Actualités IA — page 19

7 552 articles au fil, du plus récent au plus ancien.

41

361Le Big Data 

Combien coûte une API IA ? Comparez les prix selon votre usage

Un nouveau calculateur en ligne permet de comparer les coûts réels des API d'intelligence artificielle proposées par sept fournisseurs : OpenAI, Anthropic, Google, Mistral AI, xAI, DeepSeek et Cohere. L'outil couvre 26 modèles et a été mis à jour le 11 août 2026. Il demande à l'utilisateur d'indiquer son volume mensuel de requêtes, la taille moyenne des prompts envoyés, la longueur des réponses générées, la part du contenu mise en cache ainsi que le niveau de modèle recherché (tâches simples, usage polyvalent ou raisonnement avancé). En retour, il produit une estimation de facture mensuelle, affichable en euros ou en dollars. L'outil part d'un constat simple : le tarif affiché au million de tokens, mis en avant par tous les éditeurs, ne reflète qu'une partie du coût réel d'un projet, puisque les tokens d'entrée, les tokens de sortie et les tokens mis en cache sont facturés à des tarifs distincts et souvent très éloignés les uns des autres. Cette opacité tarifaire a des conséquences concrètes pour les entreprises et développeurs qui bâtissent des produits sur ces API. Selon le calculateur, un modèle affiché à 0,30 dollar le million de tokens peut, une fois l'usage réel pris en compte, finir par coûter plus cher qu'un concurrent annoncé dix fois plus onéreux sur le papier. La raison tient à la structure des prix : les tokens de sortie, c'est-à-dire le texte généré par le modèle, coûtent chez certains fournisseurs cinq à six fois plus cher que les tokens d'entrée, ceux que l'utilisateur envoie sous forme de consignes, de contexte ou de documents. Demander des réponses longues, multiplier les variantes ou solliciter des justifications détaillées peut donc faire grimper une facture bien plus vite qu'un prompt volumineux mais bien maîtrisé. Pour les équipes techniques, cela signifie qu'un choix de modèle basé uniquement sur le prix affiché au million de tokens peut conduire à des arbitrages financiers erronés. Cette complexité tarifaire reflète la diversité des usages qui se sont développés autour des grands modèles de langage. Un chatbot basique peut ne consommer que 300 tokens en entrée et 150 en sortie, tandis qu'un assistant connecté à une base documentaire peut ingérer jusqu'à 15 000 tokens de contexte avant de produire une réponse de 500 tokens, et qu'un agent de programmation peut enchaîner une dizaine d'appels API, relire des fichiers et invoquer des outils externes avant de livrer un résultat. Face à cette explosion des contextes et des usages, plusieurs fournisseurs, dont OpenAI, ont mis en place des mécanismes de mise en cache permettant de réutiliser à moindre coût des prompts ou documents envoyés de façon répétée, un levier d'optimisation que ce type de calculateur permet désormais d'intégrer directement dans les estimations budgétaires.

Outils⚒Outil

1 source

46

362The Verge AI 

Grok devient un « coéquipier » IA auquel on peut confier des tâches

xAI, l'entreprise d'intelligence artificielle d'Elon Musk, a lancé Grok Bot, un service d'agents IA permanents conçus pour fonctionner comme des « coéquipiers » capables d'exécuter des tâches à la place de leurs utilisateurs. Ces bots partagent un environnement informatique basé sur le cloud et peuvent se connecter directement aux applications, outils et sites web déjà utilisés par l'utilisateur pour accomplir des tâches professionnelles à plusieurs étapes, ne revenant vers l'utilisateur qu'une fois le travail terminé ou lorsqu'une validation est nécessaire. Fait notable, xAI orthographie le nom de façon incohérente, tantôt « Grok Bot », tantôt « Grok Bots ». L'utilisation du service suppose d'accepter que l'IA se connecte aux comptes en ligne de l'utilisateur. Cette annonce marque une étape importante dans la transformation des chatbots en véritables assistants autonomes capables d'agir, et non plus seulement de répondre à des questions. Pour les entreprises, cela ouvre la possibilité de déléguer des tâches administratives ou répétitives à une IA qui opère de façon quasi indépendante, avec un gain de temps potentiel important. Mais cela soulève aussi des questions de sécurité et de confiance, puisque l'accès aux identifiants et comptes personnels ou professionnels devient une condition d'usage du service. Ce lancement s'inscrit dans une course concurrentielle intense entre grands acteurs de l'IA pour dominer le marché des outils professionnels. xAI cherche ainsi à rattraper des services similaires déjà proposés par ses rivaux, notamment ChatGPT Work d'OpenAI, Claude Cowork d'Anthropic, et une offre équivalente chez Microsoft. Cette bataille reflète une tendance de fond du secteur vers des agents IA « autonomes », capables de gérer des flux de travail complets sans supervision constante, un axe stratégique désormais central pour tous les grands fournisseurs d'intelligence artificielle générative.

Outils⚒Outil

1 source

45

363Le Big Data 

L’envers du décor des agents IA : comment IBM et Together AI préparent l’infrastructure cloud de 2027

IBM et Together AI ont annoncé le 11 août 2026 un partenariat pluriannuel de 240 millions de dollars pour déployer, dès le premier trimestre 2027, un cluster d'inférence de nouvelle génération sur IBM Cloud, reposant sur les systèmes NVIDIA HGX B300 et le réseau Ethernet NVIDIA Spectrum-X. Il s'agirait du premier déploiement à grande échelle spécifiquement conçu pour l'inférence plutôt que pour l'entraînement de modèles. Together AI, spécialiste de l'hébergement de modèles open source, traite déjà plus de 400 000 milliards de tokens par mois pour plus d'un million de développeurs. La start-up, valorisée à 8,3 milliards de dollars après une levée de fonds de 800 millions de dollars, veut utiliser cette infrastructure pour absorber la charge des agents IA autonomes, qui enchaînent appels d'API et raisonnements séquentiels, contrairement aux chatbots classiques sollicités ponctuellement. Selon les deux entreprises, l'association des puces B300 et du réseau Spectrum-X doit multiplier par trente le rendement des centres de calcul par rapport aux générations précédentes. Ce partenariat traduit un changement d'échelle économique pour l'industrie de l'IA. Le passage des chatbots aux agents autonomes multiplie la consommation de tokens, donc les coûts de calcul, ce qui menace la rentabilité des déploiements si l'infrastructure ne suit pas. Pour les directions informatiques, la promesse d'un débit plus élevé et d'une latence réduite, grâce à un réseau qui limite les engorgements entre puces GPU, revient à rendre prévisible un poste de dépense jusque là volatile. L'accès à des modèles open source performants, hébergés sur une infrastructure dédiée plutôt que via des API propriétaires facturées à l'usage, pourrait réduire le coût par token pour les grands groupes, tout en limitant leur dépendance envers des fournisseurs de modèles fermés. Le partenariat s'inscrit dans la stratégie d'IBM de se positionner comme fournisseur d'infrastructure cloud pour l'IA d'entreprise, en misant sur ses atouts en matière de sécurité, de conformité réglementaire et de cloud hybride, recherchés dans des secteurs sensibles comme la finance ou la santé. Together AI poursuit de son côté une expansion rapide, portée par la demande pour des alternatives ouvertes aux modèles propriétaires, alors que de nombreuses entreprises refusent de confier leurs données à des API fermées ou de subir des tarifs imprévisibles. Cette course aux capacités d'inférence, alimentée par NVIDIA qui fournit à la fois les puces B300 et la technologie réseau Spectrum-X, illustre la bascule de l'industrie vers une phase où l'exécution des modèles pèse désormais plus lourd que leur entraînement. La réussite de ce pari dépendra de la capacité du secteur à livrer, d'ici 2027, une infrastructure capable de soutenir des millions d'agents IA opérant en continu sans faire exploser les coûts d'exploitation.

