduire sa dépendance à des partenaires externes. La conférence Build est traditionnellement le moment choisi par l'entreprise pour annoncer ses ambitions en matière de plateforme et d'outillage. La montée en puissance des cas d'usage liés à la voix et à la transcription, de plus en plus plébiscités par les développeurs, explique par ailleurs pourquoi Microsoft intègre ces capacités dès le lancement de cette nouvelle famille de modèles.

💬 Copilot s'est fait dépasser par Cursor et Claude Code, et Microsoft le sait très bien. Ce qui m'intéresse là-dedans, c'est moins le modèle code en lui-même que la volonté de réduire la dépendance à OpenAI, parce qu'investir des milliards dans un partenaire et lui laisser le cerveau de ton produit phare, c'est un pari bizarre. Regagner la confiance des devs, ça ne se décrète pas avec une annonce à Build.

Les meilleures plateformes d'authentification pour agents IA et serveurs MCP en 2026

Le Model Context Protocol (MCP), lancé par Anthropic en novembre 2024, s'est imposé en moins d'un an comme le standard de facto de l'écosystème agentique. OpenAI l'a adopté en mars 2025, Microsoft a annoncé son support dans Copilot Studio le même mois, et fin 2025 les téléchargements cumulés des SDK Python et TypeScript dépassaient 97 millions par mois. En décembre 2025, Anthropic a cédé le protocole à l'Agentic AI Foundation, hébergée par la Linux Foundation, pour en faire un bien commun de l'industrie. Gartner projette que 40 % des applications d'entreprise intégreront des agents IA spécialisés d'ici fin 2026, contre moins de 5 % aujourd'hui. Cette explosion soulève un problème central resté sans solution robuste : l'authentification. Quand un agent IA se contente de répondre à des questions, la sécurité d'accès reste anecdotique. Quand il lit des e-mails, met à jour des CRM, écrit dans des bases de données et appelle des API externes de façon autonome, l'authentification devient une infrastructure critique, et le coût d'une faille peut être considérable. La spécification MCP pour les déploiements HTTP protégés est précise : OAuth 2.1 avec PKCE est obligatoire, tous les endpoints doivent fonctionner en HTTPS, les métadonnées du serveur d'autorisation doivent être découvrables par les clients, et les mécanismes Protected Resource Metadata (RFC 9728) ainsi que Resource Indicators (RFC 8707) doivent être implémentés pour éviter la confusion d'audience des tokens. Plusieurs fournisseurs connus ne répondent pas encore à toutes ces exigences. C'est dans ce contexte que deux plateformes se distinguent : WorkOS, ciblant les équipes d'ingénierie enterprise, combine OAuth 2.1 compatible MCP avec SSO, SCIM, journaux d'audit et une autorisation granulaire (Fine-Grained Authorization) permettant de restreindre un agent à des outils précis plutôt qu'à un service entier. Stytch, filiale de Twilio, s'adresse aux équipes SaaS B2B déployant sur Cloudflare Workers et souhaitant ajouter l'authentification MCP sans migrer toute leur stack existante. L'enjeu dépasse le simple choix d'une bibliothèque. L'émergence des agents autonomes redéfinit la granularité des droits d'accès : il ne s'agit plus de savoir si un utilisateur peut accéder à une application, mais si un agent peut appeler un outil spécifique dans un service donné, dans un contexte précis, avec une traçabilité complète. Les acteurs comme Okta, Microsoft Entra ou des annuaires internes restent en jeu, mais les nouvelles plateformes comme WorkOS visent à s'y connecter plutôt qu'à les remplacer. Avec 40 % des applications enterprise concernées d'ici dix-huit mois, la fenêtre pour standardiser ces pratiques est courte, et les choix d'architecture faits aujourd'hui conditionneront la sécurité des systèmes agentiques pour les années à venir.

💬 L'auth pour agents, c'était le truc qu'on remettait à plus tard tant que les agents répondaient juste à des questions. Là, avec des systèmes qui lisent des mails, poussent dans des CRM et appellent des API externes sans supervision, c'est de l'infrastructure critique, et WorkOS a bien vu que le vrai sujet c'est l'autorisation à l'outil (pas à l'application, à l'outil spécifique). Reste à voir si les équipes qui déploient aujourd'hui vont s'y plier avant le premier incident sérieux.

