Actualités IA — page 14

7 552 articles au fil, du plus récent au plus ancien.

46

261The Decoder 

La pression des investisseurs pousse Nvidia à réduire son pari sur OpenAI, alors qu'Anthropic dément les craintes de bulle

Nvidia a revu à la baisse sa garantie financière pour le méga data center qu'OpenAI prévoit de construire dans l'Ohio, la faisant passer d'environ 250 milliards de dollars à un peu moins de 120 milliards de dollars. Ce revirement intervient après que des investisseurs ont exprimé leurs inquiétudes face à l'ampleur du risque pris par Nvidia dans ce partenariat. Au même moment, Anthropic publie des résultats qui viennent brouiller le débat sur une possible bulle de l'intelligence artificielle : son chiffre d'affaires trimestriel a bondi de 4,7 milliards à 11,5 milliards de dollars, soit plus qu'un doublement en trois mois. Ce contraste illustre les tensions grandissantes autour du financement des infrastructures d'IA. La prudence retrouvée de Nvidia signale que même les acteurs les plus engagés dans la course aux centres de données commencent à composer avec la pression des marchés, qui redoutent des engagements financiers démesurés et peu garantis. À l'inverse, la croissance spectaculaire d'Anthropic donne des arguments à ceux qui estiment que la demande réelle pour l'IA générative reste solide, malgré les mises en garde répétées sur une possible surchauffe du secteur. Ces développements s'inscrivent dans un contexte où les investissements colossaux annoncés par les géants de la tech, Nvidia, OpenAI et leurs partenaires en tête, sont scrutés de près par les marchés financiers. Les accords de garantie autour des futurs data centers, souvent chiffrés en centaines de milliards de dollars, sont devenus un indicateur clé de la confiance envers la rentabilité future de l'IA. La trajectoire d'Anthropic, portée par la demande entreprise pour ses modèles Claude, pourrait peser dans les arbitrages à venir entre prudence financière et poursuite des investissements massifs dans l'infrastructure de calcul.

Business❧Opinion

1 source

39

262Ahead of AI 

Building an AI Text Detector From Scratch : construire un détecteur de texte IA de zéro

Substack a récemment intégré un détecteur d'IA directement dans son interface, une fonctionnalité qui évalue la probabilité qu'un texte publié ait été généré par une intelligence artificielle. En réaction, un développeur a publié un tutoriel détaillé expliquant comment construire, de zéro, un détecteur de texte IA fonctionnel, à but pédagogique. Le projet repose sur l'affinage d'un modèle DistilBERT, un classifieur léger déjà utilisé dans un précédent article de l'auteur consacré au fine-tuning de grands modèles de langage. L'outil produit un score de 0 à 100 représentant la probabilité estimée qu'un texte ait été généré par une IA, calculé pour un texte entier comme pour des segments individuels, via une interface web locale et une API utilisable par des humains comme par des agents. La méthode s'inspire des modèles de Pangram, l'entreprise qui serait à l'origine du système de détection employé par Substack. L'auteur avait déjà traité ce sujet en 2023 dans un article recensant les différentes approches de détection de texte IA, des classifieurs supervisés aux tests de perturbation, en passant par les mesures de perplexité et le tatouage numérique. Ce projet met en lumière un enjeu concret pour l'écosystème du contenu numérique. La détection de texte IA sert à filtrer les contenus indésirables, mais aussi à protéger des auteurs humains dont l'écriture, une fois relue par un correcteur grammatical ou un assistant comme ChatGPT, peut être injustement signalée comme artificielle. Le projet va plus loin en utilisant le détecteur comme fonction de récompense pour entraîner un petit modèle de langage à produire du texte capable de contourner la détection, une méthode habituellement réservée aux modèles de raisonnement entraînés sur des tâches de mathématiques ou de code. Pour les plateformes éditoriales, les créateurs de contenu et les entreprises de modération, ces travaux soulignent la fragilité des systèmes de détection actuels et le risque persistant de faux positifs, des textes réellement écrits par des humains mais signalés à tort comme générés par une IA. L'auteur décrit ce domaine comme un jeu du chat et de la souris. Chaque détecteur apprend à repérer des motifs stylistiques typiques d'un modèle donné, jusqu'à ce qu'un nouveau modèle, volontairement ou non, cesse de reproduire ces motifs et échappe à la détection, ce qui oblige les détecteurs à être régulièrement mis à jour. Ce cycle explique l'essor d'entreprises spécialisées comme Pangram, dont les techniques exactes restent largement propriétaires, ainsi que la multiplication d'approches concurrentes fondées sur l'apprentissage supervisé, l'analyse statistique du texte ou des signatures numériques invisibles. Le projet documenté ici, entièrement ouvert et déployable localement, s'inscrit dans une tendance plus large de démocratisation des outils d'IA appliquée, où de petits modèles permettent d'expérimenter l'évaluation, l'entraînement et le déploiement de bout en bout sans infrastructure lourde. À mesure que les plateformes généralisent ces détecteurs, leur fiabilité et les moyens de les contourner devraient rester un sujet de tension entre créateurs de contenu, fournisseurs de modèles et plateformes de publication.

Outils≡Tuto

1 source

37

263MarkTechPost 

Fine-tuner des LLM pour l'appel d'outils : guide complet avec XYZ-Aquila-SFT et Qwen3

