Actualités IA — page 14

9 260 articles au fil, du plus récent au plus ancien.

39

Illustration générée par IA

261Apple Machine Learning 

L'espace de conception des modèles de diffusion masquée tri-modaux

Des chercheurs présentent les premiers modèles de diffusion masquée (MDM) tri-modaux entraînés entièrement from scratch sur trois types de données : du texte, des paires image-texte et des paires audio-texte. Leur travail ne se limite pas à la présentation d'un modèle. Il explore de manière systématique l'espace de conception de ces architectures, en étudiant les lois d'échelle multimodales, les proportions de mélange entre modalités, les calendriers de bruit et l'effet de la taille de lot. Les auteurs proposent aussi des réglages d'échantillonnage par défaut optimisés pour l'inférence. Leur analyse de la taille de lot débouche sur une approche nouvelle fondée sur une équation différentielle stochastique (SDE). L'intérêt de ces résultats tient à leur caractère pratique. Entraîner un modèle multimodal coûte cher, et les équipes manquent de repères solides pour arbitrer entre la part de chaque modalité dans les données, le rythme d'ajout du bruit ou la taille des lots. Des lois d'échelle mesurées et des valeurs par défaut d'inférence éprouvées permettent de réduire les essais coûteux et rendent cette famille de modèles plus accessible à ceux qui voudraient la déployer ou la comparer aux approches existantes. Les modèles de diffusion discrète se sont imposés ces derniers temps comme une alternative crédible aux modèles de langage autorégressifs, qui génèrent le texte mot après mot. Jusqu'ici, les travaux multimodaux sur ces modèles partaient en général d'un modèle unimodal déjà entraîné, puis l'affinaient pour produire deux modalités. L'approche décrite rompt avec cette logique en construisant le modèle dès le départ pour trois modalités. Elle ouvre la voie à des comparaisons plus directes avec les systèmes autorégressifs multimodaux.

Recherche❖Paper

1 source

33

Illustration générée par IA

262Apple Machine Learning 

Détection de l'alternance codique grâce aux dimensions sélectives par langue dans les modèles de fondation pour la parole

Des chercheurs proposent une méthode légère pour détecter le code-switching (CS), c'est-à-dire l'alternance de langues au sein d'un même énoncé, directement à partir de l'audio. Elle exploite l'information de langue au niveau des trames, déjà présente dans les représentations internes de modèles de fondation pour la parole préentraînés. L'approche contourne la solution classique, qui consiste à transcrire la parole puis à repérer l'alternance de langues dans le texte. Cette solution exige des transcriptions multilingues précises, difficiles à obtenir justement sur les passages mélangeant plusieurs langues. L'enjeu est pratique. Le code-switching est courant dans la parole multilingue, mais il reste sous-représenté dans les corpus de préentraînement. Pour corriger ce déséquilibre, il faut d'abord retrouver les énoncés concernés dans de très grandes collections audio, afin de les intégrer aux données d'entraînement. Un détecteur qui travaille sur le signal sans passer par un système de reconnaissance vocale réduit le coût et évite la propagation des erreurs de transcription. Les systèmes de reconnaissance et de compréhension de la parole pourraient ainsi mieux gérer les locuteurs qui mêlent naturellement plusieurs langues. Cette recherche s'inscrit dans un mouvement plus large. Les modèles de fondation pour la parole encodent des informations linguistiques que l'on peut exploiter sans les réentraîner. La rareté des données de CS est un frein connu pour les modèles multilingues. Sans filtrage efficace des corpus existants, la couverture de ces phénomènes progressera difficilement. Le texte disponible ne détaille ni les modèles testés ni les performances mesurées.

Recherche❖Paper

1 source

49

Illustration générée par IA

263MarkTechPost 

Meta lance Muse Wonder et Muse Wonder Full : performances, tarifs et mode d'emploi

Meta a lancé Muse Wonder et Muse Wonder Full, présentés comme ses modèles les plus performants à ce jour et conçus pour des agents d'IA personnels et professionnels. Muse Wonder est disponible dès maintenant sur la Meta Model API et dans l'outil Muse Code, tandis que Muse Wonder Full est réservé aux abonnements payants de Muse Code (Power à 50 dollars par mois, Maximum à 200 dollars). Les deux modèles acceptent en entrée du texte, des images, de la vidéo et de l'audio, produisent du texte et offrent une fenêtre de contexte de 1 million de jetons. Ils ne fonctionnent que dans le cloud de Meta, via l'API ou la ligne de commande Muse Code (macOS, Linux, Windows). Muse Wonder est facturé 4 dollars par million de jetons en entrée, 0,20 dollar pour les jetons en cache et 20 dollars en sortie. Selon le tableau de Meta, Muse Wonder Full domine 6 des 14 lignes. Muse Wonder obtient 85,6 sur MemoryBench, le meilleur score parmi les cinq modèles comparés, mais seulement 50,0 sur ProgramBench, contre 70,5 pour Claude Opus 5.5. Sur DeepSWE 1.1, Muse Wonder Full atteint 79,0 contre 74,2 pour Opus 5.5 et 74,1 pour GPT-6 Astra. L'enjeu tient d'abord au positionnement tarifaire. À 4 dollars en entrée et 20 dollars en sortie, Muse Wonder coûte autant que Claude Opus 5.5 et moins de la moitié de Claude Fable 5.1 et de GPT-6 Astra (10 et 50 dollars). Pour les développeurs et les entreprises qui déploient des agents sur des tâches longues, comme le code, les analyses juridiques et financières ou l'usage d'un ordinateur, cela offre une alternative crédible. Meta met en avant deux comportements : l'Active Memory, qui conserve le contexte de l'utilisateur d'une conversation à l'autre, et l'Active Focus, qui pousse le modèle à persévérer, à tester des alternatives et à demander confirmation avant les actions importantes. Côté développeurs, le modèle planifie de longues tâches, délègue à des sous-agents et pilote navigateurs et applications de bureau ou mobiles. Les résultats restent toutefois contrastés : Opus 5.5 garde l'avantage sur ProgramBench, Terminal-Bench 4.0 (59,6 contre 52,0 pour Muse Wonder) et OSWorld V2.1 (81,8 contre 72,6), et sur l'indice d'intelligence d'Artificial Analysis, Muse Wonder (52) et Muse Wonder Full (56) restent derrière Opus 5.5 (58). Muse Wonder succède à Muse Spark dans la gamme de Meta. L'entreprise affirme l'avoir entraîné dans son centre de données Prometheus, avec des progrès à la fois en préentraînement et en apprentissage par renforcement, et attribue à un modèle de base plus grand ses meilleurs résultats sur des tâches inédites. Il faut lire les chiffres avec prudence : plusieurs évaluations, dont le Personal Superintelligence Index, MemoryBench et FocusBench, sont internes à Meta, et la fiche du modèle reconnaît que les exécutions des concurrents sont faites au mieux et peuvent ne pas être optimisées. Pour SWE-Marathon, les rivaux ont été testés avec Codex et Claude Code, ce qui exclut une comparaison à environnement identique. Aucun des modèles n'est à poids ouverts et leur taille n'est pas divulguée. Pour essayer Muse Wonder, il faut se connecter sur dev.meta.ai avec un compte Meta, accepter les conditions de l'API, ajouter une carte bancaire, puis créer une clé d'API à exporter sous le nom MODELAPIKEY. Le modèle muse-wonder-1.0 est ensuite testable dans le Playground.

