Actualités IA — page 107

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

44

Illustration générée par IA

2121VentureBeat AI 

L'application des permissions par les agents autonomes dans les entreprises : deux tiers du temps, mais isolation des agents a risque dans moins d'un cas sur cinq

Une enquête de VentureBeat, menée dans le cadre de sa série Pulse Research auprès de 116 entreprises de plus de 100 salariés, dresse un état des lieux de la sécurité des agents d'intelligence artificielle en entreprise. Selon les résultats, 53% des organisations exploitent déjà des systèmes d'IA agentique en production et 27% supplémentaires en sont au stade pilote. Les incidents suivent la même trajectoire : 53% des entreprises ont déjà connu un événement de sécurité lié à un agent, dont 19% un incident confirmé et 38% un quasi-incident détecté à temps. Côté contrôles, 65% appliquent des permissions restreintes en temps réel et 56% surveillent et journalisent l'activité de leurs agents, mais seulement 18% isolent leurs agents les plus à risque dans des environnements cloisonnés. Parmi les entreprises ayant des agents en production, l'isolement n'est appliqué que dans 21% des cas, et seulement 8% combinent permissions restreintes et isolement. Sur l'identité, 49% attribuent à chaque agent une identité propre et gérée, mais 63% signalent un partage d'identifiants quelque part dans leur parc, et seulement 29% n'en ont aucun. Les outils utilisés restent très majoritairement fournis par les hyperscalers eux-mêmes : les garde-fous d'OpenAI (44%), Microsoft Azure (42%), les contrôles d'Anthropic pour agents gérés (37%) et Google Cloud (31%) arrivent en tête, et 92% des entreprises citant leur couche de sécurité principale désignent un outil natif d'un fournisseur de cloud ou de modèle. Ce fossé entre surveillance et confinement est le résultat central de l'étude. Les entreprises ont bâti les dispositifs qui observent et limitent les permissions des agents, mais pas celui qui borne les dégâts quand ces protections échouent, un ordre inversé du point de vue de la défense en profondeur : l'observation dit ce qui s'est passé, les permissions tentent de l'empêcher, mais seul l'isolement limite l'ampleur des dommages une fois la prévention contournée. Cette faiblesse pèse d'autant plus lourd que l'autonomie des agents augmente et qu'ils touchent des systèmes et des données toujours plus sensibles. Le partage persistant d'identifiants dans près des deux tiers des parcs favorise la propagation d'une compromission d'un agent à l'autre. Conséquence directe, la confiance recule : autant d'entreprises (30%) jugent désormais que les attaquants équipés d'IA ont une longueur d'avance sur leurs défenses que l'inverse. Cette situation s'inscrit dans une dépendance croissante des entreprises aux outils de sécurité fournis directement par les grands fournisseurs de cloud et de modèles plutôt qu'à des solutions tierces spécialisées, ce qui interroge sur la diversité réelle des dispositifs de défense en place. Malgré une satisfaction au plus haut de la série (4,29 sur 5), l'intention de changement atteint elle aussi un record : 74% des entreprises prévoient d'adopter, d'ajouter ou de remplacer leurs outils de sécurité pour agents dans les douze prochains mois. Ce paradoxe, des entreprises plus satisfaites que jamais mais plus déterminées que jamais à changer, traduit la prise de conscience qu'un écosystème bâti à la hâte autour des garde-fous d'OpenAI, Microsoft, Anthropic et Google ne couvre pas tout le cycle de vie de la sécurité des agents, de l'identité jusqu'à l'isolement. À mesure que les agents autonomes se généralisent dans des fonctions critiques, la pression devrait s'accentuer sur les éditeurs spécialisés pour combler ce vide, en particulier sur l'isolement en environnement cloisonné, aujourd'hui le maillon le plus faible alors qu'il constitue le dernier rempart contre un agent compromis.

Sécurité⚡Actu

1 source

43

Illustration générée par IA

2122VentureBeat AI 

Enterprises encadrant leurs données d'IA détectent deux fois plus de mauvaises réponses que les autres

Une enquête VentureBeat Pulse Research menée en juillet 2026 auprès de 101 entreprises de plus de 100 salariés révèle que 68% d'entre elles ont constaté, au cours des six derniers mois, des réponses données avec assurance par leurs agents IA mais fausses, et attribuées non pas à une erreur du modèle mais à un contexte métier manquant ou incohérent. Plus frappant encore que ce chiffre global: 37% des entreprises rapportent que ce type d'échec s'est reproduit plusieurs fois, contre 32% qui ne l'ont vécu qu'une seule fois. Face à ce problème, l'industrie mise sur des couches sémantiques ou de contexte gouvernées, censées offrir aux agents et aux outils de BI une compréhension partagée des données de l'entreprise: 32% des sondées en exploitent déjà une en production, 31% sont en pilote ou en construction, et 20% supplémentaires évaluent l'option. Côté architecture de récupération d'information, aucune approche ne fait consensus: la récupération hybride recueille 30% des préférences, contre 29% pour l'usage de plusieurs architectures selon les cas d'usage, un écart d'à peine un répondant. Les solutions natives des fournisseurs, comme la recherche de fichiers d'OpenAI (46%) et Google Vertex AI Search (41%), devancent toujours les bases de données vectorielles dédiées. Le résultat le plus contre-intuitif de l'étude concerne justement les entreprises ayant déployé une couche sémantique gouvernée: elles rapportent des échecs de contexte récurrents deux fois plus souvent (50%) que celles n'en ayant pas (21%). Cela ne signifie pas que ces couches créent davantage de problèmes, mais qu'elles permettent enfin de les détecter et de les tracer, là où les entreprises dépourvues de gouvernance ne mesurent tout simplement pas leurs propres défaillances. Cette distinction est cruciale pour l'industrie: elle indique que le déploiement d'agents IA à grande échelle sur des données d'entreprise reste, pour l'instant, une source structurelle d'erreurs silencieuses plutôt qu'un incident isolé, avec des conséquences directes sur la confiance accordée à ces outils dans des contextes professionnels sensibles. Cette dynamique se reflète aussi dans les critères d'achat des entreprises: le contrôle des accès et des permissions arrive désormais à égalité avec la facilité d'ingestion des données comme critère de sélection principal (24% chacun), tandis que l'exactitude des réponses constitue la métrique de succès prioritaire pour 38% des sondées. Les entreprises restent par ailleurs réticentes à confier leur couche de contexte à un seul fournisseur: seules 12% prévoient de tout consolider chez un unique fournisseur de modèles, contre 37% qui privilégient une approche best-of-breed et 37% qui planifient un mélange assumé de solutions. L'enquête, menée en une seule vague, ne permet pas de dégager de tendance mois par mois mais offre une photographie précise d'un secteur encore en pleine recomposition.

