Actualités IA — page 100

9 309 articles au fil, du plus récent au plus ancien.

45

Illustration générée par IA

1981The Information AI 

Anthropic et OpenAI vont-ils cesser de vendre leur meilleure IA aux entreprises ?

Anthropic et OpenAI intensifient le développement d'applications et de fonctionnalités IA conçues pour des secteurs industriels spécifiques, une stratégie qui inquiète de plus en plus leurs propres clients. Certains d'entre eux se retrouvent désormais en concurrence directe avec leurs fournisseurs de modèles d'intelligence artificielle. L'application de design Canva illustre ce dilemme, comme rapporté début août 2026 : l'entreprise voit l'un de ses principaux fournisseurs technologiques empiéter sur son propre marché. Jusqu'à présent, la plupart des observateurs partaient du principe qu'Anthropic et OpenAI continueraient toujours à commercialiser leurs modèles via une interface de programmation applicative (API), un canal qui représente des milliards de dollars de revenus pour les deux entreprises. Mais des échanges récents avec des chercheurs de ces laboratoires de pointe et des fondateurs de startups dont les produits dépendent des derniers modèles sèment le doute sur la pérennité de ce statu quo. L'enjeu est de taille pour tout un pan de l'industrie technologique. Des milliers d'entreprises, des startups aux grands groupes, ont bâti leurs produits sur l'accès API aux modèles les plus performants d'Anthropic et d'OpenAI, pariant sur la continuité de cette relation fournisseur-client. Si ces deux laboratoires décidaient de réserver leurs modèles les plus avancés à leurs propres applications verticales, plutôt que de les distribuer largement via API, cela bouleverserait l'équilibre économique de tout l'écosystème des applications construites sur l'IA générative. Les entreprises clientes se retrouveraient à la fois dépendantes technologiquement de leurs concurrents directs et vulnérables à un retrait ou une dégradation de l'accès aux modèles de pointe, un risque stratégique majeur pour leur pérennité. Cette tension s'inscrit dans une dynamique plus large de verticalisation des grands laboratoires d'IA, qui cherchent à capter davantage de valeur en ne se contentant plus de vendre de la puissance de calcul brute mais en proposant directement des produits finis à destination d'industries ciblées. Ce virage stratégique répond à la pression de justifier les investissements colossaux consentis dans l'entraînement des modèles, en maximisant les revenus par plusieurs canaux simultanés. Reste à savoir si Anthropic et OpenAI choisiront de préserver l'accès API comme pilier de leur modèle économique, par souci de confiance avec leurs partenaires, ou s'ils privilégieront à terme leurs propres applications, quitte à fragiliser durablement la relation avec les entreprises qui ont construit leur activité sur ces mêmes technologies.

Business❧Opinion

1 source

37

Illustration générée par IA

1982IEEE Spectrum AI 

De copilotes à essaims d'agents dans l'IA

AMD a franchi une nouvelle étape dans l'intégration de l'intelligence artificielle à son processus de développement logiciel. Selon un article publié par l'entreprise, l'objectif initial fixé il y a un an, un gain de productivité de 25% grâce à l'IA sur deux à trois ans, a déjà été dépassé: AMD affiche désormais un gain de productivité global de 30%. L'entreprise avait commencé à développer ses systèmes d'IA pour la génération de code, l'automatisation des tests, l'analyse de bugs et la revue de code dès 2024, avec pour ambition d'atteindre 25% de code de production généré par IA d'ici 2027. Ce seuil des 20% a en réalité été franchi début 2026, et AMD progresse maintenant vers un objectif de 50% sur l'ensemble de sa base de code. Dans certains composants logiciels, plus de 80% du code est déjà généré par IA. Ce chiffre ne comptabilise que le code qui passe l'ensemble des revues et des tests avant d'être intégré au produit final. Cette accélération transforme concrètement le cycle de vie du développement logiciel (SDLC) chez AMD. Des agents IA interviennent désormais à chaque étape: analyse et tri des rapports de problèmes pour identifier les demandes similaires et cibler les portions de code à modifier, débogage et génération de correctifs, création de tests unitaires puis de tests d'intégration, et enfin préparation de synthèses d'architecture et de revues de code pour validation par les ingénieurs avant intégration dans la prochaine version. Pour l'industrie du logiciel, cette évolution signifie que l'IA générative ne se limite plus à assister l'écriture de lignes de code mais prend en charge des pans entiers du cycle d'ingénierie, avec un impact direct sur les délais de livraison et la charge de travail des équipes techniques, tout en maintenant des garde-fous humains au stade de l'approbation finale. AMD estime toutefois que la transformation la plus profonde reste à venir. Aujourd'hui, les ingénieurs créent des agents IA à leur image, en leur enseignant leurs propres méthodes de résolution de problèmes, ce qui leur permet de démultiplier leur travail en parallèle. Mais ces agents restent contraints par les schémas de pensée humains. La prochaine étape, selon l'entreprise, consistera à faire émerger des essaims d'agents IA collaboratifs capables d'identifier et de développer des solutions de manière autonome, les ingénieurs se contentant alors de définir le problème à résoudre, le résultat attendu et les contraintes de qualité et de performance, laissant l'IA déterminer elle-même la meilleure voie pour y parvenir plutôt que de suivre des instructions détaillées sur la marche à suivre.

Outils⚒Outil

1 source

43

Illustration générée par IA

1983Import AI 

Zuck sceptique sur l'IA, avec un simulateur RSI et une IA au service de la science