Un tutoriel technique détaille la mise en place d'un pipeline complet de fine-tuning supervisé pour des modèles de langage capables d'appeler des outils, en s'appuyant sur le jeu de données XYZ-Aquila-SFT publié par XYZAILab, ainsi que sur les bibliothèques Hugging Face Transformers, PyTorch et PEFT. Le processus commence par le streaming de 400 exemples du corpus en anglais, l'inspection de sa structure et l'analyse de trajectoires conversationnelles multi-tours contenant des appels d'outils. Un analyseur JSON conçu pour gérer les structures imbriquées est utilisé pour extraire de façon fiable les appels d'outils encapsulés dans des balises dédiées, contournant les limites des expressions régulières classiques face à des arguments imbriqués. Le modèle entraîné est Qwen3-0.6B, affiné via la technique LoRA avec un rang de 16, sur 30 étapes, avec une longueur de séquence maximale de 2048 tokens, un taux d'apprentissage de 1e-4 et une accumulation de gradient sur 8 pas. Les données sont converties au format ChatML compatible avec Qwen, avec un masquage de la perte limité aux réponses de l'assistant, avant une évaluation des prédictions d'appels d'outils menée sur 24 exemples, comparant les performances avant et après l'entraînement sur un jeu de 40 échantillons réservés. Ce type de pipeline reproductible importe car les appels d'outils sont devenus une capacité centrale des modèles de langage modernes, permettant à un assistant IA d'interroger des bases de données, d'exécuter du code ou d'accéder à des API externes plutôt que de se limiter à générer du texte. Disposer d'une méthode claire pour transformer des trajectoires conversationnelles brutes en données d'entraînement structurées facilite la création d'assistants spécialisés, notamment pour des équipes souhaitant adapter des modèles compacts et peu coûteux comme Qwen3-0.6B à des tâches précises sans recourir à des modèles de très grande taille. L'usage de LoRA, qui n'ajuste qu'un sous-ensemble réduit de paramètres, rend cette adaptation accessible avec des ressources de calcul limitées, ce qui élargit l'accès à l'expérimentation en fine-tuning pour les développeurs et chercheurs indépendants. Ce guide s'inscrit dans une tendance plus large de publication de tutoriels pratiques permettant de reproduire les techniques utilisées pour entraîner des agents IA interagissant avec des outils externes, un domaine en forte expansion avec la multiplication des architectures d'agents autonomes. Le jeu de données XYZ-Aquila-SFT, conçu pour ce type d'entraînement, rassemble des conversations multi-tours enrichies de raisonnement intermédiaire et d'observations issues de résultats d'outils, reflétant les formats employés par les modèles récents pour structurer leur processus de décision. En rendant public l'ensemble du code, incluant la configuration, les statistiques du corpus et le jeu de données transformé, les auteurs permettent à la communauté de reproduire, d'ajuster ou d'étendre cette approche à d'autres modèles ou corpus, dans un contexte où la maîtrise du fine-tuning spécialisé devient un enjeu de compétitivité pour les équipes développant des produits d'intelligence artificielle appliqués aux agents.

LLMs≡Tuto

1 source

41

264The Decoder 

Un plaignant cache des instructions IA invisibles dans des documents judiciaires pour influencer un examen automatisé

Un plaignant du Connecticut a été sanctionné après avoir dissimulé des instructions destinées à une intelligence artificielle dans des documents judiciaires qu'il a déposés. Le texte, rédigé en caractères blancs de 3 points sur fond blanc, était invisible à l'œil nu mais lisible par un système automatisé, dans le but d'influencer une éventuelle relecture par IA des pièces du dossier. La juge Spader, qui a découvert la manœuvre, a comparé cette tentative à une manipulation secrète d'un jury et a immédiatement révoqué les droits de dépôt électronique du plaignant, l'obligeant désormais à soumettre ses documents par des voies traditionnelles. Cette affaire illustre un risque nouveau et concret pour l'intégrité des procédures judiciaires à mesure que les tribunaux intègrent, ou envisagent d'intégrer, des outils d'intelligence artificielle dans leurs processus de vérification. Même en l'absence d'un système d'IA effectivement utilisé, la simple intention de tromper un futur mécanisme automatisé a suffi à justifier une sanction, signal fort envoyé aux plaideurs et aux avocats tentés de manipuler des relectures assistées par machine. L'épisode pourrait inciter d'autres juridictions à renforcer leurs contrôles contre ce type de texte caché. Le tribunal du Connecticut a précisé qu'il n'utilise pas actuellement l'IA pour examiner les dépôts, ce qui rend la tentative du plaignant d'autant plus révélatrice d'une anticipation, correcte ou non, de l'évolution des pratiques judiciaires. À mesure que les administrations et cours de justice à travers les États-Unis explorent l'automatisation de certaines tâches de révision documentaire, ce cas pourrait devenir une référence pour définir de nouvelles règles encadrant l'usage détourné de contenus destinés spécifiquement à manipuler des systèmes d'IA, un enjeu appelé à se multiplier bien au-delà du seul domaine juridique.

Sécurité⚡Actu

1 source

44

265The Decoder 

World Labs transforme une seule tâche robotique réelle en des milliers de variations simulées pour l'entraînement

World Labs, startup fondée par la chercheuse en intelligence artificielle Fei-Fei Li, a présenté un nouveau moteur de simulation destiné à l'entraînement de robots. Le système part d'une seule tâche effectuée dans le monde réel et la décline en milliers de variantes simulées, ce qui permet de multiplier les scénarios d'apprentissage sans répéter physiquement chaque essai. Les modèles ainsi entraînés en environnement virtuel ont ensuite été déployés directement sur cinq plateformes robotiques différentes, où ils ont fonctionné pendant une heure chacune de façon totalement autonome, sans intervention humaine. Cette approche s'attaque à l'un des principaux goulots d'étranglement de la robotique moderne: la collecte de données d'entraînement dans le monde physique, lente, coûteuse et difficile à diversifier. En générant des milliers de variations à partir d'un seul exemple réel, World Labs cherche à réduire fortement le temps et les ressources nécessaires pour préparer un robot à des tâches nouvelles. Si la méthode tient ses promesses, elle pourrait accélérer le déploiement de robots capables de s'adapter à des environnements variés, un enjeu central pour les entreprises qui veulent automatiser des tâches en entrepôt, en usine ou à domicile, où les conditions ne sont jamais identiques d'un cas à l'autre. World Labs a été fondée par Fei-Fei Li, figure reconnue de l'intelligence artificielle pour ses travaux sur ImageNet et pour son rôle à Stanford, où elle codirige l'Institute for Human-Centered AI. La startup s'était jusqu'ici concentrée sur la génération de mondes virtuels et la modélisation spatiale, un terrain qui rejoint naturellement les besoins de simulation en robotique. Le transfert du simulateur vers le monde réel reste néanmoins un défi classique du secteur: les comportements appris en environnement contrôlé ne se généralisent pas toujours aux situations imprévisibles du quotidien. World Labs reconnaît elle-même que la robustesse de son système face à des tâches plus complexes reste encore à démontrer.