Outils⚒Outil

1 source

43

Illustration générée par IA

2123VentureBeat AI 

Fiabilité et évaluations des agents autonomes : les entreprises échaudées par une mauvaise évaluation sont les plus enclines à retirer l'humain de la boucle

Selon la deuxième vague du baromètre Pulse Research de VentureBeat consacré à la fiabilité des agents IA en entreprise, menée en juillet 2026 auprès de 108 organisations de plus de 100 salariés, la confiance envers les évaluations automatisées a fortement progressé en un mois, sans que le taux d'échec qu'elles sont censées prédire n'évolue. La part d'entreprises faisant pleinement confiance à l'évaluation automatisée est passée de 5% en juin à 13% en juillet, et la critique selon laquelle ces évaluations ne reflètent pas les résultats réels a reculé de dix points, de 29% à 19%. Pourtant, la proportion d'organisations ayant déployé un agent ou une fonctionnalité LLM ayant réussi ses tests internes puis provoqué un incident client reste quasiment inchangée: 49% en juillet contre 50% en juin, et un quart d'entre elles (24%) ont connu ce scénario plusieurs fois. Côté outils, la part d'entreprises sans solution d'évaluation dédiée est tombée de 17% à 12%, des plateformes spécialisées comme Braintrust (presque doublée, à 15%) et DeepEval (17%) ont gagné du terrain, et l'intention de changer de fournisseur s'est refroidie, avec 44% des entreprises ne prévoyant aucun changement contre 36% en juin. La facilité d'intégration est devenue le premier critère de sélection, passant de 27% à 39%, devant le coût. Cet écart entre confiance affichée et fiabilité réelle révèle un phénomène préoccupant. La nouvelle confiance provient presque exclusivement des entreprises qui n'ont pas encore été confrontées à un échec: parmi celles déjà touchées par un incident malgré des évaluations positives, seules 4% font confiance à l'évaluation automatisée, contre 24% chez celles épargnées jusqu'ici. Plus inquiétant, se faire piéger par une évaluation défaillante ne freine pas la marche vers l'autonomie des agents, elle l'accélère: 85% des entreprises déjà échaudées autorisent des déploiements sans supervision humaine ou s'orientent activement dans cette direction, contre 61% de celles jamais confrontées au problème. La trajectoire globale vers l'autonomie reste stable à 67%, mais sa composition évolue en faveur des organisations disposant des preuves les plus directes que les évaluations passent à côté de problèmes réels. Pour l'industrie, cela signifie que les outils actuels, bien qu'en voie de consolidation commerciale, ne mesurent pas encore ce qui compte vraiment pour éviter les défaillances en production, et que la course à l'automatisation des décisions se poursuit indépendamment de cette lacune. Cette étude s'inscrit dans le contexte d'une adoption rapide des agents IA en entreprise, où les équipes techniques cherchent des méthodes fiables pour valider les performances avant mise en production. Le marché des outils d'évaluation, longtemps fragmenté, montre des signes de maturation avec la montée de plateformes comme Braintrust ou DeepEval et un ralentissement des changements de fournisseurs, les entreprises arbitrant désormais sur l'intégration plutôt que sur le prix. Mais le décalage persistant entre évaluations internes et résultats réels interroge la méthodologie même de ces tests, censés anticiper le comportement des agents face à des situations imprévues rencontrées par de vrais clients. L'enquête, dont l'instrument est resté identique entre juin (157 répondants) et juillet (108 répondants), permet des comparaisons mensuelles jugées statistiquement significatives sur plusieurs points: la hausse de la confiance totale, le recul de la critique sur l'alignement avec le réel, la progression du critère de facilité d'intégration et la percée de Braintrust. Les prochaines vagues devront montrer si cette confiance croissante, pour l'instant bâtie sur l'absence d'expérience négative plutôt que sur des méthodes d'évaluation réellement améliorées, résiste à l'épreuve de nouveaux incidents.

Société❖Paper

1 source

41

Illustration générée par IA

2124VentureBeat AI 

Orchestration à base d'agents : les entreprises savent gouverner leurs agents IA, mais pas encore mesurer leur coût

Cette fragmentation n'est pas un accident mais une stratégie délibérée des entreprises pour éviter toute dépendance excessive à un seul fournisseur de modèles. En choisissant la flexibilité plutôt que l'affinité avec un modèle unique, les organisations cherchent à préserver leur pouvoir de négociation et leur capacité à basculer entre fournisseurs selon les besoins. Le risque qu'elles redoutent le plus n'est d'ailleurs pas le verrouillage commercial classique (23%) ni le manque de visibilité (22%), mais les limites de sécurité et de gestion des permissions imposées par les plateformes des fournisseurs eux-mêmes (37%). Cette priorité se reflète dans les budgets : la surveillance et le débogage des agents captent 31% des investissements, l'application de la sécurité et des permissions 30%, contre seulement 19% pour les outils de workflow. Autrement dit, les entreprises dépensent surtout pour superviser et gouverner leurs agents, pas pour en construire davantage. Ce constat prend un relief particulier face à un autre chiffre de l'étude : une pluralité de 47% des répondants estiment que seulement 26% à 50% de leurs « agents » sont réellement orchestrés au sens propre, le reste n'étant que des chatbots habillés en agents. L'enquête, menée par VentureBeat dans le cadre de sa série Pulse Research en juillet 2026, porte sur des entreprises de 100 salariés ou plus, avec un échantillon nettement orienté vers les grandes organisations technologiques : plus de la moitié comptent 10 000 employés ou davantage. Ce biais de taille façonne l'ensemble des résultats, qui reflètent surtout les pratiques d'acteurs disposant de ressources importantes pour gérer une infrastructure multi-plateforme. Le fait que 21% des entreprises n'aient aucun mécanisme temps réel pour interrompre un agent devenu incontrôlable avant que la facture n'arrive illustre un décalage persistant entre la maturité de gouvernance affichée et les capacités opérationnelles réelles. Cette étude, fondée sur une seule vague d'enquête sans données comparatives dans le temps, capture une phase où les entreprises ont manifestement appris à encadrer juridiquement et techniquement leurs agents IA, mais peinent encore à en maîtriser le coût économique en temps réel, un angle mort qui pourrait devenir critique à mesure que le déploiement d'agents autonomes s'intensifie dans les mois à venir.

Outils⚒Outil

1 source

50

Illustration générée par IA

2125Latent Space 

Comment voler une trace de raisonnement

Un article publié les 10 et 11 août 2026 par le bulletin AI News, désormais rattaché à Latent Space, révèle qu'il est possible de décoder et de transférer les traces de raisonnement chiffrées des modèles d'IA de pointe. Depuis le lancement du modèle o1 d'OpenAI, les laboratoires chiffrent cryptographiquement ces "chaînes de pensée" pour empêcher leur distillation vers des modèles concurrents. Une première brèche avait été signalée en mai 2026 par le chercheur Matthew Green, qui avait montré comment rejouer ces traces via un canal auxiliaire fondé sur la latence. Le nouveau papier, porté notamment par le chercheur identifié en ligne comme @kotekjediml avec Jonas Geiping, va plus loin : il démontre qu'on peut extraire un bloc de raisonnement chiffré, le rejouer dans une autre requête ou un autre compte, puis le faire retranscrire par un modèle plus faible du même fournisseur, avec des méthodes propres à chaque acteur, un préfixe "" pour Claude vers Haiku 4.5, l'injection de l'objet "encryptedcontent" et jusqu'à 50 échantillons pour GPT, ou une "thought_signature" associée à un préfixe "" pour Gemini. Un scan d'environ 7 000 traces publiques partagées via Claude Code et Codex a révélé 62 clés API uniques, 33 adresses e-mail et 33 mots de passe, dont 64 éléments présents uniquement dans les blocs chiffrés, invisibles dans la session affichée à l'utilisateur. Cette découverte expose directement les utilisateurs ayant partagé en ligne des sessions Claude Code ou Codex contenant du raisonnement chiffré : identifiants, mots de passe et données personnelles peuvent y figurer sans jamais apparaître dans la conversation visible. Au-delà de la fuite de données, la technique permet de transférer les capacités de raisonnement d'un modèle propriétaire vers un modèle plus faible ou open source, ranimant le débat sur la distillation non autorisée que le chiffrement visait justement à empêcher. Le papier pointe aussi des failles d'alignement plus larges, des résumés de chaîne de pensée qui masquent la vraie réponse du modèle, un raisonnement devenu illisible ou quasi "neuralese", des indices de triche, et des usages détournés pour attaquer des sites web, ce qui complique d'autant la surveillance des modèles par les équipes de sécurité. Ce travail s'inscrit dans la tension croissante entre transparence et protection de la propriété intellectuelle chez les grands laboratoires. Depuis o1, OpenAI, Anthropic et Google masquent le raisonnement interne de leurs modèles, à la fois pour l'alignement et pour empêcher des concurrents, notamment chinois, de s'entraîner sur ces traces. Les auteurs affirment avoir suivi une procédure de divulgation responsable, plusieurs vulnérabilités ayant déjà été corrigées, tandis que l'enquête a aussi mis au jour une clé de production Hugging Face compromise lors d'un incident de cybersécurité distinct. Des variantes de l'attaque restent toutefois probablement possibles, ce qui devrait pousser les fournisseurs à revoir leurs mécanismes de signature et les utilisateurs à cesser de partager publiquement des sessions contenant ces blocs de raisonnement.

