Actualités IA — page 18

9 260 articles au fil, du plus récent au plus ancien.

38

Illustration générée par IA

341The Decoder 

Gemini 4 « Carbon » de Google égalerait Opus 5.5 d'Anthropic en programmation, selon des informations non confirmées

Selon Business Insider, Google préparerait une version plus puissante de sa famille de modèles Gemini 4, nommée en interne « Carbon ». Un employé du groupe aurait comparé ses capacités en programmation à celles d'Opus 5.5, le modèle d'Anthropic. Le modèle Gemini 4 « Argon », première déclinaison de la génération, n'est pourtant pas encore largement accessible, et Carbon n'existe pour l'instant qu'à travers des rumeurs. Parallèlement, de nouveaux modes sont apparus dans l'application Gemini et dans AI Studio, la plateforme destinée aux développeurs. Ils laissent penser que Google prépare un lancement élargi de Gemini 4. Si cette comparaison se confirmait, Google rattraperait Anthropic sur le terrain de la programmation, un segment que les éditeurs de modèles jugent stratégique. Les assistants de code sont l'un des usages d'IA générative les plus rentables auprès des entreprises, et un modèle de niveau équivalent donnerait aux développeurs une alternative crédible chez Google. Il faut toutefois rester prudent: il s'agit du ressenti d'un seul employé, rapporté de seconde main, et non d'un résultat de benchmark publié. Aucun chiffre ne permet pour l'instant de vérifier l'affirmation. Cette fuite s'inscrit dans une course serrée entre Google, Anthropic et OpenAI, où chaque laboratoire cherche à prendre l'avantage sur la qualité des modèles de code. Anthropic s'est imposé sur ce créneau avec sa gamme Opus, et Google veut visiblement combler l'écart avec Gemini 4. Les noms de code Argon puis Carbon suggèrent un déploiement par paliers, avec un modèle d'entrée de gamme suivi d'une version plus performante. L'arrivée des nouveaux modes dans l'application Gemini et dans AI Studio pourrait annoncer un lancement plus large dans les semaines à venir. Reste à savoir si Google publiera des évaluations indépendantes pour étayer ces affirmations.

LLMs⚡Actu

1 source

37

Illustration générée par IA

342Frandroid 

Asus promet 100 FPS en 1440p avec 140 watts sur son mini-PC RTX Spark, sans dire comment

Asus affirme que son mini-PC ProArt GR1X, équipé de la puce Nvidia RTX Spark, est capable de faire tourner des jeux AAA en 1440p à plus de 100 images par seconde, pour un TDP de 140 watts. Le constructeur taïwanais n'a toutefois fourni aucun détail sur les conditions de ces mesures : ni les titres testés, ni les réglages graphiques, ni l'éventuel recours à des technologies d'upscaling ou de génération d'images. Jusqu'ici, cette machine compacte était surtout présentée comme une plateforme destinée à exécuter des agents d'intelligence artificielle en local, et non comme un outil de jeu. Ce positionnement inattendu compte pour plusieurs raisons. Si le chiffre se vérifie dans des conditions réalistes, un boîtier de petite taille pourrait offrir des performances comparables à celles de certains PC de bureau classiques, avec une consommation et un encombrement bien inférieurs. Cela intéresserait les joueurs en quête d'une machine discrète, mais aussi les professionnels qui souhaitent une seule machine pour l'IA, la création et le jeu. L'absence de méthodologie impose cependant la prudence : un score de 100 FPS obtenu avec une génération d'images intermédiaires n'a pas la même valeur qu'un rendu natif, et les comparaisons avec des cartes graphiques dédiées restent impossibles à établir. Cette annonce s'inscrit dans la stratégie de Nvidia, qui cherche à étendre sa présence au-delà des cartes graphiques et des centres de données, en proposant des puces intégrées pour des machines compactes. Asus, comme d'autres fabricants, y voit l'occasion de se démarquer sur un marché des mini-PC très concurrentiel, où AMD et Intel multiplient eux aussi les processeurs dotés de puissants circuits graphiques intégrés. La suite dépendra des tests indépendants, qui diront si la promesse des 100 FPS en 1440p tient hors du cadre des démonstrations du constructeur, et du prix auquel Asus proposera cette machine.

Infrastructure⚡Actu

1 source

30

Illustration générée par IA

343MarkTechPost 

Microsoft AI publie Microsoft-Decision-1, un modèle de notation de décisions basé sur Qwen3.5-9B

Microsoft a lancé Microsoft-Decision-1, un modèle de décision conçu pour le routage, la classification, la vérification et le contrôle d'agents. Au lieu de générer du texte, il renvoie en une seule passe, au format JSON, une probabilité calibrée pour chaque option d'un ensemble fermé de réponses. Post-entraîné à partir du Qwen3.5-9B d'Alibaba (nombre exact de paramètres non communiqué, fenêtre de contexte de 32 768 jetons), il est disponible dans Microsoft Foundry et sur OpenRouter, uniquement via API hébergée sur Azure, sans poids ouverts ni versions quantifiées. Il traite les questions oui/non, les choix multiples, les notations, les classifications et les grilles d'évaluation. Il vérifie aussi l'ancrage d'une réponse dans des preuves fournies, juge des actions d'agents et accepte une option d'abstention du type « impossible à dire ». Microsoft l'a comparé à 8 autres systèmes sur 36 benchmarks totalisant 147 137 questions, tenus à l'écart de l'entraînement. Il obtient la meilleure précision moyenne, 83,5 %, devant Quyet-1.0-Large (81,9 %), avec une latence médiane de 85 ms (125 ms au 95e centile). C'est 4,5 fois plus rapide que Quyet-1.0-Large et 35 fois plus rapide que GPT-6 Sol (3,01 s). Sa calibration, de 92,2, reste juste derrière les 93,1 de Quyet-1.0-Large. Le modèle est facturé 0,042 dollar par million de jetons en entrée, la sortie étant gratuite. C'est moins que GPT-6 Luna Decisions (0,10 dollar). Les tests de robustesse sont plutôt bons : sur huit types de perturbations, dont la paraphrase et le mélange des options, la décision change dans 1,3 % des cas en moyenne, et jamais en cas de paraphrase, d'inversion ou de mélange des options. Sur la sécurité, 5 250 requêtes issues de 11 benchmarks (contenus nuisibles, jailbreaks, injections de prompt) ont donné des refus corrects avec une bonne utilité conservée, mais sans score publié. Les premiers retours internes sont favorables. Xbox Research a trié plus de 10 000 retours d'utilisateurs 14 fois plus vite et 200 fois moins cher qu'avec GPT-6 Sol. Le contrôle qualité de Copilot atteint un niveau comparable à GPT5.6 Luna, avec un traitement 100 fois plus rapide. Microsoft Discovery obtient des scores 46 fois plus cohérents qu'une notation par LLM, pour un traitement 3 fois plus rapide. Ces gains visent les équipes qui doivent brancher une décision d'IA dans un flux logiciel sans attendre ni analyser du texte libre. Microsoft présente les modèles de décision comme une nouvelle catégorie, pensée pour des sorties que le code peut exploiter directement. Le segment est déjà occupé : Quyet-1.0-Large, développé par Chinh Nguyen, repose sur Gemma-4-31B-it (31,3 milliards de paramètres, licence Apache-2.0, un GPU de 80 Go suffit). H2O-Lightning-4B, de H2O.ai, s'appuie sur Qwen3.5-4B, sous Apache-2.0 aussi, avec 9,1 Go de poids. Ces deux modèles peuvent être hébergés soi-même, contrairement à l'offre de Microsoft. Les réserves sont claires : les poids sont fermés, et tous les benchmarks ont été exécutés par Microsoft lui-même, sans validation indépendante. Le texte est aussi le seul format géré, alors que GPT-6 Luna Decisions et H2O-Lightning-4B acceptent les images. Microsoft prévoit de rebaser les versions futures sur ses modèles MAI et sur ceux d'OpenAI. OpenRouter précise que les poids seront mis à jour en continu, tandis que la forme de l'API restera fixe.

