Aller au contenu principal

Actualités IA — page 119

7 616 articles au fil, du plus récent au plus ancien.

Mendo lève 12 millions d’euros pour accélérer le déploiement de l’IA en Europe
2361Le Big Data 

Mendo lève 12 millions d’euros pour accélérer le déploiement de l’IA en Europe

La startup parisienne Mendo a bouclé le 11 juin 2026 un tour de table de série A d'un montant de 12 millions d'euros, mené par les fonds Ventech et Educapital, avec la participation de Tomcat et OVNI. L'entreprise, qui compte aujourd'hui une cinquantaine de collaborateurs, prévoit de doubler ses effectifs pour atteindre une centaine de personnes, avec des recrutements concentrés dans les fonctions produit, ingénierie et développement commercial. Ce financement servira également à enrichir les capacités analytiques de sa plateforme et à accélérer son implantation sur les principaux marchés européens. Mendo se positionne comme une couche d'accompagnement entre les outils d'intelligence artificielle et les utilisateurs finaux au sein des organisations, avec pour mission de transformer les investissements IA en résultats mesurables plutôt qu'en simples expérimentations. L'enjeu que Mendo cherche à adresser est devenu l'un des principaux freins à la transformation numérique des entreprises : le fossé entre le déploiement d'une technologie et son adoption réelle par les équipes. Selon les données avancées par la startup, ses approches permettraient d'atteindre des taux d'adoption jusqu'à six fois supérieurs à ceux obtenus par des méthodes traditionnelles. Dans un contexte où les investissements mondiaux dans l'IA atteignent des niveaux records, une majorité d'entreprises restent bloquées au stade des projets pilotes, incapables de passer à l'échelle. La plateforme de Mendo aide les organisations à identifier les cas d'usage à fort impact, à adapter leurs processus internes et à mesurer concrètement les gains obtenus, ce qui répond à une demande croissante des directions générales qui veulent justifier leurs budgets IA devant leurs actionnaires. La levée intervient dans un marché en pleine recomposition, accélérée par l'émergence de l'IA agentique : ces systèmes capables d'orchestrer des tâches complexes et d'interagir simultanément avec plusieurs applications métiers commencent à contraindre les entreprises à repenser en profondeur leurs flux de travail, voire leur structure décisionnelle. Dans ce contexte, le segment de l'adoption et de la gestion du changement autour de l'IA devient un marché à part entière, distinct de celui des éditeurs de modèles ou d'outils. Mendo n'est pas seule sur ce créneau en Europe, mais son ancrage parisien et le profil de ses investisseurs la placent dans une bonne position pour capter les grands comptes européens soucieux de conformité et de souveraineté numérique. Les prochains mois diront si la startup parvient à s'imposer comme la référence continentale de l'adoption de l'IA en entreprise avant que des acteurs américains plus capitalisés ne s'emparent du sujet.

Amazon obtient un prêt de 17,5 milliards de dollars pour investir dans l’IA
2362Le Big Data 

Amazon obtient un prêt de 17,5 milliards de dollars pour investir dans l’IA

Amazon a sécurisé un prêt bancaire de 17,5 milliards de dollars auprès d'un consortium mené par Citigroup, JPMorgan Chase, Wells Fargo, HSBC et BofA Securities, annoncé le 10 juin 2026. L'opération intervient deux jours à peine après une émission obligataire de 14 milliards de dollars, portant le total des fonds levés en moins de 48 heures à 31,5 milliards de dollars. Ce prêt prend la forme d'un financement à tirage différé, ce qui signifie qu'Amazon peut débloquer les fonds progressivement selon ses besoins, sans mobiliser la totalité du capital immédiatement. Reuters indique que les fonds sont destinés aux "besoins généraux de l'entreprise", sans préciser de projets spécifiques. Pour un groupe de la taille d'Amazon, cette double opération financière en 48 heures envoie un signal fort sur l'intensité de la course aux infrastructures d'IA. Amazon Web Services, pilier technologique du groupe, doit sans cesse accroître ses capacités de calcul pour répondre à la demande des entreprises clientes en IA générative. Développer des modèles avancés, acquérir des puces spécialisées comme les GPU Nvidia et construire de nouveaux data centers exige des investissements qui se chiffrent désormais en dizaines de milliards de dollars par an. En recourant à la dette plutôt qu'à ses propres liquidités, Amazon préserve sa flexibilité financière tout en maintenant un rythme d'investissement que peu d'acteurs peuvent se permettre. Cette opération s'inscrit dans un mouvement plus large qui touche l'ensemble des géants technologiques américains. Alphabet a annoncé vouloir mobiliser jusqu'à 80 milliards de dollars pour soutenir ses investissements dans l'IA, et Meta a également lancé une importante émission obligataire pour financer ses propres projets. Les hyperscalers font face à des besoins simultanés et colossaux : data centers, réseaux électriques, systèmes de refroidissement et processeurs spécialisés représentent des dépenses sans précédent dans l'histoire récente de la Silicon Valley. La question qui se pose désormais pour les investisseurs est celle de la rentabilité : ces entreprises parient que l'IA deviendra un moteur de revenus massif dans les prochaines années, mais les retours sur ces investissements historiques restent encore largement à démontrer.

BusinessActu
1 source
Visa intègre ChatGPT pour permettre aux agents IA d'effectuer des achats en ligne
2363AI News 

Visa intègre ChatGPT pour permettre aux agents IA d'effectuer des achats en ligne

Visa a officiellement connecté son infrastructure de paiement à ChatGPT, permettant désormais aux agents d'intelligence artificielle de sélectionner des produits et de finaliser des transactions commerciales sans aucune intervention humaine. Concrètement, un utilisateur formule une requête d'achat, et l'agent prend en charge l'ensemble du processus : évaluation des catalogues marchands, comparaison des produits, puis règlement financier via le réseau Visa, chez n'importe quel commerçant partenaire. Pour sécuriser l'authentification, Visa a mis en place un système de tokenisation programmatique : l'utilisateur définit en amont des paramètres de dépense, et à chaque achat validé par le modèle, un jeton de paiement à usage unique est généré et transmis directement au backend du marchand via API, en contournant totalement l'interface visuelle. La transaction se règle comme un paiement classique par portefeuille numérique, sans page de navigation, sans saisie manuelle ni vérification CAPTCHA. Ce partenariat marque une rupture profonde avec les intégrations commerciales précédentes, qui confinaient l'IA à des environnements mono-vendeur, c'est-à-dire les chatbots propriétaires d'une seule enseigne. En ouvrant l'accès au web ouvert via un réseau de paiement universel, Visa et OpenAI déplacent le point de décision hors du site marchand. Les équipes marketing conçoivent aujourd'hui leurs campagnes autour de la psychologie humaine, de l'émotion et du merchandising visuel : ces leviers deviennent obsolètes face à un agent qui évalue uniquement les spécifications techniques, les scores agrégés d'avis clients et les structures tarifaires. Les publicités display et les optimisations d'interface n'ont aucun poids dans les critères de sélection du modèle. Les marchands qui ne disposent pas de métadonnées produits structurées et lisibles par les machines risquent tout simplement de devenir invisibles pour ces nouveaux acheteurs automatisés. Cette évolution s'inscrit dans une tendance de fond où les grandes plateformes technologiques cherchent à intégrer des capacités agentiques dans leurs écosystèmes. Le déploiement de Visa avec ChatGPT illustre la convergence entre les grands modèles de langage et les infrastructures financières mondiales, un couplage que l'industrie anticipait mais qui prend ici une forme concrète et opérationnelle. Pour les retailers, les implications sont structurelles : l'optimisation pour les moteurs de recherche doit céder la place à une optimisation pour les modèles de langage, fondée sur des flux de données structurés et des API clairement documentées. Les architectures commerce headless, déjà adoptées par les enseignes les plus avancées techniquement, offrent un avantage immédiat puisqu'elles peuvent traiter la requête d'un agent, vérifier les stocks et exécuter le token de paiement en quelques millisecondes. Les métriques traditionnelles, taux de rebond, durée de session, abandons de panier, perdent leur sens face à des interactions qui se résument à une requête d'API suivie d'un paiement ou d'une déconnexion immédiate.