Microsoft et EY investissent 1 milliard de dollars pour accélérer l’industrialisation de l’IA

Microsoft et EY ont annoncé le 21 mai 2026 un partenariat stratégique d'un milliard de dollars sur cinq ans pour accélérer le déploiement industriel de l'intelligence artificielle dans les grandes entreprises. L'initiative prévoit la constitution d'équipes mixtes, composées d'ingénieurs Microsoft et de consultants sectoriels EY, chargées d'accompagner les organisations dans l'intégration de l'IA au coeur de leurs opérations critiques. Les secteurs ciblés en priorité sont les services financiers, l'industrie, l'énergie, la santé, le secteur public, la distribution et les biens de consommation. EY a déjà généralisé Microsoft 365 E7 à plus de 400 000 collaborateurs dans le monde, après avoir déployé Copilot auprès de 150 000 employés avec un gain de productivité estimé à 15 %. Dans la finance, l'usage de Microsoft Power Platform et Copilot Studio aurait réduit certains délais opérationnels de 95 % et les coûts de plus de 37 %. EY a par ailleurs intégré un système multi-agents basé sur Azure, Microsoft Foundry et Microsoft Fabric dans sa plateforme d'audit EY Canvas, couvrant déjà 130 000 professionnels sur 160 000 missions. Ce partenariat répond à un blocage structurel que rencontrent aujourd'hui la plupart des grands groupes : passer des expérimentations isolées à un déploiement IA à l'échelle de l'entreprise. La majorité des organisations accumulent des pilotes sans parvenir à les industrialiser, faute de gouvernance adaptée, de formation des collaborateurs et de processus internes reconfigurés. En ciblant précisément les secteurs où l'automatisation et l'analyse de données produisent des impacts financiers rapides et mesurables, Microsoft et EY cherchent à répondre à l'exigence croissante de retour sur investissement concret que posent les directions générales avant tout nouvel engagement budgétaire dans l'IA. EY joue dans cette alliance la carte du "Client Zéro" : le cabinet teste les technologies Microsoft sur ses propres opérations avant de les proposer à ses clients, ce qui lui confère un avantage crédible dans un marché saturé de promesses non vérifiées. Ce positionnement intervient dans un contexte de compétition intense entre les grands cabinets de conseil et les éditeurs technologiques pour capter les budgets de transformation IA des entreprises du Fortune 500. Microsoft, de son côté, consolide son écosystème Azure et Copilot comme infrastructure de référence pour l'entreprise, face à la concurrence de Google Cloud et AWS. La suite dépendra de la capacité des deux groupes à démontrer des résultats reproductibles et auditables, condition sine qua non pour convaincre les directions financières d'accélérer leurs investissements au-delà des phases pilotes.

💬 Le problème qu'ils attaquent, l'industrialisation après les pilotes, c'est le vrai blocage de l'IA en entreprise depuis deux ans. EY qui joue le Client Zéro sur 400 000 collaborateurs, c'est l'argument le plus solide qu'un cabinet peut sortir face aux DG qui ont avalé trop de PowerPoints. Les 95% de réduction de délais affichés, bon, sur le papier ça claque, mais ça va être une autre histoire à reproduire sans EY dans la boucle.

