Actualités IA — page 144

7 629 articles au fil, du plus récent au plus ancien.

49

2861Frandroid 

Uber : des robotaxis en Europe dès 2026

Uber a officialisé lors de la conférence Nvidia GTC Taipei un partenariat tripartite avec la startup israélienne Autobrains et le géant américain des puces Nvidia. L'objectif annoncé est concret : déployer des robotaxis commerciaux à Munich d'ici la fin de l'année 2026. La particularité technique de ce système réside dans l'absence totale de lidar, capteur laser coûteux habituellement jugé indispensable dans la conduite autonome, au profit d'une approche reposant exclusivement sur la vision par caméras et les algorithmes d'Autobrains. Ce déploiement européen marquerait une étape significative pour Uber, qui a vendu son propre programme de véhicules autonomes (Advanced Technologies Group) à Aurora en 2020 pour se repositionner comme plateforme de distribution. Nouer des alliances avec des développeurs tiers lui permet de rester dans la course sans porter les risques R&D. Pour Munich et plus largement l'Europe, l'enjeu est aussi réglementaire : une homologation réussie en Allemagne, pays aux standards de sécurité exigeants, ouvrirait la voie à d'autres marchés du continent. Autobrains, fondée en 2018 et soutenue par des investisseurs comme BMW et Continental, mise sur une approche dite "bio-inspirée" qui imite l'apprentissage humain sans dépendre de cartographies précises. Le choix de Taipei comme cadre d'annonce souligne l'importance stratégique de Nvidia comme fournisseur d'infrastructure compute pour l'ensemble de l'écosystème autonome. Uber affronte sur ce terrain Waymo, Cruise et les acteurs chinois comme WeRide ou Pony.ai, déjà présents ou en cours de déploiement en Europe.

Robotique❧Opinion

1 source

38

2862AWS ML Blog 

Sécuriser les agents IA avec des intercepteurs Policy et Lambda dans la passerelle Amazon Bedrock AgentCore

Amazon a enrichi son service Bedrock AgentCore Gateway de deux mécanismes de sécurité complémentaires destinés à contrôler le comportement des agents IA en entreprise. Le premier, appelé Policy, permet de définir des règles d'accès aux outils à l'aide de Cedar, un langage déclaratif d'Amazon qui évalue chaque requête selon un principal, une action et une ressource, puis délivre une décision déterministe d'autorisation ou de refus, automatiquement journalisée. Le second mécanisme, les intercepteurs Lambda, permet d'exécuter du code personnalisé avant ou après chaque appel d'outil, pour effectuer de la validation dynamique, de l'enrichissement de payload, des échanges de tokens ou du filtrage de réponses. Pour illustrer ces capacités, Amazon présente un agent de données baptisé "lakehouse data agent", conçu pour une compagnie d'assurance fictive. Cet agent permet à trois types d'utilisateurs, titulaires de contrats, experts en sinistres et administrateurs, d'interroger des données de réclamations stockées dans Amazon S3 Tables au format Apache Iceberg, via Amazon Athena et AWS Lake Formation. L'interface Streamlit authentifie les utilisateurs via Amazon Cognito et transmet des JWT à l'agent, qui expose cinq outils MCP distincts. Les métadonnées de rôles, les mappings IAM par tenant et la géographie des utilisateurs sont stockés dans Amazon DynamoDB. Ces nouvelles fonctionnalités répondent à un problème de gouvernance concret que rencontrent les grandes organisations déployant des agents IA à l'échelle. Contrairement aux applications traditionnelles qui exécutent une logique fixe, les agents pilotés par un LLM décident au moment de l'exécution quels outils invoquer, avec quels arguments et dans quel ordre. Il devient donc impossible d'auditer le graphe d'appels à l'avance. Sur des plateformes unifiées comptant des centaines d'agents et des milliers d'outils MCP répartis entre différentes équipes et unités métier, ce manque de contrôle crée un risque réel. La combinaison Cedar pour l'autorisation déterministe et Lambda pour la validation contextuelle dynamique, notamment basée sur la géographie de l'utilisateur, offre une architecture de sécurité en couches adaptée à cette réalité. Ce développement s'inscrit dans un mouvement plus large d'industrialisation de l'IA agentique au sein des entreprises, où les questions de sécurité et de conformité deviennent aussi critiques que la performance des modèles eux-mêmes. Le Model Context Protocol, promu initialement par Anthropic, s'impose progressivement comme standard d'interopérabilité entre agents et outils, et AWS prend position en intégrant nativement la gouvernance des outils MCP dans Bedrock. Lake Formation assure par ailleurs une sécurité au niveau des lignes et des colonnes directement à l'exécution des requêtes, garantissant que même un agent mal configuré ne puisse pas exfiltrer de données hors de son périmètre autorisé. La prochaine étape probable pour Amazon sera d'étendre ces mécanismes à des scénarios multi-agents, où la chaîne de confiance entre agents orchestrateurs et agents subalternes soulève des défis de sécurité encore plus complexes.

Infrastructure⚡Actu

1 source

51

2863Le Big Data 

La révolution des Agents IA en 2026 : entre explosion du ROI et urgence de gouvernance

