Actualités IA — page 165

7 647 articles au fil, du plus récent au plus ancien.

47

3281Ben'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

3282The 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

3283VentureBeat 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

3284VentureBeat 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

34

3285VentureBeat AI 

L'IA n'a pas tué la cohérence de marque, elle en a fait une priorité absolue

L'intelligence artificielle a rendu la création visuelle accessible à quiconque dispose d'un ordinateur et d'un après-midi. Un fondateur peut aujourd'hui concevoir un logo, lancer un site web, produire des visuels pour les réseaux sociaux, générer des présentations et créer des supports marketing en quelques heures, là où il fallait autrefois mobiliser une agence, des freelances ou une équipe créative interne. Mais cette démocratisation soulève un problème symétrique : plus la production de contenu devient facile, plus il devient difficile de maintenir une identité cohérente. Le risque n'est plus de produire du contenu de mauvaise qualité. Des outils comme Design.com, qui se présente comme une plateforme de création de marque unifiée, tentent précisément de répondre à ce défi en propageant les décisions visuelles fondamentales, logo, typographie, palette de couleurs, direction stylistique, à travers l'ensemble des assets produits depuis un point de départ commun. Le vrai danger de l'IA générative appliquée au design, c'est la fragmentation. Un logo créé dans un outil peut ne pas correspondre au langage visuel d'un site conçu ailleurs. Les visuels marketing évoluent indépendamment des modèles de présentation. Les couleurs, les polices et le ton dérivent progressivement au fil des productions. Or les consommateurs rencontrent aujourd'hui une marque à travers des dizaines de micro-interactions : une publication sur Instagram, un e-mail, un site web, une proposition commerciale. Si ces expériences donnent l'impression de venir d'entreprises différentes, la crédibilité s'érode rapidement, surtout pour les jeunes structures qui cherchent encore à s'imposer dans des marchés numériques saturés. Pour les grandes entreprises dotées d'équipes dédiées et d'années de reconnaissance client, le problème est gérable. Pour les PME et les entrepreneurs individuels, dont l'identité repose presque entièrement sur des points de contact digitaux, l'incohérence peut être fatale. Les guides de style traditionnels ont été conçus pour des cycles créatifs lents, où les équipes consultaient manuellement des règles validées avant de produire un nombre limité d'assets. L'IA a changé l'échelle et la cadence de cette production. Quand une entreprise génère des dizaines, voire des centaines de variations visuelles, la cohérence ne peut plus reposer sur un contrôle humain après coup. La gouvernance de marque doit s'intégrer directement dans le processus de création. C'est le virage stratégique que tente d'opérer Design.com et, plus largement, toute une catégorie de plateformes créatives : passer de la génération d'assets isolés à ce que l'industrie commence à appeler l'orchestration de marque. Dans un monde où l'IA banalise la production de contenu, la reconnaissance devient l'avantage concurrentiel déterminant.

Outils⚒Outil

1 source

39

3286Le Big Data 

L’IA, la donnée et le piège de la vitesse : quand l’efficacité néglige la fiabilité

Une étude publiée par dbt Labs, spécialiste des frameworks de fiabilité des données, révèle un déséquilibre majeur dans l'adoption de l'intelligence artificielle au sein des entreprises. Si 72 % des équipes data utilisent l'IA pour accélérer l'écriture de code, seulement 24 % l'exploitent pour tester et garantir la fiabilité des données produites. Dans le même temps, 83 % des organisations déclarent que la confiance dans les données est devenue leur priorité stratégique numéro un, soit une hausse de 17 points en un an. Autre signal d'alarme : 71 % des professionnels de la data craignent de transmettre aux décideurs des résultats faux ou hallucinés, tandis que 57 % font face à une hausse des coûts d'infrastructure, sans augmentation équivalente des budgets. Et 41 % des entreprises souffrent d'un manque de clarté sur la propriété des données, créant des zones grises propices aux erreurs non détectées. Ce paradoxe a des conséquences concrètes et potentiellement coûteuses. En utilisant l'IA principalement comme accélérateur de production de code, sans l'intégrer dans des pipelines structurés avec des tests robustes, les entreprises risquent de construire ce que Benoît Perigaud, staff developer expérience advocate chez dbt Labs, appelle une "usine à bugs ultrarapide". Le vrai danger n'est pas universel : il se concentre là où l'IA génère des requêtes ad hoc sur les données, sans couche sémantique pour encadrer les réponses des modèles de langage. Dans ces cas, une même question peut produire des réponses différentes selon le moment ou le contexte, sapant la crédibilité des analyses. La confiance, une fois perdue après une première hallucination visible, est difficile à reconstruire auprès des dirigeants. Ce constat s'inscrit dans une transformation plus large du rôle des équipes data. L'IA agit comme un multiplicateur de productivité : les mêmes équipes peuvent traiter davantage de demandes, mais la pression sur la qualité s'intensifie proportionnellement. Les frameworks comme dbt, qui intègrent les tests directement dans le cycle de transformation, offrent un modèle où fiabilité et vitesse ne s'excluent pas mutuellement. Mais leur adoption reste inégale, et la gouvernance peine à suivre la cadence d'adoption de l'IA. L'enjeu pour les prochaines années sera de combler ce fossé entre ambition stratégique et pratiques quotidiennes, avant que la multiplication des erreurs non détectées ne vienne éroder durablement la valeur des décisions data-driven.