Android Auto : Gemini prend le contrôle de votre voiture intelligemment

Google intègre Gemini, son modèle d'intelligence artificielle générative, directement dans Android Auto, la plateforme embarquée qui équipe des dizaines de millions de véhicules dans le monde. L'annonce a été faite par la firme de Mountain View dans le cadre de sa stratégie d'extension de l'IA à l'ensemble de son écosystème matériel et logiciel. Concrètement, Gemini remplace l'Assistant Google classique au volant et promet de traiter les commandes vocales de façon bien plus naturelle : demander d'envoyer un message, lancer un itinéraire ou trouver une station-service ne nécessite plus de formuler une phrase figée et précise. Le système comprend désormais le contexte, anticipe certains besoins, et peut par exemple proposer automatiquement un trajet si un rendez-vous figure dans l'agenda, ou suggérer un itinéraire alternatif en cas d'embouteillage avant même que l'automobiliste ne pose la question. L'intégration s'accompagne également d'une refonte visuelle : nouveaux widgets, cartes enrichies, interface repensée dans la continuité d'Android sur smartphone. L'enjeu est direct pour des millions d'automobilistes qui avaient progressivement renoncé aux assistants vocaux embarqués, trop souvent sources d'incompréhensions et de frustrations. Si Gemini tient ses promesses, l'interaction avec le véhicule devient un véritable gain de temps et de sécurité, en réduisant la nécessité de manipuler un écran ou un téléphone en conduite. Pour Google, l'impact est tout aussi stratégique : Android Auto est présent sur la quasi-totalité des constructeurs automobiles mondiaux, ce qui fait de la voiture un point d'entrée massif pour ancrer Gemini dans les habitudes quotidiennes. La refonte de l'interface vise par ailleurs à unifier l'expérience utilisateur entre smartphone, montre connectée et voiture, renforçant l'adhérence à l'écosystème Google. Cette évolution s'inscrit dans une tendance plus large qui voit les grands modèles de langage quitter les interfaces textuelles pour coloniser l'environnement physique. Après les moteurs de recherche, les smartphones et les lunettes connectées, la voiture s'impose comme le prochain terrain d'expansion de l'IA ambiante. Google n'est pas seul sur ce segment : Apple CarPlay évolue dans la même direction avec Siri, et plusieurs constructeurs comme BMW ou Mercedes développent leurs propres assistants IA embarqués. La question qui se pose désormais est celle de l'équilibre entre utilité réelle et saturation de l'interface : si certaines fonctionnalités proactives semblent genuinement pertinentes, l'accumulation de widgets et de recommandations à l'écran pourrait paradoxalement augmenter la charge cognitive du conducteur. Les prochains mois de déploiement diront si Gemini parvient à s'imposer comme un copilote discret et fiable, ou s'il reproduit les travers des assistants qui l'ont précédé.

Bons plans, immo, week-ends : les agents IA de Google vont surveiller le web pour vous

Lors de la conférence Google I/O 2026, Google a dévoilé une nouvelle génération d'agents IA capables de parcourir le web de façon autonome et proactive, à la place des utilisateurs. Ces agents s'ajoutent à plusieurs annonces majeures de l'événement, dont les modèles Gemini Omni, Gemini Spark et Gemini 3.5 Flash. Concrètement, un utilisateur peut confier à ces agents une tâche récurrente, trouver un studio avec balcon près d'une gare sous un budget donné, repérer un concert, comparer des prix de voyage, et l'IA surveille en continu les sources pertinentes, SeLoger, Leboncoin ou autres, pour alerter dès qu'une offre correspond aux critères définis. L'interface est conversationnelle : les demandes s'affinent en langage naturel, sans avoir à reformuler des requêtes rigides. Ces agents seront d'abord réservés aux abonnés Google AI Pro et AI Ultra aux États-Unis, avant un déploiement plus large. Ce changement marque un basculement de la recherche passive vers la recherche proactive. Pendant des décennies, utiliser Google signifiait taper des mots-clés, parcourir des liens et recommencer la manœuvre régulièrement. Ici, c'est l'agent qui prend l'initiative, surveille, compare et synthétise, libérant l'utilisateur de la corvée de répétition. Pour les particuliers en quête d'un logement, d'un billet d'avion ou d'un bon plan commercial, le gain de temps est potentiellement considérable. Pour les sites d'annonces et comparateurs, la menace est symétrique : si Google devient le premier agrégateur de leurs données, leur trafic direct pourrait s'effondrer, restructurant en profondeur l'économie de l'information en ligne. Google prévoit de connecter ces agents à Gmail, Google Photos et bientôt Google Agenda, afin de personnaliser les réponses en fonction de la vie réelle de chaque utilisateur. La firme de Mountain View insiste sur le contrôle laissé aux utilisateurs, mais cette intégration dessine un écosystème où Google deviendrait l'intermédiaire central entre les internautes et le reste du web, connaissant habitudes, déplacements, projets et préférences avec une précision inédite. Ce mouvement s'inscrit dans une course accélérée entre les géants technologiques : Microsoft avec Copilot, OpenAI avec ses propres agents et Anthropic positionnent tous leurs modèles sur ce terrain de l'autonomie IA. Google, fort de ses données propriétaires et de sa maîtrise de l'infrastructure de recherche, joue ici une carte que ses concurrents ne peuvent pas facilement dupliquer, mais les questions sur la vie privée et la concentration du pouvoir numérique resteront au cœur du débat à mesure que ces outils se généraliseront.