OutilsOutil
1 source
Google DeepMind s'interroge sur les risques liés aux interactions entre des millions d'agents autonomes
2364MIT Technology Review 

Google DeepMind s'interroge sur les risques liés aux interactions entre des millions d'agents autonomes

Google DeepMind vient d'annoncer la création d'un fonds de 10 millions de dollars destiné à financer la recherche sur les risques liés aux systèmes multi-agents. L'initiative réunit Schmidt Sciences, fondation philanthropique d'Eric et Wendy Schmidt, l'agence britannique ARIA, la Cooperative AI Foundation et Google.org. L'objectif : comprendre ce qui se passe lorsque des millions d'agents IA autonomes commencent à interagir entre eux à grande échelle, un scénario que Rohin Shah, directeur de la recherche sur la sécurité de l'AGI chez Google DeepMind, considère comme une nouvelle catégorie de risque encore largement inexploré. Shah estime qu'il reste encore quelques mois avant que les agents soient déployés en nombre suffisant dans l'économie pour que ces risques deviennent une préoccupation concrète, mais il veut prendre de l'avance. La menace principale n'est pas science-fiction : il s'agit d'une version amplifiée des dangers qui existent déjà sur internet. Les chercheurs s'inquiètent notamment des arnaques automatisées à grande échelle, des injections de prompts malveillantes, où un agent IA reçoit des instructions frauduleuses et se transforme en logiciel malveillant autonome, et d'autres formes de cyberattaques pilotées par des agents. James Fox, qui dirige le programme Science of Trustworthy AI chez Schmidt Sciences, résume l'enjeu ainsi : les "communs numériques" sur lesquels repose le fonctionnement de nos sociétés ne doivent pas basculer dans l'anarchie. Le problème est que le comportement de millions d'agents en interaction simultanée ne peut pas se déduire de l'étude d'agents isolés ou en petits groupes. Les modèles de langage ne se comportent pas toujours de façon rationnelle, et la complexité émerge précisément du volume des interactions. Ce financement s'inscrit dans un contexte où Google DeepMind avait fait des outils agentiques le point central de son Google I/O de mai 2026, et où Anthropic venait tout juste de publier des lignes directrices pour déployer des agents IA selon une approche "zero trust" inspirée de la cybersécurité. Le constat partagé par ces acteurs est qu'il n'existe pas encore de champ de recherche constitué autour de la sécurité multi-agents : "Nous aimerions qu'il en existe un", dit Shah. L'argent vise explicitement à stimuler la recherche académique, seule à même de regarder loin dans le futur sans les contraintes des laboratoires industriels. Certains chercheurs, dont une équipe de Google DeepMind elle-même, avancent que l'intelligence artificielle générale pourrait émerger non d'un modèle unique ultra-puissant, mais d'un réseau d'agents dont les capacités collectives dépasseraient la somme des parties, ce qui rend la question de leur comportement en groupe d'autant plus urgente.

SécuritéActu
1 source
Xebia : pourquoi les agents IA échouent sans un socle de données solide
2365AI News 

Xebia : pourquoi les agents IA échouent sans un socle de données solide

Niels Zeilemaker, directeur technique mondial de Xebia, a exposé lors de l'AI & Big Data Expo une thèse claire : les agents d'intelligence artificielle échouent moins à cause de leur conception que de la qualité des données sur lesquelles ils opèrent. Selon lui, un agent mal alimenté peut interpréter incorrectement des champs de données, en fusionner qui n'auraient jamais dû l'être, et produire des résultats faux, non par défaut propre, mais parce que la fondation de données n'est pas prête. Pour répondre à ce problème, Xebia a développé deux offres distinctes : Xebia Axis (Agentic Data Foundation, ou ADF), qui étend la plateforme de données d'une entreprise pour y héberger des agents et les déployer aussi bien en usage client qu'interne, et Xebia ACE (AI-Native Software Engineering), un cadre qui intègre l'IA dans l'ensemble du cycle de développement logiciel. Ce dernier promet une accélération des livraisons pouvant atteindre 40 % et une réduction des coûts de transformation des systèmes legacy jusqu'à 70 %. L'enjeu central que soulève Zeilemaker touche à la gestion des catalogues de données. Dans une organisation humaine, un catalogue imparfait ne bloque jamais vraiment le travail : on appelle un collègue, on contourne, on clarifie. Les agents, eux, n'ont pas cette souplesse. Ils s'appuient exclusivement sur ce qui est documenté, et si la description d'un jeu de données est erronée ou incomplète, leur performance s'effondre. Cette contrainte change radicalement la manière dont les entreprises doivent envisager leur gouvernance des données avant tout déploiement agentique. Ce n'est plus une question de bonne pratique optionnelle, mais d'un prérequis technique strict qui conditionne le retour sur investissement de tout projet d'IA en production. Xebia positionne cette approche dans un contexte de demande croissante des grandes entreprises pour des migrations accélérées vers des plateformes modernes. Le cabinet constate que ses clients veulent sortir des systèmes legacy plus vite et plus sûrement qu'auparavant, et cherchent des méthodes comprimant un calendrier de 12 a 24 mois en un engagement a périmètre fixe et jalons définis. Xebia dit y parvenir en combinant l'expertise de ses ingénieurs avec des agents spécialisés co-développés avec le client. Le cabinet participait également au TechEx Global North America, où il a présenté cette philosophie de partage de connaissances comme un avantage concurrentiel direct. Zeilemaker cite le "vibe coding" comme illustration d'une tendance plus large : l'IA reconfigure le développement logiciel, et les entreprises qui n'ont pas sécurisé leur fondation de données risquent de construire des capacités agentiques sur du sable.