LLMs⚡Actu

1 source

41

Illustration générée par IA

264The Information AI 

Repenser l'organisation des entreprises pour l'ère des agents autonomes

Les entreprises qui misent le plus sur l'IA agentique ne se contentent plus d'ajouter des outils à des processus existants, elles redessinent leur organisation. Lors d'un échange animé par Amir Efrati, co-rédacteur en chef de The Information, trois dirigeants ont détaillé leur approche. Chez Block, la maison mère de Square, Cash App et Afterpay, Owen Jennings explique que l'entreprise a refondu son modèle fonctionnel quand les agents IA sont devenus capables d'écrire du code de production dans des systèmes complexes. Ingénierie, produit, design et ventes travaillent désormais ensemble sur des capacités partagées entre les trois marques. Block a livré environ trois fois plus de fonctionnalités Square au premier semestre 2026 qu'un an plus tôt. Chez Cloudflare, la directrice de la stratégie Stephanie Cohen affirme qu'il a fallu supprimer des fonctions entières pour changer réellement le travail. L'entreprise a aussi recruté 1 111 stagiaires cette année, des profils nés avec l'IA, qui ont notamment construit des automatisations que personne n'avait eu le temps de développer. L'enjeu dépasse la productivité interne. Chez Block, ce changement se voit dans l'expérience client : Square et Cash App font apparaître des outils, des analyses ou des actions au bon moment, au lieu de proposer des interfaces statiques identiques pour tous. Jennings insiste sur le fait qu'il ne s'agit pas d'automatiser pour automatiser, mais de construire des choses utiles aux clients. Les trois entreprises refusent par ailleurs de présenter les agents comme un moyen d'évincer les humains. Block a publié Buzz, un outil open source qui donne à chaque agent sa propre identité, ses permissions et son contexte, afin de rendre leur travail visible et pilotable pour que les équipes se concentrent sur le jugement, le goût et la compréhension du client. Chez Klaviyo, le directeur technique Surabhi Gupta veut des ingénieurs installés aux côtés des équipes métiers pour devenir de véritables experts du domaine, plutôt que des exécutants de tickets. L'adoption est aussi une question de culture : Cloudflare organise des ateliers volontairement sans pression et désigne dans chaque équipe un « champion » de l'IA, souvent quelqu'un qui expérimente déjà, car il est plus facile de poser une question à un pair. Ces témoignages s'inscrivent dans un moment de bascule, où les entreprises passent de l'expérimentation de l'IA, ces dernières années, à la question de leur propre architecture en 2026. Stephanie Cohen décrit la brique technique indispensable comme un « harness », une couche qui relie les modèles aux dispositifs de sécurité, aux systèmes de référence, au contexte de l'entreprise et aux identités des employés, tout en permettant de changer de modèle selon les besoins. Elle résume le piège courant : beaucoup ont donné un marteau en demandant de construire une maison, alors qu'il faut d'abord concevoir la maison. L'agentique fait aussi émerger de nouveaux indicateurs de réussite, comme la vélocité de développement, c'est-à-dire le rythme de livraison des nouvelles fonctionnalités, que Block met en avant. La suite dépendra de la capacité des entreprises à généraliser ces modèles au-delà des pionnières de la tech, et à mesurer ce qui compte vraiment pour leurs clients.

Business❧Opinion

1 source

38

Illustration générée par IA

265AWS ML Blog 

Création d'agents capables d'effectuer des paiements avec Anchor Browser et AgentCore payments

Les agents d'IA se heurtent de plus en plus souvent à des ressources web facturées à la requête : jeux de données premium vendus à la consultation, API de recherche mesurées à l'appel, contenus d'éditeurs protégés par un paywall. Dans ces cas, le serveur renvoie le code HTTP 402 Payment Required, et l'agent, dépourvu de moyen de paiement, de budget associé à sa session et de procédure programmatique pour répondre, voit sa tâche s'arrêter jusqu'à l'intervention d'un humain. Anchor Browser, développé en collaboration avec le AWS Generative AI Innovation Center Partner Agent Factory et désormais disponible sur AWS Marketplace, propose une fonction de paiement agentique qui s'intègre à Amazon Bedrock AgentCore payments. Cette dernière, capacité entièrement gérée d'AgentCore, permet aux agents de découvrir, d'accéder et de payer des API, des serveurs MCP et du contenu web via le protocole x402, standard ouvert de paiement machine à machine sur HTTP. Le serveur y répond par un 402 indiquant le montant, les moyens de paiement acceptés et l'adresse de règlement. AgentCore payments gère la connexion aux portefeuilles, applique des plafonds de dépenses au niveau de l'infrastructure et expose via Amazon CloudWatch les tentatives, approbations, refus et règlements. Concrètement, lorsqu'un agent exécuté dans Anchor Browser, navigateur cloud conçu pour les agents d'IA, rencontre une réponse 402, AgentCore payments autorise et finalise la transaction dans la limite du budget configuré, et le flux de travail se poursuit sans interruption. Anchor Browser fournit pour chaque session un environnement géré qui conserve l'état d'authentification, gère la navigation, capture les requêtes réseau et offre une vue en direct des interactions. L'enjeu est de supprimer un travail considérable pour les développeurs, qui doivent aujourd'hui construire eux-mêmes toute la pile de paiement. Celle-ci couvre la détection et l'analyse du défi 402, la construction de l'en-tête de paiement avec preuve cryptographique au format attendu par le marchand, la prise en charge de plusieurs schémas (exact, upto et variantes), ainsi que la compatibilité entre marchands dont les formats de défi, stablecoins acceptés ou délais de règlement diffèrent. Le contexte est celui d'une montée en puissance des agents autonomes, dont l'efficacité se heurte à l'absence d'infrastructure de paiement adaptée. Au-delà du protocole, les développeurs doivent stocker une clé privée de signature dans un environnement exposé à des entrées non fiables, gérer le cycle de vie des portefeuilles (rotation des clés, renouvellement des identifiants, bascule entre fournisseurs), rejouer la requête initiale avec l'en-tête de paiement en préservant cookies et contexte de session, garantir l'idempotence des opérations et appliquer des limites de dépense par session et par transaction avec un suivi budgétaire en temps réel sur des exécutions concurrentes. S'ajoutent des exigences de traçabilité, avec des journaux d'audit pour la conformité et le rapprochement comptable. En confiant ces tâches à un service géré, AWS et Anchor Browser cherchent à faire du paiement par requête une capacité native des agents, au moment où les éditeurs et fournisseurs de données explorent la tarification à l'appel comme alternative à l'abonnement.