Sécurité⚡Actu

1 source

50

Illustration générée par IA

2126Next INpact 

Sur Spotify, les « artistes IA » vont gagner un badge et perdre des recommandations

Spotify a annoncé le déploiement, à partir de la mi-septembre, d'un nouveau badge « AI Persona » destiné à identifier les profils d'artistes qui ne sont pas des humains. Les créateurs de ces personnages générés par intelligence artificielle pourront eux-mêmes déclarer leur statut à la plateforme, mais Spotify se réserve aussi le droit d'attribuer ce badge de son propre chef, sous la mention « Likely AI Persona », lorsqu'un profil affiche une identité, un nom ou des visuels photoréalistes jugés suspects. Le badge apparaîtra sur la page de l'artiste, dans les résultats de recherche et à côté des titres dans les playlists. Dans les prochains mois, les abonnés pourront également signaler eux-mêmes les profils qu'ils soupçonnent d'être des personas IA, et les artistes concernés pourront confirmer ou contester la classification. Cette mesure intervient alors que le phénomène prend une ampleur considérable : Deezer a révélé le 21 juillet dernier que plus de la moitié des nouvelles chansons téléversées chaque jour sur sa plateforme, soit environ 90 000 morceaux, sont générées par IA, après avoir détecté 13,4 millions de titres de ce type sur l'année écoulée. La conséquence la plus concrète de ce badge concerne la visibilité : les morceaux publiés par un profil identifié comme IA seront exclus des recommandations éditoriales et algorithmiques de Spotify, sauf si l'auditeur a explicitement choisi de suivre cet artiste. Pour un créateur de contenu généré par IA, cela équivaut de fait à une invisibilisation, et donc à une perte de revenus, puisque les recommandations constituent l'un des principaux leviers de découverte et d'écoute sur la plateforme. Cette approche s'inscrit dans une logique déjà amorcée par Deezer, qui démonétise purement et simplement les écoutes de morceaux IA. Pour l'industrie musicale, ces mesures marquent un tournant : les plateformes de streaming, jusqu'ici plutôt permissives face à l'afflux de contenus générés par IA, commencent à distinguer explicitement les artistes qui construisent une carrière authentique de ceux qui exploitent la production automatisée à grande échelle, souvent à des fins de spam ou de captation de revenus. Ce badge « AI Persona » vient compléter le dispositif de « profil vérifié » déjà utilisé par Spotify, qui atteste à l'inverse qu'un être humain réel se cache derrière un artiste, un statut déjà accordé à des centaines de milliers de profils selon l'entreprise. Spotify précise que cette nouvelle classification porte uniquement sur l'identité publique de l'artiste, et non sur la manière dont la musique elle-même a été fabriquée : pour cet aspect, la plateforme mise sur un système distinct de crédits d'IA et l'outil SongDNA, censés permettre aux artistes de détailler la part de l'intelligence artificielle dans leur processus de création. Reste à voir si cette distinction entre identité de l'artiste et méthode de production suffira à répondre à la pression croissante de l'industrie musicale, qui réclame davantage de transparence face à la déferlante de contenus IA sur les plateformes de streaming.

Création⚡Actu

Aussi surSiècle Digital

42

Illustration générée par IA

2127MarkTechPost 

Xiaomi dévoile RC-S et RC-T, des métriques de suppression d'objets alignées sur la perception humaine, avec un benchmark vidéo réel

Une équipe de recherche de MiLM Plus, la division intelligence artificielle de Xiaomi Inc., a dévoilé PROVE (Perceptual RemOVal cohErence), un nouveau système d'évaluation pour les modèles de suppression d'objets dans les images et les vidéos, dont l'article a été accepté à la conférence ACM MM 2026. Le dispositif associe deux métriques, RC-S pour la cohérence spatiale et RC-T pour la cohérence temporelle, à un benchmark en deux niveaux baptisé PROVE-Bench, construit à partir de vidéos réelles. Les deux métriques évaluent localement la zone retouchée grâce à une discrépance moyenne maximale calculée par fenêtre glissante sur des caractéristiques extraites par le modèle DINOv2, sans jamais nécessiter de vidéo de référence. Le code est publié sous licence Apache 2.0, avec un point d'entrée unique en ligne de commande, runprovemetrics.py, qui exige Python 3.10 ou plus récent, PyTorch 2.6 ou plus récent, Transformers 4.51 ou plus récent, ainsi que les poids du modèle DINOv2-giant, et impose la fourniture d'un masque marquant en blanc les pixels de l'objet supprimé. Sur une seule carte graphique RTX 4090, RC-S traite une image en 134,6 millisecondes, un rythme jugé compatible avec des tests d'intégration continue exécutés chaque nuit. Cette publication répond à un décalage devenu problématique pour l'industrie de l'édition visuelle : les modèles de diffusion effacent désormais ombres, reflets et structures occultées de façon convaincante, mais les métriques historiques comme PSNR, SSIM, LPIPS, ReMOVE ou CFD classent souvent leurs résultats dans le mauvais ordre, car la suppression d'objet est une tâche mal posée qui admet plusieurs reconstructions plausibles pour un même trou. Ces métriques récompensent le copier-coller de pixels plutôt que la véritable régénération, pénalisent à peine les ombres résiduelles, et peuvent même s'améliorer quand la qualité visuelle s'effondre, par exemple lorsqu'on réduit le nombre d'étapes d'inférence d'un modèle de diffusion. PROVE vise donc les équipes de recherche en vision par ordinateur et les ingénieurs en apprentissage automatique travaillant sur des outils d'édition photo et vidéo pour smartphones, le nettoyage de catalogues e-commerce, la publicité, les banques d'images, la postproduction cinéma et effets spéciaux, l'imagerie immobilière et la floutage d'archives cartographiques à des fins de confidentialité, avant d'intéresser les ingénieurs MLOps qui l'intégreraient dans leurs pipelines et les chefs de produit comparant des fournisseurs. Les auteurs ont documenté les failles des approches existantes avant de construire PROVE : sur le benchmark ROSE-Bench, ils ont progressivement flouté la zone masquée sans que les métriques ReMOVE ou CFD ne se dégradent, celles-ci finissant même par dépasser leur score initial non flouté ; le terme de détection d'hallucination de CFD, fondé sur le modèle SAM, a par ailleurs pénalisé à tort la restauration légitime d'une selle de vélo. Sur le jeu de données DAVIS, les métriques temporelles classiques réagissent à peine à des corruptions injectées volontairement, faute de se concentrer sur la petite portion de l'image réellement modifiée. PROVE se présente comme un outil d'évaluation destiné aux laboratoires et non comme une fonctionnalité produit, avec des limites assumées : il n'est pas conçu pour un scoring en temps réel sur appareil, et peine à capter des effets de bord comme de grandes ombres ou reflets qui débordent de la région recadrée pour l'évaluation.

