Actualités IA — page 164

7 643 articles au fil, du plus récent au plus ancien.

44

3261VentureBeat AI 

Les Américains ne savent pas détecter les deepfakes : une crise pour les entreprises, pas seulement pour les consommateurs

Une enquête publiée en 2026 par la société estonienne de vérification d'identité Veriff, menée avec l'institut Kantar auprès de 3 000 personnes aux États-Unis, au Royaume-Uni et au Brésil, révèle que les Américains sont incapables de distinguer un deepfake d'un contenu authentique de manière fiable. Sur une échelle où 0 représente le hasard pur, les répondants américains n'obtiennent qu'un score de 0,07, à peine mieux qu'un pile ou face. Seulement 63 % des adultes américains déclarent savoir ce qu'est un deepfake, contre 74 % au Royaume-Uni et 67 % au Brésil. Les vidéos générées par IA sont régulièrement identifiées comme authentiques, tandis que de vraies vidéos sont souvent signalées comme fausses. En comparaison côte à côte, les jugements des participants se répartissent de manière presque égale, rendant l'inspection visuelle obsolète comme méthode de vérification. Malgré tout, environ la moitié des répondants américains se disent confiants dans leur capacité à détecter ces contenus manipulés. Ce décalage entre confiance perçue et compétence réelle représente un risque systémique pour les entreprises. Toute plateforme numérique qui repose sur la vérification d'identité par image ou vidéo est directement exposée : onboarding bancaire, récupération de compte, authentification sur les réseaux sociaux, contrôle d'accès en entreprise, vérification des vendeurs sur les marketplaces. Aux États-Unis, la fraude à l'identité synthétique génère déjà des milliards de dollars de pertes annuelles. L'étude identifie également une catégorie à très haut risque : environ 7 % des utilisateurs, peu habiles à détecter les deepfakes mais très confiants dans leur jugement, qui vérifient rarement ce qu'ils voient. A l'échelle nationale, ce groupe représente des millions de comptes facilement exploitables. Ira Bondar-Mucci, responsable de la plateforme anti-fraude chez Veriff, est direct : "L'oeil humain n'est plus une ligne de défense fiable. Les entreprises doivent investir dans des technologies de vérification automatisée capables de détecter ce que les humains ne peuvent simplement pas." Le paradoxe est saisissant : les États-Unis sont le centre mondial du développement de l'IA générative, mais leurs consommateurs restent les moins familiarisés avec l'un de ses sous-produits les plus dangereux. Historiquement, le débat sur la fraude numérique américaine s'est centré sur la confidentialité des données plutôt que sur l'authenticité des contenus, laissant un angle mort considérable. Avec la démocratisation rapide des outils permettant de générer des faux convaincants, ce retard de sensibilisation amplifie le risque au lieu de le contenir. Veriff et d'autres acteurs de la vérification d'identité appellent les entreprises et les décideurs politiques à traiter cette question non plus comme une obligation de conformité réglementaire, mais comme une infrastructure numérique fondamentale. L'enjeu dépasse la simple fraude individuelle : si les systèmes visuels de vérification peuvent être contournés à grande échelle, c'est la confiance dans l'ensemble des échanges numériques qui se fragilise.

Sécurité❧Opinion

1 source

47

3262AWS ML Blog 

Créer des agents multi-locataires avec Amazon Bedrock AgentCore

Amazon a lancé Bedrock AgentCore, un service managé et serverless conçu pour permettre aux éditeurs de logiciels SaaS de déployer des applications agentiques en environnement multi-tenant sur AWS. Le service offre des primitives pour héberger des agents et des serveurs MCP (Model Context Protocol), avec une gestion intégrée des identités, de la mémoire, de l'observabilité et des évaluations. Le coeur de son architecture repose sur des microVMs isolées par session: chaque session client obtient son propre environnement d'exécution éphémère, avec un système de fichiers persistant propre, sans le coût ni la latence d'une machine virtuelle complète. Le contexte du tenant transite via des en-têtes HTTP personnalisés, portant l'identifiant du tenant, son niveau de service, ses préférences régionales et ses droits d'accès aux outils, ce qui permet à l'agent d'adapter dynamiquement son comportement sans logique de routage codée en dur. Cette approche répond directement au fossé qui sépare un prototype fonctionnel d'un déploiement en production dans un contexte SaaS. Les architectes d'applications agentiques devaient jusqu'ici résoudre manuellement six problèmes distincts: l'isolation des tenants, la propagation de leur identité, l'observabilité par tenant, l'isolation des données, l'attribution des coûts et la mitigation du "noisy neighbor" (un tenant monopolisant les ressources au détriment des autres). AgentCore propose trois patterns d'isolation, appelés Silo, Pool et Bridge, chacun offrant un compromis différent entre protection stricte et mutualisation des coûts. Pour les éditeurs gérant des centaines ou des milliers de clients sur une même plateforme, cette capacité à choisir un modèle d'isolation par segment tarifaire change concrètement l'équation économique et de conformité. Le lancement s'inscrit dans une course des grands fournisseurs cloud à imposer leurs infrastructures agentiques comme standard de facto pour la prochaine génération d'applications IA. AWS fait face à la concurrence directe de Google avec Vertex AI Agent Builder et de Microsoft avec Azure AI Agent Service, tous trois cherchant à capter les équipes d'ingénierie qui passent de l'expérimentation à la production. L'article publié par AWS est le premier d'une série, ce qui suggère que d'autres composants d'AgentCore (évaluation, fine-tuning par tenant, facturation granulaire) seront détaillés dans les prochaines semaines. La question centrale pour les équipes SaaS reste le degré de lock-in accepté en échange de la simplicité opérationnelle qu'offre un service pleinement managé.