Outils⚒Outil

1 source

54

Illustration générée par IA

266The Decoder 

Gemini 4 Argon est disponible dans le monde entier, le modèle le plus performant de Google

Google déploie Gemini 4 Argon dans le monde entier. Le modèle est accessible via son API, l'application Gemini et la plateforme Google Antigravity. Le groupe le présente comme son modèle de pointe le plus performant à ce jour et l'accompagne d'une tarification particulièrement agressive. Selon Google, Argon est déjà utilisé en interne et a permis de ramener certaines tâches de programmation de plusieurs mois à quelques semaines. Ce lancement intéresse en premier lieu les développeurs et les entreprises qui intègrent des modèles de langage dans leurs produits. Un prix bas peut peser sur leurs choix, surtout pour les usages intensifs comme l'assistance au code ou les agents autonomes. Il faut toutefois nuancer le tableau. Dans les benchmarks indépendants, Argon reste derrière Claude Opus 5.5, d'Anthropic, et Muse Wonder Full, de Meta. Les clients devront donc arbitrer entre coût et performance brute. Le gain de temps sur le développement logiciel est une déclaration de Google, issue de son usage interne, et non le résultat d'une évaluation externe. L'arrivée d'Argon s'inscrit dans la course aux modèles de pointe, où Google, Anthropic et Meta se disputent les développeurs et les budgets des entreprises. En diffusant son modèle à la fois par son API, son application grand public et Antigravity, Google cherche à l'ancrer dans l'ensemble de son écosystème, de l'usage quotidien aux outils de développement. La suite dépendra des évaluations indépendantes à venir, qui diront si l'écart avec les modèles concurrents se réduit, et de la réaction de ces derniers face à une politique tarifaire offensive.

LLMs⚡Actu

1 source

50

Illustration générée par IA

267Frandroid 

Doctolib, Pigment, Genesis AI, Entalpic : Nvidia fait ses courses en France

Nvidia entre au capital de Doctolib en tant qu'actionnaire minoritaire. Son PDG, Jensen Huang, l'a annoncé à Paris le mardi 13 octobre, sans dévoiler le montant de l'investissement. Le géant américain des puces ne s'arrête pas à la plateforme de prise de rendez-vous médicaux. Il prend aussi des participations dans trois autres jeunes pousses françaises de l'intelligence artificielle : Pigment, Genesis AI et Entalpic. Cela fait quatre sociétés tricolores qui rejoignent en une seule annonce le portefeuille d'investissements de l'entreprise. Cette opération montre que Nvidia ne se contente plus de vendre les processeurs graphiques qui alimentent l'IA mondiale. Le groupe finance aussi les entreprises qui bâtissent des applications sur cette infrastructure. Pour Doctolib, très présent dans la santé, comme pour Pigment, spécialisée dans la planification financière d'entreprise, ce soutien apporte de la crédibilité et un accès privilégié à l'écosystème technologique de Nvidia. Il confirme aussi que l'écosystème français de l'IA attire les grands acteurs mondiaux, au-delà des seuls laboratoires de modèles. Cette annonce s'inscrit dans la stratégie de Nvidia, qui multiplie depuis plusieurs années les prises de participation dans des startups clientes ou partenaires. Elle renforce ainsi la demande pour ses propres puces. La France, qui a fait de l'IA une priorité nationale et dispose d'un vivier de chercheurs reconnu, devient un terrain de chasse privilégié. Le choix de Genesis AI et d'Entalpic, deux sociétés plus tournées vers la recherche, laisse penser que Nvidia mise aussi sur des usages scientifiques de l'IA. D'autres investissements dans le pays restent possibles.

Business⚡Actu

1 source

39

Illustration générée par IA

268The Decoder 

Le pionnier du machine learning Michael I. Jordan démonte les discours apocalyptiques sur l'IA, qu'il juge être une « grande performance moralisatrice

Michael I. Jordan, que la revue Science décrit comme « l'informaticien le plus influent », tient les avertissements sur la superintelligence pour de la pure science-fiction. Le pionnier de l'apprentissage automatique juge que les démissions de jeunes chercheurs en IA, motivées par des craintes éthiques ou existentielles, relèvent d'une « grande performance moralisatrice ». Il qualifie de « théâtre » les appels à la régulation lancés par les entreprises du secteur. Il s'en prend aussi à la thèse de Geoffrey Hinton, selon laquelle le cerveau peut être reproduit en silicium puis amplifié jusqu'à produire une superintelligence. Sa réponse est sans nuance : « Aucune des étapes de cet argument n'est crédible. Ici, nous sommes au pays de la science-fiction. » Ces déclarations comptent parce qu'elles viennent d'un des fondateurs du domaine, et non d'un observateur extérieur. Elles offrent un contrepoids de poids au récit du risque existentiel, qui nourrit une partie des débats politiques et médiatiques sur l'IA. Elles mettent aussi en doute la sincérité de certains acteurs industriels : si la demande de régulation est une mise en scène, les décideurs publics doivent examiner avec méfiance les propositions qui l'accompagnent. Le contexte est celui d'une fracture entre figures historiques de l'intelligence artificielle. Hinton, autre pionnier du domaine, alerte depuis plusieurs années sur les dangers d'une IA qui dépasserait l'humain, et ses mises en garde ont donné du crédit au courant dit « catastrophiste ». Jordan incarne la ligne opposée, qui juge ces scénarios spéculatifs et détournant l'attention des enjeux concrets. Ce désaccord entre experts de premier plan devrait continuer à structurer le débat sur la gouvernance de l'IA.