Recherche❖Paper

1 source

33

Illustration générée par IA

2128The Verge AI 

Saber dément avoir remplacé les scénaristes de Rideshare Stimulator par ChatGPT

Le studio Saber Interactive dément avoir remplacé des scénaristes par l'intelligence artificielle sur son jeu "Rideshare Stimulator", annoncé le mois dernier et développé par Unigine. Le PDG Matthew Karch affirme que "ni Saber ni Unigine n'ont remplacé d'écrivains par de l'IA". Cette déclaration intervient après que Stella Sacco, ancienne scénariste principale du projet, a publié sur Bluesky une version contradictoire des faits. Selon elle, Saber l'aurait remplacée par ChatGPT en plein milieu du développement, et toutes les voix des passagers du jeu auraient également été générées par IA. Elle avance deux hypothèses pour expliquer l'écart avec la version officielle : soit le studio a changé de direction en cours de route, soit il ne communique pas cette utilisation de l'IA sur la fiche Steam du jeu, présenté comme une "simulation de conduite immersive" mettant le joueur au volant. Cette affaire illustre les tensions croissantes entre studios et créateurs autour de l'usage de l'IA générative dans l'industrie du jeu vidéo. Pour les scénaristes et acteurs de doublage, la crainte d'être remplacés par des outils comme ChatGPT sans reconnaissance ni compensation nourrit une méfiance grandissante envers les studios, qui peuvent avoir intérêt à minimiser publiquement ce recours pour éviter la controverse auprès des joueurs et des professionnels du secteur. Le désaccord public entre Karch et Sacco reflète un flou persistant sur les obligations de transparence des éditeurs quant à l'usage de l'IA dans leurs productions, notamment sur des plateformes comme Steam. Ce type de litige, opposant témoignage individuel et communication officielle d'entreprise, pourrait se multiplier à mesure que l'IA générative s'intègre davantage aux processus créatifs des studios, ravivant le débat sur la protection des métiers créatifs face à l'automatisation.

Société⚡Actu

1 source

45

Illustration générée par IA

2129NVIDIA AI Blog 

NVIDIA : le calcul d'IA en usine devient une classe d'actifs à part entière

Le géant américain des semi-conducteurs NVIDIA a annoncé le 12 août 2026 des partenariats avec six des plus grands gestionnaires d'actifs et fonds d'investissement mondiaux, Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs et KKR, pour créer des plateformes de financement indépendantes destinées à mobiliser plus de 500 milliards de dollars de capitaux tiers afin de soutenir la construction d'infrastructures d'intelligence artificielle. L'entreprise présente ce mouvement comme un basculement d'un modèle où les sociétés achetaient des puces et bâtissaient des centres de données projet par projet, vers un modèle où ses usines d'IA, baptisées AI factories, deviennent des infrastructures productives financées comme des actifs à part entière. NVIDIA appuie sa démonstration sur des données de marché concrètes : le tarif de location d'un GPU H100 sur un an est passé d'environ 1,70 dollar de l'heure en octobre 2025 à 2,35 dollars en mars 2026, tandis que le prix médian à la demande, toutes plates-formes confondues, est passé de 2,00 à 2,70 dollars par heure entre octobre 2025 et juin 2026. Les puces Blackwell, plus récentes, se négocient avec une prime, entre 5,30 et 7,05 dollars par heure pour un GPU B200. L'entreprise rappelle aussi que ses puces A100, lancées en 2020, restent exploitées commercialement six ans plus tard, avec des engagements clients pluriannuels qui prolongent leur durée de vie économique vers une décennie. Cette annonce marque une étape importante pour l'industrie de l'IA car elle transforme la nature même du calcul informatique : au lieu d'être un simple poste de dépense en capital qui se déprécie, il devient une classe d'actifs générant des revenus récurrents, comparable à des infrastructures comme les routes à péage ou les réseaux électriques. Pour les investisseurs institutionnels que sont Apollo, BlackRock ou KKR, cela ouvre un nouveau terrain de déploiement de capitaux à long terme, avec un rendement adossé à la demande de calcul plutôt qu'à des actifs traditionnels. Pour les entreprises d'IA, cloud providers et laboratoires qui manquent aujourd'hui d'accès à des financements suffisants pour construire rapidement leurs propres capacités, ces plateformes promettent un accès facilité à des montants massifs de capitaux externes, sans que NVIDIA n'ait à financer elle-même l'ensemble de la demande mondiale en puces. Cette initiative s'inscrit dans un contexte où la demande en infrastructures d'IA dépasse largement les capacités de financement disponibles, alors que l'IA générative bascule de la phase de recherche vers une phase de production à grande échelle. NVIDIA cherche à démontrer que ses puces et son écosystème logiciel CUDA, qui améliore continuellement les performances du matériel déjà installé, constituent un socle suffisamment stable et rentable pour attirer des capitaux patients et non plus seulement des budgets d'investissement technologique classiques. L'entreprise s'appuie sur son architecture largement adoptée par les grands fournisseurs cloud, les fabricants de systèmes et les entreprises du monde entier pour argumenter que ses usines d'IA peuvent être redéployées auprès d'autres clients en cas de besoin, limitant ainsi le risque pour les investisseurs. Les modalités précises d'accès des laboratoires d'IA qualifiés à ces nouvelles plateformes de financement restent à préciser dans les prochains mois.

Infrastructure⚡Actu

1 source

22

Illustration générée par IA

2130Le Big Data 

Agentic AI : jusqu’où cette technologie peut aller en 2026 ?