Robotique⚡Actu

1 source

43

266The Decoder 

L'IA reste peu performante en perception visuelle, confirme un nouveau benchmark

Moonshot AI, le laboratoire chinois derrière les modèles Kimi, a publié un nouveau benchmark baptisé PerceptionBench, conçu pour mesurer la capacité des modèles d'IA multimodaux à réellement "voir" une image, indépendamment de leurs capacités de raisonnement logique. Les résultats sont sans appel : aucun modèle de pointe actuel ne dépasse 60% de précision sur ce test. GPT-5.6 Sol arrive en tête du classement, mais avec une marge très étroite sur ses concurrents directs, ce qui indique que le problème touche l'ensemble de l'industrie et non un acteur isolé. Ce résultat est important car il remet en cause la manière dont les erreurs des modèles d'IA sont généralement analysées. De nombreuses erreurs jusqu'ici attribuées à des défauts de raisonnement logique se produisent en réalité bien plus tôt, dès l'étape de lecture de l'image elle-même. Autrement dit, le modèle se trompe avant même de commencer à raisonner, simplement parce qu'il n'a pas correctement perçu ce qui se trouve dans l'image. Pour les entreprises qui développent ces systèmes, cela signifie que renforcer uniquement les capacités de raisonnement ne suffira pas à améliorer les performances globales : c'est la perception visuelle elle-même qui doit être retravaillée en priorité. Ce constat s'inscrit dans un débat plus large sur la fiabilité des benchmarks existants pour les modèles multimodaux, souvent critiqués pour saturer rapidement ou pour mal distinguer les compétences de perception de celles de raisonnement. En isolant spécifiquement la capacité à "voir", PerceptionBench propose une méthodologie d'évaluation plus fine, susceptible d'orienter les futurs efforts d'entraînement des laboratoires d'IA vers des architectures capables de mieux ancrer leur raisonnement dans une lecture visuelle fiable.

Recherche❖Paper

1 source

48

267The Information AI 

Nvidia proche d'un accord pour garantir environ 100 milliards de dollars de crédit à OpenAI

Nvidia s'apprête à conclure un accord garantissant environ 100 milliards de dollars de crédit pour OpenAI, afin de financer la location d'un immense campus de centres de données dédiés à l'intelligence artificielle dans l'Ohio, selon quatre personnes proches du dossier. Ce soutien financier couvrirait la première phase du projet, d'une durée d'environ deux ans, représentant à peu près la moitié du chantier total, et pourrait également contribuer à financer une partie des achats de puces électroniques. Une seconde phase, d'une ampleur comparable, suivra ensuite. Ce projet figure parmi les plus vastes campus de centres de données jamais envisagés pour l'intelligence artificielle. Cet accord illustre l'ampleur inédite des investissements nécessaires pour soutenir le développement des modèles d'intelligence artificielle les plus avancés, dont l'entraînement et le fonctionnement exigent une puissance de calcul colossale. Pour OpenAI, ce financement facilite l'accès à une infrastructure massive sans avoir à mobiliser immédiatement des capitaux propres équivalents, tout en renforçant sa dépendance vis-à-vis de Nvidia comme fournisseur de puces et désormais de financement. Pour Nvidia, ce type d'engagement consolide sa position centrale dans l'écosystème de l'IA, au-delà de la simple vente de semi-conducteurs, en devenant un acteur clé du financement des infrastructures. Cette opération s'inscrit dans une vague plus large d'investissements massifs dans les centres de données destinés à l'IA, portée par la concurrence entre grands groupes technologiques pour sécuriser des capacités de calcul. Nvidia, qui domine le marché des puces spécialisées pour l'IA, multiplie les formes de soutien financier auprès de ses grands clients afin de garantir des débouchés à long terme pour ses produits. Ce projet dans l'Ohio s'ajoute à d'autres initiatives d'infrastructure d'envergure annoncées par OpenAI ces derniers mois, dans un contexte où la course aux ressources de calcul reste un facteur déterminant de la compétition entre les principaux acteurs de l'intelligence artificielle.

Infrastructure⚡Actu

1 source

44

268VentureBeat AI 

GLM-5.3 arrive avec des capacités cyber avancées, et aurait déjà découvert une "vulnérabilité sérieuse" dans Cursor

La startup chinoise Z.ai, connue pour sa série de modèles de langage ouverts GLM, a dévoilé GLM-5.3, une nouvelle version marquée par des progrès notables en programmation sur des tâches longues et par un bond important de ses capacités en cybersécurité. Selon Lou, développeur chez Z.ai, cité sur X, GLM-5.3 aurait déjà identifié une "vulnérabilité potentiellement sérieuse" dans Cursor, l'éditeur de code assisté par IA récemment racheté par SpaceX. VentureBeat a sollicité Cursor pour confirmation et attendait toujours une réponse au moment de la publication. Le modèle repose sur la même base que GLM-5.2, d'environ 743 milliards de paramètres, les gains provenant uniquement d'un renforcement massif du post-entraînement, via davantage d'environnements, de tâches variées et de calcul consacré à l'apprentissage par renforcement. Sur Terminal-Bench 3.0, le score grimpe de 4,6 à 28,3 ; sur DeepSWE v1.1, de 46,2 à 66,9 ; sur AutomationBench, de 26,2 à 48,2 ; et sur Agents' Last Exam CLI, de 23,8 à 28,5. GLM-5.3 reste toutefois en retrait face à certains rivaux, avec GPT-5.6 Sol à 34,6 et Claude Fable 5 à 33,7 sur Terminal-Bench 3.0. Le modèle n'est pour l'instant accessible que via le GLM Coding Plan et l'environnement ZCode de Z.ai ; l'accès par API et la publication des poids sont prévus environ deux semaines après le lancement, une fois les évaluations de sécurité achevées. Cette progression rapide des capacités offensives soulève une question inédite pour un éditeur de modèles ouverts. D'après Z.ai, les compétences en cybersécurité de GLM-5.3 ont augmenté plus vite que prévu à mesure que l'entraînement montait en puissance, notamment pour construire des chaînes d'exploitation complètes de vulnérabilités, et pas seulement les identifier. Reuters a rapporté vendredi 14 août que Z.ai met en place des garde-fous, dont un mécanisme d'"accès de confiance" pour restreindre les fonctionnalités les plus sensibles. Pour les entreprises qui déploient des agents de codage, l'enjeu dépasse le simple classement dans les benchmarks : sur le Z.ai Code Bench, une évaluation interne, GLM-5.3 atteint 34,5% de réussite en mode Max tout en consommant environ 75 000 jetons de sortie par tâche, contre 23,4% pour GLM-5.2 avec près de 96 000 jetons. En mode High, GLM-5.3 obtient 31,4% pour environ 50 000 jetons, un résultat que Z.ai compare aux 29,5% revendiqués pour Claude Opus 4.8, qui consommerait 120 000 jetons pour une tâche équivalente. Une meilleure efficacité en jetons réduit directement les coûts d'inférence pour les entreprises qui font tourner ces agents à grande échelle, mais ces chiffres proviennent d'une évaluation propriétaire de Z.ai et doivent être traités comme des résultats communiqués par l'entreprise plutôt que comme des mesures indépendantes. GLM-5.3 illustre une tendance plus large : plutôt que de relancer un cycle de pré-entraînement coûteux, Z.ai a choisi d'intensifier le post-entraînement autour d'environnements qui reproduisent des missions d'ingénierie complètes, avec accès à des bases de code, de la documentation, des clusters de calcul et des systèmes de stockage, certaines tâches étant conçues pour approcher plusieurs jours de travail d'un ingénieur expérimenté. Ce pari, sans changer de modèle de base, teste les limites de ce qu'une architecture existante peut encore livrer par le seul entraînement post-hoc. La montée en puissance simultanée des capacités offensives relance le débat sur les risques liés à la diffusion de modèles ouverts puissants : Z.ai doit concilier sa stratégie d'ouverture, qui a forgé sa réputation face à des acteurs comme OpenAI ou Anthropic, avec la nécessité d'encadrer l'accès à des fonctions capables de repérer et d'exploiter des failles logicielles réelles. La réaction de Cursor, encore attendue, et l'attitude des régulateurs face à la publication prochaine des poids du modèle figurent parmi les éléments à suivre dans les prochaines semaines.