Société❧Opinion

1 source

52

Illustration générée par IA

269Ars Technica AI 

Google veut héberger vos applications personnelles créées par "vibe coding" sur le Play Store

Google étend les fonctions d'intelligence artificielle du Play Store et prépare une nouveauté pour les utilisateurs qui créent leurs propres applications par « vibe coding ». Ask Play, lancé en 2025 sous la forme d'un petit chatbot sur les fiches d'applications, permettait de poser des questions sur une application ou un jeu, en saisissant sa requête ou en choisissant parmi des suggestions. Dès aujourd'hui, l'outil devient un moteur de recherche plus général : l'utilisateur interroge l'assistant, qui génère des recommandations pouvant inclure des tableaux comparatifs détaillés. Gemini doit proposer une capacité similaire prochainement. Google annonce aussi Game Finder, un moteur de recommandation de jeux qui s'appuie sur les données d'usage accumulées par la plateforme, avec des enseignements sur la façon dont 1,2 milliard de personnes jouent sur Android. Il construit un profil baptisé Gamer DNA et met en relation chaque joueur avec d'autres dont le profil est proche. Enfin, le Play Store proposera bientôt un moyen d'héberger et de partager en privé les applications créées par des particuliers avec l'aide de l'IA. L'enjeu est double. Pour les utilisateurs, la recherche conversationnelle promet de remplacer la navigation par catégories et mots-clés par des réponses ciblées et comparées, ce qui peut changer la manière dont les applications sont découvertes, et donc leur succès commercial. Les développeurs et éditeurs devront composer avec un intermédiaire qui décide en partie de ce qui est recommandé. L'hébergement privé des applications « vibe-codées » ouvre quant à lui le magasin à des créateurs non professionnels, qui pourront distribuer leurs outils à des proches ou à une équipe sans passer par une publication publique, ni par l'installation manuelle de fichiers APK. Ces annonces s'inscrivent dans la course des grandes plateformes à intégrer l'IA générative à chaque étape de l'expérience utilisateur. Google dispose d'un avantage de taille avec l'ampleur des données comportementales de Play, qu'il exploite pour personnaliser la découverte, au risque de soulever des questions de vie privée et de pouvoir de marché, alors que son magasin d'applications fait déjà l'objet d'un examen réglementaire et judiciaire. La démocratisation de la création d'applications par l'IA crée par ailleurs un besoin de distribution que Google entend capter avant ses concurrents, Apple en tête. Les conditions d'accès, les limites de partage et le calendrier précis du service d'hébergement privé restent à préciser.

Outils⚒Outil

Aussi surThe Verge AI,Frandroid

50

Illustration générée par IA

270Next INpact 

NVIDIA entre au capital de Doctolib pour « accélérer dans l’IA en santé »

NVIDIA entre au capital de Doctolib via une participation minoritaire, dont le montant n'a pas été communiqué. Stanislas Niox-Chateau, cofondateur et directeur général de la plateforme française de rendez-vous médicaux, explique que ce financement doit « accélérer les recrutements et les développements IA ». Doctolib aura aussi accès aux experts du géant américain, qui épauleront la centaine de scientifiques, ingénieurs et designers travaillant sur ces outils. L'entreprise utilise déjà les technologies NVIDIA depuis un an pour concevoir ses propres modèles, présentés comme répondant au plus haut standard de précision médicale. Ces modèles alimentent des agents IA destinés aux soignants. L'assistant de consultation, fondé sur un modèle de reconnaissance vocale spécialisé dans le français et le vocabulaire médical, a déjà documenté plus de 12 millions de consultations. D'autres assistants couvrent la facturation, le secrétariat, la gestion documentaire et la codification. L'assistant personnel destiné aux patients, actuellement testé par 400 000 Français, sera proposé à tous les utilisateurs en 2027. Cet investissement dépasse la portée symbolique. Pour les médecins et les équipes administratives, il promet des outils plus rapides à déployer et plus précis, dans un secteur où la charge de saisie et de facturation pèse lourd sur le temps de soin. Pour les patients, l'extension de l'assistant personnel à l'ensemble des utilisateurs en 2027 pourrait modifier la manière d'accéder au système de santé, de la préparation d'une consultation au suivi des démarches. L'opération confirme aussi que Doctolib mise sur des modèles développés en interne plutôt que sur une dépendance totale à des fournisseurs tiers. Elle pose en revanche une question sensible, celle de la souveraineté et de la protection des données de santé, parmi les plus confidentielles qui existent, lorsqu'un acteur américain de premier plan entre au capital d'une plateforme utilisée par une grande part de la population française. Ces inquiétudes s'appuient sur un historique récent. En juin, Doctolib avait assuré qu'elle ne livrait pas les informations de ses utilisateurs aux grands acteurs américains de l'IA. En juillet, elle a annoncé vouloir exploiter ces mêmes données pour ses propres recherches en IA, sans demander de consentement préalable, tout en laissant aux utilisateurs la possibilité de refuser. Ces épisodes ont nourri la controverse. L'entreprise y répond en précisant que l'argent de NVIDIA servira à accélérer le développement de modèles à poids ouverts et open source, et à investir davantage dans les infrastructures européennes qui les font fonctionner. Reste à voir si ces engagements suffiront à rassurer patients et professionnels, alors que la concurrence entre acteurs de la santé numérique s'intensifie et que NVIDIA multiplie les prises de participation auprès de sociétés qui utilisent ses puces et ses logiciels.

