Actualités IA — page 149

9 335 articles au fil, du plus récent au plus ancien.

33

Illustration générée par IA

2961Apple Machine Learning 

Recherche vidéo incrémentale personnalisée : hybridation d'embeddings texte et ID

Recherche personnalisée pour la recherche vidéo instantanée sur Apple TV, où chaque frappe au clavier doit renvoyer des résultats pertinents alors que l'intention de l'utilisateur reste floue, parfois réduite à un préfixe d'une à trois lettres. Pour répondre à ce défi, une équipe de recherche a conçu un système combinant deux types de signaux au moment du classement des résultats. Le premier, baptisé TextEmb, est un encodeur de texte multilingue affiné par apprentissage contrastif à partir de triplets de coengagement, c'est-à-dire des contenus consultés ensemble par les utilisateurs. Le second, IdEmb, est un modèle d'embeddings collaboratifs fondé sur les identifiants des contenus, entraîné à partir d'exemples positifs tirés directement des interactions des utilisateurs. Ces deux espaces vectoriels sont ensuite combinés pour construire, en temps réel, une représentation personnalisée de chaque utilisateur. Cette approche hybride vise à résoudre un problème concret pour tout service de streaming vidéo: proposer des résultats pertinents dès les premières lettres tapées, sans attendre une requête complète. En croisant la proximité sémantique du texte avec les habitudes de visionnage individuelles, le système peut anticiper une intention encore ambiguë et hiérarchiser les contenus qui correspondent le mieux au profil de chaque utilisateur, plutôt que de se limiter à une correspondance textuelle générique. Cette recherche s'inscrit dans une tendance plus large de l'industrie du streaming, où la personnalisation de la recherche devient un axe de différenciation aussi stratégique que celle des recommandations. Les moteurs de recherche incrémentale, courants sur les téléviseurs connectés où la saisie au clavier ou à la télécommande est lente et imprécise, doivent compenser ce handicap par une meilleure compréhension du contexte utilisateur. En combinant signaux sémantiques et collaboratifs plutôt que de miser sur un seul type de modèle, cette méthode ouvre la voie à des systèmes de recherche vidéo plus réactifs, potentiellement applicables au-delà d'Apple TV à d'autres plateformes de streaming confrontées aux mêmes contraintes d'interface.

Recherche❖Paper

1 source

44

Illustration générée par IA

2962MarkTechPost 

Thinking Machines Lab lance Inkling, un modèle multimodal MoE open-weights de 975 milliards de paramètres (41 milliards actifs) à effort de raisonnement ajustable

Thinking Machines Lab vient de publier Inkling, son premier modèle entraîné entièrement en interne, avec des poids ouverts et un réglage fin possible via sa plateforme Tinker. Il s'agit d'un transformeur à mélange d'experts (MoE) comptant 975 milliards de paramètres au total, dont 41 milliards actifs, doté d'une fenêtre de contexte pouvant atteindre 1 million de tokens. Le préentraînement a porté sur 45 000 milliards de tokens mêlant texte, images, audio et vidéo ; le modèle accepte du texte, des images et de l'audio en entrée, mais ne produit que du texte en sortie. Le laboratoire a également dévoilé Inkling Small, une version de 276 milliards de paramètres avec 12 milliards actifs, qui égale voire dépasse son grand frère sur de nombreux benchmarks ; ses poids seront publiés une fois les tests terminés. L'architecture, proche de celle de DeepSeek V3, comprend 66 couches de décodeur avec 256 experts routés et 2 experts partagés par couche MoE, six experts routés s'activant par token via un routeur à base de sigmoïde. Le modèle alterne couches d'attention locale et globale selon un ratio de 5 pour 1, utilise un encodage positionnel relatif plutôt que RoPE, et a été entraîné avec l'optimiseur Muon sur des systèmes NVIDIA GB300 NVL72, avec un post-entraînement basé sur du SFT synthétique (notamment généré par Kimi K2.5) suivi d'un apprentissage par renforcement asynchrone dépassant 30 millions de déploiements. L'innovation la plus notable concerne le contrôle de l'effort de raisonnement : durant l'entraînement RL, l'équipe a fait varier le budget de tokens alloué au modèle en ajustant le message système et le coût par token, si bien qu'Inkling a appris à moduler lui-même sa profondeur de réflexion selon la tâche. Ce curseur, réglable de 0,2 à 0,99, est directement exposé via un paramètre reasoning_effort dans la bibliothèque transformers, ce qui permet aux développeurs d'ajuster coût et latence à la demande plutôt que de choisir entre plusieurs modèles figés. Concrètement, Inkling consomme trois fois moins de tokens que Nemotron 3 Ultra pour une performance équivalente sur Terminal Bench 2.1, un gain d'efficacité qui pourrait peser lourd pour les entreprises déployant des agents à grande échelle. Sur les benchmarks, évalués à effort maximal (0,99), Inkling se montre compétitif face à des modèles ouverts comme Kimi K2.6, GLM 5.2 ou DeepSeek V4 Pro, dominant notamment le test d'adversarialité FORTRESS avec 78 %, mais accusant un retard de près de 19 points sur GLM 5.2 en Terminal Bench 2.1. Il affiche aussi 73,5 % sur MMMU Pro et 91,4 % sur VoiceBench. Ce lancement s'inscrit dans la course des laboratoires d'IA à proposer des modèles open-weights toujours plus personnalisables, où Thinking Machines Lab, fondé par d'anciens cadres d'OpenAI, mise sur la finesse de réglage et la maîtrise du coût de calcul comme argument différenciant face aux géants du secteur.

LLMs⚡Actu

1 source

44

Illustration générée par IA

2963VentureBeat AI 

L'orchestration à base d'agents : les entreprises ont un problème de déploiement, pas de plateforme, et confondent souvent chatbots et agents