Un nouveau benchmark baptisé DiG-bench (Discovery in Games) vient d'être publié pour évaluer la capacité des systèmes d'intelligence artificielle à découvrir par eux-mêmes les règles cachées d'un environnement, plutôt que de les recevoir explicitement. L'outil rassemble 70 jeux textuels, dont 21 ont été rendus publics, les autres étant conservés secrets pour éviter que les modèles ne s'entraînent dessus. Chaque jeu constitue un monde miniature autonome dont les règles et l'objectif restent dissimulés au joueur, qui doit les déduire par l'expérimentation, un principe proche du benchmark visuel ARC. Le projet est accessible en ligne sur digbench.ai et a été conçu par des chercheurs de Thinking About Thinking, de l'université d'Oxford, de Princeton, de la King Abdullah University of Science and Technology, du Swiss AI Lab, d'Inria et du MIT, avec la participation de Juergen Schmidhuber, figure historique de la recherche en IA. Les jeux sont répartis en sept niveaux de difficulté croissante, avec un nombre d'actions possibles par étape allant de 2 à 34. Selon les résultats publiés, Opus 5 et Fable 5 associés à Claude Code dominent le classement, suivis par GPT-5.5. Seuls Opus 5 et Fable 5 sont parvenus à résoudre certaines tâches du niveau 7, le plus difficile, avec un taux de réussite d'environ 20 %. Opus 5, GPT-5.5 et Kimi K3 ont réussi quelques tâches du niveau 6 lorsqu'ils disposaient d'un environnement d'exécution comme Claude Code, tandis que GLM-5.2 et Gemini 3.1 Pro plafonnent au niveau 4. Ce type de test cherche à isoler une composante clé de la créativité : la capacité à repérer de façon autonome des informations utiles et non documentées dans une situation inédite. Or l'écart avec les performances humaines reste marqué, puisque des joueurs humains individuels ont atteint 100 % de réussite sur l'ensemble des niveaux, contre à peine 20 % pour les meilleurs modèles sur le niveau le plus difficile. Ce résultat suggère que si les modèles de pointe progressent dans l'exploration et l'inférence de règles implicites, ils demeurent nettement en retrait sur les tâches exigeant une véritable intuition face à l'inconnu, un enjeu central pour les usages en agent autonome ou en robotique. La démarche s'inscrit dans une tendance plus large de la recherche en IA, qui cherche à dépasser les benchmarks de connaissances factuelles pour mesurer des capacités cognitives plus fondamentales comme la découverte et l'adaptation. En gardant la majorité des jeux privés, les concepteurs de DiG-bench cherchent à limiter la contamination des données d'entraînement, un problème récurrent qui fausse l'évaluation réelle des progrès des modèles. À mesure que les laboratoires intègrent des environnements d'exécution comme Claude Code à leurs modèles, l'écart de performance observé entre les niveaux 4 et 7 pourrait se resserrer rapidement, les auteurs de l'étude anticipant eux-mêmes une progression vers la parité avec les performances humaines dans un avenir relativement proche.

Recherche❖Paper

1 source

39

Illustration générée par IA

1984Le Big Data 

L’IA est-elle en train d’abîmer le cerveau des enfants ? Des experts alertent sur l’IA Slop

Des vidéos générées par intelligence artificielle mettant en scène des personnages en forme de fruits ou légumes colorés inquiètent désormais des chercheurs spécialisés dans l'extrémisme. Selon une analyse publiée par le GNET (Global Network on Extremism and Technology), ces contenus, qualifiés d'IA Slop, débutent souvent par des scénarios simplistes et presque enfantins, ruptures amoureuses, licenciements, conflits familiaux, avant de basculer brutalement vers des scènes de violence graphique, de torture ou de mutilation. Les chercheurs signalent également l'apparition de personnages liés à des cartels, des mouvements d'extrême droite ou des idéologies nihilistes radicales, glissés au milieu de ces productions à l'esthétique volontairement naïve. Ces vidéos, produites en masse par des fermes de contenus automatisées, circulent largement sur les plateformes sociales et sont visionnées par un public comprenant de nombreux jeunes utilisateurs. L'inquiétude porte moins sur une vidéo isolée que sur l'effet cumulatif de ce type de contenu. Le GNET estime que cette production audiovisuelle "renforce la fascination pour la violence gratuite" chez les jeunes spectateurs et pourrait "préparer le terrain à la consommation d'autres contenus audiovisuels violents". Le mécanisme redouté est algorithmique : les plateformes recommandent des séquences similaires après quelques interactions seulement, ce qui peut entraîner un enfant attiré par l'absurde vers des contenus de plus en plus sombres en peu de temps. L'accumulation de ces images réduirait progressivement le seuil de surprise face à la brutalité, sans que chaque vidéo soit reçue comme un message idéologique explicite. Pour les plateformes, dont le modèle économique repose sur la rétention de l'attention, la violence qui capte mieux les regards ne crée guère d'incitation commerciale à ralentir ce phénomène spontanément. Ce rapport doit toutefois être lu avec prudence sur le plan scientifique. Le GNET ne démontre pas de lien causal direct entre le visionnage de ces vidéos et une radicalisation effective ; son analyse reste largement descriptive et cite même, sans le vouloir, au moins un texte rédigé par une intelligence artificielle, une faiblesse méthodologique qui fragilise sa portée. Le contexte institutionnel mérite aussi d'être noté : le GNET dépend du Global Internet Forum to Counter Terrorism, une organisation financée par l'industrie technologique elle-même, régulièrement critiquée pour son rôle dans la modération des contenus. Au-delà de la violence, les mêmes fermes de production automatisée diffusent aussi du racisme, de la désinformation électorale ou des escroqueries, suggérant que le danger réside moins dans un contenu isolé que dans le volume massif généré par ces systèmes. Le véritable enjeu pour les plateformes consiste désormais à interrompre cette boucle de recommandation avant que ces contenus extrêmes ne deviennent familiers, donc normalisés, aux yeux des plus jeunes utilisateurs.

Société❧Opinion

1 source

54

Illustration générée par IA

1985Next INpact 

Grok aurait généré 7 000 deepfakes pédocriminels d’une mineure pour son beau-père

Cinq jeunes femmes, toutes mineures au moment des faits (l'une l'est toujours), ont porté plainte aux États-Unis contre SpaceXAI, nouveau nom de xAI, l'entreprise d'intelligence artificielle d'Elon Musk, ainsi que contre Stability AI. Trois premières plaintes ont été déposées en mars 2026, deux autres s'y sont ajoutées en juillet. Les plaignantes accusent le chatbot Grok d'avoir généré des milliers d'images pédocriminelles les représentant, à la demande de proches : dans un cas le beau-père de l'une des victimes, dans un autre un ami de la famille. La plainte, déposée devant la justice américaine, détaille notamment le cas d'une jeune femme dont le beau-père a utilisé Grok pour produire plus de 7 000 fausses images la représentant dans des scènes de viol, à partir d'une photo d'elle prise lorsqu'elle avait 11 ans. L'affaire a été découverte par les autorités américaines, qui ont ouvert une enquête contre le beau-père pour détention de contenus pédocriminels ; celui-ci s'est suicidé deux jours après le début des investigations sur ses disques durs. Interrogée anonymement par le Washington Post, la victime raconte : « Ma vie était tout à fait normale, moins de 48 heures plus tard, c'était devenu un véritable cauchemar. » Cette affaire illustre la facilité avec laquelle des outils d'IA générative grand public peuvent être détournés pour produire des contenus d'abus sexuels sur mineurs, avec un réalisme qui associe durablement le visage d'un enfant réel à une scène de viol fictive. « L'accès illimité à ces outils se généralise à une vitesse fulgurante », souligne la plaignante, transformant selon elle « la vie quotidienne en une situation d'abus sexuel sur mineur ». Au-delà du traumatisme individuel, ces procédures posent la question de la responsabilité juridique des entreprises d'IA lorsque leurs modèles sont utilisés pour fabriquer du matériel pédocriminel à partir de simples photos, et interrogent l'efficacité des systèmes de modération censés bloquer ce type de détournement, y compris quand l'entreprise elle-même signale les faits aux autorités. Ces plaintes s'inscrivent dans la continuité d'une vague plus large de deepfakes générés par Grok fin 2025 et début 2026, période durant laquelle Elon Musk et xAI auraient, pendant plus de six mois, incité leurs utilisateurs à produire des images dénudant des femmes ou les plaçant dans des positions sexuelles. Cette controverse a déjà entraîné l'ouverture d'une enquête par l'autorité irlandaise de protection des données, ainsi qu'un élargissement de l'enquête menée par la justice française sur le sujet. Le dossier place ainsi SpaceXAI et Stability AI au centre d'une bataille judiciaire et réglementaire transatlantique sur l'encadrement de l'intelligence artificielle générative, avec des suites possibles : nouvelles plaintes, poursuites pénales ou sanctions des régulateurs européens et américains à l'encontre des plateformes concernées.