Business⚡Actu

Aussi surLe Monde Pixels,Maddyness

31

Illustration générée par IA

271AWS ML Blog 

Requêtes de sécurité en langage naturel chez Orca Security avec Amazon Bedrock

Orca Security, éditeur de solutions de sécurité cloud, a présenté Discovery AI, un agent de requêtes en langage naturel construit avec AWS sur Amazon Bedrock. Il traduit une question posée en langage courant en requête Sonar, le système de requêtes propre à Orca qui permet de rechercher, filtrer et explorer l'ensemble du graphe de données d'un environnement cloud. Sonar couvre plus de 900 modèles de ressources, comme une instance Amazon EC2 ou un bucket Amazon S3, et propose 18 opérateurs de comparaison tels que « égal à » ou « contient ». Les utilisateurs devaient jusqu'ici écrire des objets JSON précis, avec les bons noms de modèles et la navigation dans des hiérarchies parent-enfant. Le prototype initial chargeait le schéma complet dans un seul prompt sur le plus grand modèle disponible. La qualité était jugée bonne par les partenaires et les utilisateurs internes, mais il fallait environ 2 millions de tokens d'entrée par requête et près de 60 secondes de latence. La précision sur les requêtes complexes impliquant plusieurs modèles restait limitée. La version de production traite des milliers de requêtes par jour avec un temps de réponse d'environ 15 secondes. Par rapport au point de départ, Orca annonce 90 % de coûts en moins, 93 % de tokens d'entrée en moins et une latence réduite de 75 %. Ces résultats montrent qu'une interface en langage naturel pour des données de sécurité complexes peut être économiquement viable à grande échelle. Les analystes obtiennent des réponses rapides sur leur infrastructure sans connaître en détail le schéma de Sonar, ce qui élargit l'accès aux données à des profils moins spécialisés et réduit le temps entre la question et l'investigation. Pour Orca, la baisse des coûts rend le service déployable à un volume d'usage élevé sans dégrader l'expérience. Plus largement, l'exemple illustre qu'une approche « tout dans le prompt » donne de bons résultats de démonstration mais ne passe pas la production. Découper le problème en étapes et attribuer à chacune le modèle le plus adapté permet de gagner à la fois en vitesse, en coût et en fiabilité. Pour y parvenir, Orca a conçu une architecture hybride combinant génération augmentée par récupération (RAG) et construction de requêtes tenant compte du schéma. Le pipeline compte neuf étapes, et chacune s'appuie sur le modèle de fondation le plus pertinent. Au lieu d'injecter les 900 définitions de modèles, le système n'envoie que les éléments utiles à la question, puis valide le filtre Discovery produit. Orca a retenu Amazon Bedrock pour son accès multi-modèles via une seule API, qui évite de gérer des intégrations séparées, et pour ses contrôles de gouvernance AWS (IAM, points de terminaison VPC, CloudTrail) conformes à ses exigences de sécurité. L'architecture étant indépendante du modèle, l'équipe peut adopter de nouvelles versions sans refonte du pipeline. Cette évolution s'inscrit dans la tendance des éditeurs de sécurité à ajouter des assistants conversationnels à leurs plateformes, tandis que les fournisseurs de cloud rivalisent pour proposer les briques d'orchestration de ces systèmes multi-modèles.

Outils⚡Actu

1 source

46

Illustration générée par IA

272Meta Engineering ML 

GEM de Meta : le modèle central et le moteur de calcul qui font passer l'IA publicitaire à l'échelle supérieure

Meta a dévoilé la nouvelle génération de GEM (Generative Ads Model), son modèle de fondation pour la recommandation publicitaire, présenté l'an dernier comme le plus grand du secteur. La version 2026 abandonne les optimisations isolées par domaine (Facebook, Instagram, Reels) au profit d'un modèle central unique. Celui-ci apprend à partir des données et des signaux de l'ensemble des plateformes publicitaires du groupe. Selon Meta, GEM a généré une hausse de 18,9 % des conversions et de 12 % du taux de clic sur l'ensemble de ses surfaces et objectifs. Sur l'année écoulée, il a aussi apporté des gains de conversion de 5,8 % sur Facebook, 4,1 % sur Instagram et 1,6 % pour les conversions hors plateforme auprès des utilisateurs ciblés. Le progrès repose sur trois briques techniques. La première est Kunlun, une architecture de type LLM conçue avec les derniers GPU, qui permet de traiter de longs historiques d'engagement. Meta y observe une loi d'échelle comparable à celle des grands modèles de langage, avec une complexité du modèle multipliée par 2,5. La deuxième est LoopFM, une technique de post-entraînement qui transmet les représentations internes de GEM aux modèles destinés à l'utilisateur. La troisième est Solaris, un système de précalcul élastique. L'enjeu est d'abord économique. Faire tourner un modèle de cette taille en temps réel pour chaque annonce candidate serait trop coûteux et ralentirait l'affichage, au détriment de l'expérience utilisateur et du retour sur investissement des annonceurs. LoopFM double le transfert d'intelligence par rapport à la simple distillation de connaissances utilisée dans la version précédente, sans calcul ni latence supplémentaires. Pour les annonceurs, la promesse est une amélioration simultanée de la performance à tous les stades de l'entonnoir, de la notoriété à la conversion, avec une meilleure adéquation entre les annonces et les attentes des personnes. Pour le secteur, l'enjeu dépasse Meta. Les systèmes de recommandation n'obéissaient jusqu'ici pas aux lois d'échelle qui ont fait le succès des transformeurs en langage. Si cette progression se confirme, elle indique que la publicité pourra tirer parti de l'augmentation de la puissance de calcul de la même façon que les LLM. Le contexte tient à la structure même de l'activité publicitaire de Meta. 3,6 milliards de personnes utilisent chaque jour au moins l'une de ses applications, réparties sur des dizaines de surfaces comme Facebook, Instagram, Reels ou Stories. Chaque surface et chaque objectif d'optimisation disposait auparavant de son propre système de prédiction indépendant. Plus la plateforme gagnait en surfaces et en objectifs, plus il devenait difficile d'améliorer la performance partout à la fois. Les difficultés propres à la recommandation compliquaient encore la tâche : des caractéristiques massives et hétérogènes, et des distributions de données changeantes. GEM répond à cela avec un moteur de calcul unifié qui prédit conjointement clics et conversions sur toutes les surfaces. La suite s'annonce dans l'extension de cette approche à l'ensemble de l'écosystème publicitaire de Meta, avec du matériel de nouvelle génération pour augmenter encore le calcul et le transfert d'intelligence.

Business⚡Actu

1 source

49

Illustration générée par IA

273Ars Technica AI 

Gemini 4 Argon arrive dans l'app Gemini et Antigravity, mais réservé aux abonnés payants