En 2026, les agents d'intelligence artificielle ont franchi une étape décisive dans le monde de l'entreprise. Contrairement aux chatbots de 2024 qui se limitaient à répondre à des requêtes ponctuelles, ces nouveaux systèmes autonomes planifient, exécutent et ajustent eux-mêmes des missions complexes sur plusieurs jours, voire plusieurs semaines. Ils interagissent directement avec les bases de données, les API, les CRM et les ERP sans nécessiter de validation humaine constante. Le rapport State of AI Agents 2026 d'Anthropic révèle que 80 % des responsables tech mesurent désormais un retour sur investissement positif, et que 57 % des entreprises déploient ces agents pour des processus comportant au moins cinq étapes. Chez Novo Nordisk et L'Oréal, le traitement de documents techniques est passé de plusieurs semaines à quelques minutes. Gartner prédit que 40 % des logiciels professionnels intégreront nativement des agents d'ici fin 2026, propulsant le marché mondial à près de 11 milliards de dollars. Ce basculement transforme en profondeur la manière dont les organisations produisent de la valeur. L'IA cesse d'être un outil de rédaction assistée pour devenir un collaborateur numérique capable de conduire des projets de bout en bout. Pour les équipes RH, juridiques ou financières, cela signifie une réduction drastique des tâches répétitives et une accélération des cycles de décision. Mais cette autonomie soulève aussi des questions critiques de gouvernance : à qui incombe la responsabilité quand un agent prend une mauvaise décision ? Comment auditer des actions exécutées sans supervision humaine ? Les entreprises qui se contentent de déployer sans encadrer s'exposent à des risques opérationnels et réglementaires significatifs. Le saut technique qui rend tout cela possible repose sur la maîtrise des longs horizons d'exécution, appelés Task Horizons. Les architectures actuelles maintiennent une cohérence contextuelle totale sur des sessions prolongées, grâce à des mécanismes d'auto-correction (self-healing) qui permettent à l'agent de contourner les obstacles sans blocage. Des frameworks comme CrewAI, LangGraph ou PydanticAI orchestrent la collaboration entre agents spécialisés dans des environnements sandboxés sécurisés. L'entreprise brésilienne Suzano illustre cette tendance avec un agent construit sur Gemini Pro. La compétition ne porte plus sur la puissance brute des modèles, mais sur la robustesse des architectures et la capacité des organisations à instaurer une gouvernance adaptée, condition sine qua non pour convertir la promesse agentique en avantage concurrentiel durable.

Outils⚒Outil

1 source

47

2864AWS ML Blog 

Amazon Bedrock AgentCore : paiements par agents autonomes avec garde-fous intégrés

Amazon a annoncé en avant-première AgentCore Payments, une nouvelle fonctionnalité d'Amazon Bedrock développée en partenariat avec Coinbase Developer Platform et Stripe (via Privy), qui permet aux agents d'intelligence artificielle d'effectuer des transactions financières au nom de leurs utilisateurs. Disponible en préversion dans quatre régions, Virginie du Nord, Oregon, Francfort et Sydney, la solution repose sur un système de portefeuilles embarqués auto-custodiaux hébergés chez ces partenaires. Concrètement, chaque session de paiement est isolée, assortie d'un budget configurable et d'une durée de vie limitée (TTL), empêchant tout agent de dépenser librement au-delà du périmètre défini. Les informations sensibles, numéros de carte, codes CVV, clés d'API développeur, ne transitent jamais dans le contexte de l'agent, ce qui réduit considérablement la surface d'exposition en cas de compromission. Cette capacité répond à un verrou majeur dans le déploiement des agents autonomes : jusqu'ici, dès qu'une ressource web, un outil ou un endpoint MCP nécessitait un paiement, l'agent se retrouvait bloqué, incapable de finaliser la tâche sans intervention humaine. En intégrant la transaction directement dans l'infrastructure AWS, Amazon permet aux développeurs de construire des agents capables de mener à bien des missions complexes sans interruption. Les garde-fous sont conçus pour répondre aux trois risques principaux identifiés : les dépenses incontrôlées liées au comportement non-déterministe des grands modèles de langage, l'absence de délégation explicite de la part de l'utilisateur final, et la compromission des credentials développeur ou des tokens de portefeuille. Les limites de dépense sont appliquées au niveau de l'infrastructure, en dehors du modèle, ce qui les rend incontournables même si l'agent est manipulé ou mal configuré. Cette annonce s'inscrit dans une tendance de fond : les grandes plateformes cloud cherchent à industrialiser l'infrastructure nécessaire aux agents autonomes, au-delà des simples appels d'API. AWS positionne Bedrock AgentCore comme une couche de confiance entre les agents et les systèmes financiers réels, à un moment où la course à l'agentivité s'intensifie entre Amazon, Google et Microsoft. Le choix de Coinbase et Stripe comme partenaires n'est pas anodin : il permet de couvrir à la fois les paiements en crypto-monnaie et les paiements en monnaie fiduciaire, deux rails complémentaires selon les cas d'usage. La fonctionnalité reste en préversion, avec des API susceptibles d'évoluer avant la disponibilité générale, mais elle marque une étape concrète vers des agents capables d'agir pleinement en mandataires économiques de leurs utilisateurs, avec un cadre de responsabilité clairement défini.

Outils⚒Outil

1 source

51

2865The Decoder 

Anthropic, créateur de Claude, dépose une demande d'introduction en bourse auprès de la SEC

Anthropic, la société américaine à l'origine du chatbot Claude, a déposé confidentiellement auprès de la Securities and Exchange Commission (SEC) une demande d'enregistrement en vue d'une introduction en Bourse. Cette démarche, révélée récemment, intervient alors que l'entreprise est valorisée à près de mille milliards de dollars à la suite de son dernier tour de financement, un seuil qui la place parmi les sociétés privées les plus valorisées au monde. Une entrée en Bourse à cette valorisation représenterait l'une des plus grandes IPO de l'histoire de la tech. Elle permettrait à Anthropic de lever des capitaux frais pour financer l'entraînement de ses prochains modèles, une activité dont les coûts se comptent en milliards de dollars, tout en offrant une sortie à ses investisseurs actuels, parmi lesquels Amazon et Google, qui ont injecté des sommes considérables ces dernières années. Pour les marchés, l'arrivée d'Anthropic en Bourse constituerait un test grandeur nature de l'appétit des investisseurs pour les pure players de l'IA générative. La démarche s'inscrit dans une dynamique plus large : son rival OpenAI prépare lui aussi une introduction en Bourse, et la compétition pour attirer les capitaux institutionnels s'intensifie dans tout le secteur. Fondée en 2021 par d'anciens cadres d'OpenAI, dont Dario et Daniela Amodei, Anthropic s'est positionnée sur la sécurité de l'IA comme avantage différenciant. Le dépôt confidentiel signifie que les détails financiers resteront non publics jusqu'à la phase finale du processus, dont le calendrier précis n'a pas encore été annoncé.