Outils⚒Outil

1 source

53

3287Le Big Data 

Séisme dans les maths : l’IA résout une énigme insoluble depuis 80 ans

Le 20 mai 2026, OpenAI a annoncé qu'un de ses modèles de raisonnement avait résolu de manière autonome la conjecture des distances unitaires, un problème de géométrie discrète posé par le mathématicien hongrois Paul Erdős en 1946. La question, d'une formulation apparemment simple, demandait combien de paires de points placés sur un plan pouvaient être séparées exactement par une même distance unitaire. Pendant 80 ans, les mathématiciens avaient convergé vers une intuition commune : les configurations optimales ressemblaient à des grilles carrées ou triangulaires, et la borne maximale ne pouvait dépasser n^(1+o(1)). Le modèle d'OpenAI a infirmé cette conjecture en construisant une nouvelle famille de configurations surpassant radicalement les réseaux classiques, avec une borne de type n^(1+δ), où δ est une constante strictement positive. La plus petite configuration illustrant cette découverte implique un nombre de points de l'ordre de 10^1957, un chiffre tellement astronomique qu'aucune représentation physique n'est envisageable dans notre univers. Ce résultat ne représente pas un exploit de calcul brut, mais un véritable saut conceptuel. Pour dépasser la borne d'Erdős, le modèle n'a pas testé des milliards de configurations à l'aveugle : il a transposé le problème depuis la géométrie discrète vers la théorie algébrique des nombres, mobilisant des structures comme les corps CM et les tours de corps de classes de type Golod-Shafarevich. Ce déplacement conceptuel est précisément ce qu'aucun mathématicien humain n'avait spontanément envisagé. Le résultat a été vérifié à deux niveaux indépendants, par des vérificateurs formels automatisés et par des chercheurs humains spécialisés, ce qui lui confère une légitimité scientifique solide. Timothy Gowers, médaillé Fields, a réagi publiquement en conseillant à ses confrères mathématiciens de s'asseoir avant de lire la preuve. Ce succès s'inscrit dans une accélération spectaculaire des capacités mathématiques des grands modèles de langage. Depuis 2024, les systèmes de raisonnement d'OpenAI, de DeepMind et d'autres acteurs ont multiplié les percées sur des problèmes de compétition, mais s'attaquer à une conjecture ouverte depuis huit décennies constitue un palier qualitatif différent. La question qui se pose désormais pour la communauté scientifique n'est plus de savoir si l'IA peut assister les chercheurs, mais dans quelle mesure elle peut les devancer sur des problèmes où l'intuition humaine s'est révélée structurellement limitée. D'autres conjectures ouvertes, en topologie, en théorie des nombres, en combinatoire, se retrouvent soudainement sous un regard nouveau, celui d'un outil capable de naviguer dans des espaces abstraits inaccessibles à la perception humaine.

Recherche❖Paper

1 source

48

3288Le Big Data 

Plongée dans Antigravity 2.0 : Le nouvel eldorado des agents IA autonomes

Google a dévoilé Antigravity 2.0 le 19 mai 2026 lors de sa conférence I/O, une application de bureau autonome entièrement reconstruite depuis zéro à partir de son IDE agentique lancé l'année précédente. Disponible sur macOS, Linux et Windows, cette nouvelle version ne nécessite aucun environnement de développement intégré traditionnel. Son architecture repose sur un agent principal capable de générer dynamiquement des sous-agents spécialisés, chacun chargé d'une tâche précise, ce qui permet un traitement parallèle sans surcharger le contexte principal. S'ajoutent à cela des tâches asynchrones, des hooks JSON pour intercepter et modifier le comportement des agents en temps réel, un système de planification cron pour des exécutions automatiques sans intervention humaine, une série de slash commands pour piloter finement chaque interaction, et une dictée vocale qui transcrit la parole en direct plutôt que d'envoyer un fichier audio brut au modèle. Cette refonte marque un tournant dans la manière dont Google positionne ses outils agentiques. En découplant l'interface agentique de l'IDE classique, la plateforme s'adresse désormais bien au-delà du développement logiciel : tout professionnel qui pilote des workflows complexes ou répétitifs est une cible potentielle. La logique basée sur les projets, remplaçant le lien rigide entre agent et dépôt, permet de regrouper plusieurs dossiers avec leurs propres règles et permissions, ce qui facilite l'adoption dans des environnements non techniques. La combinaison de l'autonomie planifiée et du traitement parallèle réduit considérablement la supervision humaine nécessaire, ce qui change concrètement l'économie du travail automatisé. Antigravity avait été lancé comme une preuve de concept : démontrer qu'une interface centrée sur les agents était viable à grande échelle. Un an après, face à une concurrence féroce dans l'espace des assistants de développement, notamment Cursor, GitHub Copilot et Windsurf, Google accélère en proposant une plateforme d'orchestration multi-agents à vocation généraliste. L'enjeu dépasse le codage : il s'agit d'imposer une infrastructure capable de gérer des équipes d'agents autonomes comme une nouvelle couche de productivité. Les utilisateurs existants de l'IDE recevront une mise à jour automatique, mais pourront conserver l'ancienne version, ce qui laisse à Google le temps de migrer son écosystème sans rupture brutale.