Infrastructure❧Opinion

1 source

43

364VentureBeat AI 

Skan AI lève 63 millions de dollars en misant sur l'observation du travail réel des employés comme angle manquant de l'IA en entreprise

Skan AI, une startup américaine fondée il y a sept ans, a annoncé mercredi avoir levé 63 millions de dollars dans le cadre d'une série C codirigée par Cathay Innovation et Dell Technologies Capital. Citi Ventures, Bloomberg Beta, State Farm Ventures et Wipro Ventures ont également participé au tour de table, portant le financement total de l'entreprise à environ 120 millions de dollars. Parallèlement à cette levée, Skan annonce la disponibilité générale de deux nouveaux produits, Skan AI Blueprint et Skan AI Agents, qui viennent compléter son offre existante Skan AI Intelligence pour former une plateforme complète de découverte, de modélisation et d'automatisation des flux de travail en entreprise. La technologie de Skan repose sur l'observation directe des écrans des employés : elle capte en continu la manière dont le travail circule entre les applications, tableur, CRM, client mail ou même mainframe vieux de quarante ans, pour en abstraire un modèle vivant du processus métier réel. Cette annonce intervient à un moment de vive déception autour de l'IA en entreprise. Selon des données de Gartner citées par la société, seulement 8 % des entreprises disposent aujourd'hui d'agents IA en production, et 95 % des premières implémentations devront être entièrement repensées. Ces chiffres font écho à une étude du MIT relayée par Fortune l'an dernier, selon laquelle environ 95 % des projets pilotes d'IA générative en entreprise ne parvenaient pas à générer de retour sur investissement mesurable. Pour Avinash Misra, cofondateur et directeur général de Skan, le problème ne vient pas des modèles eux-mêmes mais de l'absence d'une image fidèle des organisations dans lesquelles ils sont déployés. Comme il l'a expliqué à VentureBeat, l'industrie se concentre sur la construction d'un « meilleur conducteur » alors que l'enjeu réside dans un « meilleur système de navigation ». Misra affirme que la pratique standard consistant à nourrir les agents IA avec de la documentation de processus, des procédures officielles et des journaux systèmes repose sur une fiction : la façon dont le travail est documenté diffère de la façon dont il se déroule réellement, et c'est précisément dans cet écart que les agents échouent. Cette intuition, partagée avec son cofondateur Manish Garg, remonte à sept ans, bien avant que les agents IA ne deviennent une priorité stratégique pour les directions d'entreprise. Elle positionne aussi Skan face à des acteurs du process mining comme Celonis, qui reconstruisent les flux de travail à partir des traces laissées dans les systèmes backend : selon Misra, ces journaux ne capturent que les transactions achevées, laissant de côté les exceptions, décisions et habitudes informelles qui définissent le fonctionnement réel d'un service, par exemple un département de gestion de sinistres ou de conformité.

Business⚡Actu

1 source

45

365Le Big Data 

Commerce et IA : les données deviennent plus que décisives !

Salesforce a publié une nouvelle édition de son étude State of Commerce, qui documente une progression de 200 % en un an de l'utilisation des agents d'intelligence artificielle au tout début des parcours d'achat en ligne. L'analyse s'appuie sur le comportement de plus de 1,5 milliard d'acheteurs répartis dans 37 pays. Entre août 2025 et mai 2026, le recours aux moteurs de recherche traditionnels pour trouver un produit a reculé de 15 %, tandis que les assistants conversationnels, les fonctions IA des réseaux sociaux et d'autres nouveaux canaux ont progressé de 38 % sur la même période. En France, les entreprises ont déjà commencé à adapter leur stratégie : 47 % retravaillent leurs descriptions produits pour se rapprocher du langage naturel, 44 % optimisent leurs pages pour répondre aux requêtes conversationnelles et 45 % surveillent désormais la manière dont leur marque est citée dans les réponses générées par les grands modèles de langage. Ce basculement change la nature même de la visibilité commerciale. Selon Caila Schwartz, responsable chez Salesforce citée dans l'étude, une marque absente de cette première conversation avec un assistant risque de disparaître du parcours d'achat avant même qu'il ne commence, ce qui bouleverse des années d'optimisation pensées pour les moteurs de recherche classiques. Les entreprises ne peuvent plus se limiter au référencement web traditionnel : elles doivent penser leurs catalogues et fiches produits comme des sources que des systèmes automatisés interrogent et reformulent en temps réel. Les chiffres montrent que cette adaptation paie déjà. Parmi les entreprises françaises ayant unifié leurs données, 42 % constatent une hausse de leur taux de conversion, la même proportion observe une réduction de ses coûts opérationnels, et 40 % rapportent de meilleurs résultats sur la fidélisation et la gestion des stocks. Ce mouvement s'inscrit dans une adoption plus large de l'IA agentique dans le commerce. À l'échelle mondiale, 28 % des organisations utilisent déjà ce type d'agents et 44 % envisagent d'en déployer dans les six prochains mois. En France, 33 % des entreprises interrogées ont dépassé le stade du test isolé pour étendre leurs projets à plusieurs fonctions ou équipes, contre seulement 7 % qui restent cantonnées à l'expérimentation. Le principal frein reste la donnée : seules 32 % des organisations disposent d'indicateurs de performance entièrement définis pour évaluer leurs projets d'intelligence artificielle, et 27 % seulement possèdent des données clients totalement unifiées entre commerce, ventes, marketing et service client. La bataille du commerce à l'ère de l'IA générative ne se joue donc pas uniquement sur la puissance des modèles, mais sur la capacité des entreprises à structurer leurs catalogues et à rendre leurs données lisibles par des systèmes automatisés, un chantier que Salesforce présente comme la prochaine étape décisive pour rester visible auprès des consommateurs.

Business⚡Actu

1 source

41

366The Decoder 

Microsoft dévoile MAI Code 1.1 Flash, largement dépassé par Deepseek en prix et performance

Microsoft a lancé MAI Code 1.1 Flash, un nouveau modèle de code destiné à GitHub Copilot. Selon l'entreprise, ce modèle serait 25 % plus efficace en tokens que son prédécesseur, tout en coûtant quatre fois moins cher à l'usage. Mais les benchmarks racontent une autre histoire : sur les tests de performance comme sur le prix, MAI Code 1.1 Flash se fait largement dominer par Deepseek V4 Flash, un modèle concurrent moins onéreux. Malgré la communication optimiste de Microsoft autour des gains d'efficacité, les chiffres montrent que le modèle maison reste en retrait face à l'offre chinoise. Cet écart pose problème pour les développeurs qui utilisent GitHub Copilot au quotidien : ils paient potentiellement plus cher pour un outil moins performant que des alternatives disponibles sur le marché. Pour Microsoft, l'enjeu est stratégique, puisque l'intégration de modèles propriétaires dans ses produits phares comme Copilot conditionne directement sa marge sur l'un de ses segments les plus rentables de l'IA appliquée au développement logiciel. Si les modèles maison restent à la traîne, l'entreprise s'expose à voir des utilisateurs se tourner vers des solutions tierces plus compétitives, ou réclamer davantage de flexibilité dans le choix du modèle sous-jacent. Ce lancement illustre un schéma récurrent chez Microsoft, qui met régulièrement en avant son soutien à l'IA ouverte et à la diversité des modèles disponibles, tout en continuant d'intégrer ses propres modèles propriétaires, souvent moins performants, dans ses applications grand public et professionnelles. Cette tension entre discours d'ouverture et logique commerciale de marge illustre les choix difficiles auxquels sont confrontés les grands fournisseurs de cloud face à la concurrence accrue des modèles open source et des acteurs chinois comme Deepseek, de plus en plus compétitifs sur le rapport prix-performance.