Traduction en cours. Anthropic conforte sa position de plateforme de référence pour l'orchestration d'agents en entreprise, selon une enquête VentureBeat Pulse Research menée en juin 2026 auprès de 101 organisations de plus de 100 salariés. Claude est déjà la plateforme principale pour 40% des entreprises interrogées, soit plus du double de son plus proche concurrent Microsoft (18%), OpenAI arrivant troisième avec 13%. Ce choix s'explique surtout par ce que l'étude appelle la "gravité du modèle", c'est-à-dire l'alignement natif avec un modèle de pointe (21% des répondants), la réussite d'un déploiement étant jugée sur la fiabilité d'exécution multi-étapes: 32% citent la fiabilité de complétion des tâches et 28% la gestion de workflows en plusieurs étapes comme critères clés. Mais l'écart est frappant: interrogées honnêtement sur leur portefeuille d'agents, 71% des entreprises admettent qu'un quart ou moins de leurs "agents" déployés sont de véritables workflows orchestrés en plusieurs étapes, le reste n'étant que des chatbots enrobés d'un seul prompt. Seules 10% dépassent la barre des 50% d'agents réellement orchestrés. Cet écart entre l'ambition et la réalité pèse directement sur les décisions d'architecture des entreprises. D'ici fin 2026, 51% des organisations prévoient d'adopter un plan de contrôle hybride, combinant outils natifs du fournisseur et orchestration externe, tandis que seulement 6% envisagent de confier entièrement ce contrôle à un service géré par le fournisseur du modèle. La raison principale de cette prudence est la peur du verrouillage propriétaire, citée par 35% des répondants comme le risque numéro un. Les budgets suivent cette logique de construction: les outils de workflow agentique captent la plus grosse part des investissements (34%), suivis par la sécurité et la gestion des permissions (25%). Autre signal inquiétant, le contrôle financier reste largement absent: plus d'un quart des entreprises (27%) n'ont aucun moyen en temps réel d'arrêter un agent qui s'emballerait avant que la facture n'arrive, ce qui expose les organisations à des dérapages de coûts liés à la consommation de tokens. Cette enquête s'inscrit dans la série Pulse Research de VentureBeat et repose sur une vague unique collectée en juin 2026, ce qui limite l'analyse à une lecture transversale plutôt qu'à une tendance dans le temps. L'échantillon est réparti équitablement entre grandes tranches d'effectifs, avec une forte représentation de décideurs seniors: 81% des répondants sont recommandeurs, influenceurs ou décideurs finaux sur les solutions d'IA, et le secteur technologique domine avec 44% des répondants, devant les services financiers (17%) et la santé (8%). Ces résultats confirment une dynamique de fond dans l'industrie: la consolidation rapide autour des grandes plateformes de modèles s'accompagne d'une méfiance persistante envers la dépendance à un seul fournisseur, poussant les entreprises à bâtir des architectures hybrides tout en peinant encore à combler le fossé entre le marketing de l'"agent" et la réalité opérationnelle de systèmes multi-étapes réellement autonomes et maîtrisés financièrement.

Business⚡Actu

1 source

48

Illustration générée par IA

2964VentureBeat AI 

Thinking Machines rend Inkling open source, son premier modèle de langage multimodal, axé sur le faible coût et la "résistance à la censure

Thinking Machines, la start-up américaine fondée par Mira Murati, ancienne directrice technique d'OpenAI, a publié son premier grand modèle de langage sous licence open source Apache 2.0, baptisé Inkling. Doté de 975 milliards de paramètres au total, dont 41 milliards actifs grâce à une architecture Mixture-of-Experts, il s'agit d'un système nativement multimodal capable de raisonner sur du texte, des images et de l'audio. Ses poids sont déjà disponibles sur Hugging Face ainsi que sur Tinker, l'API d'entraînement de modèles maison. Sur les benchmarks tiers, Inkling affiche 77,6% sur SWE-bench Verified, devançant le rival américain Nvidia Nemotron 3 (71,9%), et 91,4% sur VoiceBench, proche des 94,4% de Gemini 3.1 Pro en mode raisonnement élevé. Thinking Machines a également dévoilé une version allégée, Inkling-Small, avec 276 milliards de paramètres, pensée pour les usages où la latence et le coût priment. Ce lancement cible directement les entreprises qui veulent déplacer leurs charges d'IA agentique vers des modèles à poids ouverts, personnalisables et exécutables sur leurs propres serveurs ou dans des clouds privés virtuels. Inkling introduit un mécanisme inédit d'"effort de réflexion contrôlable", conçu pour arbitrer finement entre coût et performance, une approche qui tranche avec les stratégies de scaling opaques des modèles propriétaires concurrents. Autre argument commercial fort: Thinking Machines affirme avoir conçu Inkling pour répondre directement sur des sujets susceptibles d'être censurés, une promesse pensée pour séduire les entreprises soucieuses de la fiabilité factuelle de leurs outils, indépendamment du caractère sensible des questions posées. Le modèle arrive toutefois dans un paysage 2026 des modèles ouverts extrêmement disputé, dominé par des architectures MoE très spécialisées, notamment issues des laboratoires chinois. GLM 5.2, considéré comme le meilleur modèle de raisonnement ouvert du marché, surpasse Inkling sur le codage et les tâches complexes, avec 62,1% contre 54,3% sur SWEBench Pro et un écart plus marqué encore sur Terminal Bench 2.1 (82,7 contre 63,8). DeepSeek V4 Pro fait mieux sur SWEBench Verified (80,6% contre 77,6%) et sur la factualité, mais Inkling le devance en mathématiques avec 97,1% sur AIME 2026. Kimi K2.6 domine sur plusieurs tests techniques comme GPQA Diamond, tandis qu'Inkling reste plus performant sur le suivi d'instructions. Face à son concurrent américain direct, Nemotron 3 Ultra, Inkling s'impose de façon constante en raisonnement comme en codage, confirmant sa position de meilleure alternative ouverte made in USA face à la concurrence chinoise.

LLMs⚡Actu

1 source

45

Illustration générée par IA

2965MarkTechPost 

Le consortium Soofi publie Soofi S 30B-A3B, un modèle hybride Mamba-Transformer MoE ouvert pour l'allemand et l'anglais

Souveraineté numérique allemande et europ­éenne en IA : un consortium mené par la fédération professionnelle KI Bundesverband, avec le soutien du ministère fédéral allemand de l'Économie et de l'Énergie, vient de publier le rapport de pré-entraînement de Soofi S 30B-A3B, un nouveau modèle de fondation ouvert bilingue allemand-anglais. Développé avec Fraunhofer IAIS, le DFKI, l'université technique de Darmstadt, ellamind et Merantix Momentum, l'entraînement s'est déroulé intégralement sur l'Industrial AI Cloud de Deutsche Telekom à Munich, entre le 24 mars et le 13 mai 2026, mobilisant jusqu'à 512 GPU NVIDIA B200 pour un total d'environ 253 000 heures de calcul. Les poids en préversion sont disponibles sur Hugging Face. Techniquement, il s'agit d'un modèle hybride Mamba-Transformer à mélange d'experts (MoE), totalisant 31,6 milliards de paramètres dont seulement 3,2 milliards activés par token. Son architecture reprend sans modification le design de référence Nemotron 3 Nano de Nvidia : 52 couches réparties entre 23 couches Mamba-2, 23 couches MoE et seulement 6 couches d'attention GQA, ces dernières étant les seules à conserver un cache clé-valeur. Chaque couche MoE dispose de 128 experts routés, dont 6 sont activés par token, complétés par 2 experts partagés. Le modèle a ingéré environ 26 680 milliards de tokens en trois phases, avec une part de l'allemand passant de 7,2% à 15,32% des tokens entre les deux premières phases, contre à peine 5% pour toutes les langues non anglaises réunies dans la référence Nemotron, notamment grâce à Genios, qui fournit 193 millions d'articles issus de 916 archives de presse et de titres spécialisés sous licence commerciale. Cette approche paie sur les benchmarks : testé face à 16 autres modèles de base ouverts avec le même protocole d'évaluation, Soofi S affiche les meilleurs scores agrégés en anglais (70,1%) et en allemand (79,1%) parmi les modèles entièrement ouverts, devançant Olmo 3 32B, Apertus 70B, EuroLLM 22B et Alia 40B, avec des écarts particulièrement marqués en programmation, en mathématiques et en compréhension de texte allemand. Comparé à une version Nemotron 3 Nano entraînée sur les données de référence habituelles, le gain net attribuable uniquement à la recette de données allemande est de 1,8 point en anglais, 4,2 points en allemand et 6,7 points sur les tâches inédites en anglais, ce qui démontre que la performance vient bien du corpus et non de l'architecture. Pour l'industrie européenne de l'IA, ce résultat est significatif : il prouve qu'un modèle entraîné avec des ressources publiques et une gouvernance souveraine peut rivaliser avec des modèles bien plus gros comme Apertus 70B ou Alia 40B, tout en restant totalement ouvert et reproductible. Soofi S s'inscrit dans une dynamique plus large de modèles de fondation souverains, portée en réaction à la dépendance de l'Europe envers les modèles américains et chinois. Face aux meilleurs modèles ouverts toutes tailles confondues, il reste toutefois derrière Qwen3.5 35B-A3B, et se situe au coude à coude avec Gemma 3 27B et Ministral 3 14B en anglais, tout en les dépassant en allemand. S'agissant d'un modèle de base sans alignement ni réglage d'instructions, son usage direct reste réservé aux équipes techniques : les poids sont distribués en accès restreint avec un code de modélisation personnalisé, pensé pour être déployé sur des infrastructures comme vLLM. Les prochaines étapes attendues incluent probablement des versions instruites et alignées, ainsi qu'une adoption par des acteurs industriels allemands soucieux de disposer d'une alternative locale aux grands modèles propriétaires.