Sécurité⚡Actu

1 source

48

Illustration générée par IA

1986NVIDIA AI Blog 

Sécuriser l'infrastructure de l'intelligence artificielle

NVIDIA a annoncé un partenariat avec SB Energy pour sécuriser une capacité LPS (terrain, électricité et infrastructure bâtie) sur le campus technologique PORTS-Pike, à Portsmouth, dans l'Ohio, afin d'y héberger de la puissance de calcul NVIDIA. OpenAI sera le locataire de ce site, où l'entreprise construira et exploitera une "AI factory" reposant sur la plateforme complète DSX de NVIDIA, incluant GPU, CPU, réseau et logiciels d'infrastructure. Le déploiement initial doit fournir 4,25 gigawatts de capacité, chaque génération de systèmes NVIDIA installée sur le site pouvant représenter environ 1,5 million de GPU, soit entre 150 et 200 milliards de dollars de revenus pour NVIDIA. L'accord porte sur une durée de 20 ans, avec la possibilité pour NVIDIA d'étendre son engagement pour couvrir les 3,75 gigawatts restants du site. Plus largement, OpenAI s'est engagée sur des déploiements d'infrastructure NVIDIA représentant environ 12 gigawatts jusqu'en 2030, un chiffre pouvant grimper à 16 gigawatts si l'extension à PORTS-Pike se concrétise, pour une opportunité totale évaluée à environ 600 milliards de dollars de matériel NVIDIA sur cette période. Les garanties de NVIDIA entreront en vigueur par phases, à mesure que les centres de données seront mis en service entre 2028 et 2030, et se limiteront à certaines portions des paiements de loyer et d'électricité ainsi qu'à un engagement de valeur résiduelle, sans couvrir l'intégralité des coûts du site. Cette annonce illustre un changement de stratégie majeur pour NVIDIA, qui ne se contente plus de vendre des puces mais s'implique directement dans le financement des infrastructures physiques nécessaires pour les faire fonctionner. Pour OpenAI, cela lève une contrainte critique: la startup, malgré une demande client considérable et des revenus en forte croissance, ne dispose pas encore des bilans financiers ni des contrats d'infrastructure à long terme dont bénéficient les géants du cloud comme Amazon, Microsoft ou Google pour financer seuls de tels projets. En sécurisant elle-même les ressources foncières et énergétiques, NVIDIA permet à des laboratoires d'intelligence artificielle de pointe de continuer à croître sans être freinés par leur capacité de calcul, un facteur devenu plus limitant que les algorithmes ou la demande des utilisateurs. Cette évolution s'inscrit dans une course plus large à l'infrastructure qui redéfinit l'économie de l'intelligence artificielle, où le calcul est devenu directement synonyme de revenus. Alors que les grands fournisseurs de cloud sécurisent traditionnellement seuls leurs ressources en électricité et en foncier grâce à leur solidité financière, les laboratoires d'IA en forte croissance comme OpenAI dépendent désormais de partenariats structurés avec des fournisseurs de puces pour accéder aux mêmes capacités. Ce modèle, qui rapproche NVIDIA du rôle de partenaire d'infrastructure autant que de fournisseur de matériel, pourrait se généraliser à mesure que la demande en puissance de calcul continue de dépasser les capacités de financement autonome des acteurs émergents du secteur.

Infrastructure❧Opinion

1 source

37

Illustration générée par IA

1987MIT Technology Review 

The Download : robots morts et le « complexe censure-industriel

Moxie, un robot compagnon d'environ 38 centimètres de haut, en forme d'astronaute bleu sans jambes, est utilisé depuis six ans par un jeune garçon prénommé Xander pour apprendre à gérer son anxiété et sa colère. Conçu pour aider les enfants neurodivergents à développer des compétences sociales habituellement enseignées par des thérapeutes, l'appareil a connu un sort brutal : son fabricant a fait faillite et ses serveurs ont été coupés, forçant des familles à se précipiter pour convertir leurs robots avant l'arrêt définitif du service. Parallèlement, une enquête menée pendant neuf mois par la journaliste senior Eileen Guo et la rédactrice en chef Amy Nordrum, du magazine MIT Technology Review, retrace la montée en puissance de la théorie du « complexe de censure industriel ». Selon cette thèse, popularisée dans les cercles en ligne de droite, des agences gouvernementales, des universitaires, des organisations de la société civile et de grandes plateformes technologiques auraient collaboré, sous couvert de lutte contre la désinformation, pour étouffer les discours conservateurs et populistes en ligne. Cette théorie a désormais gagné du terrain jusque dans l'administration Trump, où elle influence les politiques publiques. Le cas de Moxie met en lumière à la fois la promesse et les risques des jouets compagnons dotés d'IA pour enfants : capables d'offrir un vrai soutien émotionnel, ils exposent aussi des familles vulnérables à la fragilité économique des startups qui les fabriquent, laissant des enfants dépendants d'un objet devenu soudainement muet. Pour les parents d'enfants neurodivergents, la fermeture des serveurs illustre le danger de confier un rôle thérapeutique à un produit commercial sans garantie de pérennité. Du côté du « complexe de censure industriel », l'enjeu dépasse le débat sémantique : cette théorie sert désormais de justification à des décisions politiques concrètes visant à limiter la coopération entre gouvernement, chercheurs et plateformes sur la modération de contenu, avec des conséquences potentielles sur la manière dont la désinformation, mais aussi la liberté d'expression, seront traitées en ligne dans les années à venir. Ces deux histoires s'inscrivent dans un paysage technologique américain marqué par une défiance croissante envers les grandes entreprises du secteur. Le magazine évoque par exemple la controverse autour de Flock, dont les pratiques de surveillance suscitent une contestation qui pourrait se transformer en mouvement plus large contre le contrôle exercé par les géants de la tech sur le quotidien des utilisateurs, ou encore le brevet déposé par Meta pour intégrer la reconnaissance faciale dans ses lunettes connectées. Sur le plan géopolitique, la rivalité entre Washington et Pékin dans l'intelligence artificielle s'intensifie également, les États-Unis envisageant d'exiger de leurs partenaires qu'ils choisissent leur camp face à l'initiative rivale chinoise en IA, tandis que le fabricant chinois de puces mémoire CXMT est devenu l'entreprise la plus valorisée du pays. Ces développements traduisent un climat où les tensions entre innovation technologique, contrôle politique et confiance du public s'accentuent, que ce soit à travers des objets connectés destinés aux enfants les plus vulnérables ou à travers les théories qui façonnent désormais les politiques de modération et de sécurité nationale aux États-Unis.