Outils❧Opinion

1 source

39

3263Le Big Data 

Jarvis : ce robot barista prépare votre café à la perfection… sans pause café

Artly, une startup américaine spécialisée dans la robotique et la vision par ordinateur, a développé Jarvis, un bras robotisé capable de préparer des cafés de spécialité avec une précision que peu de baristas humains peuvent atteindre. Pour entraîner le système, les ingénieurs ont collaboré avec Joe Yang, champion américain de latte art, en fixant des capteurs sur ses bras afin de capturer chacun de ses gestes lors de la préparation d'un latte. Jarvis reproduit ensuite ces mouvements avec une marge d'erreur de seulement 0,1 gramme sur les quantités d'ingrédients, tout en surveillant en continu la température de l'eau, le temps d'extraction, la pression et la texture de la mousse. Des caméras intégrées analysent le résultat final et permettent au robot de corriger automatiquement ses prochains gestes si la qualité ne correspond pas aux standards attendus. L'argument central d'Artly n'est pas la spectacularisation technologique mais la régularité industrielle. Dans un café à fort volume, un barista humain peut dégrader la qualité de ses préparations sous la pression du service, là où Jarvis maintient les mêmes paramètres indéfiniment. Pour les opérateurs de points de vente à fort passage, gares, aéroports, campus, cette constance représente un avantage économique concret : moins de pertes matières, moins de formation, et une expérience client homogène. Le système apprend également de ses propres erreurs grâce à ses capteurs, ce qui le distingue d'un simple automate à séquence fixe. La robotisation du café s'inscrit dans une dynamique plus large d'automatisation de la restauration rapide, accélérée depuis la pandémie par les difficultés de recrutement et la hausse des salaires dans la restauration aux États-Unis. Artly ne cache pas ses ambitions au-delà du café : l'entreprise travaille déjà sur des systèmes analogues pour la préparation de cocktails, de smoothies et d'applications industrielles. Il reste cependant des limites opérationnelles claires : Jarvis dépend toujours d'humains pour le remplissage des réservoirs, l'approvisionnement en grains et l'entretien de certains composants. La question qui se posera à l'échelle n'est donc pas tant de savoir si un robot peut faire un bon cappuccino, mais à quel coût d'investissement initial et de maintenance ces systèmes deviennent rentables face à une main-d'œuvre humaine dont le coût varie fortement selon les marchés.

Robotique⚡Actu

1 source

49

3264The Decoder 

OpenAI repousse les limites du raisonnement automatisé avec ce qu'il appelle une avancée majeure en mathématiques

Un modèle de raisonnement d'OpenAI vient de réfuter une conjecture du mathématicien Paul Erdős portant sur la géométrie des distances unitaires, restée ouverte depuis 1946. Pour y parvenir, le modèle a mobilisé des outils issus de la théorie algébrique des nombres, une approche que les spécialistes du domaine n'avaient jamais envisagée dans ce contexte. La médaille Fields Tim Gowers, l'une des plus grandes autorités mondiales en mathématiques, a qualifié le résultat de "jalon dans les mathématiques de l'IA", et la communauté scientifique est désormais en train d'en analyser les détails techniques. L'impact va bien au-delà d'un simple exercice de calcul. En invalidant une conjecture vieille de 80 ans par un chemin conceptuellement inattendu, l'IA démontre une capacité à explorer des espaces de solutions que les chercheurs humains auraient peu de chances d'emprunter spontanément. Tim Gowers lui-même avertit : "Nous sommes probablement entrés dans une ère où il deviendra très difficile pour les humains de rivaliser avec l'IA dans la résolution de problèmes mathématiques." Ce n'est plus une promesse, c'est un constat d'un pair reconnu. Les conjectures d'Erdős forment l'un des corpus de problèmes ouverts les plus célèbres des mathématiques modernes, et beaucoup résistent depuis des décennies. OpenAI s'inscrit dans une course engagée avec Google DeepMind et d'autres, qui cherchent tous à démontrer que leurs modèles peuvent produire de véritables avancées scientifiques, et pas seulement assister les chercheurs. Cette démonstration pourrait accélérer l'intégration de l'IA dans les laboratoires de mathématiques pures, et relancer le débat sur ce que signifie "comprendre" en mathématiques.

Recherche❖Paper

1 source

45

3265AWS ML Blog 

Amazon Bedrock AgentCore lève la limite de la fenêtre de contexte

Amazon Web Services a présenté une approche pour contourner la limite fondamentale des fenêtres de contexte des grands modèles de langage, en combinant Amazon Bedrock AgentCore Code Interpreter et le SDK Strands Agents. La technique repose sur les Recursive Language Models (RLM), introduits dans un article académique de Zhang et al. (arXiv:2512.24601), qui réorganisent radicalement la façon dont un modèle interagit avec des documents volumineux. Concrètement, plutôt que d'injecter l'intégralité d'un document dans le contexte du modèle, le système charge le document dans un environnement Python sandboxé persistant, puis orchestre des appels itératifs à des sous-modèles pour analyser des sections spécifiques. Les résultats intermédiaires restent stockés comme variables Python dans le sandbox, sans jamais encombrer la fenêtre de contexte du modèle racine. L'exemple illustratif est celui d'une analyse financière : comparer deux années de rapports annuels d'une même entreprise, soit 300 à 500 pages chacun, auxquels s'ajoutent les dépôts SEC et les rapports d'analystes, pour un total de plusieurs millions de caractères, impossible à traiter d'un seul tenant pour n'importe quel modèle existant. Cette avancée répond à deux échecs classiques des LLM face aux très longs documents. Le premier : la requête dépasse la fenêtre de contexte maximale et est simplement rejetée. Le second, plus insidieux : le document entre en contexte mais le modèle peine à tenir compte des informations situées en son milieu, un phénomène connu sous le nom de "lost in the middle". Les RLM contournent les deux en découpant le problème : un modèle racine génère du code Python pour naviguer et découper le document, tandis que des sous-LLM sont appelés ponctuellement pour les tâches de compréhension sémantique. Le résultat est une architecture sans limite théorique de taille de document, potentiellement transformatrice pour des secteurs comme la finance, le droit ou la recherche médicale, où l'analyse de corpus massifs est quotidienne. Le problème de la fenêtre de contexte n'est pas nouveau : les chercheurs et les ingénieurs y butent depuis l'émergence des LLM à grande échelle. Les solutions précédentes incluaient la recherche par similarité vectorielle (RAG), qui fragmente les documents en chunks et ne récupère que les passages pertinents, mais au prix d'une perte de cohérence globale. L'approche RLM se positionne comme une alternative plus puissante : le modèle racine explore activement le document comme un environnement, décide quelles sections méritent une analyse approfondie, et délègue ces tâches à des sous-modèles via une fonction llm_query() injectée dans le sandbox d'AgentCore. Ce dernier fonctionne en mode réseau PUBLIC, ce qui permet aux appels vers Amazon Bedrock de s'effectuer directement depuis l'environnement sandboxé. AWS s'appuie ici sur son infrastructure Bedrock pour proposer une solution intégrée, combinant orchestration, exécution de code et appels LLM dans un pipeline unifié, sans nécessiter d'infrastructure tierce.