Outils⚒Outil

1 source

45

3289Le Big Data 

Nexos.ai : on a testé l’outil qui veut convaincre votre DSI que l’IA n’est pas une passoire

Nexos.ai, la plateforme développée par Nord Security, l'éditeur à l'origine de NordVPN, propose une solution de gouvernance de l'intelligence artificielle en entreprise. Le principe est simple : plutôt que de créer un nouveau modèle maison, Nexos fait office de hub centralisé permettant aux équipes d'accéder aux grands modèles du marché, OpenAI, Anthropic, Google, Mistral, depuis un environnement contrôlé, avec des journaux d'activité, des règles configurables et un administrateur aux commandes. L'interface, pensée pour être accessible sans formation, permet de choisir son modèle via un menu déroulant, de définir un profil global avec des instructions permanentes, et de désactiver la mémorisation d'un simple interrupteur. Un détail attire l'attention : un drapeau européen signale les modèles traités sur des serveurs en Europe, garantie concrète pour les entreprises soumises au RGPD. Côté routing, la plateforme dirige intelligemment les tâches vers le modèle le plus adapté, un modèle d'embedding Mistral pour indexer un PDF, sans mobiliser un modèle coûteux, sans que l'utilisateur n'ait à intervenir. L'enjeu adressé est loin d'être anecdotique. Le phénomène dit du "Shadow AI", ces salariés qui utilisent leur compte personnel ChatGPT ou Claude pour coller des contrats, des roadmaps ou des bilans RH, représente en 2026 l'un des principaux vecteurs de fuite de données sensibles en entreprise, non par malveillance, mais faute d'alternative sérieuse mise à disposition. Nexos tente de combler ce vide en offrant aux DSI une visibilité réelle sur les usages, et aux employés un outil suffisamment fluide pour ne pas générer de contournements. Pour un DAF surveillant sa facture cloud, l'optimisation automatique du routing entre modèles représente aussi un argument économique tangible, invisible pour l'utilisateur final mais visible dans les coûts d'infrastructure. Nord Security n'est pas un inconnu dans l'espace cybersécurité : l'entreprise a construit sa réputation sur NordVPN, un produit grand public devenu référence dans la protection de la vie privée en ligne. Ce positionnement lui confère une crédibilité initiale sur le marché de la gouvernance IA, un segment en pleine structuration alors que les régulations se durcissent des deux côtés de l'Atlantique, l'AI Act européen en tête. La limite que la revue identifie est structurelle : les promesses de "forteresse numérique" ne peuvent être vérifiées sans audit technique indépendant, et l'utilisateur doit in fine faire confiance à la réputation de l'éditeur. Dans un marché où les offres se multiplient, Microsoft Copilot, Glean, Perplexity Enterprise, Nexos mise sur la simplicité d'adoption et la conformité RGPD comme différenciateurs, deux arguments qui résonnent particulièrement auprès des ETI et grandes entreprises européennes encore hésitantes à franchir le pas.

Sécurité⚒Outil

1 source

46

3290Le Big Data 

Anthropic pourrait dépenser 1,25 milliard $ par mois sur l’infrastructure xAI

Anthropic s'apprête à verser jusqu'à 1,25 milliard de dollars par mois à xAI, la société d'intelligence artificielle d'Elon Musk, pour accéder à sa puissance de calcul. L'accord, révélé dans un dépôt S-1 de SpaceX auprès de la SEC, porte sur l'achat de la totalité de la production du centre de données Colossus 1, situé près de Memphis, dans le Tennessee. Le contrat court jusqu'en mai 2029 et pourrait représenter jusqu'à 45 milliards de dollars de revenus cumulés pour xAI, les deux parties conservant toutefois une option de résiliation avec un préavis de 90 jours. L'accord fait suite à une première annonce, quelques semaines plus tôt, selon laquelle Anthropic avait sécurisé 300 mégawatts de capacité de calcul auprès de xAI, une décision déjà jugée surprenante par le marché. Pour Anthropic, l'accès garanti à des milliers de GPU sur plusieurs années répond à une contrainte structurelle : les modèles génératifs de nouvelle génération exigent des volumes de calcul massifs, aussi bien pour l'entraînement que pour l'inférence et les usages professionnels en temps réel. Alors que la demande des entreprises s'emballe plus vite que l'offre mondiale en puces avancées, verrouiller plusieurs années de capacité permet au créateur de Claude de réduire sa dépendance aux grands fournisseurs cloud traditionnels, Amazon Web Services, Microsoft Azure et Google Cloud. L'accord réduit également le risque de goulots d'étranglement à mesure qu'Anthropic étend ses déploiements dans les produits et workflows d'entreprises. Pour xAI, en revanche, ce contrat s'inscrit dans une stratégie de monétisation agressive de sa capacité excédentaire. Selon les documents de SpaceX, l'accord permet de rentabiliser des serveurs sous-utilisés, une situation qui coïncide avec un ralentissement rapporté de l'usage de Grok, l'assistant IA de xAI, ces derniers mois. Ce modèle positionne xAI dans la catégorie des "néoclouds" : des acteurs qui construisent d'abord une infrastructure pour leurs propres modèles, puis revendent la capacité disponible à d'autres entreprises du secteur, accélérant ainsi l'amortissement des coûts colossaux liés aux GPU Nvidia et aux centres de données énergivores. Paradoxalement, la transaction illustre aussi une évolution du marché : deux concurrents directs sur le segment des modèles génératifs coopèrent désormais sur l'infrastructure, signe que les investissements nécessaires à la course à l'IA dépassent ce que même les leaders du secteur peuvent absorber seuls.