LLMs⚡Actu

1 source

44

Illustration générée par IA

2966VentureBeat AI 

Le patron de l'IA générale chez Amazon estime que la fiabilité des agents IA, plus que leurs capacités, freine leur adoption en entreprise (VB Transform 2026)

Lors de la conférence VB Transform 2026, mardi, Bryan Silverthorn, directeur de l'autonomie AGI chez Amazon, a expliqué pourquoi l'industrie de l'IA en entreprise reste bloquée entre le pilote et la production. Selon des données de Cisco, 85% des entreprises testent des agents IA, mais seulement 5% les ont réellement déployés en production. Silverthorn, arrivé chez Amazon via le rachat d'Adept AI et qui dirige aujourd'hui l'entraînement d'agents multimodaux au sein du laboratoire AGI du groupe, a présenté un cadre en quatre dimensions pour mesurer la fiabilité des agents : la cohérence, la robustesse, la prédictibilité et la sécurité, un modèle qu'il attribue à des recherches menées à Princeton. Il a illustré son propos avec l'exemple d'un client ayant déployé un agent de contrôle qualité logicielle chargé d'extraire des numéros de série affichés à l'écran. L'outil a fonctionné sans faille pendant deux mois avant de commencer à lire des chiffres erronés par intermittence. La cause : l'encodeur visuel sous-jacent réagissait différemment selon l'emplacement du numéro de série à l'écran, et une modification logicielle imperceptible pour un humain avait déclenché la panne. Ce cas illustre un problème plus large que confirme une étude propriétaire de VentureBeat présentée en amont de la session : la moitié des entreprises interrogées ont déployé des agents qui réussissaient leurs évaluations internes mais échouaient face aux vrais clients. Beaucoup d'entreprises surveillent la disponibilité de leurs agents sans jamais vérifier la justesse de leurs réponses, une approche que Silverthorn compare à prendre le pouls sans poser de diagnostic. Il souligne aussi que la plupart des entreprises se contentent des évaluations fournies par les éditeurs de modèles, sans développer leurs propres tests, ce qui revient à un pari entre confiance aveugle envers le fournisseur et absence totale de vérification. Pour lui, la priorité n'est donc pas d'attendre de meilleurs modèles mais d'adapter la rigueur de mesure aux enjeux réels de chaque application. Sur le plan organisationnel, le laboratoire AGI d'Amazon a adopté une approche pour le moins inhabituelle : ses chercheurs y surnomment leurs agents des "stagiaires", capables de prouesses remarquables comme de dérapages spectaculaires, et qu'il faut donc encadrer avec des réflexes de management plutôt que d'ingénierie pure, en anticipant les erreurs possibles et en prévoyant des filets de sécurité. Amazon accepte ainsi qu'un agent lance parfois la mauvaise expérience en échange d'une vitesse de recherche accrue, certains fonctionnant même en continu sur leurs propres plans de recherche. Silverthorn reste prudent sur l'auto-amélioration des IA, qu'il juge encore lointaine, tout en citant l'exemple d'un client du transport routier utilisant déjà l'automatisation de navigateur pour traiter des réclamations de garantie dispersées sur plusieurs systèmes, une brique appelée à coexister avec des protocoles comme MCP et des API plutôt qu'à les remplacer.

Outils❧Opinion

1 source

44

Illustration générée par IA

2967VentureBeat AI 

L'IA générative rapide et fiable, pas sa capacité, freine son adoption en entreprise, selon le directeur AGI d'Amazon (VB Transform 2026)

Lors de VB Transform 2026, mardi, Bryan Silverthorn, directeur de l'autonomie AGI chez Amazon, arrivé dans l'entreprise via son rachat d'Adept AI et qui dirige aujourd'hui l'entraînement des agents multimodaux au sein du laboratoire AGI du groupe, a expliqué pourquoi les agents IA peinent à passer du pilote à la production. Selon des données de Cisco, 85 % des entreprises testent des agents IA mais seulement 5 % les ont réellement déployés en production. Silverthorn propose de décomposer la fiabilité en quatre dimensions distinctes, à savoir la cohérence, la robustesse, la prévisibilité et la sécurité, un cadre qu'il attribue à des recherches menées à Princeton. Il illustre le problème avec l'exemple d'un client ayant déployé un agent chargé d'extraire des numéros de série depuis des écrans dans le cadre de tests logiciels : l'agent a fonctionné parfaitement pendant deux mois avant de commencer à lire des chiffres erronés par intermittence, un défaut causé par un encodeur visuel réagissant différemment selon la position du numéro à l'écran, déclenché par une modification logicielle imperceptible pour un humain. Une étude interne de VentureBeat, présentée avant la session, confirme ce constat : la moitié des entreprises interrogées ont déployé des agents ayant réussi leurs évaluations internes mais ayant échoué face aux vrais clients, la plupart des sociétés surveillant la disponibilité de leurs agents sans jamais vérifier leur exactitude. Ce décalage entre évaluation et réalité a des conséquences concrètes pour l'ensemble de l'industrie de l'IA d'entreprise. Il révèle que la plupart des sociétés se contentent des évaluations fournies par les éditeurs de modèles, sans dispositif de contrôle supplémentaire, ce qui revient, selon Silverthorn, à un pari entre faire confiance au fournisseur ou ne faire confiance à rien. Pour les entreprises bloquées dans cette phase de pilotes sans déploiement réel, le message est clair : améliorer les modèles ne suffit pas, il faut aligner la rigueur des mesures sur les enjeux réels de chaque application. Chez Amazon, cette philosophie s'incarne dans une culture interne où les chercheurs surnomment leurs agents des "stagiaires", capables de prouesses impressionnantes comme de dérapages spectaculaires, nécessitant des compétences de management plutôt que de simple ingénierie logicielle : anticiper les erreurs possibles, prévoir des systèmes de secours et des options d'annulation, et accepter consciemment un certain niveau de risque. Le laboratoire d'Amazon assume ce compromis, tolérant qu'un agent lance parfois la mauvaise expérience en échange d'une vitesse de recherche accrue, un agent menant même des expériences en continu selon son propre plan de recherche. Silverthorn reste prudent sur l'auto-amélioration des IA, qu'il juge encore lointaine, tandis qu'un client du transport routier utilise déjà l'automatisation de navigateur pour unifier des réclamations de garantie éparpillées entre plusieurs systèmes, les futurs agents devant combiner cet usage avec des API et d'autres outils plutôt que s'y limiter.

