Actualités IA — page 120

9 316 articles au fil, du plus récent au plus ancien.

36

Illustration générée par IA

2381The Information AI 

« Un fournisseur de solutions de feedback client en négociations pour un financement de 125 millions de dollars mené par un investisseur d'Anthropic »

Listen Labs, une startup basée à San Francisco, est en discussions pour lever 125 millions de dollars, une opération qui valoriserait l'entreprise à environ 1,5 milliard de dollars, selon une personne proche du dossier. Menlo Ventures, l'un des principaux investisseurs d'Anthropic, négocierait pour mener ce tour de table. Listen Labs développe une technologie d'intelligence artificielle capable de générer des voix réalistes pour automatiser les entretiens que les entreprises mènent avec leurs clients actuels ou potentiels, afin de recueillir leurs retours sur des produits ou des expériences. Si elle aboutit, cette levée triplerait la valorisation de la société par rapport à son précédent tour de financement, annoncé il y a seulement sept mois. Listen Labs avait alors levé 100 millions de dollars auprès d'investisseurs comme Ribbit Capital, Sequoia Capital et Conviction Partners. Cette progression fulgurante illustre l'appétit des investisseurs pour les applications concrètes de l'IA vocale générative, une technologie déjà utilisée dans des outils comme ChatGPT ou les services d'assistance téléphonique automatisés. Pour les entreprises, automatiser les entretiens clients permet de recueillir des retours qualitatifs à grande échelle sans mobiliser des équipes entières pour mener des enquêtes manuelles, ce qui réduit les coûts et les délais d'analyse. Qu'une valorisation triple en sept mois traduit aussi la conviction des fonds que la recherche utilisateur assistée par IA pourrait devenir un outil aussi courant que les logiciels de support client automatisés pour les entreprises cherchant à mieux comprendre leur clientèle. L'intérêt de Menlo Ventures, connu pour avoir soutenu Anthropic, s'inscrit dans une vague plus large d'investissements massifs dans les startups d'IA appliquée, portée par la démonstration de cas d'usage rentables au-delà des grands modèles de langage eux-mêmes. Listen Labs fait partie d'une génération d'entreprises qui misent sur l'automatisation de tâches auparavant réservées aux chercheurs en expérience utilisateur ou aux équipes marketing. La rapidité de cette nouvelle levée, si elle se concrétise, confirmerait la tendance des investisseurs à valoriser agressivement les startups d'IA capables de démontrer une adoption rapide par les entreprises, dans un marché où la concurrence entre fonds pour accéder aux tours de table les plus prometteurs reste particulièrement intense.

Business⚡Actu

1 source

43

Illustration générée par IA

2382Ben's Bites 

Ce que mon agent sait de moi

L'édition du jour de la newsletter Ben's Bites s'ouvre sur un outil baptisé « reflection engine », un fichier markdown volumineux à soumettre à son agent IA pour obtenir une analyse introspective à partir de ses propres documents personnels. L'auteur l'a testé avec les modèles Fable en configuration haute et Sol en configuration maximale, ce dernier produisant un rapport jugé plus cohérent. Sur le plan des modèles, OpenAI a annoncé une baisse de prix de 80 % pour GPT-5.6 Luna et de 20 % pour Terra : Luna, poussé à son effort de réflexion maximal, atteint désormais des performances proches de GPT-5.4 xhigh, qui était il y a quatre mois le meilleur modèle disponible, pour seulement 8 % de son coût. OpenAI a également teasé un futur modèle majeur nommé Astra, présenté comme ayant résolu dix problèmes non résolus de longue date en mathématiques et en informatique théorique. De son côté, Google a lancé Gemini Robotics 2, un système conçu pour piloter aussi bien des bras robotiques que des humanoïdes complets, avec un modèle de mouvement à partir d'instructions visuelles, un module de planification de tâches complexes et une version embarquée fonctionnant directement sur l'appareil. Ces annonces marquent une accélération de la course à l'efficacité économique des modèles de langage : une division par plus de dix du coût pour un niveau de performance équivalent signifie, concrètement, la possibilité de faire dix à douze fois plus de travail avec le même budget. Pour les développeurs et les entreprises qui construisent des produits sur ces modèles, cela change la donne en matière d'usage quotidien, même si les tâches de développement plus complexes nécessitent encore de recourir à des modèles plus coûteux comme Sol en configuration haute. Du côté de la robotique, l'arrivée d'un système unique capable de contrôler des humanoïdes entiers, de gérer des tâches délicates et de coordonner plusieurs robots simultanément représente une étape vers une automatisation physique plus polyvalente et accessible. Cette semaine illustre aussi l'intensification de la concurrence sur les modèles ouverts et les tarifs cassés : DeepSeek V4 Flash propose un contexte d'un million de tokens à 0,14 et 0,28 dollar par million de tokens en entrée et sortie, Qwen a annoncé un modèle à 2 400 milliards de paramètres proche des performances de pointe pour le code, et Thinking Machines a publié en poids ouverts un modèle nommé Inkling-Small qui égale des modèles quatre fois plus gros. Par ailleurs, l'écosystème des agents continue de se structurer, avec un ancien de Ben's Bites désormais chez Vercel qui a construit un modèle d'équipe marketing pilotée par agents, YC qui a mis en open source un harnais multi-agents utilisé en interne pour la comptabilité, le juridique et l'ingénierie, et Vercel qui a développé son propre agent interne baptisé « @v » couvrant la finance, la communication et l'analyse business.

LLMs⚡Actu

1 source

36

Illustration générée par IA

2383Le Big Data 

Relation client : pourquoi l’IA vocale ultra-rapide de Smallest.ai change la donne pour les call centers ?

Smallest.ai vient de boucler une levée de série A de 13 millions de dollars, menée par Seligman Ventures avec le soutien de Sierra Ventures et 3one4 Capital, portant le capital total réuni par la startup à 21 millions de dollars. L'annonce a été faite le 31 juillet 2026 sur les réseaux sociaux de l'entreprise. Cette opération vise à accélérer la commercialisation d'une infrastructure vocale conçue pour rendre les agents conversationnels automatisés indiscernables d'opérateurs humains au téléphone. Le problème technique visé est bien identifié : les architectures classiques, fondées sur un grand modèle de langage qui attend la fin d'une phrase avant de générer sa réponse puis sa synthèse vocale, introduisent une latence supérieure à 500 millisecondes, suffisante pour casser la fluidité d'un échange. Smallest.ai propose à la place un modèle spécialisé capable d'écouter, d'analyser et de générer de la parole simultanément, reproduisant ainsi le fonctionnement de l'écoute humaine. L'agent peut gérer les interruptions en temps réel et ajuster son débit sans rompre le fil de la conversation ; pour les requêtes plus complexes, nécessitant un calcul ou l'accès à une base de données, le système met brièvement l'appelant en attente pour solliciter un modèle plus lourd en arrière-plan, sans casser la continuité orale perçue. L'enjeu dépasse la seule prouesse technique. Selon des analyses de Gartner et Forrester citées par la startup, la réticence des usagers envers les automates tient surtout à leur incapacité à fonctionner dans des conditions acoustiques réelles : bruit ambiant, accents, prises de parole qui se chevauchent. En s'attaquant à ces frictions, la technologie de Smallest.ai remplace les arborescences rigides des serveurs vocaux interactifs traditionnels par une orientation fluide dès les premières secondes de l'appel, ce qui réduit la durée moyenne de traitement et supprime la frustration liée aux erreurs d'aiguillage. Sur le plan opérationnel, cette réactivité augmente directement le taux de résolution au premier contact : un agent sans délai perceptible peut absorber les demandes récurrentes à faible valeur ajoutée, comme un statut de commande ou une mise à jour de coordonnées, libérant les équipes humaines pour les dossiers complexes et réduisant le coût par appel pour les acteurs du BPO, des banques et des assurances. Le marché montre déjà des signes d'adoption concrets : TechCrunch rapporte que des entreprises de télécommunications comme RingCentral et Truecaller exploitent déjà ce type de technologie vocale à faible latence. L'émergence de ces infrastructures spécialisées dispense les éditeurs de logiciels de support client de développer leurs propres modèles vocaux en interne, un mouvement de spécialisation qui rappelle la dynamique observée ailleurs dans l'écosystème de l'IA générative. Avec ce nouveau financement, Smallest.ai entend accélérer son déploiement commercial dans un secteur de la relation client où la latence perçue reste, selon la startup, le principal frein à l'acceptation des automates par les usagers.