Microsoft, Meta et xAI collectent des données d'entraînement auprès de leurs propres employés

Microsoft, Meta et xAI ont recours à une source de données d'entraînement peu conventionnelle pour leurs modèles d'intelligence artificielle : leurs propres salariés. Microsoft est la dernière entreprise à avoir formalisé cette approche, en annonçant qu'elle prévoit d'exploiter le code propriétaire produit par ses quelque 100 000 ingénieurs logiciels pour entraîner ses modèles de programmation. Cette stratégie s'inscrit dans une tendance plus large observée chez les grands acteurs du secteur, qui cherchent à contourner la pénurie de données de qualité sur le marché ouvert. L'enjeu est considérable pour Microsoft, dont GitHub Copilot a perdu une partie de son avance initiale face à des concurrents comme Anthropic ou Cursor. En mobilisant les productions internes de ses développeurs, l'entreprise espère constituer un corpus de données riche, contextualisé et propriétaire, que ses rivaux ne peuvent tout simplement pas répliquer. Pour les salariés concernés, cette pratique soulève des questions sur la propriété intellectuelle et le consentement éclairé : leurs contributions professionnelles quotidiennes deviennent du carburant pour des systèmes commerciaux. Ce phénomène révèle une tension croissante dans l'industrie de l'IA : les jeux de données publics s'épuisent ou font l'objet de litiges juridiques, forçant les entreprises à se tourner vers des données internes ou synthétiques. Meta et xAI ont adopté des démarches similaires, transformant leurs effectifs en contributeurs involontaires à l'effort d'entraînement. La question de la gouvernance de ces données employés, et des droits qui s'y rattachent, devrait s'imposer comme un nouveau terrain de friction entre entreprises, syndicats et régulateurs dans les mois à venir.

Créer un système de traitement de documents financiers avec Pulse AI et Amazon Bedrock

Pulse AI et Amazon Bedrock s'associent pour proposer un pipeline de traitement intelligent des documents financiers complexes, ciblant les établissements bancaires, les fonds d'investissement privés et les grandes entreprises. Contrairement aux outils OCR traditionnels qui traitent les documents comme de simples images, la solution combine les modèles de langage visuels de Pulse avec des composants de machine learning classiques spécifiquement conçus pour comprendre la structure des documents financiers : bilans comptables, comptes de résultats, dépôts SEC, rapports de recherche et documents d'audit. Le résultat le plus concret : un lot d'environ 1 000 documents financiers complexes, qui nécessitait auparavant plusieurs jours de traitement, est désormais traité en moins de trois heures, produisant des sorties structurées et auditables prêtes pour l'analyse. La solution est déjà déployée chez Samsung, Cloudera, Howard Hughes, ainsi que dans plusieurs institutions financières du classement Fortune 500. L'enjeu est critique pour le secteur financier : une erreur OCR dans un bilan ou un tableau à cellules fusionnées ne reste pas isolée, elle se propage en cascade à travers les calculs interconnectés, faussant l'ensemble de l'analyse. Le pipeline Pulse-Bedrock extrait les données de façon structurée et sémantiquement consciente, puis utilise Amazon Bedrock pour affiner les modèles Nova d'Amazon sur ces données de haute qualité. L'organisation obtient ainsi un modèle de langage personnalisé, entraîné sur ses propres conventions financières, capable de traiter les nouveaux documents avec une compréhension spécifique à l'entreprise. La révision manuelle, qui prenait des jours, se réduit à quelques heures. Ce développement s'inscrit dans une course à l'automatisation documentaire dans laquelle les institutions financières investissent massivement, sous la pression de volumes croissants de rapports réglementaires et de due diligence. Amazon Bedrock se positionne ici comme infrastructure de fine-tuning clé en main, sans gestion d'infrastructure ML ni planification de capacité, ce qui réduit la barrière d'entrée pour les équipes sans expertise MLOps. Pour Pulse AI, ce partenariat valide son approche hybride vision-langage face aux acteurs OCR historiques comme ABBYY ou aux offres cloud génériques de Google Document AI et Azure Form Recognizer. La prochaine étape logique est l'extension à d'autres verticales documentaires lourdes, comme le juridique ou le médical, où les mêmes problèmes de structure complexe et de dépendances contextuelles se posent.

