Actualités IA — page 223

7 629 articles au fil, du plus récent au plus ancien.

55

4441Ars Technica AI 

Fin de l'exclusivité : Microsoft autorise OpenAI à recourir à d'autres fournisseurs cloud

Microsoft et OpenAI ont annoncé conjointement une révision majeure de leur accord de partenariat, mettant fin à l'exclusivité qui liait les deux entreprises depuis 2019. Selon les termes du nouvel accord, OpenAI pourra désormais proposer l'ensemble de ses produits et modèles à des clients utilisant n'importe quel fournisseur cloud, et non plus exclusivement Microsoft Azure. Microsoft conserve néanmoins une licence sur la propriété intellectuelle et les modèles d'OpenAI jusqu'en 2032, et Azure demeure le "partenaire cloud principal" de l'entreprise pendant cette période. Le partage de revenus de 20 % versé par OpenAI à Microsoft est maintenu, mais il sera désormais plafonné à un montant non divulgué et uniquement garanti jusqu'en 2030. Ce changement ouvre une brèche considérable dans l'un des accords les plus structurants de l'industrie de l'intelligence artificielle. OpenAI pourra désormais nouer des partenariats avec des concurrents d'Azure comme Amazon Web Services ou Google Cloud Platform, intensifiant la compétition entre les géants du cloud pour héberger les modèles les plus puissants du marché. Pour les entreprises clientes d'OpenAI, cela signifie potentiellement plus de flexibilité dans le choix de leur infrastructure. Côté Microsoft, l'accord reste avantageux sur le plan de la licence, mais le groupe cède une position d'exclusivité qu'il détenait depuis six ans. Le partenariat originel avait débuté en 2019 avec un investissement initial de Microsoft d'un milliard de dollars, suivi d'engagements supplémentaires estimés à plusieurs milliards. L'un des points les plus controversés de l'accord initial était la "clause AGI" : elle prévoyait la fin de l'exclusivité si OpenAI venait à atteindre le seuil de l'intelligence artificielle générale, un critère notoirement difficile à définir. La révision annoncée rend désormais le partage de revenus "indépendant des progrès technologiques d'OpenAI", supprimant de fait cette clause ambiguë. Cette évolution intervient alors qu'OpenAI cherche à s'affirmer comme une entreprise pleinement indépendante, dans un contexte où les débats autour de sa gouvernance et de son statut à but non lucratif continuent d'agiter la Silicon Valley.

Business❧Opinion

1 source

61

4442Ars Technica AI 

L'Europe pourrait obliger Google à ouvrir Android à d'autres assistants IA

La Commission européenne pourrait contraindre Google à ouvrir Android à d'autres assistants IA dès cet été. En janvier 2026, la Commission avait lancé une procédure de spécification pour examiner la manière dont Google intègre l'intelligence artificielle dans Android. Les conclusions sont désormais rendues : l'UE estime que le système d'exploitation doit être davantage ouvert à la concurrence. Concrètement, le problème identifié est l'avantage structurel accordé à Gemini : sur tout téléphone Android alimenté par Google, l'assistant est préinstallé et bénéficie d'un traitement privilégié au niveau du système, inaccessible aux services IA tiers. Cet avantage intégré prive les concurrents de Gemini d'un accès équitable à des fonctionnalités pourtant centrales de l'expérience Android. La Commission considère que trop d'usages sur la plateforme restent réservés exclusivement à l'IA de Google, au détriment d'alternatives comme ChatGPT, Mistral ou d'autres assistants émergents. Si des mesures sont imposées, Google devrait techniquement permettre à des assistants tiers de s'intégrer au même niveau système que Gemini, ce qui représenterait un changement majeur dans la manière dont les 150 millions d'utilisateurs Android en Europe interagissent avec leur téléphone. Cette action s'inscrit dans le cadre du Digital Markets Act (DMA), la loi européenne qui désigne sept grandes entreprises technologiques comme « gatekeepers » soumis à des obligations renforcées pour garantir une concurrence loyale. Google, aux côtés d'Apple, Meta, Amazon, Microsoft, ByteDance et Booking, est assujetti à ce texte depuis plusieurs années et a systématiquement contesté les régulations qui en découlent, qualifiant cette fois l'enquête d'« ingérence injustifiée ». La Commission, elle, ne montre aucun signe de recul : une décision formelle est attendue pour l'été 2026, ce qui placerait Android au coeur d'un bras de fer décisif entre Bruxelles et la Silicon Valley sur le contrôle des couches IA des systèmes mobiles.

Régulation⚖Reglementation

1 source

46

4443Amazon Science 

À quel point votre LLM est-il catastrophique ?

