Dossier Perplexity AI — page 2

Anthropic relance Claude Fable 5 avec des garde-fous de sécurité renforcés

Anthropic a relancé Claude Fable 5 le 1er juillet 2026, après une journée d'indisponibilité qui avait provoqué une forte demande contenue chez les utilisateurs. L'entreprise a précisé que certaines requêtes, notamment liées à la cybersécurité, pourraient désormais être redirigées vers Opus 4.8 en raison de nouveaux garde-fous, et que les classificateurs de sécurité biologie/chimie restent pour l'instant trop larges dans leur détection. Les limites de débit (rate limits) ont été réinitialisées pour tous les utilisateurs une fois le modèle de nouveau disponible. L'écosystème d'outils a immédiatement intégré ce retour : Cursor indique que Fable 5 domine ses évaluations internes mais reste le modèle le plus coûteux par tâche, Devin l'a déployé sur ses versions Cloud, Desktop et CLI, et Perplexity l'a rétabli comme modèle d'orchestration. Sur le plan des benchmarks, Fable 5 obtient 16,10% sur le Remote Labor Index selon les données relayées par kimmonismus, tandis qu'Artificial Analysis situe Sonnet 5 en deuxième position sur AA-Briefcase, avec toutefois davantage de tours d'échange et un rapport coût-performance moins favorable aux niveaux d'effort les plus bas. Le fait marquant n'est pas tant le retour du modèle que la manière dont les développeurs s'adaptent aux contraintes des modèles de pointe. Plusieurs d'entre eux, dont l'utilisateur Theo, décrivent désormais une architecture multi-modèles plutôt qu'une dépendance à un seul système : Fable 5 est réservé au raisonnement et à la planification de haut niveau, tandis que l'implémentation, la vérification et les tâches d'usage d'ordinateur sont déléguées à d'autres modèles, ce qui améliorerait sensiblement le taux de succès des pull requests de bout en bout. Omar Sar et Mikhail Parakhin partagent une analyse proche : plutôt que de construire un pré-classificateur de tâches simples pour router les requêtes, mieux vaut concevoir directement des stratégies combinant plusieurs modèles, car un routage fiable exige souvent d'avoir déjà résolu la tâche elle-même. Cette évolution reflète une maturation du marché des agents de code, où la robustesse prime désormais sur la dépendance à un fournisseur unique. En parallèle, le laboratoire chinois Z.ai a lancé ZCode, un environnement de développement officiel dédié à son modèle ouvert GLM-5.2, avec prise en charge du BYOK (bring your own key), disponibilité multiplateforme et un quota de requêtes renforcé pour les abonnés à son offre de codage. LangChain a publié des guides d'intégration de GLM-5.2 dans des flux de code, et son fondateur Harrison Chase note que des développeurs en font déjà leur modèle quotidien. Sur le benchmark APEX-SWE, GLM-5.2 devient le premier modèle ouvert à dominer une catégorie, avec 55,3% de réussite au premier essai sur les tâches d'intégration, Kimi K2.7 le suivant de près ; des voix comme scaling01 tempèrent néanmoins l'idée que les modèles ouverts auraient dépassé les modèles occidentaux, tout en reconnaissant un écart de performance en code qui se réduit rapidement. Côté infrastructure, vLLM a intégré le décodage spéculatif DSpark pour les modèles DeepSeek, atteignant environ 250 tokens par seconde sur huit GPU B300, et des accélérations comparables ont été rapportées pour GLM-5.2 et Qwen3-32B, signe que la course à l'inférence rapide s'intensifie autant que celle des capacités.

💬 Le retour de Fable 5, je m'en fiche un peu, ce qui compte c'est ce que la panne a révélé : plus personne de sérieux ne mise tout sur un seul modèle. Fable 5 pour réfléchir, un autre pour coder, un troisième pour vérifier, c'est déjà la norme chez les devs qui livrent en prod, et ça fait grimper le taux de succès des pull requests. Le fantasme du routage automatique intelligent, lui, en prend un coup : comme le dit Omar Sar, pour router une tâche il faut déjà l'avoir résolue soi-même.

Stratégie GEO : le futur du Search entre prolongement et rupture ?

L'intégration des grands modèles de langage (LLM) dans les moteurs de recherche impose depuis 2026 une nouvelle discipline : le GEO, ou Generative Engine Optimization. Manon Clouet, experte SEO/GEO chez l'agence Sonate, a publié une analyse posant la question centrale : l'optimisation pour l'IA générative constitue-t-elle une rupture complète avec le SEO traditionnel, ou son prolongement naturel ? Sa réponse est nuancée. Sur le plan technique, les fondamentaux restent stables, pertinence sémantique, autorité de domaine, qualité des contenus. Mais elle identifie une rupture anthropologique profonde : l'interlocuteur final n'est plus un algorithme de classement comme PageRank, c'est un modèle conversationnel qui répond, synthétise et dialogue. Google lui-même navigue entre ces deux visions, confirmant une période de coexistence entre l'ancien et le nouveau paradigme. Ce glissement change concrètement les leviers d'action pour les équipes marketing et SEO. Là où il suffisait autrefois d'optimiser pour un algorithme lisible et prévisible, il faut désormais convaincre une IA de sélectionner sa source parmi des milliers. Clouet identifie plusieurs piliers opérationnels : l'authenticité et la vérifiabilité des informations, la citation par des sources d'autorité (presse, sites institutionnels), l'optimisation des fiches Google My Business comme signal de confiance local, et la structuration chirurgicale des contenus via des balises Schema.org. Les sections FAQ et les encadrés "points à retenir" en début d'article deviennent stratégiques, car ils anticipent les requêtes conversationnelles et facilitent l'extraction automatique de faits clés par le LLM. Pour les réseaux de franchises dans des secteurs locaux comme la menuiserie ou les services à domicile, les pages d'agence ultra-précises, avec tarifs, zones d'intervention, certifications, se révèlent particulièrement efficaces pour alimenter à la fois le SEO classique et les moteurs génératifs. Le contexte qui mène à cette mutation est celui de l'explosion de l'usage de ChatGPT, Perplexity et des AI Overviews de Google depuis 2023-2024, qui ont progressivement redirigé une partie du trafic informationnel vers des réponses synthétisées plutôt que vers des listes de liens. Les éditeurs de contenus et les agences digitales font face à une érosion des clics organiques sans que les positions de classement ne bougent, créant un angle mort dans leurs métriques habituelles. Les enjeux sont particulièrement importants pour les marques dont la visibilité repose sur la recherche locale ou sectorielle. Les suites probables incluent une professionnalisation rapide du GEO comme discipline à part entière, une demande croissante d'outils de mesure de la "citabilité" par les LLM, et une pression accrue sur la qualité factuelle des contenus à mesure que les modèles deviennent plus sélectifs dans leurs sources.

L’avenir du SEO en 2026 : comment adapter votre stratégie à l’ère des moteurs IA

En 2026, les moteurs de recherche alimentés par l'intelligence artificielle, Gemini, ChatGPT Search, Perplexity, ont profondément reconfiguré le paysage du référencement naturel. Bertrand Masselot, fondateur de l'agence VOLUMIUM et spécialiste de la visibilité en ligne, dresse un état des lieux sans catastrophisme : le GEO (Generative Engine Optimization), aussi appelé AI SEO, n'est pas un nouveau métier mais une extension du SEO classique. Pour lui, maîtriser la visibilité dans les moteurs IA en 2026 revient à appliquer les mêmes réflexes que le SEO traditionnel, à condition d'accepter une remise en question quasi quotidienne et une veille permanente sur les évolutions des modèles. Il identifie trois grandes voies de captation d'audience désormais incontournables : l'organique via le SEO classique, la vidéo et les plateformes communautaires de type Reddit ; le payant avec Google Ads et l'arrivée imminente de ChatGPT Ads ; et enfin le SEO agentique, où le LLM devient lui-même l'interface d'achat directe. Ce qui change concrètement, c'est la capacité des IA à court-circuiter la visite sur le site source en livrant directement la réponse à l'utilisateur. Pour les acteurs du conseil ou de l'information, le risque est réel : si l'IA dispense gratuitement ce qui aurait dû être monétisé, le modèle économique vacille. La réponse passe par un branding fort et un positionnement de marque clair, afin d'être cité et recommandé dans les réponses générées. Mais le problème le plus aigu reste la mesure : sans cookies, sans URL dans les conversations privées des LLM, les outils analytics traditionnels sont aveugles. Masselot le reconnaît franchement : personne n'a encore la vraie réponse. L'industrie est contrainte d'inventer de nouveaux indicateurs, fréquence d'apparition d'une marque dans les réponses IA, nombre de "query Fan-Out" (les sous-requêtes que le LLM génère pour construire sa réponse), et de passer de la mesure directe à l'estimation déduite. Paradoxalement, cette transformation radicale de la surface confirme la solidité des fondations techniques héritées du SEO classique. Maillage interne, analyse des logs, temps de chargement rapide : ces éléments continuent d'influencer le référencement Google et constituent aussi le substrat dont se nourrissent les modèles IA. Car si les LLM ne lisent pas les pages HTML comme Googlebot, ils consomment les données structurées cachées derrière : JSON-LD, schémas sémantiques, Knowledge Graph de Google et Bing, graphes d'entités et leurs relations. La bataille de la visibilité en 2026 se joue donc en grande partie dans cette couche invisible du web, celle que les moteurs d'IA utilisent pour construire leurs réponses sans jamais montrer la source.