Business⚡Actu

1 source

41

2866Ars Technica AI 

Accusée de saccager des Airbnb pour tester ses robots, une startup fait face à des poursuites

Une startup de robotique de la Bay Area, The Bot Company, fait face à des poursuites judiciaires après que des dommages importants auraient été causés dans la maison d'un hôte Airbnb lors de séances de tests de prototypes. Le 26 mai 2026, Sean Donovan a déposé une plainte réclamant plus de 12 000 dollars de dédommagement à l'entreprise basée à San Francisco. L'affaire, révélée en premier par SFGate qui a également interviewé Donovan, porte sur des dégâts constatés dans ce qui était autrefois la maison d'enfance du plaignant, louée via Airbnb par des employés de la startup. Les premiers signes que ces locataires n'étaient pas de simples travailleurs tech en déplacement sont apparus lorsque Donovan est passé gérer les poubelles pendant le séjour. Il a découvert des câbles entortillés partout dans la maison, ainsi qu'un robot qu'il a décrit comme une sorte de "Roomba de deux mètres sur chenilles", évoquant également les Borgs cybernétiques de l'univers Star Trek. Ce que Donovan a trouvé à son retour constitue le cœur du litige : des dommages matériels étendus qu'il attribue directement aux activités de test menées à l'intérieur du logement. Cette affaire soulève une question juridique et éthique nouvelle dans le secteur de la robotique en pleine expansion : jusqu'où les startups peuvent-elles aller pour tester leurs machines dans des environnements réels ? L'utilisation de locations courte durée comme terrain d'expérimentation clandestine pourrait exposer d'autres entreprises du secteur à des risques similaires. The Bot Company, dont on sait peu de chose publiquement, se retrouve au cœur d'un précédent judiciaire qui pourrait contraindre l'ensemble de l'industrie à formaliser des protocoles de test plus transparents, et forcer les plateformes comme Airbnb à clarifier leurs conditions d'utilisation face à des usages commerciaux non déclarés.

Robotique⚡Actu

1 source

44

2867The Decoder 

Le lauréat du prix Turing Richard Sutton estime que l'IA générative pure ne peut pas faire de vraie science

Richard Sutton, lauréat du prix Turing 2024 pour ses travaux fondateurs sur l'apprentissage par renforcement, a pris une position tranchée sur les limites des systèmes d'IA générative actuels : ils sont structurellement incapables de faire de la vraie science. Sa critique centrale porte sur l'absence de boucle d'évaluation interne. Sans mécanisme pour juger la validité ou la nouveauté de ses propres résultats, un système génératif ne peut que produire du contenu vraisemblable, pas découvrir quelque chose de réellement nouveau. Toute nouveauté émergente reste fugace, non reconnue, aussitôt perdue. L'enjeu est considérable pour le débat autour de l'IA scientifique. De nombreux acteurs présentent les grands modèles de langage comme des outils de découverte, capables d'accélérer la recherche en biologie, en chimie ou en mathématiques. Sutton conteste cette vision : sans capacité d'autoévaluation, ces systèmes restent des moteurs de reformulation, non d'exploration. Pour les chercheurs qui misent sur l'IA pour générer des hypothèses originales, la distinction est fondamentale. Sutton pointe en contraste des systèmes comme AlphaGo ou AlphaProof, développés par Google DeepMind, qui intègrent une boucle d'évaluation explicite, le score d'une partie, la validité d'une preuve, permettant à l'IA de tester et valider ses propres productions. C'est précisément ce mécanisme qui rend ces systèmes capables d'une forme de créativité authentique, selon lui. Sa prise de position s'inscrit dans un débat plus large sur la trajectoire de l'IA : faut-il poursuivre la voie des modèles génératifs à grande échelle, ou revenir vers des architectures hybrides combinant génération et vérification formelle ?

Recherche❖Paper

1 source

40

2868MarkTechPost 

Memory OS : une architecture mémoire open source à 6 couches pour agents Hermes

Un développeur de la communauté open-source, ClaudioDrews, vient de publier Memory OS, une bibliothèque sous licence MIT qui superpose six couches de mémoire à Hermes Agent, l'agent conversationnel de Nous Research. Là où Hermes propose déjà des fichiers de workspace et une base de données de sessions avec recherche plein texte, Memory OS y ajoute une base vectorielle Qdrant, des faits structurés avec scoring de confiance, un wiki de concepts auto-curé, et un système de rappel chirurgical à chaque appel LLM. L'ensemble tourne en local via Docker, Qdrant, Redis et Python 3.11+, et fonctionne avec n'importe quel fournisseur LLM supporté par Hermes : OpenRouter, OpenAI, Anthropic ou Ollama. Les six couches vont du simple fichier MEMORY.md injecté dans le prompt système (couche 1) jusqu'à un wiki LLM continuellement réingéré dans Qdrant (couche 6), en passant par une base SQLite avec FTS5, des vecteurs Cosine en 4096 dimensions combinés à une recherche BM25, et une version fortement remaniée du plugin Icarus gérant le rappel inter-sessions via 16 outils dédiés. L'intérêt concret de cette architecture réside dans son mécanisme de récupération : à chaque appel LLM, le système interroge simultanément quatre sources (Fabric, Qdrant, Sessions, Facts), filtre les résultats par seuil de pertinence, déduplique par session et ignore les messages triviaux. En sortie de session, il extrait et capitalise automatiquement les nouveaux apprentissages. Un scanner hebdomadaire fait vieillir les entrées obsolètes, et une déduplication sémantique fusionne les souvenirs quasi-identiques dès que la similarité cosinus dépasse 0,92. L'objectif affiché est l'efficacité en tokens : ne charger dans le contexte que ce qui est réellement utile, pas saturer la fenêtre. Pour les équipes soumises à des règles de résidence des données, le fait que rien ne quitte la machine locale représente un avantage réel que les services cloud comme mem0, Zep ou Letta ne peuvent pas offrir. Memory OS s'inscrit dans un débat plus large sur la mémoire des agents IA : jusqu'où peut-on aller avec une mémoire embarquée dans l'agent lui-même, sans passer par une infrastructure cloud payante ? Hermes Agent propose déjà huit fournisseurs de mémoire externes officiels, dont mem0 et Honcho, mais Memory OS n'en fait pas partie, c'est une surcouche communautaire indépendante, ce qui dit quelque chose sur l'appétit des développeurs pour des solutions souveraines. Le projet est récent et sa maturité reste à prouver à l'usage, mais son architecture en cascade de fallback (hybride, puis vectoriel dense, puis lexical, puis SQLite) montre une réflexion sérieuse sur la robustesse. Si l'adoption suit, ce type de stack mémoire locale pourrait devenir un modèle de référence pour les agents à usage intensif en entreprise.