LLMs⚒Outil

1 source

39

3266AWS ML Blog 

Créer des agents IA pour la business intelligence avec Amazon Bedrock AgentCore

OPLOG, entreprise turque spécialisée dans la logistique e-commerce pilotée par l'IA et la robotique, traite des millions de colis chaque mois en Turquie, au Royaume-Uni et en Allemagne pour des marques internationales et des marketplaces globales. Face à une fragmentation critique de ses données métier réparties entre HubSpot CRM, Microsoft Teams, Databricks et plusieurs autres systèmes indépendants, la société a développé une plateforme de business intelligence (BI) basée sur des agents IA déployés via Amazon Bedrock AgentCore. Concrètement, OPLOG a construit trois agents distincts à l'aide du Strands Agents SDK d'AWS, intégrés avec le modèle Claude Sonnet d'Anthropic et Amazon Bedrock Knowledge Bases pour la recherche par RAG. Les résultats mesurés sont nets : réduction de 35 % des cycles de vente, amélioration de 91 % de la complétude des données CRM, et réduction de 98 % du temps consacré à la recherche manuelle. L'impact opérationnel est significatif pour toute organisation B2B confrontée à des silos de données. Avant ce système, les équipes d'OPLOG passaient plusieurs heures par jour à extraire manuellement des rapports de systèmes disparates, à synthétiser l'information et à préparer des mises à jour. Les rapports hebdomadaires manquaient 60 % des opportunités commerciales, les deals ayant déjà évolué avant que l'analyse soit disponible. Désormais, trois agents autonomes prennent en charge ces tâches en temps réel : le Deal Analyzer Agent tourne selon un calendrier aligné sur l'activité commerciale et analyse les deals HubSpot récents pour vérifier leur conformité méthodologique, en remontant les résultats directement dans Microsoft Teams. Le Sales Coach Agent réagit aux webhooks HubSpot lorsqu'un deal change de stade, valide les champs requis selon le modèle commercial (B2C, B2B, ou mixte), et crée automatiquement des tâches pour les données manquantes. Un troisième agent, dont le détail n'est pas entièrement publié, complète le dispositif côté recherche de prospects. Ce déploiement s'inscrit dans une tendance de fond : les grandes plateformes cloud cherchent à faire des agents IA le nouveau standard de l'automatisation d'entreprise. Amazon Bedrock AgentCore, l'environnement d'exécution managé d'AWS pour agents IA, vise à simplifier ce type d'architecture en éliminant la gestion d'infrastructure tout en offrant scalabilité et traçabilité. Le choix de Claude Sonnet (Anthropic) comme moteur de raisonnement positionne AWS dans une logique de multi-partenariat avec les principaux labs IA. Pour des entreprises comme OPLOG, dont la croissance rapide dépasse les capacités des outils BI traditionnels, cette approche par agents spécialisés et indépendants offre une voie pragmatique vers l'automatisation sans refonte complète du système d'information.

Outils⚒Outil

1 source

46

3267AWS ML Blog 

Créer un assistant de recrutement IA avec Amazon Bedrock

Selon une enquête menée auprès de 748 responsables RH, les recruteurs consacrent en moyenne 17,7 heures par poste à pourvoir à des tâches administratives, soit plus de deux journées de travail par recrutement. Une étude SmartRecruiters de 2024 confirme cette réalité : 45 % des responsables de l'acquisition de talents passent plus de la moitié de leur temps sur des tâches automatisables. Pour répondre à ce problème, Amazon Web Services vient de publier une architecture de référence permettant de construire un assistant de recrutement alimenté par l'intelligence artificielle, reposant sur Amazon Bedrock. La solution s'appuie sur le modèle Amazon Nova Pro via l'API Bedrock Converse, AWS Lambda pour le traitement des requêtes, Amazon API Gateway pour le routage, Amazon DynamoDB et Amazon S3 pour le stockage, et Amazon Bedrock Guardrails pour les garde-fous éthiques, notamment l'anonymisation des données personnelles, la détection d'injections de prompts malveillants et le filtrage des contenus biaisés. Une interface web hébergée sur AWS Amplify, sécurisée via Amazon Cognito avec authentification par jetons JWT, permet aux recruteurs d'accéder à l'ensemble des fonctionnalités depuis un tableau de bord centralisé. Concrètement, l'outil automatise l'analyse des CV, calcule des scores de compatibilité multidimensionnels entre candidats et offres d'emploi, et génère des questions d'entretien personnalisées selon le profil de chaque candidat. L'objectif est de libérer les équipes RH des tâches répétitives qui dégradent la qualité des décisions : la surcharge administrative pousse aujourd'hui les recruteurs à effectuer un tri superficiel, favorisant les candidats dont les CV contiennent les bons mots-clés ou la meilleure mise en forme, plutôt que ceux présentant les véritables compétences requises. En déléguant ces étapes à l'IA, la solution cherche à recentrer l'attention humaine sur l'évaluation qualitative, là où elle apporte une réelle valeur ajoutée. Cette publication s'inscrit dans une intense compétition entre les grands fournisseurs de cloud pour imposer leurs plateformes d'IA dans les flux de travail des entreprises. Amazon Bedrock se positionne comme une infrastructure neutre, capable de faire tourner plusieurs modèles de fondation selon les besoins métier. AWS prend soin de préciser que l'architecture présentée est proposée à des fins d'apprentissage et non comme une solution directement déployable en production, invitant les entreprises à l'adapter à leurs propres exigences de conformité et de sécurité. La question de la responsabilité algorithmique dans le recrutement reste centrale : si ces outils peuvent réduire certains biais humains, ils risquent aussi d'en introduire de nouveaux s'ils ne sont pas rigoureusement audités, un défi que les garde-fous intégrés à Bedrock Guardrails ne suffisent pas à résoudre seuls.