Google DeepMind présente un pointeur de souris IA propulsé par Gemini, capable de capturer le contexte visuel et sémantique autour du curseur

Google DeepMind a présenté cette semaine un pointeur de souris dopé à l'intelligence artificielle, propulsé par Gemini, capable de comprendre non seulement où l'utilisateur pointe, mais aussi ce qu'il pointe et pourquoi c'est pertinent. Le système est encore expérimental, mais deux démonstrations sont d'ores et déjà accessibles dans Google AI Studio : l'une pour éditer une image, l'autre pour identifier des lieux sur une carte, toutes deux utilisables en pointant et en parlant à voix haute. Une intégration plus profonde, baptisée Magic Pointer, est en cours de déploiement dans Chrome, et une autre est prévue pour Googlebook, la nouvelle gamme d'ordinateurs portables Gemini de Google annoncée simultanément cette semaine. Le problème que cherche à résoudre DeepMind est connu de quiconque a déjà essayé d'utiliser un assistant IA en pleine session de travail : les outils actuels vivent dans leur propre fenêtre, obligeant l'utilisateur à interrompre son flux pour décrire manuellement ce qu'il regardait, coller une question dans un chatbot, puis importer la réponse dans son document d'origine. Le pointeur IA brise ce cycle en transmettant au modèle un contexte visuel et sémantique en temps réel, dérivé de la position du curseur et de l'état de survol, sans que l'utilisateur ait à formuler ce contexte en texte. Concrètement, cela permet de pointer un tableau de statistiques et demander une version en camembert, de survoler une recette pour en doubler les ingrédients, ou de pointer un PDF pour en obtenir un résumé en points à coller directement dans un email. Cette initiative s'inscrit dans une tendance plus large chez les grandes plateformes technologiques : rendre l'IA ambiante plutôt que cloisonnée dans une fenêtre de chat. Depuis l'émergence des grands modèles de langage grand public, la friction principale reste l'interface : les modèles sont puissants, mais les utilisateurs doivent sérialiser manuellement leur environnement en texte pour les actionner. DeepMind formalise quatre principes de conception pour y remédier, dont "maintenir le flux" (l'IA suit l'utilisateur là où il travaille, sans détour) et "montrer et dire" (le pointeur capte le contexte visuel, remplaçant les prompts détaillés par un simple geste). Microsoft avance en parallèle avec Copilot intégré à Windows, tandis qu'Apple mise sur des capacités similaires avec Apple Intelligence. Avec l'annonce simultanée des laptops Googlebook et le déploiement dans Chrome, Google positionne Gemini comme une couche système universelle, ce qui pourrait redéfinir profondément la manière dont des centaines de millions d'utilisateurs interagissent avec leur ordinateur au quotidien.