Enregistrer une compétence

OpenAI a dévoilé une fonctionnalité majeure pour son agent de code Codex : le mode Record & Replay, qui permet de montrer au système un flux de travail répétitif une seule fois, comme remplir une note de frais ou soumettre une demande de congé, pour qu'il le transforme automatiquement en une compétence réutilisable, inspectable et modifiable. Dans le même élan, Anthropic a annoncé que Claude Code supporte désormais les Artefacts, des pages HTML interactives partageables pouvant servir de tableaux de bord de projet ou de récapitulatifs de pull requests, disponibles en bêta pour les plans Team et Enterprise. OpenAI a également élargi Daybreak, son programme de cybersécurité, avec une nouvelle version de GPT-5.5-Cyber réservée à ses partenaires de confiance, capable de reproduire davantage de vulnérabilités que son prédécesseur, ainsi qu'avec Patch the Planet, une initiative pour accélérer la correction de failles dans les logiciels open source. De son côté, Sakana AI a lancé Fugu, une API qui orchestre plusieurs modèles sur des tâches complexes et revendique un score de 73,7 sur SWE-bench Pro et 82,1 sur TerminalBench 2.1, des performances proches de Fable, même si des lacunes subsistent en usage réel. Ces annonces illustrent une tendance de fond : les outils d'IA passent du stade de l'assistant ponctuel à celui d'un système d'automatisation durable. La fonctionnalité Record & Replay de Codex réduit concrètement la friction pour les équipes qui gèrent des processus administratifs ou métiers répétitifs, sans exiger de compétences en programmation. Les Artefacts de Claude Code ouvrent la voie à une collaboration plus riche entre développeurs, en rendant les livrables de l'IA directement partageables. Pour la cybersécurité, l'extension de Daybreak signale qu'OpenAI positionne ses modèles comme des outils offensifs et défensifs à part entière pour les professionnels du secteur. Ces développements s'inscrivent dans une semaine particulièrement dense pour l'écosystème de l'IA générative. L'API Interactions de Google est passée en disponibilité générale, unifiant accès aux modèles et aux agents sous une même interface. GPT-5.5 Instant a amélioré ses performances sur les questions médicales, atteignant le niveau des meilleurs modèles de raisonnement d'OpenAI selon l'entreprise. Perplexity Computer a intégré un système de mémoire baptisé Brain. Stripe a ouvert un répertoire permettant aux agents de rechercher et de payer des services directement depuis la ligne de commande. ElevenLabs, enfin, a lancé un moteur publicitaire capable de localiser des spots dans plus de 50 langues. La vitesse à laquelle ces capacités s'accumulent suggère que 2026 marque un tournant dans l'autonomie réelle des agents, avec des workflows complets désormais déléguables de bout en bout.

💬 Record & Replay de Codex, c'est le truc qui résume tout : tu montres une fois, ça devient une compétence durable. C'est le passage du copilote ponctuel à l'automatisation métier réelle, sans ligne de code à écrire. Reste à voir si ça tient sur des workflows un peu moins lisses que la note de frais modèle.

3 leviers méconnus pour s’imposer dans les agents IA grâce au GEO

La montée en puissance des assistants IA comme ChatGPT, Gemini et Perplexity redessine profondément les règles de la visibilité en ligne. Face à ces nouveaux moteurs de réponse, le référencement classique ne suffit plus : les entreprises doivent désormais optimiser leur présence pour être citées directement par des systèmes qui synthétisent l'information et répondent sans renvoyer vers les sources. C'est dans ce contexte qu'Emmanuel de Vauxmoret, expert inscrit à la cour d'appel de Paris, identifie trois leviers encore méconnus du GEO, le Generative Engine Optimization, pour s'imposer dans les réponses générées par l'IA. Cette évolution change concrètement la donne pour les équipes marketing et SEO : là où Google renvoyait du trafic vers les sites, les agents IA absorbent l'information et la restituent directement à l'utilisateur. Être ignoré par ces systèmes, c'est devenir invisible pour une part croissante du public, notamment les professionnels qui s'appuient quotidiennement sur ces outils pour s'informer et prendre des décisions. Le GEO s'inscrit dans une transformation plus large des habitudes de recherche, accélérée par l'explosion de l'usage des LLM grand public depuis 2023. Les entreprises qui maîtrisent tôt ces nouvelles règles de citation, structurer l'information de façon factuelle, construire une autorité thématique cohérente, et produire du contenu facilement synthétisable, disposent d'un avantage concurrentiel réel avant que la discipline ne se standardise.

💬 Le SEO était déjà en train de muter, mais là c'est une rupture franche : les agents IA ne redirigent pas, ils répondent, et si tu n'es pas cité dans leur réponse tu n'existes plus pour une part du public. Le GEO n'est pas du SEO rebrandé, c'est une logique différente, celle de l'autorité thématique et de la structuration factuelle plutôt que du jeu de mots-clés. Reste à voir combien d'équipes marketing vont vraiment changer leur façon de produire du contenu, plutôt que coller "optimisé GEO" sur leurs vieilles pratiques.

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.

SEO et GEO : comment l’IA redéfinit les règles de l’acquisition en 2026

En 2026, les habitudes de recherche en ligne connaissent une rupture mesurable : 37 % des consommateurs débutent désormais leurs recherches via un grand modèle de langage plutôt que sur Google, selon une étude Adobe publiée en 2025. Chez la génération Z, le phénomène est encore plus prononcé, 28 % ouvrent ChatGPT avant même de lancer un moteur de recherche classique. Le trafic organique, pilier historique de l'acquisition digitale, se fragmente sous la pression des interfaces conversationnelles. Pour les entreprises et les équipes marketing, l'enjeu est immédiat : si un LLM répond directement à la question d'un utilisateur sans renvoyer vers un site, le flux de visiteurs s'effondre sans que le contenu soit mauvais. C'est l'émergence du GEO, Generative Engine Optimization, une discipline complémentaire au SEO traditionnel, qui vise à rendre un contenu citable et recommandable par les IA génératives. Être bien référencé sur Google ne suffit plus si ChatGPT, Perplexity ou Gemini ignorent votre marque dans leurs réponses. Ce basculement s'inscrit dans une tendance lourde amorcée depuis le lancement de ChatGPT fin 2022 et accélérée par l'intégration de l'IA dans les moteurs de recherche eux-mêmes, Google AI Overviews en tête. Le SEO demeure incontournable, mais il doit désormais coexister avec des stratégies de visibilité dans les modèles génératifs : structuration des données, autorité éditoriale, citations dans des sources de référence. Les agences et outils spécialisés en GEO prolifèrent, signalant que la bataille pour l'attention se joue maintenant à deux niveaux simultanément.

Sakana AI lance un agent 'ultra deep research' : des rapports de plus de 100 pages en 8 heures

La startup japonaise Sakana AI, basée à Tokyo, a lancé son premier produit commercial, Sakana Marlin, un agent de recherche autonome destiné aux entreprises. Présenté comme un "directeur stratégique virtuel", Marlin ne génère pas de réponses en quelques secondes comme les chatbots classiques : il tourne en boucle de raisonnement pendant jusqu'à huit heures d'affilée pour produire des rapports stratégiques de plus de cent pages, accompagnés de diapositives exécutives, d'annexes et de références bibliographiques. Le produit est disponible immédiatement sur le site de l'entreprise, avec une tarification à l'usage, et cible exclusivement les grandes entreprises, les institutions financières et les think tanks. L'utilisateur soumet un sujet de recherche, échange brièvement avec le système pour affiner le périmètre, puis laisse Marlin travailler seul. Sakana a publié des exemples de rapports générés, portant notamment sur des scénarios de blocage du détroit d'Ormuz, la cartographie des réglementations mondiales sur l'IA, ou encore le retour des "bond vigilantes" sur les marchés obligataires. Ce lancement marque un tournant dans la manière dont les grandes organisations envisagent l'IA. Depuis deux ans, l'industrie a été dominée par la course à la vitesse : générer un texte, un résumé ou du code en quelques millisecondes. Marlin renverse cette logique en pariant sur la profondeur plutôt que la rapidité. Pour une multinationale ou un fonds d'investissement, la valeur ne réside plus dans la réactivité, mais dans la capacité à synthétiser des sources hétérogènes, à croiser des données, à formuler des hypothèses et à les tester automatiquement, le tout sans intervention humaine. C'est un glissement de paradigme : l'IA cesse d'être un assistant réactif pour devenir un analyste autonome capable de mener une investigation stratégique complète en une journée de travail. Sakana AI a été fondée par des anciens de Google Brain, dont David Ha et Llion Jones, co-auteur du papier fondateur "Attention is All You Need". L'entreprise a construit Marlin sur deux avancées internes majeures : l'Adaptive Branching Monte Carlo Tree Search (AB-MCTS), une technique de raisonnement inspirée des moteurs d'échecs qui explore des milliers de chemins possibles avant de choisir la meilleure piste, et "The AI Scientist", un projet de recherche publié dans Nature qui avait automatisé le processus de découverte scientifique de bout en bout. Marlin est la traduction commerciale de ces travaux de laboratoire. Sakana n'a pas précisé quels modèles de langage il utilise en coulisses. Dans un marché où OpenAI, Perplexity et Google proposent déjà des fonctions de "deep research", Sakana se différencie par l'échelle temporelle et la profondeur de sortie, positionnant Marlin non pas comme un concurrent des chatbots grand public, mais comme un outil de conseil stratégique automatisé à destination des décideurs.