Outils⚒Outil

1 source

30

Illustration générée par IA

344MarkTechPost 

Nace AI publie en open source Drex 1.5, un modèle de décision de 9 milliards de paramètres qui note des options plutôt que du texte

Nace.AI a publié en open source Drex 1.5, un modèle de décision de 8,95 milliards de paramètres destiné aux agents et aux flux de travail backend. Contrairement à un modèle de langage classique, il n'écrit aucun texte : il reçoit un état (texte ou JSON) et des questions typées, puis renvoie une probabilité pour chaque option proposée. Trois types de questions sont gérés : choix, oui/non et score ordinal. Aucun jeton n'est échantillonné, donc température et topp ne s'appliquent pas, et le modèle ne peut répondre qu'avec les options fournies. Sur le Decision Index 0.3.1, qui regroupe 37 benchmarks corrigés du hasard, Drex 1.5 obtient 58,08, le meilleur score sous les 10 milliards de paramètres. Il se place dans la marge d'égalité de 0,9 point du classement avec Jev 1.13.0 (57,96), le modèle fermé de TypeSafe, et devant Bespoke Nimble 9B v3 (57,19) et Cloudflare clef-flash (56,15). Il devance Jev sur 20 des 37 benchmarks, et l'emporte 122 fois contre 87 défaites (47 nuls) lors de duels sur 8 jeux OpenSpiel. Les poids sont disponibles sur Hugging Face et une version hébergée tourne sur OpenRouter. Le modèle a des atouts nets, mais aussi des faiblesses. Sur les longs documents, il atteint 89,5 % de précision entre 8K et 32K jetons (0,65 s en médiane) et 93,4 % entre 32K et 128K (2 s), alors que tronquer les mêmes requêtes à 8K fait chuter la précision à environ 76-78 %. Il excelle en usage d'outils (75,0) mais reste faible en connaissances et raisonnement (44,6), et son F1 par avis sur l'analyse de sentiment fine ACOS n'est que de 7,4 %, contre 29,5 % pour Jev. L'intérêt pratique est surtout économique et technique : des poids ouverts qui égalent un modèle fermé sur un seul GPU, en bf16 (environ 18 Go, testé sur un A10G de 24 Go) ou via un GGUF Q80 d'environ 9,5 Go qui fonctionne sur Apple silicon et CPU, avec des réponses identiques d'après Nace. L'API hébergée est facturée 0,04 dollar par million de jetons en entrée et rien en sortie, via DeepInfra. Drex 1.5 s'inscrit dans une catégorie ouverte par Jev de TypeSafe, dont il reprend le format de requête POST /v1/systemone : Nace affirme que les clients Jev fonctionnent après le changement de quelques variables d'environnement. Le modèle repose sur MiMo-V2.6-Distill-Qwen-9B, une version distillée de Qwen 3.5 9B à 32 couches et attention hybride (trois couches à attention linéaire pour une à attention complète), complétée par une tête de pointage séparée qui note chaque option. Nace précise l'avoir entraîné sur les splits d'entraînement officiels des benchmarks de l'index et évalué uniquement sur les splits réservés. Le score publié provient de sa propre exécution du kit officiel. Sur l'ancienne version 0.2.1, Drex affichait 58,28 contre 57,91 pour Jev, et sur JevBench il reste légèrement derrière (86,2 % contre 87,0 %). Le déploiement passe par un runtime Python, des forks de llama.cpp et d'Ollama, ou la console de Nace, qui offre 25 dollars à l'inscription, et une compétence d'agent le branche sur Claude Code, Codex, Cursor et d'autres outils.

LLMs⚒Outil

1 source

38

Illustration générée par IA

345Latent Space 

Pourquoi AlphaFold n'a pas résolu le repliement des protéines : Pushmeet Kohli (Google DeepMind) et Sal Candido (Biohub)