Des chercheurs associés à l'Université de l'Illinois à Urbana-Champaign (UIUC) ont présenté cette année à l'ICLR (International Conference on Learning Representations) un nouveau cadre d'évaluation de la sécurité des grands modèles de langage, baptisé C3LLM, pour "Certifying Catastrophic Conversational Risks in LLMs". L'approche repose sur une modélisation des conversations sous forme de graphes, où chaque nœud représente un prompt et les arêtes relient les requêtes sémantiquement proches. Ce graphe permet de simuler trois niveaux de dangerosité : le cas basique où les prompts sont tirés indépendamment, le cas intermédiaire où ils suivent des chemins connectés, et le cas avancé dit de "steering adversarial", où un acteur malveillant guide progressivement le modèle vers une réponse nuisible. Les réponses du modèle cible sont ensuite jugées "catastrophiques" ou non par un mécanisme distinct basé sur ChatGPT. La méthode de Clopper-Pearson est utilisée pour calculer des bornes statistiques sur le taux d'attaques réussies, produisant non plus un simple score mais un intervalle de confiance sur le risque. Le framework a été appliqué à des modèles propriétaires disponibles au moment de l'étude, dont Claude Sonnet 4 et Nova Premier, ainsi qu'à des modèles open-weights, sur un benchmark centré sur les menaces chimiques et biologiques. Ce travail comble un angle mort majeur dans l'évaluation de la sécurité des LLMs. Les méthodes classiques de red-teaming s'appuient sur des experts humains qui construisent des prompts adversariaux de manière isolée, sans tenir compte de la dynamique conversationnelle. Or c'est précisément dans les échanges multi-tours que les comportements dangereux émergent, lorsqu'un modèle répond de façon anodine à chaque question prise séparément, mais finit par livrer des informations sensibles au fil d'un dialogue coordonné. En produisant des bornes probabilistes plutôt qu'un taux brut d'échec, C3LLM rend les résultats plus fiables et généralisables, ce qui change concrètement la façon dont les équipes de sécurité des labs peuvent comparer et certifier leurs modèles. La pression sur la sécurité des LLMs s'est considérablement accrue depuis que ces systèmes sont devenus accessibles au grand public et intégrés dans des applications critiques. Les craintes portent notamment sur leur capacité à générer du code malveillant ou à détailler la synthèse de substances toxiques si un utilisateur mal intentionné sait formuler ses questions de manière progressive. Jusqu'ici, les benchmarks existants offraient une photographie ponctuelle, insuffisante pour couvrir l'espace combinatoire des conversations possibles. C3LLM s'inscrit dans une tendance plus large de la recherche en sécurité IA, qui cherche à passer de l'audit empirique à la certification formelle, à l'image de ce qui se pratique dans d'autres domaines logiciels critiques. La prochaine étape pour ce type de framework sera probablement son intégration dans les pipelines d'évaluation continues des grands laboratoires, avant la mise en production de nouveaux modèles.

Sécurité❧Opinion

1 source

37

4444MarkTechPost 

Créer un agent d'apprentissage par renforcement pour retrouver des mémoires pertinentes et améliorer les réponses des LLM

Des chercheurs ont publié un tutoriel détaillé montrant comment construire un agent d'apprentissage par renforcement capable de récupérer des souvenirs pertinents dans une base de mémoire à long terme, pour améliorer la précision des réponses d'un grand modèle de langage. Le système repose sur une combinaison de plusieurs briques technologiques : les embeddings vectoriels d'OpenAI (modèle text-embedding-3-small), un environnement d'entraînement personnalisé codé avec la bibliothèque Gymnasium, et l'algorithme PPO (Proximal Policy Optimization) de Stable-Baselines3. Le pipeline commence par la génération d'un jeu de données synthétique de "souvenirs" accompagné de requêtes associées, chaque souvenir et chaque requête étant convertis en vecteurs numériques pour permettre un calcul de similarité. L'agent apprend ensuite une politique de sélection, en observant les caractéristiques des candidats mémoire et en choisissant lequel récupérer. La réponse finale est générée par gpt-4o-mini, qui ne dispose que des souvenirs récupérés comme contexte. L'enjeu central de cette approche est de dépasser les limites de la simple recherche par similarité cosinus, qui reste la méthode dominante dans la plupart des systèmes RAG (Retrieval-Augmented Generation) actuels. En entraînant un agent à optimiser ses décisions de récupération via un signal de récompense, le système apprend à distinguer les souvenirs superficiellement proches mais peu utiles des souvenirs véritablement pertinents pour répondre à une question donnée. Pour les applications concrètes, assistants personnels, agents autonomes, systèmes de support client avec historique, cette capacité à mieux cibler l'information pertinente peut significativement améliorer la qualité des réponses sans augmenter la taille du contexte envoyé au modèle. L'évaluation s'appuie elle-même sur un LLM jouant le rôle de juge strict, retournant un score binaire (1.0 ou 0.0) selon que la réponse prédite correspond sémantiquement à la réponse attendue. Cette publication s'inscrit dans un courant de recherche actif qui cherche à doter les LLMs d'une mémoire externe persistante et intelligemment gérée. Les approches RAG classiques encodent et cherchent des documents de façon statique, sans jamais apprendre de leurs erreurs de récupération. L'idée d'utiliser l'apprentissage par renforcement pour optimiser ce processus de sélection est explorée depuis quelques années dans la littérature académique, mais reste peu répandue en production. Ce tutoriel la rend accessible à un large public de praticiens, avec un code reproductible sous Python 3, ce qui pourrait accélérer son adoption dans des projets concrets. La prochaine étape naturelle serait d'appliquer cette méthode à des bases de mémoire réelles, dynamiques et de grande taille, là où la différence entre une bonne et une mauvaise récupération a un impact direct sur la fiabilité de l'agent.

Recherche≡Tuto

1 source

51

4445Le Big Data 

GPT-5.5 débarque dans Microsoft 365 : la fin du travail manuel approche?