Business❧Opinion

1 source

35

Illustration générée par IA

2968VentureBeat AI 

Cohere : la souveraineté de l'IA en entreprise exige le contrôle de toute la pile agentique, selon sa VP à VB Transform 2026

Je vais rédiger l'article en français selon les consignes (3 paragraphes, sans titres, sans tirets cadratins). Lors de VB Transform 2026, la conférence phare consacrée aux agents d'intelligence artificielle générative dans l'entreprise, qui s'est tenue cette semaine à l'Hôtel Nia de Menlo Park devant des centaines de dirigeants et experts techniques, Rachad Alao, vice-président de l'ingénierie produit chez la startup canadienne Cohere, a détaillé sa vision de la souveraineté de l'IA en entreprise lors d'un entretien avec Matt Marshall, PDG et rédacteur en chef de VentureBeat. Alao, qui a auparavant dirigé les équipes d'IA responsable et de sécurité chez Google et Meta, a expliqué que la souveraineté ne se limite pas à télécharger un modèle ouvert ou à faire tourner une application derrière un pare-feu d'entreprise. Pour des organisations gérant des systèmes critiques comme les banques, les hôpitaux ou les administrations, il faut selon lui un contrôle total sur la localisation des données, sur les juridictions concernées, mais aussi sur l'ensemble de la chaîne technique : GPU, cloud privé, systèmes de gouvernance, connecteurs et outils de recherche utilisés par les agents. Interrogé sur la baisse rapide des prix de l'inférence, qui pourrait affaiblir l'argument en faveur de modèles plus petits et optimisés, Alao a répondu que la consommation totale de tokens augmente encore plus vite, à mesure que les entreprises passent de simples chatbots à des agents capables de raisonner, d'appeler des outils et d'enchaîner plusieurs étapes avant de répondre. Il a aussi opposé le modèle économique de Cohere, qui ne facture pas ses clients au token consommé, à celui de fournisseurs dont l'intérêt est de maximiser cette consommation. Sa recommandation est de router chaque tâche vers le modèle adapté selon le niveau d'intelligence requis et la sensibilité des données, une approche qu'applique déjà une banque canadienne non nommée utilisant les modèles on-premises de Cohere pour les tâches réglementées et sa plateforme North pour des besoins plus complexes mais moins sensibles. Cette stratégie s'appuie sur les récents modèles de Cohere, dont North Mini Code, sorti le mois dernier, un modèle open source dédié à la programmation agentique qui fonctionne sur un seul GPU Nvidia H100 et se révèle, selon Alao, plus efficace et moins coûteux que les modèles propriétaires pour 80% des cas d'usage des développeurs, même si les plus grands modèles frontières gardent un léger avantage sur les tâches les plus difficiles. Cohere a également lancé Command A+, un modèle à mélange d'experts de 218 milliards de paramètres dont seulement 25 milliards sont actifs à chaque étape de génération, avec une version compressée en quatre bits qui réduit encore les besoins matériels. Ces annonces s'inscrivent dans une compétition plus large entre fournisseurs d'IA d'entreprise, où la maîtrise de l'ensemble de la pile technologique devient un argument commercial face aux géants du secteur.

Business⚡Actu

1 source

26

Illustration générée par IA

2969AWS ML Blog 

Built Technologies conçoit une solution d'intelligence documentaire basée sur l'IA sur AWS pour ses agents dans le financement immobilier

Built Technologies, éditeur de logiciels de financement immobilier, a déployé sur Amazon Bedrock et l'accélérateur AWS Intelligent Document Processing (IDP) un moteur de traitement documentaire propulsé par l'intelligence artificielle. L'entreprise, qui gère plus de 500 milliards de dollars de projets immobiliers, a construit ce système avec l'aide du AWS Generative AI Innovation Center, du partenaire AWS AND Digital et des équipes commerciales d'AWS. Auparavant, Built s'appuyait sur 26 processeurs distincts combinant reconnaissance optique de caractères et apprentissage automatique classique pour extraire, classer et scinder les documents. Cette architecture couvrait des cas d'usage précis, avec des champs explicites et des mises en page prévisibles, mais atteignait ses limites face à l'ambition du groupe: traiter plus de 250 types de documents différents, des fichiers pouvant dépasser 500 pages, et des millions de dossiers chaque année. Ce nouveau moteur ne se contente plus d'extraire du texte: il classe, découpe, extrait, évalue et raisonne sur des documents complexes propres au financement immobilier. Des tâches qui prenaient auparavant plusieurs jours se traitent désormais en quelques minutes. Ce socle technique sert de fondation à une nouvelle génération de produits agentiques que Built déploie sur l'ensemble du cycle de vie d'un actif immobilier: analyse des demandes de tirage sur des prêts à la construction, examen d'accords de prêt, validation de couvertures d'assurance, synthèse de mémorandums de vente, ou encore détection d'anomalies dans un portefeuille d'actifs. Pour les prêteurs et gestionnaires d'actifs, cela signifie des décisions plus rapides et plus fiables, sur des volumes que les équipes humaines ne pouvaient plus absorber seules. Le système offre aussi aux équipes techniques et aux experts métier un environnement commun pour concevoir et améliorer ces traitements documentaires. Le financement immobilier repose sur une masse considérable de documents hétérogènes: certificats d'assurance ACORD 25, formulaires administratifs standardisés, mais aussi mémorandums d'offre, accords de prêt, rapports d'expertise ou modèles financiers Excel dont la structure varie fortement d'un émetteur à l'autre. Beaucoup contiennent des tableaux imbriqués, des pages scannées, des images intégrées, des annotations manuscrites et un vocabulaire juridique ou propre à chaque prêteur. Face à cette variété et à ce volume croissants, une extraction purement mécanique ne suffisait plus: Built avait besoin d'une intelligence documentaire capable de comprendre le contexte, d'assurer la traçabilité des données et de nourrir des agents IA autonomes plutôt que de simples outils d'extraction. Ce virage illustre une tendance plus large du secteur financier immobilier, où l'automatisation cognitive des documents devient la brique de base indispensable avant toute agentivité à grande échelle.