Android reçoit une refonte majeure axée sur l'IA en 2026

À quelques jours de sa conférence annuelle Google I/O, prévue la semaine prochaine, Google a décidé d'anticiper et de dévoiler en avant-première les grandes évolutions d'Android pour les prochains mois. L'entreprise annonce un déploiement progressif de nouvelles fonctionnalités d'intelligence artificielle regroupées sous la bannière Gemini Intelligence. L'automatisation des applications constitue la pièce maîtresse de cette mise à jour : déjà testée en 2026 avec DoorDash et Uber sur les téléphones Pixel et Samsung, cette fonction s'étend désormais à des scénarios beaucoup plus complexes. Google donne deux exemples concrets : le système pourrait récupérer un programme de cours dans Gmail puis basculer automatiquement vers une application de commerce en ligne pour ajouter les livres nécessaires au panier, ou encore analyser la photo d'une brochure de voyage et réserver un séjour similaire directement via l'application Expedia. Cette évolution marque un tournant dans la manière dont les assistants IA interagissent avec les smartphones. Jusqu'ici cantonnés à des réponses textuelles ou à des actions isolées, ils deviennent capables d'enchaîner des tâches concrètes à travers plusieurs applications sans intervention de l'utilisateur. Pour les consommateurs, cela signifie déléguer des actions du quotidien, achats, réservations, organisation, à un agent qui agit en leur nom. Pour les développeurs et les commerçants, c'est une nouvelle couche d'interaction avec leurs utilisateurs qui se dessine, portée par l'infrastructure de Google plutôt que par leurs propres interfaces. Le lancement initial de l'automatisation d'applications avait été accueilli avec frustration, Google reconnaissant implicitement des lacunes en annonçant des mois de travail d'ajustement depuis. Cette annonce anticipée avant Google I/O reflète également la pression concurrentielle intense : Apple Intelligence, Microsoft Copilot et les assistants de Samsung se disputent le même terrain. En faisant de Gemini le système nerveux central d'Android, Google cherche à imposer son modèle d'IA comme standard incontournable sur plus de trois milliards d'appareils Android dans le monde, avec des partenariats applicatifs qui pourraient rapidement s'étendre bien au-delà d'Uber et DoorDash.

JBS Dev : données imparfaites et le dernier kilomètre de l'IA, de la performance des modèles à la viabilité des coûts

Joe Rose, président de JBS Dev, un fournisseur de technologies stratégiques, remet en question l'un des mythes les plus répandus autour de l'IA générative : celui selon lequel les données doivent être parfaites avant de lancer tout projet d'IA. Lors de sa participation à l'AI & Big Data Expo, Rose a détaillé comment les outils actuels permettent de travailler efficacement avec des données imparfaites, en donnant l'exemple concret d'un client dans le secteur médical. L'objectif était de migrer vers un nouveau système de réconciliation de facturation, avec des dossiers hétérogènes : certains en PDF, d'autres sous forme d'images scannées, des noms de médecins mal placés dans les champs patients, des procédures mal catégorisées. L'IA générative a permis d'extraire les données exploitables via OCR et extraction de texte, puis des approches plus agentiques ont pris le relais, comme la comparaison automatique entre un dossier patient et un contrat d'assurance pour vérifier que la facturation était correcte. Le niveau d'automatisation est ainsi passé de 20 % à 40 %, puis 60 %, puis 80 %, avec un humain dans la boucle pour traiter les cas limites. Ce changement de paradigme a des implications concrètes pour les entreprises qui hésitent à se lancer dans des projets d'IA par peur d'un patrimoine data insuffisant. Rose souligne que les conseils des éditeurs et consultants, qui recommandent des lacs de données massifs et des programmes de transformation pluriannuels, servent avant tout leurs propres intérêts commerciaux. En pratique, un LLM est capable de comprendre une instruction à moitié rédigée, ce qui rend ces systèmes étonnamment robustes face à la qualité variable des données. La vraie rupture culturelle est ailleurs : les équipes IT doivent abandonner le réflexe "on construit, ça tourne, on oublie", car les systèmes agentiques nécessitent une supervision continue et une montée en automatisation progressive. Les prochains enjeux du secteur ne seront pas dans la course aux capacités des modèles, estime Rose, mais dans leur soutenabilité économique et leur portabilité. La question centrale devient : comment faire tourner ces modèles sur un laptop ou un smartphone plutôt que dans des data centers que l'on construit à un rythme difficilement tenable ? Rose va plus loin avec une prise de position tranchée : les entreprises devraient arrêter d'acheter des solutions SaaS pour des cas d'usage IA qu'elles peuvent implémenter elles-mêmes. Les outils cloud des trois grands fournisseurs (AWS, Azure, Google Cloud) suffisent pour démarrer des workloads agentiques dès demain, sans nouvelles licences ni formations spécifiques. Une position qui tranche avec les discours dominants de l'écosystème, et qui reflète une maturité croissante du marché face aux promesses de l'IA d'entreprise.