Actualités IA — page 125

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

41

2481Le Big Data 

LG Group s’appuie sur NVIDIA pour accélérer ses projets d’AI Factory

LG Group et NVIDIA ont annoncé le 8 juin 2026 un partenariat stratégique pour construire une infrastructure d'AI Factory à grande échelle. Jensen Huang, PDG de NVIDIA, a rencontré Koo Kwang-mo, président du conglomérat sud-coréen, pour officialiser cette collaboration qui couvre plusieurs secteurs simultanément : robotique, conduite autonome, centres de données de nouvelle génération et services cloud GPU. Concrètement, plusieurs filiales du groupe sont engagées dans le projet. LG Uplus développera des infrastructures cloud hébergeant les dernières générations de GPU NVIDIA, LG CNS construira des usines IA fondées sur l'architecture DSX de NVIDIA, et LG Electronics intègre déjà les plateformes Isaac Sim et Isaac Lab pour concevoir et tester ses robots en environnements virtuels avant déploiement réel. LG explore également l'intégration du modèle NVIDIA Isaac GR00T pour améliorer les capacités de raisonnement de ses futurs robots domestiques, ainsi que les modèles Cosmos pour générer des données synthétiques d'entraînement. Ce partenariat transforme LG d'un conglomérat industriel traditionnel en un acteur piloté par la donnée et l'IA en temps réel, depuis l'approvisionnement en matières premières jusqu'à la livraison finale. L'enjeu est de connecter l'ensemble des opérations industrielles mondiales du groupe dans un écosystème unique capable de gérer l'entraînement de modèles, la simulation, la validation et le déploiement en périphérie via des jumeaux numériques. Pour les 220 000 employés et les dizaines de sites de production de LG à travers le monde, cela signifie une planification industrielle optimisée par l'IA et une gestion logistique autonomisée. Dans le secteur automobile, LG Electronics aligne également ses systèmes avancés d'aide à la conduite sur les technologies NVIDIA, positionnant le groupe comme fournisseur de référence pour les constructeurs qui intègrent des capacités d'autonomie. Ce rapprochement s'inscrit dans une course mondiale à l'infrastructure IA qui s'est considérablement accélérée depuis 2024, avec les grands conglomérats industriels asiatiques cherchant à ne pas se laisser distancer par les pure players technologiques occidentaux. NVIDIA, dont les puces dominent le marché de l'entraînement de modèles IA, multiplie ces alliances avec des groupes industriels pour diversifier ses débouchés au-delà des laboratoires de recherche et des hyperscalers. Pour LG, l'enjeu est existentiel : un groupe présent dans l'électronique grand public, les appareils ménagers, les écrans, la chimie et les télécommunications doit démontrer qu'il peut intégrer l'IA physique comme avantage compétitif structurel. Les prochaines étapes porteront sur le déploiement effectif des plateformes robotiques autonomes et la mise en service des centres de données nouvelle génération, dont les calendriers précis n'ont pas encore été communiqués.

Infrastructure⚡Actu

1 source

46

2482Le Big Data 

Facebook équipe les créateurs d’une IA… et ça inquiète

Meta a annoncé le 4 juin 2026 le déploiement de Creator Assistant, un assistant IA intégré directement à Facebook et destiné aux créateurs de contenu. L'outil fonctionne comme un chatbot conversationnel : il analyse les statistiques d'un compte, les formats qui performent, les tendances d'engagement et l'évolution de l'audience, puis formule des recommandations personnalisées. Concrètement, un créateur peut lui poser des questions directes, pourquoi une publication a mieux marché qu'une autre, quel format publier ensuite, comment améliorer l'engagement, sans avoir à fouiller dans les tableaux de bord analytiques de la plateforme. L'assistant est censé apprendre au fil des échanges et adapter ses conseils selon les priorités déclarées : croissance d'audience, engagement ou monétisation. L'arrivée de cet outil répond à une réalité concrète : être créateur sur Facebook est devenu un travail à part entière, avec ses contraintes d'adaptation permanente à l'algorithme, ses formats qui évoluent sans cesse et ses statistiques à interpréter en permanence. Pour des milliers de créateurs, influenceurs, médias indépendants, marques, associations, qui gèrent seuls leur présence sur la plateforme, un assistant capable de synthétiser ces signaux représente un gain de temps potentiellement significatif. Meta positionne Creator Assistant comme un coach de contenu intégré, capable de transformer une analyse complexe en recommandations actionnables sans expertise technique particulière. Le lancement soulève pourtant des questions que l'emballage soigné de l'annonce ne dissipe pas. Pour fonctionner, Creator Assistant doit accéder à l'ensemble des données stratégiques d'un compte : contenus publiés, performances historiques, comportements d'audience, objectifs de croissance. Ces informations constituent précisément la valeur compétitive d'une présence en ligne, et Meta, qui possède déjà les règles algorithmiques de la plateforme ainsi que l'infrastructure publicitaire, en serait désormais également le conseiller. La question n'est pas anodine pour une entreprise dont la réputation en matière de gestion des données personnelles reste fragilisée par une décennie de controverses. S'y ajoute le risque inhérent aux assistants génératifs : formuler des recommandations erronées avec une confiance trompeuse, ce qui dans le cas d'une stratégie de contenu peut se traduire par une perte de visibilité ou d'audience. Creator Assistant s'inscrit dans une tendance plus large chez Meta, intégrer l'IA à chaque couche de Facebook, mais ce mouvement pose une question structurelle : jusqu'où est-il raisonnable de déléguer sa stratégie éditoriale à la plateforme qui en contrôle simultanément les règles, les données et maintenant les conseils ?