Outils⚒Outil

1 source

46

2869FrenchWeb 

Avec Anthropic, OpenAI et SpaceX, Wall Street s’apprête à vivre son plus grand cycle technologique depuis Internet

Wall Street se prépare à entrer dans ce qui pourrait être le plus grand cycle d'introductions en Bourse depuis la bulle Internet des années 2000, porté par trois géants technologiques encore privés : Anthropic, OpenAI et SpaceX. Ces entreprises, valorisées chacune à des centaines de milliards de dollars, concentrent une attention inédite de la part des investisseurs institutionnels et des marchés publics, qui n'ont jusqu'ici pu y accéder qu'indirectement. Aucune date officielle n'a été annoncée, mais les signaux se multiplient indiquant que la fenêtre d'introduction se rapproche. L'enjeu est considérable pour les marchés financiers : une cotation d'OpenAI ou d'Anthropic représenterait une occasion rare pour les investisseurs particuliers et les fonds classiques d'entrer au capital des acteurs centraux de la révolution IA. Cela redistribuerait les flux de capitaux aujourd'hui concentrés chez quelques fonds de capital-risque et fonds souverains, tout en offrant une liquidité aux premiers actionnaires et employés de ces sociétés. Pendant plus d'une décennie, les entreprises technologiques les plus prometteuses ont délibérément évité la Bourse, préférant lever des dizaines de milliards en privé auprès de SoftBank, des fonds du Golfe ou de Microsoft, qui a investi plus de 13 milliards de dollars dans OpenAI. Cette stratégie a permis de croître sans la pression des marchés trimestriels, mais les valorisations atteignent désormais des niveaux qui rendent une sortie en Bourse quasi inévitable pour offrir de la liquidité aux investisseurs historiques et financer la prochaine phase d'expansion.

Business❧Opinion

1 source

48

2870The Information AI 

OpenAI envisage de publier un outil interne qui affaiblirait l'avantage logiciel de Nvidia

OpenAI envisage de rendre public un outil logiciel développé en interne qui permettrait d'exécuter des charges de travail d'intelligence artificielle sur des puces de différents fabricants, sans se limiter à celles de Nvidia. C'est Sachin Katti, responsable des infrastructures et du calcul chez OpenAI, qui a évoqué cette possibilité lors d'une table ronde. OpenAI a récemment conclu des accords pour utiliser les puces d'Amazon, de Cerebras et d'AMD, tout en développant ses propres puces personnalisées. Katti a décrit cet outil comme une "capacité d'optimisation agentique" et affirmé vouloir "rendre cette capacité disponible pour le monde entier". Il a également indiqué qu'OpenAI disposait déjà d'échantillons précoces des prochaines puces Vera Rubin de Nvidia, dont le déploiement est attendu d'ici fin 2025, et prévoit de les intégrer à ses entraînements d'ici la fin de l'année. Si OpenAI publie effectivement cet outil, les conséquences pour Nvidia pourraient être significatives. L'avantage concurrentiel du géant des semi-conducteurs repose en grande partie sur CUDA, son écosystème propriétaire de compilateurs, de bibliothèques et d'outils d'optimisation que la quasi-totalité des grands développeurs d'IA utilisent pour faire tourner leurs logiciels sur ses puces. Un outil capable d'abstraire cette dépendance, c'est-à-dire de permettre aux équipes d'OpenAI de lancer des charges de travail sans se soucier du matériel sous-jacent, ouvrirait la voie à une concurrence matérielle que Nvidia a jusqu'ici réussi à étouffer grâce à son écosystème logiciel. Katti a également suggéré que l'IA elle-même pourrait générer du code optimisé pour différentes architectures de puces, réduisant encore davantage la valeur de l'exclusivité de CUDA. Cette annonce s'inscrit dans une tendance de fond que l'on observe chez tous les grands laboratoires d'IA : OpenAI, Anthropic et Meta cherchent tous à diversifier leurs fournisseurs de calcul pour ne pas dépendre d'un seul acteur. Katti a résumé cette évolution par une formule claire : "Nous allons nous retrouver dans un monde très hétérogène." PyTorch, le framework développé à l'origine par Meta, avait déjà commencé à éroder l'hégémonie de CUDA en facilitant l'écriture de code pour plusieurs types de puces. Des startups proposent désormais des outils de traduction automatique de ce code vers des instructions bas niveau adaptées directement au matériel. OpenAI, en s'inspirant du système Borg de Google qui permet de gérer des charges de calcul sur des infrastructures hétérogènes, ambitionne d'accélérer ce mouvement à l'échelle de l'ensemble de l'industrie.

Infrastructure❧Opinion

1 source

45

2871Le Big Data 

Nouveaux modèles d’IA, Windows repensé… Microsoft prépare du lourd pour Build 2026