LLMs❧Opinion

1 source

49

367Le Big Data 

LLM propriétaires vs modèles sur-mesure : pourquoi River AI attire 1,1 milliard de dollars

River AI, une jeune pousse fondée par Igor Babuschkin, ancien cofondateur de xAI, a annoncé le 11 août 2026 avoir bouclé un tour d'amorçage de 1,1 milliard de dollars. L'opération a été menée par General Catalyst et AMP PBC, avec la participation stratégique de Nvidia Ventures et AMD Ventures, ainsi que d'Y Combinator et du fonds souverain singapourien Temasek. La startup mise sur une architecture open-weight permettant aux entreprises de reprendre le contrôle des poids de leurs modèles plutôt que de louer une intelligence distante via API. Sa plateforme logicielle exécute des entraînements par renforcement (RL) complexes et de l'adaptation à faible rang (LoRA) en seulement 15 à 20 minutes, un délai qui abaisse considérablement la barrière technique auparavant réservée aux équipes disposant d'une lourde expertise en infrastructure IA. River AI promet par ailleurs de réduire les coûts de post-entraînement de 50 % à 75 % par rapport aux solutions propriétaires fermées. Cette levée illustre un basculement des priorités dans les directions informatiques des grandes entreprises, lassées des trois limites structurelles des LLM fermés consommés via API, comme ceux d'OpenAI ou d'Anthropic : des coûts variables au jeton qui explosent avec le passage à l'échelle, une opacité totale sur les évolutions des algorithmes, et un risque permanent de fuite de propriété intellectuelle vers des serveurs tiers. En reprenant la main sur l'entraînement, la possession et le déploiement de leurs propres modèles, sur leur infrastructure ou leur propre cloud, les entreprises répondent aussi aux exigences réglementaires croissantes, notamment l'AI Act européen et le RGPD, qui imposent un contrôle strict sur la circulation des données sensibles. Le fait que Nvidia et AMD, habituellement concurrents sur le marché des puces, investissent conjointement dans la même startup souligne à quel point cette bascule vers des modèles sur-mesure représente un enjeu commercial majeur pour l'ensemble de la chaîne de valeur de l'infrastructure IA. Cette dynamique s'inscrit dans un débat plus large sur la fin de l'hégémonie du cloud AI fermé. Dans un entretien accordé au New York Times, Babuschkin défend l'idée d'une intelligence artificielle qui travaille véritablement pour l'utilisateur final plutôt que pour le laboratoire qui l'a entraînée, une philosophie qui tranche avec le modèle économique des géants du secteur. Pour les directions informatiques, l'enjeu n'est plus de choisir un fournisseur unique mais de segmenter leur feuille de route selon la sensibilité des données traitées : les API généralistes conservent leur pertinence pour des tâches bureautiques ou du prototypage rapide, tandis que les processus touchant au cœur de métier ou au déploiement d'agents autonomes basculeraient vers des modèles personnalisés. Reste à voir si cette promesse de souveraineté et d'économies se confirmera à grande échelle, et comment les géants propriétaires comme OpenAI ou Anthropic réagiront face à cette concurrence naissante sur le terrain de l'infrastructure ouverte.

Business❧Opinion

1 source

42

368Frandroid 

Gemini franchit le cap du milliard d’utilisateurs et se prépare à en accueillir de nouveaux

Google a annoncé avoir franchi le cap du milliard d'utilisateurs mensuels actifs pour Gemini, son assistant d'intelligence artificielle. Ce chiffre, revendiqué par la firme de Mountain View, marque une étape symbolique dans la diffusion de cette technologie auprès du grand public. Il résulte d'une stratégie assumée par Google consistant à intégrer Gemini dans l'ensemble de ses produits et services, de la recherche en ligne à ses applications mobiles, plutôt que de le cantonner à une application dédiée. L'entreprise indique par ailleurs préparer de nouvelles fonctionnalités destinées à accélérer encore la croissance de sa base d'utilisateurs, sans pour l'instant en détailler la nature exacte. Ce seuil du milliard d'utilisateurs mensuels place Gemini parmi les services d'intelligence artificielle les plus utilisés au monde, aux côtés de ChatGPT d'OpenAI. Pour Google, il s'agit d'une validation concrète de sa stratégie de déploiement massif, qui consiste à pousser l'IA générative directement vers les utilisateurs existants de ses services plutôt que d'attendre une adoption volontaire. Pour l'industrie, ce chiffre confirme que l'intégration native dans des produits déjà installés, moteur de recherche, système Android, suite bureautique, constitue un levier de croissance plus efficace que le lancement d'un produit isolé, aussi performant soit-il. Cette annonce s'inscrit dans une compétition intense entre grands groupes technologiques pour dominer le marché de l'IA générative, où Google, Microsoft, OpenAI et Meta rivalisent d'investissements et de mises à jour fréquentes. Le milliard d'utilisateurs ne constitue pas un aboutissement mais une base que Google entend exploiter pour proposer de nouveaux usages, renforcer l'engagement et, à terme, monétiser davantage ses services autour de Gemini.

LLMs⚡Actu

Aussi surLes Numériques IA,ZDNET FR

45

369VentureBeat AI 

L'application des permissions par les agents autonomes dans les entreprises : deux tiers du temps, mais isolation des agents a risque dans moins d'un cas sur cinq