Outils⚒Outil

1 source

37

3268NVIDIA AI Blog 

NVIDIA GTC Taipei au COMPUTEX : les dernières annonces IA en direct

NVIDIA a remporté plusieurs prix aux COMPUTEX Best Choice Awards 2026, lors du salon GTC Taipei at COMPUTEX qui se tient à Taïwan. Trois produits ont été distingués : le Vera Rubin NVL72, superordinateur IA à l'échelle du rack, a décroché un Golden Award ainsi que le Sustainable Tech Special Award ; la plateforme Jetson Thor pour l'IA embarquée et la robotique a également obtenu un Golden Award ; et l'Alpamayo, plateforme ouverte pour le développement de véhicules autonomes, a remporté le prix de la catégorie Vehicle Technology and Smart Cockpit. Les candidatures ont été évaluées sur leur fonctionnalité, leur innovation et leur potentiel de marché. Jensen Huang, fondateur et PDG de NVIDIA, prononcera un discours inaugural le 1er juin à 11h (heure de Taïwan) au Taipei Music Center. Le Vera Rubin NVL72 concentre l'essentiel des innovations primées. Ce système connecte 36 CPU NVIDIA Vera et 72 GPU NVIDIA Rubin, unifiés via le commutateur NVLink de sixième génération, des SuperNICs ConnectX-9 et des commutateurs optiques Spectrum-X pour la mise à l'échelle. Il affiche jusqu'à 10 fois de meilleures performances d'inférence par watt et un coût par token réduit d'un facteur 10. Associé au NVIDIA Groq 3 LPX, il atteint 35 fois plus de débit par watt pour les modèles à un billion de paramètres. Conçu pour l'IA agentique, le raisonnement et les charges à long contexte, il est entièrement refroidi par liquide à 45 degrés Celsius, sans câbles ni tuyaux ni ventilateurs, réduisant le temps d'assemblage de deux heures à cinq minutes par plateau de calcul. La plateforme Jetson Thor affiche quant à elle 2 070 téraflops FP4, soit 7,5 fois la puissance de calcul et 3,5 fois l'efficacité énergétique de la génération précédente Jetson Orin, dans un module configurable entre 40 et 130 watts. Ces distinctions surviennent alors que COMPUTEX, salon de référence pour la technologie et l'informatique en Asie, accueille cette année le GTC Taipei, la conférence annuelle de NVIDIA dédiée à l'accélération de l'IA. L'événement rassemble développeurs, chercheurs et dirigeants industriels autour des thèmes des usines d'IA, de l'infrastructure à grande échelle, de l'IA physique et des systèmes autonomes. NVIDIA y consolide sa position de fournisseur incontournable pour les centres de données de nouvelle génération, à l'heure où la demande en puissance de calcul pour l'entraînement et l'inférence de grands modèles s'emballe. Les annonces du keynote de Jensen Huang du 1er juin seront scrutées de près par l'ensemble de l'industrie, qui attend des précisions sur la feuille de route de l'entreprise pour les prochains mois.

Infrastructure⚡Actu

1 source

38

3269AWS ML Blog 

Créer des agents d'automatisation de tableaux de bord propulsés par l'IA avec le NLP sur Amazon Bedrock AgentCore

Amazon Web Services a dévoilé une solution d'automatisation de tableaux de bord basée sur l'intelligence artificielle, combinant trois de ses services : Amazon Bedrock AgentCore, le framework Strands Agents et Amazon QuickSight. L'architecture repose sur un système multi-agents composé de trois entités spécialisées : un agent de découverte (Find Dashboard Agent) chargé d'explorer les tableaux de bord et leurs métadonnées, un agent de modification (Modify Dashboard Agent) qui exécute les changements de configuration et crée de nouvelles versions, et un agent orchestrateur qui route les requêtes en langage naturel vers les agents appropriés. Concrètement, un analyste peut saisir une instruction comme "Ajoute le champ 'lastname' au tableau de bord testing" et le système interprète, valide et déploie la modification de façon autonome, tout en conservant une version originale pour permettre un retour arrière si nécessaire. L'enjeu est significatif pour les équipes métier : là où les processus traditionnels imposent plusieurs jours d'attente, soumission d'une demande à l'IT, interprétation des besoins, navigation dans la documentation d'API, déploiement, cette approche réduit le délai à quelques secondes. Le modèle de langage Amazon Nova assure la classification des requêtes entre interactions conversationnelles simples et opérations techniques réelles. Les modifications sont validées contre les colonnes disponibles dans les datasets avant exécution, ce qui maintient les contrôles de sécurité et génère des pistes d'audit. Pour les entreprises dont les décisions dépendent de données fraîches et de visualisations actualisées, supprimer ce goulot d'étranglement entre l'expression d'un besoin et sa concrétisation dans un dashboard représente un gain opérationnel direct. Cette solution s'inscrit dans la dynamique plus large d'AWS de rendre Amazon Bedrock AgentCore accessible comme plateforme d'hébergement d'agents en production, sans gestion d'infrastructure. La mémoire de session intégrée (AgentCore Memory) maintient le contexte des conversations, tandis que le module d'observabilité enregistre les décisions des agents et trace les appels API, deux composantes critiques pour déployer des agents autonomes dans des environnements d'entreprise régulés. Le framework Strands Agents, orienté code-first avec intégration native aux services AWS, positionne AWS face à des concurrents comme LangChain ou AutoGen sur le terrain des orchestrateurs d'agents. La prochaine étape logique pour ce type de système serait d'étendre la couverture au-delà de QuickSight vers d'autres services de données, voire de permettre aux agents de proposer eux-mêmes des modifications pertinentes en détectant des anomalies dans les métriques surveillées.