Lors d'une table ronde modérée par Brandon Anderson, Pushmeet Kohli, de Google DeepMind, et Sal Candido, de Biohub, ont débattu de ce qu'il faut pour construire une IA qui comprenne réellement la biologie. Leur point de départ est la « leçon amère » de l'IA, selon laquelle l'augmentation de la puissance de calcul et des données finit par l'emporter. Les deux intervenants nuancent cette idée pour le vivant. Ils estiment qu'il importe davantage de trouver la bonne loi d'échelle que d'accroître aveuglément la taille des modèles. Sal Candido explique que des données métagénomiques de faible qualité peuvent malgré tout améliorer les modèles de langage de protéines. Pushmeet Kohli rappelle qu'AlphaFold reposait sur une architecture conçue à la main, nourrie d'intuition scientifique, et que la qualité des données compte plus que leur volume. Tous deux affirment que, contrairement à une idée répandue, le repliement des protéines n'est pas entièrement résolu. Cette position a des conséquences concrètes pour la recherche. La prédiction de structure reste statique, alors que les protéines bougent, peuvent être désordonnées et n'agissent jamais isolément. Les intervenants jugent donc nécessaire de passer de modèles de protéines individuelles à des modèles de systèmes biologiques entiers, et citent les micrographies de cryo-microscopie électronique comme source possible de représentations plus riches. Construire une « cellule virtuelle » exigerait des jeux de données fondamentalement différents de ceux utilisés jusqu'ici. Les deux invités soulignent aussi que les chercheurs en IA ont tendance à optimiser pour les données disponibles plutôt que pour les problèmes scientifiques les plus importants. Ils précisent que l'on n'est pas entré dans un monde « post-Transformer », même si les architectures évoluent et se spécialisent. La discussion aborde ensuite la compréhension des modèles. En citant le principe de Feynman, pour qui l'on ne comprend que ce que l'on sait créer, Pushmeet Kohli observe que l'IA peut désormais produire des choses que l'on ne comprend pas. Selon lui, la fiabilité et la calibration de l'incertitude comptent plus que l'interprétabilité totale. Il se demande même si de futurs modèles de pointe pourraient interpréter d'autres systèmes d'IA mieux que les humains. Sal Candido estime que les modèles de langage de protéines contiennent peut-être déjà des connaissances scientifiques encore inexploitées. Il rattache cela à la mission de Biohub, guérir toutes les maladies, qui suppose de viser des percées d'un facteur 10 plutôt que des gains de 10 %. L'IA pourrait, à terme, accélérer la découverte de médicaments d'un facteur 10 à 100.

Recherche❖Paper

1 source

44

Illustration générée par IA

346Ars Technica AI 

Des drones ukrainiens mettent hors service un centre de données IA du « Google russe

Les 8 et 9 octobre, des drones ukrainiens ont frappé deux des cinq centres de données de Yandex, le géant technologique russe surnommé « le Google russe » parce qu'il exploite le moteur de recherche le plus utilisé du pays. Selon Reuters, les installations visées se trouvent dans les régions de Sasovo et de Kaluga. Les dégâts compliquent le maintien en service de l'assistant conversationnel d'intelligence artificielle de l'entreprise, ainsi que d'autres services en ligne. Le président ukrainien Volodymyr Zelensky a revendiqué cette riposte dans un message publié sur X : « Nous continuons de répondre aux attaques russes contre l'Ukraine, et nous le faisons avec une grande précision. Un autre centre de données a également été touché, c'est notre réponse symétrique. » La perte de 40 % de la capacité de centres de données d'un acteur de cette taille représente un coup sensible pour l'écosystème numérique russe. Yandex ne se limite pas à la recherche : il fournit des services d'IA générative, de cartographie, de transport et de commerce en ligne utilisés quotidiennement par des millions de Russes. Les perturbations touchent donc à la fois les particuliers et les entreprises qui dépendent de son infrastructure. Plus largement, ces frappes confirment que les infrastructures de calcul, indispensables au fonctionnement de l'IA et des services en ligne, deviennent des cibles militaires à part entière. Cela soulève de nouvelles questions sur la résilience, la redondance géographique et la protection physique de ces sites, y compris pour les opérateurs éloignés des zones de conflit. Cette escalade s'inscrit dans une logique de réciprocité revendiquée par Kiev. Depuis la fin septembre, une campagne de frappes de drones russes vise les centres de données ukrainiens et a interrompu les services de téléphonie mobile et d'Internet pour des milliers d'Ukrainiens. La riposte ukrainienne cible désormais un symbole de l'industrie technologique russe, au moment où la guerre se déplace aussi vers les réseaux et les infrastructures numériques, après des années de frappes sur l'énergie et les raffineries. La suite dépendra de la capacité de Yandex à rétablir ses services et à répartir sa charge sur les trois sites restants. Elle dépendra aussi de la poursuite de cette logique de représailles croisées, qui pourrait étendre les attaques à d'autres opérateurs d'infrastructures critiques de part et d'autre.

Infrastructure⚡Actu

1 source

41

Illustration générée par IA

347MarkTechPost 

Alibaba lance Qwen-Image-2.1-Turbo, un modèle d'image de 7 milliards de paramètres qui génère en 8 étapes

L'équipe Qwen d'Alibaba a publié Qwen-Image-2.1-Turbo, une version accélérée de son modèle d'images à poids ouverts Qwen-Image-2.1. Le checkpoint génère et édite des images en 8 étapes de débruitage, contre 40 par défaut pour le modèle de base, soit cinq fois moins sur la même architecture de 7 milliards de paramètres. Le générateur visuel est associé à un encodeur de texte Qwen3-VL 8B, qui traite à la fois les instructions et les images de conditionnement. L'architecture est un DiT à flux unique de 32 couches avec attention causale par blocs : masque causal au niveau des jetons pour le texte, masque bidirectionnel par blocs pour les images. L'autoencodeur RGBA à 64 canaux, avec compression spatiale 16x, permet la transparence native. Le modèle se charge via QwenImage21Pipeline dans Diffusers, en BF16 sur GPU CUDA, avec un calendrier de 8 étapes intégré et un CFG de 1 par défaut. Il gère des sorties jusqu'à 2K, de 2048×2048 à 2752×1536 en 16:9. Alibaba Cloud Model Studio héberge aussi le modèle : qwen-image-2.1-turbo coûte 0,1 yuan par image avec 120 requêtes par minute, contre 0,25 yuan et 20 requêtes par minute pour la version Pro. Pour les développeurs, l'intérêt est une génération et une édition en 2K nettement plus rapides et moins chères, sans changer de famille de modèle. Le Turbo est 2,5 fois moins cher par image que le Pro et accepte six fois plus de requêtes. Le modèle de base obtient 60,28 sur Qwen-Image-Bench, le meilleur score open weight rapporté par Qwen. Qwen ne publie aucune exigence minimale de mémoire vidéo pour le Turbo ; Unsloth estime que le modèle de base tourne avec 11 Go de VRAM en GGUF et 24 Go en INT8 ou FP8. La limite principale est la licence : elle est réservée à la recherche, si bien qu'un auto-hébergement commercial exige une autorisation distincte. La mise en route demande aussi Diffusers installé depuis les sources, transformers 5.17.0 ou supérieur et la pull request n°14950 de Diffusers, qui ajoute des sigmas d'échantillonnage configurés par le pipeline. Régler seul numinferencesteps ne modifie pas le calendrier enregistré ; seul un argument sigmas explicite le remplace, et Qwen précise que les autres calendriers n'ont pas été testés. Cette sortie s'inscrit dans la course aux modèles d'images rapides. Le Turbo concurrence Z-Image-Turbo, du laboratoire Tongyi-MAI d'Alibaba (6 milliards de paramètres, 8 étapes), et FLUX.2 klein 9B de Black Forest Labs, qui s'appuie sur un encodeur Qwen3 8B. Sa vitesse repose sur la conception de l'attention : texte et images de référence sont calculés une fois à la première étape, puis leur contexte est réutilisé par un cache KV de préfixe. Avec seulement 8 étapes, ce cache couvre l'essentiel du coût de conditionnement. Le modèle de base accepte jusqu'à 10 images de référence et des retouches locales par cercles, annotations dessinées ou masques. La fiche du Turbo illustre huit catégories : portraits, poses humaines, images transparentes, typographie et affiches, interfaces. Côté édition, elle montre la transformation d'une image, la composition multi-références et une composition d'intérieur à quatre images.