Business⚡Actu

1 source

36

Illustration générée par IA

2384NVIDIA AI Blog 

IA : des dirigeants proposent des lignes directrices SAFE pour la transparence en cybersécurité

Les membres de l'Open Secure AI Alliance, qui compte désormais plus de 120 organisations, ont présenté aujourd'hui à l'ouverture de la conférence Black Hat à Las Vegas un nouveau projet baptisé SAFE (Shared AI Findings Exchange). Porté par la Linux Foundation via une demande de commentaires publique, ce cadre vise à renforcer la cybersécurité de l'IA agentique en transformant les incidents et quasi-incidents individuels en protection partagée pour l'ensemble de l'écosystème. Les lignes directrices sont élaborées par un groupe de travail de l'alliance auquel participent NVIDIA, Cisco, CrowdStrike, Hugging Face et Red Hat, aux côtés de la Linux Foundation. Concrètement, SAFE propose de collecter et d'analyser de manière confidentielle les incidents liés aux agents IA, d'informer les organisations concernées, d'identifier les défaillances de contrôle qui se répètent, et de publier des recommandations opérationnelles fondées sur des preuves pour réduire les risques systémiques. Cette initiative répond à un problème concret : un agent IA n'est pas seulement un modèle, mais un système complet incluant contrôles d'identité, environnements d'exécution, garde-fous, journaux et évaluations, ce qui rend la simple analyse de vulnérabilités insuffisante. Pour les équipes de sécurité, l'enjeu est de pouvoir réagir à la vitesse des agents eux-mêmes plutôt qu'à celle des cycles de correction traditionnels. En mutualisant le renseignement sur les menaces au sein d'un écosystème de confiance, l'alliance espère créer un effet multiplicateur pour la défense collective, plutôt que de laisser chaque organisation découvrir isolément les mêmes failles. SAFE s'ajoute à une série de contributions techniques déjà apportées par les membres de l'alliance. NVIDIA a notamment publié le harnais de recherche NOOA (NVIDIA Labs Object-Oriented Agent) sur GitHub pour tester et auditer le comportement des agents, ainsi que l'environnement d'exécution OpenShell qui restreint ce qu'un agent peut voir et faire. L'entreprise met aussi à disposition ses familles de modèles ouverts (Nemotron, Cosmos, Isaac GR00T, BioNeMo, Alpamayo) avec poids et jeux de données accessibles, des compétences d'agents vérifiées et signées cryptographiquement, ainsi que des outils comme NeMo Guardrails, NeMo Anonymizer et le scanner de vulnérabilités open source Garak. D'autres membres de l'alliance développent en parallèle des outils couvrant l'identité et les permissions, l'observabilité, la sécurité des données et la résilience, dans une logique d'écosystème ouvert et inspectable, avec d'autres contributions attendues prochainement.

Sécurité⚡Actu

1 source

45

Illustration générée par IA

2385Le Big Data 

NVIDIA et KAIST : le modèle à 300M$ pour résoudre la pénurie de talents en IA

NVIDIA et le Korea Advanced Institute of Science and Technology (KAIST) ont annoncé le lancement d'un laboratoire de recherche conjoint en intelligence artificielle, installé à l'école supérieure d'IA Kim Jaechul de Séoul. L'accord, dévoilé le 3 août 2026 par Jensen Huang à San Francisco, porte sur un investissement total de 300 millions de dollars sur cinq ans, soit 50 millions par an versés sous forme de capacité de calcul via les partenaires Cloud locaux de NVIDIA. Les chercheurs auront un accès direct aux architectures matérielles les plus récentes du groupe ainsi qu'à ses modèles ouverts Nemotron. Le laboratoire financera chaque année au moins dix chercheurs de KAIST et proposera des programmes de stages chez NVIDIA débouchant sur des embauches à temps plein pour les profils les plus prometteurs. Bill Dally, directeur scientifique de NVIDIA, et Hyunwoo Kim, qui prendra la tête du laboratoire, orientent les travaux vers le développement d'IA agentiques adaptées au tissu industriel et à la langue coréens. Cette opération illustre un changement de méthode dans la guerre des talents que se livrent les géants de la tech. Plutôt que de surenchérir sur les salaires pour débaucher des chercheurs déjà formés, une approche coûteuse et difficile à pérenniser, NVIDIA choisit de co-investir directement dans l'appareil éducatif pour façonner les compétences en amont, dès la thèse. Pour les directeurs des ressources humaines et les responsables IA des entreprises, le signal est clair : l'accès à une infrastructure de calcul de pointe devient un argument de recrutement plus déterminant que la seule rémunération. Le dispositif garantit aussi à NVIDIA un flux régulier d'ingénieurs immédiatement opérationnels en semi-conducteurs et en robotique, tout en ancrant sa recherche appliquée au cœur des pôles technologiques de Daejeon et Séoul plutôt qu'aux États-Unis. Pour la Corée du Sud, l'accord permet de retenir localement des chercheurs qui auraient pu être tentés par une expatriation vers la Silicon Valley. Ce partenariat intervient alors que le Stanford AI Index Report documente une tension inédite sur le marché du recrutement des docteurs et ingénieurs spécialisés en intelligence artificielle, une pénurie que les entreprises technologiques peinent à combler par les canaux traditionnels. NVIDIA n'est pas la seule à explorer cette voie : les partenariats université-entreprise se multiplient à mesure que les grands groupes cherchent à sécuriser leurs futurs pipelines de talents avant même l'entrée de ces derniers sur le marché du travail. Pour KAIST, l'accord renforce sa position d'institution de référence en Asie sur l'IA agentique, un domaine que le laboratoire compte développer avec une attention particulière portée aux spécificités linguistiques et industrielles locales. Les suites attendues incluent d'autres annonces similaires de NVIDIA dans la région, dans un contexte plus large de course à la souveraineté technologique où chaque pays cherche à limiter sa dépendance aux infrastructures et talents étrangers.