Google a dévoilé Gemini 4 Argon il y a quelques semaines en expliquant qu'il fallait avancer prudemment vers une disponibilité générale, en raison des risques d'usage malveillant. Le groupe semble avoir levé ces réserves assez vite : le déploiement à grande échelle débute aujourd'hui, mais uniquement pour les abonnés payants, et même ceux des formules d'entrée de gamme n'obtiennent pas un accès complet. Le modèle est proposé dans l'application Gemini et dans Antigravity. Ses capacités n'ont pas changé, et Google continue de s'appuyer sur les benchmarks publiés fin septembre pour vanter son raisonnement avancé et son aptitude au codage agentique. Il aurait été entraîné à refuser les instructions malveillantes, et un moniteur automatique de désalignement peut interrompre le traitement s'il détecte un flux de travail non prévu. Google affirme que ces garde-fous sont nécessaires précisément parce que le modèle est très performant. Elle avance aussi de nouveaux exemples d'usage interne, où des milliers de salariés l'utilisent. Argon aurait contribué à rendre le système de commentaires de YouTube plus efficace : il a repéré un rendu redondant des émojis dont la suppression a réduit la charge des serveurs de 45 %. Les ingénieurs l'ont également lancé sur le simulateur de physique propriétaire des drones du projet Wing, où il a mis au jour des bugs critiques présents dans le code depuis 2018. Ces résultats donnent un aperçu concret de ce que le modèle peut apporter aux développeurs, en matière d'optimisation d'infrastructures comme de fiabilité de logiciels anciens, même si ces chiffres proviennent de Google elle-même et n'ont pas été vérifiés de manière indépendante. Ce lancement s'inscrit dans une tendance du secteur : les laboratoires d'IA présentent d'abord leurs modèles les plus puissants avec des précautions affichées, puis les ouvrent progressivement, en commençant par les clients qui paient. La réserve initiale de Google sur les usages malveillants, vite écartée, illustre la tension entre prudence annoncée et pression concurrentielle. Google ajoute qu'Argon a fait progresser son programme de robotique, avec un gain mesurable en raisonnement incarné, un domaine où la rivalité avec les autres grands acteurs de l'IA s'intensifie. Reste à savoir quand les utilisateurs gratuits et les formules les plus modestes bénéficieront d'un accès complet.

LLMs⚡Actu

1 source

52

Illustration générée par IA

274Frandroid 

Gemini 4 Argon passe un cap : déploiement mondial et bonne surprise pour les abonnés Pro

Google ouvre ce mardi 13 octobre son modèle Gemini 4 Argon à un public beaucoup plus large. Il devient accessible aux abonnés des offres Google AI Pro et Ultra, ainsi qu'aux développeurs et aux entreprises via l'API Gemini. Annoncé le 30 septembre, le modèle n'était disponible jusqu'ici que pour un petit nombre d'équipes de cybersécurité. Le déploiement est présenté comme mondial. L'accès des abonnés Pro, l'offre intermédiaire, est mis en avant comme une bonne surprise, car les modèles les plus avancés de Google sont souvent d'abord réservés à l'abonnement le plus cher. Pour les utilisateurs, l'enjeu est concret. Les abonnés Pro peuvent utiliser le même modèle que ceux de l'offre Ultra, sans payer le tarif supérieur. Côté professionnel, l'ouverture de l'API permet aux développeurs d'intégrer Gemini 4 Argon dans leurs applications et aux entreprises de l'essayer dans leurs outils internes. Ce passage d'un test restreint à une diffusion générale marque l'entrée du modèle dans sa phase commerciale. Ce calendrier suit un schéma devenu courant dans le secteur. Les éditeurs d'IA réservent d'abord leurs modèles les plus puissants à des partenaires choisis, en particulier en cybersécurité, où les capacités d'un modèle peuvent servir aussi bien la défense que l'attaque. Ils élargissent ensuite l'accès par étapes. Google, qui rivalise avec OpenAI et Anthropic, cherche à rendre ses modèles accessibles vite à la fois aux particuliers et aux développeurs, deux publics dont dépend sa position sur le marché.

LLMs⚡Actu

1 source

48

Illustration générée par IA

275AWS ML Blog 

Créer des agents à long horizon avec Grok 4.7 sur Amazon Bedrock

SpaceXAI a rendu son modèle Grok 4.7 disponible sur Amazon Bedrock, la plateforme d'AWS qui propose des modèles de fondation de plusieurs fournisseurs. Selon SpaceXAI, ce modèle est entraîné pour travailler plus longtemps sur des tâches difficiles et pour vérifier son propre travail. Il repose sur un modèle de base plus grand que Grok 4.6 et sur un apprentissage par renforcement plus long, orienté vers des problèmes qui demandent de nombreuses heures. Les gains publiés sont nets sur le travail soutenu : Terminal-Bench 4.0 passe de 20,3 % à 37,6 %, EEBench (ingénierie électrique) de 53,0 % à 64,0 %, CursorBench 4.0 de 40,4 % à 46,3 %, HealthBench Professional de 48,5 % à 56,7 % et le Harvey Legal Agent Benchmark de 15,8 % à 19,6 %. Le modèle offre une fenêtre de contexte de 500 000 jetons, accepte texte et image en entrée, et produit du texte. Sur Bedrock, il gère le raisonnement paramétrable, l'appel d'outils et la sortie structurée. Pour mesurer l'effet du réglage de l'effort de raisonnement, les auteurs ont construit un agent appelant des outils et l'ont testé sur trois tâches de recherche : diagnostiquer une panne touchant deux services à partir des alertes, planifier une maintenance sous contraintes croisées, et choisir un ensemble optimal de migrations sous budget. Chaque tâche a une seule bonne réponse, vérifiée par force brute. Avec six essais par niveau d'effort, soit 72 exécutions, l'agent a répondu juste 67 fois. Au niveau xhigh, il a réussi les 18 essais ; au niveau low, il en a réussi 15 sur 18 en consommant environ huit fois moins de jetons de sortie. Ce résultat chiffre un compromis que les équipes peuvent régler requête par requête. Pour les agents, qui enchaînent de nombreuses étapes et doivent vérifier ce qu'ils découvrent, il ne suffit pas de chercher une information : il faut formuler une réponse candidate, la confronter à ce qui a été appris, puis l'affiner. Un effort élevé garantit ici la fiabilité maximale, tandis qu'un effort faible réduit fortement la consommation pour une perte de précision modeste. Les auteurs choisissent de rapporter des quantités de jetons plutôt que des montants, car les tarifs évoluent alors que les volumes permettent à chacun de calculer ses propres coûts. Ils insistent aussi sur la méthode : les benchmarks publics décrivent un comportement moyen, mais seule une mesure sur des tâches proches de la charge réelle indique quel niveau d'effort retenir, et un suivi en production permet ensuite d'ajuster ce choix. L'accès se fait par le point d'entrée bedrock-runtime, via un profil d'inférence inter-régions plutôt qu'un identifiant de modèle seul. Le profil us.xai.grok-4.7 maintient le routage dans la géographie américaine, utile en cas d'exigence de résidence des données, tandis que global.xai.grok-4.7 répartit les requêtes sur les régions commerciales d'AWS pour obtenir la plus grande capacité. Ce routage inter-régions augmente le débit sans obliger à gérer la capacité région par région. Le modèle est compatible avec les API Chat Completions et Responses d'OpenAI ainsi qu'avec l'API Converse d'Amazon Bedrock, où le raisonnement est renvoyé dans un bloc reasoningContent à côté du texte. Dans la configuration d'inférence, il faut seulement définir maxTokens et placer les paramètres propres au modèle ailleurs. Cette arrivée s'inscrit dans la stratégie d'AWS de proposer un large choix de modèles concurrents, au moment où l'industrie se concentre sur des agents capables de mener des tâches longues de façon autonome.