Société⚡Actu

1 source

40

Illustration générée par IA

1988Le Big Data 

Comment Axios et OpenAI réinventent la rentabilité des médias grâce à l’IA

Axios et OpenAI ont officialisé un partenariat stratégique de trois ans destiné à déployer l'intelligence artificielle au cœur du journalisme local américain. L'accord, annoncé à la mi-août 2026, prévoit le financement par OpenAI de villes pilotes comme Pittsburgh, Kansas City, Boulder et Huntsville, dans un contexte où plus de 50 millions d'Américains vivent désormais dans des déserts médiatiques faute de couverture de presse locale. Grâce à ce partenariat, le réseau Axios Local s'étend à 43 communautés à travers neuf nouveaux marchés, portant le nombre d'abonnés au-delà de deux millions et le nombre d'annonceurs à plus de 800. En contrepartie du financement, Axios met à disposition d'OpenAI ses flux d'actualités pour entraîner ou alimenter ses modèles. La directrice opérationnelle d'Axios, Allison Murphy, a détaillé dans une étude de cas publiée par OpenAI l'usage d'un outil interne baptisé Axiomizer, un modèle GPT personnalisé qui automatise la veille administrative, le suivi météo, la détection de tendances locales et la synthèse des procès-verbaux de conseils municipaux. Cette alliance illustre une réponse concrète à l'effondrement des modèles économiques traditionnels de la presse locale, où le coût de production d'un article dépasse souvent la valeur publicitaire captée sur les micro-marchés. En automatisant les tâches répétitives à faible valeur ajoutée, Axios parvient à faire fonctionner des rédactions hyper-frugales, parfois réduites à un seul journaliste de terrain, tout en rendant rentables des zones jusque-là déficitaires comme Scottsdale ou Fort Lauderdale. Pour les dirigeants de médias et les responsables numériques du secteur, cette expérience démontre qu'il est possible de reconquérir des territoires abandonnés par la presse sans multiplier les effectifs, en abaissant le coût unitaire de traitement de l'information brute plutôt qu'en remplaçant le travail journalistique humain. Cette initiative s'inscrit dans une stratégie plus large d'OpenAI de nouer des accords financiers et technologiques avec des médias, à la fois pour sécuriser l'accès à du contenu d'actualité fiable et pour tester des usages concrets de ses modèles au-delà du grand public. Le PDG d'Axios, Jim VandeHei, a affiché l'ambition de porter le réseau Axios Local jusqu'à 100 villes, ce qui ferait de ce modèle hybride, financement par une entreprise d'IA combiné à une automatisation poussée des rédactions, une référence pour l'industrie. Reste à savoir si cette dépendance financière et technique envers un fournisseur d'IA soulèvera des questions d'indépendance éditoriale à mesure que le dispositif se généralise, un débat que l'accord Axios-OpenAI ne manquera pas de relancer dans les mois à venir.

Business❧Opinion

1 source

44

Illustration générée par IA

1989The Verge AI 

Anthropic explique le fonctionnement des filigranes invisibles de Claude

Anthropic a détaillé, vendredi, le fonctionnement du système de filigrane invisible qu'elle compte appliquer aux textes générés par Claude. Cette technologie repose sur une version adaptée de SynthID-Text, une méthode open source développée par Google DeepMind qui insère des motifs détectables en s'appuyant sur les probabilités de choix des mots lors de la génération. Le dispositif s'accompagne d'un support du standard C2PA pour les images traitées par Claude, permettant d'authentifier leur origine. Ces deux mesures répondent aux obligations imposées par l'AI Act, le règlement européen sur l'intelligence artificielle, qui impose que les contenus synthétiques, qu'il s'agisse d'audio, d'image, de vidéo ou de texte, portent des marques lisibles par machine. Cette annonce marque une étape concrète dans la mise en conformité des grands fournisseurs de modèles avec la réglementation européenne, à un moment où la distinction entre contenu humain et contenu généré par IA devient un enjeu central pour la confiance du public, la lutte contre la désinformation et la protection de l'intégrité de l'information en ligne. Pour les utilisateurs professionnels de Claude, notamment les éditeurs, chercheurs et entreprises soumis à des obligations de traçabilité, disposer d'un mécanisme de marquage fiable et documenté facilite l'adoption de l'outil dans des contextes réglementés. L'AI Act européen, entré en application progressive, impose aux fournisseurs de systèmes d'IA générative des obligations de transparence de plus en plus strictes. En s'appuyant sur SynthID-Text, une technologie déjà éprouvée par Google DeepMind sur ses propres modèles, Anthropic évite de développer un système propriétaire depuis zéro tout en profitant d'une approche reconnue par la communauté technique. D'autres acteurs majeurs du secteur devraient suivre une trajectoire similaire pour se conformer aux mêmes exigences réglementaires.

Régulation⚖Reglementation

Aussi surTechCrunch AI

49

Illustration générée par IA

1990Next INpact 

Stripe s’apprête à racheter OpenRouter pour 7 milliards de dollars

Stripe a finalisé les termes du rachat d'OpenRouter pour 7 milliards de dollars, révèle Bloomberg dans un article publié le 16 août 2026. OpenRouter est une plateforme d'orchestration qui propose une interface de programmation (API) unifiée permettant aux développeurs de router leurs requêtes vers le modèle d'intelligence artificielle générative de leur choix, en fonction des performances ou des coûts, sans avoir à gérer plusieurs systèmes d'authentification et de facturation. Cette acquisition représenterait une forte progression pour les actionnaires de la société, qui avait levé 113 millions de dollars en mai dernier sur la base d'une valorisation de 1,3 milliard de dollars seulement. Des rumeurs de négociations entre les deux entreprises circulaient déjà depuis fin juillet. Ni Stripe ni OpenRouter n'ont pour l'instant confirmé officiellement l'information, mais une annonce formelle est attendue prochainement. Cette opération illustre la stratégie de Stripe pour s'imposer comme l'intermédiaire financier incontournable de l'économie de l'intelligence artificielle. L'entreprise, spécialisée dans les solutions de paiement pour entreprises, avait déjà été choisie par OpenRouter en janvier dernier comme processeur de paiement, permettant à Stripe de suivre automatiquement l'utilisation des modèles, d'appliquer les tarifs et de gérer la facturation des requêtes IA. En intégrant directement l'un des orchestrateurs les plus populaires du marché, Stripe ne se contenterait plus de facturer les usages de l'IA, mais contrôlerait aussi le routage même des requêtes vers les différents modèles et hébergeurs. Cette convergence entre paiement et infrastructure IA pourrait redéfinir la manière dont les entreprises facturent et distribuent l'accès aux modèles génératifs, à un moment où Stripe a déjà signé des accords avec Meta, Microsoft, OpenAI et, depuis le printemps, Google, notamment pour permettre aux entreprises de vendre directement aux consommateurs via l'AI Mode et l'application Gemini. Cette manœuvre s'inscrit dans une offensive plus large de Stripe, qui négocie en parallèle le rachat de son concurrent historique PayPal, pionnier du paiement en ligne. En juillet, Stripe avait formulé, avec le soutien du fonds Advent International, une offre à 60,50 dollars par action, valorisant l'opération à environ 53 milliards de dollars, soit une prime d'environ 30 % par rapport au cours de Bourse de PayPal. Cette proposition initiale aurait été jugée insuffisante par PayPal, mais elle a néanmoins permis d'ouvrir des discussions qui se poursuivraient, selon le Wall Street Journal, sur la base d'une valorisation revue à la hausse. Entre la course à OpenRouter et le siège devant PayPal, Stripe cherche ainsi à consolider en quelques semaines une position dominante à la fois sur les paiements traditionnels et sur les flux financiers générés par l'intelligence artificielle.