Infrastructure❧Opinion

1 source

33

3291IEEE Spectrum AI 

L'avenir de l'IA physique passe par des interfaces plus intelligentes, pas des robots plus capables

Wetour Robotics avance que le prochain saut architectural de l'IA physique ne viendra pas des robots eux-mêmes, mais de la façon dont les humains leur communiquent leurs intentions. La startup a développé une approche qu'elle nomme Spatial Intent Fusion : la fusion en temps réel de trois flux d'information centrés sur l'humain, à savoir la position spatiale du corps, le contexte visuel capté par la caméra, et l'intention gestuelle détectée via capteurs musculaires. Ces trois canaux sont traités simultanément par une plateforme matérielle appelée Orchestra, un hub portable embarqué sur processeur NVIDIA Jetson Orin Nano Super, capable d'exécuter l'intégralité de la boucle de contrôle en local, sans dépendance au cloud. Le résultat est traduit en commandes directes pour n'importe quel appareil physique connecté, avec une latence assez basse pour que le système réponde comme une extension naturelle du corps. L'enjeu est concret : les interfaces actuelles, écrans, boutons et commandes vocales, supposent que l'utilisateur peut s'arrêter, regarder vers le bas et formuler une instruction structurée. Cette hypothèse s'effondre dès que le travail se déroule dans un environnement réel. Un technicien de maintenance sur une éolienne, harnais accroché et les deux mains sur une clé, n'a pas la liberté de consulter un écran. Un opérateur logistique sur un quai de chargement, les yeux sur la palette et les mains gantées, ne peut pas dicter une commande vocale dans le bruit ambiant. Une personne en fauteuil motorisé dans une rue animée veut ajuster sa trajectoire sans sortir son téléphone. Pour Wetour Robotics, chaque canal observé isolément, un geste seul, un regard seul, reste ambigu. C'est la fusion de ces canaux au niveau système, avec une inférence d'intention robuste, qui rend l'interface fiable dans des conditions dégradées. Cette approche s'inscrit dans un constat plus large que l'industrie commence à formuler. Depuis trois ans, les progrès côté robot ont été spectaculaires : Boston Dynamics, Figure, Unitree ont repoussé les limites de la locomotion et de la dextérité, tandis que Google DeepMind a redéfini ce que les modèles vision-langage-action peuvent accomplir en environnement non structuré. Mais la boucle humain-machine n'a pas évolué au même rythme. Les mêmes trois modalités d'entrée dominent depuis quarante ans. Wetour Robotics parie que le vrai goulot d'étranglement se situe désormais du côté humain, et que faire de l'opérateur un noeud à part entière du réseau de calcul, avec la même qualité de participation que les capteurs embarqués sur le robot, constitue le prochain levier de performance. Le positionnement commercial de la société résume l'ambition en une formule : votre corps est l'interface.

Robotique⚡Actu

1 source

38

3292Next INpact 

☕️ Alexa+, l’agent conversationnel d’Amazon, peut désormais générer des podcasts par IA

Amazon a annoncé une nouvelle fonctionnalité pour Alexa+, son assistant conversationnel dopé à l'intelligence artificielle : la génération de podcasts à la demande, disponible dès maintenant pour les utilisateurs basés aux États-Unis. L'agent peut produire en quelques minutes un épisode audio complet sur n'importe quel sujet, sans qu'il soit nécessaire de fournir des documents ou de préparer quoi que ce soit. Le format reprend le modèle popularisé par Google NotebookLM, avec une conversation simulée entre deux co-animateurs de synthèse. Pour alimenter ces productions, Amazon s'appuie sur des partenariats avec plus de 200 sources d'actualité, dont Associated Press, Reuters, le Washington Post, TIME, Forbes, Business Insider, Politico, USA Today, des publications de Condé Nast, Hearst et Vox, ainsi que plus de 200 journaux locaux américains. La fonctionnalité est incluse sans surcoût pour les abonnés Amazon Prime ; les non-membres peuvent y accéder pour 19,99 dollars par mois. Cette capacité marque un tournant dans la manière dont les assistants vocaux peuvent traiter et restituer l'information. Jusqu'ici cantonnée aux réponses factuelles et aux tâches utilitaires, Alexa+ entre dans le registre du contenu éditorial long-format, personnalisé en temps réel selon les intérêts de l'utilisateur. Les cas d'usage annoncés sont variés : actualité, loisirs, préparation de voyages, reconversion professionnelle, approfondissement de sujets scolaires. Pour les médias partenaires, l'accord représente une nouvelle forme de distribution, bien que les montants financiers n'aient pas été divulgués. Pour les utilisateurs, c'est une façon de consommer de l'information dense sans effort de recherche, à la manière d'un briefing audio personnalisé. Cette annonce s'inscrit dans une dynamique plus large d'intégration de l'IA générative dans les assistants grand public, accélérée depuis l'émergence des grands modèles de langage. Amazon, qui reconnaît qu'Alexa a déjà répondu à des dizaines de milliards de questions, cherche à transformer son assistant en véritable agent capable de produire du contenu original et contextualisé, et non plus seulement de réciter des informations. La référence directe à NotebookLM de Google n'est pas anodine : elle signale une compétition frontale sur le segment des outils d'apprentissage et d'information audio générés par IA. La question des droits des éditeurs reste cependant en suspens, les termes financiers des partenariats n'étant pas communiqués, dans un contexte où les négociations entre médias et plateformes d'IA font l'objet de tensions croissantes à l'échelle mondiale.