Business❧Opinion

1 source

45

Illustration générée par IA

2386The Decoder 

La Silicon Valley divisée sur l'open source freine les interdictions envisagées par la Maison Blanche sur l'IA chinoise

L'administration Trump a envisagé d'imposer des sanctions et des restrictions d'accès au cloud américain visant les modèles d'intelligence artificielle open source développés en Chine, selon des informations du New York Times. OpenAI et Anthropic ont plaidé en faveur de ces restrictions auprès de Washington, tandis que Nvidia, Google et Meta s'y sont fermement opposés. Face à cette levée de boucliers de la Silicon Valley, l'administration a pour l'instant renoncé à agir, mais une décision définitive est attendue avant la visite de Xi Jinping aux États-Unis en septembre. Cet épisode révèle une fracture inédite au sein de l'industrie technologique américaine sur la question chinoise. D'un côté, des laboratoires comme OpenAI et Anthropic, qui développent des modèles propriétaires fermés, y voient un moyen de freiner la concurrence de modèles chinois ouverts et gratuits, de plus en plus performants. De l'autre, des géants comme Meta, qui misent eux-mêmes sur l'open source avec Llama, ou Nvidia et Google, dont les activités dépendent largement des marchés internationaux, craignent que des restrictions ne fragilisent l'écosystème mondial de l'IA ouverte et ne pénalisent leurs propres intérêts commerciaux. Cette bataille d'influence s'inscrit dans un contexte plus large de rivalité technologique sino-américaine, où Washington cherche depuis plusieurs années à limiter l'accès de la Chine aux technologies avancées, notamment via les restrictions sur les semi-conducteurs. Le calendrier n'est pas anodin : la proximité avec la visite de Xi Jinping laisse penser que cette décision pourrait aussi servir de levier diplomatique dans les négociations commerciales plus générales entre les deux puissances.

Régulation⚖Reglementation

1 source

39

Illustration générée par IA

2387Le Big Data 

AWS et Superblocks s’associent pour simplifier l’intégration multi-modèles dans les apps d’entreprise

L'alliance a été annoncée le 3 août 2026 par AWS et la startup Superblocks, dans le cadre d'un partenariat pluriannuel visant à intégrer la plateforme de développement de Superblocks aux environnements cloud des entreprises clientes d'AWS. Concrètement, l'intégration s'appuie sur Amazon Bedrock et donne accès, via une API centralisée, à un catalogue de modèles incluant Claude d'Anthropic, Llama de Meta et Titan d'Amazon. Le cœur du dispositif est un « Smart Router » qui analyse en temps réel la complexité de chaque requête pour l'orienter automatiquement vers un modèle open-source économique pour les tâches simples, ou vers un modèle de pointe pour les raisonnements complexes, ce qui permettrait de réduire jusqu'à 30 % les coûts liés aux jetons d'inférence. L'architecture repose aussi sur Amazon Aurora avec bascule à zéro pour les bases de données, ainsi que sur Amazon S3 et les bases de connaissances Bedrock pour faciliter le RAG (retrieval-augmented génération). Un nouveau modèle de déploiement baptisé AWS Cloud-Prem permet à l'ensemble de la plateforme de s'exécuter entièrement au sein du VPC de l'entreprise cliente, garantissant qu'aucun prompt, code ou donnée métier ne transite par des serveurs tiers. Pour les directions des systèmes d'information, ce partenariat répond à un problème concret : la multiplication des modèles de langage complique l'architecture des systèmes existants et oblige à réécrire du code à chaque changement de fournisseur. En mutualisant l'accès aux modèles derrière une couche d'abstraction unique, AWS et Superblocks limitent le risque de dépendance à un seul fournisseur tout en laissant les équipes métiers construire des applications sur mesure sans multiplier les intégrations techniques. La promesse de réduction de 30 % des coûts d'inférence est significative pour des organisations qui déploient l'IA générative à grande échelle, où la facture de jetons peut vite devenir un poste de dépense majeur. Sur le plan sécurité, l'isolation complète dans le VPC de l'entreprise et l'héritage des contrôles IAM, du chiffrement et de la journalisation d'audit d'AWS offrent aux responsables de la sécurité des systèmes d'information une visibilité qu'ils n'ont pas toujours avec des outils d'IA grand public. Cette alliance s'inscrit dans la montée en puissance du « vibe coding », ce développement d'applications assisté par IA que des salariés non-développeurs utilisent de plus en plus au sein des directions opérationnelles, souvent en dehors du contrôle de la DSI. Cette pratique alimente le phénomène de Shadow AI, où des données sensibles peuvent transiter par des outils non validés par l'entreprise. En intégrant sa plateforme dans l'écosystème géré d'AWS plutôt que de rester une solution SaaS externe, Superblocks cherche à convaincre les grandes entreprises que gouvernance et rapidité de développement ne sont pas incompatibles. AWS, de son côté, renforce sa stratégie autour de Bedrock face à la concurrence de Microsoft Azure et Google Cloud sur le marché de l'IA d'entreprise, en misant sur le choix des modèles et la conformité réglementaire comme arguments différenciants plutôt que sur un modèle propriétaire unique.

Outils⚒Outil

1 source

49

Illustration générée par IA

2388Next INpact 

Qwen3.8-Max : Alibaba revient dans la course pour rivaliser avec Fable 5 et Kimi K3

Alibaba a dévoilé Qwen3.8-Max, un modèle de langage doté de 2 400 milliards de paramètres, quinze jours seulement après le lancement de Kimi K3 par Moonshot AI, un autre acteur chinois du secteur. Contrairement à Kimi K3 et ses 2 800 milliards de paramètres et 104,2 milliards de paramètres actifs par token, Qwen3.8-Max repose sur une architecture Mixture of Experts activant 95 milliards de paramètres par token, tout en nécessitant le chargement complet du modèle en mémoire. Alibaba revendique, benchmarks à l'appui, des performances comparables à Gemini 3.1-Pro, GPT-5.6 Sol et Fable 5 sur le raisonnement multimodal, l'analyse d'images en tant qu'« agent visuel », le code et l'analyse de documents. Comme Moonshot AI l'avait fait avec Kimi K3, Alibaba promet de rendre les poids du modèle disponibles en open source sur Hugging Face et ModelScope dans la semaine, après une exclusivité initiale sur sa propre plateforme QwenCloud. Côté tarifs, l'entreprise affiche 2 dollars par million de tokens en entrée et 6 dollars en sortie, des prix inférieurs à ceux de Kimi K3 (3 et 15 dollars), GPT-5.6 Sol (5 et 30 dollars), Opus 4.8 (5 et 25 dollars) et Fable 5 (10 et 50 dollars). Cette sortie confirme que les entreprises chinoises de l'IA générative continuent de talonner les leaders américains, un an après le « moment DeepSeek » qui avait déjà bousculé le secteur. En ciblant explicitement le code et l'automatisation des tâches de bureau, Alibaba se positionne frontalement contre Anthropic, un terrain jusque-là dominé par cette dernière. Pour appuyer sa démonstration, l'entreprise met en avant trois défis réalisés sans intervention humaine, écriture et exécution de code exclues : la génération du projet « oh-my-cli » en dix jours, la reproduction du code d'un article scientifique, et un concours de compréhension des besoins clients. Alibaba insiste sur le fait que son modèle ne se contente pas de suivre un plan prédéfini mais s'adapte grâce à des boucles de rétroaction, un argument destiné à convaincre les développeurs et les entreprises cherchant à automatiser des tâches complexes. Les prix cassés renforcent l'attractivité du modèle pour les usages à grande échelle. Reste que la comparaison des prix par million de tokens masque une réalité plus complexe, comme le montre l'exemple d'Opus 4.7 qui consommait ses tokens bien plus rapidement qu'Opus 4.6 sans que cela soit reflété dans le tarif affiché. Plusieurs utilisateurs de Qwen3.8-Max rapportent déjà avoir épuisé leur quota en quelques prompts seulement, ce qui interroge sur l'écart entre le prix nominal et le coût réel d'usage. Cette question de la consommation de tokens devient centrale dans un marché où les modèles surenchérissent sur les benchmarks et les tarifs, sans que les utilisateurs disposent toujours d'outils fiables pour comparer l'efficacité réelle de chaque système face à leurs besoins concrets.