Outils⚒Outil

1 source

48

3270The Decoder 

Le Cyber Command américain déploie l'IA sur ses réseaux classifiés

Le Cyber Command américain a constitué une task force dédiée au déploiement de modèles d'intelligence artificielle développés par OpenAI, Google et d'autres fournisseurs sur les réseaux classifiés les plus sensibles du Pentagone et de la NSA. L'initiative marque une accélération inédite dans l'intégration de l'IA civile au sein des infrastructures de renseignement militaire américaines, habituellement hermétiques aux technologies commerciales. Le déclencheur de cette mobilisation est explicite : des systèmes comme Claude Mythos d'Anthropic sont désormais capables d'identifier des failles de sécurité plus rapidement que les meilleurs hackers humains. Anthropic a averti que des outils aux capacités comparables pourraient être accessibles au grand public d'ici six à vingt-quatre mois. Pour le Cyber Command, l'enjeu est donc d'armer ses propres réseaux avec ces capacités offensives et défensives avant que des adversaires étatiques ou des acteurs malveillants ne les utilisent à grande échelle contre les infrastructures américaines. Cette initiative s'inscrit dans une compétition technologique accélérée entre grandes puissances, où la Chine et la Russie investissent massivement dans l'IA militaire. Le déploiement sur des réseaux à très haute classification soulève également des questions complexes sur la chaîne de décision, la supervision humaine et les risques d'erreurs dans des environnements où les conséquences peuvent être irréversibles. La fenêtre de six à vingt-quatre mois évoquée par Anthropic crée une pression temporelle qui pousse le Pentagone à agir vite, quitte à bousculer ses procédures habituelles de validation et d'accréditation.

Sécurité❧Opinion

1 source

50

3271The Decoder 

Anthropic sur le point de devenir le premier laboratoire d'IA rentable

Anthropic s'apprête à boucler son premier trimestre rentable, selon le Wall Street Journal. La société fondée par Dario et Daniela Amodei anticipe un bénéfice opérationnel de 559 millions de dollars pour le deuxième trimestre 2026, sur un chiffre d'affaires de 10,9 milliards de dollars. Un renversement spectaculaire : l'été dernier encore, Anthropic ne tablait pas sur la rentabilité avant 2028. Les moteurs de cette croissance fulgurante sont les outils de programmation assistée et l'usage dit "agentique" de Claude, c'est-à-dire les déploiements où le modèle exécute des tâches autonomes en plusieurs étapes plutôt que de simplement répondre à des questions. La demande a par moments dépassé les capacités de calcul disponibles, signe que l'adoption dépasse les prévisions les plus optimistes. Pour les entreprises clientes, Claude s'impose de plus en plus comme une infrastructure critique plutôt qu'un simple outil expérimental. Ce tournant survient dans un secteur longtemps perçu comme structurellement déficitaire, où les coûts d'entraînement et d'inférence semblaient condamner les grands laboratoires à dépendre indéfiniment des investisseurs. Anthropic a levé plusieurs milliards de dollars auprès d'Amazon et de Google, qui ont respectivement engagé 4 et 2 milliards dans la société. Si la rentabilité se confirme, Anthropic deviendrait le premier laboratoire d'IA frontier à démontrer qu'un modèle économique viable est possible dans ce secteur, ce qui pourrait redéfinir les attentes des investisseurs vis-à-vis d'OpenAI et de ses concurrents.

Business❧Opinion

1 source

50

3272Frandroid 

Stellantis vise les longs trajets : la conduite mains libres arrive sur autoroute

Stellantis a annoncé le même jour deux partenariats stratégiques pour accélérer son virage vers la conduite automatisée. Le groupe automobile franco-italo-américain s'associe d'une part avec Wayve, startup britannique spécialisée dans l'intelligence artificielle pour la mobilité autonome, et d'autre part avec Qualcomm, géant américain des semi-conducteurs, pour le traitement du calcul embarqué. L'objectif est d'intégrer ces technologies dans les véhicules de ses marques phares, Peugeot, Citroën, Jeep et Fiat, à horizon 2028. Concrètement, il s'agit d'offrir une conduite mains libres sur autoroute, dite de niveau 2+ ou niveau 3 selon les marchés, permettant au conducteur de ne plus intervenir activement lors des longs trajets à grande vitesse. C'est une évolution significative pour des millions d'automobilistes européens et américains qui parcourent régulièrement des centaines de kilomètres sur voie rapide. Pour Stellantis, en pleine restructuration sous la pression des véhicules électriques chinois et de la concurrence Tesla, ce pari technologique est aussi un argument commercial fort pour repositionner ses marques sur le segment premium de la sécurité et du confort. Cette double alliance s'inscrit dans une course industrielle que se livrent tous les grands constructeurs depuis plusieurs années. Wayve, qui a levé plus d'un milliard de dollars en 2024 notamment auprès de Microsoft et SoftBank, mise sur une approche par apprentissage profond plutôt que sur des règles préprogrammées. Qualcomm, de son côté, domine déjà l'informatique embarquée dans l'automobile avec sa plateforme Snapdragon Ride. Le calendrier 2028 laisse le temps aux homologations réglementaires européennes, encore en cours pour les systèmes de niveau 3, de se stabiliser.

Robotique❧Opinion

1 source

39

3273Le Big Data 

Remplacés par l’IA ? Pas du tout, vous devriez « sauter de joie » selon Jeff Bezos

Jeff Bezos, fondateur d'Amazon et de Blue Origin, a accordé un long entretien à CNBC dans lequel il a défendu une vision résolument optimiste de l'intelligence artificielle face aux craintes de remplacement des travailleurs. Loin de partager l'inquiétude généralisée, il estime que les salariés devraient « sauter de joie » à l'arrivée de l'IA dans leur quotidien professionnel. Pour illustrer sa position, Bezos a comparé cette technologie à un bulldozer offert à quelqu'un qui creuse encore les fondations de sa maison à la pelle : selon lui, l'IA ferait exploser la productivité et « valoriserait » les travailleurs plutôt que de les éliminer. Il pousse le raisonnement jusqu'à imaginer un futur où la baisse des prix des biens essentiels, nourriture, logement, construction, permettrait à l'un des deux conjoints dans un foyer à double revenu de quitter volontairement le marché du travail. Tout cela, à condition de ne pas brider la technologie par une régulation excessive. Ce discours se heurte pourtant à une réalité bien différente. Des milliers de postes disparaissent déjà dans plusieurs secteurs sous prétexte d'efficacité technologique, y compris chez Amazon et ses concurrents, tandis que les prix continuent d'augmenter sur de nombreuses plateformes. Les outils d'IA peinent encore, pour beaucoup d'entre eux, à démontrer des gains de productivité mesurables à grande échelle. La métaphore du bulldozer résonne autrement pour les travailleurs qui vivent la pression de l'automatisation : non pas comme un outil qui les aide, mais comme une machine qui les écrase. Même l'hypothèse d'une bulle financière autour de l'IA ne semble pas troubler Bezos, qui juge que l'afflux massif d'investissements dans le secteur reste bénéfique quoi qu'il arrive, car il alimente l'innovation. Il est difficile de dissocier ce discours des intérêts personnels de son auteur. Project Prometheus, la société de robotique et d'intelligence artificielle de Bezos, aurait levé près de 10 milliards de dollars en quelques mois seulement, sur la vague de l'enthousiasme actuel pour l'IA. Par ailleurs, sur la question fiscale, Bezos a affirmé qu'augmenter massivement les impôts des milliardaires ne résoudrait pas les difficultés économiques des classes moyennes, une position qui rappelle les révélations de ProPublica en 2021, selon lesquelles son taux d'imposition réel était inférieur à 1 % sur une partie de sa fortune, grâce à des mécanismes de prêts adossés à ses actions. L'alignement entre son discours pro-IA, son hostilité à la régulation et ses investissements massifs dans le secteur dessine un tableau où l'optimisme affiché est indissociable d'intérêts financiers considérables.