Repenser le SEO B2B à l’ère de l’IA : l’importance stratégique de la perception

En 2026, le SEO B2B vit une mutation silencieuse mais radicale sous l'effet des intelligences artificielles génératives. Cyril Bladier, expert reconnu en stratégie digitale B2B, le formule sans détour : là où Google proposait une liste de liens classés, ChatGPT, Gemini ou Perplexity formulent une réponse rédigée. L'enjeu n'est donc plus d'apparaître en première position, mais d'être la substance même de ce que l'IA a retenu d'un secteur. La décision d'achat B2B se joue désormais bien avant le clic, dans le dialogue privé de l'acheteur avec un assistant conversationnel, une conversation que personne n'enregistre et qu'aucun outil d'analytics ne capte. Le phénomène du « zéro-clic » ne tue pas le prospect, il tue l'indicateur que les équipes marketing avaient l'habitude de mesurer. Sur LinkedIn, devenu un véritable moteur de recherche B2B en puissance, ce n'est plus le nombre de likes qui compte, mais le « dwell time », le temps d'attention réel accordé à un contenu. Un article long lu attentivement vaut infiniment plus qu'une série de posts survolés. L'impact concret pour les entreprises B2B est considérable : être cité dans les réponses d'une IA ne garantit pas d'être choisi. Des outils émergent pour traquer les mentions de marque dans les réponses générées, mais Bladier met en garde contre leur usage naïf. Un « score de visibilité » affiché de manière rassurante transforme un simple comptage de citations en illusion de mesure de perception. Ce qui échappe totalement à ces outils, c'est ce que l'acheteur retient d'une citation, le jugement qu'il forge en privé, la confiance ou la méfiance qui s'installe avant même de visiter un site. Pour être recommandée par une IA, une entreprise ne peut pas s'appuyer uniquement sur un site bien structuré et des balises optimisées : l'IA s'appuie massivement sur la preuve sociale dispersée sur le web, les forums, les avis clients, les discussions sectorielles, autant de signaux qui se construisent là où les marques n'ont pas la main. Ce bouleversement est le fruit d'une mutation épistémologique accélérée depuis l'irruption des grands modèles de langage dans les usages quotidiens. Bladier invite les dirigeants à changer de question de fond : tant que l'on se demande comment répartir le budget entre SEO classique, publicité payante et optimisation IA, on range des meubles dans une maison dont les murs bougent. Le personal branding des dirigeants est devenu un actif SEO à part entière, et la réputation se construit désormais de manière holistique, sur de multiples canaux, souvent hors du contrôle direct des marques. L'enjeu stratégique pour les prochaines années sera de bâtir une perception de marché solide et cohérente, visible non seulement pour les algorithmes de recherche traditionnels, mais surtout pour les modèles d'IA qui synthétisent et filtrent l'information avant que l'acheteur ne formule sa décision.

Google vient (encore) de rendre NotebookLM plus intelligent

Google a déployé le 8 juin 2026 une mise à jour majeure de NotebookLM, son outil d'assistance à la recherche, en l'alimentant avec le modèle Gemini 3.5. La nouveauté la plus structurante est l'intégration directe de la recherche Google dans le flux de travail : l'utilisateur peut désormais démarrer un projet sans importer aucun document au préalable. Une simple question suffit pour que l'outil parte lui-même chercher des sources sur le Web, les évalue et en propose une sélection. L'utilisateur conserve la main sur les sources effectivement intégrées, mais le service ne se contente plus de traiter de la matière fournie, il participe activement à sa collecte. Par ailleurs, NotebookLM intègre désormais un environnement cloud sécurisé basé sur la plateforme Antigravity de Google, qui lui permet d'exécuter du code, de manipuler des jeux de données, de produire des analyses et de générer des graphiques. Les exports couvrent maintenant PDF, feuilles Excel, présentations PowerPoint, tableaux CSV et visualisations d'images. Cette mise à jour est réservée, au lancement, aux abonnés Google AI Ultra. Ces évolutions changent concrètement la nature de l'outil. NotebookLM glisse du statut de résumeur de documents vers celui d'assistant de recherche agentique, capable de couvrir l'intégralité du flux de travail : collecte, analyse, synthèse, présentation. Pour les chercheurs, étudiants et professionnels qui traitent de gros volumes d'information, la combinaison recherche autonome et exécution de code représente un gain de temps substantiel. La possibilité d'exporter directement vers les formats bureautiques standards réduit les frictions entre la phase exploratoire et la phase de restitution, deux moments qui exigent aujourd'hui souvent des outils distincts. La limite reste la nécessité de vérifier les sorties de l'IA, en particulier les analyses de données, même lorsque le système paraît sûr de lui. NotebookLM avait été lancé en version expérimentale en 2023 avant d'être rendu public en 2024, en s'appuyant sur le principe du RAG, réponses ancrées dans des documents fournis par l'utilisateur plutôt que dans les données d'entraînement seules. Cette contrainte le distinguait des assistants généralistes, mais le limitait aussi à ce que l'utilisateur apportait. Le virage agentique annoncé ici place Google en concurrence directe avec des outils comme Perplexity ou les modes de recherche avancés de ChatGPT, qui misent eux aussi sur la capacité à aller chercher l'information de façon autonome. Google dispose d'un avantage structurel évident : son moteur de recherche. L'intégration native de cette infrastructure dans NotebookLM pourrait lui conférer une pertinence documentaire difficile à égaler pour ses concurrents, à condition que l'expérience utilisateur suive et que le produit sorte de sa niche d'abonnés premium.

💬 C'est exactement le virage qu'on attendait depuis que Perplexity a prouvé qu'aller chercher les sources soi-même, ça change tout. Google avait cet avantage depuis le début, son propre moteur, il l'intègre enfin là où ça compte. Bon, pour l'instant c'est AI Ultra only, donc faut pas s'attendre à ce que ça déferle tout de suite.

La stratégie SEO à l’épreuve de l’IA générative : une réinvention sociologique du Web

En 2026, le référencement naturel vit une mutation sans précédent. Les moteurs de recherche traditionnels cèdent du terrain face aux "moteurs de réponses" propulsés par l'IA générative, ChatGPT Search, Gemini, Perplexity, qui synthétisent l'information directement sans nécessiter de clic. Google a annoncé dès 2025 la conversion progressive de son modèle historique vers un "AI Mode" fondé sur le GEO, le Generative Engine Optimization, dont le déploiement en France reste freiné par des conflits législatifs. Adrien Pierrin, co-fondateur de Cereal Concept, agence toulousaine de développement web et d'optimisation digitale, pose un diagnostic clair : les LLM s'imposent désormais comme la nouvelle porte d'entrée sur l'information numérique, reléguant la barre de recherche classique à un usage résiduel. Le SEO traditionnel ne disparaît pas, il se transforme en AI SEO. L'impact concret pour les marques et éditeurs de contenu est immédiat : le trafic organique vers les sites web s'effondre à mesure que l'IA répond directement aux requêtes. Dans cette ère du zéro-clic, la question n'est plus "comment apparaître en première page ?" mais "comment rester visible et générer de la valeur quand l'utilisateur ne clique plus ?". Pierrin préconise de privilégier un contenu texte et image exclusif, fait main, clair et hiérarchisé en format FAQ, plutôt que les longs textes bourrés de mots-clés qui dominaient la décennie précédente. Les LLM favorisent la concision sémantique et les sources à forte valeur ajoutée. La diversification des canaux devient également stratégique : shorts, vidéos, forums, réseaux sociaux, être présent là où les IA s'informent, au-delà du seul site web. Ce basculement s'accompagne d'un retour paradoxal à l'humain. Face à la prolifération de contenus générés par l'IA, les moteurs de réponses survalorisent les plateformes communautaires, les avis d'experts et les forums participatifs, comme Reddit ou les sections commentaires des sites e-commerce. Le label "Fait/Pensé par un humain" tend à devenir un marqueur de crédibilité algorithmique, un rempart contre la dégradation de qualité que provoque la production automatisée à grande échelle. Cette dynamique traduit une mutation sociologique plus profonde : après avoir misé sur l'exhaustivité et le volume, le Web redécouvre la valeur de l'authenticité et du bouche-à-oreille numérique. Pour les agences et les marques, l'enjeu des prochains mois sera de bâtir une présence qui parle autant aux algorithmes d'IA qu'aux communautés humaines qui les alimentent.

Le ground truth est un processus, pas un jeu de données

Le groupe AGI d'Amazon a publié sur arXiv une étude qui remet en cause une des hypothèses fondamentales de l'évaluation des systèmes d'intelligence artificielle : l'idée que la « vérité de référence » (ground truth) est un ensemble de données fixe et fiable. Pour construire un outil capable de vérifier la fiabilité factuelle des rapports de recherche générés par l'IA, les chercheurs ont recruté des experts de niveau doctoral en informatique, théorie du contrôle, santé publique et ingénierie environnementale. Résultat inattendu : livrés à eux-mêmes, ces spécialistes n'ont obtenu que 60,8 % de précision sur un ensemble de réponses déjà connues, utilisé comme contrôle interne. Ce taux révèle non pas un manque d'expertise, mais la difficulté intrinsèque d'une tâche qui exige lecture longue, synthèse multi-documents et attention soutenue. Ce constat a conduit l'équipe à repenser en profondeur la manière dont on construit un benchmark. Plutôt que de traiter les étiquettes initiales des experts comme une vérité incontestable, les chercheurs ont développé un protocole appelé « audit-then-score » : lorsque le système de vérification automatique, DeepFact-Eval, conteste une réponse humaine, il ne se voit pas simplement pénalisé. Il doit soumettre des preuves concrètes et une argumentation écrite. Un auditeur, humain ou automatisé, compare alors cette contestation avec la justification originale, et si le challenger l'emporte, le benchmark est corrigé avant que le modèle ne soit noté. Ce renversement de logique est significatif : dans les tâches cognitivement exigeantes, un désaccord entre le modèle et le benchmark n'est plus automatiquement interprété comme une erreur du modèle, mais comme un signal potentiel d'ambiguïté dans les données d'évaluation elles-mêmes. L'enjeu dépasse largement Amazon. Les systèmes d'IA augmentés de recherche, capables de produire des synthèses longues combinant des dizaines de sources, se multiplient chez OpenAI, Google, Perplexity et d'autres acteurs. Ces rapports ressemblent de plus en plus à des analyses d'expert, mais leurs affirmations peuvent fusionner des éléments de plusieurs documents d'une façon qu'aucun outil de vérification classique ne sait traiter. Les outils existants sont conçus pour faire correspondre une affirmation à une courte citation ; ils échouent dès qu'une phrase dépend du contexte global d'un rapport. L'équipe publie conjointement DeepFact-Bench, un jeu de tests partagé pour comparer les systèmes, et DeepFact-Eval, le vérificateur automatique capable de planifier des recherches dans la littérature, de résumer les documents récupérés et de poser des questions complémentaires. La conclusion structurelle est claire : à mesure que les sorties de l'IA gagnent en complexité, la vérité de référence ne peut plus être un dataset statique, elle doit devenir un processus itératif.