Création⚡Actu

1 source

47

Illustration générée par IA

348MarkTechPost 

L'API Decisions d'OpenAI passe en bêta publique, avec des réponses typées jusqu'à 10 fois plus rapides

OpenAI a lancé en bêta publique, le 6 octobre 2026, l'API Decisions, un point d'accès qui évalue du texte, des images ou les deux et renvoie des réponses typées sur lesquelles le code peut s'appuyer directement, sans générer de prose. Une requête (POST /v1/décisions) comporte trois champs : le modèle, l'entrée et une liste de questions, chacune dotée d'un nom unique, d'un type et de consignes. Trois types existent : le prédicat, qui renvoie une probabilité entre 0 et 1 (une photo de produit montre-t-elle une fissure ou une bosse ?) ; le choix, qui sélectionne une valeur parmi des options fournies avec une probabilité par option et un indice de confiance ; et le score, qui note l'entrée sur des niveaux ordonnés indexés à partir de 0, sous forme de moyenne pondérée par les probabilités. Avec des probabilités de 0,1, 0,7 et 0,2, on obtient par exemple un score de 1,1. Le seul modèle disponible est gpt-6-luna, dont la fenêtre de contexte atteint 1 050 000 jetons. Le tarif est de 0,10 dollar par million de jetons en entrée, sans frais de sortie ni de cache, mais les majorations régionales et le doublement du tarif au-delà de 272 000 jetons s'appliquent. OpenAI affirme que le service est environ dix fois plus rapide que l'API Responses. La couverture de la DevDay évoque une décision en 150 millisecondes environ, contre 1,6 seconde pour un appel classique à Luna. Pour les développeurs, cela remplace un schéma très répandu, qui consiste à interroger un modèle puis à analyser son texte pour en extraire une étiquette, par un appel unique, rapide et exploitable pour du routage, de la modération ou du tri. Le service propose la conservation zéro des données et la conformité HIPAA pour les clients éligibles, un traitement aux États-Unis et en Europe (EEE et Suisse), ainsi que des SDK pour Python, JavaScript, Go, Ruby et Java. Il peut aussi piloter des actions vocales via l'API Live. Les limites sont nettes : un seul modèle, le statut bêta, et aucune donnée publiée sur la précision ou la calibration des probabilités. La documentation recommande de fixer ses seuils à partir d'exemples étiquetés propres à chaque application. Le principal concurrent est TypeSafe Jev, lancé en accès anticipé le 15 septembre 2026. Ce modèle de la famille System One renvoie lui aussi des valeurs typées avec des probabilités calibrées, facture l'entrée 0,042 dollar par million de jetons (soit un tarif OpenAI environ 2,4 fois supérieur), annonce 70 à 500 ms de bout en bout depuis la côte ouest américaine et gère jusqu'à 255 choix. OpenAI mise sur l'entrée d'images, les options de conformité et un accès bêta ouvert, avec une disponibilité générale attendue dans les prochaines semaines. OpenAI distingue enfin les usages : l'API Decisions pour les probabilités, choix et scores, les sorties structurées pour remplir un schéma JSON ou rédiger des explications, et l'appel de fonctions pour demander à un modèle d'invoquer un outil avec des arguments. La bataille se joue désormais sur le terrain des petites décisions typées, à bas coût et à faible latence.

Outils⚒Outil

1 source

49

Illustration générée par IA

349Ars Technica AI 

Les agents de codage IA produisent plus de code, mais pas plus de logiciels

Deux chercheurs de l'université Harvard, Fiona Chen et James Stratton, ont étudié l'usage réel des assistants et agents de programmation par intelligence artificielle dans des centaines d'entreprises. Leur travail s'appuie sur des données agrégées de Jellyfish, une plateforme qui mesure de façon détaillée la production des équipes d'ingénierie. Le jeu de données couvre 300 millions d'« événements de travail », comme les commits et les demandes de fusion (pull requests), ainsi que des données de gestion de tickets. Il concerne plus de 700 000 salariés répartis dans plus de 700 entreprises de développement logiciel, entre 2021 et mars 2026. Les auteurs concluent qu'il existe « peu de preuves » que ces outils permettent aux entreprises d'augmenter leur production de logiciels ou de réduire leurs effectifs. Les gains obtenus pendant la phase d'écriture du code sont « absorbés par les contraintes en aval ». La relecture s'allonge nettement, les demandes de fusion exigent plus souvent des révisions et les relecteurs laissent davantage de commentaires. Ces résultats tempèrent l'idée que les agents de codage bouleversent la productivité des équipes techniques. Produire du code n'est qu'une étape de la chaîne, et la vérification humaine en devient le goulot d'étranglement. Pour les dirigeants qui comptent sur ces outils pour faire des économies de personnel, les données ne confirment pas la promesse. Pour les développeurs, la charge de travail se déplace de l'écriture vers le contrôle, une tâche moins visible mais tout aussi coûteuse en temps et en attention. Les organisations qui jugent l'efficacité de l'IA au volume de code généré risquent de choisir un mauvais indicateur, puisqu'un surcroît de code à relire peut ralentir l'ensemble du processus au lieu de l'accélérer. Ce constat s'inscrit dans un contexte familier de tous ceux qui côtoient la programmation. Les assistants modernes savent produire d'énormes quantités de code fonctionnel, mais personne ne se fie aveuglément à leur exactitude, ce qui impose un examen attentif de chaque production. La période étudiée couvre l'essor de ces outils, des premiers assistants de complétion jusqu'aux agents plus autonomes. Les éditeurs d'outils comme les entreprises utilisatrices devront désormais s'attaquer à ce que l'étude désigne comme le véritable point de blocage. Les suites possibles passent par une relecture mieux outillée ou par une réorganisation des processus de validation, afin que la vitesse gagnée à l'écriture ne se perde pas en aval.