Une enquête de VentureBeat, menée dans le cadre de sa série Pulse Research auprès de 116 entreprises de plus de 100 salariés, dresse un état des lieux de la sécurité des agents d'intelligence artificielle en entreprise. Selon les résultats, 53% des organisations exploitent déjà des systèmes d'IA agentique en production et 27% supplémentaires en sont au stade pilote. Les incidents suivent la même trajectoire : 53% des entreprises ont déjà connu un événement de sécurité lié à un agent, dont 19% un incident confirmé et 38% un quasi-incident détecté à temps. Côté contrôles, 65% appliquent des permissions restreintes en temps réel et 56% surveillent et journalisent l'activité de leurs agents, mais seulement 18% isolent leurs agents les plus à risque dans des environnements cloisonnés. Parmi les entreprises ayant des agents en production, l'isolement n'est appliqué que dans 21% des cas, et seulement 8% combinent permissions restreintes et isolement. Sur l'identité, 49% attribuent à chaque agent une identité propre et gérée, mais 63% signalent un partage d'identifiants quelque part dans leur parc, et seulement 29% n'en ont aucun. Les outils utilisés restent très majoritairement fournis par les hyperscalers eux-mêmes : les garde-fous d'OpenAI (44%), Microsoft Azure (42%), les contrôles d'Anthropic pour agents gérés (37%) et Google Cloud (31%) arrivent en tête, et 92% des entreprises citant leur couche de sécurité principale désignent un outil natif d'un fournisseur de cloud ou de modèle. Ce fossé entre surveillance et confinement est le résultat central de l'étude. Les entreprises ont bâti les dispositifs qui observent et limitent les permissions des agents, mais pas celui qui borne les dégâts quand ces protections échouent, un ordre inversé du point de vue de la défense en profondeur : l'observation dit ce qui s'est passé, les permissions tentent de l'empêcher, mais seul l'isolement limite l'ampleur des dommages une fois la prévention contournée. Cette faiblesse pèse d'autant plus lourd que l'autonomie des agents augmente et qu'ils touchent des systèmes et des données toujours plus sensibles. Le partage persistant d'identifiants dans près des deux tiers des parcs favorise la propagation d'une compromission d'un agent à l'autre. Conséquence directe, la confiance recule : autant d'entreprises (30%) jugent désormais que les attaquants équipés d'IA ont une longueur d'avance sur leurs défenses que l'inverse. Cette situation s'inscrit dans une dépendance croissante des entreprises aux outils de sécurité fournis directement par les grands fournisseurs de cloud et de modèles plutôt qu'à des solutions tierces spécialisées, ce qui interroge sur la diversité réelle des dispositifs de défense en place. Malgré une satisfaction au plus haut de la série (4,29 sur 5), l'intention de changement atteint elle aussi un record : 74% des entreprises prévoient d'adopter, d'ajouter ou de remplacer leurs outils de sécurité pour agents dans les douze prochains mois. Ce paradoxe, des entreprises plus satisfaites que jamais mais plus déterminées que jamais à changer, traduit la prise de conscience qu'un écosystème bâti à la hâte autour des garde-fous d'OpenAI, Microsoft, Anthropic et Google ne couvre pas tout le cycle de vie de la sécurité des agents, de l'identité jusqu'à l'isolement. À mesure que les agents autonomes se généralisent dans des fonctions critiques, la pression devrait s'accentuer sur les éditeurs spécialisés pour combler ce vide, en particulier sur l'isolement en environnement cloisonné, aujourd'hui le maillon le plus faible alors qu'il constitue le dernier rempart contre un agent compromis.

Sécurité⚡Actu

1 source

45

370VentureBeat AI 

Fiabilité et évaluations des agents autonomes : les entreprises échaudées par une mauvaise évaluation sont les plus enclines à retirer l'humain de la boucle

Selon la deuxième vague du baromètre Pulse Research de VentureBeat consacré à la fiabilité des agents IA en entreprise, menée en juillet 2026 auprès de 108 organisations de plus de 100 salariés, la confiance envers les évaluations automatisées a fortement progressé en un mois, sans que le taux d'échec qu'elles sont censées prédire n'évolue. La part d'entreprises faisant pleinement confiance à l'évaluation automatisée est passée de 5% en juin à 13% en juillet, et la critique selon laquelle ces évaluations ne reflètent pas les résultats réels a reculé de dix points, de 29% à 19%. Pourtant, la proportion d'organisations ayant déployé un agent ou une fonctionnalité LLM ayant réussi ses tests internes puis provoqué un incident client reste quasiment inchangée: 49% en juillet contre 50% en juin, et un quart d'entre elles (24%) ont connu ce scénario plusieurs fois. Côté outils, la part d'entreprises sans solution d'évaluation dédiée est tombée de 17% à 12%, des plateformes spécialisées comme Braintrust (presque doublée, à 15%) et DeepEval (17%) ont gagné du terrain, et l'intention de changer de fournisseur s'est refroidie, avec 44% des entreprises ne prévoyant aucun changement contre 36% en juin. La facilité d'intégration est devenue le premier critère de sélection, passant de 27% à 39%, devant le coût. Cet écart entre confiance affichée et fiabilité réelle révèle un phénomène préoccupant. La nouvelle confiance provient presque exclusivement des entreprises qui n'ont pas encore été confrontées à un échec: parmi celles déjà touchées par un incident malgré des évaluations positives, seules 4% font confiance à l'évaluation automatisée, contre 24% chez celles épargnées jusqu'ici. Plus inquiétant, se faire piéger par une évaluation défaillante ne freine pas la marche vers l'autonomie des agents, elle l'accélère: 85% des entreprises déjà échaudées autorisent des déploiements sans supervision humaine ou s'orientent activement dans cette direction, contre 61% de celles jamais confrontées au problème. La trajectoire globale vers l'autonomie reste stable à 67%, mais sa composition évolue en faveur des organisations disposant des preuves les plus directes que les évaluations passent à côté de problèmes réels. Pour l'industrie, cela signifie que les outils actuels, bien qu'en voie de consolidation commerciale, ne mesurent pas encore ce qui compte vraiment pour éviter les défaillances en production, et que la course à l'automatisation des décisions se poursuit indépendamment de cette lacune. Cette étude s'inscrit dans le contexte d'une adoption rapide des agents IA en entreprise, où les équipes techniques cherchent des méthodes fiables pour valider les performances avant mise en production. Le marché des outils d'évaluation, longtemps fragmenté, montre des signes de maturation avec la montée de plateformes comme Braintrust ou DeepEval et un ralentissement des changements de fournisseurs, les entreprises arbitrant désormais sur l'intégration plutôt que sur le prix. Mais le décalage persistant entre évaluations internes et résultats réels interroge la méthodologie même de ces tests, censés anticiper le comportement des agents face à des situations imprévues rencontrées par de vrais clients. L'enquête, dont l'instrument est resté identique entre juin (157 répondants) et juillet (108 répondants), permet des comparaisons mensuelles jugées statistiquement significatives sur plusieurs points: la hausse de la confiance totale, le recul de la critique sur l'alignement avec le réel, la progression du critère de facilité d'intégration et la percée de Braintrust. Les prochaines vagues devront montrer si cette confiance croissante, pour l'instant bâtie sur l'absence d'expérience négative plutôt que sur des méthodes d'évaluation réellement améliorées, résiste à l'épreuve de nouveaux incidents.

