Actualités IA — page 104

9 310 articles au fil, du plus récent au plus ancien.

56

Illustration générée par IA

2061Ars Technica AI 

Google annonce Gemini 3.7 Flash, trois semaines seulement après la version précédente

Google a dévoilé Gemini 3.7 Flash, un nouveau modèle qui remplace Gemini 3.6 Flash à peine trois semaines après la sortie de ce dernier. Contrairement aux attentes, ce n'est pas le très attendu Gemini 3.5 Pro qui a été publié, mais une mise à jour de la gamme "Flash", positionnée comme le modèle de travail rapide et économique de Google. Selon Tulsee Doshi, directrice senior chez Google, cette nouvelle version résulte d'optimisations internes et de retours de développeurs, avec des gains notables en programmation et en capacités agentiques. Les chiffres avancés sont substantiels : le score au test FrontierCode 1.1 Main passe de 34,4 à 43,6 %, celui de DeepSWE v1.1 grimpe de 49 à 65,3 %, et le score WebDev Arena progresse de 1 538 à 1 588 points. Le modèle affiche aussi de meilleures performances en traitement documentaire, avec le benchmark GDP.pdf passant de 22 à 34 %, ainsi qu'en exécution de tâches professionnelles automatisées, l'AutomationBench grimpant de 17 à 30,4 %. Google propose en outre un prix de lancement réduit pour ce nouveau modèle. Cette annonce illustre l'intensification de la concurrence entre les grands fournisseurs de modèles d'intelligence artificielle, où la rapidité de programmation et la fiabilité agentique deviennent des critères décisifs pour les développeurs et les entreprises. En misant sur un tarif d'entrée plus bas, Google cherche explicitement à contrer les modèles concurrents moins coûteux, un signal que la bataille des prix reste un levier stratégique majeur dans l'adoption des outils d'IA générative par les équipes techniques et les entreprises qui automatisent leurs flux de travail. Ce lancement s'inscrit dans une cadence de mise à jour de plus en plus resserrée pour la famille Gemini, où les versions "Flash" servent de terrain d'itération rapide entre les grandes révisions comme la version Pro encore attendue. Cette stratégie permet à Google d'intégrer en continu les retours des développeurs sans attendre une refonte majeure, tout en maintenant la pression concurrentielle face à d'autres laboratoires d'IA qui accélèrent également leurs cycles de publication. Les prochaines semaines devraient montrer si cette accélération se poursuit avant l'arrivée de modèles plus ambitieux dans la gamme.

LLMs⚡Actu

Aussi surMarkTechPost,Frandroid,Le Big Data

49

Illustration générée par IA

2062The Decoder 

DeepSeek améliore V4 Pro, open-source son logiciel d'agents et augmente les prix de son API

Deepseek a fait sortir son modèle phare V4-Pro de sa phase de test pour le déployer en version stable, tout en publiant en parallèle Harness v0.1, son logiciel d'agent, sous licence MIT open source. Cette annonce s'accompagne d'une hausse des tarifs de son API : les coûts liés aux cache hits, c'est-à-dire les requêtes qui réutilisent des données déjà traitées, sont multipliés par six par rapport à leur prix actuel. Il s'agit de la plus forte augmentation tarifaire de cette transition. Aucune date précise ni montant en dollars n'a été communiqué dans l'annonce, mais l'ampleur du changement, un facteur six, marque une rupture nette avec la politique de prix agressive qui avait fait la réputation de Deepseek depuis son entrée sur le marché des grands modèles de langage. Cette hausse touche en particulier les flux de travail agentiques, ces systèmes où une intelligence artificielle exécute des tâches de façon autonome en relisant sans cesse les mêmes fichiers ou contextes, un usage en forte croissance chez les développeurs et les entreprises. Comme ces workflows s'appuient massivement sur la mise en cache pour limiter les coûts de calcul, la multiplication par six du tarif des cache hits change directement l'équation économique de ceux qui construisent des agents autonomes sur l'infrastructure de Deepseek. Le choix d'ouvrir Harness sous licence MIT, à l'inverse, va dans le sens d'une plus grande adoption par la communauté des développeurs, qui peuvent désormais examiner, modifier et réutiliser librement le code de l'outil. Depuis son irruption sur la scène de l'intelligence artificielle générative, Deepseek s'est distingué par des prix nettement inférieurs à ceux de concurrents comme OpenAI ou Anthropic, une stratégie qui avait contribué à bousculer le marché et à faire chuter les valorisations de plusieurs acteurs occidentaux début 2025. Ce rééquilibrage tarifaire, combiné à la sortie d'un modèle plus performant, suggère que l'entreprise chinoise ajuste sa stratégie commerciale à mesure que son infrastructure gagne en maturité et que la demande pour ses services augmente. Reste à voir si cette hausse marque le début d'un alignement progressif sur les prix du marché ou un ajustement ponctuel lié aux coûts réels du cache.

LLMs⚡Actu

Aussi surVentureBeat AI

40

Illustration générée par IA

2063AWS ML Blog 

Monitorer les agents IA sur site et multi-cloud avec AgentCore Observability

Le laboratoire Anthropic a publié un guide technique détaillant comment étendre la surveillance des agents IA au-delà d'AWS via Amazon Bedrock AgentCore Observability, une fonctionnalité de la plateforme Amazon Bedrock AgentCore lancée pour construire et optimiser des agents IA à grande échelle. Jusqu'à présent, cette capacité de traçage, de monitoring et d'analyse ne fonctionnait nativement que pour les agents déployés sur l'environnement d'exécution AgentCore dans le cloud AWS. La méthode publiée permet désormais de connecter des agents construits avec des frameworks comme Strands Agents, LangGraph ou CrewAI, qu'ils tournent sur Amazon EKS, Amazon ECS, AWS Lambda, sur des serveurs on-premises, ou même chez des concurrents comme Google Cloud Platform et Microsoft Azure. La solution repose sur trois composants : l'AWS Distro for OpenTelemetry (ADOT), qui s'exécute directement dans le processus de l'agent pour capturer automatiquement les données de télémétrie selon les conventions sémantiques de l'IA générative ; des identifiants IAM (clé d'accès et clé secrète) pour authentifier l'envoi de ces données vers Amazon CloudWatch via le protocole OTLP avec signature SigV4 ; et des variables d'environnement configurant le routage. Le tutoriel utilise le modèle Claude Haiku d'Anthropic comme exemple et nécessite Python 3.10 ou supérieur ainsi que l'activation préalable de CloudWatch Transaction Search. Cette avancée répond à un problème concret pour les équipes qui déploient des agents IA en dehors de l'écosystème AWS mais souhaitent conserver une visibilité centralisée sur leur comportement. Sans cette observabilité, les organisations opérant en environnements hybrides ou multi-cloud risquaient de perdre la trace des chaînes de raisonnement de leurs agents, de leurs appels d'outils et de leurs sorties, rendant plus difficile la détection d'hallucinations, de réponses problématiques ou hors-sujet, ainsi que le suivi de la consommation de tokens à des fins de contrôle des coûts. Pour les équipes techniques responsables de la gouvernance de l'IA, cela signifie pouvoir auditer le comportement des agents quel que soit leur lieu d'exécution, sans être forcées de migrer leur infrastructure vers AWS uniquement pour bénéficier d'un monitoring centralisé. C'est un argument différenciant pour Amazon face à la concurrence, qui cherche à retenir les clients multi-cloud en leur offrant les bénéfices d'observabilité d'AgentCore sans les contraintes de verrouillage total sur son infrastructure. Cette initiative s'inscrit dans une tendance plus large où l'observabilité devient un pilier considéré comme fondamental du déploiement responsable de l'IA agentique, à mesure que les entreprises multiplient les agents autonomes capables d'exécuter des tâches complexes avec peu de supervision humaine directe. Amazon Bedrock AgentCore illustre la stratégie d'AWS consistant à se positionner comme plateforme agnostique aux frameworks et aux modèles pour construire et faire évoluer des agents IA, tout en consolidant son emprise via des services de télémétrie comme CloudWatch. La démarche s'appuie sur des standards ouverts, notamment OpenTelemetry, ce qui facilite l'interopérabilité mais maintient malgré tout une dépendance à l'infrastructure de surveillance d'AWS pour l'authentification et le stockage des données. Reste à voir si des concurrents comme Google et Microsoft répliqueront des ponts similaires vers leurs propres outils d'observabilité, dans un contexte où la gouvernance et la traçabilité des agents IA s'imposent progressivement comme un enjeu réglementaire et opérationnel majeur pour les entreprises qui les déploient à grande échelle.