OutilsActu
1 source
Nous Research lance Hermes Agent Profile Builder : identité, modèle, compétences et serveurs MCP dans un tableau de bord unique
2366MarkTechPost 

Nous Research lance Hermes Agent Profile Builder : identité, modèle, compétences et serveurs MCP dans un tableau de bord unique

Nous Research a publié le Profile Builder pour son agent open source Hermes, une interface graphique intégrée au tableau de bord local du projet accessible depuis un navigateur à l'adresse 127.0.0.1:9119. Jusqu'ici, configurer un agent Hermes demandait plusieurs étapes en ligne de commande : définir une identité, choisir un modèle et un fournisseur, activer des compétences, connecter des serveurs MCP. Le Profile Builder regroupe toutes ces opérations dans un formulaire guidé en cinq étapes. Le premier champ définit le nom et la description de l'agent, le nom servant également d'alias de commande dans le terminal. Viennent ensuite le choix du modèle et du fournisseur parmi Nous Portal, OpenRouter, NVIDIA, OpenAI ou tout endpoint compatible OpenAI, puis l'activation des compétences intégrées, l'installation depuis un catalogue externe via le Skills Hub, et enfin l'ajout de serveurs MCP par URL ou par commande locale. Chaque configuration produit un profil isolé : un répertoire autonome contenant son propre fichier config.yaml, ses variables d'environnement, son fichier de personnalité SOUL.md, sa mémoire, ses sessions, ses tâches planifiées et sa base de données d'état. L'intérêt principal de cette approche est la possibilité de faire tourner plusieurs agents spécialisés sur une même machine sans qu'ils partagent le moindre état. Un agent dédié au code et un agent de veille documentaire restent rigoureusement cloisonnés : mémoire séparée, credentials distincts, verrous sur les tokens pour éviter les conflits d'accès. Concrètement, un développeur peut configurer un assistant de programmation couplé à un modèle de code, un serveur MCP pour le système de fichiers et des compétences Git, pendant qu'un second profil gère une veille automatisée avec des compétences d'extraction web. Le builder abaisse significativement le seuil d'entrée : là où la configuration CLI exigeait de connaître chaque commande dans le bon ordre, le formulaire guide l'utilisateur sans supposer de familiarité avec l'outillage interne. Hermes est l'agent auto-améliorant open source de Nous Research, disponible en CLI, en application desktop et sur des plateformes de messagerie. Les compétences de l'agent reposent sur des fichiers SKILL.md dont seules les descriptions courtes sont chargées par défaut, le contenu complet n'étant consulté qu'en cas de besoin, ce qui évite d'alourdir les requêtes. Les serveurs MCP, conformes au protocole Model Context Protocol, permettent d'exposer des outils externes, qu'il s'agisse de services HTTP distants ou de processus stdio locaux. Le Profile Builder n'écrase pas le CLI, il en reproduit la logique dans une interface plus accessible : les deux chemins écrivent dans les mêmes fichiers de profil. Cette sortie s'inscrit dans une tendance plus large où les projets d'agents open source cherchent à réduire la friction de configuration pour toucher un public plus large que les seuls développeurs familiers de la ligne de commande.

OutilsOutil
1 source
Gemini 3.5 Translate va faire tomber la barrière des langues
2367Le Big Data 

Gemini 3.5 Translate va faire tomber la barrière des langues

Google a dévoilé le 9 juin 2026 Gemini 3.5 Translate, aussi appelé Gemini 3.5 Live Translate, un modèle audio capable de traduire des conversations orales en temps réel dans plus de 70 langues et plus de 2 000 combinaisons linguistiques. Contrairement aux systèmes précédents qui attendaient la fin d'une phrase complète avant de produire une traduction, ce nouveau modèle écoute, traite et restitue le flux audio en continu, avec un décalage de quelques secondes seulement. L'outil est déployé dans Google Traduction sur Android et iOS, dans Google Meet, et accessible aux développeurs via l'API Gemini Live. Google affirme également que le modèle conserve l'intonation, le rythme et la hauteur de voix du locuteur original, ce qui doit rendre la traduction moins mécanique. La technologie intègre aussi SynthID, un filigrane numérique embarqué dans le signal audio pour identifier les contenus générés par IA. La détection automatique des langues évite à l'utilisateur de changer manuellement les réglages lorsqu'un interlocuteur passe d'une langue à une autre. L'enjeu dépasse largement la conversation touristique. Pour les entreprises opérant à l'international, Gemini 3.5 Translate ouvre la possibilité de réunions multilingues sans interprète externe, sans sous-titres approximatifs et sans anglais comme langue pivot imposée. Google Meet bénéficiait déjà d'une traduction partielle, mais le système restait très dépendant de l'anglais comme langue intermédiaire ; le passage à plus de 2 000 paires directes représente un changement d'architecture significatif. Pour les développeurs, l'accès via l'API Gemini Live signifie que cette capacité peut s'intégrer dans des applications de mobilité, des services clients automatisés ou des plateformes de communication, ce qui élargit considérablement l'usage potentiel au-delà des produits Google eux-mêmes. La traduction en temps réel est un problème que l'industrie technologique tente de résoudre depuis des décennies, mais les systèmes actuels peinent encore dans les conditions réelles : bruits ambiants, accents marqués, expressions idiomatiques, locuteurs multiples. Google assure avoir entraîné Gemini 3.5 Translate spécifiquement sur ces scénarios difficiles, mais les démonstrations en conditions contrôlées restent insuffisantes pour valider la promesse. L'intégration de SynthID révèle par ailleurs une tension inhérente à la technologie : un modèle capable de reproduire fidèlement le ton et le rythme d'une voix humaine soulève des questions légitimes sur les usages détournés, notamment la falsification de propos. Microsoft avec Teams, Amazon avec Chime et des acteurs spécialisés comme Interprefy sont déjà positionnés sur ce marché. L'annonce de Google confirme que la traduction vocale en temps réel va devenir une fonctionnalité standard dans les outils de communication professionnels dans les prochains mois.