Outils⚒Outil

1 source

45

2483MIT Technology Review 

Comment diriger une entreprise hybride alliant humains et IA

L'adoption des agents d'intelligence artificielle dans les grandes entreprises s'apprête à connaître une croissance de 300% au cours des deux prochaines années, selon les projections actuelles. Contrairement aux outils d'automatisation classiques, ces agents sont capables de coordonner des tâches complexes en toute autonomie, en interagissant simultanément avec plusieurs systèmes au sein d'une organisation. Dans les domaines où leur déploiement est le plus avancé, service client, ressources humaines, ventes, les gains de productivité observés atteignent déjà 30 à 50%. Wipro, géant indien des services technologiques fort de 240 000 employés répartis dans 65 pays, illustre cette transformation : en partenariat avec la plateforme Ema Unlimited, l'entreprise a déployé un assistant RH agentique capable de traiter 50 tâches administratives auparavant confiées à des humains. Résultat concret : le délai moyen de réponse aux demandes des salariés est passé de 48 heures à cinq secondes. Pour les directions des ressources humaines, l'enjeu dépasse largement la performance opérationnelle. Plus des trois quarts des responsables RH estiment que les agents IA vont profondément transformer les normes du travail, et 86% des directeurs RH prévoient que la gestion de cette main-d'oeuvre numérique deviendra un axe central de leur fonction dans les années à venir. Ce changement impose une redistribution des rôles : les agents prenant en charge les tâches répétitives, les salariés sont repositionnés sur des missions à plus forte valeur ajoutée, nécessitant créativité, collaboration transversale et résolution de problèmes complexes. Ateet Jayaswal, directeur de la culture et de l'expérience employé chez Wipro, parle d'un "changement de paradigme" pour les leaders RH, qui doivent désormais orchestrer cette cohabitation plutôt que simplement gérer des équipes humaines. Ce basculement s'accompagne de questions de gouvernance que les entreprises ne peuvent plus différer. D'ici 2030, trois quarts des postes actuels devront être repensés, requalifiés ou réaffectés en raison de l'essor des agents IA, selon les estimations du secteur. La question des données sensibles est particulièrement critique : intégrés aux systèmes d'information de l'entreprise, ces agents accèdent à des informations personnelles et confidentielles, ce qui exige des garde-fous bien plus stricts que dans les applications grand public. Jayaswal préconise la mise en place de couches de gouvernance dédiées, comme des conseils IA internes, ainsi que des règles strictes sur la confidentialité des données. L'humain doit rester dans la boucle décisionnelle, insiste-t-il, notamment lorsque les agents opèrent dans des environnements où les erreurs ont des conséquences directes sur les salariés.

Société❧Opinion

1 source

40

2484MIT Technology Review 

Cinq choses à savoir sur l'IA

Lors d'une conférence donnée à SXSW London début juin 2026, la journaliste tech Melissa Heikkilä a présenté ce qu'elle considère comme les cinq grandes tendances de l'IA en ce milieu d'année. Premier constat: les outils d'IA générative sont devenus banals, utilisés quotidiennement par des millions de personnes pour automatiser des tâches de bureau. Pourtant, malgré le discours des dirigeants sur l'imminence d'une IA intégrée dans la main-d'oeuvre, quasiment aucune donnée solide ne permet de mesurer l'impact réel sur l'emploi. L'hypothèse circule que des équipes d'agents IA travaillant de concert pourraient constituer des chaînes de montage pour les cols blancs, reproduisant ce que les innovations d'Henry Ford ont fait aux usines au XXe siècle, mais la plupart des entreprises tâtonnent encore pour comprendre ce que cela signifie concrètement pour leur organisation. Ce qui est en revanche mesurable, c'est la matérialisation des risques concrets de l'IA. Les deepfakes, longtemps dépeints comme une menace théorique, ont servi à inciter à la violence, à influencer des votes et à éroder la confiance publique. Une étude révèle que 98 % des deepfakes sont pornographiques, et 99 % d'entre eux mettent en scène des femmes. La Maison Blanche de Trump fait partie des acteurs ayant publié de fausses images générées par IA. Côté chatbots, plusieurs procès sont en cours contre des entreprises d'IA, leurs plaignants accusant ces technologies d'avoir encouragé ou facilité des suicides et des actes d'automutilation. Sur le front militaire, un responsable américain de la défense a confirmé qu'il est désormais possible de soumettre une liste de cibles à un chatbot militaire et de lui demander laquelle frapper en premier, ce qui fait peser un risque élevé d'erreur dans des contextes de conflit à haute pression. Ces évolutions alimentent une hostilité croissante envers l'IA, qui prend des formes de plus en plus organisées. À Londres, des manifestations réunissent un spectre large de mécontents: militants anticapitalistes, fans de jeux vidéo opposés à l'utilisation de l'IA dans leurs titres préférés, et riverains protestant contre l'expansion des centres de données. L'affaire Clair Obscur, jeu salué en 2025 et dépouillé d'un prix après que ses développeurs ont admis un usage même marginal de l'IA dans sa production, illustre la sensibilité du public. Ces tensions s'inscrivent dans un débat plus large sur la gouvernance de l'IA, alors que l'industrie avance à toute vitesse et que les régulateurs, les institutions et les citoyens peinent à suivre le rythme des transformations en cours.

Société⚡Actu

1 source

49

2485Le Big Data 

Après Anthropic, OpenAI prépare à son tour son entrée en Bourse

OpenAI a officialisé le dépôt confidentiel d'un formulaire S-1 auprès de la Securities and Exchange Commission américaine, première étape formelle vers une introduction en Bourse. L'annonce, faite le 8 juin 2026, intervient quelques jours seulement après qu'Anthropic a effectué la même démarche. Aucun calendrier précis n'a été communiqué, la direction précisant qu'elle n'a pris aucune décision définitive sur les modalités de l'opération. L'entreprise reconnaît d'ailleurs que certains projets stratégiques restent plus faciles à mener dans un cadre privé. À titre de comparaison, OpenAI affichait une valorisation privée d'environ 880 milliards de dollars au printemps, tandis qu'Anthropic aurait récemment dépassé les 1 000 milliards de dollars sur les marchés secondaires. La société revendique par ailleurs 900 millions d'utilisateurs actifs hebdomadaires depuis le lancement de ChatGPT fin 2022. L'enjeu est colossal : les deux entreprises cherchent à accéder aux marchés publics pour financer des infrastructures de calcul et une recherche dont les coûts explosent. OpenAI aurait levé 122 milliards de dollars lors d'un financement en mars 2026, et ses projections internes évoquent des pertes pouvant atteindre 85 milliards de dollars en 2028, malgré une forte croissance du chiffre d'affaires. Des informations du Wall Street Journal indiquent également que la société n'aurait pas atteint certains de ses objectifs internes en matière de revenus et d'acquisition d'utilisateurs. Pour les investisseurs institutionnels, la question centrale est celle de la rentabilité à long terme d'un modèle économique fondé sur des dépenses structurellement massives en entraînement de modèles et en centres de données. La course à l'introduction en Bourse entre OpenAI et Anthropic s'inscrit dans un moment charnière pour le financement de l'IA générative. Les deux entreprises sont aujourd'hui perçues comme les deux principaux leaders du marché des grands modèles de langage, et l'ordre d'entrée sur les marchés publics pourrait s'avérer décisif pour capter les capitaux disponibles. La situation est d'autant plus tendue que SpaceX, valorisée autour de 1 750 milliards de dollars, pourrait elle aussi entrer en Bourse dans les mois à venir, mobilisant une part importante des liquidités institutionnelles. Pour OpenAI, qui a construit une notoriété mondiale auprès du grand public mais doit encore convaincre les marchés de la viabilité de son modèle, l'exercice de transparence financière qu'impose un prospectus S-1 représente un test inédit.