L'Agentic AI désigne une nouvelle génération de systèmes d'intelligence artificielle capables d'agir de façon autonome pour accomplir une mission, et non plus seulement de répondre à une instruction isolée. Contrairement aux outils conversationnels classiques, où l'utilisateur formule une demande puis reçoit une réponse ponctuelle qu'il doit lui-même exploiter, un agent autonome reçoit un objectif global et détermine seul la marche à suivre. Le fonctionnement de ces systèmes repose sur plusieurs étapes successives : la compréhension du contexte, durant laquelle l'agent rassemble les informations disponibles en s'appuyant sur des données internes, des logiciels ou des outils spécialisés ; puis la planification, phase durant laquelle il décompose l'objectif en tâches ordonnées et identifie les ressources nécessaires pour chacune d'elles. Vient ensuite l'exécution proprement dite, où l'agent utilise concrètement les outils à sa disposition, évalue les résultats obtenus et ajuste son processus si un obstacle survient. Cette architecture en plusieurs temps distingue nettement l'Agentic AI des interfaces conversationnelles traditionnelles, qui ne dépassent pas le cadre d'une simple question suivie d'une réponse. Cette évolution intéresse particulièrement les entreprises, qui y voient un moyen d'automatiser des processus longs, répétitifs ou impliquant plusieurs logiciels sans intervention humaine constante. Pour l'utilisateur, le changement est important : il ne décrit plus chaque opération à réaliser mais définit un résultat recherché, laissant à l'agent le soin d'organiser et d'enchaîner les actions nécessaires pour y parvenir. Cette capacité de proactivité, qui permet à un système d'identifier un blocage et de tenter une autre approche sans qu'on le lui demande explicitement, ouvre la voie à des usages plus étendus que la simple génération de texte ou de résumé. Elle transforme potentiellement des fonctions entières, de la gestion administrative à la coordination d'outils numériques multiples, en réduisant le besoin de supervision étape par étape. Ce basculement s'inscrit dans une évolution plus large des modèles d'intelligence artificielle, qui passent d'une logique purement réactive à une logique orchestrée autour d'objectifs. Il ne s'agit toutefois pas d'une autonomie totale ni d'une intelligence indépendante : le comportement d'un agent reste strictement encadré par son architecture, les instructions qui lui sont fournies, les outils auxquels il a accès et les règles de sécurité mises en place par ses concepteurs. Cette dépendance à un cadre défini en amont constitue précisément l'un des enjeux majeurs pour les développeurs et les entreprises qui adoptent ces systèmes, puisque la fiabilité et la sécurité des actions entreprises par l'agent dépendent directement de la qualité de ce cadrage initial, alors que ces technologies continuent de gagner en capacité d'action au fil de 2026.

Outils❧Opinion

1 source

42

Illustration générée par IA

2131AWS ML Blog 

Accélération de la cyberdéfense avec OpenAI et AWS : Daybreak Red et Daybreak Blue disponibles sur Amazon Bedrock

AWS et OpenAI ont annoncé la disponibilité de Daybreak Red et Daybreak Blue, deux modèles d'intelligence artificielle spécialisés en cybersécurité, sur la plateforme Amazon Bedrock pour les clients éligibles. Daybreak Red donne accès à GPT-5.6 Cyber, un modèle entraîné spécifiquement pour les tâches de sécurité informatique, tandis que Daybreak Blue s'appuie sur GPT-5.6 Sol, doté de garde-fous calibrés pour un usage défensif. Ces deux outils font partie de Daybreak, l'initiative de cyberdéfense d'OpenAI qui donne aux équipes de sécurité un accès encadré à ses modèles les plus avancés, incluant des agents autonomes, des services de red teaming applicatif et des outils permettant de passer de la détection d'une faille à un correctif testé. John Sheehan, vice-président de la sécurité chez AWS, a précisé que les équipes de sécurité d'AWS utilisent déjà les deux modèles pour analyser du code source, découvrir des vulnérabilités et mener des recherches offensives, le tout sous les mêmes contrôles d'infrastructure appliqués à toute charge de travail critique sur Bedrock. Preuve concrète de leur efficacité, selon OpenAI, des chercheurs ont utilisé GPT-5.6 Cyber via Daybreak Red pour identifier deux vulnérabilités jusqu'alors inconnues dans V8, le moteur JavaScript de Chrome, dont l'enchaînement pouvait provoquer une corruption mémoire et une évasion du bac à sable. La faille initiale a été corrigée et référencée sous CVE-2026-15903, l'une des quatre seules entrées réussies au concours V8 CTF en 2026. Cette annonce répond à une urgence bien réelle du secteur : la fenêtre entre la découverte d'une vulnérabilité et son exploitation par des attaquants ne cesse de se réduire, alors que les modèles d'IA les plus puissants sont accessibles autant aux défenseurs qu'aux assaillants. Pour les équipes de sécurité, l'enjeu n'est plus de repérer des failles potentielles mais de confirmer rapidement lesquelles sont réellement exploitables, de les corriger sans introduire de régression, puis de déployer le correctif avant que la fenêtre ne se referme, tout en gardant le code sensible dans un environnement qu'elles maîtrisent et peuvent auditer. En intégrant ces modèles à Bedrock, AWS permet à ses clients de bénéficier de capacités d'analyse comparables à celles des attaquants les plus sophistiqués, sans exposer leurs données à des infrastructures tierces non contrôlées. Le défi central de ces outils tient à la nature intrinsèquement double usage de la cybersécurité : une demande de reproduction d'une vulnérabilité ou de rétro-ingénierie d'une chaîne d'exploitation semble identique, que l'intention soit défensive ou malveillante, ce qui pousse généralement les modèles génériques à refuser la requête. Daybreak Red et Daybreak Blue lèvent cette ambiguïté grâce au contexte d'usage, à l'identité vérifiée de l'utilisateur et aux garde-fous propres à l'environnement Bedrock. Daybreak Blue reste le point d'entrée recommandé pour la majorité des équipes, couvrant la découverte de vulnérabilités, l'ingénierie de détection et la réponse aux incidents, tandis que Daybreak Red s'adresse aux tâches les plus avancées comme la recherche de vulnérabilités et le développement de mesures d'atténuation, avec un seuil de refus abaissé compensé par des contrôles d'accès renforcés.

Sécurité⚒Outil

1 source

44

Illustration générée par IA

2132VentureBeat AI 

Grok bot de xAI transforme des agents en collègues numériques persistants capables de gérer vos applications pour 120 dollars par mois

SpaceXAI, la division de SpaceX anciennement connue sous le nom de xAI, a lancé le 11 août 2026 une version bêta de Grok Bot, un nouvel agent conçu pour transformer les assistants IA en collaborateurs numériques permanents plutôt qu'en simples outils de réponse à des requêtes ponctuelles. Le produit permet aux utilisateurs de créer des Bots persistants, chacun doté d'un rôle précis (prospection commerciale, recrutement, gestion des notes de frais, marketing, correction de bugs, etc.), avec accès à leurs propres applications et environnements informatiques, capables de continuer à travailler même ordinateur fermé. L'offre est disponible pour les abonnés SuperGrok Heavy (300 dollars par mois), ainsi que pour les clients Cursor Ultra et Cursor Premium Teams, rappelant que SpaceX a racheté Cursor pour 60 milliards de dollars en juin dernier. Les tarifs annoncés sont de 200 dollars par mois pour un usage individuel et 120 dollars par utilisateur et par mois pour les équipes, ces dernières bénéficiant en plus d'une facturation centralisée, d'une marketplace de compétences partagées et d'une authentification SSO via SAML ou OIDC. Le produit est disponible sur macOS, Windows, Linux et iOS, avec une version Android annoncée comme à venir. SpaceXAI n'a publié aucun benchmark chiffré sur les performances de Grok Bot dans l'exécution de tâches agentiques. Cette annonce illustre un tournant stratégique majeur dans l'industrie de l'IA : le passage d'assistants conversationnels à des agents autonomes censés remplacer une partie du travail manuel en entreprise. Pour les organisations, l'enjeu économique est direct : ces Bots à 120 ou 200 dollars par mois et par utilisateur doivent démontrer qu'ils permettent de réduire suffisamment les tâches répétitives ou l'infrastructure d'automatisation classique pour justifier leur coût, d'autant que les limites d'usage en jetons pourraient faire grimper la facture réelle si les agents tournent en continu. Pour les utilisateurs individuels, cela change la nature même de l'interaction avec l'IA, qui passe du prompt ponctuel à la délégation de responsabilités durables, avec mémoire, routines apprises et capacité des Bots à se transmettre du travail entre eux. Grok Bot arrive dans un marché déjà très disputé. Anthropic a ouvert la voie avec la fonction "computer use" de Claude en 2024, avant de lancer l'environnement de développement Claude Code début 2025 puis l'agent Claude Cowork, destiné aux profils non techniques, plus tôt cette année. OpenAI a de son côté doté son outil Codex de capacités de contrôle d'applications tierces en avril, puis a lancé ses Workspace Agents et, plus récemment, un environnement ChatGPT Work pensé pour les tâches longues et complexes aboutissant à des livrables finis. Face à ces concurrents, SpaceXAI mise sur un modèle de gestion d'agents multiples fonctionnant en parallèle, chacun avec un rôle assigné, tout en orientant pour l'instant les entreprises intéressées vers une liste d'attente plutôt qu'un accès immédiat.