Société❧Opinion

1 source

52

3274MIT Technology Review 

Anthropic présente Code with Claude, l'avenir du code selon eux

Lors de l'événement "Code with Claude" organisé par Anthropic les 19 et 20 mai à Londres, Jeremy Hadfield, ingénieur chez Anthropic, a demandé à une salle comble de développeurs combien d'entre eux avaient fusionné une pull request entièrement rédigée par Claude sans en avoir lu une seule ligne de code. La majorité des mains sont restées levées, accompagnées de rires nerveux. Le même jour que Google I/O à Palo Alto, Anthropic affichait ses ambitions : "La majorité des logiciels chez Anthropic est désormais écrite par Claude, y compris le code de Claude Code lui-même", a déclaré Hadfield en ouverture. Boris Cherny, responsable de Claude Code, a résumé le nouveau paradigme : "Le réflexe par défaut n'est plus 'je vais prompter Claude', c'est désormais 'je vais laisser Claude se prompter lui-même'." Anthropic a également dévoilé une fonctionnalité baptisée "dreaming", annoncée deux semaines auparavant : les agents de Claude Code consignent des notes sur leurs tâches, que le système consolide ensuite pour identifier des patterns et des erreurs récurrentes, permettant aux agents suivants de monter en compétence plus rapidement sur une base de code donnée. Ce qui frappe dans cet événement, c'est la vitesse à laquelle ce nouveau mode de travail s'est normalisé. Il y a un an à peine, lors de la première édition de ces conférences développeurs, Anthropic venait de sortir Claude 4, capable de coder "dans une certaine mesure". Avec Claude 4.6 (février) puis 4.7 (avril), le seuil a été franchi : des entreprises comme Spotify, Delivery Hero, Lovable, Base44 et Monday.com ont restructuré leurs équipes de développement autour de Claude Code. L'objectif affiché par Anthropic est de pousser l'automatisation à son maximum, en faisant en sorte que Claude teste, corrige et itère de manière autonome, sans que l'ingénieur humain n'ait à voir les messages d'erreur. "Le principe clé, c'est de s'effacer et de laisser faire", a formulé l'ingénieur Ravi Trivedi. Pourtant, cette euphorie se heurte à des signaux contradictoires hors des murs de la conférence. Des rapports récents font état d'un nombre croissant de développeurs qui commencent à s'interroger sur leur rôle dans un environnement où leur expertise principale, écrire et lire du code, est en passe d'être entièrement déléguée à un modèle. OpenAI avec Codex, Google et Microsoft formulent des revendications similaires sur l'automatisation de leur propre développement logiciel. La question qui se profile n'est plus technologique mais structurelle : à mesure que les pull requests "zero human review" deviennent la norme, c'est toute la chaîne de responsabilité dans la production de logiciels qui se redessine, avec des implications qui dépassent largement les salles de conférence.

Outils⚒Outil

1 source

45

3275The Information AI 

Cursor profite des difficultés de GitHub

Cursor, l'éditeur de code alimenté par l'IA, travaille sur un projet ambitieux visant à concurrencer directement GitHub sur ses fonctions essentielles. Baptisé en interne "Origin", ce projet est porté par les ingénieurs de Graphite, une startup spécialisée dans la revue de code que Cursor a rachetée l'an dernier. L'annonce officielle est prévue pour cet été. Selon une source proche du dossier, Origin proposera des dépôts de code, soit la fonction centrale de GitHub, ainsi qu'un ensemble de fonctionnalités avancées : revues de sécurité automatisées, actions programmées comme les tests continus, gestion des mises à jour sans interruption de service, et intégrations avec des outils tiers. Ce mouvement s'inscrit dans un contexte délicat pour GitHub, filiale de Microsoft. La plateforme a subi une série de pannes et de dysfonctionnements ces derniers mois, au point que Jay Parikh, le dirigeant qui supervise GitHub, a récemment mis en garde ses équipes : les outils de Cursor et d'Anthropic pourraient un jour rendre GitHub obsolète. Si un concurrent aussi jeune que Cursor parvient à intégrer gestion de dépôts, revue de code assistée par IA et automatisation en une seule plateforme cohérente, les millions de développeurs qui utilisent GitHub quotidiennement auraient une raison concrète de migrer. La montée en puissance des éditeurs de code IA redessine progressivement toute la chaîne du développement logiciel. Cursor, qui s'est imposé en quelques mois comme l'un des outils les plus populaires auprès des développeurs professionnels, ne se contente plus de compléter le code ligne par ligne : il s'attaque désormais à l'infrastructure collaborative qui entoure l'écriture du code. GitHub, de son côté, tente de répondre avec ses propres fonctionnalités IA via GitHub Copilot, mais la pression vient maintenant de plusieurs fronts simultanément, incluant Anthropic et d'autres acteurs. L'acquisition de Graphite l'année dernière prenait tout son sens stratégique : Cursor construisait déjà les briques d'une plateforme complète, bien au-delà du simple éditeur.