OutilsOpinion
1 source
Partenariat TCS et Anthropic : 50 000 employés auront accès à Claude
2368Le Big Data 

Partenariat TCS et Anthropic : 50 000 employés auront accès à Claude

Tata Consultancy Services (TCS), géant indien des services informatiques employant plus de 600 000 personnes dans le monde, a annoncé le 11 juin 2026 un partenariat mondial de premier rang avec Anthropic. L'accord prévoit le déploiement d'une licence entreprise Claude auprès de 50 000 collaborateurs du groupe, répartis dans des fonctions stratégiques comme l'ingénierie, la finance, le juridique, le marketing et les ventes. Les deux entreprises iront également conjointement sur le marché avec des solutions d'IA sectorielles ciblant les services financiers, la santé, les sciences de la vie, l'aéronautique, les télécommunications et les technologies médicales. TCS créera pour cela une unité commerciale dédiée, entièrement construite autour des modèles Claude. Parmi les premières applications concrètes, Diligenta, filiale de TCS spécialisée dans l'assurance-vie et les retraites au Royaume-Uni, utilisera Claude pour transformer certains processus métier et améliorer les interactions clients, tandis que Claude Code sera déployé pour accroître la productivité des équipes de développement logiciel. Ce partenariat illustre une mutation profonde dans la façon dont les grandes organisations adoptent l'IA générative : l'heure n'est plus aux expérimentations isolées, mais aux déploiements opérationnels à grande échelle dans des environnements hautement contraints. En ciblant des secteurs comme la banque, l'assurance ou la santé, où les exigences de conformité réglementaire, de sécurité des données et de gouvernance sont parmi les plus strictes au monde, TCS et Anthropic cherchent à démontrer que l'IA peut s'intégrer dans des processus critiques sans compromettre la fiabilité ni la conformité. Pour les 50 000 employés concernés, cela signifie des outils d'assistance directement intégrés dans leurs workflows quotidiens, avec un potentiel de gain de productivité significatif sur des tâches à haute valeur ajoutée. Ce virage vers l'IA d'entreprise à grande échelle s'inscrit dans un contexte où la majorité des organisations mondiales ont lancé des projets pilotes IA depuis 2024 sans parvenir à les industrialiser. Comme le résume K Krithivasan, directeur général de TCS, la valeur réelle de l'IA d'entreprise repose sur la capacité des modèles à comprendre le contexte métier, orchestrer des systèmes complexes et s'intégrer dans des processus existants. Anthropic, qui a levé plusieurs milliards de dollars ces deux dernières années et positionne Claude comme un modèle particulièrement sûr et transparent, accélère ainsi son déploiement dans le B2B via des partenaires intégrateurs de premier plan. TCS rejoint ainsi un écosystème de partenaires stratégiques qui permet à Anthropic de toucher des milliers d'entreprises clientes sans les adresser directement, un modèle de distribution qui rappelle celui qu'ont bâti Microsoft avec OpenAI ou Google avec Gemini dans les grandes organisations mondiales.

BusinessOpinion
1 source
Cohere lance North Mini Code, un modèle MoE open-weight de 30B paramètres (3B actifs) pour le codage par agents autonomes
2369MarkTechPost 

Cohere lance North Mini Code, un modèle MoE open-weight de 30B paramètres (3B actifs) pour le codage par agents autonomes

Cohere a lancé cette semaine North Mini Code, son premier modèle de code destiné aux développeurs. Il s'agit d'un modèle à mixture d'experts (MoE) de 30 milliards de paramètres totaux, dont seulement 3 milliards s'activent à chaque passage, ce qui le rend à la fois compact et performant. Le modèle supporte une fenêtre de contexte de 256 000 tokens avec une génération maximale de 64 000 tokens, et tourne sur un minimum d'un GPU H100 en FP8. Les poids sont publiés sous licence Apache 2.0 sur Hugging Face, et le modèle est également accessible via l'API Cohere, le Model Vault et OpenRouter. Sur les benchmarks, il obtient un score de 33,4 sur l'Artificial Analysis Coding Index, et a été évalué sur SWE-Bench Verified, SWE-Bench Pro, Terminal-Bench v2, SciCode et LiveCodeBench v6, avec trois passes par benchmark pour fiabiliser les résultats. L'intérêt principal de North Mini Code réside dans son efficacité opérationnelle : en tests internes, il atteint un débit de sortie jusqu'à 2,8 fois supérieur à celui de Devstral Small 2, à matériel et concurrence identiques, avec une latence inter-token améliorée de 30 %. Ce profil permet aux équipes de l'héberger elles-mêmes sans infrastructure GPU massive, ce que Cohere appelle l'IA "souveraine". Concrètement, il couvre trois usages principaux : la génération de code, l'ingénierie logicielle agentique (où un agent principal délègue des sous-tâches à des assistants spécialisés), et les tâches terminal comme lancer des builds ou parser des sorties. Il prend également en charge le "thinking" intercalé et l'utilisation native d'outils, ce qui l'inscrit directement dans les architectures multi-agents modernes. Ce lancement s'inscrit dans une tendance de fond : la prolifération des petits modèles spécialisés capables de rivaliser avec des systèmes bien plus lourds sur des tâches précises. L'architecture choisie, un transformer décodeur avec couches MoE parcimonieuses, 128 experts par bloc feed-forward dont 8 activés par token, et une attention mixant sliding-window et globale dans un ratio 3:1, est typique des designs qui optimisent le ratio capacité/coût de calcul. Cohere concurrence directement Mistral (Devstral) et d'autres acteurs du codage agentique open-weight, dans un marché où les entreprises cherchent à conserver la maîtrise de leur infrastructure IA sans sacrifier la puissance. Le fait que North Mini Code soit entraîné en deux phases, fine-tuning supervisé en cascade puis apprentissage par renforcement à récompenses vérifiables (RLVR), reflète la maturité croissante des pipelines post-entraînement pour les tâches d'ingénierie logicielle autonome.

LLMsOpinion
1 source
Minerva mise sur OpenAI et lève 20 millions de dollars pour sa plateforme de marketing IA
2370Le Big Data 

Minerva mise sur OpenAI et lève 20 millions de dollars pour sa plateforme de marketing IA

Minerva, une startup spécialisée dans le marketing IA, a annoncé le 9 juin 2026 son lancement public accompagné d'une levée de fonds de 20 millions de dollars en Série A, menée par 8VC et Lingotto Innovation, avec la participation de The General Partnership, Topology Ventures et NBA Investments. L'entreprise révèle également un partenariat technologique avec OpenAI, s'appuyant notamment sur GPT-5.5 pour alimenter ses agents IA. La plateforme promet aux équipes marketing d'unifier leurs données propriétaires en moins de 24 heures, puis d'automatiser l'analyse, la segmentation client et l'optimisation des campagnes sans intervention manuelle significative. Deux agents ont été co-développés avec OpenAI : l'Agentic Data Engineer, qui génère automatiquement les requêtes SQL et transforme les données en quelques heures contre plusieurs semaines habituellement, et l'Agentic Data Scientist, qui permet à un responsable marketing d'interroger la plateforme en langage naturel pour construire des modèles prédictifs sans expertise en machine learning. L'enjeu concret est de résoudre un problème persistant dans l'industrie : la plupart des grandes marques ont investi massivement dans des CRM, des outils d'analyse et des plateformes publicitaires, sans jamais parvenir à exploiter efficacement leurs données clients, dispersées entre de multiples systèmes. Minerva unifie ces données internes et les enrichit via son propre graphe d'identité couplé à plus de 1 000 attributs consommateurs externes, avant de les rendre directement actionnables par des agents IA. Un responsable marketing peut ainsi demander à la plateforme d'identifier les consommateurs susceptibles de réserver un séjour haut de gamme dans les trente prochains jours, et l'agent construit, valide et déploie le modèle prédictif de façon autonome. Pour les entreprises qui cherchent à raccourcir le cycle entre la donnée brute et la décision marketing, c'est un changement de paradigme opérationnel potentiellement majeur. Le lancement de Minerva s'inscrit dans une accélération plus large des investissements dans l'IA appliquée au marketing, un secteur où plusieurs startups tentent de capter la valeur générée par les modèles de langage avancés. La collaboration avec OpenAI, au-delà de l'accès aux modèles, positionne Minerva comme un partenaire de référence dans l'écosystème, à l'heure où OpenAI cherche à multiplier les intégrations verticales dans des secteurs à forte valeur de données. Les fonds levés seront alloués au renforcement des équipes d'ingénierie, de recherche et de commercialisation, ainsi qu'au développement d'une offre libre-service. L'entreprise prévoit également d'élargir sa présence à de nouveaux secteurs, après avoir jusqu'ici opéré dans un périmètre limité. La question qui se posera à moyen terme est celle de la confiance des marques à confier leurs données propriétaires les plus sensibles à une plateforme tierce, aussi sophistiquée soit-elle.