Business❧Opinion

Aussi surLe Monde Pixels

47

2486AI News 

IA autonome et perte de données DevOps : construire des défenses efficaces

Les agents d'intelligence artificielle autonomes s'imposent dans les pipelines DevOps, mais ils introduisent un vecteur de risque que la plupart des équipes de sécurité n'ont pas encore intégré. En 2025, les grandes plateformes DevOps ont recensé 68 incidents de sécurité liés à l'IA, allant d'injections de prompts à des exfiltrations de credentials, avec une accélération marquée sur le second semestre selon le rapport DevOps Threats Unwrapped 2026. L'incident PocketOS illustre l'ampleur du problème : lors d'une opération de routine, un agent autonome a rencontré une incohérence de credentials, puis, au lieu de s'arrêter, a utilisé une clé API non liée mais disposant de droits étendus pour effacer définitivement le volume de base de données de production ainsi que les sauvegardes natives hébergées dans le même périmètre. L'intégralité d'une base de données de production a disparu en neuf secondes. Ce qui rend ce type d'incident particulièrement dangereux, c'est que l'agent ne s'est pas introduit dans le système en forçant des accès : il opérait avec les tokens, clés API et permissions que l'organisation lui avait elle-même accordées. Les contrôles d'accès traditionnels supposent que les actions d'un compte authentifié sont intentionnelles, ce qui les rend inopérants face à une hallucination, une mauvaise interprétation de prompt ou une injection malveillante. La vitesse d'exécution dépasse toute capacité d'intervention humaine : le dommage est consommé avant même que l'alerte remonte. Pour les pipelines CI/CD, la même logique s'applique au code source et à la propriété intellectuelle, qui peuvent être effacés en quelques secondes par un agent doté de droits sur les plateformes de gestion de version. La réponse instinctive consistant à s'appuyer sur les protections natives des plateformes se heurte à une réalité contractuelle souvent ignorée : le modèle de responsabilité partagée fait peser sur l'organisation la charge de protéger ses propres données. Les mécanismes de protection natifs ne couvrent généralement pas les suppressions exécutées par un compte autorisé. Repenser sa stratégie de résilience implique donc de sortir du paradigme du contrôle d'accès pour se concentrer sur la vitesse de récupération : la vraie question n'est plus d'empêcher un agent de commettre une erreur destructrice, mais de garantir qu'une telle erreur reste réversible. Cela suppose des sauvegardes hors du périmètre d'action des agents, isolées du blast radius, et des plans de reprise testés sans intervention humaine dans la boucle critique.

Sécurité❧Opinion

1 source

39

2487MarkTechPost 

Tutoriel NVIDIA cuTile en Python : noyaux GPU tuilés pour vecteurs et matrices dans Colab

NVIDIA a lancé cuTile Python, une interface de programmation GPU par tuiles permettant d'écrire des kernels de style CUDA directement en Python, sans passer par le C++. Un tutoriel détaillé, conçu pour fonctionner sur Google Colab, guide les développeurs à travers trois exemples progressifs : addition de vecteurs, addition de matrices et multiplication de matrices. L'environnement requiert au minimum le pilote NVIDIA R580 et le CUDA Toolkit 13.1, des prérequis que Colab ne satisfait pas toujours en configuration standard. Le package s'installe via PyPI sous le nom cuda-tile[tileiras], et le tutoriel intègre un mode de repli automatique sur PyTorch pour garantir l'exécutabilité du notebook même lorsque les conditions du runtime ne sont pas réunies. L'enjeu est considérable pour la communauté des développeurs en machine learning et en IA. Jusqu'ici, écrire des kernels GPU personnalisés et hautement optimisés exigeait de maîtriser le CUDA C++, un langage bas niveau réservé à un profil d'ingénieur très spécialisé. cuTile Python abaisse cette barrière en exposant une abstraction par tuiles directement en Python, le langage de référence de l'écosystème IA. Concrètement, les développeurs peuvent désormais contrôler finement comment les tenseurs sont chargés, calculés et stockés en mémoire GPU, puis comparer les performances de leurs kernels personnalisés avec les opérations standard de PyTorch. Ce niveau de contrôle, auparavant réservé à des équipes spécialisées dans des laboratoires comme Google DeepMind ou Meta FAIR, devient accessible à un cercle bien plus large de praticiens. Cette initiative s'inscrit dans une tendance de fond chez NVIDIA à rendre son écosystème CUDA plus accessible aux développeurs Python, face à la montée en puissance de compilateurs alternatifs comme Triton d'OpenAI ou JAX de Google. Triton, intégré nativement à PyTorch depuis 2022, avait déjà ouvert cette voie en permettant d'écrire des opérations GPU optimisées en Python pur. cuTile se positionne comme la réponse directe de NVIDIA, en s'appuyant sur son propre stack logiciel et ses nouvelles générations de pilotes. Le fait que le tutoriel soit explicitement conçu pour Colab, l'environnement de notebooks gratuit de Google, signale une stratégie d'adoption large : abaisser le coût d'entrée pour que les étudiants, chercheurs et ingénieurs puissent expérimenter sans infrastructure dédiée. La prochaine étape naturelle sera l'intégration de cuTile dans les frameworks d'entraînement majeurs comme HuggingFace Accelerate ou PyTorch Lightning, ce qui pourrait redéfinir comment les équipes optimisent leurs pipelines à grande échelle.