LLMs⚡Actu

1 source

46

269The Decoder 

Anthropic lance une API de détection de filigrane pour repérer les textes générés par Claude

Anthropic prépare le lancement d'une API de détection de filigrane numérique permettant à des tiers de vérifier si un texte a été rédigé par son modèle Claude. Cette technologie s'appuie sur la méthode SynthID, développée par Google, et fonctionne en modifiant subtilement le hasard qui intervient dans le choix des mots générés par le modèle, sans que cela n'altère la qualité ou la lisibilité du texte produit. Concrètement, chaque texte généré par Claude porterait ainsi une signature statistique invisible à l'œil nu, mais détectable par un outil dédié que des entreprises, plateformes ou institutions pourraient interroger via cette nouvelle API. Cette annonce s'inscrit dans un contexte où la capacité à distinguer un texte généré par intelligence artificielle d'un texte écrit par un humain devient un enjeu majeur, que ce soit pour lutter contre la désinformation, détecter la fraude académique, ou simplement garantir la transparence sur l'origine des contenus en ligne. En ouvrant cet outil à des tiers, Anthropic se positionne comme un acteur responsable face aux inquiétudes croissantes autour de la prolifération de textes générés par IA indétectables, un sujet qui préoccupe autant les éditeurs de presse que les établissements scolaires ou les régulateurs. Toutefois, l'entreprise reconnaît elle-même les limites de cette approche : la détection devient nettement moins fiable sur des textes très factuels, sur du code informatique, ou lorsque le texte original a été fortement réécrit ou reformulé par la suite. Google avait déjà rencontré des limites similaires avec SynthID, la méthode dont s'inspire directement Anthropic pour construire son propre système de filigrane.

Sécurité⚡Actu

Aussi surBlog du Modérateur,01net,Les Numériques IA

47

270Le Big Data 

DeepSeek augmente brutalement le prix de ses modèles V4 : Voici pourquoi

DeepSeek, groupe chinois basé à Hangzhou, a annoncé jeudi 13 août 2026 une hausse importante des tarifs de ses modèles d'intelligence artificielle V4, après un premier avertissement publié le 6 août. Ces nouveaux prix entrent en vigueur le 16 août. Le modèle DeepSeek-V4-Flash passera à 1,32 dollar par million de jetons de sortie aux heures de forte demande, contre 0,28 dollar auparavant, soit une multiplication par plus de quatre. Le modèle DeepSeek-V4-Pro, lancé le même jour, verra son tarif grimper à 3,96 dollars par million de jetons aux heures chargées, contre 0,87 dollar jusqu'ici. Dans les deux cas, l'entreprise appliquera un tarif réduit de moitié pendant les heures creuses, afin d'inciter les utilisateurs à déplacer leur charge de travail. DeepSeek justifie ce changement par une volonté d'optimiser l'allocation de ses ressources de calcul. Le même jour, la société a aussi présenté une version développeur préliminaire de son harnais logiciel Harness v0.1, destiné à faire exécuter des tâches complexes par ses agents, qu'il s'agisse de lire des fichiers, modifier du code ou naviguer sur internet. Cette hausse marque un tournant pour un acteur connu jusqu'ici pour casser les prix du marché de l'intelligence artificielle générative. Malgré la révision tarifaire, DeepSeek reste nettement moins cher que ses concurrents : Moonshot facture son modèle Kimi K3 quinze dollars par million de jetons, tandis qu'Anthropic demande cinquante dollars pour son modèle Fable 5, selon des comparaisons rapportées par Bloomberg. L'écart reste donc considérable, mais le signal envoyé au marché est clair : les tarifs historiquement bas de DeepSeek, qui avaient bouleversé les repères économiques du secteur, ne sont plus soutenables au même niveau. Pour les entreprises et développeurs qui construisent leurs produits sur ces modèles, la facture va augmenter, en particulier aux heures de pointe. Pour les concurrents américains comme OpenAI et Anthropic, cette nouvelle politique tarifaire pourrait légèrement atténuer la pression sur leurs marges, dans une bataille des prix qui pesait déjà sur leurs propres projets de développement. Ce virage s'explique en grande partie par les ambitions financières de DeepSeek. Selon Bloomberg, l'entreprise fondée par Liang Wenfeng est actuellement en levée de fonds et vise une introduction en Bourse dès 2026. L'infrastructure de calcul nécessaire aux modèles les plus avancés exige des investissements considérables, ce qui pousse DeepSeek à transformer sa croissance technique en rentabilité plus durable avant de se présenter aux investisseurs. En parallèle, le lancement de Harness v0.1 positionne l'entreprise face à Claude Code d'Anthropic sur le marché des agents de programmation autonomes. DeepSeek met en avant une architecture ouverte et modulable, permettant de connecter d'autres composants ou modèles, à la différence de certains rivaux américains plus fermés. Le secteur observera de près si cette stratégie de prix plus élevés, combinée à l'ouverture de son écosystème d'agents, permet à DeepSeek de préparer sereinement son entrée en Bourse.