Depuis le 27 avril 2026, GPT-5.5 Thinking, la dernière version du modèle d'OpenAI, est déployé au sein de Microsoft 365 Copilot. Le modèle est disponible dans Copilot Chat, Word, Excel et PowerPoint, ainsi que dans Copilot Studio. Cette intégration ne se limite pas au moteur de génération de texte : Microsoft lance simultanément ChatGPT Images 2.0, un outil de création visuelle directement accessible dans PowerPoint, avec une extension prochaine à Copilot Chat. L'ensemble repose sur une couche contextuelle baptisée Work IQ, qui ajuste les réponses de l'IA en fonction du contexte de travail de l'utilisateur, de ses fichiers, de ses habitudes et de ses tâches en cours. Ce déploiement marque un saut qualitatif pour Copilot, qui passe d'un assistant réactif à un outil capable de structurer des tâches complexes en plusieurs étapes logiques, d'anticiper les besoins et de produire des résultats plus complets et mieux argumentés. Pour les entreprises abonnées à Microsoft 365, cela signifie concrètement que la rédaction de rapports, l'analyse de données dans Excel ou la construction de présentations dans PowerPoint peuvent désormais être prises en charge de bout en bout par l'IA, sans recours à des outils tiers. La suppression de cette friction entre plusieurs plateformes représente un gain de productivité direct, mais renforce aussi la dépendance à l'écosystème fermé de Microsoft. Cette intégration s'inscrit dans une course à l'arme IA dans les logiciels de productivité qui oppose Microsoft à Google (Workspace avec Gemini) et à des acteurs émergents comme Notion ou Slack. OpenAI, dont Microsoft est le principal investisseur avec plus de 13 milliards de dollars engagés, positionne GPT-5.5 comme un modèle de raisonnement avancé, distinct des versions précédentes par sa capacité à enchaîner des étapes de réflexion plutôt que de simplement générer du texte. La dimension Work IQ, en personnalisant les sorties selon le contexte professionnel, vise à répondre à la critique récurrente faite aux copilotes IA : leur manque de pertinence situationnelle. Si ces promesses tiennent à l'usage, la frontière entre l'assistant et le collaborateur autonome continue de se déplacer, redessinant progressivement les compétences attendues des travailleurs du savoir.

Outils⚒Outil

1 source

39

4446MarkTechPost 

OpenMOSS publie MOSS-Audio, un modèle open source pour la parole, le son, la musique et le raisonnement audio temporel

L'équipe OpenMOSS, en collaboration avec MOSI.AI et le Shanghai Innovation Institute, a publié MOSS-Audio, un modèle de fondation open source conçu pour unifier dans un seul système toutes les tâches de compréhension audio. Disponible en quatre variantes, MOSS-Audio-4B-Instruct, 4B-Thinking, 8B-Instruct et 8B-Thinking, il repose sur les modèles de langage Qwen3-4B et Qwen3-8B, atteignant respectivement environ 4,6 et 8,6 milliards de paramètres. Le modèle est capable de transcrire de la parole avec alignement temporel au niveau du mot, d'identifier les caractéristiques d'un locuteur, d'analyser ses émotions, de détecter des événements acoustiques, d'interpréter des sons d'ambiance, d'analyser des contenus musicaux et de répondre à des questions précisément ancrées dans le temps, du type "qu'a dit l'intervenant à la deuxième minute". Les variantes Instruct sont optimisées pour des sorties structurées en production, tandis que les variantes Thinking sont conçues pour le raisonnement en plusieurs étapes, grâce à un entraînement par chaîne de pensée et par apprentissage par renforcement. Jusqu'ici, accomplir l'ensemble de ces tâches nécessitait d'assembler plusieurs systèmes spécialisés distincts, chacun dédié à une modalité précise. MOSS-Audio supprime ce besoin d'orchestration en offrant un seul modèle polyvalent utilisable sans commutation. Pour les développeurs et les entreprises qui traitent des flux audio complexes, des réunions enregistrées ou des podcasts, cela représente un gain d'infrastructure significatif. Les capacités de raisonnement temporel, c'est-à-dire la possibilité de répondre à des questions référencées dans le temps sur un enregistrement, ouvrent aussi des cas d'usage qui n'étaient pas accessibles avec des architectures séparées, notamment l'analyse automatisée de contenus longs. L'architecture de MOSS-Audio repose sur trois composants : un encodeur audio, un adaptateur de modalité et un grand modèle de langage. L'encodeur, entraîné de zéro plutôt qu'emprunté à une solution existante, produit des représentations temporelles continues à 12,5 Hz. Une innovation clé baptisée DeepStack permet d'injecter des caractéristiques issues des couches intermédiaires de l'encodeur directement dans le modèle de langage, en plus de la couche finale, ce qui préserve les informations acoustiques de bas niveau comme la prosodie ou les événements transitoires. Le modèle s'inscrit dans une dynamique d'open source audio qui s'accélère depuis 2024, portée par des acteurs chinois cherchant à combler l'écart avec les laboratoires occidentaux dans le domaine du traitement multimodal. Le code source est disponible sur GitHub sous licence publique.