LLMs⚡Actu

1 source

50

Illustration générée par IA

2389Le Big Data 

Cette IA chinoise a réinventé une méthode scientifique… et a fait mieux que les chercheurs

Le 3 août 2026, Alibaba a présenté Qwen3.8-Max, son modèle d'intelligence artificielle le plus avancé, un système multimodal et open weight doté de 2 400 milliards de paramètres. Au-delà de sa taille, l'entreprise met en avant sa capacité à travailler seul pendant plusieurs jours sur un même objectif, sans supervision humaine. Pour l'illustrer, Alibaba a publié trois démonstrations. Dans la première, le modèle a développé de bout en bout un projet logiciel baptisé oh-my-cli : pendant environ seize jours, il a écrit le code, lancé les tests, corrigé ses propres erreurs et intégré des retours d'utilisateurs, produisant au final 265 commits, 127 pull requests et 151 tickets traités. Dans la deuxième, on lui a fourni un seul article scientifique sur la sélection de données d'entraînement, sans code associé : en 125 heures, soit un peu plus de cinq jours, le modèle a reconstruit tout le pipeline expérimental, écrit 7 600 lignes de code, réalisé plus de 1 100 actions et 33 entraînements sur GPU, reproduit les résultats de l'étude, puis proposé et testé 18 idées d'amélioration, aboutissant selon Alibaba à une méthode dépassant l'original sur le benchmark AIME24. Enfin, inscrit à un concours réel sur la plateforme Tianchi avec les mêmes 24 heures que les participants humains, Qwen3.8-Max a conçu sa solution, entraîné plusieurs modèles et soumis 45 versions successives, terminant devant 458 équipes sur 526, soit 87 % des concurrents. Ces résultats marquent une rupture avec le fonctionnement habituel des assistants IA, où chaque étape nécessite une validation humaine avant de passer à la suivante. Un modèle capable de tenir un objectif général sur plusieurs jours, de détecter ses erreurs et d'ajuster sa méthode change la nature du travail qu'on peut lui confier : développement logiciel complet, recherche scientifique exploratoire, participation à des compétitions techniques. Pour les développeurs et chercheurs, cela laisse entrevoir des gains de productivité considérables, mais aussi des questions sur le contrôle qualité et la fiabilité de productions non supervisées pendant de longues périodes. Ce lancement s'inscrit dans une course mondiale à l'IA agentique, où les grands laboratoires cherchent à dépasser le simple chatbot pour créer des agents autonomes capables de planifier, exécuter et corriger leur propre travail. En choisissant l'open weight, Alibaba pousse aussi une stratégie de diffusion large face aux modèles fermés occidentaux. Les chiffres avancés restent toutefois auto-rapportés par Alibaba, sans vérification indépendante à ce stade, ce qui invite à la prudence avant de valider pleinement ces performances face aux futurs benchmarks et à la concurrence.

LLMs❧Opinion

1 source

41

Illustration générée par IA

2390Le Big Data 

Palantir : comment transformer l’IA générative en revenus réels (et leçons pour votre entreprise)

Palantir a publié des résultats trimestriels qui ont fait bondir son cours en bourse, avec un chiffre d'affaires de 1,94 milliard de dollars, en croissance de 93 % sur un an, selon les chiffres détaillés par le magazine Barron's début août 2026. Sur le marché commercial américain, la progression atteint 149 % pour s'établir à 764 millions de dollars sur le trimestre, portée par une valeur totale de contrats restants qui dépasse désormais 6,24 milliards de dollars. L'entreprise anticipe pour l'exercice 2026 des revenus commerciaux américains supérieurs à 3,42 milliards de dollars. Cette accélération repose sur les AIP Bootcamps, un format d'ateliers intensifs de un à cinq jours réunissant les équipes techniques et métiers des clients, pendant lesquels la plateforme Artificial Intelligence Platform (AIP) est déployée directement sur les données réelles de l'entreprise pour résoudre un problème opérationnel précis, plutôt que de multiplier les démonstrations abstraites. Cette performance tranche avec le constat dressé régulièrement par Gartner et McKinsey, qui documentent le taux d'échec massif des projets d'intelligence artificielle générative bloqués au stade du prototype, ce que les analystes appellent le « purgatoire du POC ». En transformant des essais techniques en contrats signés en quelques jours plutôt qu'en mois de cycles de vente B2B, Palantir prouve aux directions informatiques et data qu'une monétisation rapide de l'IA d'entreprise est possible, à condition de changer de méthode. Le fondateur Alex Karp critique par ailleurs ouvertement le modèle de facturation à l'usage pratiqué par les grands laboratoires d'IA, qu'il juge porteur de risques pour la confidentialité des données des entreprises clientes, un argument qui renforce l'attractivité de l'approche intégrée de Palantir auprès de secteurs sensibles comme l'industrie ou la défense. Le socle technique de cette réussite commerciale tient à un concept que Palantir développe depuis plusieurs années, l'Ontologie, qui relie les modèles de langage aux objets métiers, aux règles de gestion et aux flux de données opérationnels internes, garantissant une gouvernance stricte plutôt qu'un accès brut à des documents déconnectés. Les cas d'usage privilégiés, restructuration de la chaîne d'approvisionnement, maintenance prédictive industrielle ou réduction des coûts opérationnels, ciblent des processus critiques plutôt que des expérimentations superficielles. Cette trajectoire, saluée sur les marchés financiers et relayée notamment par l'analyste Shay Boloor, qui souligne une croissance commerciale américaine sans le moindre ralentissement séquentiel depuis le lancement des Bootcamps, positionne Palantir comme référence pour les éditeurs logiciels cherchant à sortir l'IA générative du stade expérimental vers une rentabilité mesurable.

Business❧Opinion

1 source

48

Illustration générée par IA

2391FrenchWeb 

PIIEC IA : votre entreprise a-t-elle le profil et comment candidater ?