Outils⚡Actu

1 source

33

Illustration générée par IA

2970AWS ML Blog 

Vision agents : créer une intelligence visuelle avec Amazon Bedrock et des serveurs MCP

L'entreprise technologique Amazon Web Services a présenté une nouvelle architecture combinant vision par ordinateur, agents IA et protocole standardisé MCP (Model Context Protocol) au sein d'Amazon Bedrock, sa plateforme de modèles génératifs. Baptisée Computer Vision MCP Server, cette solution s'appuie sur trois briques technologiques assemblées pour la première fois dans un pipeline unifié : Amazon Rekognition pour l'analyse d'images (détection d'objets, extraction d'éléments), Strands Agents, un framework open source pour construire des agents IA compatibles avec plusieurs fournisseurs de modèles, et le protocole MCP, qui standardise la connexion entre modèles d'IA et sources de données externes. L'ensemble repose sur une architecture centrée sur un rôle IAM (Identity and Access Management) unique servant de passerelle de sécurité, éliminant le besoin d'identifiants embarqués côté client, tandis qu'Amazon S3 gère le stockage des fichiers et Amazon OpenSearch permet l'indexation et la recherche dans les données. L'interface utilisateur, développée avec Streamlit, propose un chat permettant de choisir le modèle d'analyse, par défaut Claude 4 Sonnet en mode raisonnement, avec une alternative vers Claude 3.7 Sonnet. Les utilisateurs peuvent y importer des images (PNG, JPG, JPEG, GIF, WEBP) ou des vidéos (MP4, AVI, MOV, MKV, WEBM, MPEG4) jusqu'à 200 Mo, par glisser-déposer ou sélection manuelle. L'intérêt de cette approche réside dans la suppression d'un obstacle technique récurrent : la difficulté de faire communiquer entre eux des systèmes capables de voir, de raisonner et d'agir. Jusqu'ici, les développeurs devaient construire des intégrations complexes et coûteuses, multipliant les API et les connecteurs sur mesure pour chaque paire modèle/source de données, au prix de solutions souvent fragiles. En unifiant ces briques via une interface standardisée, AWS rend ces capacités accessibles à un plus large éventail d'applications et d'équipes techniques, sans expertise poussée en intégration système. Concrètement, un utilisateur peut téléverser une photo ou une vidéo, puis dialoguer avec l'agent pour obtenir un recadrage d'objets, une détection d'étiquettes ou une analyse détaillée du contenu, le tout piloté en langage naturel. Cette initiative s'inscrit dans une tendance de fond du secteur : le passage de modèles d'IA génératifs isolés vers des agents capables d'orchestrer plusieurs outils et sources de données de façon autonome. Le protocole MCP, popularisé notamment par Anthropic, s'impose progressivement comme un standard de facto pour connecter les grands modèles de langage à des systèmes tiers, et son adoption par AWS au sein de Bedrock illustre sa montée en puissance chez les grands fournisseurs cloud. Pour Amazon, l'enjeu est aussi concurrentiel face à Google Cloud et Microsoft Azure, qui développent des approches similaires d'agents multimodaux. Les prochaines étapes attendues concernent l'extension de cette architecture à d'autres cas d'usage sectoriels, comme la surveillance industrielle, le contrôle qualité ou l'analyse de contenus vidéo en temps réel.

Outils⚒Outil

1 source

46

Illustration générée par IA

2971The Decoder 

« GPT-5.6 Sol aurait résolu en 90 minutes une conjecture statistique vieille de 30 ans que les humains n'avaient pas percée »

Le procès de Benjamini-Hochberg, méthode statistique vieille de trente ans, vient de perdre l'une de ses conjectures les plus tenaces. Un professeur de statistiques de l'Université de Pennsylvanie a utilisé GPT-5.6 Sol Pro, le nouveau modèle d'OpenAI, pour réfuter cette conjecture centrale en environ 90 minutes de travail. Le point de comparaison est frappant: la version précédente, GPT-5.5, avait planché sur le même problème pendant 20 heures sans jamais aboutir à une solution. La démonstration produite par le modèle ne repose pas sur une méthode inédite, mais sur une combinaison originale de techniques déjà connues, assemblées d'une manière que les chercheurs humains n'avaient pas explorée. Cette percée relance un débat déjà vif dans la communauté scientifique et technologique sur la nature réelle des capacités de raisonnement des grands modèles de langage. Pour les statisticiens, la conjecture Benjamini-Hochberg touchait à des fondements du contrôle du taux de faux positifs, un enjeu central dans des domaines aussi variés que la recherche médicale, la génomique ou l'apprentissage automatique. Qu'un modèle d'IA parvienne à trancher une question ouverte depuis des décennies, là où des experts humains avaient échoué, illustre un potentiel concret pour accélérer la recherche fondamentale, à condition que ces résultats soient fiables et vérifiables par la communauté scientifique. Reste la question de fond, non résolue par cet épisode: l'IA a-t-elle réellement produit une connaissance nouvelle, ou s'est-elle contentée de recombiner intelligemment des éléments déjà présents dans son entraînement. Cette distinction n'est pas anecdotique, elle conditionne la portée qu'on peut accorder à ce genre de résultat et la confiance à placer dans les futures démonstrations mathématiques assistées par IA. Le cas s'inscrit dans une série croissante d'exemples où des modèles de pointe s'attaquent à des problèmes mathématiques non résolus, ravivant les spéculations sur le rôle que ces outils pourraient jouer dans la recherche scientifique des prochaines années.

LLMs❖Paper

1 source

47

Illustration générée par IA

2972MIT Technology Review 

GPT-Red : un LLM super-hacker qu'OpenAI a conçu pour renforcer la sécurité de ses modèles

Voici l'article traduit et résumé selon les consignes. OpenAI a développé GPT-Red, un modèle de langage spécialisé dans le piratage informatique, conçu pour servir de partenaire d'entraînement adversarial afin de renforcer la sécurité de ses autres modèles. La semaine dernière, l'entreprise a lancé GPT-5.6, sa dernière version phare, et affirme que l'entraînement contre GPT-Red en a fait son modèle le plus robuste à ce jour. GPT-Red automatise le red-teaming, une évaluation de sécurité habituellement menée par des équipes d'humains, qui consiste à multiplier les tentatives pour détourner ou casser un système avant sa mise en production. Pour le construire, les chercheurs Nikhil Kandpal et Dylan Hunn, avec leur collègue Chris Choquette-Choo, ont placé un modèle non entraîné au piratage dans une boucle d'auto-apprentissage face à plusieurs autres modèles jouant les défenseurs, dans un environnement simulant navigation web, lecture d'e-mails, agendas et édition de code. Au fil des cycles, GPT-Red est devenu de plus en plus efficace pour attaquer, et les modèles adverses de plus en plus résistants. L'équipe a notamment découvert un nouveau type d'attaque baptisé "fake chain of thought" (fausse chaîne de pensée), consistant à insérer une entrée falsifiée dans le raisonnement interne d'un modèle pour lui faire accepter une information erronée comme déjà vérifiée. Cette avancée répond à un problème croissant : à mesure que les modèles de langage gagnent en complexité et sont déployés sous forme d'agents interagissant avec des fichiers, des sites web, du code tiers et d'autres agents, la surface de risque s'élargit et les équipes humaines peinent à suivre le rythme des nouvelles techniques d'attaque, en particulier les injections de prompt, où un pirate glisse des instructions cachées pour faire exécuter au modèle des actions non désirées, comme copier des données confidentielles ou saboter une base de code. Selon Hunn, comparé à un testeur humain, GPT-Red se montre extrêmement persistant et précis pour identifier ce qui fonctionne réellement, ce qui permet à OpenAI de patcher les failles avant qu'elles ne soient exploitées en conditions réelles. Cette approche s'inscrit dans une logique de anticipation : plutôt que de réagir aux attaques à mesure qu'elles apparaissent, OpenAI cherche à concevoir dès maintenant un système capable de découvrir de nouveaux modes d'attaque à mesure que ses modèles gagnent en capacités. Jessica Ji, analyste senior en sécurité IA au Center for Security and Emerging Technology de Georgetown, juge la méthode de self-play prometteuse. OpenAI a d'ailleurs testé les capacités offensives de GPT-Red en reproduisant une expérience de 2025 où des red-teamers humains avaient cherché des failles dans une version antérieure de GPT-5, une comparaison destinée à mesurer objectivement les progrès réalisés grâce à cette automatisation de la sécurité.