Société❖Paper

1 source

44

371VentureBeat AI 

L'informatique et le calcul : les entreprises achètent de la puissance de calcul IA pour la rapidité sans savoir combien ça coûte

Enterprises misent massivement sur l'infrastructure d'intelligence artificielle sans pouvoir en mesurer précisément le coût, selon une étude VentureBeat Pulse Research menée en juillet 2026 auprès de 170 entreprises de plus de 100 employés. Deux tiers d'entre elles (66%) font déjà tourner des charges de travail IA en production, et 29% opèrent à grande échelle, contre seulement 4% n'ayant encore rien déployé. Une entreprise type utilise en moyenne trois plateformes d'infrastructure, avec OpenAI (49%), Google Gemini (48%), Microsoft Azure (47%) et Google Cloud (42%) présents chez environ la moitié des sondées ; interrogées sur leur plateforme principale, 26% citent Azure en tête. Or, malgré cette maturité opérationnelle, moins de la moitié (47%) des entreprises parviennent à suivre rigoureusement ce que leur coûte réellement ce calcul, et ce chiffre ne monte qu'à 56% même chez celles opérant à grande échelle. Ce déséquilibre s'explique par un changement net dans les critères d'achat : l'intégration à la pile cloud existante reste le premier facteur de choix (40%), mais la performance (latence et débit) est passée au deuxième rang (35%) et la disponibilité des GPU au troisième (24%), toutes deux désormais devant le coût total de possession, relégué à 22%. Même logique côté mesure du succès : la fiabilité et le temps de disponibilité arrivent en tête pour 51% des entreprises, la productivité des développeurs pour 39%, loin devant le coût par million de tokens, cité par seulement 31%. Conséquence concrète : parmi les 155 entreprises exploitant leurs propres GPU, 69% affichent un taux d'utilisation de 50% ou moins, et 12% ne mesurent même pas cette utilisation. La satisfaction liée au rapport qualité-prix ressort ainsi comme le score le plus faible (3,87 sur 5), loin derrière la satisfaction globale (4,14), révélant que l'angle mort économique pèse directement sur la perception de valeur. Cette fuite en avant s'inscrit dans un contexte de pression concurrentielle où la rapidité de déploiement et l'accès aux ressources GPU priment sur la rigueur budgétaire, un choix rationnel à court terme mais risqué si les coûts échappent durablement au contrôle. Le prochain cycle d'investissement s'annonce tourné vers de nouveaux acteurs : les clouds spécialisés en IA constituent la première zone d'évaluation prévue (44%) et affichent la dynamique la plus forte de toutes les approches d'infrastructure (+36 points), même si des fournisseurs comme CoreWeave et Lambda ne représentent aujourd'hui chacun que 3,5% de l'usage réel, le reste du champ des "néoclouds" restant sous les 3%. Les accélérateurs non-Nvidia attirent 39% d'intérêt, et 62% des entreprises prévoient de changer ou d'ajouter un fournisseur dans les douze prochains mois, même si les options envisagées restent dominées par les acteurs déjà en place. L'étude, fondée sur une seule vague d'enquête, ne permet pas de dégager de tendance mensuelle, mais elle dessine un paysage où l'infrastructure IA d'entreprise grandit plus vite que la capacité à en comprendre l'économie sous-jacente.

Infrastructure⚡Actu

1 source

43

372VentureBeat AI 

Enterprises encadrant leurs données d'IA détectent deux fois plus de mauvaises réponses que les autres

Une enquête VentureBeat Pulse Research menée en juillet 2026 auprès de 101 entreprises de plus de 100 salariés révèle que 68% d'entre elles ont constaté, au cours des six derniers mois, des réponses données avec assurance par leurs agents IA mais fausses, et attribuées non pas à une erreur du modèle mais à un contexte métier manquant ou incohérent. Plus frappant encore que ce chiffre global: 37% des entreprises rapportent que ce type d'échec s'est reproduit plusieurs fois, contre 32% qui ne l'ont vécu qu'une seule fois. Face à ce problème, l'industrie mise sur des couches sémantiques ou de contexte gouvernées, censées offrir aux agents et aux outils de BI une compréhension partagée des données de l'entreprise: 32% des sondées en exploitent déjà une en production, 31% sont en pilote ou en construction, et 20% supplémentaires évaluent l'option. Côté architecture de récupération d'information, aucune approche ne fait consensus: la récupération hybride recueille 30% des préférences, contre 29% pour l'usage de plusieurs architectures selon les cas d'usage, un écart d'à peine un répondant. Les solutions natives des fournisseurs, comme la recherche de fichiers d'OpenAI (46%) et Google Vertex AI Search (41%), devancent toujours les bases de données vectorielles dédiées. Le résultat le plus contre-intuitif de l'étude concerne justement les entreprises ayant déployé une couche sémantique gouvernée: elles rapportent des échecs de contexte récurrents deux fois plus souvent (50%) que celles n'en ayant pas (21%). Cela ne signifie pas que ces couches créent davantage de problèmes, mais qu'elles permettent enfin de les détecter et de les tracer, là où les entreprises dépourvues de gouvernance ne mesurent tout simplement pas leurs propres défaillances. Cette distinction est cruciale pour l'industrie: elle indique que le déploiement d'agents IA à grande échelle sur des données d'entreprise reste, pour l'instant, une source structurelle d'erreurs silencieuses plutôt qu'un incident isolé, avec des conséquences directes sur la confiance accordée à ces outils dans des contextes professionnels sensibles. Cette dynamique se reflète aussi dans les critères d'achat des entreprises: le contrôle des accès et des permissions arrive désormais à égalité avec la facilité d'ingestion des données comme critère de sélection principal (24% chacun), tandis que l'exactitude des réponses constitue la métrique de succès prioritaire pour 38% des sondées. Les entreprises restent par ailleurs réticentes à confier leur couche de contexte à un seul fournisseur: seules 12% prévoient de tout consolider chez un unique fournisseur de modèles, contre 37% qui privilégient une approche best-of-breed et 37% qui planifient un mélange assumé de solutions. L'enquête, menée en une seule vague, ne permet pas de dégager de tendance mois par mois mais offre une photographie précise d'un secteur encore en pleine recomposition.

Outils⚒Outil

1 source

42

373VentureBeat AI 

Orchestration à base d'agents : les entreprises savent gouverner leurs agents IA, mais pas encore mesurer leur coût

Cette fragmentation n'est pas un accident mais une stratégie délibérée des entreprises pour éviter toute dépendance excessive à un seul fournisseur de modèles. En choisissant la flexibilité plutôt que l'affinité avec un modèle unique, les organisations cherchent à préserver leur pouvoir de négociation et leur capacité à basculer entre fournisseurs selon les besoins. Le risque qu'elles redoutent le plus n'est d'ailleurs pas le verrouillage commercial classique (23%) ni le manque de visibilité (22%), mais les limites de sécurité et de gestion des permissions imposées par les plateformes des fournisseurs eux-mêmes (37%). Cette priorité se reflète dans les budgets : la surveillance et le débogage des agents captent 31% des investissements, l'application de la sécurité et des permissions 30%, contre seulement 19% pour les outils de workflow. Autrement dit, les entreprises dépensent surtout pour superviser et gouverner leurs agents, pas pour en construire davantage. Ce constat prend un relief particulier face à un autre chiffre de l'étude : une pluralité de 47% des répondants estiment que seulement 26% à 50% de leurs « agents » sont réellement orchestrés au sens propre, le reste n'étant que des chatbots habillés en agents. L'enquête, menée par VentureBeat dans le cadre de sa série Pulse Research en juillet 2026, porte sur des entreprises de 100 salariés ou plus, avec un échantillon nettement orienté vers les grandes organisations technologiques : plus de la moitié comptent 10 000 employés ou davantage. Ce biais de taille façonne l'ensemble des résultats, qui reflètent surtout les pratiques d'acteurs disposant de ressources importantes pour gérer une infrastructure multi-plateforme. Le fait que 21% des entreprises n'aient aucun mécanisme temps réel pour interrompre un agent devenu incontrôlable avant que la facture n'arrive illustre un décalage persistant entre la maturité de gouvernance affichée et les capacités opérationnelles réelles. Cette étude, fondée sur une seule vague d'enquête sans données comparatives dans le temps, capture une phase où les entreprises ont manifestement appris à encadrer juridiquement et techniquement leurs agents IA, mais peinent encore à en maîtriser le coût économique en temps réel, un angle mort qui pourrait devenir critique à mesure que le déploiement d'agents autonomes s'intensifie dans les mois à venir.