Cognition lève 1 milliard de dollars lors d'une série D valorisée à 26 milliards

Cognition, le laboratoire spécialisé dans les agents IA, vient de lever 1 milliard de dollars lors d'un tour de table en Série D qui valorise la société à 26 milliards de dollars. Ce financement, annoncé fin mai 2026, représente une valorisation 2,5 fois supérieure à celle obtenue lors de sa Série C en septembre 2025, qui s'élevait à 10 milliards de dollars. Cognition devient ainsi officiellement le plus grand laboratoire d'agents IA indépendant encore en activité. La société projette un chiffre d'affaires annuel récurrent dépassant 1 milliard de dollars d'ici la fin de l'année 2026, une trajectoire alimentée par une clientèle déjà constituée d'acteurs exigeants de l'écosystème startup et entreprise, parmi lesquels Exa et Modal. Cette levée illustre l'appétit persistant des investisseurs pour les agents IA autonomes, segment en train de redéfinir le marché des logiciels d'entreprise. Dans le SaaS, l'ARR est un indicateur retardé de l'utilisation réelle : si Cognition projette ce seuil du milliard, c'est que des déploiements significatifs sont déjà actifs chez ses clients. La dynamique s'inscrit dans une logique de concentration du financement autour de quelques laboratoires indépendants capables de tenir tête aux grandes plateformes que sont OpenAI, Anthropic ou Google DeepMind. Cognition, positionné sur les agents codeurs autonomes, s'impose comme un acteur de référence dans une catégorie dont la valeur potentielle continue d'attirer des capitaux massifs. Cette annonce intervient dans un contexte d'effervescence technique autour de l'inférence et de l'architecture des agents. Sur le front de l'efficacité, plusieurs avancées ont marqué la semaine : EAGLE 3.1 améliore le décodage spéculatif pour les longues séquences, Perplexity a publié en open source un tokeniseur réduisant de 5 à 6 fois la charge CPU, et Qwen3.5 atteindrait 580 tokens par seconde pour des charges de travail agentiques grâce à une collaboration entre Alibaba, NVIDIA et les contributeurs de FlashAttention-4. Parallèlement, LangChain a livré Deep Agents v0.6 avec les Delta Channels, réduisant le stockage des points de contrôle pour une session de codage de 200 tours de 5,3 Go à seulement 129 Mo. La plateforme Trajectory a également été lancée pour permettre aux équipes d'utiliser les traces d'agents et les signaux d'usage produit dans une logique d'apprentissage continu. Ces évolutions techniques signalent un glissement de paradigme : ce n'est plus seulement la qualité du modèle qui fait la différence, mais l'adéquation entre le modèle, son environnement d'exécution et sa mémoire.

💬 26 milliards pour Cognition, ça fait un choc. Mais le chiffre qui compte c'est le milliard d'ARR projeté d'ici décembre : des déploiements déjà actifs chez des clients exigeants, et une valorisation multipliée par 2,5 en six mois pour un labo qui n'existait quasiment pas il y a trois ans. Et l'Europe dans tout ça, elle regarde.

Sarang Kulkarni : les enseignements du développement d'agents de recherche approfondie en production

Sarang Kulkarni, architecte chez Thoughtworks, a présenté lors de l'Arc of AI Conference 2026 les enseignements tirés du déploiement en production de systèmes d'agents de recherche approfondie. Ces systèmes, appelés Deep Research Agentic Systems, sont des agents IA capables de conduire des investigations en plusieurs étapes sur des questions complexes : ils combinent raisonnement dynamique, récupération d'information en chaîne (multi-hop retrieval) et génération de rapports analytiques structurés, allant bien au-delà des chatbots classiques. Ces architectures multi-agents représentent un saut qualitatif pour les entreprises qui ont besoin d'automatiser des tâches de veille, d'analyse concurrentielle ou de recherche documentaire. Là où un LLM standard répond à une question en une passe, un agent de recherche profonde décompose le problème, interroge plusieurs sources, valide ses hypothèses et synthétise un rapport cohérent. Le retour d'expérience de Thoughtworks, cabinet de conseil technologique présent dans le monde entier, est particulièrement précieux car il aborde les réalités du déploiement en production : latence, fiabilité, coûts opérationnels et maintenance des workflows. L'intervention de Kulkarni s'inscrit dans une tendance de fond : après l'engouement pour les LLMs, l'industrie entre dans une phase d'industrialisation des agents IA. Des acteurs comme Google avec Deep Research, Perplexity ou OpenAI ont popularisé le concept, mais les pratiques de déploiement en entreprise restent peu documentées. Les conférences spécialisées comme Arc of AI 2026 deviennent des espaces clés pour partager ce savoir tacite, avant que les standards de l'ingénierie agentique ne se cristallisent.

Le SaaS est-il mort ?

La question commence à circuler sérieusement dans les cercles tech : le SaaS est-il en train de mourir ? Dans sa newsletter Ben's Bites, l'investisseur et analyste Dan Shipper défend une thèse nuancée mais inquiétante pour les éditeurs de logiciels traditionnels. Le problème ne vient pas de ce que les entreprises peuvent désormais coder leurs propres outils grâce à l'IA, c'est un argument souvent avancé mais qui reste marginal en pratique. Le vrai problème, selon lui, est structurel : les outils SaaS sont conçus pour une base d'utilisateurs massive, ils grossissent en permanence, accumulent des fonctionnalités, modifient leurs interfaces, et finissent par dépasser les besoins réels de leurs clients. L'utilisateur ne voulait qu'une fraction du produit, et se retrouve prisonnier d'un outil qui a outgrown lui. Cette semaine, plusieurs actualités illustrent concrètement cette bascule : OpenAI a sorti du stade expérimental le mode "Goal" de Codex, qui permet d'exécuter des workflows en plusieurs étapes avec un objectif unique en tête. Le protocole MCP reçoit une mise à jour majeure dont la finalisation est prévue pour le 28 juillet, ajoutant le support natif pour les interfaces applicatives, les tâches longues, et des règles de sécurité renforcées. Perplexity a open-sourcé Bumblebee, un scanner de sécurité pour machines de développeurs qui détecte les packages risqués et les configurations d'agents IA sans exécuter les outils inspectés. Ce mouvement a des conséquences directes pour les entreprises qui achètent des logiciels. Si les outils rigides perdent de leur attrait, les architectures composables gagnent en valeur. WorkOS, dont le positionnement officiel est « un ensemble de blocs de construction pour ajouter rapidement des fonctionnalités enterprise à vos applications », et Stripe, qui propose ses services en modules indépendants, incarnent ce nouveau modèle. Pour les professionnels tech, l'enjeu est concret : ils peuvent désormais assembler un éditeur de documents ici, un agent là, et composer un outil sur mesure pour leur usage exact, sans payer pour l'excédent de features qu'ils n'utiliseront jamais. C'est ce que l'auteur appelle l'ère du « logiciel personnalisable ». La montée en puissance des agents IA accélère cette transformation. Un logiciel que l'on ne peut pas piloter par API, CLI ou SDK devient difficile à intégrer dans des workflows automatisés, et donc progressivement obsolète. Les startups qui parient sur cette logique prolifèrent : WorkOS vient de publier auth.md, un protocole ouvert permettant aux agents de s'enregistrer à des services web au nom des utilisateurs. Cloudsail propose des sandboxes Cloudflare fraîches pour agents de code, avec accès shell, Codex et GitHub. Un fondateur solo décrit même dans un billet comment il fait tourner une startup entière avec des agents IA dans les rôles de directeur de cabinet (OpenClaw) et d'ingénieurs (Codex, Devin). L'industrie SaaS n'est peut-être pas morte, mais son modèle monolithique, lui, est sérieusement menacé.

Nexos.ai : on a testé l’outil qui veut convaincre votre DSI que l’IA n’est pas une passoire

Nexos.ai, la plateforme développée par Nord Security, l'éditeur à l'origine de NordVPN, propose une solution de gouvernance de l'intelligence artificielle en entreprise. Le principe est simple : plutôt que de créer un nouveau modèle maison, Nexos fait office de hub centralisé permettant aux équipes d'accéder aux grands modèles du marché, OpenAI, Anthropic, Google, Mistral, depuis un environnement contrôlé, avec des journaux d'activité, des règles configurables et un administrateur aux commandes. L'interface, pensée pour être accessible sans formation, permet de choisir son modèle via un menu déroulant, de définir un profil global avec des instructions permanentes, et de désactiver la mémorisation d'un simple interrupteur. Un détail attire l'attention : un drapeau européen signale les modèles traités sur des serveurs en Europe, garantie concrète pour les entreprises soumises au RGPD. Côté routing, la plateforme dirige intelligemment les tâches vers le modèle le plus adapté, un modèle d'embedding Mistral pour indexer un PDF, sans mobiliser un modèle coûteux, sans que l'utilisateur n'ait à intervenir. L'enjeu adressé est loin d'être anecdotique. Le phénomène dit du "Shadow AI", ces salariés qui utilisent leur compte personnel ChatGPT ou Claude pour coller des contrats, des roadmaps ou des bilans RH, représente en 2026 l'un des principaux vecteurs de fuite de données sensibles en entreprise, non par malveillance, mais faute d'alternative sérieuse mise à disposition. Nexos tente de combler ce vide en offrant aux DSI une visibilité réelle sur les usages, et aux employés un outil suffisamment fluide pour ne pas générer de contournements. Pour un DAF surveillant sa facture cloud, l'optimisation automatique du routing entre modèles représente aussi un argument économique tangible, invisible pour l'utilisateur final mais visible dans les coûts d'infrastructure. Nord Security n'est pas un inconnu dans l'espace cybersécurité : l'entreprise a construit sa réputation sur NordVPN, un produit grand public devenu référence dans la protection de la vie privée en ligne. Ce positionnement lui confère une crédibilité initiale sur le marché de la gouvernance IA, un segment en pleine structuration alors que les régulations se durcissent des deux côtés de l'Atlantique, l'AI Act européen en tête. La limite que la revue identifie est structurelle : les promesses de "forteresse numérique" ne peuvent être vérifiées sans audit technique indépendant, et l'utilisateur doit in fine faire confiance à la réputation de l'éditeur. Dans un marché où les offres se multiplient, Microsoft Copilot, Glean, Perplexity Enterprise, Nexos mise sur la simplicité d'adoption et la conformité RGPD comme différenciateurs, deux arguments qui résonnent particulièrement auprès des ETI et grandes entreprises européennes encore hésitantes à franchir le pas.