Outils⚒Outil

1 source

41

Illustration générée par IA

2064AWS ML Blog 

Automatiser les applications web existantes avec l'outil de navigateur Amazon Bedrock AgentCore

Amazon a présenté AgentCore Browser Tool, un service de navigateur entièrement géré intégré à Amazon Bedrock, conçu pour permettre à des agents d'intelligence artificielle d'automatiser des applications web héritées (legacy) dans des secteurs comme la santé, la fabrication, le commerce de détail et les services financiers. Combiné à Strands Agents, le framework d'orchestration piloté par modèle d'Amazon, cet outil s'appuie sur l'intégration Playwright via des connexions WebSocket au protocole Chrome DevTools (CDP) pour piloter une instance Chromium managée dans le cloud, capable d'interagir avec n'importe quelle application accessible en HTTP ou HTTPS, quel que soit le navigateur pour lequel elle a été conçue à l'origine. Amazon illustre le problème avec l'exemple d'une grande compagnie d'assurance qui traite chaque année des dizaines de milliers de modifications opérationnelles (avenants, ajustements de sinistres, mises à jour de couverture) sur des systèmes de gestion de polices vieux de plusieurs décennies, mobilisant des équipes dédiées pendant des milliers d'heures et générant des pertes annuelles significatives liées aux erreurs de saisie manuelle. Le service s'intègre aux modèles de fondation d'Amazon Bedrock via le runtime AgentCore, avec des contrôles de sécurité IAM (Identity and Access Management) par session isolée et une traçabilité complète des audits. Cette annonce répond à un problème structurel largement partagé dans l'entreprise : la majorité des organisations continuent de faire tourner des workloads critiques sur des systèmes hérités qui ne proposent aucune API REST moderne, seulement du HTML généré côté serveur par des middlewares anciens, pensés pour une interaction humaine et non machine. Les solutions classiques d'automatisation robotisée des processus (RPA) peinent à gérer de manière fiable les flux multi-étapes, la validation dynamique de formulaires et la gestion d'état dépendante des sessions propres à ces interfaces. En offrant une automatisation capable de naviguer ces systèmes sans réécriture ni exposition de nouvelles API, Amazon cible directement un poste de coût majeur pour les grandes entreprises réglementées, tout en promettant de préserver la supervision humaine et la conformité réglementaire, deux exigences souvent citées comme freins à l'adoption de l'IA générative dans des secteurs sensibles comme l'assurance ou la finance. Cette initiative s'inscrit dans la course plus large des fournisseurs cloud à équiper leurs plateformes d'IA d'outils d'automatisation d'interfaces web, à mesure que les agents autonomes gagnent en capacité à exécuter des tâches complexes de bout en bout plutôt que de simplement générer du texte. Amazon a publié le code source complet de son implémentation de référence sur GitHub, accompagné d'un modèle de déploiement d'entreprise via Terraform, signalant une volonté de faciliter l'adoption par les équipes techniques des grands comptes. La démarche illustre aussi la stratégie d'Amazon Web Services consistant à combiner ses modèles de fondation Bedrock avec des outils d'orchestration et d'exécution concrets, dans un marché où Microsoft, Google et des startups spécialisées comme Adept ou Browserbase développent des approches similaires pour transformer les agents IA en véritables travailleurs numériques capables d'agir directement dans les interfaces existantes des entreprises.

Outils⚒Outil

1 source

40

Illustration générée par IA

2065MarkTechPost 

Liquid AI lance LFM2.5-VL-3B, un modèle vision-langage de 3 milliards de paramètres qui lit les écrans et appelle des outils sur l'appareil

Liquid AI a dévoilé LFM2.5-VL-3B, un modèle vision-langage de 3,1 milliards de paramètres conçu pour tourner directement sur des appareils, sans passer par le cloud. Il peut lire des écrans mobiles, web ou desktop, localiser des objets par coordonnées, analyser documents et graphiques, et appeler des outils à partir de texte ou d'images. Sur 28 benchmarks de vision, il obtient une moyenne de 69,4, à égalité avec InternVL-3.5-4B et à seulement 0,7 point de Qwen3.5-4B, deux modèles pourtant plus lourds avec 4,7 milliards de paramètres. Non conçu pour le raisonnement étape par étape, il répond directement, ce qui limite sa latence : il tient dans environ 3 Go de mémoire et décode 228 tokens par seconde sur une puce Apple M5 Max. Le modèle est disponible en quatre formats (natif, GGUF, ONNX, MLX) et compatible dès sa sortie avec llama.cpp, MLX, vLLM, SGLang et ONNX. Sa licence, la LFM Open License v1.0, reprend l'Apache 2.0 avec une exception : l'usage commercial gratuit s'arrête dès qu'une entreprise dépasse 10 millions de dollars de chiffre d'affaires annuel, au-delà desquels une licence payante doit être négociée avec Liquid AI. Recherche, éducation et associations en sont exemptées sans limite. Ce lancement cible des secteurs où la confidentialité, la latence et le fonctionnement hors ligne comptent autant que la performance brute : électronique grand public, automobile, industrie et robotique, services financiers, santé et e-commerce, ainsi que les éditeurs d'outils de test logiciel et d'automatisation d'interfaces graphiques. Concrètement, cela ouvre la voie à des agents capables de naviguer seuls dans des applications, de convertir des PDF en texte structuré, de lire factures et reçus, de détecter des objets en temps quasi réel dans un véhicule, ou de traduire hors ligne des menus et panneaux routiers. Pour les développeurs indépendants, startups et PME sous le seuil des 10 millions de dollars, le modèle reste gratuit à exploiter commercialement, ce qui abaisse la barrière d'entrée face aux grands modèles propriétaires facturés à l'usage. Ce modèle prolonge LFM2-VL-3B avec des progrès marqués sur quatre axes : la compréhension d'écrans, où le score ScreenSpot-v2 grimpe à 80,7 en moyenne ; l'appel de fonctions, nouveauté de la gamme, avec un score ToolSandbox passant de 26,4 à 59,5 ; le repérage d'objets, où la précision RefCOCO bondit de 57,1 à 87,9 points grâce à des données synthétiques de localisation ; et la gestion multi-images, avec BLINK progressant de 50,2 à 61,5. L'architecture combine un socle linguistique LFM2.5-2,6B et un encodeur visuel SigLIP2 de 400 millions de paramètres, entraîné sur environ 34 000 milliards de tokens, avec un vocabulaire doublé à 128 000 pour mieux couvrir les langues non latines. Liquid AI s'inscrit ainsi dans une course croissante aux modèles multimodaux compacts, où Google, Alibaba et d'autres acteurs rivalisent pour équiper appareils mobiles et systèmes embarqués sans dépendre d'une connexion permanente.