Outils⚒Outil

1 source

42

Illustration générée par IA

2133Latent Space 

Le changement de phase de l'IA biologique

En janvier 2026, quatre accords majeurs entre grands groupes pharmaceutiques et fournisseurs d'outils d'intelligence artificielle ont été annoncés lors de la conférence JP Morgan Healthcare, le grand rendez-vous annuel du secteur qui rassemble chaque janvier des centaines d'événements à San Francisco. Chai Discovery, jeune pousse soutenue par OpenAI et vieille de seulement deux ans, s'est retrouvée au cœur de cette dynamique, désormais valorisée à 4 milliards de dollars. Ses représentants, le cofondateur Matthew McPartlon et le responsable produit Neil Patil, ont détaillé cette évolution lors d'un podcast avec l'équipe de Science. Jusqu'ici, les entreprises d'IA appliquée à la pharma finissaient presque toujours par développer leurs propres pipelines de médicaments plutôt que de vendre leurs outils, faute de pouvoir convaincre les laboratoires de leur fiabilité sans preuves cliniques concrètes. Ce mois de janvier marque un basculement : les outils de conception moléculaire sont désormais jugés assez fiables pour que les équipes de recherche pharmaceutique leur fassent directement confiance. Ce changement modifie en profondeur la manière dont les médicaments sont conçus. Concrètement, les laboratoires peuvent désormais faire passer plus de candidats médicaments, de meilleure qualité, plus rapidement en laboratoire et dans les essais sur animaux, avec un dépistage plus poussé de la toxicité et une meilleure conception des systèmes de délivrance, ce qui augmente les chances de succès des molécules qui atteignent la phase clinique. Mais l'apport dépasse le simple gain d'efficacité : ces outils rendent possible la conception de mécanismes jusque là hors de portée des méthodes de laboratoire classiques, comme des anticorps déclenchant précisément une cascade moléculaire spécifique, ou des anticorps bispécifiques capables de se lier à deux protéines différentes à la fois, un exercice qui prenait auparavant des années d'essais-erreurs. McPartlon reconnaît avoir lui-même mis du temps à croire à cette thèse, ayant échangé pendant des mois avec le cofondateur Josh avant le lancement de Chai Discovery. L'idée centrale de l'entreprise est que produire dès le départ de bonnes molécules, nécessitant moins de correction en laboratoire, accélère toute la boucle d'itération et transforme la découverte de médicaments en un exercice d'ingénierie plutôt qu'une science empirique fondée sur l'essai-erreur. Cette bascule n'est pas entièrement nouvelle : le fonds d'investissement a16z avait déjà esquissé cette thèse en 2020. Ce qui a changé depuis, c'est que les modèles capables de prédire la structure des protéines ont évolué vers des modèles de liaison, mesurant l'affinité de fixation entre deux molécules, une capacité qui a ouvert la voie à une véritable conception assistée par IA. Pour Chai Discovery, dans un marché où la meilleure technologie ne suffit pas à elle seule à s'imposer, c'est généralement le meilleur produit qui gagne. L'entreprise a donc misé sur des partenariats étroits avec des laboratoires pharmaceutiques, décrits par Neil Patil comme un moyen d'orienter la recherche selon les besoins réels du terrain plutôt que dans l'abstrait, une approche que l'équipe compare à la création d'un « Photoshop des molécules ». Reste à voir combien d'autres acteurs positionnés sur la prédiction de structure et de liaison sauront suivre cette même trajectoire vers la confiance clinique désormais accordée aux outils d'IA.

Business❧Opinion

1 source

41

Illustration générée par IA

2134MarkTechPost 

LTX-2.5 : les poids ouverts d'un modèle monde accélérés par NVIDIA tiennent sur un seul bureau

La société LTX a lancé LTX-2.5, un modèle de génération vidéo dit "world model" à poids ouverts, conçu pour la production créative, les applications temps réel et l'IA physique. Optimisé pour tourner localement sur les cartes graphiques grand public NVIDIA RTX ainsi que sur le NVIDIA DGX Spark, il réduit fortement les besoins en mémoire vidéo (VRAM), permettant à un modèle de pointe de fonctionner sur du matériel que les créateurs possèdent déjà, directement dans l'interface ComfyUI. La sortie s'inscrit dans une série d'annonces de NVIDIA consacrée à l'IA locale tout au long du mois d'août, et coïncide avec le lancement, le même jour, du modèle d'agents ouvert Nemotron 3.5 Lightning. LTX-2.5 introduit une génération multishot native qui garantit la cohérence d'un personnage ou d'un style sur toute une séquence, s'appuie sur un backbone linguistique Gemma 4 amélioré et un nouveau décodeur limitant les artefacts dans les scènes à mouvement rapide. Sur le plan des performances, LTX affirme qu'un clip de 10 secondes est généré en 6,8 secondes en local sur deux GPU NVIDIA GB200, contre 23,7 secondes via son API. À titre de comparaison, les modèles fermés Omni Flash, Grok 1.5 et Veo 3.1 mettent entre 52 et 70 secondes, tandis que Seedance 2.0, FLUX 3, Seedance 2.5 et Kling 3.0 Pro nécessitent respectivement 196, 259, 317 et 398 secondes, soit un modèle jusqu'à 58 fois plus rapide que le plus lent. Cette rapidité change concrètement la manière de produire du contenu vidéo. Un créateur seul ou une petite équipe peut désormais générer, sans frais par clip ni abonnement au cloud, des dizaines de variantes d'une même publicité en une nuit, tester plusieurs accroches et adapter des campagnes à différents marchés avant même que la lassitude publicitaire, qui s'installe généralement en sept à dix jours selon LTX, ne s'installe. La propriété intellectuelle reste sur la machine locale, un argument de poids pour les studios et marques soucieux de confidentialité. Ce qui exigeait auparavant une équipe de tournage, une salle de rendu et une facture cloud tient désormais sur un seul poste équipé d'une carte RTX, avec un fine-tuning LoRA rapide suffisant pour verrouiller un style de marque. Ce lancement illustre une stratégie plus large de NVIDIA, qui pousse ses modèles ouverts accélérés du PC de bureau aux centres de données. Le même jour, l'entreprise a dévoilé Nemotron 3.5 Lightning, un modèle d'agents à mélange d'experts de 30 milliards de paramètres, ainsi que NeMo Switchyard, une bibliothèque open source qui répartit chaque étape d'un flux d'agents vers le modèle le plus adapté. LTX décrit sa famille de modèles comme fondatrice pour le cinéma, la publicité, le jeu vidéo, la simulation et la robotique, les "world models" cherchant à prédire non pas le mot suivant, comme les modèles de langage, mais le prochain instant d'un environnement simulé.