Ask YouTube et Ask Maps : La fin de la recherche par mots-clés est-elle actée ?

Google a officiellement présenté "Ask YouTube" lors de sa conférence Google I/O le 19 mai 2026, une fonctionnalité qui transforme la recherche sur la plateforme vidéo en expérience conversationnelle. Alimentée par Gemini, l'IA maison de Google, elle permet aux utilisateurs de formuler des requêtes en langage naturel, comme "des avis de créateurs sur des jeux relaxants avant de dormir" ou "comment apprendre à un enfant à faire du vélo", plutôt que de saisir des mots-clés isolés. En réponse, le système propose une sélection de vidéos pertinentes, y compris des Shorts, accompagnée de résumés textuels structurés. L'utilisateur peut ensuite affiner sa recherche par questions successives, dans une logique de dialogue continu. La fonctionnalité est actuellement en test limité aux abonnés américains de YouTube Premium âgés de plus de 18 ans, avec un lancement prévu aux États-Unis dès l'été 2026 avant une extension progressive à d'autres pays. Cette évolution dépasse le simple confort d'utilisation : elle redéfinit la relation entre l'utilisateur et le moteur de recommandation de YouTube, qui est déjà le deuxième site le plus visité au monde. L'une des fonctions les plus significatives est la capacité de l'IA à pointer directement vers le passage exact d'une vidéo contenant la réponse recherchée, évitant ainsi de parcourir des tutoriels de vingt minutes pour trouver trente secondes d'information utile. Cette technologie, déjà déployée dans Google Search, est ici appliquée à la vidéo à grande échelle. Pour les créateurs de contenu, cela modifie aussi les règles du jeu : la visibilité ne dépendra plus seulement des titres et des tags optimisés, mais de la pertinence sémantique du contenu au sein même des vidéos. Ask YouTube s'inscrit dans une stratégie plus large de Google visant à intégrer Gemini dans l'ensemble de ses produits phares. Ask Maps, lancé en mars 2026, avait ouvert la voie en permettant des conversations avec l'IA directement depuis Google Maps sans interrompre la navigation. Ces deux déploiements signalent une rupture assumée avec la recherche par mots-clés, modèle dominant depuis plus de vingt ans. Google fait face à une pression croissante de la part de concurrents comme Perplexity, ChatGPT Search ou encore Bing, qui ont tous misé sur la recherche conversationnelle. En intégrant cette logique au sein de plateformes déjà massivement adoptées, Mountain View cherche à conserver sa domination sans forcer les utilisateurs à changer d'habitudes, la transition se faisant dans les outils qu'ils utilisent déjà quotidiennement.

Gregory Nicolaidis, avec l’IA générative, « produire plus ne sert plus à rien. Il faut produire plus cohérent. »

Gregory Nicolaidis, fondateur et stratège en content marketing, tire la sonnette d'alarme sur une mutation profonde du secteur : l'avènement de l'IA générative met fin à la logique du volume qui a dominé le web pendant deux décennies. Dans une interview accordée à FW.MEDIA, il formule un constat tranché, "produire plus ne sert plus à rien, il faut produire plus cohérent", résumant le virage stratégique que les équipes marketing doivent opérer dès maintenant pour rester visibles dans un écosystème de recherche en pleine recomposition. L'enjeu est concret : les entreprises ne luttent plus seulement pour des positions sur Google, mais pour apparaître dans les réponses synthétisées de ChatGPT, Claude, Gemini ou Perplexity. Ces assistants ne listent pas dix liens, ils proposent une réponse unique. Si une marque ou un expert n'est pas cité dans ces synthèses, il disparaît du radar d'une part croissante des utilisateurs qui ne cliquent plus jamais sur un résultat traditionnel. La qualité, la cohérence éditoriale et l'autorité thématique deviennent les nouveaux critères de référencement. Cette transformation s'inscrit dans une évolution plus large du comportement des internautes, qui délèguent de plus en plus leur recherche d'information à des agents conversationnels. Pour les équipes marketing, cela implique de repenser entièrement leur architecture de contenu : privilégier la profondeur thématique sur la fréquence de publication, construire une identité éditoriale reconnaissable et structurer l'information de façon à ce qu'elle soit facilement ingérable par les modèles de langage. Le SEO classique ne disparaît pas, mais il cède du terrain à ce que certains appellent déjà le GEO, ou Generative Engine Optimization.

Amazon lance Alexa pour le shopping tandis que Rufus passe en arrière-plan

Amazon a officiellement lancé Alexa for Shopping, une nouvelle expérience d'achat qui fusionne son assistant conversationnel Rufus avec Alexa+, disponible depuis mai 2026 sur l'application Amazon, le site web et les appareils Echo Show. La fonctionnalité est déployée en priorité aux États-Unis et accessible gratuitement à tout client connecté, sans abonnement Prime ni appareil dédié requis. Concrètement, l'assistant permet de répondre à des questions produit, comparer des articles côte à côte, suivre les baisses de prix jusqu'à un an, créer des guides d'achat pour les gros achats, et déclencher des actions d'achat automatisées sous conditions. Andy Jassy, PDG d'Amazon, a révélé que les utilisateurs actifs mensuels de Rufus avaient progressé de plus de 115 % en 2025, avec un engagement en hausse de près de 400 % sur un an, et que l'outil avait accompagné plus de 300 millions de clients dans leurs recherches et achats. Le nom Rufus disparaît de l'interface publique mais continue d'alimenter le moteur en coulisses. Ce lancement représente un tournant dans la manière dont Amazon intègre l'IA générative au cœur de son tunnel d'achat. En embarquant l'assistant directement dans la barre de recherche principale, Amazon supprime la friction d'un chatbot séparé et positionne l'IA comme couche d'interaction par défaut. Les utilisateurs peuvent désormais poser des questions contextuelles comme "quelle routine skincare pour hommes ?" ou "quand ai-je commandé des piles AA ?" et obtenir des réponses nourries par leur historique d'achats, de navigation et de conversations Alexa. La fonctionnalité Buy for Me va encore plus loin en permettant à l'IA d'effectuer des achats autonomes sur des sites tiers via Shop Direct, avec l'adresse et le moyen de paiement principal du client. Pour les Echo Show 15 et 21, Amazon ouvre désormais un accès complet au catalogue, pilotable à la voix ou au toucher. Ce mouvement s'inscrit dans une compétition directe avec Google Shopping, Perplexity et d'autres moteurs de découverte produit augmentés par l'IA. Amazon, qui a enregistré 426,3 milliards de dollars de ventes nettes en Amérique du Nord et 161,9 milliards à l'international en 2025, cherche à consolider son avance sur l'ensemble du parcours client, de la recherche à l'achat automatisé. L'enjeu est aussi celui de la confiance : en utilisant l'historique personnel, les interactions Alexa et les préférences déclarées (membres de la famille, animaux, régimes alimentaires), Amazon construit un profil d'acheteur intime que les concurrents peinent à répliquer. Les prochains mois diront si les consommateurs acceptent ce niveau de personnalisation, ou si les questions de vie privée freinent l'adoption.

💬 Le vrai move d'Amazon ici, c'est pas de renommer Rufus, c'est de foutre l'IA directement dans la barre de recherche principale, là où les gens tapent déjà depuis vingt ans. "Buy for Me" qui achète à ta place sur des sites tiers, bon, sur le papier c'est dingue. Reste à voir combien d'utilisateurs vont vraiment lâcher leur carte bancaire à un bot, surtout en Europe où le RGPD va s'inviter à la fête.

Google affirme que le référencement traditionnel suffit pour l'IA, et que le GEO et l'AEO sont des mythes

Google a officiellement pris position contre deux tendances montantes du secteur du référencement : la "generative engine optimization" (GEO) et l'"answer engine optimization" (AEO). Dans une nouvelle documentation publiée récemment, l'entreprise affirme que ces concepts ne sont que du SEO classique rebaptisé. Google démonte également plusieurs tactiques populaires promues par l'industrie, notamment l'utilisation de fichiers LLMS.txt et le "content chunking" (découpage du contenu en blocs), en précisant clairement qu'elles n'apportent aucun avantage spécifique pour le référencement dans les moteurs de recherche alimentés par l'IA. Cette prise de position a des conséquences directes pour les professionnels du marketing digital et les agences SEO qui ont investi dans ces nouvelles approches. Elle signifie que les entreprises qui ont adapté leur stratégie de contenu spécifiquement pour les moteurs génératifs comme Gemini ou AI Overviews n'ont probablement pas besoin de le faire : les mêmes critères de qualité, de pertinence et d'autorité qui gouvernent le référencement traditionnel s'appliquent également aux résultats générés par l'IA. Cette clarification intervient alors que l'essor de l'IA générative a provoqué une véritable fièvre dans le secteur du SEO, avec l'émergence rapide de consultants et d'outils spécialisés en GEO et AEO. Google, dont le moteur de recherche reste dominant avec plus de 90 % de parts de marché mondial, cherche visiblement à calmer ces spéculations et à maintenir la cohérence de son écosystème de référencement face à la montée en puissance des concurrents IA comme Perplexity ou SearchGPT d'OpenAI.