LLMs⚡Actu

1 source

29

Illustration générée par IA

2066AWS ML Blog 

Accélérer la due diligence M&A avec Amazon Bedrock AgentCore

Amazon Web Services a publié début août 2026 un article technique détaillant comment sa plateforme Amazon Bedrock AgentCore peut accélérer les processus de due diligence lors de fusions et acquisitions (M&A). AgentCore permet de construire, connecter et faire fonctionner à grande échelle des agents d'intelligence artificielle, quel que soit le framework ou le modèle utilisé. Le système proposé orchestre plusieurs agents autonomes chargés de collecter des données financières, réglementaires et de marché, de les analyser, puis de vérifier leur conformité, le tout encadré par des garde-fous définis par l'entreprise. AWS illustre le cas d'usage avec le secteur du transport et de la logistique, où les analystes croisent habituellement à la main des bases financières, des études de marché, des documents réglementaires et des bases de connaissances internes. Selon les tests menés par AWS, des travaux qui nécessitaient auparavant plusieurs semaines de travail d'analyste ont pu être réalisés en quelques heures grâce à l'automatisation de cette boucle de recherche et de synthèse. L'article présente deux voies de mise en œuvre : une solution intégrée baptisée Amazon Quick, avec ses modules Quick Research, Quick Flows et Quick Index, pensée pour un déploiement rapide sur des cas standards, ou une architecture personnalisée construite sur AgentCore pour des besoins plus spécifiques, accompagnée d'un dépôt d'exemple complet. L'enjeu pour les équipes M&A est concret : accélérer l'identification des cibles d'acquisition viables tout en maintenant la rigueur analytique, dans des processus historiquement lents et gourmands en ressources humaines. Le système permet aussi de hiérarchiser automatiquement les opportunités selon des critères stratégiques, en orientant les dossiers prioritaires vers les bons spécialistes plutôt que de traiter chaque cible de façon séquentielle. Point clé pour l'adoption en entreprise, chaque affirmation générée par les agents est associée à une citation vérifiée par un évaluateur dédié, et chaque action produit une trace d'audit, ce qui permet aux équipes juridiques et de conformité de remonter à la source de chaque donnée citée. Cette annonce s'inscrit dans la stratégie d'AWS de positionner Bedrock comme plateforme de référence pour les agents IA d'entreprise, face à une concurrence intense de Microsoft et Google sur le terrain de l'IA agentique appliquée aux fonctions métier à forte valeur ajoutée comme la finance et le conseil. Un autre axe mis en avant est la constitution d'une mémoire institutionnelle partagée : chaque analyse achevée enrichit une base commune, évitant aux équipes de reconstruire à chaque nouvelle transaction des modèles de valorisation ou des analyses concurrentielles déjà produits par le passé.

Outils⚒Outil

1 source

38

Illustration générée par IA

2067AWS ML Blog 

Amazon Quick pour Microsoft 365 : de l'IA a base d'agents integree au poste de travail

Amazon a annoncé le déploiement de quatre nouvelles extensions de son assistant IA Amazon Quick directement dans Microsoft Word, Excel, PowerPoint et Outlook, disponibles à la fois sur les versions bureau et web de Microsoft 365. Ces extensions sont accessibles immédiatement aux clients d'Amazon Quick, sans licence supplémentaire pour les abonnés aux formules Plus, Professional ou Enterprise. Aucune installation côté client n'est requise : l'assistant s'exécute directement à l'intérieur des applications, sous la forme d'un panneau latéral persistant accessible depuis le ruban. Dans Word par exemple, l'utilisateur ouvre le panneau, formule une instruction, et l'agent travaille directement dans le contexte du document ouvert, sans changement d'onglet ni copier-coller entre applications. L'intérêt de cette intégration réside moins dans le modèle d'intelligence artificielle sous-jacent que dans l'étendue des données auxquelles l'agent peut accéder sans quitter les outils bureautiques quotidiens : tableaux de bord Amazon QuickSight, sources de données AWS, mais aussi intégrations tierces comme Salesforce, Jira, Slack ou SharePoint. Selon un exemple donné par Amazon, la rédaction de réponses à des appels d'offres (RFP), qui mobilisait auparavant une équipe entière pendant plusieurs semaines pour rassembler des informations dispersées, peut désormais se faire en quelques heures en s'appuyant sur les bases de connaissances internes, les propositions passées et les données clients en temps réel. De même, des présentations personnalisées combinant données structurées et documents non structurés, qui nécessitaient un à deux jours de préparation, peuvent être assemblées en une heure, le temps gagné étant réinvesti dans l'affinage du positionnement commercial plutôt que dans la collecte d'informations. Amazon insiste sur le caractère "agentique" de ces extensions, par opposition à un simple chatbot greffé sur la suite Office : l'assistant peut chercher et remplacer du texte, insérer des sections ou reformater le contenu d'un document, tout en affichant une comparaison visuelle des modifications apportées et un historique d'audit consultable, avec des références sélectionnables vers le contenu modifié. Dans Outlook, chaque fil de discussion par e-mail conserve sa propre conversation persistante avec l'assistant, qui se souvient du contexte échangé même après fermeture du panneau. Cette approche illustre une tendance plus large du secteur, consistant à intégrer des agents IA directement dans les flux de travail existants plutôt que d'imposer de nouvelles applications autonomes, une stratégie qui place Amazon Quick en concurrence directe avec Copilot, l'assistant IA que Microsoft a lui-même intégré nativement dans sa suite Office 365.

Outils⚒Outil

1 source

49

Illustration générée par IA

2068Next INpact 

Les gains de productivité de l’IA provoquent une augmentation des émissions de CO2

Une étude publiée début août 2026 dans la revue Nature établit que les gains de productivité permis par l'intelligence artificielle générative entraînent une hausse nette des émissions de CO2 du secteur mondial de l'énergie, plutôt qu'une baisse. Quatre chercheurs signent ces travaux intitulés « Les gains de productivité issus de l'IA produisent plus d'émissions de CO2 qu'ils n'en évitent dans le modèle mondial d'économie d'énergie » : Will Alpine et Holly Alpine, deux anciens salariés de Microsoft désormais affiliés à l'ONG Enabled Emissions Campaign et spécialisés dans l'étude des liens entre IA et énergies fossiles, Nathan Geldner, chercheur indépendant, et Maksym G. Chepeliev, économiste à l'université Purdue, aux États-Unis. Pour aboutir à ce résultat, l'équipe a construit un modèle d'équilibre général calculable permettant de comparer, secteur par secteur, les émissions évitées grâce à l'usage de l'IA dans le déploiement des énergies renouvelables à celles générées par son utilisation dans la production de pétrole, de gaz et de charbon. Leur conclusion est nette : dans la quasi-totalité des scénarios envisagés, l'effet net sur les émissions mondiales du secteur énergétique est positif, c'est-à-dire qu'il s'ajoute au réchauffement plutôt que de le limiter. Ce résultat vient contredire un discours largement répandu, y compris institutionnel, selon lequel les nouvelles technologies numériques constitueraient un levier majeur de la transition énergétique, un argument qui a notamment servi de socle à la construction du Pacte vert européen, aujourd'hui remis en cause par plusieurs gouvernements. En pratique, l'IA générative optimise aussi bien l'exploitation pétrolière et gazière que le déploiement des renouvelables, ce qui neutralise une grande partie du bénéfice climatique attendu. Pour les décideurs publics et les entreprises technologiques qui présentent l'IA comme un outil vertueux pour le climat, l'étude implique qu'aucune amélioration technique ne suffira à elle seule à réduire les émissions sans régulation contraignante ciblant spécifiquement les usages fossiles de ces outils. Le mécanisme identifié tient à la nature de l'IA comme technologie de productivité généraliste, qui se diffuse rapidement dans toutes les industries sans distinction de leur impact climatique. Dans le secteur fossile, elle permet de réduire les coûts de production et les risques opérationnels sur l'ensemble de la chaîne de valeur, alors que cette industrie doit compenser un déclin naturel de production estimé à environ 8 % par an sans réinvestissement continu. L'Agence internationale de l'énergie notait déjà en 2005 que les progrès technologiques avaient permis à plusieurs reprises de repousser les prévisions de pic pétrolier. Du côté des renouvelables, l'IA accélère les déploiements et optimise la production via la prévision, la maintenance et l'intégration au réseau électrique. Les auteurs plaident ainsi pour une action politique explicite, faute de quoi ce double usage continuera de favoriser l'expansion fossile autant que la transition verte.