BusinessActu
1 source
CAMERAMATICS lève 49 millions d’euros : l’IA s’invite derrière le volant des flottes professionnelles
2371FrenchWeb 

CAMERAMATICS lève 49 millions d’euros : l’IA s’invite derrière le volant des flottes professionnelles

CameraMatics, startup irlandaise spécialisée dans la surveillance intelligente des flottes de véhicules professionnels, vient d'annoncer une levée de fonds pouvant atteindre 49 millions d'euros. Ce financement, parmi les plus importants de l'année dans le secteur de la mobilité professionnelle en Europe, permettra à l'entreprise d'accélérer le déploiement de sa plateforme combinant caméras embarquées et intelligence artificielle à destination des transporteurs, logisticiens et opérateurs de flottes lourdes. La solution de CameraMatics analyse en temps réel les flux vidéo issus des véhicules pour détecter des comportements à risque au volant, prévenir les accidents, optimiser la conformité réglementaire et réduire les coûts d'assurance. Pour les gestionnaires de flottes, l'enjeu est concret : les accidents de poids lourds coûtent chaque année des milliards d'euros à l'industrie du transport européen, et les primes d'assurance pèsent lourdement sur les marges. Une IA capable d'alerter en temps réel sur la fatigue du conducteur ou un freinage brutal représente une réduction directe de ce risque. Cette levée s'inscrit dans une tendance plus large : après avoir conquis les métiers du savoir, l'IA s'attaque désormais aux opérations physiques des entreprises. Le secteur de la flotte connectée attire de plus en plus d'investisseurs, face à la pression réglementaire européenne sur la sécurité routière et la décarbonation du transport de marchandises. CameraMatics entre ainsi en concurrence avec des acteurs comme Lytx ou Samsara, bien implantés aux États-Unis mais encore peu présents sur le marché européen.

BusinessOpinion
1 source
Apple détaille ses cinq nouveaux modèles d’IA et admet à demi-mot ses ratés
2372Next INpact 

Apple détaille ses cinq nouveaux modèles d’IA et admet à demi-mot ses ratés

À l'occasion de la WWDC 2026, Apple a présenté la troisième génération de ses modèles d'IA maison, les Apple Foundation Models (AFM 3), qui alimenteront Apple Intelligence sous iOS 27 et les autres systèmes d'exploitation en version 27. La famille compte cinq modèles distincts : deux fonctionnent directement sur l'appareil, AFM 3 Core (3 milliards de paramètres) et AFM 3 Core Advanced (20 milliards de paramètres, mais n'en activant dynamiquement qu'1 à 4 milliards selon les requêtes), et trois dans le cloud, AFM 3 Cloud pour les tâches courantes, ADM 3 Cloud pour la génération et l'édition d'images, et AFM 3 Cloud Pro pour le raisonnement complexe et les outils agentiques. Ce dernier tourne sur des serveurs NVIDIA hébergés dans Google Cloud, une infrastructure étendue au système Private Cloud Compute d'Apple. Les modèles reposent sur une base Gemini de Google, conformément à l'accord conclu entre les deux entreprises en janvier 2026. Pour profiter du modèle local le plus puissant, il faut un iPhone Air, un iPhone 17 Pro, un Mac M3 ou un iPad M4 avec au moins 12 Go de RAM, l'iPhone 17 standard, limité à 8 Go, est exclu. Cette annonce est importante à plusieurs égards. Sur le plan technique, la méthode d'activation dynamique des paramètres d'AFM 3 Core Advanced est une innovation notable : elle permet à Apple de faire tourner un modèle de 20 milliards de paramètres en puisant dans la mémoire flash plutôt que dans la RAM, contournant ainsi les limites physiques des appareils mobiles. Concrètement, cela se traduit par un Siri plus expressif, des voix personnalisables et une dictée vocale améliorée. Mais au-delà des performances annoncées, l'aveu implicite d'Apple est révélateur : en ne comparant plus ses nouveaux modèles aux benchmarks sectoriels standardisés utilisés l'an dernier face à GPT-4o ou Gemma, la firme de Cupertino semble reconnaître discrètement que la génération précédente était en deçà des attentes, ce que le retard du nouveau Siri et les critiques répétées autour d'Apple Intelligence avaient déjà largement signalé. Cette troisième génération d'AFM s'inscrit dans un contexte de rattrapage accéléré pour Apple, qui accuse un retard structurel sur ses rivaux en matière d'IA générative. L'accord avec Google pour baser ses modèles sur Gemini, combiné à l'utilisation de GPU NVIDIA dans le cloud, marque une dépendance rare pour une entreprise qui a bâti son identité sur la maîtrise totale de sa chaîne technologique, du silicium au logiciel. Apple se retrouve ainsi tributaire de deux de ses principaux concurrents stratégiques. La question qui se pose désormais est celle de la durabilité de ce positionnement : soit Apple accélère le développement de ses propres modèles fondamentaux, soit elle consolide ces partenariats, au risque de perdre encore davantage de souveraineté sur la couche IA, qui deviendra centrale dans tous ses produits.