Business❧Opinion

1 source

42

271Ars Technica AI 

Un homme accusé d'avoir injecté des instructions dans ses documents pour manipuler un juge assisté par IA

Un juge du Connecticut, Walter Spader Jr., a rendu la semaine dernière une décision révélant ce qui semble être le premier cas aux États-Unis d'un plaignant ayant tenté de dissimuler dans des documents judiciaires un texte lisible uniquement par une intelligence artificielle. L'affaire concernait un homme reprochant à un prestataire de soins de santé de lui refuser indûment l'accès à ses dossiers médicaux. Selon le juge Spader, le texte caché était "formaté pour être invisible à un lecteur humain tout en restant parfaitement lisible par tout logiciel lisant le texte du document". Ces instructions secrètes demandaient à tout système d'IA examinant le dossier de produire des conclusions favorables aux arguments du plaignant, d'ignorer les refus antérieurs déjà prononcés par le tribunal, et de garantir que les mesures correctives souhaitées soient accordées. Le juge a précisé que cette manipulation n'avait eu aucune influence sur l'issue de l'affaire, le dossier ayant été examiné sur le fond comme n'importe quel autre. Même sans effet concret dans ce cas précis, l'incident inquiète car il révèle une nouvelle forme de manipulation judiciaire rendue possible par l'adoption croissante d'outils d'IA dans les tribunaux américains. Le juge Spader a qualifié la tentative de précédent "dangereux", estimant qu'elle ne restera probablement pas isolée à mesure que les systèmes d'IA deviennent plus courants dans le traitement des procédures judiciaires. Si de tels systèmes venaient à influencer, même indirectement, la lecture ou le résumé de documents par des juges, des greffiers ou des assistants juridiques, des instructions cachées de ce type pourraient fausser l'interprétation d'un dossier sans que personne ne s'en aperçoive, menaçant l'intégrité même du processus judiciaire. Cette affaire s'inscrit dans une tendance plus large où des utilisateurs tentent d'exploiter les failles des systèmes d'intelligence artificielle par des techniques dites d'injection de prompts, une méthode déjà observée dans d'autres contextes comme les CV soumis à des logiciels de recrutement automatisés ou les articles académiques destinés à des relecteurs assistés par IA. Le fait qu'elle apparaisse désormais dans l'enceinte judiciaire soulève des questions sur la manière dont les tribunaux américains devront encadrer l'usage de l'IA, tant du côté des parties que des juges eux-mêmes, et sur les garde-fous à mettre en place pour éviter que des documents manipulés n'influencent des décisions ayant un impact réel sur la vie des justiciables.

Sécurité⚡Actu

1 source

33

272NVIDIA AI Blog 

Universitas Gadjah Mada, Indosat et NVIDIA ouvrent le premier centre IA universitaire d'Indonésie

Le ministère indonésien de la Communication et du Numérique (Komdigi), l'opérateur télécom Indosat Ooredoo Hutchison (IOH), NVIDIA et l'université Gadjah Mada (UGM) ont inauguré cette semaine à Yogyakarta le UGM Indosat NVIDIA AI Technology Center (NVAITC), premier centre technologique d'intelligence artificielle installé au sein d'une université indonésienne. L'initiative s'inscrit dans le programme national Indonesia AI Center of Excellence et repose sur GPU Merdeka, la plateforme souveraine de calcul GPU-as-a-service d'Indosat, combinée à la pile logicielle complète de NVIDIA, incluant ses modèles ouverts Nemotron. Le centre donne aux chercheurs et étudiants de l'UGM accès à du calcul accéléré de niveau professionnel, à des modèles pré-entraînés, à des frameworks de développement et à un accompagnement technique, tout en les reliant à un écosystème mondial d'experts. Trois projets pilotes ont été présentés, dans les domaines de la santé, de l'agriculture et de la prévention des catastrophes naturelles. Le premier, mené par la Dr Dian Kesumapramudya Nurputra de la faculté de médecine de l'UGM, développe eNose-TB, une technologie de dépistage par intelligence artificielle qui analyse des échantillons de souffle pour détecter la tuberculose, maladie qui touche plus d'un million de nouveaux cas chaque année dans le pays. Ce lancement illustre la volonté de l'Indonésie de ne plus seulement consommer des technologies d'intelligence artificielle développées ailleurs, mais d'en produire localement pour répondre à ses propres défis. La ministre Meutya Hafid a insisté sur l'objectif de "souveraineté" en matière d'IA, présentée comme un levier de croissance économique et de compétitivité nationale. Pour un pays de plus de 270 millions d'habitants, quatrième nation la plus peuplée au monde, l'accès à une puissance de calcul locale change concrètement la donne pour des chercheurs jusqu'ici freinés par le manque d'infrastructures, notamment dans des secteurs à fort enjeu sanitaire comme la détection précoce de la tuberculose, curable mais souvent mortelle faute de diagnostic dans les zones rurales. Ce projet s'inscrit dans une stratégie plus large de NVIDIA, qui multiplie les partenariats avec des opérateurs télécoms et des gouvernements pour bâtir des infrastructures d'IA dites souveraines, à l'image de GPU Merdeka chez Indosat. Vikram Sinha, patron d'Indosat, et Marc Hamilton, vice-président de NVIDIA, ont tous deux présenté ce centre comme une passerelle entre expertise mondiale et besoins locaux, dans des domaines comme la santé, l'agriculture ou la gestion des risques climatiques. L'UGM, de son côté, entend en faire un outil de formation de talents et de recherche appliquée, dans un contexte où plusieurs pays d'Asie du Sud-Est cherchent à réduire leur dépendance aux infrastructures d'IA étrangères.

Infrastructure⚡Actu

1 source

46

273The Decoder 

Alibaba dévoile Qwen 3.8, des modèles open source sous licence Apache 2.0

Alibaba a dévoilé Qwen 3.8, une nouvelle famille de modèles à poids ouverts publiée sous licence Apache 2.0 par son équipe d'intelligence artificielle Qwen. Le modèle phare de cette génération est un modèle dense de 27 milliards de paramètres, conçu pour surpasser le plus volumineux Qwen 3.7 Plus sur les tâches de programmation et de bureautique. Il se distingue également par sa capacité native à traiter jusqu'à 262 000 tokens de contexte en une seule fois, ce qui lui permet d'ingérer de très longs documents, bases de code ou historiques de conversation sans étape de découpage préalable. Cette sortie confirme la stratégie d'Alibaba consistant à rendre disponibles gratuitement des modèles performants et personnalisables, à destination des développeurs qui construisent des applications locales ou des agents autonomes. En proposant un modèle plus compact que Qwen 3.7 Plus tout en revendiquant de meilleures performances sur des tâches concrètes comme le code, Alibaba abaisse le coût de calcul nécessaire pour obtenir un haut niveau de qualité, un enjeu majeur pour les entreprises et les équipes qui souhaitent déployer de l'IA générative sans dépendre exclusivement des API propriétaires de fournisseurs comme OpenAI ou Anthropic. Ce lancement s'inscrit dans la compétition mondiale des modèles ouverts, où les géants chinois de la tech, Alibaba en tête avec sa famille Qwen, cherchent à s'imposer face aux modèles américains fermés et aux alternatives ouvertes comme celles de Meta ou Mistral. La montée en puissance des applications agentiques, capables d'exécuter des tâches complexes de façon autonome, pousse ces entreprises à optimiser conjointement la taille des modèles, leur fenêtre de contexte et leurs capacités de codage, autant de critères désormais décisifs pour les développeurs.