Création⚡Actu

1 source

49

Illustration générée par IA

2135Ars Technica AI 

Gemini devient le produit à la croissance la plus rapide de l'histoire de Google, avec 1 milliard d'utilisateurs

Google a franchi une nouvelle étape majeure avec Gemini, qui vient d'atteindre 1 milliard d'utilisateurs actifs mensuels, un cap annoncé par le PDG Sundar Pichai. Treize autres produits Google ont déjà atteint ce seuil symbolique par le passé, comme Gmail, Chrome ou YouTube, mais Gemini l'a fait plus rapidement qu'aucun d'entre eux, confirmant l'ampleur de l'engagement de Google sur l'intelligence artificielle depuis plusieurs années. Ce chiffre concerne uniquement les personnes ayant ouvert l'application Gemini ou son interface web pour soumettre une requête ou utiliser Gemini Live au cours du dernier mois, même une seule fois. Il exclut donc les interactions indirectes avec l'IA via Gmail, Drive, ou la recherche Google, où Gemini est pourtant largement intégré, ce qui suggère que l'empreinte réelle du modèle sur les utilisateurs de Google est bien plus vaste que ce seul milliard. Cette annonce confirme que la stratégie de Google consistant à infuser Gemini dans l'ensemble de son écosystème commence à porter ses fruits à grande échelle, malgré des critiques persistantes en ligne sur la qualité ou l'omniprésence de l'IA générative. Pour l'industrie, ce cap représente une validation forte face à des concurrents comme OpenAI, dont ChatGPT dominait jusqu'ici la conversation publique sur les assistants IA grand public. Pour les utilisateurs, cela signifie que Gemini devient un point de passage quasi incontournable dans les usages quotidiens de Google, que ce soit pour organiser des emails, résumer des documents ou effectuer des recherches enrichies par l'IA. Cette progression s'inscrit dans une bataille plus large entre les géants technologiques pour dominer l'IA générative, où l'intégration profonde dans des produits déjà massivement utilisés constitue un avantage décisif face à des applications autonomes comme ChatGPT. Google mise notamment sur AI Mode et les AI Overviews dans son moteur de recherche, devenus difficiles à éviter pour les utilisateurs, ainsi que sur l'intégration native de Gemini dans Gmail et Drive. Reste à savoir comment Google convertira cette adoption massive en revenus durables et comment elle influencera les futures orientations produit face à la concurrence.

Business❧Opinion

Aussi surNext INpact

50

Illustration générée par IA

2136The Decoder 

But marinade » et mots de passe divulgués : ce que révèle le raisonnement caché de ChatGPT

Des chercheurs en cybersécurité ont identifié une vulnérabilité dans les API d'OpenAI, d'Anthropic et de Google qui permet d'extraire les traces de raisonnement chiffrées générées en interne par leurs modèles d'IA, puis de les faire transiter d'un système à un autre. En analysant des sessions accessibles publiquement, ils ont retrouvé des dizaines de mots de passe et de clés API laissés par inadvertance dans ces journaux internes. Parmi les extraits relevés figure une réflexion évoquant une "but marinade", exemple du contenu insolite que les modèles produisent en coulisses avant de livrer leur réponse finale. Cette découverte est préoccupante à double titre. Elle révèle un risque concret de fuite de données sensibles, identifiants et clés d'accès pouvant se retrouver exposés via ces traces mal protégées. Elle montre surtout que les résumés de raisonnement affichés aux utilisateurs, censés expliquer comment un modèle comme ChatGPT arrive à ses conclusions, ne reflètent pas toujours fidèlement les calculs effectués en arrière-plan, ce qui interroge la confiance placée dans la transparence annoncée de ces outils. L'essor des modèles dits de raisonnement, comme la famille o d'OpenAI, Claude chez Anthropic ou Gemini chez Google, a poussé les fournisseurs à afficher des résumés simplifiés du raisonnement interne tout en gardant le détail brut chiffré, pour des raisons de propriété intellectuelle et de sécurité. Cette faille relance le débat sur l'opacité de ces systèmes et la nécessité d'audits indépendants. OpenAI, Anthropic et Google n'ont pas détaillé publiquement leurs correctifs, mais l'épisode devrait accélérer les discussions sur des standards de sécurité communs pour la gestion de ces données.

Sécurité⚡Actu

1 source

37

Illustration générée par IA

2137Le Big Data 

Votre première vidéo IA avec Higgsfield : de l’idée au rendu final

Higgsfield, une plateforme de génération vidéo par intelligence artificielle, propose une nouvelle approche pour créer des vidéos à partir d'une simple idée textuelle. Plutôt que de s'appuyer sur un seul modèle, elle orchestre plus de quinze modèles de langage et modèles de vision sous une infrastructure unifiée, chacun spécialisé dans une tâche précise. Le rendu photoréaliste est confié à Veo 3.1, la gestion de la géométrie complexe et des expressions faciales à Kling 3.0, tandis que Seedance 2.5 assure la cohésion globale de la scène. L'interface propose plusieurs modules selon l'usage visé, dont un espace de génération basique pour des tests rapides, un Marketing Studio dédié aux flux publicitaires, et un Cinema Studio pour les projets les plus ambitieux. La plateforme s'interface également avec le protocole MCP (Model Context Protocol), permettant une exécution asynchrone via des agents externes comme Claude, ce qui autorise l'automatisation de la création de nombreux plans vidéo par script sans bloquer la machine de l'utilisateur. Cette architecture change concrètement la manière dont les créateurs abordent la vidéo générative. Jusqu'ici, la production de contenus par IA relevait souvent d'un processus imprévisible, où chaque tentative pouvait produire des résultats radicalement différents malgré une requête identique. En superposant plusieurs modèles neuronaux qui se corrigent mutuellement, la plateforme réduit les erreurs d'interprétation et les incohérences visuelles, un peu à la manière des studios d'effets spéciaux traditionnels où chaque département se concentre sur sa spécialité. Pour les professionnels du marketing, du cinéma ou du développement, cela signifie un gain de temps significatif et une meilleure prévisibilité du résultat final, deux qualités qui manquaient cruellement aux premières générations d'outils de génération vidéo par IA. L'intégration avec des agents comme Claude ouvre également la voie à une production vidéo automatisée à grande échelle, un enjeu déterminant pour les studios et agences qui doivent produire de gros volumes de contenu. Cette évolution s'inscrit dans une accélération générale du secteur de l'intelligence artificielle générative, où la simple qualité du rendu ne suffit plus à distinguer les plateformes entre elles : c'est désormais la maîtrise du contrôle créatif qui fait la différence. Higgsfield mise sur une approche proche du langage cinématique professionnel, poussant les utilisateurs à structurer leurs requêtes comme de véritables listes de plans de tournage, articulées autour du sujet, du mouvement de caméra, de l'environnement et de l'atmosphère lumineuse. Cette exigence de précision marque un tournant : les outils de génération vidéo ne sont plus de simples générateurs de contenu aléatoire, mais des instruments de production complets, comparables à des studios virtuels. Reste à savoir comment les concurrents, engagés dans une course technologique effrénée, répondront à cette montée en sophistication, et si cette complexité accrue restera accessible aux créateurs indépendants ou finira par favoriser les acteurs disposant de ressources techniques plus importantes.

Création≡Tuto

1 source

34

Illustration générée par IA

2138Le Big Data 

Comment mesurer sa visibilité de marque dans les IA ?