LLMs⚡Actu

1 source

48

4447Le Big Data 

ChatGPT Phone : tout ce qu’on sait du smartphone IA agentique qui veut tuer l’iPhone

OpenAI prépare son propre smartphone, baptisé en interne « Agentic Phone » ou « ChatGPT Phone », pour un lancement commercial prévu à l'horizon 2028. Le projet est orchestré par Sam Altman et le designer britannique Jony Ive, ancien directeur du design chez Apple et père de l'iPhone, qui travaille désormais pour OpenAI via son studio LoveFrom. Les premiers prototypes circulent déjà en interne depuis 2026. Financé en partie par SoftBank, l'appareil repose sur des puces NPU sur mesure développées en partenariat avec Qualcomm et MediaTek, conçues pour exécuter des modèles d'IA directement sur l'appareil, sans dépendre du cloud, garantissant rapidité et confidentialité. Ce qui distingue fondamentalement ce projet des smartphones existants, c'est le concept d'IA « agentique » : l'appareil ne se contente pas de répondre à des requêtes, il agit à la place de l'utilisateur. Fini l'enchaînement d'applications séparées pour réserver un taxi, envoyer un message et bloquer un créneau dans son agenda. L'utilisateur formule une instruction globale, et l'IA exécute l'ensemble des micro-tâches via les API concernées, sans interaction avec un écran. Ce modèle dits « Zéro UI » rend structurellement obsolète le paradigme de l'App Store, sur lequel reposent les revenus d'Apple, qui génère des dizaines de milliards de dollars annuels via ses commissions. Pour les développeurs, les utilisateurs et les plateformes, le changement de modèle serait radical : l'interface disparaît au profit d'une couche d'abstraction pilotée par l'IA. Ce projet s'inscrit dans une course plus large à la reconfiguration de l'informatique personnelle. Depuis l'émergence des grands modèles de langage comme GPT-4 puis GPT-5, plusieurs acteurs cherchent à transposer leur puissance dans le hardware du quotidien. Le Humane Pin et le Rabbit R1 ont tenté l'exercice avant OpenAI, avec des résultats décevants, faute de modèles suffisamment capables. OpenAI parie que ses prochaines générations de modèles, GPT-5.5 et au-delà, atteindront le niveau d'autonomie nécessaire pour que l'expérience soit réellement fluide. Apple, de son côté, reste contraint par la logique de l'App Store et de ses partenariats développeurs, ce qui ralentit sa capacité à adopter une interface agentique complète. Si OpenAI réussit à combiner un hardware performant, une IA locale robuste et une expérience sans friction, le rapport de force dans l'industrie mobile pourrait changer pour la première fois depuis 2007.

Infrastructure❧Opinion

1 source

43

4448The Verge 

Des employés de Google demandent à Pichai de refuser l'usage militaire classifié de l'IA

Plus de 600 employés de Google ont signé une lettre adressée au PDG Sundar Pichai pour exiger que l'entreprise refuse d'autoriser le Pentagone à utiliser ses modèles d'intelligence artificielle à des fins militaires classifiées, selon le Washington Post. Les organisateurs de cette pétition affirment que les signataires incluent de nombreux membres du laboratoire DeepMind, ainsi que plus de vingt directeurs de haut rang, vice-présidents et responsables techniques. La lettre a été transmise en interne avant d'être relayée par la presse. Le texte de la pétition est sans ambiguïté : "La seule façon de garantir que Google ne soit pas associé à de tels préjudices est de rejeter tout contrat classifié." Les employés craignent que des usages militaires problématiques puissent se produire sans leur connaissance ni la possibilité d'intervenir. Pour eux, le secret entourant les contrats classifiés rend impossible tout contrôle éthique interne, ce qui représente un risque fondamental pour la réputation et les valeurs affichées de l'entreprise. Ce mouvement s'inscrit dans une longue tradition de résistance interne chez Google : en 2018, des milliers d'employés avaient forcé l'entreprise à abandonner le projet Maven, un contrat d'analyse d'images par IA pour l'armée américaine. Depuis, Google a néanmoins signé d'autres contrats de défense. Le sujet est d'autant plus brûlant qu'Anthropic est actuellement engagé dans un litige juridique avec le Pentagone autour d'un contrat similaire, illustrant les tensions croissantes entre la Silicon Valley et le complexe militaro-industriel américain.

Éthique⚡Actu

1 source

53

4449Ars Technica AI 

La Chine bloque le rachat de Manus par Meta, sur fond de rivalité sino-américaine en IA

Le gouvernement chinois a officiellement ordonné à Meta de défaire son acquisition de la société d'intelligence artificielle Manus le 27 avril 2026, invoquant des raisons de sécurité nationale. Cette transaction, conclue en décembre 2025 pour un montant de 2 milliards de dollars, avait déjà été placée sous enquête dès janvier 2026, les autorités de Pékin ayant en parallèle interdit aux deux cofondateurs de Manus, des entrepreneurs technologiques chinois, de quitter le territoire national pendant la durée de l'investigation, selon le Wall Street Journal. La décision finale consacre l'interdiction totale des investissements étrangers dans Manus au nom de la sécurité nationale. Ce blocage illustre à quel point les transactions transfrontalières entre entreprises américaines et chinoises dans le domaine de l'IA sont devenues quasi impossibles à mener à terme. Des deux côtés du Pacifique, les autorités adoptent une ligne de plus en plus dure face aux opérations de fusion-acquisition impliquant des technologies sensibles. Pour Meta, il s'agit d'un revers stratégique majeur : l'entreprise perd l'accès à une technologie d'agents IA avancée et doit rembourser ou restructurer un investissement de deux milliards de dollars. Pour l'industrie, ce précédent envoie un signal clair sur les limites imposées aux partenariats sino-américains dans les secteurs jugés stratégiques. Manus avait fait son entrée remarquée en mars 2025 en se présentant comme un agent IA généraliste capable de réaliser des tâches complexes pour le compte des utilisateurs, comme rechercher un bien immobilier ou réserver des billets d'avion et des hôtels. Techniquement, le système fonctionne comme une surcouche agentique reposant sur le modèle Claude 3.7 Sonnet d'Anthropic, coordonnant plusieurs agents spécialisés, dont un agent planificateur et un agent exécuteur capable de naviguer sur des sites web, créer des tableurs et même développer des applications. Dans un contexte de rivalité technologique croissante entre Washington et Pékin, notamment sur les grands modèles de langage et les agents autonomes, cette affaire illustre comment l'IA est désormais traitée comme un enjeu de souveraineté nationale à part entière.