Microsoft tiendra sa conférence annuelle Build 2026 dans les prochaines semaines, et les premières fuites dessinent un programme particulièrement dense. L'entreprise préparerait le lancement d'un nouveau modèle de raisonnement développé en interne par Microsoft AI, distinct des modèles génératifs classiques : conçu pour analyser les problèmes complexes, il produirait des réponses plus structurées et plus fiables sur des tâches de logique ou de planification. Copilot, l'assistant omnipresent de Microsoft, devrait lui aussi évoluer vers une version plus ambitieuse, décrite en interne comme une "super application" consolidant l'ensemble des services de l'écosystème Microsoft dans une interface unique. Côté Windows 11, plusieurs nouveautés sont attendues : amélioration des performances, réécriture de composants système pour gagner en réactivité, et une expérience dédiée aux développeurs avec des outils préinstallés, des scripts prêts à l'emploi et un environnement simplifié dès le démarrage. Ces annonces interviennent à un moment charnière pour Microsoft. La firme de Redmond a massivement investi dans l'IA depuis son partenariat avec OpenAI, mais doit maintenant prouver que ces investissements se traduisent en produits concrets et différenciants. Le nouveau modèle de raisonnement signalerait une volonté de ne plus dépendre uniquement des modèles OpenAI, en développant ses propres capacités maison. L'évolution de Copilot en point d'entrée universel de l'écosystème Microsoft représente un enjeu commercial majeur : si l'assistant devient la porte d'accès à Microsoft 365, Azure, Teams et Windows, c'est toute la fidélisation client qui se joue à travers lui. Pour les développeurs, une expérience Windows rationalisée peut réduire les frictions d'installation et de configuration, un argument de poids face à la popularité persistante de Linux et macOS dans ce segment. Build est historiquement la conférence où Microsoft trace sa feuille de route technique pour les douze mois suivants, et cette édition 2026 s'inscrit dans une compétition exacerbée avec Google, Apple et les acteurs purement IA comme Anthropic ou xAI. Microsoft doit également préparer Windows à la nouvelle génération de puces spécialisées pour l'IA, les NPU intégrés aux processeurs ARM et x86 récents, qui permettent d'exécuter des modèles localement sans passer par le cloud. La capacité du système à tirer parti de ce matériel sera déterminante pour les usages IA embarqués. Si les annonces tiennent leurs promesses, Build 2026 pourrait marquer un tournant réel pour Windows, qui n'a pas connu de refonte en profondeur depuis le passage à Windows 11 en 2021, les développeurs, eux, attendent des démonstrations avant de se laisser convaincre.

LLMs❧Opinion

1 source

43

2872AWS ML Blog 

AgentOps : déployer des agents IA à grande échelle avec Amazon Bedrock AgentCore

Amazon Web Services a présenté AgentOps, une nouvelle discipline opérationnelle pour déployer, gérer et améliorer les agents IA en production, en s'appuyant sur sa plateforme Amazon Bedrock AgentCore. Publié début juin 2026, ce cadre de référence s'articule autour de quatre piliers : gouvernance et sécurité, construction et opérations, évaluation, et observabilité. Bedrock AgentCore permet de déployer des agents IA compatibles avec n'importe quel modèle de langage et n'importe quel framework open source, en passant du développement local à la production sans gérer d'infrastructure. AWS propose une architecture de référence complète couvrant l'ensemble du cycle de vie DevOps adapté aux agents : planification, développement, construction, test, déploiement et maintenance. Le besoin derrière AgentOps est concret : contrairement aux pipelines classiques, les agents IA prennent des décisions autonomes et non déterministes, ce qui rend le débogage difficile, les coûts imprévisibles et le contrôle qualité complexe. AgentOps répond à ces défis en traitant chaque agent, outil et configuration mémoire comme un artefact versionné avec son propre pipeline CI/CD. L'évaluation s'effectue à quatre niveaux : l'outil individuel, le tour de conversation, le résultat de session et le système global, aussi bien en développement qu'en production. L'observabilité couvre quatre couches de télémétrie pour tracer chaque décision d'agent, surveiller les baisses de qualité et mesurer le coût par interaction. Ce lancement s'inscrit dans une course industrielle autour de l'IA agentique, où AWS, Google, Microsoft et OpenAI cherchent à proposer des plateformes complètes pour industrialiser le déploiement d'agents. La complexité opérationnelle croissante, notamment la gestion des identités d'agents, des protocoles d'authentification inter-agents (A2A), du Model Context Protocol (MCP) et des mécanismes de contrôle humain (human-in-the-loop), pousse les entreprises à chercher des cadres structurés. Amazon Bedrock AgentCore se positionne comme une réponse cloud-native à ces enjeux, en intégrant nativement sécurité, registre d'outils, gestion de l'état et limites d'exécution. Les suites prévisibles incluent l'adoption de ces pratiques AgentOps dans les grandes organisations, ainsi qu'une pression croissante sur les équipes DevOps pour adapter leurs outils et processus à la nature non déterministe des systèmes agentiques.

Outils⚡Actu

1 source

55

2873VentureBeat AI 

MiniMax-M3 surpasse GPT-5.5 et Gemini 3.1 Pro sur des benchmarks clés, pour 5 à 10 % du coût

La startup chinoise MiniMax a lancé dimanche soir son modèle de langage MiniMax-M3, se positionnant d'emblée comme une alternative redoutable aux modèles propriétaires américains. Disponible via l'API MiniMax à un tarif promotionnel de 0,30 dollar par million de tokens en entrée et 1,20 dollar par million en sortie, le modèle affiche des performances supérieures à GPT-5.5 d'OpenAI et à Gemini 3.1 Pro de Google sur plusieurs benchmarks clés, pour 5 à 10 % de leur coût. Même à plein tarif, 0,60 dollar l'entrée et 2,40 dollars la sortie, M3 revient à seulement 8 à 20 % du prix des grands modèles propriétaires concurrents. L'entreprise a également annoncé la mise à disposition sous licence open source avec poids ouverts dans les dix prochains jours, permettant aux entreprises de télécharger et personnaliser le modèle gratuitement. M3 intègre par ailleurs une fenêtre de contexte d'un million de tokens, une multimodalité native, et des capacités avancées en codage et en traitement de tâches agentiques, avec un abonnement mensuel à partir de 20 dollars. Ce lancement remet en question une règle non écrite du secteur : les développeurs devaient jusqu'ici choisir entre des modèles fermés très performants mais coûteux, ou des modèles open source accessibles mais limités sur les raisonnements complexes et les longues séquences. MiniMax-M3 brouille cette frontière en combinant performance de pointe et coût marginal, ce qui pourrait redistribuer les cartes pour les équipes de développement cherchant à intégrer des capacités d'IA avancées sans exploser leurs budgets d'inférence. La possibilité de déployer les poids en local renforce encore l'intérêt pour les entreprises soucieuses de confidentialité ou cherchant à s'affranchir de dépendances API. Cette percée s'inscrit dans un mouvement plus large de rattrapage des laboratoires chinois face aux géants américains. DeepSeek, Alibaba avec Qwen, Moonshot via Kimi et désormais MiniMax publient à un rythme soutenu des modèles compétitifs à des prix agressifs, alimentant une guerre tarifaire qui contraint OpenAI, Google et Anthropic à revoir leurs propres grilles. Sur le plan technique, M3 repose sur une architecture originale baptisée MiniMax Sparse Attention, qui rompt avec les mécanismes d'attention traditionnels dont le coût de calcul croît quadratiquement avec la longueur des séquences. En découpant les matrices clé-valeur en blocs ciblés lus une seule fois, cette approche permet d'être plus de quatre fois plus rapide que des alternatives open source comparables sur de longues séquences. La disponibilité imminente des poids ouverts pourrait transformer M3 en référence de facto pour les entreprises cherchant un modèle frontier déployable en interne.