LLMsOpinion
1 source
Pourquoi l'IA qui fonctionne en laboratoire échoue souvent en production, et comment y remédier
2373VentureBeat AI 

Pourquoi l'IA qui fonctionne en laboratoire échoue souvent en production, et comment y remédier

La majorité des entreprises ne manquent pas d'ambition pour expérimenter l'intelligence artificielle, elles échouent à la faire fonctionner en conditions réelles. C'est le constat que dresse un responsable de l'organisation AI Foundations de Capital One, la grande banque américaine, dans une tribune publiée mi-2026. Selon lui, la vraie rupture ne se situe pas dans l'adoption des derniers modèles, mais dans le passage du prototype prometteur au système fiable à l'échelle de production. Les environnements d'entreprise restent complexes, fragmentés et averse au risque, ce qui suffit à faire dérailler la plupart des initiatives dès qu'elles quittent le laboratoire. La réponse de Capital One passe par une intégration délibérée de la recherche fondamentale et du développement appliqué au sein d'une même organisation. Plutôt que de laisser la recherche académique déconnectée des contraintes opérationnelles, latence réelle, données de production, besoins métier concrets, la banque impose une boucle de feedback permanente entre chercheurs et équipes terrain. Cette approche a notamment permis de combiner des architectures multi-agents pour que des agents IA spécialisés coordonnent des tâches distinctes en parallèle, comme analyser le contexte client et préparer de la documentation simultanément. Le résultat concret : Chat Concierge, un service d'achat automobile qui ne se contente pas de répondre à des questions mais prend des actions au nom du client, simulant un raisonnement humain. La banque cite également des avancées en détection de fraude, personnalisation et expériences digitales. Sur le plan méthodologique, l'article distingue trois étapes que les organisations doivent traiter comme de véritables filtres, non comme des formalités. Une preuve de concept doit produire un signal objectif mesurable, pas une présentation de ce qu'on "pourrait" faire. Un pilote dont l'échec est impossible n'est pas un pilote : il doit élargir le périmètre et tester si la solution aide réellement un humain à travailler mieux. Enfin, la mise en production est décrite comme un sport collectif qui dépasse la seule résolution du problème algorithmique. Ce cadre, défendu par Capital One dans un contexte de forte pression à montrer des retours sur investissement concrets en IA, reflète une tendance plus large dans l'industrie financière : après des années d'expérimentation, les grandes institutions cherchent à industrialiser leurs capacités IA en posant des processus de validation rigoureux plutôt qu'en multipliant les démos spectaculaires.

OutilsOpinion
1 source
Claude Fable 5 : vous pouvez maintenant le tester sur Perplexity Computer
2374Le Big Data 

Claude Fable 5 : vous pouvez maintenant le tester sur Perplexity Computer

Anthropic a rendu Claude Fable 5 accessible au public via Perplexity Computer le 10 juin 2026, marquant la première disponibilité grand public du projet Mythos. Ce modèle est présenté par Anthropic comme son système le plus avancé pour les tâches longues et complexes. Contrairement aux modèles conversationnels classiques, Claude Fable 5 est conçu comme un orchestrateur : il peut enchaîner plusieurs étapes successives, maintenir le contexte sur une période prolongée et piloter des workflows entiers sans perdre l'objectif de vue. L'accès reste pour l'instant limité aux abonnés Perplexity Pro et Max, les utilisateurs gratuits étant exclus du dispositif à ce stade. Cette intégration représente une rupture avec la logique du simple chatbot. Jusqu'ici, les meilleurs modèles excellaient dans les échanges rapides et ponctuels, mais peinent à coordonner des missions multi-étapes sur la durée. Claude Fable 5 vise précisément ce point de friction : en agissant comme un agent capable d'enchaîner des actions plutôt que d'attendre chaque prompt, il rapproche l'expérience de celle d'un assistant opérationnel autonome. Pour les professionnels qui utilisent l'IA dans des processus complexes, comme la recherche multi-sources, la gestion de projets ou l'automatisation de tâches répétitives, cela ouvre des usages concrètement différents de ce qu'offrent aujourd'hui les assistants standards. La restriction aux abonnés payants reflète le coût réel de ces traitements longs, qui mobilisent des ressources informatiques et énergétiques bien plus importantes qu'une simple génération de texte. Perplexity, connu jusqu'ici pour son moteur de recherche augmenté par l'IA, se positionne ainsi comme plateforme d'accueil pour les modèles d'orchestration de pointe, en concurrence directe avec des interfaces comme Claude.ai ou ChatGPT. De son côté, Anthropic accélère sa stratégie de distribution en s'appuyant sur des partenaires tiers pour élargir la portée de ses modèles au-delà de son propre écosystème. Le projet Mythos, dont Fable 5 est la première expression publique, traduit l'ambition d'Anthropic de s'imposer non plus seulement dans la génération de contenu mais dans l'exécution autonome de tâches complexes, un segment où OpenAI avec ses Operators et Google avec Gemini livrent une bataille de plus en plus visible. La vraie question reste entière : ces modèles orchestrateurs tiendront-ils leurs promesses dans des conditions réelles, ou répèteront-ils les déceptions déjà observées avec les premières générations d'agents IA ?

LLMsOpinion
1 source
☕️ Microsoft bloque Claude Fable 5 en interne à cause de la rétention des données
2375Next INpact 

☕️ Microsoft bloque Claude Fable 5 en interne à cause de la rétention des données

Microsoft a intégré Claude Fable 5 d'Anthropic à GitHub Copilot et à sa plateforme Azure Foundry pour le développement d'applications IA, mais a bloqué l'accès au modèle pour ses propres employés dans les versions internes de ces outils. La raison : une politique de rétention des données incompatible avec les exigences internes de l'éditeur. Anthropic conserve en effet les requêtes et les réponses générées par Fable 5 pendant 30 jours, une durée qui peut s'étendre à deux ans en cas de suspicion d'usage malveillant. Ce délai existe parce que Fable 5 repose sur la même architecture que Mythos, le modèle à capacités avancées d'Anthropic, même s'il en est une version bridée : toute question touchant à la cybersécurité, la biologie, la chimie ou la distillation de modèles IA est automatiquement redirigée vers Opus 4.8, plus restreint. Pour les utilisateurs individuels de Claude.ai ou de l'application mobile, cette rétention de 30 jours est déjà la norme et ne change rien. En revanche, pour les entreprises qui accèdent à Claude via la console professionnelle, Amazon Bedrock, Google Cloud Agent ou Foundry avec le mode Zero Data Retention activé, c'est une rupture nette. Ce mode, proposé par Anthropic à certains clients enterprise, garantissait jusqu'ici qu'aucune donnée n'était conservée après traitement. Fable 5 ne supporte plus cette garantie, ce qui expose potentiellement des données sensibles, des informations confidentielles ou des propriétés intellectuelles aux conditions de rétention d'Anthropic. L'équipe juridique de Microsoft évalue actuellement les implications de ce changement, sans calendrier de résolution annoncé. Le cas illustre une tension structurelle croissante dans l'adoption des LLM de pointe par les grandes entreprises : plus les modèles sont puissants et soumis à des exigences de surveillance réglementaire, plus les conditions d'utilisation deviennent contraignantes pour les clients professionnels. D'autres organisations utilisant Fable 5 via ces mêmes canaux pourraient se retrouver dans la même situation que Microsoft, ce qui pourrait freiner l'adoption enterprise du modèle malgré ses performances.