Recherche❖Paper

1 source

46

Illustration générée par IA

2069The Verge AI 

Google veut-elle vraiment gagner la course a l IA ?

Google a annoncé la semaine dernière une réorganisation majeure de sa division d'intelligence artificielle, Google DeepMind. Jeff Dean, scientifique en chef de Google et fondateur de Google Brain, quitte l'entreprise pour créer son propre laboratoire, qui continuera de fonctionner sur l'infrastructure de Google Cloud, en emmenant plusieurs collaborateurs avec lui. Dans le même temps, Demis Hassabis, cofondateur et directeur général de DeepMind, se retire de la direction opérationnelle pour devenir président de DeepMind et se consacrer à la recherche à plus long terme. Sundar Pichai, PDG de Google, a publié une déclaration affirmant l'engagement de l'entreprise à rester à la pointe de l'IA et à corriger ses points faibles. Demis Hassabis a de son côté évoqué l'ouverture d'un "nouveau chapitre", assurant que Google possède "les ingrédients pour prendre la tête" du secteur. Ces annonces ont été analysées en détail par Hayden Field, journaliste senior spécialisée en IA chez The Verge, dans l'émission Decoder. Cette réorganisation intervient alors qu'un constat s'impose largement dans l'industrie : Google, malgré des atouts considérables, n'est plus compétitif à la pointe de l'intelligence artificielle. L'entreprise dispose pourtant de tous les ingrédients pour dominer le secteur, sa puissance de calcul, sa capacité de distribution via Search, l'immense volume de données utilisateurs qu'elle possède et ses ressources financières quasi illimitées. Le fait qu'un groupe aussi bien positionné se retrouve distancé, voire perçu comme en perte de vitesse face à des rivaux comme OpenAI, interroge sur sa capacité à transformer ses moyens en avantage réel dans la course à l'IA générative. Pour l'industrie, ce constat illustre que la simple accumulation de ressources ne suffit plus à garantir le leadership technologique, et relance le débat sur la solidité du modèle organisationnel de Google face à des structures plus agiles. Cette secousse s'inscrit dans un climat de tensions plus larges autour du leadership en intelligence artificielle, où Demis Hassabis était longtemps perçu comme l'un des rivaux les plus redoutés, y compris par des figures comme Elon Musk et Sam Altman, ainsi que cela est ressorti lors de leur procès. Malgré les difficultés actuelles, Google conserve un filet de sécurité considérable grâce à son intégration verticale et à sa position dominante sur la recherche en ligne, ce qui pourrait lui permettre de rebondir. Le départ de Jeff Dean pour fonder un nouveau laboratoire, tout en restant lié à l'écosystème Google Cloud, laisse entrevoir une recomposition durable du paysage de la recherche en IA, dont les prochains mois diront si elle profite finalement à Google ou à ses concurrents.

Business❧Opinion

1 source

40

Illustration générée par IA

2070The Information AI 

La crise des puces IA frappe particulièrement fort les neolabs

Evan Morikawa, cofondateur de Generalist, une startup qui entraîne des modèles d'intelligence artificielle pour la robotique, a récemment sollicité environ dix-sept fournisseurs de cloud différents pour trouver l'accès aux processeurs graphiques nécessaires à l'entraînement de ses modèles. L'hiver dernier, lorsqu'il cherchait plusieurs centaines de puces, les fournisseurs proposaient encore des contrats à des prix raisonnables sur des durées aussi courtes qu'un an. Six mois après avoir signé un tel contrat, Generalist a eu besoin de davantage de puissance de calcul, poussant Morikawa à repartir en quête d'environ un millier de puces supplémentaires. Il compare cette chasse aux capacités de calcul à une expédition lointaine, plaisantant que revenir d'une négociation réussie équivaut, lors d'un dîner à San Francisco, à rentrer d'un voyage en Extrême-Orient. Selon lui, connaître le prix courant des GPU est devenu une véritable monnaie d'échange pour les investisseurs en capital-risque. Cet épisode illustre un rapport de force nouveau dans l'écosystème de l'intelligence artificielle. Contrairement aux géants comme OpenAI, qui disposent de ressources considérables pour sécuriser leurs clusters de calcul, les neolabs, ces startups qui entraînent leurs propres modèles plutôt que d'utiliser des API existantes, doivent consacrer une part disproportionnée de leurs fonds limités à l'achat d'accès à des centaines, voire des milliers, de processeurs graphiques. Pour ces jeunes entreprises, la capacité à obtenir du calcul au bon prix et au bon moment détermine désormais leur survie autant que la qualité de leur technologie, ce qui redéfinit les critères que les investisseurs utilisent pour juger leurs chances de réussite. Cette tension s'inscrit dans une crise plus large de l'approvisionnement en puces d'intelligence artificielle, qui complique déjà la tâche des plus grands acteurs du secteur, OpenAI en tête, à mesure que la demande pour l'entraînement et le déploiement de modèles toujours plus puissants explose. Confrontés à une demande qui dépasse largement l'offre disponible, les fournisseurs de cloud ajustent leurs prix et raccourcissent parfois la visibilité qu'ils offrent à leurs clients, forçant des fondateurs comme Morikawa à renégocier en permanence plutôt qu'à planifier sereinement leur croissance. Le cas de Generalist met en lumière un enjeu qui dépasse une seule entreprise : dans un secteur où l'accès au matériel devient aussi stratégique que le talent ou les données, les startups qui n'anticipent pas leurs besoins en calcul risquent de se retrouver distancées par des concurrents mieux préparés ou mieux financés.