Outils⚒Outil

1 source

60

3293Le Big Data 

Free, Orange et EDF s’allient pour créer une AI Gigafactory en France

Le 20 mai 2026, huit grands groupes français ont annoncé la création du consortium AION pour porter la candidature de la France au programme européen des AI Gigafactories. Parmi eux : Iliad (la maison mère de Free), Orange, EDF, Capgemini, Scaleway, Ardian, Artefact et Bull. L'objectif est de construire une infrastructure capable d'héberger, d'entraîner et de déployer des modèles d'intelligence artificielle à très grande échelle, entièrement sur sol européen. Chaque membre apporte une brique stratégique : Bull fournit les supercalculateurs haute performance, EDF sécurise l'approvisionnement en électricité bas carbone, Orange et Scaleway assurent le cloud et l'hébergement des données, tandis que Capgemini et Artefact se concentrent sur l'intégration de l'IA en entreprise. Iliad et Ardian apportent le capital et l'expertise numérique pour soutenir un projet de très long terme. Le consortium peut également s'appuyer sur un écosystème plus large incluant Hugging Face, INRIA, Nokia, LightOn et Schneider Electric. L'enjeu est direct : aujourd'hui, l'essentiel de la puissance de calcul utilisée pour entraîner les grands modèles d'IA repose sur des infrastructures américaines, Microsoft, Google, Amazon. Pour les entreprises françaises et européennes des secteurs sensibles comme la santé, l'industrie ou les services publics, cette dépendance pose des problèmes concrets de souveraineté des données et de conformité réglementaire. Une gigafactory IA en France offrirait une alternative crédible, d'autant que le mix énergétique français, nucléaire et hydraulique, produit une électricité moins carbonée et plus stable que dans beaucoup de pays européens. Or les infrastructures IA consomment des volumes d'énergie colossaux, ce qui fait de l'accès à une énergie abondante et décarbonée un avantage compétitif aussi déterminant que les semi-conducteurs. Le consortium indique par ailleurs vouloir privilégier les technologies open source pour éviter de recréer des dépendances aux solutions propriétaires. Ce projet s'inscrit dans une dynamique européenne plus large : la Commission européenne a lancé son programme AI Gigafactories pour doter le continent d'infrastructures capables de rivaliser avec celles des États-Unis et de la Chine, dans un contexte où la course aux modèles génératifs et aux agents IA s'accélère. La France, qui abrite déjà des acteurs de premier plan comme Mistral AI et Hugging Face, tente de transformer cet avantage écosystémique en infrastructure physique souveraine. AION devra encore préciser le calendrier de déploiement et les montants d'investissement engagés, mais la mobilisation de groupes aussi diversifiés, télécoms, énergie, cloud, conseil, finance, signal que la France mise sur une approche de filière plutôt que sur un champion unique pour peser dans la prochaine phase de l'IA industrielle.

Infrastructure❧Opinion

Aussi surMaddyness,Next INpact

43

3294Le Big Data 

Seedance 2.0 : Comment créer des vidéos TikTok avec l’IA ?

Seedance 2.0, la nouvelle version du générateur vidéo IA développé par ByteDance, s'est imposée comme un outil de référence pour la création de contenu vertical destiné à TikTok. La mise à jour introduit deux avancées majeures : un moteur de mouvement de caméra piloté par prompt textuel, et un système de cohérence de personnage capable de mémoriser les traits faciaux, vêtements et détails graphiques d'un sujet d'une scène à l'autre. Concrètement, le créateur intègre des commandes comme « Zoom », « Pan » ou « Tilt » directement dans sa description textuelle, et le modèle génère automatiquement des séquences animées au format 9:16, sans studio ni équipe de production. Une image de référence ou un identifiant suffit pour que le système reproduise un personnage avec une précision quasi identique sur plusieurs épisodes. Ces fonctionnalités répondent à deux problèmes chroniques des créateurs de contenu sur TikTok : la qualité visuelle insuffisante des outils accessibles au grand public, et l'incohérence visuelle qui brise la narration dans les formats sériels. Jusqu'ici, maintenir l'apparence d'un personnage entre plusieurs séquences générées par IA nécessitait un travail manuel fastidieux ou des compétences techniques avancées. Seedance 2.0 automatise ce processus, ce qui ouvre la création de storytelling long terme à des créateurs solo, sans budget de production. Pour les marques et les créateurs qui construisent une identité visuelle sur la plateforme, l'outil permet de standardiser un univers graphique cohérent à grande échelle, un avantage compétitif direct dans un environnement où l'attention se gagne en moins d'une seconde. Seedance s'inscrit dans une course effrénée entre les grandes plateformes et startups à proposer des générateurs vidéo IA crédibles : Sora d'OpenAI, Veo de Google, Kling, Runway ou encore Pika Labs occupent le même terrain. ByteDance, maison mère de TikTok, dispose d'un avantage structurel évident : sa connaissance intime des formats qui performent sur sa propre plateforme et l'accès à des données d'entraînement massives issues des millions de vidéos publiées chaque jour. La version 2.0 marque une montée en gamme délibérée vers les créateurs professionnels et semi-professionnels, avec un positionnement qui cherche à dépasser le statut d'outil expérimental pour devenir un composant réel du workflow de production. La question qui reste ouverte est celle des droits : à mesure que ces outils génèrent des personnages de plus en plus réalistes et persistants, les enjeux juridiques autour de la ressemblance, du consentement et de la propriété des identités numériques vont inévitablement s'intensifier.