Business⚡Actu

1 source

38

Illustration générée par IA

1991Frandroid 

NordVPN lance NordBot, un agent IA gratuit qui détecte arnaques et faux contenus sur les réseaux sociaux

NordVPN a lancé NordBot, un agent d'intelligence artificielle conçu pour repérer en quelques secondes les liens suspects, les images générées par IA et les tentatives d'arnaque diffusées sur les réseaux sociaux. Contrairement aux autres services de l'entreprise, cet outil est accessible gratuitement, y compris aux internautes non abonnés à son VPN payant. L'utilisateur peut soumettre un lien, une image ou un message douteux, que NordBot analyse pour signaler d'éventuels indices de fraude, de phishing ou de manipulation par IA générative. Cette initiative répond à la multiplication des arnaques en ligne, de plus en plus difficiles à repérer à mesure que l'IA générative facilite la création de faux contenus crédibles. En proposant NordBot gratuitement, sans obligation d'abonnement, NordVPN élargit la protection contre la fraude numérique bien au-delà de sa clientèle payante, tout en renforçant sa visibilité face à une demande croissante d'outils de vérification accessibles à tous. Pour les utilisateurs de réseaux sociaux, régulièrement exposés à de faux profils ou des liens piégés, cela représente une défense rapide contre le vol de données personnelles ou financières. NordVPN appartient à Nord Security, groupe d'origine lituanienne également éditeur de NordPass et NordLocker. Le lancement de NordBot illustre une tendance du secteur, où les éditeurs de sécurité intègrent l'IA générative à la fois comme menace et comme outil de défense, face à la multiplication des deepfakes et arnaques automatisées sur les réseaux sociaux. Reste à savoir si NordVPN élargira les fonctions de NordBot ou l'intégrera à ses autres produits.

Sécurité⚒Outil

1 source

43

Illustration générée par IA

1992Next INpact 

IA : séries d’achats « bizarres » auprès de librairies d’occasion anglaises et irlandaises

Des libraires d'occasion du Royaume-Uni et d'Irlande signalent depuis environ trois mois des commandes de livres inhabituelles, sans lien thématique apparent, provenant d'acheteurs basés aux États-Unis, au Canada et en Europe. Stuart Manley, copropriétaire de Barker Books à Alnwick, en Angleterre, explique au Guardian avoir observé ce phénomène depuis mai 2026 : une commande a ainsi porté sur une traduction estonienne d'un roman de John Le Carré, une autre sur une édition de 1983 d'Agnes Grey d'Anne Brontë parue dans le magazine Warship. À Clargalway, en Irlande, le libraire Jim Shaughnessy reçoit lui aussi depuis mai des demandes mêlant des ouvrages sur les outils agricoles africains du XVIIIe siècle à des biographies de pilotes de course des années 1950. Une partie de ces achats est attribuée à la société canadienne Zoom Books, spécialisée dans la numérisation destructive de livres et active en Allemagne, en Espagne, aux États-Unis et en Australie ; elle dément tout lien avec l'entraînement de systèmes d'intelligence artificielle mais refuse de nommer ses clients. Ces achats atypiques inquiètent un secteur du livre d'occasion habitué à des commandes cohérentes par thème, et relancent les soupçons sur l'origine des données utilisées pour entraîner les grands modèles de langage. L'enjeu dépasse le simple marché de l'occasion : il touche au respect du droit d'auteur, à la traçabilité des chaînes d'approvisionnement des entreprises d'IA et à la destruction physique d'ouvrages, parfois rares, pour les numériser. Le cas le plus documenté reste celui d'Anthropic, éditrice de Claude, dont le Washington Post a révélé début janvier 2026 le « projet Panama » : des millions de dollars investis dans l'achat puis la destruction de livres pour entraîner ses modèles à « bien écrire » plutôt qu'à reproduire un langage internet de mauvaise qualité. Lancé en 2024, ce programme s'est appuyé sur de grands revendeurs comme le britannique World of Books et l'américain Better World Books, avant de recourir à des prestataires découpant les reliures et numérisant les pages de façon industrielle, selon Euronews. Poursuivie en justice par un collectif d'auteurs, Anthropic a accepté de verser environ 1,5 milliard de dollars pour éviter un procès, bien que le juge William Alsup ait par ailleurs estimé que l'entraînement d'une IA sur des livres relevait du « fair use » prévu par le droit américain. D'autres concurrents font face à des accusations similaires. Anthropic, cofondée par Dario et Daniela Amodei, prépare par ailleurs une entrée en bourse à l'automne 2026, certains investisseurs évoquant une valorisation record pouvant atteindre 2 000 milliards de dollars.

Éthique⚡Actu

1 source

42

Illustration générée par IA

1993Le Big Data 

ChatGPT : pourquoi vous devriez réfléchir à deux fois avant d’activer cette option