Outils⚒Outil

1 source

49

3276Le Big Data 

Qwen3.7 Max : l’IA d’Alibaba écrase ses anciens scores sur les benchmarks IA

Alibaba a dévoilé le 21 mai 2026 son nouveau modèle de langage Qwen3.7 Max, qui affiche un score de 56,6 sur l'Artificial Analysis Intelligence Index, soit 4,8 points de plus que son prédécesseur Qwen3.6 Max Preview (51,8). Le bond le plus notable concerne le codage agentique et le raisonnement scientifique, avec des progressions significatives sur des benchmarks spécialisés comme Humanity's Last Exam et TerminalBench Hard. La fenêtre de contexte du modèle passe également de 256 000 à un million de tokens, ce qui lui permet de traiter des volumes d'information sans précédent dans une seule session. Alibaba met aussi en avant une réduction mesurable du taux d'hallucinations : le modèle préfère ne pas répondre plutôt que d'inventer une information incertaine, une stratégie rendue possible par un investissement massif dans les techniques de reinforcement learning. Ces avancées ont des conséquences directes pour les développeurs et les entreprises qui utilisent l'IA dans leurs workflows. Une fenêtre d'un million de tokens change concrètement ce qu'il est possible de faire : analyser des bases de code entières, traiter de longs documents juridiques ou financiers, ou enchaîner des raisonnements complexes sur plusieurs étapes sans perdre de contexte. La réduction des hallucinations est un argument commercial fort dans les secteurs où la fiabilité est critique, comme le droit, la finance ou la médecine. Sur ces critères précis, Qwen3.7 Max commence à se positionner comme une alternative sérieuse aux offres d'OpenAI, Anthropic et Google, même si le modèle reste encore derrière les meilleurs modèles américains sur les classements globaux. Longtemps perçu comme un outsider dans la course aux grands modèles de langage, Alibaba s'impose progressivement comme un acteur de premier plan. La série Qwen incarne cette stratégie de rattrapage accéléré : chaque nouvelle version réduit l'écart avec la frontière technologique définie par GPT-4o, Claude ou Gemini. Le contexte géopolitique autour des semi-conducteurs et des restrictions américaines à l'export de puces avancées rend ces progrès d'autant plus remarquables. En parallèle, d'autres laboratoires chinois comme DeepSeek et Baidu intensifient eux aussi leurs efforts, créant une dynamique de compétition interne qui pousse l'ensemble de l'écosystème vers le haut. La prochaine étape pour Alibaba sera probablement l'intégration de capacités multimodales avancées, absentes de Qwen3.7 Max, pour rivaliser pleinement avec les modèles américains qui traitent déjà texte, image et vidéo dans un même système.

LLMs❧Opinion

1 source

47

3277Ben's Bites 

La position de Google sur OpenClaw

Andrej Karpathy, co-fondateur d'OpenAI et figure centrale de la recherche en deep learning, a rejoint Anthropic pour prendre la tête d'une nouvelle équipe dédiée à accélérer la recherche sur le pré-entraînement, sous la direction de Nick Joseph. L'objectif affiché est d'utiliser Claude pour aider à pré-entraîner les futurs modèles Claude, une approche récursive qui illustre jusqu'où l'industrie pousse désormais l'automatisation de la recherche en IA. Cette annonce a éclipsé le Google I/O du mardi, où Mountain View a présenté une nouvelle famille de modèles orientée "n'importe quelle entrée, n'importe quelle sortie", dont Gemini Omni Flash, capable de générer et d'éditer des vidéos. Google a également sorti Gemini 3.5 Flash, plus performant sur le papier que la version 3.1 Pro, mais dont la date de coupure des connaissances est fixée à janvier 2025, ce qui le prive de contexte sur des tendances récentes comme le "vibe coding". Gemini Spark, leur réponse aux agents de codage autonomes, reste annoncé comme "coming soon" sans démonstration concrète. L'arrivée de Karpathy chez Anthropic intervient dans un contexte de montée en puissance financière spectaculaire de la société. Selon les documents déposés par SpaceX dans le cadre de son IPO, Anthropic s'engagerait à payer 1,25 milliard de dollars par mois en calcul informatique. La startup projette par ailleurs 10,9 milliards de dollars de revenus pour le trimestre de juin et anticipe son premier profit opérationnel, ce qui pourrait porter sa valorisation au-delà de celle d'OpenAI. Ce dernier serait lui-même en préparation d'une introduction en bourse imminente, selon plusieurs sources non confirmées. Sur le front technique, OpenAI a annoncé qu'un de ses modèles aurait résolu un problème mathématique célèbre, dont la preuve a été vérifiée par des mathématiciens externes, et a déployé un vérificateur public pour les images générées via ChatGPT, l'API et Codex, reposant sur les métadonnées C2PA et SynthID de Google. Ces événements marquent une nouvelle phase dans la consolidation du secteur. La course à la puissance de calcul, symbolisée par le contrat colossal entre Anthropic et SpaceX, redéfinit les rapports de force entre laboratoires. Pendant ce temps, les grandes plateformes cherchent à intégrer l'IA dans tous les workflows: Figma a présenté un agent de design capable de travailler directement dans le canevas aux côtés des équipes, générant plusieurs directions en parallèle et exploitant les systèmes de design existants. L'enjeu désormais n'est plus seulement qui dispose du meilleur modèle, mais qui contrôle l'infrastructure de calcul, les canaux de distribution et les pipelines de développement qui structureront l'ère des agents autonomes.

Business⚡Actu

1 source

43

3278The Information AI 

Anthropic en négociations pour utiliser les puces IA de Microsoft

Anthropic serait en discussions avec Microsoft pour louer des serveurs équipés de puces d'intelligence artificielle conçues en interne par le géant de Redmond. Selon deux personnes ayant eu des échanges directs avec des dirigeants impliqués dans les négociations, la startup fondatrice de Claude cherche à augmenter sa capacité de calcul pour répondre à une demande croissante pour ses modèles d'IA. Aucun accord n'a encore été officialisé, mais les tractations sont en cours. Pour Microsoft, convaincre Anthropic d'adopter ses propres puces constituerait une victoire symbolique et commerciale majeure. L'effort de design de puces maison de l'entreprise a accusé des retards en 2024, compliquant sa stratégie d'indépendance vis-à-vis des fournisseurs externes. Séduire un acteur aussi visible qu'Anthropic permettrait à Microsoft de valider publiquement ses capacités matérielles et de diversifier les revenus issus de son infrastructure cloud Azure. La démarche s'inscrit dans une tendance de fond : les grands fournisseurs de cloud cherchent à réduire leur dépendance aux puces Nvidia, qui dominent aujourd'hui presque l'intégralité du marché des accélérateurs IA et dont la disponibilité reste contrainte. Google dispose déjà de ses TPU, Amazon de ses puces Trainium et Inferentia. Microsoft, en retard sur ce front, tente de combler l'écart. Anthropic, de son côté, bénéficie déjà d'investissements massifs d'Amazon et de Google, ce qui rend un partenariat avec Microsoft d'autant plus significatif sur le plan stratégique.