Création⚒Outil

1 source

49

3295Le Big Data 

Mistral AI se renforce dans l’industrie européenne avec le rachat de Emmi AI

Mistral AI a annoncé l'acquisition d'Emmi AI, une startup autrichienne fondée à Linz et spécialisée dans la modélisation de phénomènes physiques complexes, flux d'air, transfert thermique, contraintes mécaniques sur les matériaux. Le montant de la transaction n'a pas été divulgué, mais l'opération est considérée comme l'une des plus significatives de l'écosystème européen de l'IA cette année. Emmi AI avait levé 15 millions d'euros en 2025, la plus importante levée de fonds jamais réalisée en Autriche dans le secteur de l'intelligence artificielle. Ses équipes, réparties entre l'Autriche, l'Allemagne et la Lituanie, rejoignent désormais Mistral. La société française prévoit d'ouvrir un bureau officiel à Linz, qui s'ajoutera à ses hubs existants à Paris, Londres et Munich. Cette acquisition donne à Mistral AI une capacité inédite en Physics AI, des modèles capables de comprendre et simuler le comportement du monde physique en temps réel. Pour les industriels des secteurs des semi-conducteurs, de l'automobile ou de l'aérospatiale, cela ouvre la voie à des jumeaux numériques plus précis, à des simulations accélérées et à une réduction significative des coûts de R&D. Mistral dispose déjà de modèles analysant les lignes de production pour détecter des défauts ou piloter des bras robotisés ; l'intégration des technologies d'Emmi doit rendre ces systèmes plus fiables dans leurs interactions avec des environnements physiques contraignants. L'enjeu est aussi de proposer aux industriels européens une alternative souveraine aux plateformes américaines, dont la dépendance est de plus en plus perçue comme un risque stratégique. Le rachat s'inscrit dans un contexte de montée en puissance de l'IA industrielle comme priorité politique en Europe. La Commission européenne considère le secteur manufacturier comme un pilier de sa stratégie d'autonomie technologique, et plusieurs États membres accélèrent leurs investissements dans ce domaine. Mistral AI, valorisé à plusieurs milliards d'euros après ses dernières levées de fonds, consolide ainsi son positionnement face aux géants américains comme Google, Microsoft ou OpenAI, qui investissent massivement dans les mêmes usages verticaux. En s'ancrant davantage en Europe centrale avec des engagements en Autriche, en Allemagne et en Lituanie, le groupe français envoie un signal clair : la compétition pour l'IA industrielle se jouera aussi sur la capacité à retenir les talents et à construire des infrastructures de recherche hors des États-Unis.

Business❧Opinion

1 source

54

3296AI News 

La puce Vera de Nvidia, le pari à 200 milliards de dollars que Jensen Huang veut mettre en avant

Nvidia a publié mercredi ses résultats du premier trimestre fiscal avec un chiffre d'affaires de 81,62 milliards de dollars, dépassant les 78,86 milliards attendus par les analystes. La guidance pour le deuxième trimestre est fixée à 91 milliards, là encore au-dessus des 86,84 milliards anticipés par Wall Street. Mais lors de la conférence avec les analystes, le PDG Jensen Huang a mis en avant un élément stratégique souvent éclipsé par les chiffres trimestriels : le processeur Vera. Huang estime que cette puce CPU ouvre un marché adressable de 200 milliards de dollars, entièrement distinct du marché d'un billion de dollars déjà projeté pour les GPU Blackwell et Rubin entre 2025 et 2027. Il prévoit que les revenus issus de Vera atteindront 20 milliards de dollars d'ici la fin de l'exercice fiscal en cours, ce qui en ferait le deuxième poste de revenus de l'entreprise. La plateforme complète Vera Rubin, combinant le CPU Vera avec les GPU Rubin, doit être lancée plus tard cette année. La mise sur Vera répond à une menace structurelle sur le segment de l'inférence. Google, Amazon et Microsoft devraient investir collectivement plus de 700 milliards de dollars dans l'infrastructure IA cette année, contre environ 400 milliards en 2025, mais développent simultanément leurs propres puces maison pour faire tourner les modèles d'IA à grande échelle. Les TPU de Google, Trainium d'Amazon, ainsi que les offres d'Intel et AMD positionnent désormais sérieusement leurs processeurs sur l'inférence, le maillon où la domination GPU de Nvidia est la plus exposée. Entraîner de grands modèles reste le terrain de chasse exclusif de Nvidia, mais générer des réponses en temps réel et à l'échelle, c'est là que la concurrence fait son chemin. La puce Vera a été développée en partie grâce à une technologie issue de Groq, une startup spécialisée dans l'inférence, dans le cadre d'un accord de licence estimé à environ 17 milliards de dollars. L'enjeu immédiat reste l'approvisionnement. Huang a reconnu sans détour que Nvidia sera probablement en tension sur les stocks durant toute la durée de vie de la plateforme Vera Rubin. Pour anticiper, les engagements d'approvisionnement de l'entreprise ont bondi à 119 milliards de dollars au premier trimestre, contre 95,2 milliards le trimestre précédent. Nvidia a également annoncé un programme de rachat d'actions de 80 milliards de dollars et relevé son dividende trimestriel de 1 centime à 25 cents par action. Malgré ces signaux de confiance, le titre a reculé de 1,6 % en after-hours : les analystes estiment que les performances record sont désormais intégrées dans le cours. La vraie question est de savoir si Nvidia peut convaincre que la dynamique de dépenses en IA restera solide jusqu'en 2027 et 2028, dans un contexte où les géants du cloud bâtissent activement des alternatives à ses GPU.