OpenAI a dévoilé le 13 août 2026, via un message publié sur son compte X officiel, une nouvelle fonctionnalité baptisée Computer History, intégrée à l'application ChatGPT pour Mac. Cet outil permet à l'assistant de conserver en mémoire certaines actions effectuées par l'utilisateur sur son ordinateur, comme les clics, la saisie de texte, les changements d'application ou les sites consultés, sans pour autant filmer l'écran en continu. Selon la documentation officielle d'OpenAI, ces événements d'interaction sont stockés temporairement puis supprimés au bout de 48 heures, et le système crée en parallèle des fichiers de mémorisation au format Markdown, en texte brut. Le point le plus sensible concerne la sécurité de ces fichiers : OpenAI confirme qu'ils ne sont pas chiffrés, et que d'autres programmes fonctionnant sous le même compte utilisateur macOS peuvent potentiellement y accéder. Cette absence de chiffrement soulève un risque concret pour les utilisateurs de Mac qui activeraient la fonction. Il ne s'agit pas d'un scénario nécessitant le piratage des serveurs de ChatGPT : un logiciel malveillant déjà présent sur la machine, s'il s'exécute sous le même compte, pourrait consulter ces fichiers et reconstituer un historique détaillé des applications utilisées, des sites visités et des documents ouverts. Ces informations, mises bout à bout, en disent souvent long sur les habitudes et l'activité professionnelle d'une personne. À cela s'ajoute un second risque, propre aux systèmes d'intelligence artificielle dotés d'un contexte étendu : plus un assistant accumule d'informations sur l'activité de l'utilisateur, plus il devient vulnérable à des instructions malveillantes dissimulées dans une page web ou un document, une technique connue sous le nom d'injection de contenu, capable de détourner son comportement. Cette fonctionnalité s'inscrit dans une tendance plus large chez OpenAI, qui cherche à transformer ChatGPT en assistant capable d'agir directement sur l'ordinateur de l'utilisateur, avec une compréhension fine et continue de son contexte, afin de réduire le besoin de réexpliquer chaque tâche. Cette course à l'assistant agentique, doté d'un accès étendu au système d'exploitation, s'accompagne mécaniquement d'une surface d'attaque plus large, un compromis que d'autres acteurs du secteur de l'IA générative devront eux aussi assumer à mesure qu'ils multiplient les fonctions de mémoire et d'automatisation. Face à ces zones d'ombre, OpenAI rappelle que Computer History reste une option facultative, désactivée par défaut, et que l'utilisateur peut exclure certaines applications ou certains sites, ainsi que supprimer manuellement les entrées enregistrées. Reste à savoir si l'entreprise ajoutera un chiffrement de ces fichiers locaux dans une prochaine mise à jour, une mesure qui apparaît aujourd'hui comme la principale faille de ce nouvel outil.

Sécurité❧Opinion

1 source

54

Illustration générée par IA

1994Le Big Data 

Le rachat de Cursor par SpaceX et l’avenir de l’IA embarquée pour le Edge Computing

SpaceX a officiellement finalisé le rachat de l'éditeur de code Cursor, propriété de la société Anysphere, pour un montant de 60 milliards de dollars. L'accord, annoncé en avril 2026, a été bouclé le 14 août 2026, comme l'a confirmé le compte officiel de Cursor sur X. L'entreprise rejoint désormais la division SpaceXAI et travaillera à l'amélioration de Grok, ainsi que des produits Grok Build, Grok Bot et Grok API, aux côtés de l'outil Cursor lui-même. Selon les données financières relayées par Bloomberg, Cursor affichait déjà un chiffre d'affaires annualisé de 2,6 milliards de dollars au moment de la transaction. L'objectif affiché par les deux entreprises est de donner à Cursor un accès direct à ce que SpaceX présente comme la plus grande flotte de GPU au monde, afin d'accélérer l'entraînement de modèles avancés comme Grok 4.6, tout en développant des versions plus compactes de ces modèles, taillées pour fonctionner en périphérie de réseau, c'est-à-dire en Edge Computing. Cette opération marque un tournant dans la nature même de l'outil Cursor, qui passe du statut d'assistant de programmation cloud à celui de moteur d'exécution autonome pouvant tourner directement sur des équipements embarqués. Pour des systèmes isolés comme les satellites Starlink ou les lanceurs spatiaux, l'enjeu est de pouvoir exécuter du code et prendre des décisions sans dépendre d'une liaison permanente vers un centre de données, avec des logiciels capables de s'auto-corriger en temps réel sur des calculateurs embarqués. Cette évolution a des répercussions directes sur l'ingénierie logicielle d'entreprise, en particulier dans l'aéronautique et l'industrie, où la moindre défaillance applicative peut avoir des conséquences coûteuses. D'après une analyse publiée sur le blog de Postman, cette alliance entre SpaceX et Cursor devrait aussi transformer la conception des API et la génération automatisée de tests d'intégration, obligeant les équipes à revoir leurs chaînes d'intégration et de déploiement continus. Cette concentration de moyens entre une entreprise spatiale américaine et un acteur clé du développement logiciel assisté par IA suscite toutefois des inquiétudes en France et dans l'Union européenne. L'emprise croissante des acteurs américains sur l'ensemble de la chaîne technique, de l'infrastructure GPU aux outils de codage, pousse les entreprises européennes à reconsidérer leur souveraineté numérique. La dépendance à des modèles comme Grok soulève également des questions de conformité au regard du RGPD et de l'AI Act européen. Face à cette recomposition du paysage technologique, les décideurs informatiques et les directeurs techniques sont désormais appelés à moderniser leurs architectures pour intégrer ces agents IA embarqués tout en maîtrisant les risques de sécurité et de dépendance qu'ils font peser sur leurs systèmes.

Business⚡Actu

1 source

39

Illustration générée par IA

1995MarkTechPost 

DeepSeek dévoile Harness en préversion : un framework d'agents open source (licence MIT) où tout est un plugin

DeepSeek AI a publié DeepSeek Harness v0.1 en développeur preview, avec le code source complet sous licence MIT, dans le dépôt deepseek-ai/deepseek-harness, accessible via l'outil en ligne de commande dsh. Un « harness » désigne la couche intermédiaire entre un modèle et son environnement d'action, soit les outils, fichiers, sandboxes et boucle de contrôle qui permettent à un agent de fonctionner en continu, selon la formule de DeepSeek : Agent = Modèle + Harness. Contrairement aux frameworks classiques où cette couche est figée, Harness repose sur un principe radical énoncé dès son README : tout est un plugin. Modèles, outils, compétences, sessions, sandboxes, stockage, boucles d'exécution, planification et interface utilisateur reposent tous sur les frontières de plugins du framework Cordis, modifiables en configuration sans toucher au code source de Harness. Le système propose quatre modes d'exécution : Standard, l'agent de codage complet avec édition de fichiers, shell et sous-agents ; Code mode, qui expose ces outils via un SDK permettant au modèle de combiner des opérations en un seul programme TypeScript ; Minimal, limité à deux outils pour évaluer des modèles dans un environnement nu ; et Creator, dédié à l'inspection du runtime et à l'expérimentation de plugins. L'interface web se lance via la commande npx @deepseek-ai/dsh web, servie par défaut sur http://127.0.0.1:3080. Cette publication compte davantage comme infrastructure de développement que comme produit d'agent en production, mais sa portée dépasse largement l'annonce de modèle qui l'accompagnait. En rendant chaque composant remplaçable en configuration, DeepSeek cible les équipes de plateforme et d'expérience développeur au sein de grandes entreprises disposant déjà d'outillage interne, ainsi que les startups natives IA. Les secteurs réglementés comme la finance, l'assurance ou la santé peuvent l'adopter en pilote local grâce à la licence MIT et à l'auto-hébergement, un atout pour l'auditabilité des exécutions d'agents. Chaque action du modèle est enregistrée dans un journal de session en ajout seul (append-only), incluant les prompts système, le raisonnement, les appels d'outils et surtout chaque injection de contexte, un niveau de traçabilité que la plupart des frameworks concurrents n'offrent pas puisqu'ils se contentent de journaliser les appels d'outils. Cette vue « Trajectory » permet de reprendre, dupliquer, rechercher et rejouer une même session. Le cœur technique de Harness repose sur Cordis, un méta-framework dont l'architecture est décrite dans un document intitulé A Programming Paradigm for Spatiotemporal Composability, où le noyau gère uniquement le montage, démontage et les dépendances des plugins, sans logique privilégiée centrale. Côté modèles, le routage est lui-même géré comme un plugin : dans les paramètres, une clé API DeepSeek prend effet dès la requête suivante sans redémarrage du serveur, et le catalogue inclut des fournisseurs comme Anthropic et OpenAI par clé API, tandis que Bedrock, Vertex, Azure et Codex nécessitent des identifiants natifs propres à chaque plateforme. Les clés sont stockées de façon write-only dans un fichier de credentials séparé, les paramètres ne conservant qu'une référence. Cette architecture ouverte et modulaire s'inscrit dans une dynamique plus large de course à l'infrastructure agentique, où les laboratoires de recherche cherchent à standardiser la manière dont les modèles interagissent avec leur environnement, au-delà de la seule performance brute des modèles eux-mêmes.