LLMsOpinion
1 source
34 000 comptes Instagram piratés avec l’aide du robot IA d’assistance de Meta
2376Next INpact 

34 000 comptes Instagram piratés avec l’aide du robot IA d’assistance de Meta

Un robot d'assistance propulsé par intelligence artificielle, déployé par Meta en mars dernier pour gérer les comptes Instagram, a permis à des pirates de compromettre environ 34 000 comptes, dont celui de la Maison Blanche sous l'administration Obama et celui d'un responsable militaire américain. L'information, révélée début juin par le New York Times sur la base de documents internes, détaille l'ampleur réelle de la brèche : 20 000 comptes ont été entièrement compromis, exposant adresses email, numéros de téléphone et dates de naissance ; plus de 3 500 ont subi un détournement de leur nom d'utilisateur. La méthode employée par les attaquants reposait sur une technique d'injection de prompts : munis d'un VPN pour simuler la localisation de leur victime, ils manipulaient le chatbot afin qu'il déclenche lui-même la procédure de récupération de compte, modifiant l'email associé ou réinitialisant le mot de passe. L'incident met en lumière les risques concrets liés à l'intégration précipitée de l'IA dans des fonctions critiques de sécurité. Confier à un agent conversationnel des opérations aussi sensibles que la gestion des identifiants de milliards d'utilisateurs, sans vérifications serveur robustes, expose des données personnelles à grande échelle. Meta reconnaît d'ailleurs ne pas être en mesure de déterminer précisément quelles informations ont été consultées ou exfiltrées, ce qui représente un aveu d'opacité particulièrement problématique. Le porte-parole de l'entreprise a tenté de minimiser la responsabilité du robot en attribuant la faille à des « vérifications internes côté serveur » défaillantes plutôt qu'à l'agent IA lui-même, une distinction que les victimes trouveront probablement peu convaincante. La faille a depuis été corrigée, mais l'agent reste opérationnel, Meta se contentant de suspendre une expérimentation spécifique liée à la réinitialisation de mot de passe. Le calendrier est particulièrement mal choisi pour le groupe : la semaine même où cet incident s'étalait dans la presse, Meta présentait un nouveau service destiné aux entreprises pour gérer prises de rendez-vous et transactions via des chatbots IA. Cette course au déploiement intervient alors que Meta investit des dizaines de milliards de dollars dans ses infrastructures IA et multiplie les intégrations sans toujours en mesurer les implications sécuritaires. L'incident s'inscrit dans un débat plus large sur la fiabilité des agents IA autonomes confrontés à des adversaires déterminés, un vecteur d'attaque que la communauté de la sécurité informatique signale depuis les premières heures de l'ère des grands modèles de langage.

SécuritéActu
1 source
Anthropic supplie Donald Trump de réguler l’IA (la raison va vous terrifier)
2377Le Big Data 

Anthropic supplie Donald Trump de réguler l’IA (la raison va vous terrifier)

Le 10 juin 2026, Dario Amodei, PDG d'Anthropic, a publié un essai intitulé "Politique face à l'essor exponentiel de l'IA" dans lequel il appelle les gouvernements à se doter du pouvoir de bloquer ou de freiner les systèmes d'IA les plus dangereux. L'entreprise américaine, cofondatrice du modèle Claude, propose deux cadres réglementaires distincts : le premier porte sur la sécurité des systèmes d'IA avancés, avec des sanctions pour les entreprises non-conformes ; le second traite des conséquences économiques de l'automatisation, en préconisant une assurance-salaire et des programmes d'aide sociale financés par les revenus générés par l'IA. Anthropic identifie quatre catégories de risques majeurs : la conception d'agents pathogènes assistée par IA, l'exploitation de vulnérabilités cybersécuritaires contre des infrastructures critiques comme les hôpitaux ou les réseaux énergétiques, la perte de contrôle sur des systèmes autonomes difficiles à superviser une fois déployés, et la recherche automatisée en IA, c'est-à-dire des systèmes capables de contribuer eux-mêmes au développement de nouvelles IA. Pour Amodei, la réglementation actuelle n'est tout simplement plus en mesure de suivre le rythme des avancées technologiques. La proposition concrète d'Anthropic est d'imposer des évaluations approfondies avant toute mise sur le marché des modèles les plus performants, accompagnées de documents détaillant les capacités du système, les mesures de sécurité et les risques identifiés en phase de test. Ces évaluations devraient ensuite être examinées par des experts indépendants chargés de vérifier la qualité des tests et d'évaluer objectivement les dangers. L'entreprise juge que la transparence seule ne suffit plus : il faut des garde-fous institutionnels contraignants. Ce cadre concerne en priorité les labs développant les modèles frontier, ceux dont les capacités progressent le plus rapidement et dont l'impact potentiel sur la sécurité nationale ou la santé publique est le plus élevé. La démarche d'Anthropic s'inscrit dans un contexte de course mondiale à l'IA où les géants technologiques américains, OpenAI, Google DeepMind, Meta et Anthropic en tête, investissent des centaines de milliards de dollars pour dominer le secteur. Paradoxalement, ce sont souvent ces mêmes entreprises qui poussent le plus fort à la fois l'accélération technologique et la régulation, conscientes que seule une gouvernance publique solide peut légitimer leur déploiement à grande échelle et leur éviter une réputation de secteur incontrôlable. L'appel d'Amodei à l'administration Trump, peu réputée pour son enthousiasme réglementaire, est donc politiquement risqué mais stratégiquement calculé : sans cadre clair, c'est tout le secteur qui reste exposé à des accidents potentiellement catastrophiques et à une réaction législative brutale post-incident.

RégulationReglementation
1 source
IA incarnée en évolution : Embodied-R1.5 améliore l'intelligence physique grâce aux modèles fondation
2378arXiv cs.RO 

IA incarnée en évolution : Embodied-R1.5 améliore l'intelligence physique grâce aux modèles fondation