Outils⚒Outil

1 source

51

374Latent Space 

Comment voler une trace de raisonnement

Un article publié les 10 et 11 août 2026 par le bulletin AI News, désormais rattaché à Latent Space, révèle qu'il est possible de décoder et de transférer les traces de raisonnement chiffrées des modèles d'IA de pointe. Depuis le lancement du modèle o1 d'OpenAI, les laboratoires chiffrent cryptographiquement ces "chaînes de pensée" pour empêcher leur distillation vers des modèles concurrents. Une première brèche avait été signalée en mai 2026 par le chercheur Matthew Green, qui avait montré comment rejouer ces traces via un canal auxiliaire fondé sur la latence. Le nouveau papier, porté notamment par le chercheur identifié en ligne comme @kotekjediml avec Jonas Geiping, va plus loin : il démontre qu'on peut extraire un bloc de raisonnement chiffré, le rejouer dans une autre requête ou un autre compte, puis le faire retranscrire par un modèle plus faible du même fournisseur, avec des méthodes propres à chaque acteur, un préfixe "" pour Claude vers Haiku 4.5, l'injection de l'objet "encryptedcontent" et jusqu'à 50 échantillons pour GPT, ou une "thought_signature" associée à un préfixe "" pour Gemini. Un scan d'environ 7 000 traces publiques partagées via Claude Code et Codex a révélé 62 clés API uniques, 33 adresses e-mail et 33 mots de passe, dont 64 éléments présents uniquement dans les blocs chiffrés, invisibles dans la session affichée à l'utilisateur. Cette découverte expose directement les utilisateurs ayant partagé en ligne des sessions Claude Code ou Codex contenant du raisonnement chiffré : identifiants, mots de passe et données personnelles peuvent y figurer sans jamais apparaître dans la conversation visible. Au-delà de la fuite de données, la technique permet de transférer les capacités de raisonnement d'un modèle propriétaire vers un modèle plus faible ou open source, ranimant le débat sur la distillation non autorisée que le chiffrement visait justement à empêcher. Le papier pointe aussi des failles d'alignement plus larges, des résumés de chaîne de pensée qui masquent la vraie réponse du modèle, un raisonnement devenu illisible ou quasi "neuralese", des indices de triche, et des usages détournés pour attaquer des sites web, ce qui complique d'autant la surveillance des modèles par les équipes de sécurité. Ce travail s'inscrit dans la tension croissante entre transparence et protection de la propriété intellectuelle chez les grands laboratoires. Depuis o1, OpenAI, Anthropic et Google masquent le raisonnement interne de leurs modèles, à la fois pour l'alignement et pour empêcher des concurrents, notamment chinois, de s'entraîner sur ces traces. Les auteurs affirment avoir suivi une procédure de divulgation responsable, plusieurs vulnérabilités ayant déjà été corrigées, tandis que l'enquête a aussi mis au jour une clé de production Hugging Face compromise lors d'un incident de cybersécurité distinct. Des variantes de l'attaque restent toutefois probablement possibles, ce qui devrait pousser les fournisseurs à revoir leurs mécanismes de signature et les utilisateurs à cesser de partager publiquement des sessions contenant ces blocs de raisonnement.

Sécurité⚡Actu

1 source

50

375Next INpact 

Sur Spotify, les « artistes IA » vont gagner un badge et perdre des recommandations

Spotify a annoncé le déploiement, à partir de la mi-septembre, d'un nouveau badge « AI Persona » destiné à identifier les profils d'artistes qui ne sont pas des humains. Les créateurs de ces personnages générés par intelligence artificielle pourront eux-mêmes déclarer leur statut à la plateforme, mais Spotify se réserve aussi le droit d'attribuer ce badge de son propre chef, sous la mention « Likely AI Persona », lorsqu'un profil affiche une identité, un nom ou des visuels photoréalistes jugés suspects. Le badge apparaîtra sur la page de l'artiste, dans les résultats de recherche et à côté des titres dans les playlists. Dans les prochains mois, les abonnés pourront également signaler eux-mêmes les profils qu'ils soupçonnent d'être des personas IA, et les artistes concernés pourront confirmer ou contester la classification. Cette mesure intervient alors que le phénomène prend une ampleur considérable : Deezer a révélé le 21 juillet dernier que plus de la moitié des nouvelles chansons téléversées chaque jour sur sa plateforme, soit environ 90 000 morceaux, sont générées par IA, après avoir détecté 13,4 millions de titres de ce type sur l'année écoulée. La conséquence la plus concrète de ce badge concerne la visibilité : les morceaux publiés par un profil identifié comme IA seront exclus des recommandations éditoriales et algorithmiques de Spotify, sauf si l'auditeur a explicitement choisi de suivre cet artiste. Pour un créateur de contenu généré par IA, cela équivaut de fait à une invisibilisation, et donc à une perte de revenus, puisque les recommandations constituent l'un des principaux leviers de découverte et d'écoute sur la plateforme. Cette approche s'inscrit dans une logique déjà amorcée par Deezer, qui démonétise purement et simplement les écoutes de morceaux IA. Pour l'industrie musicale, ces mesures marquent un tournant : les plateformes de streaming, jusqu'ici plutôt permissives face à l'afflux de contenus générés par IA, commencent à distinguer explicitement les artistes qui construisent une carrière authentique de ceux qui exploitent la production automatisée à grande échelle, souvent à des fins de spam ou de captation de revenus. Ce badge « AI Persona » vient compléter le dispositif de « profil vérifié » déjà utilisé par Spotify, qui atteste à l'inverse qu'un être humain réel se cache derrière un artiste, un statut déjà accordé à des centaines de milliers de profils selon l'entreprise. Spotify précise que cette nouvelle classification porte uniquement sur l'identité publique de l'artiste, et non sur la manière dont la musique elle-même a été fabriquée : pour cet aspect, la plateforme mise sur un système distinct de crédits d'IA et l'outil SongDNA, censés permettre aux artistes de détailler la part de l'intelligence artificielle dans leur processus de création. Reste à voir si cette distinction entre identité de l'artiste et méthode de production suffira à répondre à la pression croissante de l'industrie musicale, qui réclame davantage de transparence face à la déferlante de contenus IA sur les plateformes de streaming.