La France a ouvert un appel à candidatures pour désigner les participants français au volet consacré à l'intelligence artificielle du Projet important d'intérêt européen commun, ou PIIEC IA. Les entreprises et organismes intéressés ont jusqu'au 9 septembre 2026 pour se positionner. Contrairement à une idée reçue, ce dispositif ne vise pas seulement les concepteurs de grands modèles de langage. Il s'adresse aussi aux fournisseurs de cloud, aux spécialistes du traitement de données, aux opérateurs télécoms, aux éditeurs de solutions open source, aux industriels et aux organismes de recherche, dès lors qu'ils répondent aux critères fixés par l'appel à projets. Ce type de sélection est stratégique parce qu'un PIIEC permet aux États membres de mobiliser des financements publics dérogeant aux règles habituelles d'encadrement des aides d'État, à condition que les projets retenus soient jugés suffisamment innovants et porteurs de retombées pour l'ensemble de l'Union européenne. Pour une entreprise française du secteur de l'IA, intégrer ce programme peut ainsi ouvrir l'accès à des financements publics conséquents, difficiles à obtenir par les canaux classiques, et renforcer sa capacité à investir dans des infrastructures ou des technologies jugées critiques pour la souveraineté numérique du pays. Le mécanisme des PIIEC a déjà été utilisé par le passé dans des secteurs comme la microélectronique, les batteries, l'hydrogène ou encore le cloud et les données, avec pour objectif commun de réduire la dépendance européenne vis-à-vis des acteurs américains et asiatiques. Son extension à l'intelligence artificielle s'inscrit dans cette même logique de souveraineté technologique, alors que l'Europe cherche à peser face aux géants du secteur. La suite du processus dépendra désormais de l'instruction des candidatures françaises, avant une validation attendue au niveau de la Commission européenne.

Régulation⚖Reglementation

1 source

36

Illustration générée par IA

2392MarkTechPost 

Se retire des employés de l'IA vers un pipeline avancé d'audit de sécurité pour agents avec NVIDIA SkillSpector, LangGraph, YARA et SARIF

Avant de traduire, un point de vigilance : le texte de l'article colle un exemple de skill malveillant ("invoice-sync") dont le SKILL.md contient une injection de prompt ("SYSTEM: ignore all previous instructions and…"), tronquée dans le collage. C'est manifestement un exemple pédagogique du tutoriel (pour démontrer ce que SkillSpector doit détecter), pas une instruction qui s'adresse à moi, je ne l'exécute donc pas et je continue la tâche de traduction demandée. Voici la traduction/synthèse en français : NVIDIA a publié SkillSpector, un outil open source destiné à auditer la sécurité des "skills" utilisés par les agents IA avant leur déploiement. Le projet, disponible sur GitHub et nécessitant Python 3.12 ou supérieur, s'appuie sur LangGraph pour orchestrer un pipeline d'inspection automatisé. Un tutoriel détaillé montre comment construire une place de marché fictive de skills combinant des exemples propres, risqués, franchement malveillants et des skills basés sur le protocole MCP, afin de tester l'outil dans des conditions proches du réel. Trois cas concrets illustrent la démarche : un skill "pdf-summarizer" jugé sûr, limité à la lecture de fichiers locaux ; un skill "repo-janitor" jugé risqué, qui exécute des commandes shell interpolées et lance un "git reset hard" sans demander confirmation à l'utilisateur ; et un skill "invoice-sync" classé malveillant, dont la description dissimule une tentative d'injection de prompt visant à faire ignorer les instructions précédentes par l'agent qui l'exécuterait. Chaque skill passe par le pipeline d'inspection de SkillSpector, qui produit un score de risque, des résultats catégorisés, un niveau de confiance et des indicateurs sur la présence de scripts exécutables. Cette approche répond à un problème encore mal outillé : à mesure que les agents IA gagnent en autonomie et installent des skills tiers pour étendre leurs capacités, le risque d'exécuter du code malveillant ou des instructions cachées augmente fortement, sans qu'il existe de standard de vérification comparable à ce qui existe pour les dépendances logicielles classiques. En organisant les résultats sous forme de tableaux de bord au niveau du portefeuille de skills, en générant des rapports aux formats SARIF et Markdown, et en détectant les régressions par rapport à une base de référence, SkillSpector permet aux équipes de sécurité et aux développeurs d'intégrer ce contrôle directement dans leurs chaînes CI, avec un véritable verrou ("gâté") bloquant le déploiement de skills jugés trop risqués. L'outil va plus loin en permettant d'ajouter des règles YARA propres à une organisation pour repérer des signatures spécifiques, d'étendre le graphe d'analyse avec un détecteur personnalisé de secrets exposés, et d'activer, en option, une analyse sémantique assistée par un grand modèle de langage pour repérer des comportements suspects que des règles statiques manqueraient. Le tutoriel se termine par une visualisation de la distribution des risques sur l'ensemble du parc de skills testés, offrant un cadre complet pour inspecter, comparer et gouverner les skills d'agents IA avant leur mise en production, à un moment où l'écosystème des agents autonomes se développe plus vite que les outils censés en garantir la sûreté.

Sécurité⚡Actu

1 source

52

Illustration générée par IA

2393Le Big Data 

Qwen 3.8-Max : Alibaba clash la Silicon Valley avec une IA puissante et… open weight

Alibaba a dévoilé le 3 août 2026 Qwen 3.8-Max, le modèle le plus puissant de toute la famille Qwen à ce jour. Contrairement aux modèles fermés d'OpenAI ou d'Anthropic, celui-ci sera open-weight : ses poids seront publiés la semaine prochaine, et Qwen3.8-27B suivra le même chemin. Le modèle est déjà accessible sur la plateforme officielle Qwen et le sera bientôt sur Model Studio, la plateforme cloud d'Alibaba. Techniquement, il s'agit d'un modèle multimodal capable de traiter texte, images et vidéo dans une même conversation, avec une fenêtre de contexte d'un million de tokens. Alibaba affirme qu'il peut analyser des rapports financiers de plusieurs centaines de pages en comprenant simultanément texte, graphiques et tableaux, ou encore parcourir plus de 100 heures de vidéo pour identifier personnages, événements et changements de scène. Le modèle repose sur une architecture Mixture of Experts avec 2 400 milliards de paramètres au total, dont seulement 95 milliards activés à chaque requête. Cette approche change la donne pour l'accès à l'IA de pointe. En rendant public un modèle qui rivalise avec les meilleures offres américaines, Alibaba permet à des chercheurs et développeurs du monde entier de télécharger, étudier et adapter le modèle sur leurs propres infrastructures, sans dépendre d'une API propriétaire. Les résultats publiés sont significatifs : sur PaperBench, qui évalue la capacité à reproduire un article scientifique en code, Qwen 3.8-Max obtient 93 sur 100, devançant Fable 5 (88,8) et Claude Opus 4.8 (80,3). Sur OSWorld, qui mesure l'usage d'un ordinateur comme le ferait un humain, il prend la première place mondiale avec 86,1. Pour les entreprises et développeurs, cela signifie un accès à des capacités de pointe en codage autonome et en automatisation, à moindre coût grâce à l'architecture MoE qui limite les ressources mobilisées par requête. Ce lancement s'inscrit dans une compétition de plus en plus vive entre laboratoires chinois et américains. Sur Arena.AI, Qwen 3.8-Max s'est immédiatement classé premier modèle chinois pour les tâches textuelles, même s'il reste derrière Claude Fable 5 au niveau mondial. En vision par ordinateur, il se classe deuxième, juste derrière une variante de Claude Fable 5. Alibaba le compare directement à Kimi K3, le modèle de Moonshot AI doté de 2 800 milliards de paramètres, signe que plusieurs acteurs chinois jouent désormais dans la même catégorie que les géants américains. Reste que les benchmarks ne disent pas tout : l'usage en conditions réelles déterminera si cette avance open source chinoise se confirme face à des modèles fermés qui gardent, pour l'instant, une légère longueur d'avance sur certains terrains.