Recherche❖Paper

1 source

49

Illustration générée par IA

350The Verge AI 

Une folie pure » : les mathématiciens auront besoin d'années pour analyser la dernière publication d'OpenAI

Plus de trois douzaines de mathématiciens interrogés par The Verge ont puisé dans un vocabulaire d'superlatifs pour décrire ce qu'OpenAI a publié cette semaine, sans prévenir : « stupéfiant », « écrasant », « sans précédent », « surréaliste », et même « pure folie ». Le laboratoire a déversé d'un seul coup un flot de résultats mathématiques sur la discipline. Son ampleur est telle que les chercheurs ont du mal à en prendre la mesure. Ils s'accordent sur un point : comprendre simplement ce qu'OpenAI a mis sur la table pourrait leur demander des années. Derrière l'émerveillement et l'enthousiasme, c'est une anxiété profonde qui s'exprime. La difficulté n'est pas seulement technique, car il faudra lire, vérifier, trier et assimiler cette production. Elle touche aussi à l'identité de la profession. Si une machine peut produire des résultats plus vite que la communauté ne peut les examiner, la place des mathématiciens dans ce paysage devient une vraie question. Les réactions varient d'un chercheur à l'autre, mais l'incertitude sur ce qui vient ensuite est largement partagée. Cette publication s'inscrit dans la course que se livrent les grands laboratoires d'intelligence artificielle pour démontrer les capacités de raisonnement de leurs modèles. Les mathématiques en sont devenues un terrain d'épreuve privilégié, parce qu'un raisonnement y est exigeant et que sa justesse peut être contrôlée. La suite dépendra de la capacité de la communauté à évaluer ce flux de résultats, et de la manière dont elle redéfinira son rôle face à ces outils.

Recherche❖Paper

1 source

34

Illustration générée par IA

351Ars Technica AI 

Une disqualification pour usage d'IA désigne un nouveau lauréat du concours Nikon Small World in Motion

Nikon a désigné un nouveau lauréat pour son concours Small World in Motion, consacré à la vidéo au microscope optique. Le Vietnamien Nguyen Nam Nhat l'emporte avec une séquence montrant un minuscule ver rond et un organisme unicellulaire. Il hérite du titre après la disqualification de Ning Xu, de l'université Tsinghua en Chine, dont la vidéo de cils vibratiles battant dans les voies respiratoires d'un enfant atteint d'un trouble respiratoire rare avait d'abord été sacrée. Des soupçons sur l'usage de l'intelligence artificielle avaient circulé, et Nikon a ouvert une enquête qui a conclu que cette participation ne respectait pas le règlement. Le classement a été décalé d'un rang : Benedikt Pleyer (Bavière, Allemagne) prend la deuxième place avec des larves de méduse en suspension dans des gouttelettes d'eau, Andrew Moore (Howard Hughes Medical Institute, États-Unis) la troisième avec une division cellulaire synchronisée entre cellules voisines, Patrick Hickey (Hypha Research Ltd., Édimbourg) la quatrième avec la dynamique des mitochondries et des chloroplastes dans des feuilles de Turtle Vine, et Igor Adameyko la cinquième avec une limace de mer colorée, Cyerce kikutarobabai, en mouvement. Cette affaire illustre la difficulté croissante à garantir l'authenticité des images scientifiques à l'heure de l'IA générative. Selon la BBC, plusieurs chercheurs avaient relevé des anomalies structurelles dans la vidéo d'Ning Xu, ainsi que des caractéristiques cellulaires qui apparaissaient et disparaissaient d'une façon incompatible avec la biologie cellulaire réelle. D'autres affirmaient avoir repéré ce qui ressemblait à des filigranes d'IA dans les fichiers sources. Pour un concours dont la vocation est de montrer des phénomènes réellement observés, la frontière entre traitement d'image légitime et fabrication devient un enjeu de crédibilité. Les participants, les jurys et le public doivent pouvoir se fier à ce qu'ils voient, d'autant que ces images circulent largement et peuvent nourrir l'imaginaire scientifique comme l'enseignement. Le litige tient en partie à la définition de l'usage acceptable de l'IA. Ning Xu a reconnu avoir employé ces outils pour distinguer et visualiser des éléments dans des images reconstruites en niveaux de gris, tout en niant s'en être servi pour générer le film expérimental, les cils ou leur mouvement. Nikon a toutefois jugé que la participation n'était pas conforme. Créé en 2011, Small World in Motion est un dérivé du concours de photomicrographie Small World, lancé en 1974. Les deux compétitions visent à mettre en valeur la beauté et la complexité de ce que révèle le microscope optique, l'un par la photographie fixe, l'autre par la vidéo et le time-lapse, rendus possibles par les progrès techniques récents. Reste à voir si les organisateurs préciseront leurs règles sur l'IA pour les prochaines éditions.

Création⚡Actu

1 source

48

Illustration générée par IA

352The Decoder 

Claude d'Anthropic peut désormais orchestrer jusqu'à 1 000 agents IA en parallèle via des workflows dynamiques

Anthropic enrichit Claude Managed Agents avec des « workflows dynamiques », une fonction qui permet à un agent principal de répartir des tâches entre jusqu'à 1 000 sous-agents travaillant simultanément. Lors des tests menés par l'entreprise, un agent seul a détecté au mieux 27 des 70 bogues dissimulés dans une base de code, tandis que le workflow multi-agents en a repéré 66 de façon constante. L'agent principal découpe le travail, confie chaque morceau à un sous-agent, puis rassemble les résultats. L'écart mesuré est considérable : le taux de détection passe d'environ 39 % à 94 %. Pour les équipes de développement, cela ouvre la voie à des tâches jusqu'ici trop vastes pour un seul agent, comme l'audit d'un grand dépôt de code, les migrations à grande échelle ou la revue systématique de milliers de fichiers. La parallélisation réduit aussi le temps nécessaire, puisque les sous-agents travaillent en même temps au lieu de se succéder. Elle déplace toutefois la difficulté vers l'orchestration, c'est-à-dire la manière de partitionner un problème, de limiter les doublons et de fusionner des résultats parfois contradictoires. La consommation de ressources augmente également avec le nombre d'agents mobilisés. Cette annonce s'inscrit dans la course aux systèmes agentiques, où les principaux laboratoires cherchent à passer de l'assistant conversationnel à des agents capables de mener seuls des tâches longues et complexes. Les architectures multi-agents, où un coordinateur délègue à des exécutants spécialisés, se sont imposées comme l'une des pistes les plus prometteuses pour dépasser les limites de contexte et de fiabilité d'un modèle isolé. Anthropic y voit un argument pour son offre Managed Agents, face à la concurrence d'OpenAI, de Google et de nombreux éditeurs d'outils de développement. Reste à voir si ces résultats, obtenus sur un banc d'essai conçu par l'entreprise, se confirment sur des projets réels.