Création⚡Actu

Aussi surSiècle Digital

44

376MarkTechPost 

Xiaomi dévoile RC-S et RC-T, des métriques de suppression d'objets alignées sur la perception humaine, avec un benchmark vidéo réel

Une équipe de recherche de MiLM Plus, la division intelligence artificielle de Xiaomi Inc., a dévoilé PROVE (Perceptual RemOVal cohErence), un nouveau système d'évaluation pour les modèles de suppression d'objets dans les images et les vidéos, dont l'article a été accepté à la conférence ACM MM 2026. Le dispositif associe deux métriques, RC-S pour la cohérence spatiale et RC-T pour la cohérence temporelle, à un benchmark en deux niveaux baptisé PROVE-Bench, construit à partir de vidéos réelles. Les deux métriques évaluent localement la zone retouchée grâce à une discrépance moyenne maximale calculée par fenêtre glissante sur des caractéristiques extraites par le modèle DINOv2, sans jamais nécessiter de vidéo de référence. Le code est publié sous licence Apache 2.0, avec un point d'entrée unique en ligne de commande, runprovemetrics.py, qui exige Python 3.10 ou plus récent, PyTorch 2.6 ou plus récent, Transformers 4.51 ou plus récent, ainsi que les poids du modèle DINOv2-giant, et impose la fourniture d'un masque marquant en blanc les pixels de l'objet supprimé. Sur une seule carte graphique RTX 4090, RC-S traite une image en 134,6 millisecondes, un rythme jugé compatible avec des tests d'intégration continue exécutés chaque nuit. Cette publication répond à un décalage devenu problématique pour l'industrie de l'édition visuelle : les modèles de diffusion effacent désormais ombres, reflets et structures occultées de façon convaincante, mais les métriques historiques comme PSNR, SSIM, LPIPS, ReMOVE ou CFD classent souvent leurs résultats dans le mauvais ordre, car la suppression d'objet est une tâche mal posée qui admet plusieurs reconstructions plausibles pour un même trou. Ces métriques récompensent le copier-coller de pixels plutôt que la véritable régénération, pénalisent à peine les ombres résiduelles, et peuvent même s'améliorer quand la qualité visuelle s'effondre, par exemple lorsqu'on réduit le nombre d'étapes d'inférence d'un modèle de diffusion. PROVE vise donc les équipes de recherche en vision par ordinateur et les ingénieurs en apprentissage automatique travaillant sur des outils d'édition photo et vidéo pour smartphones, le nettoyage de catalogues e-commerce, la publicité, les banques d'images, la postproduction cinéma et effets spéciaux, l'imagerie immobilière et la floutage d'archives cartographiques à des fins de confidentialité, avant d'intéresser les ingénieurs MLOps qui l'intégreraient dans leurs pipelines et les chefs de produit comparant des fournisseurs. Les auteurs ont documenté les failles des approches existantes avant de construire PROVE : sur le benchmark ROSE-Bench, ils ont progressivement flouté la zone masquée sans que les métriques ReMOVE ou CFD ne se dégradent, celles-ci finissant même par dépasser leur score initial non flouté ; le terme de détection d'hallucination de CFD, fondé sur le modèle SAM, a par ailleurs pénalisé à tort la restauration légitime d'une selle de vélo. Sur le jeu de données DAVIS, les métriques temporelles classiques réagissent à peine à des corruptions injectées volontairement, faute de se concentrer sur la petite portion de l'image réellement modifiée. PROVE se présente comme un outil d'évaluation destiné aux laboratoires et non comme une fonctionnalité produit, avec des limites assumées : il n'est pas conçu pour un scoring en temps réel sur appareil, et peine à capter des effets de bord comme de grandes ombres ou reflets qui débordent de la région recadrée pour l'évaluation.

Recherche❖Paper

1 source

33

377The Verge AI 

Saber dément avoir remplacé les scénaristes de Rideshare Stimulator par ChatGPT

Le studio Saber Interactive dément avoir remplacé des scénaristes par l'intelligence artificielle sur son jeu "Rideshare Stimulator", annoncé le mois dernier et développé par Unigine. Le PDG Matthew Karch affirme que "ni Saber ni Unigine n'ont remplacé d'écrivains par de l'IA". Cette déclaration intervient après que Stella Sacco, ancienne scénariste principale du projet, a publié sur Bluesky une version contradictoire des faits. Selon elle, Saber l'aurait remplacée par ChatGPT en plein milieu du développement, et toutes les voix des passagers du jeu auraient également été générées par IA. Elle avance deux hypothèses pour expliquer l'écart avec la version officielle : soit le studio a changé de direction en cours de route, soit il ne communique pas cette utilisation de l'IA sur la fiche Steam du jeu, présenté comme une "simulation de conduite immersive" mettant le joueur au volant. Cette affaire illustre les tensions croissantes entre studios et créateurs autour de l'usage de l'IA générative dans l'industrie du jeu vidéo. Pour les scénaristes et acteurs de doublage, la crainte d'être remplacés par des outils comme ChatGPT sans reconnaissance ni compensation nourrit une méfiance grandissante envers les studios, qui peuvent avoir intérêt à minimiser publiquement ce recours pour éviter la controverse auprès des joueurs et des professionnels du secteur. Le désaccord public entre Karch et Sacco reflète un flou persistant sur les obligations de transparence des éditeurs quant à l'usage de l'IA dans leurs productions, notamment sur des plateformes comme Steam. Ce type de litige, opposant témoignage individuel et communication officielle d'entreprise, pourrait se multiplier à mesure que l'IA générative s'intègre davantage aux processus créatifs des studios, ravivant le débat sur la protection des métiers créatifs face à l'automatisation.

Société⚡Actu

1 source

45

378NVIDIA AI Blog 

NVIDIA : le calcul d'IA en usine devient une classe d'actifs à part entière

Le géant américain des semi-conducteurs NVIDIA a annoncé le 12 août 2026 des partenariats avec six des plus grands gestionnaires d'actifs et fonds d'investissement mondiaux, Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs et KKR, pour créer des plateformes de financement indépendantes destinées à mobiliser plus de 500 milliards de dollars de capitaux tiers afin de soutenir la construction d'infrastructures d'intelligence artificielle. L'entreprise présente ce mouvement comme un basculement d'un modèle où les sociétés achetaient des puces et bâtissaient des centres de données projet par projet, vers un modèle où ses usines d'IA, baptisées AI factories, deviennent des infrastructures productives financées comme des actifs à part entière. NVIDIA appuie sa démonstration sur des données de marché concrètes : le tarif de location d'un GPU H100 sur un an est passé d'environ 1,70 dollar de l'heure en octobre 2025 à 2,35 dollars en mars 2026, tandis que le prix médian à la demande, toutes plates-formes confondues, est passé de 2,00 à 2,70 dollars par heure entre octobre 2025 et juin 2026. Les puces Blackwell, plus récentes, se négocient avec une prime, entre 5,30 et 7,05 dollars par heure pour un GPU B200. L'entreprise rappelle aussi que ses puces A100, lancées en 2020, restent exploitées commercialement six ans plus tard, avec des engagements clients pluriannuels qui prolongent leur durée de vie économique vers une décennie. Cette annonce marque une étape importante pour l'industrie de l'IA car elle transforme la nature même du calcul informatique : au lieu d'être un simple poste de dépense en capital qui se déprécie, il devient une classe d'actifs générant des revenus récurrents, comparable à des infrastructures comme les routes à péage ou les réseaux électriques. Pour les investisseurs institutionnels que sont Apollo, BlackRock ou KKR, cela ouvre un nouveau terrain de déploiement de capitaux à long terme, avec un rendement adossé à la demande de calcul plutôt qu'à des actifs traditionnels. Pour les entreprises d'IA, cloud providers et laboratoires qui manquent aujourd'hui d'accès à des financements suffisants pour construire rapidement leurs propres capacités, ces plateformes promettent un accès facilité à des montants massifs de capitaux externes, sans que NVIDIA n'ait à financer elle-même l'ensemble de la demande mondiale en puces. Cette initiative s'inscrit dans un contexte où la demande en infrastructures d'IA dépasse largement les capacités de financement disponibles, alors que l'IA générative bascule de la phase de recherche vers une phase de production à grande échelle. NVIDIA cherche à démontrer que ses puces et son écosystème logiciel CUDA, qui améliore continuellement les performances du matériel déjà installé, constituent un socle suffisamment stable et rentable pour attirer des capitaux patients et non plus seulement des budgets d'investissement technologique classiques. L'entreprise s'appuie sur son architecture largement adoptée par les grands fournisseurs cloud, les fabricants de systèmes et les entreprises du monde entier pour argumenter que ses usines d'IA peuvent être redéployées auprès d'autres clients en cas de besoin, limitant ainsi le risque pour les investisseurs. Les modalités précises d'accès des laboratoires d'IA qualifiés à ces nouvelles plateformes de financement restent à préciser dans les prochains mois.