LLMs⚡Actu

1 source

43

274The Decoder 

L'historique informatique d'OpenAI transforme vos clics et frappes en chronologie mémorisable et consultable dans ChatGPT

OpenAI a lancé une fonctionnalité baptisée Computer History, disponible sur Mac, qui enregistre les clics, les frappes clavier et les changements d'application de l'utilisateur pour les transformer en une chronologie consultable au sein de ChatGPT et de Codex, l'outil de programmation assistée par IA de l'entreprise. Concrètement, chaque action effectuée sur l'ordinateur est capturée et stockée localement sous forme de fichiers Markdown non chiffrés, ce qui permet ensuite à ChatGPT de retrouver et de restituer le contexte d'une session de travail passée sur simple requête. Cette fonctionnalité soulève d'importantes questions de confidentialité et de sécurité des données. Le fait que l'historique complet de l'activité informatique d'un utilisateur, incluant potentiellement des mots de passe tapés, des messages privés ou des documents sensibles, soit conservé sans chiffrement sur le disque local expose ces informations à quiconque aurait accès à la machine, que ce soit via un logiciel malveillant, un vol physique ou un accès partagé. Pour les professionnels qui utilisent Codex dans un cadre de développement, cela signifie aussi que du code propriétaire ou des identifiants pourraient se retrouver enregistrés en clair. OpenAI affirme que ces données ne servent pas à l'entraînement de ses modèles d'intelligence artificielle. L'entreprise précise toutefois que les éléments issus de cet historique qui alimentent des conversations avec ChatGPT, via la fonction mémoire, peuvent malgré tout finir intégrés aux données d'entraînement, une nuance qui atténue la portée de la promesse initiale. Cette annonce s'inscrit dans une course plus large des géants de la tech vers des assistants IA capables de comprendre le contexte complet de l'activité numérique des utilisateurs, un objectif qui entre régulièrement en tension avec les exigences de protection de la vie privée.

Sécurité⚒Outil

1 source

42

275Le Big Data 

Google Meet peut désormais prendre des notes pendant vos réunions en présentiel

Fini les notes prises à la va-vite pendant les réunions en présentiel : Google a annoncé le 14 août 2026 l'extension de la fonction "Take Notes for me" de Google Meet, alimentée par Gemini, aux réunions physiques et non plus seulement aux visioconférences. Le déploiement a débuté le 11 août sur Android, suivi le 14 août par la version Web, tandis qu'iOS suivra le 31 août. Concrètement, la fonction s'active depuis l'écran d'accueil de Meet et utilise simplement le microphone d'un smartphone ou d'un ordinateur posé dans la salle, sans matériel supplémentaire, pour écouter les échanges d'une réunion planifiée ou improvisée. Une fois la discussion terminée, Gemini génère automatiquement un document Google Docs comprenant un résumé, les décisions prises, les tâches à réaliser et la transcription complète, sauvegardé dans Google Drive et partageable par lien. Google recommande une durée minimale de quinze minutes pour garantir un résultat fiable, et la fonction prend en charge huit langues, dont le français, à condition qu'une seule langue soit utilisée par réunion. Cette évolution répond à un problème très concret du monde professionnel : la difficulté de suivre une discussion tout en rédigeant un compte rendu fidèle. En automatisant la prise de notes lors des réunions en présentiel, jusqu'ici hors de portée des outils de transcription centrés sur la visioconférence, Google Meet permet aux participants de rester pleinement concentrés sur les échanges plutôt que sur leur carnet. Pour les entreprises, cela représente un gain de temps direct sur la rédaction de comptes rendus et une meilleure traçabilité des décisions et des actions à mener. L'accès reste toutefois réservé à une partie des utilisateurs : les abonnés Google AI Pro et Ultra, ainsi que les clients Google Workspace disposant des offres Business Standard, Business Plus, Enterprise Standard ou Enterprise Plus, ce qui exclut les utilisateurs gratuits et une partie des petites structures. Cette annonce s'inscrit dans la stratégie plus large de Google visant à infuser Gemini dans l'ensemble de sa suite Workspace, après avoir déjà généralisé l'IA pour les réunions à distance. L'extension au présentiel comble un angle mort resté longtemps le terrain des solutions tierces spécialisées dans la transcription de réunions physiques. Google reste toutefois prudent sur la fiabilité du système : le bruit ambiant, les voix éloignées du micro ou une mauvaise captation sonore peuvent générer des erreurs de transcription, ce qui impose une relecture avant diffusion du compte rendu. Se pose aussi la question de la confidentialité, puisque Google recommande d'informer les participants avant d'activer l'écoute. Reste à voir si cette fonctionnalité, pour l'instant réservée aux offres payantes, sera progressivement étendue à davantage d'utilisateurs, à mesure que la concurrence sur les outils de productivité augmentée par l'IA s'intensifie.

Outils⚒Outil

Aussi surFrandroid,ZDNET FR

50

276The Decoder 

L'étude contredit les affirmations d'Anthropic et OpenAI sur une recherche en IA autonome à portée de main