Infrastructure❧Opinion

Aussi surLe Big Data

45

3297Latent Space 

GPT-next d'OpenAI réfute le problème des distances unitaires planaires d'Erdős pour moins de 1 000 dollars

OpenAI a annoncé début mai 2026 qu'un modèle interne, vraisemblablement une version intermédiaire de GPT-5, surnommée GPT-5.6, a réfuté une conjecture mathématique vieille de 80 ans : le problème des distances unitaires planes, posé par le mathématicien hongrois Paul Erdős en 1946. Le modèle a produit ce résultat en moins de 32 heures de calcul, pour un coût estimé à moins de 1 000 dollars. Concrètement, il a découvert une nouvelle famille de constructions géométriques qui dépasse les meilleures solutions connues basées sur les grilles carrées. Le raisonnement généré s'étend sur environ 125 pages, avec un passage en page 39 qui a particulièrement attiré l'attention de la communauté mathématique. Il s'agit techniquement d'une réfutation, pas d'une preuve, ce qui, selon les auteurs, rend le résultat légèrement moins spectaculaire qu'il aurait pu être, mais significatif malgré tout. Ce qui frappe les observateurs, c'est que le modèle utilisé n'est pas un système spécialisé comme AlphaProof ou un prouveur formel de type Lean, mais un LLM généraliste. Le mathématicien Timothy Gowers, médaille Fields 1998, a qualifié ce résultat de "premier exemple vraiment clair" où une IA résout un problème mathématique ouvert de renom. Le chercheur d'OpenAI Hongxun Wu y voit une démonstration de capacités de raisonnement sur des "problèmes de la plus haute difficulté". L'implication est importante : si un modèle généraliste peut progresser sur des problèmes ouverts en géométrie discrète, le même type de raisonnement pourrait s'appliquer à d'autres domaines scientifiques, biologie, physique, chimie computationnelle. OpenAI a précisé que le modèle n'a pas été poussé à ses limites et sera mis à disposition du public. Ce résultat s'inscrit dans une dynamique plus large autour du calcul à l'inférence : l'idée que donner plus de temps de réflexion à un modèle, plutôt que d'entraîner un modèle plus grand, est le levier dominant du progrès actuel. La longueur inhabituelle du raisonnement produit (125 pages) illustre précisément cette approche. En parallèle, Cohere a publié cette même semaine Command A+, son premier modèle entièrement open source sous licence Apache 2.0 : 218 milliards de paramètres en architecture MoE avec 25 milliards actifs, multimodal, compatible 48 langues, et capable de tourner sur seulement deux GPU H100 en quantification W4A4. Les benchmarks le placent au niveau de Claude 4.5 Haiku avec de bonnes performances en évitement des hallucinations, mais en retrait sur le raisonnement scientifique et le code par rapport aux modèles de tête. Ces deux annonces confirment une semaine de mai 2026 particulièrement dense pour l'IA de frontière.

Recherche❖Paper

1 source

42

3298MarkTechPost 

Un seul modèle, trois modalités : ByteDance lance Lance pour comprendre, générer et éditer images et vidéos

L'équipe de recherche de ByteDance a publié Lance, un modèle d'intelligence artificielle capable de comprendre, générer et modifier des images et des vidéos au sein d'une seule et même architecture. Présenté dans un article de recherche disponible sur arXiv, Lance organise ses capacités autour de trois familles de sorties : texte, images et vidéos. Côté compréhension, il prend en charge la description d'images et de vidéos, les questions-réponses visuelles, la reconnaissance optique de caractères et le raisonnement visuel. Côté génération, il couvre la création d'images et de vidéos à partir de texte, la conversion image-vers-vidéo, la génération guidée par un sujet, et l'édition cohérente multi-tours sur les deux modalités. Le modèle repose sur une architecture de 3 milliards de paramètres initialisée depuis Qwen2.5-VL 3B de Alibaba, et intègre le codec vidéo 3D causal VAE de Wan2.2, également développé par ByteDance. Réunir compréhension et génération dans un seul modèle représente un défi technique de premier ordre, car les deux tâches tirent dans des directions opposées : la compréhension requiert des représentations sémantiques compactes alignées sur le langage, tandis que la génération exige des représentations continues à bas niveau pour préserver textures, géométrie et dynamiques temporelles. La plupart des systèmes existants contournent cette tension en séparant les deux blocs puis en les connectant après coup. Lance est l'un des rares modèles à les unifier nativement dès l'entraînement, grâce à une architecture à double flux de type mixture-of-experts : un expert dédié à la compréhension (LLMUND) et un expert dédié à la génération (LLMGEN), partageant le même contexte d'entrée sans se concurrencer sur les mêmes paramètres. Pour les professionnels du multimédia, des plateformes de contenu ou des développeurs d'outils créatifs, cette convergence ouvre la voie à des pipelines considérablement simplifiés. Le principal obstacle architectural résidait dans la coexistence de types de tokens hétérogènes au sein d'une même séquence : tokens textuels, tokens visuels sémantiques produits par le encodeur ViT de Qwen2.5-VL, et tokens latents continus issus du VAE avec un sous-échantillonnage spatial de 16× et temporel de 4×. Le positionnement rotatif standard en 3D (3D-RoPE) ne permettait pas de distinguer ces groupes, créant des ambiguïtés de frontières préjudiciables à l'alignement entre tâches. ByteDance a introduit MaPE (Modality-Aware Rotary Positional Encoding), qui applique un décalage temporel fixe à chaque groupe de modalité selon son ordre dans la séquence, tout en laissant les coordonnées spatiales intactes. Lance s'inscrit dans une course plus large entre les grands laboratoires asiatiques et occidentaux pour produire des modèles visuels unifiés : des approches similaires ont été explorées par Google avec Gemini et par des équipes académiques, mais peu ont démontré une couverture aussi complète du cycle image-vidéo dans un seul modèle entraîné conjointement.