Infrastructure⚡Actu

1 source

37

Illustration générée par IA

2071VentureBeat AI 

Capital One a construit sa plateforme d'IA multi-agents autour de modèles à poids ouverts

Lors de la conférence VB Transform 2026, Kel Vanee, MVP en ingénierie du machine learning chez Capital One, a détaillé auprès de Sam Witteveen, contributeur technologique senior chez VentureBeat, l'architecture d'intelligence artificielle multi-agents que la banque américaine a bâtie autour de modèles open-weight profondément personnalisés, plutôt que de s'appuyer sur un modèle de fondation standard. "Chez Capital One, nous ne faisons pas qu'utiliser l'IA, nous la construisons", a déclaré Vanee. Cette approche s'appuie sur des investissements amorcés des années plus tôt dans la transformation des données et l'adoption du cloud, qui ont permis à l'entreprise de réagir rapidement à l'arrivée de la vague actuelle d'IA générative. Concrètement, Capital One a fait trois choix architecturaux: une plateforme d'IA centralisée à l'échelle de l'entreprise dotée d'une gouvernance intégrée, une personnalisation poussée de modèles ouverts avec ses données propriétaires, et un système d'orchestration multi-agents développé en interne, baptisé MACAW. Cette architecture alimente notamment un service client dédié à la fraude bancaire, qui traite des millions d'appels par an d'une durée de quatre à soixante minutes, ainsi que Chat Concierge, un assistant d'achat automobile pour les clients, construit sur une version personnalisée du modèle Llama de Meta. Ce choix tranche avec la pratique dominante du secteur bancaire, qui consiste généralement à consommer des modèles de fondation propriétaires via API. En personnalisant des modèles ouverts avec ses propres données, un "avantage énorme que personne d'autre ne possède" selon Vanee, la banque dit obtenir des résultats que les modèles frontière génériques ne peuvent reproduire, notamment en intégrant du contexte en temps réel lors des échanges avec les clients ou les employés. Vanee relève un effet inattendu: entraîner un modèle à devenir expert des cas d'usage, des politiques et du vocabulaire de Capital One génère des gains de performance qui se propagent à l'ensemble du portefeuille de produits, au-delà du cas d'usage initial. Sur le terrain, MACAW enchaîne un agent de compréhension qui cerne l'intention du client, un agent de raisonnement qui rédige un résumé, un agent de validation qui vérifie les faits, puis un agent d'explication qui met en forme un document final. Ce dispositif assiste déjà plusieurs centaines de conseillers spécialisés dans les appels de fraude complexes, en générant automatiquement des résumés que les employés devaient auparavant reconstituer manuellement. Le recours à un seul grand modèle de langage s'était révélé insuffisant face à la complexité et à la longueur de ces appels, ce qui a conduit Capital One à répartir le travail entre agents spécialisés, chacun encadré par ses propres garde-fous. La même logique structure Chat Concierge, où un agent dialogue avec le client, un second élabore un plan d'action fondé sur les règles métier, un troisième évalue l'exactitude des réponses et un dernier explique et valide le résultat final. Au-delà des usages orientés client, Capital One étend cette approche à l'automatisation de tâches internes répétitives, avec par exemple un système autonome destiné à optimiser l'infrastructure d'hébergement backend de l'entreprise. Cette stratégie illustre une tendance plus large dans la finance: plutôt que de dépendre entièrement de fournisseurs de modèles frontière comme OpenAI, Anthropic ou Google, certaines institutions cherchent à internaliser une partie de la chaîne de valeur de l'IA générative afin de mieux maîtriser leurs coûts, leur gouvernance et la confidentialité de leurs données, tout en s'appuyant sur l'écosystème des modèles ouverts comme Llama.

Business⚡Actu

1 source

45

Illustration générée par IA

2072Next INpact 

Twitch regrette mais assume : les contenus des chaînes entraînent par défaut l’IA d’Amazon

Depuis mercredi 12 août 2026, Twitch a activé par défaut une fonctionnalité autorisant l'exploitation des contenus des chaînes de créateurs pour entraîner les modèles d'intelligence artificielle d'Amazon, propriétaire de la plateforme de streaming. Sont concernés les streams en direct, les vidéos à la demande, les clips, les chats, ainsi que les images et textes publiés sur les chaînes. Selon la FAQ mise en ligne par Twitch, l'audio des créateurs pourrait notamment servir à améliorer les modèles de conversion de la parole en texte, avec des retombées annoncées sur les sous-titres de Twitch mais aussi sur l'ensemble des services Amazon. Les utilisateurs peuvent désactiver cette collecte dans les réglages « Sécurité et confidentialité », mais avec une limite notable : même en refusant, les messages qu'un créateur poste dans le chat d'une autre chaîne peuvent être exploités si l'occupant de ce chat a lui-même accepté l'usage de ses données. Face au tollé, Mike Minton, directeur produit de Twitch, et Mary Kish, responsable de la communauté, sont intervenus lors d'un stream repris par le site Aftermath pour justifier la décision. Cette affaire illustre concrètement le rapport de force entre les grandes plateformes et les créateurs de contenus dont elles dépendent pourtant économiquement. En choisissant l'option par défaut plutôt que le consentement explicite, Twitch maximise la quantité de données disponibles pour Amazon tout en minimisant la charge administrative de recueillir un accord actif, une pratique qui inquiète une communauté déjà hostile à l'IA générative. Pour les créateurs, l'enjeu dépasse la simple confidentialité : leurs streams, souvent uniques et personnels, deviennent malgré eux une matière première pour des modèles dont ils ne tireront aucun bénéfice direct. Le cas Twitch pourrait aussi faire jurisprudence dans l'industrie du streaming et des réseaux sociaux, où d'autres plateformes appartenant à de grands groupes technologiques pourraient être tentées d'adopter des mécanismes similaires. Interrogé sur les raisons de ce choix, Mike Minton a livré une réponse sans détour : selon lui, si la collecte avait été proposée en option volontaire, aucun créateur n'aurait accepté d'y participer. Mary Kish, qui a elle-même désactivé la fonction sur son propre compte, a reconnu que la réaction de colère de la communauté était attendue. Les deux responsables ont justifié la mesure en avançant qu'à défaut d'Amazon, d'autres entreprises exploiteraient de toute façon les contenus publics disponibles pour entraîner leurs propres modèles, un argument qui n'a guère apaisé les critiques. La controverse relance le débat sur la responsabilité des géants technologiques comme Amazon, à la fois juge et partie lorsqu'ils fixent unilatéralement les règles d'usage des contenus produits par les millions de créateurs qui dépendent de leurs plateformes.

Éthique⚡Actu

1 source

46

Illustration générée par IA

2073Ben's Bites 

Grok Bot n'est pas ce que vous croyez

xAI a lancé publiquement Grok Bot, son agent IA personnel, après une phase d'accès anticipé réservée à certains utilisateurs de X. L'auteur de la newsletter Ben's Bites raconte avoir d'abord ignoré l'outil pendant cette période test avant de l'adopter une fois le lancement grand public effectif. Grok Bot permet de créer plusieurs agents "personnifiés", chacun recevant un prompt système propre, par exemple un agent dédié à la gestion financière, capables de communiquer entre eux, disposant chacun d'un ordinateur virtuel observable en temps réel, et connectables à des comptes Gmail, Google Calendar ou Slack. L'outil est propulsé par Grok 4.6, tout juste sorti, dont les benchmarks le placent proche des performances des modèles Sol et Fable tout en étant nettement moins cher à l'usage. Grok 4.7 est annoncé par Elon Musk pour dans trois à quatre semaines, actuellement entraîné sur les données internes de SpaceX pour exceller en ingénierie appliquée. L'accès à Grok Bot reste pour l'instant réservé aux abonnés du plan à 200 dollars par mois, que ce soit via Cursor ou via Grok. Le rapprochement entre SpaceX et Cursor propulse par ailleurs xAI au rang de troisième laboratoire d'IA de pointe, derrière OpenAI et Anthropic mais devant Google Gemini, dont le prochain modèle est attendu pour confirmer ou non ce classement. Cette sortie marque un tournant dans la bataille des agents IA personnels, un segment qui avait déjà vu défiler des outils comme OpenClaw ou Hermes sans forcément convaincre sur la durée, beaucoup d'utilisateurs finissant par les délaisser faute de temps à consacrer à leur supervision. Contrairement à ces solutions jugées trop lourdes à surveiller, Grok Bot mise sur la simplicité: son interface évoque une messagerie d'équipe façon Slack plutôt qu'un tableau de bord d'agents à contrôler en continu. Les utilisateurs peuvent configurer des automatisations en quelques clics et "enseigner" à l'agent de nouvelles tâches simplement en le laissant observer leur écran. Pour les professionnels submergés par la gestion d'agents multiples, cette approche pourrait réduire la charge cognitive liée au suivi du travail automatisé, un frein identifié comme la principale cause d'abandon des outils concurrents. Le positionnement tarifaire élevé, réservé au forfait à 200 dollars, limite néanmoins l'adoption aux utilisateurs les plus engagés, dans un marché où les acteurs se disputent la place de plateforme de référence pour les agents autonomes du quotidien. Cette annonce s'inscrit dans une compétition plus large entre géants de l'IA pour dominer l'écosystème des agents personnels et professionnels. OpenAI a de son côté annoncé permettre désormais d'importer et de synchroniser projets, sessions d'agents et compétences depuis d'autres produits comme Claude Code dans ChatGPT, tandis que les conversations démarrées via l'extension Chrome de Claude sont désormais sauvegardées et accessibles depuis le bureau, le mobile ou le web. La montée en puissance rapide de Grok 4.6, suivie de près par l'arrivée programmée de Grok 4.7 spécialisé en ingénierie grâce aux données de SpaceX, illustre la stratégie de xAI consistant à s'appuyer sur l'écosystème Musk, entre SpaceX, X et Cursor, pour accélérer l'entraînement et la distribution de ses modèles. Ce mouvement de fond, entre montée en gamme des agents personnels et guerre des intégrations entre plateformes concurrentes, laisse présager une consolidation rapide du marché autour de quelques écosystèmes fermés, chacun cherchant à devenir le point d'entrée unique pour orchestrer les tâches numériques du quotidien.