L'agence de sécurité de l'IA du Royaume-Uni (UK AI Security Institute) et l'Université de Princeton ont mené une étude testant la capacité des agents d'intelligence artificielle à mener des recherches scientifiques de façon autonome. Des agents équipés de Claude Opus 4.8 et de GPT-5.6 Sol ont reçu six jours, 3 000 dollars de crédits d'API et un accès à des GPU pour rédiger de manière indépendante des articles de recherche en IA. Les auteurs originaux d'articles non publiés soumis à NeurIPS, la principale conférence du domaine, ont ensuite évalué ces travaux produits par les agents et les ont jugés dignes d'un "Reject", c'est-à-dire d'un rejet pur et simple. Ce résultat contredit directement les affirmations récentes d'Anthropic et d'OpenAI selon lesquelles une recherche en IA totalement autonome serait à portée de main. Pour l'industrie, cela signifie que les modèles les plus avancés, malgré leurs progrès techniques, ne peuvent pas encore remplacer les chercheurs humains sur les tâches qui exigent du discernement scientifique. Les entreprises qui envisagent d'automatiser leurs laboratoires de recherche doivent donc revoir leurs attentes, au moins à court terme, et continuer à s'appuyer sur une supervision humaine étroite pour les décisions stratégiques de recherche. L'étude précise que les modèles de pointe maîtrisent bien l'ingénierie complète du processus de recherche, comme l'écriture de code, l'exécution d'expériences ou la mise en forme des résultats. En revanche, ils échouent sur le jugement scientifique, la résolution créative de problèmes et surtout la capacité à abandonner une approche qui ne fonctionne pas, un réflexe pourtant essentiel chez tout chercheur expérimenté. Ces conclusions surviennent alors qu'Anthropic et OpenAI multiplient les annonces sur l'automatisation de la recherche en IA par l'IA elle-même, une promesse centrale de leur discours sur l'accélération du progrès scientifique. Ce travail invite à la prudence face à ce narratif et laisse ouverte la question de savoir combien de temps sera encore nécessaire avant que ces lacunes de jugement soient comblées.

Recherche❖Paper

1 source

38

277AWS ML Blog 

Fonctions de récompense personnalisées pour l'apprentissage par renforcement multi-tours avec Amazon Nova Forge

Amazon Web Services a publié un nouveau volet technique consacré à Nova Forge, sa plateforme de personnalisation des modèles Nova, détaillant comment concevoir des fonctions de récompense sur mesure pour l'apprentissage par renforcement multi-tours. Le texte fait suite à une première partie couvrant l'infrastructure sous-jacente, à savoir un cluster Amazon SageMaker HyperPod, un environnement géré par le client sur Amazon Elastic Container Service et un bucket Amazon S3 pour les données de déploiement et les points de contrôle. La méthode repose sur le réglage fin par renforcement (RFT), qui entraîne le modèle à partir de signaux d'évaluation sur ses propres réponses plutôt que d'exemples annotés, avec l'algorithme Group Relative Policy Optimization (GRPO). Nova Forge propose une fonctionnalité "Bring Your Own Orchestration" (BYOO) permettant d'exécuter sa propre logique de récompense tout en laissant la plateforme gérer les déploiements et l'état des conversations, ainsi qu'une option multi-tours sans serveur désormais disponible en version générale. Le code d'exemple est publié sur le dépôt GitHub aws-samples/sample-nova-multi-turn-rl-infra, avec un environnement par défaut basé sur le jeu Wordle et un environnement personnalisé activable via le fichier cdk.json. Cette publication répond à une fragilité connue de l'entraînement des agents IA : une fonction de récompense subtilement mal calibrée peut enseigner un comportement erroné tout en laissant les courbes d'entraînement paraître saines. Contrairement à une notation tour par tour, le RFT multi-tours évalue la récompense cumulée sur toute une trajectoire, incluant les appels d'outils, l'exécution de code ou la correction d'erreurs, plutôt que de juger une réponse isolée, ce qui compte particulièrement pour les entreprises développant des agents devant enchaîner plusieurs étapes de façon fiable. AWS partage un exemple tiré d'un entraînement réel où la composante de récompense la plus fortement pondérée n'a fourni aucun signal d'apprentissage sans que cela soit détecté immédiatement, ce qui souligne l'importance d'instrumenter et surveiller chaque composante individuellement pour éviter des cycles d'entraînement coûteux et inutiles. Le texte s'inscrit dans un débat plus large sur les mérites respectifs de l'apprentissage par renforcement et du réglage supervisé, citant une étude de 2025 signée Chu et al. montrant qu'à budget de calcul équivalent, le RL améliore la généralisation hors distribution sur différentes variantes de tâches, là où le réglage supervisé tend à se dégrader. Les fonctions de récompense de Nova Forge peuvent être fondées sur des règles vérifiables ou déléguer le jugement à un autre grand modèle de langage selon l'approche "LLM-as-Judge". Le guide aborde aussi l'exécution sécurisée de code généré par le modèle au sein même du pipeline de récompense. Cette publication illustre la stratégie d'Amazon visant à rendre la personnalisation d'agents IA accessible via Nova Forge, dans un secteur cloud où les fournisseurs rivalisent pour proposer des outils de réglage fin par renforcement toujours plus sophistiqués, alors que les entreprises cherchent à adapter leurs modèles à des flux de travail autonomes complexes plutôt qu'à de simples tâches question-réponse.

Outils≡Tuto

1 source

40

278AWS ML Blog 

Créer des workflows à base d'agents avec SageMaker AI et Bedrock AgentCore

Voici le résumé en français. Amazon Web Services publie un guide technique détaillant comment construire des workflows agentiques hybrides en combinant Amazon SageMaker AI et Amazon Bedrock AgentCore. L'architecture proposée déploie le modèle Qwen 3.5 9B sur SageMaker AI, via le conteneur vLLM 0.22.1 tournant sur une instance ml.g6e.2xlarge équipée d'un GPU L40S de 48 Go de VRAM, dans la région us-west-2. Ce modèle est ensuite intégré dans un système multi-agents Strands Agents aux côtés de modèles Claude hébergés sur Bedrock : Claude Haiku 4.5 pour l'agent orchestrateur, chargé de classifier les intentions utilisateur, et Claude Sonnet 4.6 pour un agent budgétaire produisant des répartitions financières selon la règle 50/30/20 avec sortie structurée Pydantic. Un troisième agent, dédié à l'analyse financière et à la construction de portefeuille, s'appuie sur Qwen 3.5 9B via un point de terminaison SageMaker compatible avec l'API OpenAI. L'ensemble est déployé sur le runtime Bedrock AgentCore, avec le code source complet mis à disposition sur GitHub. Cette approche répond à un problème concret pour les équipes qui construisent des agents IA en production : celui de mélanger des modèles fondation gérés et coûteux avec des modèles moins onéreux ou spécialisés par domaine, sans devoir réécrire tout le framework d'orchestration. En permettant à chaque agent spécialisé d'utiliser le modèle le mieux adapté à sa tâche, cette architecture combine optimisation des coûts, résidence des données et flexibilité de choix de modèle au sein d'une même infrastructure prête pour la production. Pour les entreprises, cela signifie la possibilité de router les tâches simples ou sensibles vers des modèles open source auto-hébergés moins chers, tout en réservant les modèles propriétaires les plus puissants aux tâches complexes, une approche qui pourrait devenir un standard dans la conception de systèmes multi-agents à grande échelle. Le guide met l'accent sur les détails d'intégration technique, notamment l'obtention d'une observabilité au niveau des tokens pour les points de terminaison SageMaker, une fonctionnalité que Strands Agents ne fournit pas nativement. L'architecture repose sur le pattern "agents as tools" de Strands, où l'agent orchestrateur route les requêtes entrantes vers l'agent budgétaire ou l'agent d'analyse financière selon l'intention détectée, avant de renvoyer les résultats à l'utilisateur. Les prérequis techniques incluent Python 3.12 ou supérieur, des permissions IAM spécifiques comme sagemaker:InvokeEndpoint, ainsi que l'accès aux modèles Claude Haiku 4.5 et Sonnet 4.6 sur Bedrock, dont la disponibilité varie selon les régions AWS. Cette publication s'inscrit dans la stratégie plus large d'AWS visant à positionner SageMaker et Bedrock comme des briques interopérables pour les architectures d'IA agentique d'entreprise.