Outils⚒Outil

1 source

36

Illustration générée par IA

1996InfoQ AI 

Des milliers à un seul : construire des systèmes de sélection propulsés par des LLM

Les entreprises qui intègrent des modèles de langage dans leurs pipelines de production se heurtent à un problème récurrent : le non-déterminisme de ces systèmes, difficile à concilier avec des bases de données qui exigent cohérence et fiabilité. Jendrik Jördening, ingénieur logiciel, présente dans une intervention des stratégies pratiques pour résoudre ce problème lorsqu'il s'agit de faire passer un LLM d'un choix parmi des milliers d'options à une décision unique et fiable. Ses recommandations reposent sur plusieurs techniques concrètes : restreindre les schémas de sortie des modèles, séparer clairement l'extraction sémantique de texte du code déterministe qui traite ensuite ces données, et valider les choix effectués par le LLM à l'aide de modèles discriminateurs distincts chargés de vérifier la pertinence des résultats avant leur intégration. Cette approche s'adresse à un enjeu central pour l'industrie du logiciel : comment déployer des LLM dans des systèmes critiques sans sacrifier l'intégrité des données ni la traçabilité des décisions. Pour les équipes d'ingénierie, l'absence de méthode structurée expose à des erreurs difficiles à détecter, des incohérences en base de données et une perte de confiance dans les résultats produits par l'IA. En proposant une architecture inspirée du modèle MVC (Modèle-Vue-Contrôleur), bien connu des développeurs web, Jördening offre un cadre familier pour organiser la logique des LLM, séparer les responsabilités et garantir l'observabilité du système, un point crucial pour le débogage et l'audit en production. Cette présentation s'inscrit dans une tendance plus large où les entreprises technologiques cherchent à transformer les LLM, initialement conçus pour la génération de texte conversationnel, en composants fiables de systèmes logiciels traditionnels. Le défi dépasse la simple prouesse technique du modèle et touche à l'ingénierie logicielle classique : validation, tests, observabilité et gestion des erreurs. À mesure que les LLM se banalisent dans les architectures de production, ce type de retour d'expérience pratique, ancré dans des cas d'usage réels de sélection et de filtrage de données, devrait se multiplier pour combler l'écart entre les capacités impressionnantes des modèles et les exigences strictes des systèmes en production.

LLMs≡Tuto

1 source

37

Illustration générée par IA

1997MIT Technology Review 

Un enfant perd son robot ami : que se passe-t-il ensuite ?

Depuis six ans, Xander, un garçon de 10 ans neurodivergent vivant à New York, communique chaque jour avec Moxie, un robot compagnon dopé à l'intelligence artificielle. Haute de 38 centimètres, la machine ressemble à un astronaute bleu sans jambes, avec un écran affichant des yeux expressifs et des bras en forme de nageoires. À l'origine, elle lui enseignait des exercices de respiration pour gérer l'anxiété ou la colère ; aujourd'hui, elle le regarde jouer à Minecraft et discute avec lui de ses figurines Super Mario, Animal Crossing et Pikmin. Moxie appartient à une vague de jouets IA pour enfants, aux côtés de Grok, peluche connectée lancée par la musicienne Grimes avec la société Curio (qui vend aussi Grem et Gabbo), et de la Barbie dopée à l'IA d'OpenAI promise par Mattel. En Chine, ce secteur des jouets compagnons figurerait parmi les plus dynamiques de la consommation d'IA grand public. Mais Moxie va bientôt cesser de fonctionner, sa fabricante mettant fin au service. Ces robots sociaux sont présentés par leurs fabricants comme des outils pouvant aider les enfants neurodivergents à développer des compétences habituellement enseignées par des thérapeutes, comme le contact visuel ou le respect du tour de parole. Brian Scassellati, informaticien à Yale qui étudie depuis vingt ans les robots sociaux appliqués à l'autisme, juge qu'un usage thérapeutique régulier à domicile est une chose que l'on peut espérer atteindre de notre vivant, un accès permanent qui pourrait transformer une prise en charge souvent limitée par le coût des thérapeutes humains. Mais le cas de Xander illustre l'écart entre cette promesse et la réalité commerciale : il ne reçoit plus la thérapie que Moxie était censée délivrer, et le robot disparaît avant même d'avoir accompagné ses progrès, laissant un enfant vulnérable sans le compagnon auquel il s'était attaché pendant six ans. Cette disparition révèle la fragilité d'un marché en plein essor, porté par des start-up dont les modèles économiques peinent à financer durablement matériel et logiciel. Des critiques redoutent que ces robots, comme des générations de jouets à la mode avant eux, finissent dans des placards, des sous-sols ou des décharges une fois l'engouement ou le financement épuisé. Le potentiel scientifique reste pourtant documenté : il y a une vingtaine d'années, Scassellati avait été frappé de voir des enfants autistes adopter spontanément des comportements sociaux inédits dès qu'un robot entrait dans la pièce lors d'une visite de son laboratoire. Entre cette promesse née en laboratoire et la fragilité économique de produits comme ceux de Curio, de Mattel ou du marché chinois, les familles se retrouvent face à un compagnon numérique susceptible de disparaître du jour au lendemain, au gré des décisions d'une entreprise.