Outils⚒Outil

1 source

42

Illustration générée par IA

2074The Information AI 

Startups misent sur les vieux fils Slack et tickets IT, devenus une ressource recherchée

Huit jours après l'annonce, fin juin 2026, du rachat de la startup d'agents IA Warmly par HubSpot, son PDG Maximus Greenwald a reçu une proposition inattendue. Mercor, une startup de San Francisco qui rémunère des contractuels pour entraîner les modèles de laboratoires comme OpenAI, Anthropic et Google, lui a proposé d'acheter ou de licencier le code source de Warmly ainsi que ses archives de tâches et de communications internes, pour une somme pouvant atteindre 300 000 dollars. Selon Greenwald, Warmly a reçu quatre propositions similaires de la part d'entreprises comparables à Mercor dans les jours suivant l'annonce de l'accord avec HubSpot. Il les a toutes refusées. Ces acheteurs réclamaient précisément les données que le rachat par HubSpot n'incluait pas : messages Slack, contenus GitHub et Asana, documents Google Drive, ainsi que des années de transcriptions de réunions internes devenues obsolètes. Cet épisode révèle un marché émergent et méconnu, celui des données internes d'entreprises technologiques, considérées comme une matière première précieuse pour entraîner les grands modèles de langage. Pour des sociétés comme Mercor, ces archives de travail réel, échanges Slack, tickets de support informatique, discussions techniques sur GitHub, offrent un matériau bien plus riche que les données publiques déjà largement exploitées, car elles capturent la façon dont des professionnels raisonnent, collaborent et résolvent des problèmes concrets au quotidien. Pour les startups rachetées ou en difficulté, ces sollicitations posent un dilemme financier et éthique : vendre des données potentiellement sensibles, incluant des échanges internes d'employés n'ayant jamais consenti à cet usage, contre des sommes non négligeables. Cette pratique s'inscrit dans la course effrénée que se livrent les laboratoires d'IA pour trouver de nouvelles sources de données d'entraînement, alors que le contenu textuel disponible sur le web public s'épuise progressivement. Mercor, elle-même valorisée à plusieurs milliards de dollars, s'est bâtie sur ce créneau en recrutant des experts pour produire des données spécialisées destinées à OpenAI, Anthropic ou Google. Le cas Warmly illustre une nouvelle tactique : cibler directement les startups en cours d'acquisition, moment où leurs archives numériques deviennent juridiquement disponibles à la vente. L'ampleur réelle de ce phénomène reste difficile à évaluer, tout comme ses conséquences pour la confidentialité des employés dont les échanges professionnels pourraient un jour alimenter, sans leur accord, l'entraînement des futurs modèles d'intelligence artificielle.

Business⚡Actu

1 source

47

Illustration générée par IA

2075VentureBeat AI 

Writer réduit les coûts des agents IA de 52% avec son nouveau modèle Palmyra X6

Writer, la plateforme d'agents IA d'entreprise utilisée par des groupes du Fortune 500 comme Accenture, Uber et Vanguard, a dévoilé son nouveau modèle phare Palmyra X6, accompagné d'un moteur d'orchestration d'agents repensé et de nouveaux outils de gouvernance destinés à aider les directions informatiques à maîtriser l'explosion des dépenses en tokens. L'entreprise affirme que son produit d'agents fonctionne désormais avec un coût moyen réduit de 52%, une vitesse améliorée de 48% et une qualité en hausse de 10% grâce à Palmyra X6. Ce modèle de 744 milliards de paramètres, avec environ 40 milliards de paramètres actifs par token, n'a pas été entraîné à partir de zéro : il s'agit d'une version post-entraînée de GLM-5.2, le modèle ouvert à mélange d'experts développé par la société pékinoise Z.ai, anciennement Zhipu AI. Writer assume cette filiation dans son rapport technique. Matan-Paul Shetrit, directeur produit chez Writer, a précisé que le modèle tourne entièrement sur l'infrastructure américaine de l'entreprise, tandis que Dan Bikel, responsable de la recherche IA, a décrit Palmyra X6 comme "un modèle Palmyra à part entière", dont seuls les poids de départ proviennent de GLM-5.2. Cette annonce intervient alors que le coût des agents IA devient le principal frein à leur adoption en entreprise, davantage que les capacités des modèles elles-mêmes. Contrairement à un chatbot qui produit une réponse par requête, un agent enchaîne plusieurs cycles de planification, de recherche, d'appels d'outils et de vérifications, chacun consommant des tokens facturés à l'entreprise. Goldman Sachs prévoit une multiplication par 24 de la consommation de tokens entre 2026 et 2030, pour atteindre 120 quadrillions de tokens par mois, portée par des agents fonctionnant en continu plutôt que par davantage d'utilisateurs. La banque souligne que la baisse du prix unitaire des tokens ne garantit pas une baisse des factures : si une tâche agentique consomme vingt fois plus de tokens alors que le prix chute de 75%, la facture totale peut malgré tout quintupler. Waseem AlShikh, cofondateur et directeur technique de Writer, résume l'enjeu en expliquant que les entreprises veulent voir leur consommation de tokens croître, signe d'adoption, mais ont besoin que les coûts se stabilisent. Le choix de Writer de bâtir sur une fondation open-weight chinoise relance un débat sensible dans l'industrie américaine de l'IA, entre recherche d'efficacité économique et questions de souveraineté technologique. L'entreprise revendique une contribution ciblée, avec un post-entraînement construit à partir d'un nombre restreint d'exemples pour spécialiser le modèle sur les tâches agentiques d'entreprise. Shetrit rejette l'idée que réduire la consommation de tokens des clients nuirait aux revenus de Writer, estimant au contraire que des coûts plus bas élargissent le marché total adressable en rendant rentables des flux de travail jusqu'ici jugés trop coûteux à automatiser, un pari qui reproduit la dynamique observée dans le cloud, où la baisse des prix unitaires s'est accompagnée d'une hausse des dépenses globales.