Outils⚒Outil

1 source

40

Illustration générée par IA

353The Verge AI 

Le gagnant d'un concours de vidéo microscopique Nikon est disqualifié pour avoir utilisé l'IA générative

Nikon a disqualifié la vidéo qui avait remporté la première place de son concours Small World in Motion, consacré à la microscopie en mouvement, au motif qu'elle « ne respectait pas les règles de la compétition concernant l'IA générative ». La séquence, signée du Dr Ning Xu, prétendait montrer des cils, ces minuscules structures en forme de poils, en mouvement dans les voies respiratoires d'un enfant atteint de dyskinésie ciliaire primitive (PCD), une maladie respiratoire. Selon la BBC, Nikon avait annoncé la semaine précédente réexaminer le film, après des doutes exprimés en ligne sur son authenticité. Dans un commentaire publié sur LinkedIn, le Dr Xu a reconnu avoir eu recours à l'IA : une méthode de réseau de neurones non supervisée avait servi à un post-traitement assisté, destiné à distinguer et visualiser certaines structures. L'affaire touche à la crédibilité des concours d'imagerie scientifique, dont la valeur repose sur la fidélité au réel. Lorsqu'une image présentée comme une observation directe est en partie reconstruite par un algorithme, le public, les jurés et les autres participants ne peuvent plus savoir ce qui relève de la mesure et ce qui relève de l'interprétation. Le sujet est d'autant plus sensible qu'il s'agit d'une pathologie pédiatrique : une visualisation embellie ou inexacte pourrait induire en erreur sur la manière dont les cils se comportent réellement. L'épisode pose aussi la question de la transparence des méthodes, que les organisateurs doivent exiger clairement. Ce cas s'inscrit dans une série de controverses où des contenus retouchés ou générés par IA se glissent dans des compétitions de photographie, d'art ou de science, souvent détectés par la vigilance des internautes plutôt que par les jurés. Les outils de traitement d'image par apprentissage automatique sont désormais courants en microscopie, ce qui rend la frontière entre amélioration légitime et génération artificielle difficile à tracer. Les organisateurs, dont Nikon, devront sans doute préciser leurs règlements et imposer des déclarations explicites sur les techniques employées.

Éthique⚡Actu

1 source

36

Illustration générée par IA

354IEEE Spectrum AI 

Maîtrisez les principes des puces d'IA avec le nouveau programme de formation de l'IEEE sur leur conception

L'IEEE Educational Activities, avec le soutien de l'IEEE Computer Society, lance un nouveau programme de formation intitulé « AI Processor Architecture, Design Principles, and Performance ». Composé de cinq cours, il couvre les principes fondamentaux de conception et de fonctionnement des processeurs d'IA, les architectures avancées, les unités de traitement neuronal (NPU) destinées au déploiement industriel, les tendances émergentes, ainsi que la conception pour l'edge, le cloud, le quantique et l'Internet des objets. Il aborde les couches architecturales qui définissent le matériel d'IA actuel : unités de calcul, hiérarchies mémoire, flux de données et caractéristiques de performance qui découlent des choix de conception. Le programme s'appuie sur une approche par dialogues, où les apprenants suivent des échanges entre avatars générés par IA, qui incarnent des ingénieurs aux rôles différents face à un même problème. L'apprenant est parfois invité à choisir la meilleure décision, et un ingénieur matériel peut par exemple s'opposer aux exigences d'un ingénieur systèmes, ce qui met en lumière la friction entre contraintes physiques et algorithmiques. Cette offre répond à une réalité que vivent les ingénieurs : la complexité du matériel d'IA s'accélère, comme le souligne l'étude « Revisiting Edge AI: Opportunities and Challenges », qui examine l'essor de l'IA en périphérie et les difficultés associées, notamment les contraintes de ressources, les limites des architectures de modèles et les exigences réseau. Le programme vise les architectes matériels, concepteurs de puces, développeurs de systèmes embarqués, ingénieurs de centres de données et innovateurs travaillant sur les processeurs de prochaine génération. Il s'adresse aussi aux professionnels qui se reconvertissent vers la conception de puces d'IA ou qui veulent comprendre les forces architecturales à l'œuvre dans l'accélération de l'apprentissage automatique. Pour beaucoup, il fait le lien entre les connaissances théoriques et le raisonnement collaboratif et interdisciplinaire exigé en entreprise. À l'issue des cours, les participants doivent pouvoir évaluer le comportement d'un processeur avec la précision analytique attendue des spécialistes de la conception matérielle d'IA. Ce programme s'inscrit dans un changement profond de la façon dont les modèles d'IA sont conçus et déployés. Les modèles sont devenus beaucoup plus grands et plus complexes : ils comptent davantage de paramètres et exigent bien plus de calculs. Pour suivre le rythme de la mise à l'échelle des réseaux de neurones profonds, l'industrie développe de plus en plus de puces dédiées à des tâches précises. L'une des raisons majeures tient au fait que le transfert des données entre la mémoire et le processeur est devenu un frein important aux performances, ce que l'on appelle le « mur de la mémoire de l'IA ». Cette contrainte a modifié la trajectoire de l'innovation dans les semi-conducteurs, en déplaçant les priorités architecturales vers des plateformes d'accélérateurs spécialisés. Les ingénieurs ne peuvent plus évaluer les systèmes de manière statique : ils doivent maîtriser la conception conjointe du matériel et la co-optimisation des algorithmes de réseau afin d'arbitrer entre débit, latence et efficacité opérationnelle.