Sécurité⚡Actu

1 source

41

Illustration générée par IA

2973The Information AI 

Le SaaSpocalypse arrive : les quatre cles pour survivre

Un scénario de disruption logicielle poussé à l'extrême circule dans les cercles technologiques sous le nom de "SaaSpocalypse". L'idée: dans quelques années, des agents de codage IA deviendraient si performants que n'importe quel utilisateur disposant d'un ordinateur pourrait obtenir des logiciels de qualité professionnelle à moindre coût, voire gratuitement. OpenAI et Anthropic proposeraient eux-mêmes des applications pour de nombreuses fonctions métier, tirant parti de leurs modèles de pointe et de leur accès à des puces IA puissantes. Des développeurs dirigeraient des agents pour contribuer massivement à des projets open source, faisant émerger une multitude d'alternatives bon marché aux logiciels historiques du marché. Cette vague de nouveaux entrants ferait chuter les marges de la plupart des éditeurs de logiciels vers zéro. Les conséquences pour les fournisseurs de SaaS traditionnels seraient sévères. Dans ce scénario, une part croissante des utilisateurs de leurs applications seraient eux-mêmes des agents IA, capables d'exploiter les outils d'entreprise plus efficacement que des humains. Le modèle de tarification par siège, pilier économique du secteur depuis des années, deviendrait alors largement obsolète, contraignant les éditeurs à basculer vers une facturation à l'usage ou aux résultats, par exemple au nombre de tâches accomplies. Pour les utilisateurs humains encore présents, l'attente changerait aussi: une interface soignée ne suffirait plus à différencier un produit, puisque l'IA serait censée adapter automatiquement l'expérience aux préférences de chacun. Ce scénario s'inscrit dans un débat plus large sur l'avenir du modèle économique du logiciel à l'ère des agents autonomes. Il pose la question de qui, des géants de l'IA générative, des communautés open source ou des éditeurs historiques, captera la valeur lorsque le coût marginal de production d'un logiciel s'effondrera. Pour survivre, les entreprises SaaS devront repenser leurs sources de différenciation, au-delà du code lui-même, qu'il s'agisse de données propriétaires, de distribution, de confiance des clients ou d'intégration profonde dans les flux de travail existants. La question reste ouverte de savoir à quelle vitesse, et avec quelle ampleur, ce scénario pourrait effectivement se matérialiser.

Business❧Opinion

1 source

34

Illustration générée par IA

2974IEEE Spectrum AI 

« Les multiples personnalités du premier chatbot »

ELIZA, généralement présentée comme le tout premier chatbot de l'histoire, a fait sensation au milieu des années 1960 en simulant les échanges d'un psychothérapeute avec ses patients. Son créateur, l'informaticien Joseph Weizenbaum, du MIT, a lui-même été surpris par l'accueil enthousiaste réservé à cette expérience d'interaction homme-machine : certains y voyaient l'aube de la psychothérapie automatisée, d'autres croyaient déceler une forme de conscience chez le programme, une illusion depuis baptisée « effet ELIZA ». Pendant des décennies, seules des descriptions publiées et des reconstitutions tardives du programme ont circulé. Ce n'est que récemment que le code source original a été retrouvé dans les archives du MIT. Un nouvel ouvrage, « Inventing ELIZA: How the First Chatbot Shaped the Future of AI », publié par MIT Press en 2026, présente les résultats de cette véritable archéologie logicielle menée par une équipe de chercheurs, qui propose aussi une émulation fidèle du programme, consultable par les lecteurs. Leur analyse révèle qu'ELIZA n'était pas un simple outil de reconnaissance de motifs textuels, mais une plateforme sophistiquée capable d'incarner plusieurs « personas », chacune définie par un script distinct, avec des fonctions avancées comme l'édition de scripts et une forme de mémoire contextuelle. Le script le plus connu, celui du thérapeute, portait en réalité le nom de « Doctor » et n'était qu'une des facettes du programme. Cette découverte change la manière dont l'histoire de l'intelligence artificielle doit être racontée. Elle montre que les innovations techniques de Weizenbaum étaient bien plus abouties que ce que ses publications de l'époque laissaient supposer, et met au jour un écart entre les descriptions théoriques d'un système et sa mise en œuvre réelle en code, une tension que les chercheurs jugent toujours d'actualité dans le développement de l'IA moderne. Pour les concepteurs de chatbots contemporains, souvent réglés pour adopter différentes personnalités selon le contexte, ELIZA apparaît ainsi comme un précurseur direct plutôt qu'une simple curiosité historique. Le travail des auteurs s'inscrit dans un mouvement plus large de relecture critique des débuts de l'IA à partir des sources primaires plutôt que des récits reconstruits après coup. En exhumant le code plutôt que de s'appuyer sur des résumés, ils exposent les hypothèses de Weizenbaum sur le langage, la thérapie et l'interaction homme-machine, des questions qui restent au cœur des débats actuels sur les assistants conversationnels, leur usage en santé mentale et les limites de l'anthropomorphisation des machines.

Recherche❖Paper

1 source

46

Illustration générée par IA

2975TechCrunch AI 

« Ode, la start-up qui s'associe à Anthropic pour parier sur les services IA comme avenir de l'entreprise »

Ode with Anthropic, coentreprise soutenue par Anthropic, Blackstone, Hellman & Friedman et Goldman Sachs, mise sur des ingénieurs déployés directement au sein des entreprises pour remplacer une partie du travail traditionnellement confie aux cabinets de conseil. La structure a été fondée par Chris Taylor et Eddie Siegel, deux anciens fondateurs de Fractional AI, une startup spécialisée dans le déploiement de solutions d'intelligence artificielle en entreprise. Les deux dirigeants ont détaille leur stratégie lors d'un épisode du podcast Equity de TechCrunch, anime par Rebecca Bellan, expliquant comment leur modèle s'appuie sur de petites équipes d'ingénieurs plutôt que sur des armées de consultants pour résoudre les problèmes opérationnels des grandes organisations. Le pari est simple mais ambitieux: si une poignée d'ingénieurs équipes des bons outils d'IA peut accomplir le travail habituellement réalisé par des dizaines de consultants, cela bouleverserait un secteur du conseil pèse des centaines de milliards de dollars. Pour les grandes entreprises, cela promettrait des déploiements plus rapides et moins couteux de solutions d'IA sur mesure, avec un accès direct a une expertise technique de pointe plutôt qu'a des recommandations génériques. L'implication de partenaires financiers de premier plan comme Blackstone et Goldman Sachs signale également que les grands acteurs de la finance parient sur une transformation profonde du modèle économique du conseil. Ce lancement s'inscrit dans une vague plus large ou les laboratoires d'IA, dont Anthropic, cherchent a capter directement la valeur générée par leurs modèles auprès des entreprises clientes, plutôt que de laisser cette valeur transiter par des intermédiaires. Le concept d'ingénieurs forward-deployed, popularise par des entreprises comme Palantir, gagne du terrain a mesure que les IA génératives deviennent suffisamment fiables pour être intégrées dans des processus métier critiques. Reste a savoir si ce modèle réussira a s'imposer face aux géants historiques du conseil, ou si la complexité des transformations d'entreprise limitera sa portée.