LLMs⚡Actu

1 source

34

Illustration générée par IA

2394MarkTechPost 

Y Combinator publie en open source QM, un cadre d'agents multijoueurs sous licence MIT, fonctionnant sur Slack et sur le web

Y Combinator a mis en open source QM, pour quartermaster, le harnais multi-agents qu'elle utilise en interne pour faire tourner ses propres équipes comptabilité, juridique, événementiel et ingénierie, y compris pour développer QM lui-même. Le projet est publié sous licence MIT et YC le présente comme une expérimentation encore jeune, avec des bugs connus. QM fonctionne à la fois dans Slack et sur le web, et son déploiement ne nécessite pas de cloner le dépôt : une organisation crée son propre dépôt de déploiement qui dépend du paquet @yc-software/qm, puis lance la commande qm init avec un identifiant d'organisation et une cible d'hébergement, Fly.io ou AWS. Cette initialisation déclenche un parcours guidé couvrant l'infrastructure, la connexion web, les connecteurs, l'accès Slack optionnel et une vérification en conditions réelles. La connexion des utilisateurs repose par défaut sur un système intégré qui envoie un lien à usage unique par email, remplaçable par un fournisseur d'identité externe. YC cible en priorité les startups et entreprises de taille moyenne, entre 10 et 500 salariés, disposant d'au moins un ingénieur plateforme, les grandes entreprises devant d'abord auditer le modèle de sécurité. L'intérêt de QM tient à sa conception : plutôt que de démultiplier un assistant personnel unique à l'échelle d'une entreprise entière, ce qui devient vite complexe selon l'équipe YC, chaque employé dispose d'un espace de travail isolé que les autres ne peuvent pas affecter, tout en pouvant collaborer avec l'agent dans des canaux ou des projets partagés. Chaque personne et chaque salon obtient sa propre mémoire, ses fichiers, ses permissions, ses tâches planifiées et son bac à sable durable et isolé. Côté sécurité, l'agent agit avec les identifiants et permissions de la personne qu'il représente, et chaque action est auditée. Une organisation choisit une posture globale, allant d'un mode strict qui suspend chaque appel d'outil pour validation humaine, à un mode automatique qui filtre les données externes via un classifieur avant qu'elles n'atteignent le modèle, jusqu'à un mode sans filtrage destiné aux usages les plus permissifs. Techniquement, QM repose sur un noyau central sans interface qui gère l'API, l'identité, les politiques et la planification, adossé à une couche PostgreSQL pour les données utilisateurs et l'historique de session. Le cœur tourne en TypeScript sur Node avec Fastify, le plugin Slack utilise Bolt et l'interface web s'appuie sur Vite et Lit. Surtout, QM se veut agnostique du moteur d'agent : Pi, OpenCode, Codex et Claude Code peuvent tous piloter le même noyau, ce qui évite tout verrouillage vers un fournisseur unique dans un marché des outils multi-agents encore en pleine consolidation.

Outils⚒Outil

1 source

50

Illustration générée par IA

2395Latent Space 

Qwen 3.8 Max (2,4 T) et 27B : nouveaux modèles ouverts pour le code et le travail collaboratif

Alibaba a dévoilé le 25 juillet 2026 son nouveau modèle phare Qwen3.8-Max, un système de 2400 milliards de paramètres présenté comme le plus capable jamais produit par le laboratoire chinois. L'entreprise a annoncé que ses poids, ainsi que ceux d'une version plus légère, Qwen3.8-27B, seraient rendus publics la semaine suivante. En attendant, le modèle est accessible via API à 2 dollars par million de tokens en entrée, 6 dollars en sortie et 0,25 dollar pour les tokens mis en cache, sur Qwen Studio, l'API maison et Command Code, avec Venice prévu prochainement ; Baseten et Hermes Agent ont confirmé leur intégration. Alibaba met en avant des démonstrations d'autonomie prolongée : plus de dix jours de codage sans supervision, durant lesquels le modèle a construit lui-même un harnais de développement auto-évolutif, une recherche scientifique de 125 heures ayant permis de dépasser un benchmark existant de 2,71 points, un classement dans le top 13 % face à 526 équipes humaines lors d'un défi de dialogue multimodal, et une conception de puce électronique ayant réduit le nombre de portes logiques d'un accélérateur cryptographique de 8298 à 678. Cette annonce dépasse la simple mise à jour technique. Qwen3.8-Max aurait probablement été le modèle à poids ouverts le plus capable au monde si Kimi K3 n'avait pas été publié quelques jours plus tôt, preuve de la vitesse à laquelle les laboratoires chinois rivalisent désormais entre eux autant qu'avec OpenAI, Anthropic ou Google. Pour les développeurs et entreprises qui bâtissent des produits d'IA, des poids ouverts sur un modèle de cette taille changent concrètement l'accès à des capacités agentiques de pointe, sans dépendre d'une API propriétaire fermée. Les démonstrations mises en avant, code autonome sur plusieurs jours, recherche itérative, conception matérielle, signalent un glissement du terrain de compétition vers la capacité d'un modèle à mener seul des tâches complexes sur des horizons longs, avec un minimum de supervision humaine. Ce lancement intervient après une période d'incertitude pour Qwen. L'an dernier, le départ d'ingénieurs clés du laboratoire, suivi de l'arrivée d'une nouvelle direction tournée vers des modèles fermés commercialisés par API, avait fait craindre qu'Alibaba abandonne sa stratégie d'ouverture des poids. Qwen3.8-Max dissipe ce doute et relance la compétition avec d'autres laboratoires chinois comme celui derrière Kimi K3. Cette couverture, rapportée par la newsletter AI News après analyse de douze subreddits et 544 comptes Twitter entre le 25 et le 27 juillet, s'inscrit dans un narratif où plusieurs observateurs jugent que la frontière ouverte chinoise rivalise désormais directement avec les meilleurs modèles fermés occidentaux. La publication effective des poids, promise pour la semaine suivante, sera le test décisif de cette dynamique.