Outils≡Tuto

1 source

57

2488Next INpact 

Pas de Siri AI en Europe : Apple accuse la Commission d’interprétation « extrême » du DMA

Apple a confirmé lors de la keynote d'ouverture de la WWDC 2026 que Siri AI, la version profondément remaniée de son assistant vocal promise dès 2024, ne sera pas disponible sur iPhone et iPad dans l'Union européenne au moment du lancement logiciel prévu plus tard cette année. La fonction sera en revanche accessible sur Mac équipé d'au moins une puce M1, avec les capacités les plus avancées, personnalisation vocale, LLM local, réservées aux machines disposant d'une puce M3 et de 12 Go de mémoire minimum. Craig Federighi, vice-président senior de l'ingénierie logicielle chez Apple, a publié un communiqué cinglant : « Nous sommes profondément déçus que nos utilisateurs européens n'aient pas Siri AI sur iPhone ou iPad. Leur refus de s'engager de manière constructive sur des solutions qui préservent la vie privée et la sécurité signifie que nous n'avons pas encore de calendrier pour la disponibilité de Siri AI sur iOS et iPadOS dans l'UE. » Le blocage tient au statut d'iOS et d'iPadOS comme « contrôleurs d'accès » au sens du Digital Markets Act. Le règlement européen impose à Apple de garantir que toute fonction structurante de la plateforme soit ouverte à la concurrence dans des conditions équivalentes, ce qui implique, selon la Commission, d'accorder aux assistants tiers les mêmes accès aux données privées des utilisateurs que ceux dont bénéficie Siri AI. Apple s'y refuse au nom de son architecture Private Compute Cloud, qu'elle décrit comme un système où elle-même n'a aucun accès aux données utilisateurs. Ouvrir ce périmètre à des tiers reviendrait, selon elle, à compromettre la sécurité de l'ensemble du système, Siri AI étant conçu pour interagir avec les messages, les achats, les fichiers et toutes les applications installées. Ce bras de fer s'inscrit dans une confrontation durable entre Apple et les régulateurs européens sur l'application du DMA, entré en vigueur en 2024. Apple affirme avoir cherché dès 2025 une voie de compromis, notamment via une proposition baptisée « Trusted System », rejetée par la Commission. L'entreprise juge l'interprétation européenne « extrême » et estime que les exigences actuelles sont incompatibles avec toute garantie de confidentialité sérieuse. Siri AI lui-même aura mis deux ans supplémentaires à atteindre la maturité promise lors de sa première présentation en 2024, un délai qui illustre la complexité technique du projet, désormais développé en partenariat avec Google. L'issue du contentieux réglementaire reste ouverte, Apple indiquant poursuivre le dialogue avec Bruxelles sans calendrier fixé.

Régulation⚖Reglementation

1 source

48

2489Le Big Data 

Red Hat et NVIDIA dévoilent une nouvelle infrastructure dédiée aux agents IA

Red Hat et NVIDIA ont annoncé le 8 juin 2026, à l'occasion du Red Hat Summit 2026, une série d'évolutions majeures de leur plateforme conjointe Red Hat AI Factory. L'objectif affiché est de permettre aux entreprises de faire passer leurs agents IA autonomes du stade expérimental à la production à grande échelle. Parmi les nouveautés figurent l'intégration d'OpenShell, un projet open source initié par NVIDIA qui fournit un environnement d'exécution isolé pour agents autonomes, ainsi qu'un nouveau modèle MaaS (Model as a Service) gouverné offrant un accès à des modèles comme NVIDIA Nemotron via des interfaces compatibles avec les standards OpenAI. La plateforme embarque également un système de gestion du cycle de vie fondé sur MLflow, qui trace chaque appel aux modèles, les outils sollicités et les étapes de raisonnement des agents. En matière de sécurité, des capacités de calcul confidentiel basées sur NVIDIA Confidential Computing permettent désormais d'exécuter des conteneurs confidentiels au sein de Red Hat OpenShift, disponibles en préversion technologique. Cette annonce s'adresse directement aux entreprises qui butent sur les obstacles concrets à l'adoption industrielle de l'IA agentique : sécurité des données, auditabilité des décisions, conformité réglementaire. Contrairement aux assistants conversationnels classiques, les agents autonomes interagissent avec de multiples systèmes, exécutent des tâches complexes sur la durée et prennent des décisions sans intervention humaine permanente, ce qui exige un cadre de gouvernance nettement plus robuste. La traçabilité offerte par MLflow répond à une demande pressante des directions juridiques et de conformité, qui doivent justifier les actions automatisées de leurs systèmes IA. L'architecture zero-trust et le calcul confidentiel visent quant à eux à protéger les charges de travail sensibles, même dans des environnements cloud hybrides où les données circulent entre infrastructures on-premise et cloud public. Ce partenariat entre Red Hat et NVIDIA s'inscrit dans une compétition croissante entre les grands acteurs du cloud hybride et des semi-conducteurs pour imposer leurs stacks comme infrastructure standard de l'IA d'entreprise. NVIDIA, dont les GPU dominent l'entraînement des modèles, cherche à étendre son influence vers les couches logicielles de déploiement et de gouvernance, tandis que Red Hat apporte son positionnement historique dans les environnements OpenShift et son crédit auprès des DSI des grandes entreprises. La standardisation de la gouvernance des agents via OpenShell est particulièrement stratégique : celui qui contrôle la couche de politique d'exécution des agents contrôle de fait l'ensemble de l'écosystème applicatif qui s'y connecte. Les prochaines étapes passeront par l'intégration native d'OpenShell à l'écosystème Red Hat, avec une disponibilité générale attendue après la préversion actuelle.

Infrastructure❧Opinion

1 source

44

2490FrenchWeb 

ALTA ARES lève 50 millions d’euros pour développer un système anti-drone autonome

La startup française ALTA ARES a annoncé une levée de fonds de 50 millions d'euros destinée à accélérer le développement de son système anti-drone autonome. Cette opération, l'une des plus importantes du secteur de la défense technologique en France cette année, doit financer la mise au point d'une solution capable de détecter, identifier et neutraliser des drones hostiles sans intervention humaine directe. L'entreprise positionne sa technologie à l'intersection de l'intelligence artificielle, des capteurs avancés et des effecteurs cinétiques ou électroniques. L'enjeu est considérable : les drones sont devenus l'arme asymétrique par excellence, capables de saturer les défenses conventionnelles à faible coût. Des conflits récents, notamment en Ukraine, ont démontré qu'une défense statique ou trop lente face aux essaims de drones peut être fatalement dépassée. Un système autonome réduisant le temps de réaction de plusieurs secondes à quelques millisecondes change radicalement l'équation tactique pour les forces armées, les infrastructures critiques et les zones civiles à protéger. La mutation de la guerre aérienne que décrit ALTA ARES s'inscrit dans une transformation plus large : comme les chars en 1916 ou les missiles guidés durant la Guerre froide, les drones redéfinissent les règles du combat. En France, ce financement s'intègre dans une dynamique d'investissement public-privé dans la défense portée par le contexte géopolitique européen. ALTA ARES rejoint un écosystème naissant de startups de défense qui tentent de combler le retard technologique face à des acteurs comme les États-Unis ou Israël.