Business❧Opinion

1 source

41

4450Le Big Data 

OpenAI prêt à tuer l’iPhone ? Son mystérieux smartphone 100 % IA intrigue déjà

OpenAI travaille sur un smartphone radicalement différent de tout ce qui existe actuellement. Selon l'analyste Ming-Chi Kuo, dont la fiabilité sur les feuilles de route technologiques est reconnue, la firme développe un appareil qui abandonnerait complètement le modèle des applications classiques. La production de masse est visée pour 2028, avec un possible premier aperçu dès cette année. Pour construire cet appareil, OpenAI s'appuierait sur une alliance industrielle structurée : Qualcomm et MediaTek pour les puces, Luxshare pour la fabrication à grande échelle. L'architecture serait hybride, combinant traitement local et cloud, permettant à l'IA d'analyser en permanence le contexte de l'utilisateur, position, habitudes, préférences, pour anticiper ses besoins avant même qu'il formule une demande. À la place des grilles d'icônes, un agent intelligent prendrait en charge les tâches : réservations, messages, organisation de journée, tout cela de façon quasi invisible pour l'utilisateur. L'enjeu dépasse largement le lancement d'un produit. Contrôler à la fois le matériel et le logiciel permettrait à OpenAI d'offrir une expérience cohérente et profonde que ne peut pas égaler une simple application tournant sur l'iPhone ou Android. C'est précisément le type d'intégration verticale qu'Apple a maîtrisé pendant vingt ans. Pour renforcer sa crédibilité sur ce terrain, OpenAI s'est associé à Jony Ive, l'ancien directeur du design d'Apple qui a conçu l'iPhone aux côtés de Steve Jobs, un signal fort adressé aux consommateurs habitués à des standards élevés. Si le projet aboutit, ce n'est pas seulement un téléphone qui change, c'est le paradigme dominant du smartphone depuis 2007 qui est remis en question : celui où l'utilisateur ouvre des applications, plutôt que celui où un agent agit pour lui. OpenAI entre cependant sur un marché dominé par deux géants aux ressources considérables. Apple peut s'appuyer sur plus d'un milliard d'iPhone actifs et un écosystème particulièrement verrouillé. Google, de son côté, intègre activement ses propres agents IA dans Android et avance vite. La concurrence des modèles eux-mêmes s'intensifie aussi : Anthropic avec Claude et Google avec Gemini accélèrent leurs déploiements. Ce projet s'inscrit dans une logique plus large de course au contrôle de l'interface numérique, celui qui possède le point d'entrée quotidien de l'utilisateur contrôle l'écosystème entier. Le calendrier flou et les défis industriels laissent planer une incertitude réelle sur l'exécution, mais la direction est claire : OpenAI ne veut plus seulement fournir le cerveau des appareils des autres.

Outils⚒Outil

1 source

43

4451AWS ML Blog 

Amazon Quick Flows automatise les tâches répétitives

Amazon a lancé Quick Flows, une fonctionnalité d'automatisation des flux de travail intégrée à sa suite Amazon Quick, qui permet de créer des automatisations intelligentes en langage naturel, sans écrire une seule ligne de code ni posséder la moindre expertise en machine learning. Le principe est simple : l'utilisateur décrit en quelques phrases ce qu'il souhaite automatiser, et le système génère automatiquement le flux correspondant. Amazon illustre l'outil avec deux cas d'usage concrets : un analyseur de performance financière, capable de collecter en temps réel des cours boursiers, des ratios clés (PER, capitalisation boursière, revenus), des titres d'actualité financière et des recommandations d'analystes à partir d'un simple nom d'entreprise ou d'un ticker symbol, ainsi qu'un système d'automatisation de l'onboarding des employés. Quick Flows s'inscrit dans la suite Amazon Quick, un ensemble de fonctionnalités d'IA permettant d'analyser des données et d'obtenir des insights via des conversations en langage naturel. La seule condition d'accès est de disposer d'un compte AWS actif avec Amazon Quick activé. L'enjeu de productivité est considérable. Une tâche aussi banale que la compilation d'un rapport hebdomadaire, qui exige de copier manuellement des données depuis plusieurs systèmes puis de les reformater pour différents interlocuteurs, peut absorber plusieurs heures chaque lundi. Multipliée sur l'ensemble d'une équipe, la perte de temps devient structurelle. Quick Flows vise à libérer ces heures au profit de travaux à plus forte valeur ajoutée. En rendant l'automatisation accessible à des profils non techniques, c'est potentiellement l'ensemble des fonctions support, finance, RH ou opérations qui peuvent reconfigurer leurs processus sans dépendre d'une équipe d'ingénieurs. La capacité à partager des flux créés avec d'autres membres d'une équipe renforce encore la dimension collaborative et l'impact organisationnel de l'outil. Cette annonce s'inscrit dans la compétition intense que se livrent les grands acteurs du cloud pour proposer des couches d'automatisation basées sur l'IA générative. Microsoft, avec Power Automate et Copilot Studio, et Google, avec ses Workspace Flows, ont déjà pris position sur ce segment. Amazon répond avec une approche centrée sur l'interface conversationnelle et l'intégration native à l'écosystème AWS. Quick Flows permet également de convertir une conversation existante avec un agent de chat en flux automatisé, ce qui réduit encore la friction à l'adoption. La génération de contenu par l'IA restant par nature variable, Amazon prévient explicitement que les résultats peuvent différer d'une exécution à l'autre. La prochaine étape annoncée consiste à passer de l'analyse financière à des automatisations plus complexes comme l'onboarding RH, signal que la plateforme vise des cas d'usage à fort volume de données et d'interactions humaines.