Infrastructure⚡Actu

1 source

47

3279VentureBeat AI 

Resolve AI veut corriger les dégâts causés par le boom du code IA sur les systèmes en production

Resolve AI, la startup spécialisée dans la gestion des incidents de production, a annoncé une refonte majeure de sa plateforme. Soutenue par les fonds Greylock et Lightspeed Venture Partners, la société déploie désormais un système d'enquête multi-agents développé par son laboratoire de recherche interne. Concrètement, au lieu d'envoyer un seul agent IA diagnostiquer une panne en production, la plateforme mobilise maintenant une équipe d'agents spécialisés qui explorent plusieurs hypothèses en parallèle, vérifient mutuellement leurs conclusions et reconstituent la chaîne causale complète, de la cause racine jusqu'aux symptômes visibles. Selon Spiros Xanthos, PDG et co-fondateur, ce changement architectural a permis de doubler la précision dans l'identification des causes racines sur les benchmarks internes de l'entreprise. Ces évaluations, construites à partir de centaines de cas complexes inspirés d'incidents réels rencontrés chez des clients comme Coinbase, Salesforce, DoorDash et Zscaler, sont conçues pour refléter la difficulté des pannes en environnement de production à grande échelle. L'annonce intervient quelques mois après la levée de série A de 125 millions de dollars qui avait valorisé Resolve AI à 1 milliard de dollars en début d'année. L'enjeu opérationnel est considérable. Les agents de Resolve AI jouent désormais le rôle de premiers répondants pour chaque alerte d'astreinte, effectuant un premier tri en moins de cinq minutes, avant même qu'un ingénieur humain n'ait ouvert son ordinateur. Xanthos rappelle que le délai de résolution moyen va habituellement de plusieurs dizaines de minutes à plusieurs heures selon la gravité de l'incident. DoorDash affirme avoir réduit ce délai jusqu'à 87 % grâce à la plateforme, soit une accélération de quatre à cinq fois par rapport à la situation antérieure. Un gain concret et direct pour les équipes d'ingénierie, qui subissent une pression croissante depuis que la génération de code assistée par IA leur permet de livrer beaucoup plus de logiciels qu'il y a deux ans. C'est précisément ce paradoxe que Resolve AI cherche à résoudre. L'adoption des outils de génération de code IA a explosé, mais la face opérationnelle du cycle de vie logiciel, le débogage, la surveillance post-déploiement, l'audit de santé des systèmes, reste largement manuelle. La startup fait le pari que ce côté de l'équation constitue le prochain grand terrain d'investissement pour l'IA. Un défi technique de taille subsiste néanmoins : les grands modèles de langage peuvent produire des diagnostics plausibles mais erronés, risquant d'envoyer une équipe corriger la mauvaise cause pendant qu'une panne persiste. Pour y répondre, Resolve AI mise précisément sur la vérification croisée entre agents, chaque conclusion devant être confirmée indépendamment avant d'être soumise aux ingénieurs humains.

Outils⚒Outil

1 source

42

3280VentureBeat AI 

Kore.ai lance la plateforme d'agents IA Artemis et intensifie la concurrence face à Microsoft et Salesforce

Kore.ai a lancé mercredi la plateforme Artemis, une refonte complète de sa technologie centrale destinée aux entreprises qui souhaitent concevoir, déployer et optimiser des agents d'intelligence artificielle. Fondée par Raj Koneru, PDG et fondateur, la société mise sur un principe résumé ainsi : "vous faites de l'IA avec de l'IA, vous concevez avec l'IA, vous construisez avec l'IA, vous testez avec l'IA, vous déployez avec l'IA." Au coeur technique de la plateforme se trouve l'Agent Blueprint Language (ABL), un langage déclaratif compilé basé sur YAML qui standardise la façon dont les agents IA, les workflows et les systèmes multi-agents sont définis, validés et gouvernés. L'ABL embarque son propre analyseur syntaxique, compilateur et environnement d'exécution, et supporte six modèles d'orchestration natifs : superviseur, délégation, transfert, distribution parallèle, escalade et fédération agent-à-agent. La plateforme intègre également Arch, un système IA qui traduit des objectifs métier formulés en langage naturel en code ABL prêt pour la production, en sélectionnant automatiquement la topologie multi-agents adaptée, en générant les données de test et en assurant le déploiement puis le suivi en production. L'enjeu principal est de compresser ce qui prenait traditionnellement des mois de travail d'ingénierie en quelques jours. En s'appuyant sur des artefacts YAML stockables dans GitHub et intégrables aux pipelines CI/CD, Kore.ai permet aux développeurs, aux équipes métier et aux directions informatiques de travailler sur un standard commun, sans avoir à choisir entre une plateforme no-code rigide et un framework pro-code complexe. L'optimisation en boucle fermée constitue l'atout différenciant le plus concret : si un agent déployé atteint seulement 30% d'automatisation alors que l'objectif est de 50%, Arch analyse les écarts, régénère et redéploie automatiquement une version améliorée du code ABL en se basant sur les données d'usage réelles. Koneru illustre l'impact : "grâce à ce cycle d'optimisation, on fait monter l'aiguille à 50% en ajustant l'application sur la base du comportement effectif." La sortie d'Artemis s'inscrit dans une course effrénée entre les grands éditeurs de logiciels d'entreprise pour devenir l'infrastructure de référence des agents IA : Microsoft, Salesforce, Google et ServiceNow investissent massivement dans ce segment. Face à ces géants, la stratégie de Kore.ai repose sur la neutralité technologique et sur le comblement d'un vide identifié par Koneru entre la génération de code et son exécution réelle en production, avec la gestion des versions, la gouvernance et l'observabilité que cela requiert. L'ABL se positionne comme une couche intermédiaire universelle entre les instructions en langage naturel des utilisateurs et l'infrastructure de production, un pari sur la standardisation plutôt que sur l'intégration verticale propriétaire qui caractérise les offres concurrentes.

Outils⚒Outil

1 source