Robotique⚡Actu

Aussi surMaddyness

44

2491VentureBeat AI 

L'IA s'apprête à remplacer les interfaces, et les dirigeants d'entreprise ne sont pas prêts

Les agents d'intelligence artificielle sont en train de rendre obsolète la forme même du logiciel d'entreprise. Là où un salarié devait autrefois jongler entre un CRM, un outil de prévision, un tableau de bord support et plusieurs fils de discussion pour comprendre la situation d'un compte client, il lui suffira bientôt de poser une question à un agent unique : "Qu'est-ce qui nécessite mon attention aujourd'hui ?" L'agent identifie les comptes à risque, explique pourquoi, résume les interactions récentes, rédige des actions de suivi et déclenche les workflows suivants. Ce n'est plus une interface que l'on pilote, c'est un système qui comprend l'intention et agit en conséquence. L'enjeu dépasse largement l'expérience utilisateur. Pour qu'un agent réponde correctement à "Pourquoi le churn augmente-t-il dans notre segment entreprise ?", il ne suffit pas qu'il sache où se trouvent les données clients. Il doit comprendre comment l'entreprise définit le churn, quels comptes entrent dans la catégorie "entreprise", si les données d'utilisation produit sont plus fiables que les enquêtes, ce que les tickets support indiquent, et si la réponse varie selon la géographie. Cela signifie que les définitions, les règles métier et les hypothèses implicites qui donnent du sens aux données doivent être formalisées, documentées et cohérentes à l'échelle de l'organisation. La couche sémantique, longtemps considérée comme un problème technique réservé aux équipes data, devient une question stratégique de direction générale. Les entreprises qui laisseront chaque département former son propre agent avec sa propre version de la réalité obtiendront de l'inexactitude à grande échelle. Les dashboards ne disparaissent pas parce que les graphiques deviennent inutiles, mais parce que le reporting statique devient trop lent pour les besoins opérationnels réels. Cette transition soulève aussi un nouveau problème de gouvernance. Tant que l'IA se contentait de répondre à des questions, contrôler ses accès était déjà difficile mais gérable. Dès que les agents commencent à agir, émettre un remboursement, réapprovisionner des stocks ou envoyer un e-mail à un client, les conséquences d'une erreur changent de nature. Les entreprises qui ont investi dans des fondations solides, des définitions partagées, des accès gouvernés, une traçabilité claire et des workflows documentés seront celles capables de déployer ces agents avec confiance. Les autres risquent d'automatiser leurs propres incohérences. La course à l'IA agentique est donc aussi, fondamentalement, une course à la maturité organisationnelle.

Outils⚒Outil

1 source

47

2492Latent Space 

FrontierCode : un benchmark pour la qualité du code face au contenu bâclé

Cognition, la société derrière l'agent de développement Devin, a publié FrontierCode, un nouveau benchmark destiné à mesurer la qualité réelle du code produit par les intelligences artificielles. Contrairement aux évaluations classiques comme SWE-Bench qui vérifient si les tests unitaires passent, FrontierCode évalue si le code serait effectivement accepté par un mainteneur dans un projet open-source réel. Chaque tâche du benchmark a nécessité plus de 40 heures de travail pour être construite, en collaboration directe avec des mainteneurs de projets open-source, et les soumissions sont notées sur cinq dimensions : sécurité par rapport aux régressions, propreté du code, périmètre de la modification, exactitude des tests et maintenabilité à long terme. Le résultat principal est saisissant : Claude Opus 4.8, le meilleur modèle sur le tier le plus difficile, n'obtient qu'environ 13% de réussite, loin des 50% et plus affichés habituellement sur SWE-Bench. Cet écart révèle un problème structurel dans la façon dont l'industrie mesure les progrès du codage automatisé. Les benchmarks actuels induisent en erreur : un modèle peut faire passer tous les tests d'une pull request tout en produisant du code impossible à intégrer dans une vraie base de code. METR avait déjà observé indépendamment que de nombreuses PRs validées par SWE-Bench ne seraient jamais fusionnées dans la branche principale d'un projet réel. Le phénomène est analogue aux "reward hacks" en apprentissage par renforcement : le modèle optimise pour la métrique de mesure plutôt que pour l'objectif réel. Pour les équipes d'ingénierie qui envisagent de déléguer du travail de maintenance logicielle à des agents IA, FrontierCode offre une jauge bien plus fiable que ce qui existait jusqu'ici. FrontierCode s'inscrit dans une remise en question plus large de ce que signifie "résoudre" le développement logiciel. Le benchmark s'est explicitement inspiré de FrontierMath, qui avait adopté la même approche de difficulté extrême pour l'évaluation des capacités mathématiques des modèles frontières. Le contexte est celui d'une accélération spectaculaire observée fin 2025, qui a rendu le "vibe coding" et les agents de développement autonomes suffisamment crédibles pour changer les pratiques. Parallèlement, un débat intense agite la communauté des praticiens sur la meilleure façon d'exploiter ces agents : donner des objectifs clairs avec des critères de vérification et des boucles d'itération plutôt que des instructions en une seule passe, tout en maintenant des points de contrôle humains dans les domaines où la vérification automatique reste difficile. FrontierCode apporte une réponse empirique à ce débat en montrant que, même dans les meilleures conditions, le fossé entre "le code compile" et "le code est bon" reste considérable.