LLMs❧Opinion

1 source

48

2874AWS ML Blog 

Chargement des LLM accéléré et fenêtres de contexte élargies avec GPUDirect, Amazon FSx for Lustre et TurboQuant

Amazon Web Services vient d'annoncer une combinaison technique qui pourrait transformer le déploiement de grands modèles de langage en production : l'utilisation conjointe d'Amazon FSx for Lustre, de NVIDIA GPUDirect Storage (GDS) et d'une nouvelle technique de quantification appelée TurboQuant. Concrètement, charger un modèle comme Llama 3.1 405B, soit environ 800 gigaoctets de poids en BF16, prend aujourd'hui entre 10 et 20 minutes avec une infrastructure classique. Avec GDS sur les nouvelles instances P6 et P6e d'AWS, propulsées par l'architecture NVIDIA Blackwell, ce délai tombe à quelques secondes. Le flagship P6e UltraServer concentre 72 GPU Blackwell dans un seul domaine NVLink, avec 13,4 téraoctets de mémoire HBM3e et 360 pétaflops de calcul en FP8. Le problème que résout cette approche est fondamental pour l'industrie de l'inférence à grande échelle. Dans le pipeline traditionnel, les poids du modèle transitent séquentiellement depuis le stockage vers la RAM CPU, sont désérialisés, éventuellement quantifiés, puis copiés un par un vers chaque GPU via le bus PCIe. Pendant tout ce temps, parfois vingt minutes, les GPU les plus chers de l'infrastructure restent inactifs. GPUDirect Storage court-circuite entièrement ce chemin : les checkpoints du modèle sont pré-découpés en fragments sur FSx for Lustre, et les huit GPU d'une instance lisent leurs fragments en parallèle directement dans leur mémoire HBM, sans jamais passer par le CPU ni le PCIe. L'impact est immédiat sur trois métriques critiques : la latence au premier token lors d'un démarrage à froid, la réactivité de l'autoscaling lors des pics de charge, et le coût d'infrastructure lié aux GPU qui attendent. Cette annonce s'inscrit dans une course à l'optimisation de l'inférence LLM qui s'est intensifiée depuis l'émergence de modèles à plusieurs centaines de milliards de paramètres. Des frameworks comme vLLM ont certes amélioré le chargement parallèle des poids depuis la version 0.19 et son moteur V1, mais les données continuent d'emprunter le CPU et le bus PCIe, une limitation structurelle que GDS supprime à la racine. AWS introduit simultanément TurboQuant, une technique de mise en cache KV qui permet d'augmenter significativement la taille des fenêtres de contexte disponibles sur ces instances. Ces deux avancées combinées positionnent AWS comme un acteur offensif sur le marché de l'infrastructure d'inférence, face à des concurrents comme Google Cloud et Azure qui développent leurs propres accélérateurs et solutions de stockage haute performance pour répondre aux mêmes contraintes.

Infrastructure❧Opinion

1 source

40

2875AWS ML Blog 

Amazon intègre les bases de données de séries temporelles pour l'analyse de marché via MCP

Amazon vient de dévoiler une intégration du protocole MCP (Model Context Protocol) dans son service de business intelligence Amazon Q (Quick), permettant aux analystes financiers d'interroger des bases de données temporelles en langage naturel. L'exemple phare de cette architecture associe Amazon Q au serveur MCP de KDB-X, construit sur kdb+, un moteur d'analyse haute performance fonctionnant avec le langage vectoriel q, réputé dans le secteur financier pour traiter des millions de transactions boursières par seconde. Concrètement, un analyste peut désormais poser une question comme "quelle a été la volatilité du marché hier entre 10h et 12h ?" et obtenir une réponse sans écrire une seule ligne de code SQL. Le serveur MCP est déployé sur une instance Amazon EC2, tandis qu'Amazon Bedrock AgentCore Gateway assure la couche d'authentification et de routage, avec Amazon Cognito configuré comme fournisseur d'identité. Cette intégration transforme concrètement le quotidien des équipes qui dépendent de données temporelles denses : traders, ingénieurs DevOps, équipes IoT. Jusqu'ici, extraire des insights depuis kdb+ nécessitait des compétences en q ou SQL spécialisé, ce qui créait un goulot d'étranglement entre les analystes métier et la donnée brute. Avec cette architecture, Amazon Q traduit automatiquement les requêtes en langage naturel en instructions SQL, les envoie au serveur KDB-X via le gateway, et restitue les résultats directement dans l'interface de chat. Les outils exposés par le serveur MCP, hybridsearch, runsqlquery, similaritysearch, permettent également des cas d'usage avancés comme la recherche sémantique dans des dépôts réglementaires (fichiers SEC) ou le calcul de métriques de volatilité, sans que l'utilisateur ait besoin de connaître la structure sous-jacente des tables. Le protocole MCP, standardisé pour connecter des systèmes d'IA à des sources de données et outils externes, s'impose progressivement comme le trait d'union entre les LLM et les infrastructures d'entreprise. Amazon Q n'est pas le premier à l'adopter, Anthropic en est l'initiateur, et les principaux éditeurs l'ont rapidement intégré, mais l'associer à kdb+, standard de facto des salles de marché, envoie un signal clair vers les institutions financières. AWS positionne ici AgentCore Gateway comme une brique d'orchestration centrale, capable de gérer l'authentification et l'accès à plusieurs serveurs MCP simultanément. Le pattern architectural décrit dans cette publication est présenté comme réplicable à d'autres secteurs, ce qui laisse entrevoir une extension rapide vers les dashboards industriels, la surveillance d'infrastructure réseau, ou encore la santé connectée.