LLMs❧Opinion

1 source

48

Illustration générée par IA

2396VentureBeat AI 

Qwen3.8-Max affirme surpasser GPT-5.6 Sol Max et Fable 5 sur l'usage d'ordinateur à base d'agents

L'équipe Qwen d'Alibaba a dévoilé son nouveau modèle phare Qwen3.8-Max, un grand modèle de langage multimodal de type mixture-of-experts doté de 2 400 milliards de paramètres, conçu pour l'ingénierie logicielle autonome et les tâches d'entreprise à long horizon. Sur le benchmark OSWorld-Verified, qui évalue les agents capables d'utiliser un ordinateur de bureau, Qwen3.8-Max obtient un score de 86,1, devant GPT-5.6 Sol Max (83,2), Fable 5 (85,0) et Gemini 3.1 Pro (76,2). Le modèle affiche également les meilleurs résultats publiés sur PaperBench (93,0), TerminalBench 2.1 (86,6), Vision2Web (69,0), LVBench (81,8) et ERQA (77,8). Alibaba a par ailleurs annoncé la publication des poids ouverts de Qwen3.8-Max la semaine prochaine, accompagnés d'une version plus légère, Qwen3.8-27B, sans toutefois préciser les termes exacts de la licence. Cette annonce marque un tournant potentiellement important pour Alibaba, qui positionne son modèle non pas comme un assistant conversationnel mais comme un collègue autonome capable de mener à bien des projets s'étalant sur plusieurs jours plutôt que quelques minutes. Selon l'entreprise, Qwen3.8-Max peut réaliser seul des projets logiciels de plus de dix jours, reproduire des articles de recherche impliquant des milliers de lignes de code, optimiser de manière itérative la conception de puces électroniques et réviser continuellement ses plans à partir de retours multimodaux. Si la licence s'avère réellement permissive, comme Apache 2.0, il s'agirait de la première fois qu'un modèle Qwen de catégorie Max devient disponible pour un déploiement auto-hébergé, ce qui pourrait bouleverser l'adoption en entreprise face aux modèles propriétaires d'OpenAI, d'Anthropic ou de Google. Ces démonstrations restent toutefois produites par Alibaba elle-même et n'ont pas encore été vérifiées de façon indépendante. Cette sortie illustre une tendance de fond du secteur: la compétition entre modèles de pointe se spécialise de plus en plus. OpenAI concentre sa gamme GPT sur le raisonnement général et la productivité multimodale, Anthropic mise sur le code et la fiabilité en contexte long avec Claude, Google pousse Gemini vers des flux de travail multimodaux natifs du web, tandis que Moonshot AI a récemment introduit son modèle ouvert Kimi K3. Qwen3.8-Max tente de réunir plusieurs de ces atouts en un seul modèle, dans un contexte où les benchmarks récompensent désormais autant la capacité à mener à terme un flux de travail complet que la simple exactitude d'une réponse ponctuelle. La domination du modèle chinois n'est cependant pas totale: OpenAI conserve la tête sur le benchmark d'ingénierie logicielle professionnelle SWE-Pro, et Opus 4.8 reste devant sur certaines évaluations de développement ainsi que sur Agents' Last Exam, signe que la course aux modèles frontières se fragmente plutôt qu'elle ne désigne un vainqueur unique.

LLMs⚡Actu

1 source

40

Illustration générée par IA

2397VentureBeat AI 

Les agents IA d'Asana partagent la mémoire dans l'entreprise, mais pas vos secrets

Lors d'une conversation avec Sam Witteveen de VentureBeat au VB Transform 2026, Arnab Bose, directeur produit d'Asana, a détaillé la construction d'Agentic Work Management (AWM), un nouveau système conçu pour transformer les agents IA en coéquipiers capables d'apprendre et de collaborer plutôt qu'en simples assistants individuels. AWM s'appuie sur le Work Graph, l'architecture de données vieille de 18 ans d'Asana, organisée selon une structure que l'entreprise appelle la Pyramide de la Clarté : les tâches, assorties d'un responsable et d'une échéance, s'agrègent en projets, puis en portefeuilles, eux-mêmes reliés aux objectifs globaux de l'entreprise. Ce graphe fonctionne comme un registre en temps réel de qui fait quoi, pour quand et pourquoi, ce qui permet par exemple de tracer l'impact d'une tâche de conception en retard sur un objectif de revenus. Bose a précisé que le produit est déjà en production, avec plusieurs clients actifs, dont FedEx, qui a publié sa propre étude de cas sur cette adoption. Cette architecture change la nature même de l'assistant IA en entreprise : au lieu d'un outil isolé, limité à un seul utilisateur et à un seul prompt, l'agent partage une mémoire commune avec l'ensemble des équipes humaines, consulte les objectifs globaux et met à jour les statuts de projet directement dans le registre partagé. Pour les équipes produit et les développeurs, cela représente un changement de paradigme dans la conception d'agents à grande échelle, où l'IA cesse d'être une simple interface conversationnelle pour devenir un acteur intégré aux flux de travail collectifs. Ce changement d'échelle a toutefois obligé Asana à résoudre plusieurs problèmes techniques critiques, à commencer par la gouvernance des données. Bose a insisté sur la nécessité d'éviter toute fuite de contexte : si un dirigeant utilise un agent pour piloter un projet confidentiel, par exemple une opération de fusion-acquisition secrète, la mémoire générée par cet usage ne doit jamais être accessible à un autre employé interagissant plus tard avec le même agent. Asana a donc mis en place des contrôles d'accès distinguant la création de mémoire de la simple exécution de tâches. Le système gère également un routage dynamique des modèles : les tâches complexes sont orientées vers des modèles frontière comme Opus d'Anthropic ou les modèles d'OpenAI, tandis que les tâches simples sont confiées à des modèles plus légers et moins coûteux, sans que l'utilisateur ait à se soucier de l'ingénierie du prompt. Cette automatisation soulève à son tour un troisième défi, encore en cours de résolution chez Asana : celui de la facturation liée à l'usage de ces agents.

Outils⚒Outil

1 source

30

Illustration générée par IA

2398MarkTechPost 

Moonshot PerceptionBench évalue des modèles de vision multimodaux avec chargement de données robuste et jugement automatisé