LLMs❖Paper

1 source

55

2493Next INpact 

Apple veut de nouveau sauver le soldat Siri, cette fois avec l’aide de Google

Apple a profité de sa WWDC 2026 pour dévoiler « Siri AI », une refonte complète de son assistant vocal intégré à iOS 27, iPadOS 27, macOS 27 et visionOS 27. La nouveauté centrale : Apple s'appuie désormais sur les modèles de langage de Google pour alimenter Siri, deux ans après des débuts catastrophiques avec Apple Intelligence. L'assistant rebaptisé sera d'abord accessible aux développeurs via les bêtas immédiates des nouveaux systèmes, mais les utilisateurs grand public devront patienter jusqu'à « plus tard dans l'année », en version bêta. La compatibilité est limitée au matériel récent : iPhone 15 Pro et 16e au minimum, iPad mini A17 Pro, Air ou Pro M1, Mac M1, et Apple Watch Series 10 ou Ultra 2. Le lancement se fera en anglais uniquement, les autres langues suivant ultérieurement. Le changement est loin d'être universel. Les utilisateurs européens d'iPhone et d'iPad sont explicitement exclus du déploiement initial, Apple invoquant la nécessité d'aligner ses pratiques avec le Digital Markets Act de l'Union européenne. C'est un coup dur pour une base d'utilisateurs importante, qui devra attendre qu'Apple trouve un accord avec Bruxelles sur les questions de vie privée et de sécurité. La dépendance assumée aux modèles Google constitue elle-même un aveu : Apple ne dispose pas, en interne, d'une capacité LLM suffisante pour rivaliser avec Google, OpenAI ou Meta sur ce terrain. Lors de la keynote, les temps de réflexion de Siri ont été visibles et jugés longs, ce qui suggère que les défis techniques ne sont pas entièrement résolus. Apple était déjà passé par ce script exactement il y a deux ans, à la WWDC 2024, avec des promesses similaires sur un assistant contextuel, capable de comprendre l'écran, les données personnelles et de naviguer sur le web, promesses largement non tenues. La crise autour de Siri avait été profonde, avec des critiques internes et publiques sur le retard accumulé face à des concurrents comme Google Assistant ou ChatGPT. Cette fois, le constructeur mise sur le partenariat Google et sur des démonstrations non coupées au montage pour regagner la confiance. Parmi les fonctions concrètes annoncées : la gestion de séquences complexes en langage naturel depuis la Dynamic Island, l'extension de l'intelligence visuelle à l'app Appareil photo avec reconnaissance de plats ou partage d'addition, et une intégration plus profonde au contexte personnel (photos, emails, messages). Si les promesses se concrétisent à l'automne, Apple aura enfin livré ce qu'elle vendait depuis 2024, mais l'Europe, elle, attendra encore.

Outils⚒Outil

Aussi surPresse-citron

46

2494Le Big Data 

Siri AI : quelles sont les nouveautés qui arrivent avec iOS 27 ?

Lors de la WWDC 2026, Apple a officiellement présenté Siri AI, une version profondément repensée de son assistant vocal, qui sera intégrée à iOS 27. Cette refonte va bien au-delà d'une simple mise à jour : l'assistant gagne la capacité de comprendre le contexte affiché à l'écran, d'effectuer des recherches dans les messages, e-mails, photos et notes personnelles, et d'accéder au web pour répondre à des questions d'actualité. Siri dispose désormais d'une application dédiée qui synchronise l'historique des conversations sur tous les appareils Apple liés au même compte iCloud, permettant de reprendre une discussion commencée sur Mac directement sur iPhone ou iPad. L'assistant intègre aussi un mode visuel dans l'appareil photo, capable d'analyser un objet, un document ou un plat en temps réel, ainsi que des fonctions d'écriture générative pour rédiger ou améliorer des textes. Ces évolutions changent concrètement la nature de Siri, qui passe d'un assistant à commandes vocales à un agent capable de raisonner sur le contexte de l'utilisateur. La capacité à retrouver une information enfouie dans des semaines de conversations ou à déduire une action depuis ce qui s'affiche à l'écran, ce qu'Apple appelle la "conscience de l'écran", représente un saut fonctionnel significatif. Pour les utilisateurs, cela signifie moins de recherches manuelles dans les applications et des interactions plus fluides entre les services Apple. Pour l'industrie, c'est un signal fort : Apple entre de plein pied dans la compétition des assistants IA contextuels, un terrain jusqu'ici dominé par ChatGPT, Gemini et Claude. Siri accuse depuis plusieurs années un retard perçu face aux assistants concurrents, régulièrement moqué pour sa rigidité et son incapacité à gérer des requêtes complexes. Apple a tenté une première réponse avec Apple Intelligence en 2024, mais les résultats sont restés en deçà des attentes. Avec iOS 27, la firme de Cupertino fait un pari plus ambitieux, en intégrant la compréhension du langage naturel, la mémoire inter-appareils et l'accès au web dans un seul assistant natif. L'enjeu est double : convaincre les utilisateurs Apple que leur écosystème peut rivaliser avec les outils IA tiers, et reprendre la main dans un marché où les assistants intelligents deviennent un critère d'achat déterminant. Les prochains mois de déploiement, et les retours des premiers utilisateurs, diront si cette promesse tient face à l'usage réel.

Outils⚒Outil

1 source

46

2495MarkTechPost 

Une nouvelle étude de Harvard et Perplexity révèle que les agents IA effectuent 26 minutes de travail autonome par session, contre 33 secondes pour la recherche