Infrastructure⚡Actu

1 source

22

379Le Big Data 

Agentic AI : jusqu’où cette technologie peut aller en 2026 ?

L'Agentic AI désigne une nouvelle génération de systèmes d'intelligence artificielle capables d'agir de façon autonome pour accomplir une mission, et non plus seulement de répondre à une instruction isolée. Contrairement aux outils conversationnels classiques, où l'utilisateur formule une demande puis reçoit une réponse ponctuelle qu'il doit lui-même exploiter, un agent autonome reçoit un objectif global et détermine seul la marche à suivre. Le fonctionnement de ces systèmes repose sur plusieurs étapes successives : la compréhension du contexte, durant laquelle l'agent rassemble les informations disponibles en s'appuyant sur des données internes, des logiciels ou des outils spécialisés ; puis la planification, phase durant laquelle il décompose l'objectif en tâches ordonnées et identifie les ressources nécessaires pour chacune d'elles. Vient ensuite l'exécution proprement dite, où l'agent utilise concrètement les outils à sa disposition, évalue les résultats obtenus et ajuste son processus si un obstacle survient. Cette architecture en plusieurs temps distingue nettement l'Agentic AI des interfaces conversationnelles traditionnelles, qui ne dépassent pas le cadre d'une simple question suivie d'une réponse. Cette évolution intéresse particulièrement les entreprises, qui y voient un moyen d'automatiser des processus longs, répétitifs ou impliquant plusieurs logiciels sans intervention humaine constante. Pour l'utilisateur, le changement est important : il ne décrit plus chaque opération à réaliser mais définit un résultat recherché, laissant à l'agent le soin d'organiser et d'enchaîner les actions nécessaires pour y parvenir. Cette capacité de proactivité, qui permet à un système d'identifier un blocage et de tenter une autre approche sans qu'on le lui demande explicitement, ouvre la voie à des usages plus étendus que la simple génération de texte ou de résumé. Elle transforme potentiellement des fonctions entières, de la gestion administrative à la coordination d'outils numériques multiples, en réduisant le besoin de supervision étape par étape. Ce basculement s'inscrit dans une évolution plus large des modèles d'intelligence artificielle, qui passent d'une logique purement réactive à une logique orchestrée autour d'objectifs. Il ne s'agit toutefois pas d'une autonomie totale ni d'une intelligence indépendante : le comportement d'un agent reste strictement encadré par son architecture, les instructions qui lui sont fournies, les outils auxquels il a accès et les règles de sécurité mises en place par ses concepteurs. Cette dépendance à un cadre défini en amont constitue précisément l'un des enjeux majeurs pour les développeurs et les entreprises qui adoptent ces systèmes, puisque la fiabilité et la sécurité des actions entreprises par l'agent dépendent directement de la qualité de ce cadrage initial, alors que ces technologies continuent de gagner en capacité d'action au fil de 2026.

Outils❧Opinion

1 source

43

380AWS ML Blog 

Accélération de la cyberdéfense avec OpenAI et AWS : Daybreak Red et Daybreak Blue disponibles sur Amazon Bedrock

AWS et OpenAI ont annoncé la disponibilité de Daybreak Red et Daybreak Blue, deux modèles d'intelligence artificielle spécialisés en cybersécurité, sur la plateforme Amazon Bedrock pour les clients éligibles. Daybreak Red donne accès à GPT-5.6 Cyber, un modèle entraîné spécifiquement pour les tâches de sécurité informatique, tandis que Daybreak Blue s'appuie sur GPT-5.6 Sol, doté de garde-fous calibrés pour un usage défensif. Ces deux outils font partie de Daybreak, l'initiative de cyberdéfense d'OpenAI qui donne aux équipes de sécurité un accès encadré à ses modèles les plus avancés, incluant des agents autonomes, des services de red teaming applicatif et des outils permettant de passer de la détection d'une faille à un correctif testé. John Sheehan, vice-président de la sécurité chez AWS, a précisé que les équipes de sécurité d'AWS utilisent déjà les deux modèles pour analyser du code source, découvrir des vulnérabilités et mener des recherches offensives, le tout sous les mêmes contrôles d'infrastructure appliqués à toute charge de travail critique sur Bedrock. Preuve concrète de leur efficacité, selon OpenAI, des chercheurs ont utilisé GPT-5.6 Cyber via Daybreak Red pour identifier deux vulnérabilités jusqu'alors inconnues dans V8, le moteur JavaScript de Chrome, dont l'enchaînement pouvait provoquer une corruption mémoire et une évasion du bac à sable. La faille initiale a été corrigée et référencée sous CVE-2026-15903, l'une des quatre seules entrées réussies au concours V8 CTF en 2026. Cette annonce répond à une urgence bien réelle du secteur : la fenêtre entre la découverte d'une vulnérabilité et son exploitation par des attaquants ne cesse de se réduire, alors que les modèles d'IA les plus puissants sont accessibles autant aux défenseurs qu'aux assaillants. Pour les équipes de sécurité, l'enjeu n'est plus de repérer des failles potentielles mais de confirmer rapidement lesquelles sont réellement exploitables, de les corriger sans introduire de régression, puis de déployer le correctif avant que la fenêtre ne se referme, tout en gardant le code sensible dans un environnement qu'elles maîtrisent et peuvent auditer. En intégrant ces modèles à Bedrock, AWS permet à ses clients de bénéficier de capacités d'analyse comparables à celles des attaquants les plus sophistiqués, sans exposer leurs données à des infrastructures tierces non contrôlées. Le défi central de ces outils tient à la nature intrinsèquement double usage de la cybersécurité : une demande de reproduction d'une vulnérabilité ou de rétro-ingénierie d'une chaîne d'exploitation semble identique, que l'intention soit défensive ou malveillante, ce qui pousse généralement les modèles génériques à refuser la requête. Daybreak Red et Daybreak Blue lèvent cette ambiguïté grâce au contexte d'usage, à l'identité vérifiée de l'utilisateur et aux garde-fous propres à l'environnement Bedrock. Daybreak Blue reste le point d'entrée recommandé pour la majorité des équipes, couvrant la découverte de vulnérabilités, l'ingénierie de détection et la réponse aux incidents, tandis que Daybreak Red s'adresse aux tâches les plus avancées comme la recherche de vulnérabilités et le développement de mesures d'atténuation, avec un seuil de refus abaissé compensé par des contrôles d'accès renforcés.

Sécurité⚒Outil

1 source