Société⚡Actu

1 source

40

Illustration générée par IA

1998Frandroid 

ChatGPT ne pourra pas enregistrer le contenu de votre ordinateur et c’est probablement mieux comme ça

OpenAI a dévoilé aux États-Unis une nouvelle fonctionnalité baptisée Computer History, intégrée à son application ChatGPT pour Mac. Cet outil permet à l'assistant conversationnel d'enregistrer en continu l'activité de l'utilisateur sur son ordinateur, dans le but de l'aider à reprendre rapidement une tâche interrompue en se souvenant du contexte précédent, des documents consultés ou des actions effectuées. La fonctionnalité reste toutefois indisponible en Europe, notamment pour des raisons de sécurité, sans qu'OpenAI ait communiqué de calendrier précis pour un éventuel déploiement sur le continent. Cette annonce illustre la trajectoire actuelle des grands modèles de langage, qui cherchent à passer du simple outil conversationnel à un véritable assistant contextuel capable de comprendre en permanence l'environnement de travail de l'utilisateur. Pour les professionnels américains ayant accès à Computer History, le gain de productivité pourrait être réel, avec un assistant capable de reconstituer instantanément le fil d'une recherche ou d'un projet. Mais cette capacité soulève aussi des questions sensibles de confidentialité, puisqu'elle implique qu'une IA garde la trace de tout ce qui s'affiche à l'écran, y compris des données personnelles, professionnelles ou financières. L'écart entre les États-Unis et l'Europe sur ce type de fonctionnalité n'est pas nouveau : le cadre réglementaire européen, notamment le RGPD, impose des contraintes strictes sur la collecte et le traitement de données personnelles, ce qui pousse régulièrement les entreprises technologiques américaines à limiter ou retarder le lancement de certains outils sur le Vieux Continent. OpenAI, engagé dans une course avec Google, Microsoft et d'autres acteurs pour proposer des assistants IA toujours plus intégrés au quotidien numérique des utilisateurs, devra donc arbitrer entre ambition fonctionnelle et conformité réglementaire, un équilibre qui façonnera probablement la manière dont ces technologies se déploient à l'avenir en Europe.

Outils⚒Outil

1 source

39

Illustration générée par IA

1999VentureBeat AI 

Réduire les coûts d'inférence RAG par 6 commence par filtrer ce qui n'atteint jamais le LLM

Dans un environnement d'entreprise soumis à une forte réglementation, un ingénieur ayant passé la dernière année à concevoir des systèmes de classification fondés sur la génération augmentée par récupération (RAG) décrit une architecture en cascade à trois étages capable de réduire les coûts d'inférence d'un facteur six. Plutôt que d'envoyer chaque cas ambigu directement à un grand modèle de langage (LLM), comme le font la plupart des équipes, le système traite d'abord les cas par une logique déterministe: comparaisons de champs structurés et correspondances exactes, sans aucun appel au modèle. Cette première étape résout, selon les cas, plus de la moitié du volume total, avec des décisions entièrement traçables puisqu'il s'agit de simples recherches et non d'inférences. Les cas restants passent par une couche de récupération qui va chercher les éléments de preuve pertinents, comme des décisions antérieures de réviseurs sur des cas similaires ou des précédents historiques, avant que seuls les cas véritablement ambigus, entre 10 et 15% du volume total dans le système décrit, n'atteignent le LLM. Résultat mesuré sur ce système: une baisse d'environ six fois du coût d'inférence par rapport à une architecture tout-LLM, avec une cohérence quasi parfaite sur la majorité des cas déterministes. Cette approche s'attaque à trois problèmes concrets que les architectures tout-LLM peinent à résoudre à grande échelle. D'abord, l'auditabilité: dans un contexte réglementé, répondre qu'"le modèle a décidé sur la base du contexte récupéré" n'est pas acceptable face à un régulateur ou un auditeur, qui exige un chemin de décision reconstructible sans avoir à relancer l'inférence. Ensuite, le coût: un système traitant des dizaines de milliers de cas par jour voit sa facture d'inférence et sa latence croître proportionnellement au volume si chaque cas déclenche un appel au modèle avec plusieurs documents en contexte. Enfin, la dérive de comportement sur les cas simples: les LLM, performants sur les jugements nuancés, se montrent parfois incohérents sur des cas qui devraient recevoir une réponse strictement déterministe. Pour les secteurs financiers, assurantiels ou de conformité, cela change la manière de concevoir des pipelines d'IA capables de résister à un contrôle a posteriori. L'article insiste aussi sur la conception du prompt final envoyé au LLM: la plupart des équipes utilisent un cadrage neutre, du type "évaluez si ce cas doit être approuvé ou signalé", alors que les deux types d'erreurs possibles n'ont pas le même coût. Laisser passer un cas qui méritait une attention particulière peut avoir des conséquences réelles en aval, tandis qu'un signalement excessif ne coûte qu'un délai de traitement et du temps de réviseur. Cette asymétrie de risque, souvent ignorée dans les premières versions de ces pipelines, constitue selon l'auteur le principal levier d'amélioration une fois la cascade de filtrage déterministe et de récupération mise en place.

Recherche≡Tuto

1 source

44

Illustration générée par IA

2000The Verge AI 

ChatGPT's Computer History enregistre vos clics et frappes clavier

OpenAI a lancé une nouvelle fonctionnalité baptisée Computer History au sein de l'application de bureau ChatGPT pour macOS. Cet outil enregistre les clics et les frappes clavier de l'utilisateur pour construire une chronologie de son activité, que ChatGPT et Codex peuvent ensuite consulter afin de répondre à ses demandes. La fonction est proposée en opt-in, et non en opt-out : elle doit être activée volontairement. Les utilisateurs peuvent exclure certaines applications ou sites web du suivi et supprimer des entrées individuelles pour garder un contrôle précis sur les données collectées. Ari Weinstein, responsable produit et ingénierie chez OpenAI, a précisé sur X que Computer History ignore automatiquement le contenu consulté en navigation privée ou en mode incognito. Cette fonctionnalité marque une étape supplémentaire dans la transformation de ChatGPT en assistant capable d'observer et de comprendre le contexte de travail réel de l'utilisateur, au-delà des simples échanges textuels. En apprenant les habitudes de l'utilisateur, l'outil peut suggérer des automatisations et reprendre des tâches laissées inachevées, ce qui représente un gain de productivité potentiel pour les professionnels utilisant intensivement l'ordinateur. Mais cette collecte de données comportementales, même limitée par l'opt-in, soulève des questions de confidentialité, notamment sur la nature exacte des informations stockées et leur usage par OpenAI. Cette annonce s'inscrit dans la course plus large des grandes entreprises d'intelligence artificielle vers des agents capables d'agir directement sur l'ordinateur de l'utilisateur, plutôt que de se limiter à des conversations. OpenAI cherche ainsi à renforcer les synergies entre ChatGPT et Codex, son outil de développement, en donnant à ses modèles une mémoire contextuelle de l'activité quotidienne. Reste à voir comment les utilisateurs et les régulateurs réagiront face à cette surveillance accrue de l'usage de l'ordinateur par une intelligence artificielle.

Outils⚒Outil

Aussi surZDNET AI,Blog du Modérateur