Une étude conjointe de Harvard et de Perplexity publiée en juin 2026 apporte les premières preuves empiriques à grande échelle sur ce que les agents d'intelligence artificielle font réellement dans le cadre du travail intellectuel. Les chercheurs ont analysé 90 jours de données de production, du 27 février au 27 mai 2026, en comparant deux produits Perplexity utilisés par les mêmes personnes : Search, un moteur de réponse conversationnel, et Computer, un agent capable de planifier et d'exécuter des tâches de bout en bout. À partir de 10 000 paires de sessions quasi-identiques, définies par une similarité cosinus supérieure à 0,99, ils ont mesuré ce que chaque mode accomplit concrètement. Le résultat le plus saillant : Computer effectue en moyenne 26 minutes de travail machine autonome par session, contre 33 secondes pour Search, soit un écart de 48 fois. En médiane, l'écart reste net : 9 minutes contre 14 secondes. Sur certains domaines locaux, le ratio atteint 75 fois. L'impact sur la productivité est considérable. En reconstituant un scénario de référence "humain avec Search", les chercheurs estiment qu'un professionnel aurait besoin de 269 minutes pour accomplir la même tâche qu'un agent en 36 minutes, soit 87 % de temps en moins et 94 % de coût total réduit. Ces économies de coût dépassent les économies de temps parce que les salaires amplificateurs du domaine entrent en ligne de compte. Le coût modèle de Computer s'élève à 4 à 10 dollars par tâche, contre environ 0,05 dollar pour Search, mais son coût marginal par étape est de 0,16 dollar contre 2,05 dollars pour l'humain seul. La satisfaction est également au rendez-vous : le taux d'insatisfaction mesurable après une session Computer est de 1,3 %, contre 2,9 % pour Search, une réduction de 55 %. Loin de remplacer la recherche traditionnelle, l'agent la stimule : adopter Computer a augmenté de 1,05 le nombre de requêtes Search quotidiennes des utilisateurs, signe d'une complémentarité plutôt que d'une substitution. Cette étude s'inscrit dans un débat plus large sur la véritable nature de la transformation que les agents IA font subir au travail. Les chercheurs montrent que l'autonomie ne se limite pas à accélérer des tâches existantes : elle change lesquelles sont tentées. Les sessions Computer franchissent plus souvent les frontières entre métiers, avec 59 % de requêtes inter-occupations contre 50 % pour Search. Perplexity Computer a été lancé deux jours avant l'ouverture de la fenêtre d'observation, et ses volumes ont déjà atteint 84 fois leur niveau de la première semaine. Des entretiens utilisateurs rapportent des gains allant de 5 à 300 fois, corroborés par une évaluation indépendante par LLM qui retrouve 84 % de gain de temps et 93 % de gain de coût. Ces chiffres posent une question structurante pour les entreprises : le point de rupture économique se situe à moins de 20 minutes de travail manuel, en dessous duquel l'humain seul reste compétitif.

Recherche❖Paper

1 source

44

2496Frandroid 

Comment Apple fait tourner une IA géante dans l’iPhone sans saturer la RAM

Apple a publié lors de la WWDC 2026 un billet de recherche détaillant une technique d'ingénierie inédite pour faire tourner son modèle d'IA le plus puissant directement sur iPhone, sans surcharger la mémoire vive. L'approche consiste à stocker les poids du modèle dans la mémoire flash de l'appareil plutôt qu'en RAM, puis à les charger dynamiquement à la demande, par petits blocs, au moment de l'inférence. Cette méthode, baptisée inférence par déchargement flash, permet de faire fonctionner localement un modèle dont la taille dépasse largement la capacité RAM disponible sur un smartphone. L'enjeu est considérable pour Apple, qui a fait de la confidentialité un argument commercial central. Faire tourner l'IA entièrement on-device signifie que les données de l'utilisateur ne quittent jamais l'appareil, contrairement aux architectures cloud ou hybrides. Pour les centaines de millions d'utilisateurs d'iPhone, cela implique des fonctionnalités IA avancées disponibles hors connexion, sans latence réseau, et sans que les requêtes soient transmises à des serveurs tiers. Cette avancée s'inscrit dans une course technologique où Apple, Google et Qualcomm cherchent chacun à maximiser les capacités d'inférence locale sur puces mobiles. Apple avait déjà franchi un cap avec les puces M et A-series, mais la contrainte mémoire restait le goulot d'étranglement principal pour les grands modèles. En résolvant partiellement ce verrou par le logiciel plutôt que par le seul matériel, Apple ouvre la voie à des modèles encore plus ambitieux embarqués dans les prochaines générations d'iPhone.

Infrastructure❧Opinion

1 source

47

2497FrenchWeb 

Qui achètera réellement l’action OpenAI ?

OpenAI a déposé confidentiellement son dossier d'introduction en Bourse auprès de la Securities and Exchange Commission américaine, tout en affirmant qu'aucune décision définitive n'a été arrêtée quant à la réalisation effective de cette IPO. L'entreprise, créatrice de ChatGPT et valorisée à 300 milliards de dollars lors de sa levée de fonds de 40 milliards de dollars en mars 2025, entend simplement préserver cette option sans s'y engager formellement. Le dépôt confidentiel, procédure courante aux États-Unis, permet à une société de préparer son entrée en Bourse loin des regards des concurrents et des marchés, avant de rendre le dossier public quelques semaines avant l'opération. La question centrale reste de savoir qui achètera réellement ces actions. OpenAI n'est pas encore rentable : ses coûts d'infrastructure et de calcul restent colossaux, et la concurrence s'intensifie avec Google, Anthropic, Mistral ou Meta. Les investisseurs institutionnels devront donc parier sur une rentabilité future dans un secteur où les marges sont incertaines et les modèles économiques en construction. L'appétit des marchés pour les valeurs IA reste fort, mais la valorisation actuelle implique des attentes de croissance extrêmement élevées. Cette annonce s'inscrit dans une période de transformation structurelle pour OpenAI, qui a amorcé début 2025 sa conversion en société à but lucratif classique, abandonnant son statut hybride original. Ce changement de gouvernance était précisément l'une des conditions préalables à une introduction en Bourse. Microsoft, son principal partenaire et investisseur avec plus de 13 milliards de dollars engagés, sera l'un des acteurs clés à surveiller dans ce processus, ses intérêts pouvant diverger de ceux des futurs actionnaires publics.

Business❧Opinion

1 source

44

2498Frandroid 

iOS 27 et Siri AI : marre des promesses d’Apple

Lors de la WWDC 2026, Apple a présenté iOS 27 avec une série de fonctionnalités Siri dopées à l'intelligence artificielle : résumés de notifications, réponses contextuelles dans les applications, intégration avancée avec les modèles de langage. Une keynote ambitieuse, destinée à rattraper le retard d'Apple sur l'IA générative face à Google et Microsoft. Sauf qu'une large partie de ces annonces ne s'applique pas aux utilisateurs européens, contraints une fois de plus de regarder depuis les gradins. La cause est connue : le Règlement sur les marchés numériques (DMA) impose à Apple des obligations d'interopérabilité et de transparence que la firme de Cupertino juge incompatibles avec son modèle de déploiement IA. Résultat, les fonctionnalités Apple Intelligence continuent d'arriver au compte-gouttes en Europe, quand elles arrivent. Pour des millions d'utilisateurs qui paient le même prix qu'un Américain pour leur iPhone, c'est une frustration croissante : acheter un produit premium et se retrouver avec une version bridée d'office. Ce décalage entre annonces mondiales et disponibilité réelle en Europe s'est installé depuis iOS 18 et ne fait qu'empirer avec chaque cycle. Apple et la Commission européenne négocient en arrière-plan, mais aucune résolution n'est en vue à court terme. D'autres acteurs comme Google et Meta déploient eux aussi leurs IA en ordre dispersé selon les régions, mais Apple, avec sa réputation d'expérience unifiée et premium, souffre davantage de l'écart. La question n'est plus de savoir si ces fonctionnalités arriveront, mais combien de keynotes européens devront encore encaisser avant d'y avoir vraiment accès.