LLMs❧Opinion

1 source

30

Illustration générée par IA

2076MIT Technology Review 

The Download : ce que pensent les enfants de l'IA, et des clones femelles de souris males

Un rapport de Jen Swetzoff et Keeley McNamara, fondatrices du magazine imprimé Anyway destiné aux préadolescents et adolescents, dresse un état des lieux inattendu du rapport des jeunes à l'intelligence artificielle: interrogés entre 10 et 18 ans, beaucoup se disent hostiles ou totalement indifférents à l'IA, au point de refuser d'en parler, loin de l'enthousiasme qu'ils affichent pour l'iPhone ou Snapchat. Au Japon, une équipe dirigée par Takashi Ishiuchi, biologiste de la reproduction à l'université de Yamanashi, a réussi pour la première fois à transformer des embryons de souris mâles en clones femelles, en supprimant le chromosome Y de leurs cellules grâce à une technique fondée sur CRISPR. Sur le plan climatique, juin et juillet ont formé la période de deux mois la plus chaude jamais enregistrée en Europe, juillet a été le mois le plus chaud jamais mesuré sur le territoire continental américain, et la Corée du Sud a battu son record absolu de température. Enfin, les journalistes Eileen Guo et Amy Nordrum ont mené une enquête de neuf mois sur la théorie du « complexe de censure industrielle », née dans les cercles conservateurs en ligne et désormais reprise par l'administration Trump, qui a par ailleurs autorisé des entreprises privées vérifiées à mener des cyberattaques contre des groupes criminels étrangers sous contrôle gouvernemental. Ces informations, bien que disparates, dessinent des enjeux concrets. La technique de clonage féminin par CRISPR pourrait bouleverser la compréhension scientifique de la reproduction, remettre en cause l'idée qu'il faut nécessairement un mâle et une femelle, et surtout offrir un outil pour sauver des espèces menacées lorsqu'il ne reste que quelques individus, parfois du même sexe. La vague de chaleur, elle, confirme l'accélération du dérèglement climatique et s'annonce comme un avant-goût d'un phénomène El Niño qui doit s'intensifier et pourrait rendre 2027 encore plus extrême. Le regard critique des jeunes sur l'IA, à rebours des discours d'adoption massive portés par l'industrie, questionne la manière dont les entreprises technologiques anticipent les usages futurs. Quant à la théorie du complexe de censure, son ancrage désormais officiel dans la politique américaine pourrait redéfinir les règles de modération des contenus en ligne, avec des conséquences directes sur la liberté d'expression et le fonctionnement des plateformes. Ces sujets s'inscrivent dans des trajectoires plus longues. La recherche sur le clonage s'ajoute aux efforts mondiaux de conservation face à l'effondrement de la biodiversité. Les records de chaleur de l'été confirment une tendance déjà documentée depuis plusieurs années par les climatologues, dont Casey Crownhart pour MIT Technology Review. Le débat sur la censure aux États-Unis s'accompagne d'un autre signal préoccupant relevé par le Wall Street Journal: des chatbots occidentaux comme ChatGPT, Claude et Gemini reproduiraient parfois des éléments de propagande venue de la censure chinoise, illustrant la difficulté des géants de l'IA à garantir la neutralité de leurs modèles face aux biais présents dans leurs données d'entraînement.

Société⚡Actu

1 source

45

Illustration générée par IA

2077Le Big Data 

Anthropic pourrait lâcher 6 milliards pour rendre Claude moins cher

Anthropic négocie le rachat de Decart AI, une startup soutenue par Nvidia, pour environ 6 milliards de dollars, selon des informations révélées par Bloomberg le 13 août 2026 et confirmées par Reuters. Rien n'est signé et les discussions pourraient encore échouer, mais l'opération constituerait la plus grosse acquisition jamais réalisée par le créateur de Claude. Decart avait pourtant été valorisée à près de 4 milliards de dollars trois mois plus tôt, en mai 2026, lors d'une levée de 300 millions de dollars menée par Radical Ventures, à laquelle Nvidia avait participé. Le produit central de la startup, Decart Optimization Stack (DOS), est une couche logicielle qui optimise l'inférence et l'entraînement de modèles d'IA sur plusieurs types de puces, dont les GPU Nvidia, les TPU de Google et les processeurs Trainium d'Amazon. En mai 2026, Decart affirmait atteindre plus de 1 600 tokens par seconde sur certaines charges agentiques, contre environ 200 pour la moyenne du secteur selon ses propres chiffres. La startup développe aussi des modèles plus grand public, comme Lucy, qui transforme de la vidéo en direct, et Oasis, qui génère des environnements interactifs. Pour Anthropic, l'enjeu dépasse la démonstration technologique. L'entreprise prépare une entrée en Bourse tout en faisant face à une demande croissante pour Claude, ce qui pèse sur ses coûts de calcul. Racheter Decart lui permettrait de servir davantage de requêtes avec la même infrastructure, plutôt que d'acheter toujours plus de puces. C'est un changement de stratégie notable : après avoir multiplié les accords avec AWS, Google, Nvidia et AMD, notamment pour l'usage des GPU Blackwell Ultra de Nvidia, Anthropic cherche désormais à mieux exploiter ce qu'il possède déjà. Le fait que DOS fonctionne aussi bien sur les puces Nvidia que sur celles de Google ou d'Amazon offre à Anthropic une forme d'indépendance vis-à-vis d'un seul fournisseur, un atout stratégique dans un marché où la disponibilité des accélérateurs reste un frein majeur pour toute l'industrie. Cette opération s'inscrit dans un mouvement plus large : début août 2026, Anthropic avait déjà annoncé la création d'une équipe interne chargée de co-concevoir puces et modèles pour rendre Claude plus rapide et plus efficace. Le bond de valorisation de Decart, passée d'environ 4 à 6 milliards de dollars en trois mois, montre à quel point l'optimisation logicielle des puces est devenue une ressource convoitée. La position de Nvidia reste particulière : investisseur dans Decart, le fabricant de puces soutient indirectement une technologie qui facilite aussi l'usage de matériel concurrent. Si l'acquisition se concrétise, elle pourrait pousser d'autres acteurs de l'IA générative à chercher des raccourcis similaires plutôt que de miser uniquement sur l'achat de capacité de calcul, dans un secteur où la course aux infrastructures reste l'un des principaux freins à la croissance.