Recherche❖Paper

1 source

38

3299Le Big Data 

Comment l’apprentissage automatique redéfinit la fidélisation des joueurs dans le secteur des jeux d’argent en ligne ?

Les plateformes de jeux d'argent en ligne s'appuient désormais sur des algorithmes d'apprentissage automatique pour analyser le comportement de leurs utilisateurs et personnaliser chaque session. Ces systèmes collectent quatre types de données clés : le jeu favori du joueur, la durée moyenne de ses sessions, les montants habituellement misés et les horaires de connexion. À partir de ces paramètres, l'IA construit un profil comportemental individuel qui sert de base à toute la stratégie de fidélisation. Le catalogue de jeux proposé à chaque utilisateur, machines à sous, tables de poker, tournois de roulette, sessions de blackjack, est ainsi trié et mis en avant selon ces préférences détectées automatiquement. L'enjeu pour les opérateurs est considérable : une recommandation pertinente augmente le temps passé sur la plateforme et le sentiment de reconnaissance ressenti par le joueur, ce qui renforce mécaniquement la rétention. Le système fonctionne de manière autonome, sans intervention humaine à chaque interaction, et s'actualise en continu au fil des nouvelles données générées par l'utilisateur. Pour les casinos en ligne, cette personnalisation à grande échelle remplace les approches marketing généralistes par un ciblage individuel quasi chirurgical, réduisant le taux de désengagement et allongeant la durée de vie client. Pour les joueurs, l'expérience semble sur mesure, ce qui crée une adhérence psychologique difficile à rompre. Ces mêmes algorithmes sont également déployés à des fins de prévention des risques : lorsque les schémas de mise s'écartent soudainement des habitudes enregistrées, le système déclenche une alerte transmise aux équipes de modération, qui peuvent alors intervenir pour limiter les dépenses excessives. Ce double usage de la technologie, maximiser l'engagement d'un côté, identifier les comportements compulsifs de l'autre, reflète une tension réglementaire croissante dans le secteur. En Europe, plusieurs juridictions imposent désormais aux opérateurs des outils de détection du jeu problématique, ce qui pousse les plateformes à intégrer la protection du joueur directement dans leurs pipelines de données. La frontière entre fidélisation commerciale et manipulation psychologique reste cependant un sujet de débat actif entre régulateurs, associations de santé publique et acteurs de l'industrie.

Éthique❧Opinion

1 source

44

3300Le Big Data 

Ask YouTube et Ask Maps : La fin de la recherche par mots-clés est-elle actée ?

Google a officiellement présenté "Ask YouTube" lors de sa conférence Google I/O le 19 mai 2026, une fonctionnalité qui transforme la recherche sur la plateforme vidéo en expérience conversationnelle. Alimentée par Gemini, l'IA maison de Google, elle permet aux utilisateurs de formuler des requêtes en langage naturel, comme "des avis de créateurs sur des jeux relaxants avant de dormir" ou "comment apprendre à un enfant à faire du vélo", plutôt que de saisir des mots-clés isolés. En réponse, le système propose une sélection de vidéos pertinentes, y compris des Shorts, accompagnée de résumés textuels structurés. L'utilisateur peut ensuite affiner sa recherche par questions successives, dans une logique de dialogue continu. La fonctionnalité est actuellement en test limité aux abonnés américains de YouTube Premium âgés de plus de 18 ans, avec un lancement prévu aux États-Unis dès l'été 2026 avant une extension progressive à d'autres pays. Cette évolution dépasse le simple confort d'utilisation : elle redéfinit la relation entre l'utilisateur et le moteur de recommandation de YouTube, qui est déjà le deuxième site le plus visité au monde. L'une des fonctions les plus significatives est la capacité de l'IA à pointer directement vers le passage exact d'une vidéo contenant la réponse recherchée, évitant ainsi de parcourir des tutoriels de vingt minutes pour trouver trente secondes d'information utile. Cette technologie, déjà déployée dans Google Search, est ici appliquée à la vidéo à grande échelle. Pour les créateurs de contenu, cela modifie aussi les règles du jeu : la visibilité ne dépendra plus seulement des titres et des tags optimisés, mais de la pertinence sémantique du contenu au sein même des vidéos. Ask YouTube s'inscrit dans une stratégie plus large de Google visant à intégrer Gemini dans l'ensemble de ses produits phares. Ask Maps, lancé en mars 2026, avait ouvert la voie en permettant des conversations avec l'IA directement depuis Google Maps sans interrompre la navigation. Ces deux déploiements signalent une rupture assumée avec la recherche par mots-clés, modèle dominant depuis plus de vingt ans. Google fait face à une pression croissante de la part de concurrents comme Perplexity, ChatGPT Search ou encore Bing, qui ont tous misé sur la recherche conversationnelle. En intégrant cette logique au sein de plateformes déjà massivement adoptées, Mountain View cherche à conserver sa domination sans forcer les utilisateurs à changer d'habitudes, la transition se faisant dans les outils qu'ils utilisent déjà quotidiennement.

Outils⚒Outil

1 source