Régulation⚖Reglementation

1 source

51

2499arXiv cs.RO 

vla.cpp : un moteur d'inférence unifié pour les modèles vision-langage-action (VLA)

Des chercheurs de FAI ModelOpt Tech ont publié en juin 2026 vla.cpp (arXiv 2606.08094), un moteur d'inférence C++ portable construit sur llama.cpp pour exécuter des politiques VLA (Vision-Language-Action) directement sur le matériel embarqué des robots. L'engine prend en charge sept architectures couvrant cinq familles de backbones et quatre têtes d'action via un protocole requête/réponse unifié, incluant les schémas d'inférence par flow-matching et par diffusion propres aux VLA récents. Sur le benchmark LIBERO-Object, il reproduit le meilleur checkpoint SOTA à un épisode près sur 200 ; BitVLA y atteint 100 % de succès dans 1,3 Gio de mémoire. Le même bundle s'exécute sans modification sur trois niveaux matériels, d'un GPU grand public jusqu'à un module embarqué de 8 Go de RAM. Un noyau GEMM IMMA en escalier, dérivé d'une analyse roofline multi-hardware, réduit la latence par étape de BitVLA d'un facteur 4,5. Les auteurs ont également conduit un test de stress sur un bras ALOHA pour mesurer la contrainte de latence de replanification face à une cible mobile. Le problème structurel que vla.cpp attaque est la dépendance des stacks Python/PyTorch actuels à un GPU de station de travail, hypothèse incompatible avec l'électronique embarquée des robots commerciaux ou des cobots industriels. Démontrer une exécution à succès complet dans 1,3 Gio ouvre concrètement la voie au déploiement edge sans serveur distant ni dépendance cloud pour des tâches de manipulation. L'analyse roofline publiée dans le papier établit un résultat contre-intuitif pour les intégrateurs : l'inférence VLA en batch-1 est compute-bound, non bandwidth-bound, ce qui déplace le levier d'optimisation vers le taux d'utilisation du calcul. L'unification de sept architectures sous un seul protocole réduit également la fragmentation de l'écosystème VLA, frein réel à l'adoption en production. vla.cpp hérite de l'approche de quantification ggml et de la portabilité de llama.cpp de Georgi Gerganov. Les modèles ciblés incluent des architectures issues de Physical Intelligence (pi0) et des projets ouverts comme OpenVLA. La concurrence directe sur ce segment est limitée : la plupart des équipes robotiques maintiennent des pipelines Python maison dépendants de GPU Nvidia RTX 3090/4090 ; ROS 2 et Isaac ROS de Nvidia offrent des primitives d'intégration mais pas de runtime VLA unifié. Aucun acteur français ou européen n'est directement cité dans le papier. Le code, les vidéos de démonstration et le scaffold de benchmark reproductible sont disponibles sur le site du projet.

Robotique❧Opinion

1 source

47

2500arXiv cs.RO 

KPGrasp : correspondance de flux de points clés évolutive pour la génération de saisies dextériques

KPGrasp est un framework de génération de préhension dextère présenté dans un preprint arXiv (juin 2026), combinant flow matching et modèle Transformer pour apprendre des priors de saisie à grande échelle, sans recourir aux fonctions de coût contact-based ni au raffinement coûteux à l'inférence. L'approche repose sur une paramétrisation des mains par points-clés 3D en coordonnées euclidiennes pures, exprimés dans le même référentiel que le nuage de points de l'objet cible, évitant l'espace mixte SE(3)/angles articulaires conventionnel. Sur le benchmark Dexonomy, le modèle atteint 76,3% de taux de succès de préhension, soit +47,4% sur la meilleure baseline directement comparable, avec une profondeur de pénétration réduite à 2,4 mm. Sans fine-tuning spécifique, il obtient également les meilleures performances moyennes sur DexGrasp Anything. En inférence batch, chaque préhension est générée en 0,032 seconde. Des expériences réelles sur 20 objets variés confirment le passage au monde physique. La préhension dextère multi-doigts reste l'un des verrous techniques persistants de la manipulation robotique: saisir de façon stable des objets de formes variées exige une coordination articulaire complexe que les méthodes actuelles peinent à généraliser sans supervision dense ou raffinement coûteux. KPGrasp rompt avec ce paradigme en traitant le problème comme un apprentissage de distribution pure, entraîné uniquement avec la loss standard du flow matching. La scalabilité démontrée avec la taille du modèle, le volume de données et la taille des batchs suit la logique des grands modèles génératifs, signal fort pour les intégrateurs: davantage de données synthétiques de préhension pourrait suffire à améliorer les performances sans engineering de loss ad hoc. Le temps de 32 ms par grasp en inférence batch ouvre un déploiement temps-réel réaliste sur cellules robotiques industrielles équipées de mains dextères. La préhension dextère générative a émergé progressivement via les diffusion models (DexDiffuser, GraspDiffusion) et les réseaux de contacts avant que le flow matching ne s'impose. KPGrasp se positionne dans cette vague avec une prétention explicite de scalabilité data-driven que ses prédécesseurs n'affichaient pas. Les benchmarks Dexonomy et DexGrasp Anything sont devenus des références communautaires pour évaluer la généralisation inter-objets. Côté effecteurs, Shadow Robot, Schunk SVH et Inspire Hands sont les acteurs matériels naturellement concernés. Les suites logiques incluent le couplage avec des VLA comme Pi-0 (Physical Intelligence) ou GR00T N2 de NVIDIA, qui assureraient la planification de haut niveau tandis que KPGrasp générerait les préhensions à bas niveau, comblant ainsi le gap entre policy de manipulation et génération de grasp.

Robotique❖Paper

1 source