💬 Du SEO rebaptisé avec un nom qui claque, vendu à prix d'or pendant 18 mois. Google le dit noir sur blanc : le contenu de qualité reste le seul vrai signal, que ce soit pour Gemini ou le bon vieux PageRank. Les agences qui ont facturé des audits AEO à leurs clients vont devoir s'expliquer.

Google teste un chatbot de recherche IA sur YouTube

Google expérimente une nouvelle fonctionnalité de recherche conversationnelle sur YouTube, dans la lignée de son "AI Mode" déployé sur son moteur de recherche principal. Disponible depuis peu pour les abonnés YouTube Premium aux États-Unis âgés de 18 ans et plus, cette fonction introduit un bouton "Ask YouTube" directement dans la barre de recherche. L'interface propose des requêtes suggérées comme "clips de bébé éléphant jouant", "résumé des règles du volleyball" ou "courte histoire de la mission Apollo 11", et les résultats combinent vidéos longues, YouTube Shorts et contenu textuel. Cette évolution transforme YouTube d'un simple moteur de recherche vidéo en une interface de dialogue, où l'utilisateur peut formuler des questions naturelles plutôt que des mots-clés. L'intégration de Shorts et de vidéos longues dans une même réponse contextuelle pourrait modifier profondément les habitudes de consommation de contenu, en particulier pour les recherches éducatives ou informatives, où l'utilisateur cherche une réponse directe plutôt qu'une liste de résultats à trier. Cette expérimentation s'inscrit dans la stratégie d'ensemble de Google visant à infuser l'IA générative dans tous ses produits phares. Après le déploiement de l'AI Mode dans Google Search et des résumés IA dans Gmail et Docs, YouTube devient le prochain terrain d'essai. La restriction aux abonnés Premium suggère une phase de test contrôlée avant un éventuel déploiement plus large, dans un contexte où des concurrents comme Perplexity ou ChatGPT empiètent sur le terrain de la recherche d'information par vidéo.

NeoCognition lève 40 millions pour bâtir des agents IA experts dans tous les domaines

La start-up américaine NeoCognition a annoncé le 21 avril 2026 une levée de fonds de 40 millions de dollars en seed, conduite par Cambium Capital et Walden Catalyst Ventures, avec la participation de Vista Equity Partners. L'entreprise, fondée par Yu Su, professeur à l'Université d'État de l'Ohio et spécialiste reconnu des systèmes d'agents IA, se positionne sur un défi précis : faire passer les agents IA du statut de généralistes approximatifs à celui d'experts fiables dans des domaines métiers spécifiques. Finance, santé, logistique, chaque secteur a ses propres règles, contraintes et interactions, et c'est exactement ce que NeoCognition entend apprendre à ses agents à maîtriser de manière autonome, sans intervention humaine constante. Le problème central que la start-up cherche à résoudre est bien documenté : selon Yu Su, les agents IA actuels, qu'ils soient issus de Perplexity, Claude ou d'autres plateformes, n'atteignent qu'environ 50 % de taux de réussite sur des tâches complexes. Un chiffre rédhibitoire pour toute automatisation sérieuse en entreprise, où chaque erreur peut avoir des conséquences opérationnelles ou financières. La différence clé repose sur l'apprentissage : là où les agents existants se contentent de relancer des requêtes en cas d'échec, NeoCognition veut construire des systèmes qui s'améliorent réellement en continu, en internalisant progressivement les règles d'un domaine donné, à la manière dont un humain devient expert à force de pratique et de retour d'expérience. C'est ce mécanisme d'auto-spécialisation qui constitue le coeur de la proposition technologique. Yu Su a longtemps hésité à commercialiser ses recherches académiques, mais il a finalement franchi le pas en constatant que les progrès récents des modèles fondamentaux rendaient enfin envisageable la création d'agents réellement personnalisables et opérationnels à l'échelle industrielle. NeoCognition s'inscrit dans une vague plus large de startups qui ciblent le marché B2B plutôt que le grand public, pariant sur la fiabilité comme avantage concurrentiel décisif face aux grands acteurs généralistes. Les investisseurs semblent partager ce diagnostic : Vista Equity Partners, habitué des logiciels d'entreprise, et les deux fonds lead témoignent d'un intérêt croissant pour des modèles capables d'industrialiser des cas d'usage à haute exigence. Si NeoCognition tient ses promesses, elle pourrait combler le fossé persistant entre les démonstrations technologiques spectaculaires de l'IA et un déploiement professionnel digne de confiance.

AI Overviews : Google conteste le taux de 10% d’erreurs, mais en dénombre lui-même… 22%

Le New York Times a mandaté la start-up Oumi pour analyser les AI Overviews de Google, ces résumés générés par IA qui apparaissent en tête des résultats de recherche, à l'aide du benchmark SimpleQA, publié par OpenAI en 2024 et comportant plus de 4 000 questions à réponses vérifiables. Deux séries de tests ont été conduites : une première en octobre 2025 avec le modèle Gemini 2, une seconde en février 2026 après migration vers Gemini 3, sur un corpus identique de 4 326 recherches Google. Résultat : Gemini 2 répondait correctement dans 85 % des cas, Gemini 3 dans 91 %. Mais le NYT souligne un autre problème : plus de la moitié des réponses correctes de Gemini 3 sont « non étayées », c'est-à-dire qu'elles renvoient vers des sources qui ne confirment pas entièrement l'information fournie, un taux qui a bondi de 37 % à 56 % entre octobre et février, soit une hausse de 50 %. Google a contesté ces chiffres, jugeant que SimpleQA, conçu par un concurrent direct, constitue un benchmark biaisé. Le problème dépasse la simple question de précision technique. Google traite plus de cinq mille milliards de recherches par an, ce qui signifie, selon le calcul du NYT, que des dizaines de millions de réponses erronées sont distribuées chaque heure. À cette échelle, une marge d'erreur de 9 % se traduit par des centaines de milliers d'inexactitudes par minute, diffusées à des utilisateurs qui, selon une étude citée dans l'article, ne vérifient pas les réponses fournies par les IA dans 92 % des cas. La mention « L'IA peut se tromper » affichée en petits caractères sous chaque résumé apparaît donc largement insuffisante face à l'ampleur du phénomène. Le paradoxe central de cette affaire est que Google, en contestant le benchmark d'OpenAI, a mis en avant son propre outil de mesure, révisé pour être, selon ses termes, « plus précis ». Or cet outil interne aboutit à un taux d'erreur supérieur à 20 %, soit le double du chiffre que Google cherchait à réfuter. La situation illustre la tension structurelle à laquelle font face les grands moteurs de recherche : intégrer des LLMs pour rester compétitifs face à ChatGPT et Perplexity, tout en assumant une responsabilité éditoriale sur des milliards de réponses quotidiennes. Gemini 3 progresse en précision brute, mais dégrade simultanément la traçabilité des sources, un compromis qui soulève des questions durables sur la fiabilité des interfaces IA comme point d'entrée unique vers l'information.

“Le e-commerce passe du mot-clé au contexte” : Roxane Laigle, CEO de LEMROCK décrypte la bascule vers les IA

Le commerce en ligne traverse une mutation structurelle dans son rapport à la visibilité, selon Roxane Laigle, CEO de LEMROCK, entreprise spécialisée dans la stratégie digitale. Pendant deux décennies, les marques ont bâti leur présence en ligne sur le mot-clé, le référencement naturel et l'optimisation des pages produits, une logique entièrement tournée vers les moteurs de recherche traditionnels. Avec la montée en puissance des interfaces conversationnelles portées par l'intelligence artificielle, cette grammaire est en train de changer. La bascule est concrète : là où un consommateur tapait autrefois "chaussures running homme taille 42", il pose désormais une question à un assistant IA qui synthétise une réponse sans nécessairement renvoyer vers un site marchand précis. Pour les e-commerçants, cela signifie que la logique du clic et du classement cède la place à celle du contexte : une marque doit désormais être compréhensible et recommandable par une IA, pas seulement indexable par un algorithme. Les fiches produits, les contenus et les données structurées doivent être repensés en conséquence. Ce changement s'inscrit dans une transformation plus large portée par l'essor de ChatGPT, Perplexity et des assistants intégrés aux navigateurs, qui modifient profondément les flux de trafic vers les sites marchands. Les acteurs du SEO et du marketing e-commerce sont contraints d'anticiper un monde où la visibilité ne se mesure plus en position Google mais en capacité à alimenter les réponses des modèles de langage, un défi stratégique encore largement sous-estimé par les enseignes.

💬 La transformation est réelle, et les flux de trafic bougent déjà pour ceux qui regardent leurs analytics de près. Ce que beaucoup ratent, c'est que le problème n'est pas "comment plaire à l'IA" mais "est-ce que mes données produits sont assez propres pour qu'un LLM les comprenne sans tout réinventer". Reste à voir combien d'agences vont vendre ça 15 000€/mois en renommant leur vieille offre SEO.

L’IA de Google produit « des dizaines de millions d’erreurs chaque heure »

Une enquête du New York Times révèle que les résumés générés automatiquement par Gemini, l'intelligence artificielle de Google, comportent des erreurs dans environ un cas sur dix. À l'échelle des milliards de requêtes traitées chaque jour par le moteur de recherche, ce taux d'échec représente des dizaines de millions d'informations incorrectes diffusées chaque heure auprès des utilisateurs. Ces erreurs peuvent prendre la forme de faits inventés, de dates erronées, de citations tronquées ou de conclusions déformées présentées comme des synthèses fiables. L'enjeu est considérable : contrairement à un lien classique que l'utilisateur peut ignorer ou croiser avec d'autres sources, les résumés IA s'affichent en tête de page dans un format qui inspire confiance et réduit l'incitation à vérifier. Pour des millions de personnes qui se fient désormais à ces encadrés pour obtenir une réponse rapide, chaque erreur peut se transformer en croyance erronée difficilement corrigeable. Les professionnels de santé, juristes, enseignants ou journalistes qui utilisent Google comme outil de travail sont directement exposés. Google a déployé ses résumés IA, baptisés AI Overviews, à grande échelle depuis mai 2024 aux États-Unis, puis progressivement dans le reste du monde, malgré plusieurs incidents embarrassants dès le lancement. La course à l'intégration de l'IA dans les moteurs de recherche, portée aussi par Microsoft Bing et Perplexity, pousse les acteurs à déployer vite plutôt qu'à déployer bien. Cette révélation relance le débat sur la responsabilité des plateformes face à la désinformation algorithmique et sur la nécessité d'une régulation plus stricte de ces fonctionnalités.