Infrastructure≡Tuto

1 source

42

Illustration générée par IA

355The Decoder 

Le chiffre d'affaires d'OpenAI continue de grimper alors que l'entreprise cherche à lever 30 milliards de dollars

Le revenu annualisé d'OpenAI s'établit à environ 50 milliards de dollars. C'est nettement moins que les 70 milliards initialement rapportés. L'écart tient à une différence de méthode comptable: le premier chiffre reposait sur un mode de calcul autre que celui finalement retenu. Cette correction a pesé sur les valeurs des semi-conducteurs, qui ont reculé en Bourse. Dans le même temps, la société négocie une levée d'au moins 30 milliards de dollars de capitaux frais, sur la base d'une valorisation de 1 400 milliards de dollars. La réaction des fabricants de puces montre à quel point les marchés lient leurs anticipations aux revenus des grands laboratoires d'IA, dont les achats de puissance de calcul soutiennent la demande de matériel. Revenir de 70 à 50 milliards ne signale pas un effondrement, car la croissance du chiffre d'affaires reste très forte. Mais l'épisode rappelle que la méthode de comptage pèse autant que le montant annoncé. Pour les investisseurs, comparer les chiffres publiés par les acteurs du secteur et juger la solidité réelle de leur trajectoire devient plus délicat. Cette levée s'inscrit dans la course aux capitaux que se livrent les développeurs de modèles d'IA, dont les dépenses d'infrastructure sont considérables. Avec une valorisation de 1 400 milliards de dollars, OpenAI se placerait parmi les entreprises les plus valorisées au monde, alors même que son revenu annualisé reste très inférieur à ce niveau. La formule «au moins 30 milliards» laisse penser que le montant final pourrait être plus élevé. Reste à savoir si les investisseurs maintiendront leurs conditions après cette correction.

Business⚡Actu

1 source

39

Illustration générée par IA

356TechCrunch AI 

Amazon et d'autres cessent de garder secrets leurs accords sur les centres de données : cela suffira-t-il à instaurer la confiance ?

Amazon a annoncé qu'elle cessera de recourir à des accords de confidentialité (NDA) lors de ses négociations avec les collectivités locales pour implanter des centres de données. Le groupe suit ainsi Microsoft, qui avait pris une décision similaire plus tôt cette année. Cette évolution répond à une critique devenue centrale: le secret entourant ces projets alimente la défiance des habitants. Selon l'article, cette opposition communautaire a donné lieu à des centaines de moratoires, proposés ou déjà adoptés, dans des territoires allant de New York à San Francisco. L'enjeu dépasse la simple question de communication. Les infrastructures nécessaires à l'intelligence artificielle se construisent à grande échelle, et leur acceptation locale conditionne directement leur déploiement. Lorsque des élus signent des accords sans pouvoir en divulguer le contenu, les riverains découvrent souvent les projets tardivement, sans informations sur leur ampleur ni sur leurs effets. En renonçant aux NDA, Amazon et Microsoft cherchent à désamorcer ce grief précis. Reste à savoir si davantage de transparence suffira à rétablir la confiance, car l'opposition ne se limite pas à la discrétion des négociations. Ces annonces s'inscrivent dans une période de multiplication des chantiers de centres de données, portée par la course des grands groupes technologiques à la puissance de calcul. Les moratoires locaux constituent désormais un frein tangible à cette expansion et un levier pour les collectivités. D'autres acteurs du secteur pourraient être amenés à adopter la même pratique si la pression se maintient. Le même article évoque par ailleurs une vague de jeunes pousses qui parient sur le fait que les consommateurs accepteront de confier à des agents d'IA un large accès à leurs données.

Infrastructure⚡Actu

1 source

38

Illustration générée par IA

357TechCrunch AI 

Amazon renonce aux accords de confidentialité sur ses data centers, et les agents IA veulent votre carte bancaire

Amazon a annoncé qu'il cessera de recourir à des accords de confidentialité (NDA) lors de ses négociations avec les collectivités locales pour l'implantation de centres de données. Le géant du commerce en ligne et du cloud suit ainsi l'exemple de Microsoft, qui avait pris une décision similaire plus tôt cette année. Cette évolution intervient alors que l'opposition aux infrastructures d'intelligence artificielle s'est traduite par des centaines de moratoires, proposés ou déjà adoptés, dans des territoires allant de New York à San Francisco. L'enjeu est considérable pour les communes concernées. Jusqu'ici, les élus signaient parfois des engagements de confidentialité qui les empêchaient de détailler à leurs administrés l'identité de l'entreprise, la consommation d'énergie ou d'eau attendue, ou les avantages fiscaux accordés. Cette opacité a nourri la défiance des habitants et alimenté la contestation locale. Lever ces NDA doit permettre un débat public plus transparent avant les décisions d'implantation, ce qui pourrait réduire les blocages et, à l'inverse, donner aux riverains davantage de prise pour négocier ou s'opposer. Ce geste s'inscrit dans un contexte de course mondiale à la capacité de calcul, où les grands acteurs du cloud multiplient les projets de campus géants et se heurtent de plus en plus à l'acceptabilité sociale. Reste à voir si cette transparence suffira à apaiser les communautés, ou si les moratoires continueront de se multiplier. Parallèlement, une vague de jeunes pousses parie que les consommateurs accepteront de confier à des agents d'IA un accès à leurs moyens de paiement, un autre terrain où la question de la confiance sera déterminante.

Infrastructure⚡Actu

1 source

39

Illustration générée par IA

358Frandroid 

On a installé SteamOS sur un PC incompatible grâce à Claude Code : voilà ce qu’on a appris

Pendant trois semaines, la rédaction de Frandroid a installé SteamOS, le système d'exploitation de Valve, sur un Dell XPS 15 de 2018. Cet ordinateur portable associe une puce graphique Intel intégrée et une puce Nvidia dédiée, une combinaison que Valve ne prend pas officiellement en charge. L'opération s'est faite avec l'aide constante de Claude, l'assistant d'Anthropic, dans son usage orienté développement (Claude Code). Le média en tire un récit de bidouillage et une série d'enseignements sur ce que l'IA apporte à ce type de projet. L'intérêt de l'expérience tient à l'écart entre l'ambition et le matériel visé. SteamOS est conçu autour des machines que Valve maîtrise, et sortir de ce cadre expose à des problèmes de pilotes, de configuration graphique et de compatibilité. Voir un assistant d'IA aider à franchir ces obstacles montre qu'un utilisateur motivé, sans expertise Linux pointue, peut tenter des manipulations jusque-là réservées aux bricoleurs aguerris. Le test éclaire aussi les limites de l'outil, puisque trois semaines ont été nécessaires. Le projet s'inscrit dans l'intérêt croissant pour faire tourner SteamOS hors de la Steam Deck, afin d'obtenir une expérience de jeu de salon ou de console sur du matériel ordinaire. Valve a longtemps limité la prise en charge officielle à quelques appareils, ce qui pousse la communauté à contourner ces restrictions. En parallèle, les assistants de programmation comme Claude Code s'installent comme compagnons de dépannage système, bien au-delà de l'écriture de code. Frandroid propose ainsi un retour d'expérience concret sur cette convergence entre jeu sous Linux et IA générative.