Business⚡Actu

1 source

46

Illustration générée par IA

2078Le Big Data 

Twitch nourrit l’IA d’Amazon avec vos lives… et avoue pourquoi

Depuis le 12 août 2026, Twitch a ajouté à ses paramètres de chaîne un réglage nommé « Training for Generative AI », activé par défaut chez tous les créateurs. Tant qu'il reste actif, il autorise Amazon, propriétaire de la plateforme, à utiliser les contenus des chaînes pour entraîner de futurs modèles d'IA générative produisant du texte, de l'audio, des images ou de la vidéo. Le périmètre est large : streams, vidéos à la demande, clips, messages du chat en direct, images et textes publiés sur la chaîne. Twitch Support a présenté le changement le 12 août sur X en mettant en avant la possibilité de refuser, sans mentionner que l'option démarre activée. La désactiver bloque l'usage futur des contenus pour l'entraînement génératif, mais laisse intacts les autres usages de l'IA sur la plateforme : recommandations, AutoMod, sous-titres, outils de sponsoring. La polémique a éclaté lors d'un live officiel suivi par près de 3 000 personnes, animé par la responsable communauté Mary Kish et le Chief Product Officer Mike Minton. Face à un chat hostile à l'IA, Minton a justifié l'absence de consentement préalable dans une phrase reprise par TechCrunch puis The Verge : si le système fonctionnait en opt-in, « personne ne choisirait de participer ». Twitch reconnaît donc que ses créateurs refuseraient massivement de fournir leurs contenus à Amazon s'ils devaient l'accepter explicitement, d'où le choix inverse. Le streamer Fallout Plays a résumé la colère de la communauté en demandant publiquement pourquoi le refus n'est pas le réglage par défaut. Le dispositif dépasse les seuls streamers : un message posté dans le chat d'une chaîne tierce peut être exploité selon le réglage choisi par le propriétaire de cette chaîne, quelles que soient les préférences de son auteur, offrant à Amazon un flux multimodal riche mêlant voix, image, réactions en direct et contexte communautaire. L'épisode illustre les tensions croissantes entre grandes plateformes et créateurs autour de l'exploitation des données pour l'IA, un débat déjà vif dans l'édition, la musique ou le cinéma. Le point le plus sensible reste l'aveu de Mike Minton : interrogé sur les usages passés, il a reconnu ne pas savoir ce qu'Amazon avait déjà utilisé pour entraîner ses modèles, se disant non responsable des efforts menés par la maison mère de Twitch. Le nouveau bouton ne couvre explicitement que les futurs entraînements, sans promesse d'effacement rétroactif ni précision sur les modèles concernés. Reste à savoir si la pression relayée par des créateurs comme Fallout Plays, et la couverture de TechCrunch et The Verge, pousseront Twitch à inverser son réglage par défaut ou à clarifier le sort des données déjà collectées.

Éthique⚡Actu

1 source

50

Illustration générée par IA

2079Le Big Data 

OpenAI crée une IA qu’il juge lui-même dangereuse : qui peut vraiment lui dire stop ?

OpenAI a annoncé début août 2026 qu'il ne pouvait plus exclure que son futur modèle, baptisé Astra, atteigne le niveau de risque le plus élevé prévu par son propre Preparedness Framework en matière de cybersécurité, le niveau dit « Critical ». Selon la définition publiée par l'entreprise, ce seuil correspond à un système capable de développer de véritables exploits zero-day contre de nombreux systèmes critiques durcis sans intervention humaine, ou d'élaborer et d'exécuter une stratégie d'attaque entièrement nouvelle à partir d'un simple objectif général. Les évaluations préliminaires d'Astra sont toujours en cours, mais leurs résultats ont suffi à pousser OpenAI à agir avant même le lancement du modèle. L'entreprise a annoncé plusieurs mesures immédiates : isolation renforcée des environnements de test, restriction de l'accès au réseau et aux outils, chiffrement et protection accrue des poids du modèle, déploiement de mécanismes supplémentaires de détection et de surveillance, ainsi qu'une surveillance universelle des comportements à risque sur les applications agentiques d'Astra, y compris pendant l'entraînement et l'évaluation. OpenAI a aussi suspendu certaines activités internes qui ne répondaient pas encore à ces nouvelles exigences, et sollicite désormais des évaluateurs externes, des agences gouvernementales et des organisations spécialisées en sécurité de l'IA. Cette annonce marque un tournant concret dans le débat sur la sécurité de l'intelligence artificielle, qui restait jusqu'ici largement théorique. Pour la première fois, une entreprise reconnaît publiquement qu'un de ses modèles pourrait franchir le seuil le plus dangereux qu'elle a elle-même défini pour des capacités offensives en cybersécurité, avec un potentiel de découverte de failles zero-day et de conduite de cyberattaques complexes. Les conséquences touchent directement les entreprises et administrations qui dépendent de systèmes informatiques critiques, potentiellement exposées à des outils d'attaque automatisés d'un niveau inédit si de telles capacités venaient à s'échapper du cadre contrôlé d'OpenAI. Cela relance aussi la question de la régulation externe des IA les plus avancées, à un moment où les capacités des modèles progressent plus vite que les cadres institutionnels censés les encadrer. Le cœur du problème soulevé par ce cas tient à la gouvernance : OpenAI construit Astra, définit elle-même les niveaux de danger via son Preparedness Framework, conçoit les tests d'évaluation, interprète leurs résultats, choisit les protections à appliquer et conserve une influence déterminante sur la décision finale de déploiement. Aucune autorité indépendante ne valide aujourd'hui ce processus de bout en bout, même si OpenAI dit vouloir associer des agences gouvernementales et des organismes tiers spécialisés. Ce précédent pourrait accélérer les discussions, déjà engagées dans plusieurs pays, sur la nécessité d'organismes de contrôle externes et contraignants pour les modèles d'IA jugés à haut risque en matière de cybersécurité.

Sécurité❧Opinion

1 source

47

Illustration générée par IA

2080Ars Technica AI 

Le nouveau tatouage numérique invisible de Claude, la "lettre écarlate", ne l'est plus pour longtemps

Anthropic a annoncé le déploiement prochain d'un filigrane (watermark) invisible appliqué à tout contenu traité par ses modèles Claude, et pas seulement à celui qu'ils génèrent. Selon un article d'assistance publié par l'entreprise, cette mesure vise à respecter l'AI Act de l'Union européenne, qui impose à tous les fournisseurs de systèmes d'IA de marquer les contenus audio, image, texte et vidéo générés ou manipulés par IA. Cette obligation s'applique à tout modèle mis sur le marché après le 2 août, avec une période de transition accordée jusqu'en décembre 2026 pour mettre à jour les modèles déjà publiés. Anthropic précise qu'à partir de maintenant, tous ses nouveaux modèles, déployés dans le monde entier et non seulement dans l'UE, intégreront ce marquage dès leur sortie. Les sorties textuelles porteront des filigranes intégrés invisibles pour l'utilisateur, tandis que les autres fichiers générés incluront des métadonnées de provenance signées numériquement lorsque le format le permet. Cette décision marque un tournant dans la manière dont l'industrie de l'IA aborde la traçabilité des contenus. En choisissant d'appliquer le marquage de façon large, y compris à des usages que la réglementation européenne n'exige pas explicitement, comme la correction grammaticale ou les modifications standard qui ne changent pas substantiellement le sens d'un texte, Anthropic adopte une approche prudente et systématique plutôt que le strict minimum légal. Pour les utilisateurs professionnels et les développeurs qui intègrent Claude dans leurs outils, cela signifie que du contenu édité via l'IA, même de façon mineure, portera désormais une empreinte numérique détectable. Cette transparence accrue pourrait devenir un argument de confiance face aux inquiétudes croissantes sur la désinformation et le contenu synthétique non identifié, mais soulève aussi des questions sur la manière dont ces filigranes seront exploités, vérifiés et potentiellement contournés. Cette initiative s'inscrit dans un contexte réglementaire plus large où l'Union européenne s'impose comme le principal moteur des normes de transparence en matière d'IA, un rôle comparable à celui joué par le RGPD pour la protection des données. D'autres fournisseurs de modèles devront probablement suivre une trajectoire similaire pour rester conformes sur le marché européen, ce qui pourrait uniformiser les pratiques de marquage à l'échelle mondiale plutôt que de créer des versions distinctes selon les régions. Reste à voir comment ces filigrane invisibles seront concrètement détectés par des outils tiers, et si cette transparence technique suffira à répondre aux préoccupations sociétales sur l'authenticité des contenus numériques à mesure que les modèles d'IA générative se généralisent dans les flux de travail professionnels.

Régulation⚖Reglementation

1 source