GEO : quand l’intelligence artificielle redessine les règles du search

Les moteurs de recherche génératifs -- ChatGPT, Perplexity AI, Google AI Overviews -- transforment en profondeur la manière dont les internautes accèdent à l'information en ligne. Là où le SEO traditionnel visait à positionner des pages web dans des listes de résultats, le GEO (Generative Engine Optimization) désigne les pratiques émergentes pour apparaître dans les réponses synthétiques produites directement par ces systèmes d'IA. Les directions marketing et les responsables de la visibilité digitale se retrouvent confrontés à un changement de paradigme dont les contours restent encore à définir. L'enjeu est considérable : si un moteur génératif répond directement à la question d'un utilisateur sans qu'il visite un site, le trafic organique s'effondre, quelles que soient les positions SEO obtenues. Des études récentes montrent déjà une baisse du taux de clics sur les résultats Google depuis le déploiement des AI Overviews aux États-Unis. Pour les marques, les éditeurs et les e-commerçants, la question n'est plus seulement d'être bien référencé, mais d'être cité, synthétisé ou recommandé par ces nouveaux intermédiaires algorithmiques. Google, Microsoft avec Bing Copilot et des acteurs comme Perplexity AI se livrent une bataille pour capter l'intention de recherche avant même que l'utilisateur ne clique. Face à cette recomposition, les professionnels du marketing explorent de nouvelles tactiques : structuration sémantique renforcée, production de contenus factuels et sourcés, construction d'une autorité thématique reconnue par les LLM. Le GEO n'est pas encore une discipline codifiée, mais il s'impose déjà comme un chantier stratégique incontournable pour 2025 et au-delà.

Le trafic issu des LLM convertit à 30-40 % et la plupart des entreprises n'en tirent pas parti

Le trafic généré par les grands modèles de langage (LLM) convertit à un taux de 30 à 40 %, soit deux à trois fois plus que le trafic SEO classique, selon plusieurs observations terrain rapportées en 2026. Pourtant, la majorité des entreprises n'optimisent pas encore leur contenu pour ce canal. Un nouveau paradigme émerge : l'AEO (Answer Engine Optimization), aussi appelé GEO (Generative Engine Optimization). Là où le SEO visait des mots-clés, des classements et des clics, l'AEO vise à être compris, sélectionné et cité par des agents IA comme Claude Code, Microsoft Copilot, Perplexity, Google Vertex ou AutoGen. Ces systèmes ne "naviguent" pas le web comme un humain : ils analysent l'intention de l'utilisateur en tenant compte du contexte et de la mémoire des sessions passées, puis synthétisent une réponse directe sans que l'utilisateur ne visite nécessairement le site source. Dustin Engel, fondateur du cabinet Elegant Disruption, résume : "L'AEO est la couche de découverte suivante" -- une "découverte zéro clic" où la citabilité remplace la visibilité. L'impact est concret et immédiat pour les équipes marketing, commerciales et les éditeurs de contenu. Lorsqu'un agent synthétise une réponse, le taux de clic vers le site de l'entreprise chute, mais la qualité du trafic résiduel explose. Adam Yang, de la plateforme Quora, estime que l'AEO est déjà devenu le comportement par défaut pour toute requête où l'utilisateur veut une réponse synthétisée : comparaisons de produits, recommandations de méthodes, analyses de marché. Google Overviews accélère cette dynamique côté grand public. "Le SEO n'est pas mort," précise Yang, "mais l'objectif d'optimisation a changé : il ne s'agit plus d'apparaître en page 1, mais d'être cité dans la réponse." Pour les entreprises, cela signifie repenser leur façon de structurer l'information : contenus concis, factuels, bien structurés, conçus pour être extraits et cités par une machine plutôt que parcourus par un humain. Ce changement s'inscrit dans une évolution plus profonde de la façon dont les professionnels travaillent. Wyatt Mayham, analyste chez Northwest AI Consulting, indique qu'il n'utilise "quasiment plus" la recherche traditionnelle pour ses besoins professionnels, et que cette proportion se rapproche de zéro chaque mois. Son cabinet a notamment développé une fonction Claude Skills qui, avant chaque appel de prospection, déclenche automatiquement un agent qui agrège le profil LinkedIn du contact, scrape le site de son entreprise, interroge des sources comme ZoomInfo, et produit une fiche synthétique avec revenus, taille d'équipe et signaux d'achat. Le modèle "cherche, lis, décide" évolue vers "l'agent récupère, l'agent résume, l'humain valide" -- et bientôt, "l'agent agit, l'humain contrôle". Les entreprises qui n'adaptent pas leur stratégie de contenu à cette nouvelle réalité risquent de devenir invisibles dans un écosystème où c'est désormais la machine qui choisit ses sources.

SEO : doit-on désormais écrire pour les LLM ?

Le référencement naturel traverse une mutation profonde : avec l'essor des grands modèles de langage (LLM) comme ChatGPT, Perplexity ou Google SGE, une nouvelle discipline émerge, baptisée GEO (Generative Engine Optimization) ou AEO (Answer Engine Optimization). Jessica Michenaud, cheffe de projet SEO chez l'agence française Galopins, analyse cette transformation et la manière dont les professionnels du secteur doivent adapter leurs pratiques pour apparaître non plus seulement dans les moteurs de recherche classiques, mais dans les réponses générées par l'IA. L'enjeu est considérable pour les éditeurs de contenus et les marques : si les LLM deviennent le premier point de contact entre l'internaute et l'information, être cité ou synthétisé par ces systèmes devient aussi stratégique qu'un positionnement en première page Google. La bonne nouvelle, selon Michenaud, est que l'exigence éditoriale — contenu précis, sourcé, structuré, à forte valeur ajoutée — reste le critère déterminant. Les contenus creux optimisés pour le clic résistent moins bien que les articles de fond que les LLM jugent dignes d'être cités. Ce débat s'inscrit dans un contexte où Google lui-même intègre des résumés génératifs dans ses résultats (AI Overviews), réduisant potentiellement le trafic vers les sites sources. Des acteurs comme Perplexity ou Claude d'Anthropic captent une part croissante des requêtes informationnelles. Les agences SEO sont ainsi contraintes de repenser leurs modèles : optimiser les balises et la densité de mots-clés ne suffit plus — il faut désormais produire des contenus que les LLM considèrent comme des références fiables, ce qui rapproche paradoxalement le SEO du journalisme de qualité.

Et si plusieurs IA travaillaient ensemble pour mieux vous aider ? Microsoft tente le pari

Microsoft a dévoilé Researcher, un nouvel agent intégré à Microsoft 365 Copilot, conçu pour dépasser les capacités d'un seul modèle de langage en orchestrant plusieurs IA en parallèle. Plutôt que de s'appuyer sur un unique modèle qui répond directement, Researcher décompose les requêtes complexes en sous-tâches distribuées à différents agents spécialisés — certains pour la recherche web, d'autres pour l'analyse de données internes ou la synthèse — avant de recomposer une réponse cohérente. Cette architecture multi-agents s'inscrit dans la stratégie plus large de Microsoft pour ses outils de productivité professionnelle. L'enjeu est concret pour les entreprises clientes de Microsoft 365 : les tâches de recherche approfondie, comme la préparation d'un dossier stratégique ou l'analyse concurrentielle, nécessitent aujourd'hui plusieurs heures de travail humain. Researcher vise à produire en quelques minutes des synthèses longues et sourcées, avec un niveau de précision supérieur à ce que peut offrir un assistant conversationnel classique. C'est la différence entre poser une question à un généraliste et confier un brief à une équipe d'analystes. Cette annonce s'inscrit dans une accélération du marché des agents IA, où OpenAI (avec Deep Research), Google (avec Gemini Deep Research) et Perplexity jouent déjà des coudes. Microsoft mise sur son ancrage dans l'environnement professionnel — Teams, Outlook, SharePoint, Word — pour différencier Researcher par sa capacité à croiser sources externes et données internes d'entreprise. La course ne porte plus sur le modèle le plus puissant, mais sur l'architecture qui coordonne le mieux plusieurs cerveaux artificiels.

💬 L'angle intéressant ici c'est pas l'orchestration multi-agents en elle-même, ça fait un moment qu'on en parle. C'est que Microsoft peut brancher ça sur SharePoint, Teams, Outlook, et croiser tes données internes avec le web en un seul run. Reste à voir si ça tient sur de vrais dossiers d'entreprise et pas juste des démos bien cadrées.