LLMs⚡Actu

1 source

41

Illustration générée par IA

276AWS ML Blog 

Ingénierie de kernels Mixture-of-Experts sur Amazon SageMaker AI

Amazon détaille les optimisations de noyaux GPU qu'elle a mises au point pour les modèles Mixture-of-Experts (MoE) sur Amazon SageMaker AI. Cette architecture n'active qu'une partie de ses paramètres pour chaque token, ce qui permet d'augmenter la capacité d'un grand modèle de langage sans faire croître proportionnellement le calcul. Les opérations MoE représentent toutefois une part importante du temps de calcul total, si bien que toute inefficacité se répercute directement sur la latence et le coût des requêtes. La technique centrale est le « fused MoE », qui fusionne le routage des tokens, le réordonnancement des données et les calculs des experts en une seule opération groupée sur le GPU, au lieu de boucles séquentielles distinctes. Le premier levier décrit s'appelle « Swap-AB » et vise l'architecture NVIDIA Hopper. Celle-ci repose sur l'instruction WGMMA, exécutée par un groupe coopératif de 128 threads. Au niveau de l'assembleur (wgmma.mma_async), la dimension de lignes M de l'opérande A est fixée à 64, tandis que la dimension de colonnes N reste variable. Les deux emplacements d'opérandes ne sont donc pas interchangeables. Cette contrainte devient un goulot d'étranglement sévère pendant la phase de décodage. Dans le calcul standard A[M,K] x B[K,N], M correspond au nombre de tokens, K à la dimension cachée et N à la dimension de sortie de l'expert. En décodage, chaque séquence utilisateur ne traite qu'un token à la fois, de sorte que M tombe souvent sous 64 et descend fréquemment à 1. La matrice A devient alors un mince vecteur ligne, par exemple 1 x 4096, tandis que les poids d'expert B forment un grand bloc dense, par exemple 4096 x 8192. Comme A ne peut pas remplir les 64 lignes exigées, une grande partie de la capacité des Tensor Cores reste inutilisée et le silicium consomme des cycles sur des emplacements vides. Le gain visé par l'inversion des opérandes est donc une meilleure utilisation du matériel, avec à la clé des réponses plus rapides et moins coûteuses pour les utilisateurs de modèles MoE en production. Ce travail s'inscrit dans la montée en puissance des architectures MoE, devenues courantes pour déployer de très grands modèles à un coût d'inférence maîtrisé. L'enjeu est que le gain théorique de la sparsité ne se concrétise que si les noyaux exploitent finement le matériel. Dans une couche dense classique, les matrices de poids sont statiques, unifiées et contiguës. Dans une couche MoE, la charge est au contraire fragmentée entre de nombreux experts, chacun ne recevant qu'un petit nombre de tokens, ce qui aggrave le problème des matrices trop minces. Les noyaux fusionnés complexifient en retour l'implémentation et le débogage, et exigent des optimisations propres à chaque génération de GPU. L'article présente Swap-AB comme la première d'une série d'optimisations, et ses auteurs entendent montrer comment les clients de SageMaker AI peuvent en profiter. Le texte fourni s'arrête avant la description des autres techniques et des résultats chiffrés.

Infrastructure⚡Actu

1 source

47

Illustration générée par IA

277The Verge AI 

Epic adopte un développement accéléré par l'IA pour son prochain jeu Disney

Epic Games prévoit d'utiliser l'intelligence artificielle pour générer le code et les visuels d'un jeu Disney encore non annoncé, dont la sortie, initialement attendue en mars, a été repoussée, selon une enquête de Bloomberg. Les développeurs du projet ont reçu un mandat « AI-first » qui leur impose de recourir davantage à des outils comme Claude, d'Anthropic, pour achever le jeu. Dans un message adressé aux équipes, l'un des directeurs du projet a écrit : « Fini le code écrit à la main ». Les employés ont aussi appris que l'ensemble des éléments graphiques sera « généré par des flux de travail entièrement pilotés par l'IA ». Jake Jones, porte-parole d'Epic Games, a déclaré à Bloomberg que l'entreprise adopte un « développement accéléré par l'IA ». Cette directive est l'une des plus radicales connues à ce jour dans l'industrie du jeu vidéo, où l'IA générative restait jusqu'ici cantonnée à des usages d'appoint, comme l'assistance à la programmation ou le prototypage. Imposer l'abandon du code manuscrit et de la création artistique traditionnelle sur un projet de grande envergure bouleverse le quotidien de développeurs, de graphistes et d'animateurs, dont les métiers sont directement concernés. Elle pose aussi des questions de qualité, de propriété intellectuelle et de cohérence artistique pour une licence aussi sensible que celle de Disney, très attentive à son image. Ce virage intervient dans un secteur sous pression, où les coûts de production des grands jeux ne cessent d'augmenter et où les studios multiplient les restructurations. Epic, éditeur de Fortnite et du moteur Unreal Engine, est lié à Disney par un partenariat stratégique, scellé par un investissement du groupe de divertissement dans le studio. Le retard de ce jeu par rapport à la fenêtre de sortie de mars a probablement favorisé ce changement de méthode. Reste à savoir si l'approche tiendra ses promesses de rapidité, et comment les équipes, déjà inquiètes face à l'automatisation, réagiront.

Société⚡Actu

1 source

39

Illustration générée par IA

278Frandroid 

Marre de Gemini ? Voici l’astuce pour forcer votre smartphone Android à réutiliser l’Assistant Google

Un internaute a découvert comment forcer un smartphone Android à utiliser de nouveau l'Assistant Google à la place de Gemini. Cette astuce, relayée par le site Frandroid, montre que l'ancien assistant vocal de Google n'est pas encore définitivement hors service. Elle permet de retrouver, sur un appareil où Gemini s'est imposé, le comportement de l'assistant qu'il remplace progressivement. Cette découverte intéresse surtout les utilisateurs qui jugent la nouvelle IA moins fiable que son prédécesseur pour les tâches du quotidien. L'Assistant Google était apprécié pour sa rapidité et sa prévisibilité sur les commandes simples : lancer un minuteur, passer un appel, piloter la domotique ou régler une alarme. Gemini, plus conversationnel et plus généraliste, ne remplit pas toujours ces fonctions avec la même constance, ce qui frustre une partie du public. Pouvoir revenir à l'ancien outil offre donc une solution concrète, au moins temporaire, à ceux qui privilégient l'efficacité sur la sophistication. Cette situation s'inscrit dans la stratégie de Google, qui fait de Gemini le cœur de son écosystème d'intelligence artificielle et le déploie sur Android à la place de l'Assistant historique. Cette transition a suscité des critiques, car certaines fonctions familières ont été retardées ou modifiées. L'existence d'un contournement laisse penser que l'Assistant reste présent dans le système, mais rien ne garantit sa pérennité. Google pourrait fermer cette porte lors de prochaines mises à jour, à mesure que Gemini gagne en capacités et que l'entreprise achève la migration de ses services.