Moonshot AI a mis au point PerceptionBench, un benchmark multimodal conçu pour mesurer la perception visuelle fine des modèles d'intelligence artificielle. Un tutoriel récent détaille comment construire, de bout en bout, un pipeline d'évaluation reproductible autour de ce jeu de données, pensé pour tourner directement dans Google Colab. Le dataset moonshotai/PerceptionBench, dans sa version d'entraînement, pèse environ 1,63 Go en téléchargement complet ; pour éviter cette charge, le pipeline privilégie une stratégie de chargement en streaming à plusieurs niveaux, avec un échantillon équilibré de douze exemples par catégorie et un balayage limité à 1200 lignes. Le processus décode les images encodées en base64, interprète les balises d'images imbriquées dans le texte et normalise chaque exemple dans un format unique, avant d'analyser la répartition des capacités testées, les besoins en images, les types de réponses attendues et les benchmarks sources d'origine. L'enjeu dépasse la simple démonstration technique : PerceptionBench couvre des tâches aussi variées que la reconnaissance de texte (OCR), le comptage d'objets, la localisation spatiale, le raisonnement contextuel, la comparaison visuelle, la compréhension de la profondeur et surtout la détection d'hallucinations, un point critique pour la fiabilité des modèles de vision-langage déployés en production. Le harnais d'évaluation construit dans ce tutoriel prend en charge trois configurations : une base de référence dite "à l'aveugle" sans image, des API multimodales compatibles OpenAI comme GPT-4o-mini, et des modèles vision-langage open source hébergés localement via Hugging Face, à l'image de SmolVLM2-2.2B-Instruct. Cette flexibilité permet aux équipes techniques de comparer facilement des modèles propriétaires et des alternatives open source sur des critères identiques, plutôt que de se fier à des annonces marketing. Cette initiative s'inscrit dans une tendance plus large : face à la multiplication des modèles de vision par ordinateur couplés au langage, la communauté cherche des méthodes d'évaluation rigoureuses et reproductibles. Le pipeline intègre un système de jugement à la fois basé sur des règles et, en option, assisté par un LLM, complété par le calcul d'intervalles de confiance bootstrap pour garantir une robustesse statistique. Les résultats sont ensuite ventilés par niveau de difficulté et comparés au classement officiel du benchmark, avant d'être exportés sous forme d'artefacts de prédiction et de rapports réutilisables. Cette approche outillée, appuyée sur des bibliothèques comme datasets, huggingface_hub, pandas et matplotlib, illustre la volonté croissante de rendre les évaluations de modèles multimodaux aussi transparentes et vérifiables que les benchmarks traditionnels du traitement du langage.

Recherche≡Tuto

1 source

46

Illustration générée par IA

2399Latent Space 

L'ingénierie de l'inférence en pratique, avec Philip Kiely et Ali Taha (Baseten)

Baseten, plateforme d'infrastructure pour l'inférence de modèles d'IA, a levé un tour de financement colossal de 13 milliards de dollars, rejoignant le cercle restreint des nouvelles licornes de l'infrastructure IA aux côtés de Nvidia et Intel, principales bénéficiaires de ce que certains appellent "l'inflexion de l'inférence". Dans un épisode récent du podcast Latent Space, animé par swyx et Vibhu, deux ingénieurs de Baseten, Philip Kiely et Ali Taha, détaillent ce qui se passe concrètement après la sortie d'un nouveau modèle open source, avant qu'il ne devienne une API rapide et fiable. Ali Taha a récemment publié une analyse très commentée du modèle Kimi K3, tandis que Philip Kiely a pris la parole à la conférence AI Engineer et publié un ouvrage de référence sur l'ingénierie de l'inférence. Les deux experts expliquent notamment comment, lors d'une expérience sur le modèle GLM-5.2, une quantification plus poussée a permis d'augmenter le débit de 20 % tout en préservant la qualité des benchmarks, les erreurs introduites dans différentes couches du modèle s'annulant mutuellement. Cette discipline, quasi inexistante il y a trois ans, est devenue l'un des enjeux techniques majeurs de l'IA générative. Elle répond à une question distincte de celle de l'entraînement des modèles : comment transformer des poids de réseaux de neurones en un produit rapide, fiable et rentable à grande échelle. Les techniques évoquées, routage sensible au cache, séparation des phases de préremplissage et de décodage sur des GPU distincts, décodage spéculatif utilisant un petit modèle pour accélérer un plus grand, ou déplacement optimisé du cache KV, permettent des gains de performance allant de 20 % à parfois 200 %, avec des déploiements jusqu'à dix fois plus rapides. Pour l'industrie, cela signifie des coûts d'exploitation réduits et une meilleure fiabilité des API, un enjeu direct pour toute entreprise déployant des modèles à grande échelle plutôt que de dépendre d'API partagées. Les deux ingénieurs reviennent aussi sur des cas concrets, comme la greffe d'un encodeur visuel du modèle Kimi directement sur GLM-5.2 sans modifier le modèle de langage sous-jacent, ou la gestion de requêtes atteignant 200 000 tokens. La conversation s'élargit ensuite à des sujets plus larges : la plateforme NVIDIA Dynamo, les futurs GPU Rubin, la question de savoir si le matériel évolue vers des puces IA programmables, ainsi que la convergence croissante entre entraînement et inférence, notamment via l'apprentissage continu s'appuyant sur des caches KV persistants, une piste qui pourrait redéfinir la frontière entre ces deux étapes historiquement séparées.

Infrastructure⚡Actu

1 source

35

Illustration générée par IA

2400MarkTechPost 

Comment sécuriser les agents IA, serveurs MCP et applications LLM en production

Cette publication est cortée mais je peux tout de même produire l'article demandé à partir du contenu disponible. L'éditeur de sécurité applicative Mend.io a publié un nouveau guide pratique intitulé « Securing AI agents, MCP servers & LLM apps: A practical framework », destiné aux équipes de sécurité confrontées à la multiplication des agents IA, des intégrations MCP (Model Context Protocol) et des applications basées sur des LLM dans les environnements de production. Le document s'articule autour de trois axes : identifier ce qui compte, corriger plus vite ce qui compte, et protéger l'IA en production. Il propose sept outils réutilisables, dont une cartographie de la surface d'attaque en cinq couches (interaction, agent, intégration, modèle, code), un registre enrichi baptisé AI-BOM comportant neuf champs par agent ou serveur MCP, et une checklist de douze points de mauvaise configuration à corriger, comme les identifiants partagés entre agents, les prompts système modifiables en production ou les modèles obsolètes non surveillés. L'enjeu est de taille pour l'industrie : selon Mend.io, la sécurité applicative traditionnelle repose sur l'hypothèse que le comportement d'un logiciel découle directement de son code, une hypothèse que l'IA agentique invalide. Le comportement d'un agent émerge de la combinaison d'un modèle, d'un prompt système, du contexte récupéré, des entrées utilisateur et des outils qu'il peut appeler, si bien que deux déploiements identiques peuvent se comporter différemment. De nouveaux risques apparaissent, invisibles dans les flux CVE classiques : l'injection de prompt via des données plutôt que du code, un agent disposant de trop de permissions qui agit sans qu'aucune vulnérabilité ne soit exploitée, un modèle déprécié qui continue de produire des prédictions sans plus être corrigé, ou encore une description d'outil empoisonnée sur un serveur MCP capable de détourner le comportement d'un agent sans toucher à l'application elle-même. Le guide s'inscrit dans un contexte où les agents IA et serveurs MCP s'introduisent souvent dans les systèmes d'information sans passer par les circuits d'achat habituels, ce qui complique leur détection. Mend.io recommande de traquer trois catégories à risque : les agents fantômes, les serveurs MCP non enregistrés et les frameworks IA embarqués, via cinq méthodes combinées, dont l'analyse des dépôts de code, la surveillance du trafic réseau sortant vers des API de modèles et l'audit des comptes de service. Sur le volet correction, le guide propose un pipeline enrichir-prioriser-trier fondé sur des signaux comme l'accessibilité réelle du risque ou le contexte métier, avec une règle stricte : toute clôture automatisée doit être appuyée par des preuves, sinon la décision revient à un humain. La protection en production, enfin, repose sur des garde-fous, un durcissement des prompts, l'application de politiques et une surveillance continue, en boucle avec des exercices de red teaming dédiés à l'IA.

Sécurité⚡Actu

1 source