Outils⚒Outil

1 source

44

279Next INpact 

☕️ Apple veut éviter que Siri AI raconte n’importe quoi sur l’actualité

Apple négocie avec des éditeurs de presse pour donner à Siri AI un accès étendu et fiable à l'actualité, selon le Wall Street Journal. Les discussions, entamées il y a plusieurs mois, portent sur des accords pluriannuels dont le montant dépasserait les 100 millions de dollars. Apple proposerait une rémunération variable, les éditeurs étant payés en fonction de l'utilisation réelle de leurs contenus par l'assistant. Cette nouvelle version de Siri, alimentée par des modèles dérivés de Gemini de Google, doit être intégrée à iOS 27 et se rapprocherait des performances de chatbots comme ChatGPT ou Copilot. Elle ne sera toutefois pas disponible dès septembre dans l'Union européenne sur iPhone, iPad et Apple Watch, Apple continuant de refuser de se conformer au Digital Markets Act (DMA) sur ces appareils. Sur Mac en revanche, la fonctionnalité sera accessible, mais uniquement en anglais dans un premier temps. Cet effort financier illustre la volonté d'Apple de corriger une faiblesse chronique de Siri, longtemps incapable de fournir des informations d'actualité fiables et à jour. Pour les éditeurs de presse, ces accords représentent une nouvelle source de revenus dans un contexte où les modèles économiques traditionnels sont bousculés par l'intelligence artificielle générative, capable de synthétiser du contenu sans forcément rediriger le trafic vers les sites d'origine. Pour les utilisateurs, l'enjeu est de disposer enfin d'un assistant vocal capable de répondre correctement sur des sujets d'actualité, un domaine sensible où l'exactitude et la fraîcheur des informations sont cruciales. Plus largement, cette initiative s'inscrit dans une compétition entre grands acteurs technologiques pour sécuriser des partenariats avec les médias, à l'image de ce que font déjà OpenAI ou d'autres entreprises d'IA. Ce n'est pas la première fois qu'Apple sollicite des éditeurs de presse pour ses projets d'intelligence artificielle, mais les accords précédents concernaient l'entraînement des modèles de la marque, et non la restitution d'actualités en temps réel. Cette approche plus prudente s'explique aussi par un précédent embarrassant : début 2025, les résumés de notifications générés par Apple Intelligence pour des titres de presse s'étaient révélés erronés et trompeurs, contraignant Apple à suspendre cette fonctionnalité pour la retravailler. En misant sur des partenariats directs et rémunérés avec les médias plutôt que sur une génération autonome de résumés, Apple cherche visiblement à éviter de reproduire cet échec, tout en rattrapant son retard face à la concurrence dans la course aux assistants IA grand public.

Business⚡Actu

Aussi surLe Big Data

46

280Le Big Data 

ChatGPT peut désormais mémoriser votre activité sur votre Mac : pratique ou inquiétant ?

OpenAI a annoncé le 13 août 2026, via un message publié sur son compte X officiel, le déploiement de Computer History, une nouvelle fonction de ChatGPT pour Mac. Cet outil permet à l'assistant de mémoriser l'activité de l'utilisateur dans les applications et les sites web qu'il a explicitement autorisés, en enregistrant les clics, les frappes au clavier et les changements d'application, sans jamais recourir à des captures d'écran. Les données sont d'abord collectées localement sur l'ordinateur, puis traitées par une session Codex temporaire sur les serveurs d'OpenAI, qui indique ne pas conserver les fichiers d'événements une fois le traitement terminé ; seuls les résumés générés, appelés « souvenirs », restent stockés sur la machine et peuvent être consultés, modifiés ou supprimés par l'utilisateur. La fonction est désactivée par défaut, exclut la navigation privée et signale son activation via une icône dans la barre de menus. Elle reste toutefois réservée aux abonnements Pro, Business et Enterprise, les comptes Free et Plus n'y ayant pas accès, et n'est pour l'instant pas disponible dans l'Espace économique européen, au Royaume-Uni ni en Suisse. Cette fonction marque une étape dans la personnalisation des assistants IA : ChatGPT peut désormais retrouver le fil d'une tâche interrompue, rappeler un document consulté plus tôt dans la journée, ou repérer des habitudes répétitives pour proposer de les transformer en automatisations ou en « skills » réutilisables dans Codex. Pour les professionnels jonglant entre navigateur, documents et outils de développement, cela réduit le besoin de réexpliquer sans cesse le contexte à l'IA. Mais cette capacité d'observation, même sans captures d'écran, donne à OpenAI une vue beaucoup plus large sur les habitudes numériques des utilisateurs que la simple mémoire conversationnelle existante de ChatGPT, ce qui relance les interrogations sur la confidentialité des données professionnelles, en particulier pour les entreprises abonnées aux offres Business et Enterprise qui manipulent des informations sensibles. Cette annonce s'inscrit dans une course plus large des géants de la tech vers des assistants capables de comprendre le contexte complet de l'ordinateur de l'utilisateur, un terrain déjà exploré par Microsoft avec sa fonction Recall, lancée en 2024 et fortement critiquée pour ses risques de sécurité liés au stockage de captures d'écran, ce qui avait contraint l'entreprise à retarder son déploiement. En évitant les captures d'écran, en misant sur un stockage local et sur des options de suppression explicites, OpenAI semble vouloir anticiper ce type de controverse. Le choix de limiter Computer History aux offres payantes suggère une phase de test progressive avant une éventuelle ouverture aux comptes gratuits, tandis que l'absence de disponibilité en Europe traduit probablement une prudence réglementaire face au RGPD et à l'AI Act, dont les exigences sur les données comportementales restent strictes.

Outils⚒Outil

Aussi surNumerama