Outils⚒Outil

1 source

39

4452AWS ML Blog 

Amazon Bedrock Knowledge Bases : créer et déployer une solution de synchronisation automatique

Amazon Web Services a publié la description d'une solution serverless permettant de synchroniser automatiquement les bases de connaissances Amazon Bedrock avec les documents stockés dans Amazon S3, sans aucune intervention manuelle. Conçue selon une architecture événementielle, elle repose sur cinq services AWS articulés ensemble : EventBridge capte les modifications dans les buckets S3 en temps réel, des fonctions Lambda traitent ces événements, des files SQS absorbent les pics de requêtes, Step Functions orchestre le flux de synchronisation, et DynamoDB assure le suivi des changements et des métadonnées de jobs. Le tout se déploie via AWS SAM (Serverless Application Model), sans infrastructure à provisionner ni à maintenir. Deloitte figure parmi les entreprises ayant adopté ce type d'approche pour moderniser leur infrastructure de tests et de traitement documentaire. L'enjeu est considérable pour les organisations qui utilisent Bedrock Knowledge Bases dans des environnements multi-utilisateurs ou des applications critiques comme les systèmes de support client. Amazon Bedrock impose des quotas stricts : au maximum cinq jobs d'ingestion simultanés par compte AWS, un seul job par base de connaissances et un seul par source de données. L'API StartIngestionJob est en outre limitée à 0,1 requête par seconde, soit une requête toutes les dix secondes et par région. Sans orchestration, lorsqu'une équipe contenu met à jour plusieurs fichiers lors d'une release, les requêtes s'accumulent, percutent ces plafonds et finissent par nécessiter une supervision manuelle. La solution absorbe ces rafales en mettant les demandes en file d'attente via SQS et en les émettant au rythme autorisé par l'API, de façon totalement transparente. Amazon Bedrock Knowledge Bases est le service RAG (Retrieval-Augmented Generation) d'AWS qui permet aux modèles de fondation et aux agents IA d'accéder aux données privées d'une organisation afin de produire des réponses plus précises et contextualisées. Jusqu'ici, toute modification dans S3, ajout, suppression ou mise à jour de métadonnées, exigeait une synchronisation déclenchée manuellement, processus sujet aux oublis et aux retards. Ce manque de synchronisation en temps réel constitue l'un des principaux points de friction dans le déploiement d'agents IA en production. La solution proposée élimine ce point de friction pour les équipes travaillant en continu sur des bases documentaires volumineuses, et représente une avancée concrète vers des systèmes d'IA d'entreprise capables de rester à jour sans supervision humaine permanente.

Outils⚒Outil

1 source

52

4453Interesting Engineering 

Microsoft et OpenAI mettent fin à leur accord exclusif et s'ouvrent aux clouds concurrents

Microsoft et OpenAI ont officiellement mis fin à leur relation exclusive le 27 avril 2026, restructurant en profondeur l'accord qui liait les deux entreprises depuis plusieurs années. Selon les termes révisés, OpenAI pourra désormais proposer ses produits et services sur l'ensemble des plateformes cloud, y compris AWS d'Amazon et Google Cloud d'Alphabet, alors qu'Azure de Microsoft était jusqu'ici le seul partenaire autorisé. Microsoft conserve son statut de partenaire cloud principal et bénéficie d'une licence non exclusive sur les modèles et produits d'OpenAI jusqu'en 2032. Sur le plan financier, Microsoft cesse de percevoir une part des revenus générés via Azure, tandis qu'OpenAI continuera de lui verser une commission jusqu'en 2030, mais plafonnée et désormais découplée des jalons technologiques comme l'intelligence artificielle générale, qui conditionnaient auparavant les versements. Ce changement ouvre concrètement le marché entreprise à OpenAI d'une façon qui n'était pas possible jusqu'ici. Gil Luria, analyste chez D.A. Davidson & Co., l'a formulé clairement dans les colonnes de Reuters : les clients AWS et Google Cloud étaient freinés dans leur adoption des outils OpenAI précisément à cause de l'exclusivité, et ils vont désormais pouvoir envisager OpenAI aux côtés d'Anthropic. Pour les grandes organisations qui opèrent en dehors de l'écosystème Microsoft, c'est une levée de verrou majeure. Les analystes de Barclays y voient un bénéfice mutuel : Microsoft réduit sa charge d'infrastructure, tandis qu'OpenAI accélère son déploiement à grande échelle sans dépendre d'un seul fournisseur. Cette évolution s'inscrit dans un contexte de maturité du marché de l'IA d'entreprise, mais aussi de pression réglementaire croissante aux États-Unis, au Royaume-Uni et en Europe, où l'exclusivité entre les deux géants suscitait des inquiétudes sur la concurrence dans le cloud. De son côté, Microsoft diversifie déjà sa stratégie IA en développant ses propres modèles et en intégrant des alternatives comme ceux d'Anthropic dans Microsoft 365 Copilot. OpenAI, pour sa part, avait anticipé ce tournant en sécurisant d'autres partenariats cloud pour augmenter sa capacité de calcul. Les deux entreprises ont annoncé qu'elles poursuivront leur collaboration sur l'expansion des centres de données, le co-développement de puces avancées et la cybersécurité pilotée par l'IA. Le partenariat n'est plus exclusif, mais il reste structurant pour l'avenir de l'IA en entreprise.