Business⚡Actu

1 source

41

Illustration générée par IA

2976VentureBeat AI 

« Nous avons peut-être 20 mois » pour rebâtir face aux agents IA, selon la VP infrastructure de Meta à VB Transform 2026

Meta doit reconstruire son infrastructure pour un monde ou les agents IA, et non plus les humains, deviennent les principaux utilisateurs des systèmes de données. C'est le message qu'a livre Barak Yagour, vice-président ingénierie charge de l'infrastructure de données chez Meta, lors de sa keynote a VB Transform 2026, ou il est monte sur scene avec des lunettes Ray-Ban Meta AI sur le nez. Selon lui, les requêtes agentiques touchant les systèmes de données de Meta ont été multipliées par 30 en un seul semestre, un renversement qui bouscule des hypothèses batties depuis vingt ans. Ce phénomène dépasse largement Meta : le trafic automatise a dépasse le trafic humain sur internet des l'an dernier, atteignant 51% du total selon le rapport 2025 Bad Bot d'Imperva, et il croit environ huit fois plus vite que le trafic humain d'après le rapport 2026 sur le trafic IA de HUMAN Security. Yagour identifie trois piliers qui vacillent simultanément : la capacité, l'identité et la vitesse. Sur la capacité, un seul ingénieur peut désormais faire tourner dix agents, chacun générant des sous-agents, de sorte qu'une organisation de 1000 personnes peut produire une charge équivalente a 100 000 utilisateurs du jour au lendemain. Sur l'identité, un agent ne correspond a aucune catégorie existante des contrôles d'accès : ni utilisateur humain avec badge, ni service déployé classique, alors qu'il prend des décisions de manière autonome. Sur la vitesse, Yagour cite le chiffre selon lequel GitHub Copilot rédige 46% du code moyen d'un utilisateur, tout en rappelant que ce code doit encore être teste, déployé et surveille, un pipeline CI/CD qui ne s'accélère pas simplement parce que l'auteur est une machine. Cette transformation a des conséquences concrètes pour toutes les entreprises qui intègrent des agents IA dans leurs opérations. Plutot que de bloquer le trafic génère par les agents, Yagour préconise de rendre l'infrastructure elle-même consciente de leur présence, avec des contrôles dynamiques capables de comprendre les hiérarchies d'agents, une attribution des couts qui remonte jusqu'au cas d'usage a l'origine, et un throttling adaptatif selon la priorité. L'enjeu dépasse la seule performance technique : il s'agit de repenser la gouvernance a l'heure ou les analystes humains, qui servaient traditionnellement de filtre informel entre données brutes et décisions métier, sont progressivement remplaces par des systèmes automatises. Chez Meta, cette bascule s'est déjà traduite concrètement : en février, l'entreprise a lance ses "agentic data apps", et en seulement trois mois, 63% des tableaux de bord publies en interne ont été construits avec ces nouveaux outils, portes par la même croissance de 30x des requêtes agentiques. Face au risque de chaos que représenterait une autonomie sans garde-fous, Meta a mis en place des "environnements de données de confiance" : les agents peuvent y explorer librement les données, mais chaque résultat produit reste traçable jusqu'a sa source et fait l'objet d'un contrôle, avec un masquage systématique des champs sensibles avant diffusion. Pour Yagour, l'urgence est réelle : les organisations disposeraient d'environ vingt mois pour opérer cette transition avant que l'écart avec les infrastructures pensées pour les humains ne devienne intenable.

Infrastructure⚡Actu

1 source

41

Illustration générée par IA

2977InfoQ AI 

Postgres pour agents de production : votre base relationnelle pour l'IA en entreprise

Article de synthèse pour Le Fil IA : Gwen Shapira, figure reconnue de l'écosystème des bases de données, a présenté une conférence détaillant comment PostgreSQL s'impose comme fondation relationnelle pour les applications d'IA en production. Elle y explique comment les équipes exploitent les capacités multi-modales de Postgres, notamment le parsing JSONB et l'indexation vectorielle HNSW à haut rappel, pour fournir aux grands modèles de langage à la fois du contexte déterministe et sémantique. Shapira aborde également la quantification vectorielle, une technique permettant d'accélérer les requêtes jusqu'à 4 fois, ainsi que des stratégies concrètes pour gérer la mémoire des agents IA. Cette présentation répond à un enjeu central pour les entreprises qui déploient des agents IA en production : disposer d'une infrastructure de données robuste, capable de combiner recherche vectorielle et requêtes structurées classiques sans multiplier les systèmes. En évitant de dupliquer les données entre une base relationnelle et une base vectorielle dédiée, les équipes techniques réduisent la complexité opérationnelle et les coûts de maintenance. La quantification vectorielle promet par ailleurs des gains de performance significatifs, un facteur critique quand les agents doivent interroger de larges volumes de mémoire contextuelle en temps réel. Cette évolution s'inscrit dans une tendance de fond où PostgreSQL, longtemps cantonné aux usages transactionnels classiques, gagne du terrain face aux bases de données vectorielles spécialisées comme Pinecone ou Weaviate. Grâce à des extensions comme pgvector, la base open source devient une alternative crédible pour les architectures d'agents IA d'entreprise, qui doivent gérer simultanément mémoire agentique, données métier et recherche sémantique. La question de la gestion de la mémoire des agents, encore peu standardisée dans l'industrie, reste un terrain d'expérimentation actif où les approches de Shapira apportent des pistes concrètes pour les équipes en production.

Outils❧Opinion

1 source

42

Illustration générée par IA

2978Le Big Data 

DeepSeek prépare déjà une nouvelle levée : pourquoi le géant chinois de l’IA veut encore 1,5 milliard de dollars ?