AEO, GEO : les nouvelles règles pour exister à l’ère de l’IA

Une étude du Pew Research Center réalisée en mars 2025 sur 68 879 recherches Google révèle un basculement profond dans la façon dont les internautes consomment l'information en ligne. Lorsqu'un résumé généré par l'IA apparaît dans les résultats, seulement 8 % des utilisateurs cliquent sur un lien classique — soit presque deux fois moins que sans résumé. Un internaute sur quatre quitte même la page sans cliquer nulle part. Ces chiffres font écho aux données de BrightEdge, qui mesure une hausse de 49 % des impressions sur Google depuis l'introduction des aperçus IA, accompagnée d'une chute de 30 % du taux de clics. Seer Interactive enfonce le clou : sur des millions d'impressions analysées, le taux de clic organique est passé de 1,76 % à 0,61 % pour les requêtes intégrant ces résumés, et les liens sponsorisés ont également reculé. Ce phénomène redéfinit les règles du jeu pour les marques et les éditeurs. L'information est désormais consommée directement dans la réponse IA, sans passage par les sites sources. Le trafic organique — jusqu'ici colonne vertébrale de l'acquisition en ligne — s'érode structurellement, indépendamment de la qualité du référencement traditionnel. Gartner avait anticipé dès 2024 une baisse significative des recherches classiques d'ici 2026 : les données actuelles confirment cette trajectoire. Pour les marques, l'enjeu n'est plus d'apparaître en première page Google, mais d'être intégrées dans les réponses synthétiques elles-mêmes — ce qui implique de repenser entièrement leur stratégie de contenu. Deux disciplines émergent en réponse à ce changement. L'AEO (Answer Engine Optimization) consiste à structurer le contenu pour qu'il soit directement exploitable par une IA : titres sous forme de questions, réponses courtes et denses, données structurées balisées. L'objectif est de devenir la source citée au moment précis où une question est posée. Le GEO (Generative Engine Optimization), plus ambitieux, vise à s'imposer comme référence globale dans l'écosystème informationnel que parcourent des moteurs comme Perplexity AI ou Gemini. Or, selon McKinsey, seulement 5 à 10 % des sources utilisées par ces IA proviennent directement des sites de marques — le reste provient d'articles tiers, d'avis, de forums. BrightEdge ajoute que 89 % des sources citées dans les résumés IA proviennent de pages classées au-delà de la 100e position sur Google, ce qui signifie que la crédibilité perçue et la qualité structurelle du contenu priment désormais sur le rang dans les SERP. Les marques qui seront citées dans ces réponses générées bénéficieront d'un avantage de visibilité croissant — et celles qui tardent à s'adapter risquent tout simplement de disparaître du radar.

💬 Les chiffres sont brutaux : 0,61 % de taux de clic sur les requêtes avec résumé IA, c'est la mort lente du trafic organique tel qu'on le connaît. Ce que Gartner annonçait en 2024 comme projection, c'est maintenant du concret dans les dashboards. La stat sur les 89 % de sources citées au-delà de la 100e position Google est contre-intuitive, mais ça change tout : fini l'obsession du ranking, place à la crédibilité structurelle du contenu.

Quels types de contenus les IA génératives citent vraiment (et ceux qu’elles ignorent)

Une étude publiée le 23 mars par Tom Wells, chercheur spécialisé en GEO (Generative Engine Optimization) chez Wix, révèle que les outils d'IA générative — désormais utilisés comme moteurs de recherche alternatifs — ne citent pas les contenus de façon aléatoire. Selon ses analyses, trois formats de contenu concentrent l'essentiel des références générées par les LLM, tandis que la grande majorité des autres types de pages est systématiquement ignorée. Ce constat a des implications directes pour les équipes marketing et SEO qui misent sur la visibilité dans les réponses générées par ChatGPT, Perplexity ou Google AI Overviews. Contrairement au référencement classique, où la densité de mots-clés et les backlinks dominent, les LLM semblent privilégier la structure, la clarté factuelle et l'autorité perçue d'un contenu. Les marques qui ne s'adaptent pas à ces critères risquent de disparaître totalement de la surface d'information consommée par des millions d'utilisateurs. Ce travail s'inscrit dans un champ émergent — le GEO — qui tente de décoder les règles implicites de sélection des grandes IA conversationnelles, de la même façon que le SEO a décrypté les algorithmes de Google dans les années 2000. Wix, en finançant cette recherche, positionne sa plateforme sur ce terrain stratégique. Les conclusions de Wells devraient alimenter les débats sur la concentration de l'attention dans un écosystème où quelques formats favorisés captent l'essentiel de la visibilité éditoriale.

L'avenir de l'IA entre ouverture et propriétaire

L'intelligence artificielle s'impose comme l'infrastructure technologique centrale de notre époque, portée par un écosystème diversifié de modèles — grands et petits, ouverts et propriétaires, généralistes et spécialisés. Lors d'une session spéciale consacrée aux modèles ouverts à la conférence NVIDIA GTC, Jensen Huang, fondateur et PDG de NVIDIA, a résumé la situation en une phrase : « Propriétaire versus open source n'est pas un débat. C'est propriétaire et open source. » Pour illustrer cet engagement, NVIDIA a annoncé la création de la Nemotron Coalition, une collaboration mondiale inédite regroupant des laboratoires d'IA et des développeurs de modèles pour faire avancer les modèles fondamentaux ouverts. Le premier projet issu de cette coalition sera un modèle de base codéveloppé par Mistral AI et NVIDIA, dont les membres apporteront données, évaluations et expertise sectorielle. Les modèles Nemotron ont déjà été téléchargés plus de 45 millions de fois sur Hugging Face, plateforme sur laquelle NVIDIA est désormais la plus grande organisation avec près de 4 000 membres d'équipe. Plusieurs panels réunissant des figures majeures du secteur — dont Mira Murati (Thinking Machines Lab), Aravind Srinivas (Perplexity), Michael Truell (Cursor) et Arthur Mensch (Mistral) — ont dégagé des tendances clés. Les agents IA s'apprêtent à devenir de véritables collègues capables de mener des tâches complexes sur plusieurs jours. L'IA n'est plus un modèle unique mais un système orchestré : « ce que vous voulez, c'est une orchestra multimodale, multi-modèles et multi-cloud », a déclaré Srinivas. L'ouverture des modèles est présentée comme un moteur d'innovation indispensable, aussi bien pour les grandes entreprises que pour la recherche académique. Murati a insisté sur ce point : « il y a beaucoup d'études à mener qui ne peuvent pas être réalisées uniquement dans les grands laboratoires — c'est là que l'ouverture est précieuse, elle fait avancer la science de l'intelligence. » Cette dynamique s'inscrit dans un tournant structurel où chaque secteur — santé, finance, industrie — a besoin d'une IA adaptée à ses données et workflows spécifiques, rendant la coexistence de modèles ouverts et propriétaires non seulement inévitable, mais souhaitable pour accélérer l'innovation à tous les niveaux.

GEO : stratégies infaillibles pour apparaître dans les réponses IA

En 2026, être premier sur Google ne suffit plus. Les moteurs de recherche basés sur l'intelligence artificielle — ChatGPT, Perplexity, Gemini — s'imposent comme de nouveaux points d'entrée majeurs vers l'information et les marques. ChatGPT revendique à lui seul 900 millions d'utilisateurs hebdomadaires, et sur Google, un résultat sur quatre est désormais accompagné d'un aperçu généré par l'IA. Face à cette réalité, une nouvelle discipline s'impose : le GEO, ou Generative Engine Optimization, qui consiste à optimiser sa présence non plus pour les algorithmes classiques, mais pour les réponses formulées directement par les IA. Les premières étapes recommandées sont concrètes : identifier 10 à 15 questions représentatives de sa clientèle cible, les tester régulièrement sur les principales plateformes IA, et cartographier les citations de sa marque par rapport à celles des concurrents. Ce suivi mensuel est indispensable, car les modèles évoluent en permanence. Ce changement de paradigme oblige les entreprises à repenser leur stratégie de contenu de fond en comble. Les moteurs d'IA ne citent pas n'importe quelle source : ils privilégient les textes précis, structurés, étayés par des données chiffrées et des avis d'experts, organisés autour des questions réelles des utilisateurs avec des titres clairs et des FAQ. Le balisage de schéma et les données structurées facilitent l'intégration du contenu dans les réponses générées. Développer une autorité thématique profonde sur un sujet, plutôt que de disperser ses efforts sur de nombreux articles superficiels, devient un avantage décisif. À cela s'ajoute une recommandation moins attendue : investir Reddit et les forums communautaires. Les IA considèrent ces échanges comme des sources fiables ; une présence authentique sur 2 à 3 semaines, sans autopromotion agressive mais avec une participation honnête mentionnant avantages et limites d'un produit, augmente significativement les chances d'être repris. Enfin, figurer dans des classements publiés par des sites de référence reste un levier puissant, les IA s'appuyant volontiers sur ces listes pour formuler leurs recommandations. Le SEO traditionnel n'est pas mort pour autant — il reste la fondation sur laquelle repose le GEO, puisque les IA puisent souvent dans les pages les mieux classées sur Google pour construire leurs réponses. La visibilité dans les moteurs génératifs n'est donc pas une alternative au référencement classique, mais une couche supplémentaire qui suppose de le maîtriser d'abord.

Nvidia et des startups s'affrontent pour rendre OpenClaw plus sûr

Nvidia, des startups comme Perplexity et Genspark s'activent pour proposer des versions sécurisées d'OpenClaw, le logiciel open-source populaire pour agents IA personnels, après plusieurs incidents de sécurité embarrassants — dont la suppression massive d'e-mails de la directrice d'alignement de Meta, Summer Yue. En Chine, des agences gouvernementales ont déjà interdit l'installation d'OpenClaw sur les appareils professionnels. Genspark lance notamment Genspark Claw, qui isole l'agent dans une machine virtuelle cloud (Microsoft Azure) pour contenir les dommages potentiels, à 80 ou 140 $/mois selon Wen Sang, co-fondateur et COO.

LinkedIn s’impose comme une source clé pour les réponses des IA

LinkedIn s'impose comme une source majeure pour les moteurs de recherche IA comme ChatGPT, Google AI Mode et Perplexity, qui s'appuient désormais sur des plateformes diversifiées au-delà des sites web classiques. Cette évolution rend le choix des sources stratégique pour les marques et créateurs de contenu souhaitant apparaître dans les réponses générées par l'IA.

LinkedIn : comment apparaître dans les réponses des IA

Une étude Semrush portant sur 89 000 URL LinkedIn analysées par ChatGPT, Google AI Mode et Perplexity identifie les facteurs clés de visibilité dans les réponses générées par IA. Les résultats révèlent comment optimiser sa présence LinkedIn pour apparaître dans ces réponses de plus en plus consultées.