Outils⚒Outil

1 source

27

Illustration générée par IA

359AWS ML Blog 

Postman déploie son Agent Mode auprès de 40 millions de développeurs grâce à Amazon Bedrock

Postman a détaillé l'architecture d'Agent Mode, son assistant d'IA natif, conçu avec AWS pour les 40 millions de développeurs de la plateforme. L'outil permet de travailler sur les tests d'API, la documentation, la découverte et l'implémentation sans naviguer dans l'interface. Il s'appuie sur Amazon Bedrock, qui fournit un accès géré aux modèles de fondation. Postman peut ainsi absorber une demande mondiale variable, sensible à la latence et marquée par de fortes pointes, sans exploiter sa propre infrastructure d'inférence. L'entreprise garde la main sur le choix des modèles, le débit, la localisation géographique du traitement et les coûts. Le contrôle humain fait partie du dispositif : toute action qui modifie l'état de l'application exige l'approbation de l'utilisateur, et les outils disponibles sont limités à la tâche en cours. Amazon Bedrock Guardrails sert à masquer les informations personnelles identifiables avant qu'elles n'atteignent le modèle. Les administrateurs d'entreprise peuvent activer cette option dans les paramètres. Les modèles pris en charge bénéficient aussi de réglages de rétention des données, de l'inférence interrégionale à périmètre géographique défini et d'un cache de prompts à plusieurs niveaux. Le premier choix de conception a été de multiplier des outils très atomiques, comme ouvrir une requête, modifier un champ ou récupérer une métadonnée. Cette approche a vite montré ses limites. Le point central est que le plus difficile n'était ni la qualité du modèle ni la rédaction des prompts, contrairement à ce que l'équipe attendait. Les enjeux étaient d'intégrer un agent à un produit mature et de rendre cet ensemble lisible pour lui. Les workflows réels exigent de longues séquences d'appels, et chaque étape doit repasser par le modèle avant la suivante. Même si chaque appel est rapide, l'expérience paraît lente, et l'utilisateur regarde l'agent détailler des gestes qu'il perçoit comme une seule opération. Postman en tire trois principes : contrôler la prolifération des outils, exposer des lectures fondées sur des schémas, et considérer que le contexte, plutôt que la capacité du modèle, est le principal goulot d'étranglement. Pour les équipes qui veulent passer d'un prototype à un agent en production, la leçon est que la réussite dépend moins du modèle que de la façon de présenter le produit à l'agent. Un agent doit aussi être testé et surveillé en continu, car les garde-fous réduisent les actions non voulues et l'exposition inutile de données sans les éliminer. Ces difficultés viennent de l'histoire du produit. Postman existe depuis onze ans, et ses utilisateurs ont appris à trouver l'information par l'interface, en déployant des barres latérales, en consultant des onglets et en ouvrant des requêtes. Ce savoir implicite, réparti entre l'interface, les API et la façon dont la connaissance du produit est distribuée, ne se transmet pas tel quel à un agent, qui raisonne sur des données et non sur un écran. Rendre ces hypothèses explicites a obligé l'équipe à revoir des choix structurels anciens. Le cas illustre une tendance plus large : les éditeurs de logiciels établis ajoutent des agents à des produits conçus pour des humains qui naviguent visuellement. AWS y voit une vitrine pour Bedrock, en concurrence avec les accès directs aux modèles proposés par les autres grands fournisseurs de cloud. La suite de la série d'articles de Postman et d'AWS doit détailler les composants de l'architecture, de la gestion du contexte à la mise en cache des prompts.

Outils⚡Actu

1 source

49

Illustration générée par IA

360Next INpact 

Comment les agents IA bouleversent la cybersécurité, défensive et offensive

Aux Assises de la cybersécurité de Monaco, deux mots reviennent dans presque toutes les interventions : « IA » et « agent ». Ils s'appliquent à l'attaque, à la défense et à l'analyse, avec une forte asymétrie entre ces usages. Vincent Strubel, patron de l'ANSSI, résume le consensus : « l'IA nous complique la tâche. L'IA est un multiplicateur de force, mais elle ne va pas rendre possible des attaques impossibles ». Bertrand Le Piolot, directeur cybersécurité chez FDJ United (ex-Française des Jeux), confirme que les méthodes d'attaque par IA générative ne sont pas nouvelles, mais qu'elles sont désormais plus rapides et plus autonomes. Le général Patrick Touak, qui dirige le ComCyber MI, se dit « étonné de la vitesse » à laquelle l'IA a démultiplié les attaques. Jérôme Renoux, vice-président d'Akamai France, parle d'une forte hausse du nombre et de la sophistication des attaques. Son entreprise, qui voit passer 25 à 30 % du trafic mondial en tant que CDN, observe des bots plus intelligents, qui imitent davantage le comportement humain pour échapper aux détections automatiques. Ce constat compte parce que l'IA ne crée pas de menace radicalement nouvelle, mais elle abaisse le coût et accélère le rythme des attaques existantes. Les équipes de défense doivent donc faire face à un volume plus élevé d'attaques plus convaincantes, avec des outils de détection qui reposent sur la distinction entre humain et machine. Les bots capables de mimer un comportement humain fragilisent ces protections. La question des moyens se pose aussi : côté défense, l'IA coûte cher, ce qui avantage les attaquants. Les acteurs les mieux dotés peuvent s'équiper, alors que les structures plus modestes risquent de rester à la traîne. Les intervenants jugent par ailleurs que les élections à venir risquent d'être « un carnage », signe d'une inquiétude particulière pour les scrutins. Ces débats s'inscrivent dans une période où les agents autonomes se diffusent partout dans les systèmes d'information, et où des modèles spécialisés, comme celui évoqué sous le nom de Mythos, nourrissent l'idée d'une automatisation de la recherche et de la correction de vulnérabilités. Un point de repère rassurant vient des données d'Akamai. Après l'explosion du trafic au moment du covid et des confinements, le volume de données échangées ne progresse plus que de quelques pourcents par an. Les agents et bots occupent de la bande passante, mais sans effet significatif sur le trafic mondial. L'enjeu se situe donc moins dans la capacité des réseaux que dans la qualité des attaques et la capacité des défenseurs à suivre. Les autorités, les grandes entreprises et les opérateurs d'infrastructures devront arbitrer entre investissements coûteux en IA défensive et renforcement des fondamentaux, avec en toile de fond les échéances électorales.

Sécurité⚡Actu

1 source