Business❧Opinion

1 source

37

4454Le Big Data 

AI image generator free : top des meilleurs outils gratuits - avril 2026

En avril 2026, plusieurs plateformes de génération d'images par intelligence artificielle se distinguent dans le segment gratuit, bousculant la domination de solutions payantes comme Midjourney. Artspace, Getimg et Neuroflash composent le podium de cette sélection, chacun avec une proposition technique distincte. Artspace mise sur la sobriété d'interface et la qualité de rendu lumineux, avec un système de retouche in-painting et d'agrandissement haute définition accessible via un système de crédits offerts. Getimg se positionne comme un studio complet donnant accès à plus de 20 modèles d'IA, dont les dernières variantes de Stable Diffusion, avec notamment la création de modèles personnalisés via DreamBooth et une recharge mensuelle de crédits. Neuroflash, outil européen initialement connu pour la génération de texte, propose un module visuel orienté marketing, avec support natif du français et intégration directe avec son éditeur de contenu. L'accessibilité gratuite de ces outils représente une rupture concrète pour les créateurs indépendants, les marketeurs et les équipes éditoriales qui produisaient jusqu'ici leurs visuels avec des logiciels complexes ou des abonnements coûteux. Neuroflash vise explicitement les professionnels du contenu numérique, permettant de générer en une requête des visuels adaptés aux réseaux sociaux sans passer par la traduction de prompts. Getimg, avec ses extensions d'image et sa gomme magique, répond à des besoins de retouche avancée que seuls des outils premium proposaient auparavant. La démocratisation technique se double d'une localisation linguistique, l'outil européen Neuroflash étant optimisé pour comprendre les nuances du français. La montée en puissance de ces générateurs gratuits s'inscrit dans un mouvement plus large de diffusion des modèles open source, notamment autour de l'écosystème Stable Diffusion, que des acteurs comme Getimg exploitent directement via DreamBooth pour permettre la personnalisation de modèles. En 2025 et début 2026, la compétition entre plateformes s'est intensifiée sur l'axe de la rétention utilisateur par le biais de crédits gratuits renouvelables, cherchant à convertir une base d'utilisateurs gratuits vers des offres premium. Neuroflash, ancré dans le marché européen, joue également sur la carte de la conformité et du ciblage linguistique pour se différencier des géants américains. Les suites probables de cette dynamique incluent une compression vers le bas des tarifs des offres payantes et une course aux fonctionnalités avancées, l'in-painting et l'extension de contexte visuel devenant progressivement des standards attendus même dans les tiers gratuits.

Création⚒Outil

1 source

38

4455Interesting Engineering 

Un robot humanoïde interrompt une performance de danse pour étreindre un étudiant

Lors de la cérémonie d'ouverture d'une compétition sportive universitaire à l'Université Xi'an Eurasia, dans la province du Shaanxi au nord-ouest de la Chine, un robot humanoïde a dévié de sa chorégraphie programmée pour se retourner vers une étudiante et la prendre dans ses bras. Le personnel présent est intervenu en quelques secondes pour séparer le robot de la jeune femme, qui n'a pas été blessée. L'incident, filmé et diffusé largement en ligne, impliquait un robot fourni par une entreprise fondée par d'anciens étudiants de l'établissement, dans le cadre d'une performance commune avec le club de danse du campus. Un membre du personnel universitaire a confirmé que cette étreinte n'était pas préprogrammée et l'a qualifiée de dysfonctionnement. La société responsable du robot a attribué le comportement anormal à des interférences de signal causées par plusieurs drones opérant simultanément pendant le spectacle. L'incident soulève une question de sécurité concrète et sérieuse, bien au-delà des spéculations sur une éventuelle "conscience" du robot, hypothèse rapidement écartée par les experts. Gao Huan, directeur adjoint du Laboratoire d'Intelligence et de Cognition de l'Université Normale de Chongqing, a pointé le vrai problème : pourquoi le robot était-il encore capable d'entrer en contact physique avec un être humain après que le comportement anormal avait déjà commencé ? Les robots utilisés dans des spectacles suivent des scripts de mouvement préprogrammés, et des erreurs de positionnement, des déviations de reconnaissance de posture ou des défaillances dans la séquence d'exécution peuvent entraîner des contacts non intentionnels. Pour Gao, l'enjeu n'est pas de savoir si le robot a agi intentionnellement, mais de déterminer si des garde-fous suffisants existaient pour stopper tout contact dès l'apparition de la défaillance. Cet épisode s'inscrit dans une série d'incidents impliquant des robots humanoïdes lors d'événements publics en Chine, où l'intégration rapide de ces machines dans les sphères culturelles et commerciales devance systématiquement les protocoles de sécurité censés encadrer leur usage. En 2025, un robot industriel était devenu incontrôlable lors d'une phase de test, blessant des opérateurs. La même année, un robot performeur avait chargé une foule derrière une barrière de sécurité lors d'un festival. Dans chaque cas, la cause technique était identifiable : erreur de code, panne de contrôle ou perturbation du signal. Gao Huan a rappelé que le déploiement responsable de robots humanoïdes dans des environnements ouverts, en collaboration avec des humains, exige des répétitions sur site, des distances de sécurité définies, des mécanismes d'arrêt d'urgence et une supervision humaine dédiée. En l'état, ces robots sont traités comme des accessoires de scène ordinaires, alors qu'ils constituent des dispositifs mécaniques présentant des risques de mouvement réels.