Outils⚒Outil

1 source

38

2876Le Big Data 

Optimiser vos budgets IT : Flezi Foundry automatise la chaîne de valeur

Le groupe informatique vietnamien FPT a lancé Flezi Foundry, une plateforme SaaS qui intègre des agents d'intelligence artificielle spécialisés dans l'ensemble du cycle de vie des projets logiciels. Concrètement, ces agents autonomes prennent en charge le codage, les tests de sécurité et la documentation technique, tandis que les ingénieurs humains conservent un rôle de superviseur pour valider les décisions et garantir la qualité finale. Frank Bignone, haut dirigeant chez FPT, présente cette approche comme le passage à une ère où l'intelligence est intégrée au fonctionnement même des services, et non plus seulement aux outils utilisés. La plateforme ambitionne également d'automatiser entre 60 % et 90 % des demandes de support de premier niveau grâce à un module de services managés capable de trier les alertes et de résoudre les incidents sans intervention humaine, avec un engagement de disponibilité fixé à 99,5 %. L'enjeu central est économique et organisationnel : FPT promet un gain de productivité de 30 % sans augmentation des budgets IT, ce qui représente une proposition directement adressée aux directions informatiques soumises à des pressions croissantes de réduction des coûts. En libérant les ingénieurs des tâches répétitives, l'entreprise mise sur une réaffectation de la valeur humaine vers des problèmes plus complexes. Pour les grandes organisations qui externalisent une partie de leur développement logiciel, ce modèle pourrait modifier en profondeur la structure des contrats de sous-traitance et redéfinir ce qu'on attend d'un prestataire IT. L'infrastructure repose sur un mix cloud privé et ressources propres de FPT, un argument de sécurité destiné à rassurer les directions techniques réticentes à confier des systèmes critiques à des agents automatisés. FPT, dont les centres de compétences sont principalement implantés au Vietnam et au Japon, s'inscrit dans une vague plus large de plateformes d'ingénierie agentique qui émergent en 2025 et 2026, portées par la maturité croissante des grands modèles de langage capables de produire et de déboguer du code de manière autonome. Face aux craintes que suscite l'automatisation massive, le groupe a structuré un parcours d'intégration progressif : analyse des besoins, pilotes en conditions réelles, puis comparaison mesurée des performances avant et après déploiement. Cette approche par étapes vise à limiter les risques perçus et à construire la confiance des clients avant une adoption plus large. FPT positionne ainsi Flezi Foundry comme un modèle potentiellement standard pour la collaboration homme-machine dans l'industrie IT mondiale, dans un marché où Microsoft, Google et des dizaines de startups se livrent une concurrence intense sur le même territoire.

Outils⚒Outil

1 source

51

2877VentureBeat AI 

L'agent navigateur d'Anthropic a été détourné dans 31,5 % des cas avant l'activation des protections

Le 28 mai 2026, Anthropic a publié une fiche système de 244 pages pour ses modèles Claude 4, révélant que son agent navigateur pouvait être détourné via des attaques par injection de prompt dans 31,5 % des tentatives avant l'activation des protections. Ce chiffre concerne spécifiquement le modèle Opus 4.8 testé dans un environnement navigateur, la surface la plus vulnérable parmi les quatre testées. Les chercheurs de Gray Swan ont utilisé l'outil Shade sur 129 environnements web distincts, à raison de dix tentatives chacun. Dans un environnement de codage, le taux d'attaque réussie tombait à 7,03 %. Une fois les protections activées, le taux dans le navigateur chute à 0,5 % ; avec la fonctionnalité de réflexion désactivée, il tombe à zéro sur l'ensemble des 129 environnements. Le modèle Sonnet 4.6 affichait un taux brut de 50,7 % sans protection, contre 31,5 % pour Opus 4.8, signe d'une amélioration générationnelle. Par comparaison, OpenAI n'a publié qu'un seul score de robustesse pour GPT-5.5 (0,963 sur 1) sur une unique surface d'attaque, Google a déplacé le sujet dans un cadre de sécurité séparé, et Meta n'a publié aucune fiche pour ses modèles fermés. Le paradoxe de cette divulgation est qu'Anthropic, pourtant le seul laboratoire à publier des chiffres d'échec aussi précis, se retrouve en réalité dans la position la plus solide. Ces données constituent la seule base de comparaison sérieuse mise à la disposition des acheteurs et des responsables de la sécurité. Une attaque par injection de prompt consiste à dissimuler une instruction malveillante dans un contenu qu'un agent IA est amené à lire, une page web, un document, un résultat d'outil. Un simple texte du type "ignore les instructions précédentes" peut suffire à exfiltrer des données sensibles ou à déclencher des actions non autorisées. Carter Rees, vice-président IA chez Reputation, souligne que cette menace "partage aucune signature commune avec les malwares connus", ce qui rend les défenses classiques inopérantes. Pour les entreprises qui déploient des agents IA, la responsabilité de gérer cette exposition leur revient désormais entièrement. L'absence de standard industriel commun est au coeur du problème. Chaque laboratoire a construit sa propre échelle de mesure, rendant toute comparaison entre firmes impossible en l'état. Adam Meyers, de CrowdStrike, avertit que le déploiement d'IA élargit mécaniquement la surface d'attaque des organisations. Le rapport de CrowdStrike sur le secteur financier, publié en mai 2026, montre que les attaquants utilisent déjà l'IA pour réduire drastiquement le délai entre l'intrusion initiale et l'impact, devançant les défenses traditionnelles. Dans ce contexte, la granularité des données publiées par Anthropic, ventilées par surface, par génération de modèle et par type de protection, pourrait servir de référence pour d'éventuels futurs standards de divulgation sectoriels. La prochaine étape sera d'observer si Google, OpenAI et Meta convergeront vers un format comparable, ou si l'opacité restera la norme.