Une équipe de chercheurs a publié sur arXiv Embodied-R1.5, un modèle de fondation incarné (EFM pour Embodied Foundation Model) de 8 milliards de paramètres intégrant cognition incarnée, planification, auto-correction et pointage d'affordances dans une architecture unifiée, entraîné sur un corpus dépassant 15 milliards de tokens construit via trois pipelines automatisés. Le cadre Planner-Grounder-Corrector (PGC) en boucle fermée permet l'exécution autonome et l'auto-correction sur des tâches longues, soutenu par une recette d'apprentissage par renforcement multi-tâches équilibré pour atténuer les conflits entre sous-domaines hétérogènes. Sur les benchmarks standardisés, Embodied-R1.5 atteint l'état de l'art sur 16 des 24 benchmarks de VLM incarnés, devançant Gemini-Robotics-ER-1.5 de Google DeepMind et GPT-5.4 d'OpenAI. Adapté en VLA (Vision-Language-Action) avec peu de données de fine-tuning, il surpasse pi-0.5 de Physical Intelligence sur quatre suites de benchmarks de manipulation. Des tests zero-shot sur robot réel valident les performances en suivi d'instructions, ancrage d'affordances, manipulation d'objets articulés et tâches longues, les poids, le code d'entraînement et EmbodiedEvalKit, un framework d'évaluation dédié, étant publiés en open source. Qu'un modèle de 8 milliards de paramètres surpasse des systèmes adossés aux ressources de Google et d'OpenAI est un signal notable pour les intégrateurs industriels, car la compacité ouvre la voie à un déploiement embarqué sur plateformes contraintes. L'auto-correction en boucle fermée du PGC répond directement au demo-to-reality gap qui freine la commercialisation des robots polyvalents, tandis que la capacité à fine-tuner en VLA avec peu de données cible le goulot d'étranglement central de la collecte de données de manipulation étiquetées. L'open source complet facilite la comparaison reproductible et devrait accélérer les itérations communautaires, à condition que les performances zero-shot annoncées soient confirmées dans des configurations adversariales que le papier ne documente pas. Embodied-R1.5 s'inscrit dans la vague des modèles de fondation robotiques généraux densifiée depuis RT-2 de Google et OpenVLA, avec pour concurrents directs Physical Intelligence (pi-0, pi-0.5) et Google DeepMind (Gemini Robotics). L'absence d'acteurs européens parmi les concurrents benchmarkés reflète le retard du continent, où des acteurs comme Wandercraft ou Enchanted Tools restent cantonnés à des niches spécialisées. L'approche open source total distingue ce travail des modèles propriétaires de Figure AI (Figure 03) ou de 1X Technologies, positionnant potentiellement Embodied-R1.5 comme base de référence pour les laboratoires et industriels souhaitant spécialiser un EFM sur leurs propres flux de manipulation.

RobotiqueOpinion
1 source
Apprendre quoi dire à son modèle VLA : un guidage presque inoffensif
2379arXiv cs.RO 

Apprendre quoi dire à son modèle VLA : un guidage presque inoffensif

Des chercheurs publient sur arXiv (2606.12299, juin 2026) une méthode pour rendre les VLA (Vision-Language-Action) plus robustes aux variations de formulation en langage naturel. Le problème documenté est précis : des instructions sémantiquement proches induisent des comportements radicalement différents chez un robot piloté par VLA, et certaines capacités restent inaccessibles via le prompting standard. L'approche proposée, la "language feedback policy" (LFP), recherche interactivement des formulations optimales en boucle fermée, les distille en une politique de feedback activée au moment du test, puis utilise la prédiction conforme pour bloquer toute intervention susceptible de dégrader les performances hors distribution. Les résultats annoncés sont significatifs : +24,7 % de succès en simulation et +65,0 % sur matériel réel, sans fine-tuning du modèle sous-jacent ni accès aux données d'entraînement d'origine. Ce gain de 65 % sur robot physique est notable, même si les auteurs ne précisent pas les tâches ou les manipulateurs testés, ce qui rend la comparaison directe avec d'autres travaux difficile. L'absence totale de réentraînement constitue l'apport pratique le plus clair : les intégrateurs peuvent superposer cette couche sur n'importe quel VLA pré-entraîné gelé (Pi-0, GR00T N2, Helix, OpenVLA) sans toucher aux pipelines existants. La garantie de "harmlessness" via prédiction conforme est une contribution méthodologique rigoureuse : l'intervention est bloquée dès que la LFP risque de faire pire que l'instruction originale, critère essentiel pour un déploiement industriel où la fiabilité prime sur la performance brute. Ce travail s'inscrit dans un contexte de déploiements VLA accélérés : Physical Intelligence a commercialisé Pi-0, NVIDIA a publié GR00T N2, Figure déploie Helix en production chez BMW à Spartanburg. En Europe, Wandercraft intègre des architectures de contrôle apprenant pour la rééducation, et Enchanted Tools teste des interactions langage-robot sur son humanoïde Miroka. Tous ces systèmes partagent la même fragilité au prompt que l'ingénierie manuelle ne résout pas systématiquement. Ce travail propose une couche d'adaptation automatique complémentaire aux approches de fine-tuning comme RLHF ou DPO appliqués aux VLA. Les suites naturelles seraient une évaluation sur des benchmarks standardisés tels que LIBERO ou OpenX-Embodiment, et un test sur des VLA propriétaires à architecture fermée.

RobotiqueOpinion
1 source
World Pilot : piloter les modèles VLA avec des a priori monde-action
2380arXiv cs.RO 

World Pilot : piloter les modèles VLA avec des a priori monde-action

Une équipe de chercheurs a publié World Pilot (arXiv:2606.12403, juin 2026), un framework conçu pour combler une lacune structurelle des modèles Vision-Language-Action (VLA). Ces modèles, comme Pi-0 de Physical Intelligence ou RT-2 de Google Robotics, tirent leur force d'un préentraînement sur de vastes corpus image-texte, mais ce préentraînement s'appuie sur des paires statiques, alors que la manipulation robotique est un processus continu et riche en contacts dont la dynamique leur échappe. World Pilot introduit un World-Action Model (WAM) qui injecte deux types de priors dans la chaîne de décision : le Latent Steering conditionne la couche de perception sur un latent d'évolution de scène, et l'Action Steering fournit une trajectoire anticipée comme prior de mouvement au générateur d'actions. Sur le benchmark LIBERO-Plus en configuration zero-shot out-of-distribution (OOD), le système atteint 84,7 % de taux de succès global et affiche les meilleurs résultats sur quatre tâches de manipulation en environnement réel, avec des marges significatives lors de variations de point de vue, de géométrie d'objets, d'état déformable et de pose. L'intérêt principal de cette approche est de renforcer la robustesse des VLA face aux écarts de distribution sans réentraînement massif. Fait notable : le prior d'évolution de scène reste efficace même lorsqu'il provient d'un world model préentraîné sur vidéo uniquement, sans post-entraînement sur des données d'action, ce qui rend l'augmentation de VLA existants nettement plus accessible. Pour les équipes de déploiement industriel, cela signifie potentiellement moins de données de fine-tuning pour adapter un modèle à un contexte visuel inédit. Le benchmark zero-shot OOD reste l'un des indicateurs les plus exigeants du domaine, là où la majorité des politiques robotiques s'effondrent dès qu'elles sortent de leur distribution d'entraînement. World Pilot s'inscrit dans un courant actif qui vise à doter les politiques robotiques d'un modèle interne du monde, une direction explorée par DeepMind avec DreamerV3 et par Meta via l'architecture JEPA de Yann LeCun. Les VLA ont démontré des capacités de généralisation sémantique prometteuses, mais leur fragilité face aux variations physiques de l'environnement constituait un frein structurel au déploiement industriel. La question ouverte est de savoir si les marges observées sur LIBERO-Plus se maintiendront sur des benchmarks plus larges comme Open-X-Embodiment et sur des plateformes commerciales telles que les bras Franka Robotics ou Universal Robots, étapes nécessaires pour valider la portée industrielle de l'approche.

RechercheOpinion
1 source