Outils⚒Outil

1 source

41

Illustration générée par IA

279The Verge AI 

Le DLSS 5 est revu à la baisse pour ses débuts dans Hogwarts Legacy le mois prochain

Nvidia s'apprête à lancer officiellement le DLSS 5 dans Hogwarts Legacy le mois prochain, avec un rendu nettement plus discret que celui présenté lors de la première démonstration, plus de six mois plus tôt. Le constructeur a publié de nouvelles captures comparatives qui montrent des modifications des visages aussi subtiles que celles observées dans NBA 2K27. Lors de la présentation initiale, la technologie transformait fortement les personnages. L'élève de 15 ans de Hogwarts Legacy paraissait soudain beaucoup plus âgé, et Grace, dans Resident Evil Requiem, avait un aspect lissé à l'extrême, que la presse a qualifié de « yassifié ». Ce recul compte parce que le DLSS 5 avait été immédiatement perçu par les joueurs comme de l'IA générative appliquée aux jeux vidéo, et non comme un simple outil d'amélioration des performances ou de l'image. Pour beaucoup, Nvidia avait perdu de vue ce qui fait la direction artistique d'un jeu. En atténuant l'effet, l'entreprise cherche à rassurer les joueurs et à montrer que la technologie peut respecter l'intention des studios. Les adolescents du jeu ne sont ainsi plus vieillis par le traitement. Le contexte est celui d'une défiance croissante du public envers l'IA générative dans le jeu vidéo, où chaque intervention sur les visuels est scrutée. Nvidia, dont le DLSS a longtemps été salué pour ses gains de fluidité, se retrouve à devoir défendre une évolution plus intrusive. Le lancement dans Hogwarts Legacy servira de test grandeur nature : l'accueil réservé à cette version adoucie dira si les joueurs acceptent cette approche, ou si la méfiance persiste.

Infrastructure⚒Outil

1 source

40

Illustration générée par IA

280Ben's Bites 

Le titre est tronqué (« Zuck's wonder...full »), donc je ne peux pas le traduire de façon fidèle. Peux-tu m'envoyer le titre complet ?

Le logiciel n'est pas mort, assure l'auteur d'une newsletter tech, qui répond à un débat relancé sur X en racontant sa propre pratique. Il explique utiliser beaucoup moins d'outils SaaS qu'avant : son agent personnel, un bot basé sur Grok, a passé en revue les abonnements professionnels de son entreprise et en a supprimé plusieurs (Webflow, Resend, Cal, Zoom et d'autres), soit 6 000 dollars économisés par an. Avant de recourir à un outil, il se demande désormais si ses agents peuvent l'utiliser, sans qu'il ait à en voir l'interface : les logiciels se parlent entre eux, un fonctionnement dit « headless ». Il fabrique aussi des sites jetables pour des tâches ponctuelles, par exemple une page pour trier ses abonnements entre ceux à garder et ceux à résilier. Côté laboratoires, Meta a lancé deux modèles, Muse Wonder et Wonder Full. Wonder est présenté comme de classe Fable ou Astra, mais à 4 dollars l'entrée et 20 dollars la sortie par million de jetons, contre 10 et 50 dollars pour ses concurrents. Il est disponible via l'API de Meta et dans Muse Code, et devrait bientôt alimenter Muse, l'agent personnel de Meta. Wonder Full, un cran au-dessus et un peu en deçà d'Opus 5.5 pour un usage courant, est réservé pour l'instant aux abonnés de Muse Code, à partir de 50 dollars par mois. L'auteur les a testés en réglage moyen et élevé : lents, verbeux pour le premier, et générant des interfaces médiocres. Il ne pense pas y revenir. Par ailleurs, Mark Zuckerberg et Alexander Wang ont raconté sur le podcast Cheeky Pint leur remontée vers la frontière technologique, et Anthropic ouvre Claude Code Projects à tous les abonnés Pro et Max, un chat central où l'on dépose exigences, idées et tâches. Selon lui, l'enjeu est de faire créer du logiciel à des gens qui ne se considèrent pas comme des « bâtisseurs ». La plupart n'imaginent pas de construire un site pour leurs listes de tâches, le tri de leurs courriels, leurs recettes ou le calendrier des enfants, alors que c'est son réflexe par défaut, lui qui dit détester lire et préférer le visuel. Il voit dans les agents la forme qui amènera le grand public à produire du logiciel, à condition que cela n'en ait pas l'air. Aujourd'hui, les agents sont parfois proactifs mais donnent surtout du travail à l'utilisateur, et ne livrent un outil que sur demande. Si on offrait spontanément un site de tâches, estime-t-il, les gens voudraient en changer les couleurs ou la mise en page, comme à l'époque de MySpace où l'on personnalisait musique, thèmes et agencements, certains allant jusqu'à apprendre HTML et CSS. Un logiciel que l'on crée doit se vivre comme la personnalisation d'un objet qui nous appartient déjà. Pour tester cette idée, il cherche environ 20 non-développeurs pour rejoindre un canal Slack. Le contexte est une querelle persistante entre développeurs et utilisateurs d'agents autour du code « slop » et du « vibe coding », termes que l'auteur juge devenus des insultes. À ses yeux, du code qui fonctionne, sûr et performant suffit pour des outils personnels, même si l'exigence monte pour une infrastructure critique vendue à des clients. Il ajoute que corriger du mauvais code est le travail de l'agent, et que les développeurs ont eux-mêmes commencé en écrivant du code exécrable : on progresse en pratiquant et en comprenant peu à peu le système. Il joue sur le mot, « slop » devenant « slope », une pente. Cette vision s'inscrit dans la course des grands acteurs, Meta, Anthropic, xAI, à conquérir à la fois les développeurs et le grand public avec des agents personnels, au moment où le prix des modèles et l'abandon des interfaces classiques redessinent le marché du SaaS.

Outils⚡Actu

1 source