Valorisée à environ 71 milliards de dollars, DeepSeek serait déjà en discussions pour lever 1,5 milliard de dollars supplémentaires, un mois à peine après avoir bouclé un tour de financement externe record de 7 milliards de dollars auprès de Tencent, CATL, JD.com et du Fonds national chinois d'investissement dans l'IA. Selon Bloomberg, cette nouvelle opération porterait la valorisation de la startup chinoise de 52 à 71 milliards de dollars, et le montant final pourrait dépasser l'objectif initial si l'intérêt des investisseurs se confirme. The Information évoque de son côté un chiffre d'affaires annualisé approchant les 500 millions de dollars et une recherche de 50 milliards de yuans (environ 7,4 milliards de dollars) pour une valorisation de 500 milliards de yuans (environ 74 milliards de dollars). DeepSeek n'a commenté aucune de ces informations. En parallèle, l'entreprise fondée en 2023 prépare une introduction en Bourse, avec des conseillers financiers et comptables déjà à l'œuvre sur les documents nécessaires : un dépôt de dossier est envisagé dès la fin 2026, pour une cotation possible en 2027. Cette succession rapide de levées ne traduit pas un besoin urgent de trésorerie mais reflète le coût croissant du développement de modèles d'IA de pointe. DeepSeek s'est imposée grâce à ses modèles V3 et R1, dont les performances ont attiré l'attention du secteur malgré des coûts de développement inférieurs à ceux de plusieurs concurrents américains. Son adoption progresse dans les entreprises : en juin, la startup représentait près de 23 % des jetons traités sur la plateforme Vercel, contre 32 % pour Anthropic. Mais cette croissance entraîne des dépenses considérables. Reuters rapporte que DeepSeek prévoit d'accélérer ses investissements dans le calcul, les centres de données et le développement de ses propres puces d'IA, dans l'objectif de réduire sa dépendance aux fournisseurs externes et d'augmenter sa capacité à entraîner des modèles toujours plus puissants. Le contexte géopolitique pèse lourd dans cette stratégie. Les restrictions américaines sur l'exportation des puces Nvidia vers la Chine compliquent l'accès aux composants les plus avancés, poussant DeepSeek à faire tourner son service cloud sur des accélérateurs Huawei afin de bâtir une chaîne technologique plus autonome. Cette levée doit donc financer autant la croissance commerciale que les infrastructures nécessaires à la prochaine génération de modèles. En multipliant les tours de table pour financer centres de données, GPU et infrastructures cloud, DeepSeek suit désormais la même trajectoire que les grands laboratoires américains, OpenAI, Anthropic et xAI en tête, qui ont eux aussi dû lever des sommes massives pour soutenir leur course à l'IA la plus puissante.

Business⚡Actu

1 source

39

Illustration générée par IA

2979Next INpact 

OpenAI et Anthropic se lancent à l’assaut des enseignants états-uniens

OpenAI et Anthropic lancent chacun une offre gratuite destinée aux enseignants du système scolaire américain K-12, de la maternelle au lycée. Anthropic propose « Claude for K-12 teachers » avec un an d'accès gratuit, tandis qu'OpenAI, qui avait déjà lancé son offre pour enseignants en novembre dernier avec une gratuité initialement prévue jusqu'en juin 2027, repousse désormais cette échéance à juin 2028 et élargit sa cible aux chefs d'établissement. OpenAI met en avant un espace de travail sécurisé permettant la collaboration entre enseignants d'un même établissement ou district scolaire, avec des options de conformité et de confidentialité renforcées, ainsi qu'un domaine dédié avec authentification unique via SAML pour les responsables d'établissement. De son côté, Anthropic a connecté son outil à des programmes d'études basés sur les données comme les Learning Commons, et met en avant un partenariat avec l'association Teach for America. Les deux entreprises assurent qu'elles n'entraîneront pas leurs modèles sur le matériel pédagogique ou les données des élèves. Cette bataille pour conquérir le corps enseignant américain répond à une logique commerciale claire : en offrant un accès gratuit pendant un à deux ans, OpenAI et Anthropic cherchent à ancrer leurs outils dans les pratiques quotidiennes des enseignants avant de facturer, à terme, les établissements et districts scolaires qui en dépendront. Pour les enseignants, l'argument de vente est la réduction du temps consacré aux tâches administratives, à la préparation de cours, à la correction ou à la communication avec les parents, au profit d'un temps recentré sur les élèves. Mais cette promesse soulève des critiques, notamment autour du partenariat d'Anthropic avec Teach for America, une association accusée par certains de vouloir remplacer des enseignants expérimentés par un modèle standardisé et interchangeable d'éducateurs, argument qui interroge la vision de l'éducation portée par ces outils. Cette offensive intervient alors que l'usage de l'IA générative dans l'éducation reste largement non encadré, y compris en France où le ministère a posé un cadrage jugé insuffisant par les enseignants eux-mêmes, qui décrivent une adoption encore artisanale de ces outils. Aux États-Unis, l'absence de régulation fédérale sur l'usage scolaire de l'IA laisse le champ libre à ces entreprises pour s'implanter directement dans les salles de classe, district par district, avant que les pouvoirs publics n'aient pu établir des règles communes. La question de la dépendance des systèmes éducatifs publics à des outils commerciaux gratuits aujourd'hui, mais potentiellement payants demain, reste entière.

Société❧Opinion

1 source

40

Illustration générée par IA

2980Le Big Data 

GitLab passe à l’offensive : ce partenariat avec Google pourrait bousculer GitHub Copilot

GitLab a annoncé le 13 juillet 2026 une extension de son partenariat avec Google Cloud pour proposer une plateforme DevSecOps entièrement gérée, destinée aux entreprises qui développent des logiciels à grande échelle. Cette offre managée sera déployée via des prestataires certifiés comme Beyond et Digital Future, qui prennent en charge l'infrastructure sous-jacente pour le compte des clients. Sur le volet intelligence artificielle, GitLab intègre désormais les derniers modèles Gemini de Google, dont Gemini 3.5, au sein de GitLab Duo Agent, son assistant IA pour le développement. Les modèles ouverts Gemma 4 sont eux proposés aux utilisateurs de GitLab Duo Self-Hosted, la version auto-hébergée de la solution. Les organisations disposent ainsi d'un choix élargi de modèles, tout en gardant la possibilité de conserver leurs données dans leur propre environnement plutôt que de dépendre exclusivement du cloud public. Cette annonce répond à des préoccupations très concrètes pour les directions informatiques des grandes entreprises, en particulier celles qui opèrent dans des secteurs réglementés comme la finance ou la santé. L'adoption de l'IA dans le développement logiciel s'accompagne en effet de questions croissantes sur la résidence des données, la gouvernance et la conformité réglementaire. En proposant une plateforme unique qui combine développement, sécurité, conformité et intelligence artificielle, GitLab cherche à éviter aux entreprises de multiplier les outils et les fournisseurs. Pour une DSI, cela peut se traduire par une réduction du nombre d'audits à mener, un contrôle plus fin sur l'emplacement des données sensibles, et une simplification des déploiements, sans pour autant renoncer à l'accès aux modèles d'IA les plus récents. Cette stratégie vise directement GitHub Copilot, qui domine largement le marché grâce à son intégration native dans GitHub et à l'écosystème Microsoft. Là où Copilot reste avant tout un assistant de programmation centré sur l'écriture de code, GitLab mise sur une approche plus large en intégrant l'IA à l'ensemble du cycle DevSecOps, de la rédaction du code jusqu'aux contrôles de sécurité et d'audit. Cette différenciation pourrait séduire les entreprises soucieuses de limiter leur dépendance à un unique fournisseur cloud et de renforcer leur souveraineté numérique. Reste à savoir si cette offre suffira à faire bouger des parts de marché face à l'avance considérable accumulée par Microsoft et GitHub Copilot ces dernières années, et comment Google positionnera à terme ses propres outils de développement face à ce partenariat.

Business⚡Actu

1 source