Les marques cherchant à évaluer leur présence dans les réponses générées par les intelligences artificielles doivent désormais suivre une méthodologie structurée, distincte des outils classiques de référencement. Contrairement au classement fixe des moteurs de recherche traditionnels, les assistants conversationnels produisent des réponses variables : une marque peut apparaître pour une requête donnée puis disparaître dès qu'elle est reformulée ou que le contexte change. La méthode recommandée repose sur un panel de questions stable, des tests répétés dans le temps et une comparaison systématique avec les concurrents directs. Chaque test doit être documenté précisément : date, modèle d'IA utilisé, langue, localisation géographique et mode de recherche. Le cadrage initial fixe aussi les marchés, produits et publics visés, en couvrant l'ensemble du parcours client, de la découverte jusqu'à la comparaison finale entre offres. Le suivi distingue plusieurs indicateurs clés, dont le taux de mention (la part de réponses où le nom de la marque apparaît), la part de voix par rapport aux concurrents, et la fréquence des citations issues de sources externes vérifiées. Cette approche répond à un enjeu commercial concret pour les entreprises : à mesure que les utilisateurs se tournent vers des assistants IA pour rechercher des produits, comparer des offres ou demander des conseils, la visibilité dans ces réponses générées devient un levier d'acquisition à part entière, au même titre que le référencement naturel sur les moteurs de recherche classiques. Une mention neutre, une recommandation argumentée ou une citation directe d'une source externe n'ont pas la même valeur commerciale, ce qui oblige les équipes marketing à affiner leur lecture au-delà d'une simple présence binaire. Les sources citées par les IA révèlent également quels sites et quels formats de contenu sont privilégiés par les modèles, offrant aux marques des indications concrètes sur les contenus à produire ou à optimiser pour espérer être repris dans les réponses futures. Cette évolution s'inscrit dans un contexte plus large où les grands modèles conversationnels transforment progressivement les habitudes de recherche d'information, au détriment potentiel des moteurs de recherche traditionnels et du trafic qu'ils généraient vers les sites web. Face à cette bascule, une nouvelle discipline se structure, comparable au référencement naturel mais adaptée aux spécificités des IA génératives, avec ses propres indicateurs et méthodes de collecte. Les équipes marketing et communication doivent désormais intégrer ce suivi à leurs outils existants, en gardant à l'esprit qu'une citation affichée par un assistant ne garantit ni sa qualité ni son impact réel sur les décisions d'achat des utilisateurs, ce qui appelle à une vérification systématique des liens et sources mobilisés par ces systèmes.

Société≡Tuto

1 source

41

Illustration générée par IA

2139The Verge AI 

Apple pourrait aider à prouver que vos photos iPhone ne sont pas des deepfakes

Apple prépare une fonctionnalité permettant de certifier qu'une photo a bien été prise avec un iPhone, selon des éléments repérés dans la bêta 5 d'iOS 27 par le site 9to5Mac. Ce système, baptisé en interne "Apple Reference Image", intégrerait des métadonnées de provenance directement au moment de la capture du cliché, créant une sorte d'empreinte numérique attestant de son origine réelle. La fonction n'est pour l'instant pas activée dans cette version bêta, mais une note de confidentialité présente dans le code précise qu'elle sera désactivée par défaut lors de son lancement éventuel. D'après 9to5Mac, elle serait accessible via le chemin Réglages > Appareil photo > Reference Image > Reference Mode une fois déployée. Cette initiative répond à une préoccupation grandissante : la multiplication des images générées ou retouchées par intelligence artificielle rend de plus en plus difficile la distinction entre une photo authentique et un contenu fabriqué. En donnant aux utilisateurs un moyen technique de prouver qu'un cliché provient bien d'un appareil physique et n'a pas été manipulé, Apple s'attaque directement au problème des deepfakes visuels, un enjeu qui touche autant le journalisme et la justice que les réseaux sociaux et la vie privée des particuliers. Cette démarche s'inscrit dans un mouvement plus large de l'industrie technologique visant à établir des standards de provenance des contenus, à l'image de l'initiative C2PA soutenue par Adobe, Microsoft ou encore Sony. Apple, qui a déjà intégré des outils de génération d'images IA dans ses appareils via Apple Intelligence, se retrouve ainsi à devoir simultanément développer ces technologies et fournir les moyens de s'en prémunir, une tension que l'entreprise devra gérer alors que la fonctionnalité reste encore à l'état expérimental.

Sécurité⚒Outil

Aussi surNext INpact

31

Illustration générée par IA

2140AWS ML Blog 

ONESTRUCTION construit le modele fondamental Ishigaki-IDS avec AWS GenAIIC

ONESTRUCTION, une startup japonaise spécialisée dans la technologie de construction et l'openBIM, a développé un modèle de fondation baptisé Ishigaki-IDS, dédié aux flux de travail BIM (Building Information Modeling) dans le secteur du bâtiment. Le projet a été mené dans le cadre de la phase 3 du programme public japonais GENIAC (Generative AI Accelerator Challenge), avec l'appui technique du centre d'innovation en IA générative d'Amazon Web Services Japan, le GenAIIC. Le modèle repose sur Qwen3, la famille de grands modèles de langage open source d'Alibaba Cloud, déclinée en versions de 8, 14 et 32 milliards de paramètres. L'entraînement a suivi un pipeline en trois étapes, préentraînement continu (CPT), ajustement supervisé (SFT) et apprentissage par renforcement à récompenses vérifiables (RLVR), exécuté sur des instances Amazon EC2 P5en orchestrées via AWS ParallelCluster pour permettre un entraînement distribué stable. L'objectif technique était de faire produire au modèle des fichiers conformes à la norme IDS (Information Delivery Specifications), un format XML publié en 2024 qui définit les informations rattachées et validées dans les maquettes numériques au format IFC (Industry Foundation Classes). Cette avancée vise à réduire une barrière d'entrée majeure dans un secteur confronté à une pénurie de main-d'œuvre persistante au Japon. Le BIM est encouragé au niveau national pour permettre aux équipes de conception, de construction et de maintenance de partager les informations sur une plateforme commune, mais sa maîtrise exige une expertise pointue, notamment pour rédiger des fichiers IDS qui demandent à la fois la connaissance de sa grammaire propre et celle des règles IFC. En automatisant cette production, Ishigaki-IDS permettrait à des professionnels du bâtiment non spécialistes du BIM de vérifier et gérer les données d'attributs sans dépendre d'experts formés à ces standards, ce qui pourrait accélérer l'adoption du BIM à l'échelle du secteur et servir de modèle méthodologique pour d'autres domaines pauvres en données. Trois obstacles ont dû être surmontés. D'abord la rareté des données : contrairement à des secteurs comme la finance, la santé ou le droit, qui disposent de corpus allant de plusieurs milliards à des centaines de milliards de tokens, la construction et la norme IDS, encore récente, ne offrent que peu de contenu public exploitable. Ensuite, il fallait injecter un vocabulaire technique IFC de plusieurs milliers de termes, comme la correspondance entre "beam" et la classe IfcBeam ou entre "air conditioner" et IfcUnitaryEquipment, un travail traditionnellement réalisé manuellement par des experts du domaine. Enfin, la grammaire spécifique d'IDS, dont la structure de balises varie selon le type d'information visée, posait un défi que les modèles génériques peinent à résoudre. Pour y répondre, ONESTRUCTION a combiné génération de données synthétiques, collaboration étroite avec des experts métier et une infrastructure cloud dédiée à l'entraînement à grande échelle.

LLMs⚡Actu

1 source