Sécurité❧Opinion

1 source

43

2878Latent Space 

Pourquoi les agents vidéo sont la prochaine étape, Ethan He, xAI Grok Imagine

Ethan He, chercheur passé de NVIDIA à xAI, a co-animé un épisode du podcast Latent Space où il développe une thèse radicale sur l'avenir de la génération vidéo : le prochain Sora ne sera pas un meilleur modèle vidéo, mais un agent vidéo. He est l'un des architectes du modèle Cosmos World Model de NVIDIA, avant de rejoindre xAI pour construire Grok Imagine en seulement trois mois avec une petite équipe. Dans cet épisode, il détaille la pile technique complète des systèmes vidéo frontier : VAE (autoencodeurs variationnels), diffusion transformers, alignement audio-vidéo, distillation de modèles pour accélérer l'inférence, et les coûts cachés liés au stockage et au transfert de datasets vidéo massifs. La thèse centrale d'Ethan He est que l'intelligence des modèles vidéo provient principalement des LLM, et non de l'entraînement sur des données vidéo brutes. Cette distinction change profondément la trajectoire du domaine. Selon lui, la génération vidéo va suivre la même évolution que le code : les modèles de codage sont d'abord devenus très bons en sortie one-shot, puis l'étape décisive a été l'orchestration, la capacité à planifier, éditer, tester et itérer. De la même façon, les agents vidéo capables de planifier une tâche créative, générer des segments, se critiquer eux-mêmes et itérer deviendront le vrai différenciateur, bien davantage que les gains marginaux en réalisme ou en cohérence temporelle. Cette évolution concerne directement les équipes de production créative, les studios et toute l'industrie des médias synthétiques, pour qui la question n'est plus « à quoi ressemble la vidéo générée » mais « combien de tours de boucle le système peut-il exécuter sans intervention humaine ». Le contexte plus large est celui d'une course où la vitesse d'itération interne prime sur tout. He souligne que les plus grands gains de qualité chez xAI sont venus de la correction de petits bugs dans les pipelines de données et d'entraînement, pas de changements architecturaux majeurs. Il aborde également Flipbook, un projet souvent traité comme une démo anecdotique, mais qu'il considère comme un signal sérieux : avec la baisse continue des coûts d'inférence, une interface utilisateur générée en temps réel à partir de l'intention de l'utilisateur, sans HTML ni CSS traditionnels, devient un horizon crédible. Grok Imagine 0.9 intègre déjà la génération audio-vidéo à grande échelle, un problème qu'il décrit comme plus difficile que l'alignement texte-vidéo. La prochaine étape, Grok Imagine Agent, vise à transformer la génération vidéo en système de bout en bout piloté par des agents, confirmant que la frontière se déplace désormais du modèle vers l'orchestration.

Création❧Opinion

1 source

52

2879Next INpact 

☕️ Souveraineté numérique : le CIAN évoque « l’urgence » de la situation

Le Conseil national de l'intelligence artificielle et du numérique (CIAN) a publié le 22 mai 2026 un rapport sur la souveraineté numérique française et européenne. Le document pointe explicitement « l'urgence » de la situation, estimant que la dépendance aux acteurs étrangers pour les infrastructures numériques compromet la capacité de la France et de l'Europe à maîtriser les risques associés. Le CIAN formule plusieurs recommandations concrètes : création d'une Fabrique des Communs Numériques, renforcement du mandat de l'EDIC Digital Commons (basé à Paris), mise en place d'un fonds européen dédié aux communs numériques et d'un label European Open Standards, ainsi qu'une cartographie nationale des briques numériques existantes. Le rapport confirme un tableau préoccupant déjà esquissé par d'autres institutions : une poignée d'acteurs, essentiellement américains, contrôlent sans contre-pouvoir des outils devenus omniprésents dans la vie quotidienne des citoyens et des entreprises. Le CIAN décrit un double discours étatique persistant, des écarts béants entre intentions affichées et décisions réelles, une intervention publique fragmentée et un gâchis de ressources. Ce constat touche directement les administrations, les entreprises et les citoyens qui dépendent de plateformes étrangères pour leurs données, leurs communications et leurs infrastructures critiques. Ce rapport s'inscrit dans une séquence d'alertes institutionnelles qui s'accélèrent. En octobre dernier, la Cour des comptes avait déjà fustigé le manque de cohésion de la France sur ces questions. Le CIAN, organe consultatif chargé de conseiller le gouvernement, tente cette fois de dépasser le diagnostic en proposant des leviers d'action : exemplarité de la commande publique, contribution active à la gouvernance des communautés open source et renforcement des formations aux communs numériques. La vraie question reste celle de la traduction politique de ces recommandations, dans un contexte où les rapports se succèdent sans que les décisions suivent à la même cadence.

Régulation⚖Reglementation

1 source

36

2880Frandroid 

« Des dizaines de milliards de robots d’ici 10 à 20 ans » : la prédiction folle de Nvidia

Un cadre dirigeant de Nvidia a affirmé que le nombre de robots sur Terre dépassera un jour celui des êtres humains, prédisant l'émergence de dizaines de milliards d'appareils dans un horizon de dix à vingt ans. Cette déclaration, rapportée par Frandroid, illustre l'ambition vertigineuse avec laquelle le géant américain des semi-conducteurs positionne désormais la robotique physique au coeur de sa stratégie de croissance. L'enjeu dépasse largement la provocation chiffrée : Nvidia cherche à s'imposer comme la colonne vertébrale computationnelle de la prochaine vague industrielle. L'entreprise a déjà lancé Project GR00T, un modèle fondateur pour robots humanoïdes, et sa plateforme Isaac pour la simulation et l'entraînement robotique. Si des dizaines de milliards de robots nécessitent des puces, des logiciels et des infrastructures d'entraînement, Nvidia se retrouve en position de fournisseur incontournable, reproduisant à l'échelle physique le rôle qu'elle joue aujourd'hui dans l'IA générative. Cette prédiction s'inscrit dans une course mondiale où Tesla, Figure AI, 1X Technologies et Boston Dynamics parient tous sur l'humanoides à grande échelle. Les gouvernements chinois et américain y voient un enjeu de souveraineté industrielle. La question n'est donc plus de savoir si les robots envahiront les usines, les entrepôts et les foyers, mais à quelle vitesse, et qui contrôlera la chaîne de valeur, des capteurs aux modèles d'IA embarqués, en passant par les puces qui les font tourner.

Robotique❧Opinion

1 source