Robotique❧Opinion

1 source

43

4456Robotics Business Review 

Sereact lève un Série B pour étendre Cortex 2.0 et entrer sur le marché américain

La startup allemande Sereact a annoncé le 27 avril 2026 une levée de fonds de série B de 110 millions de dollars pour accélérer le déploiement de son système d'intelligence artificielle robotique Cortex 2.0 et s'implanter aux États-Unis. Fondée en 2021 et basée à Stuttgart, l'entreprise vient d'ouvrir un bureau à Boston et recrute activement des ingénieurs, commerciaux et techniciens locaux. Cortex est conçu pour piloter des robots dans des environnements industriels réels : cellules de picking à un bras, stations de retours à deux bras, robots humanoïdes, ainsi qu'un système de perception 3D baptisé Sereact Lens, dédié à l'inventaire et au contrôle qualité. Parmi ses clients européens figurent déjà Daimler Truck, Mercedes-Benz, BMW, Austrian Post et le groupe Rohlik. Le chiffre mis en avant par l'entreprise est éloquent : sur 200 systèmes déployés ayant effectué un milliard de prises d'objets, une seule intervention humaine à distance est nécessaire toutes les 53 000 opérations. Ce niveau d'autonomie représente un saut qualitatif significatif pour l'automatisation des entrepôts. Contrairement à la plupart des systèmes concurrents entraînés sur des données simulées ou des démonstrations en laboratoire, Cortex apprend en conditions réelles, de nuit, en période de pointe, sur des objets atypiques que le robot n'a jamais rencontrés. Chaque prise réussie ou ratée est capturée avec ses observations synchronisées, l'état du robot, le retour de force du préhenseur et le résultat final, puis filtrée et réinjectée dans le modèle selon un principe de boucle fermée. Ce que Sereact appelle un "data flywheel", une roue d'accélération de la donnée, signifie que chaque déploiement rend le système plus robuste, creusant l'écart avec des concurrents qui misent sur des milliards de dollars de simulation sans passer par l'épreuve du terrain. La version Cortex 2.0, dont cette levée finance le déploiement à grande échelle, introduit une rupture architecturale majeure : au lieu de réagir après observation, le système "pense avant d'agir". Il intègre un modèle du monde qui génère plusieurs trajectoires possibles, les évalue selon des critères de stabilité, de risque et d'efficacité en simulant la physique et le comportement des objets, puis sélectionne la meilleure avant de bouger le bras. Cette planification s'effectue dans un "espace latent visuel", ce qui rend le modèle compatible avec différentes architectures de robots, indépendamment de leur cinématique propre. L'enjeu est de taille : la course mondiale à la robotique physique s'intensifie, avec des acteurs comme Figure, Physical Intelligence ou 1X levant des centaines de millions pour des approches concurrentes. L'entrée de Sereact sur le marché américain, depuis Boston, place la startup directement au coeur de cet écosystème en pleine ébullition.

Robotique⚡Actu

1 source

41

4457AWS ML Blog 

Créer des agents Strands avec les modèles SageMaker AI et MLflow

Amazon Web Services a publié un guide technique détaillant la construction d'agents d'intelligence artificielle en combinant trois de ses outils : le SDK open source Strands Agents, les endpoints de modèles Amazon SageMaker AI, et la plateforme d'observabilité MLflow hébergée sur SageMaker Serverless. Le SDK Strands, à approche pilotée par le modèle, permet de créer un agent fonctionnel en quelques lignes de code en associant un modèle de langage, un prompt système et un ensemble d'outils. Les modèles sont déployés via SageMaker JumpStart, un hub machine learning qui permet d'évaluer et de sélectionner rapidement des modèles de fondation selon des critères de qualité et de responsabilité prédéfinis. L'intégration de MLflow permet ensuite de tracer les appels d'agents, de versionner les modèles et d'implémenter des tests A/B entre plusieurs variantes de modèles pour en évaluer les performances à l'aide de métriques objectives. Cette architecture répond à un besoin concret des grandes entreprises qui ne peuvent pas se contenter des services de modèles entièrement gérés : contrôle précis sur les instances de calcul, politiques de mise à l'échelle, configuration réseau compatible avec les architectures de sécurité existantes, et conformité en matière de résidence des données. Là où Amazon Bedrock simplifie l'accès aux modèles de fondation en masquant l'infrastructure, SageMaker AI laisse à l'organisation la maîtrise de l'endroit et de la manière dont l'inférence se produit, ce qui est décisif pour les secteurs réglementés comme la finance ou la santé. La couche MLflow ajoute une dimension industrielle : les équipes peuvent comparer les performances de différents modèles dans des conditions réelles, réduire les coûts en sélectionnant le modèle le plus efficace pour chaque tâche, et maintenir un historique d'expériences exploitable dans le temps. La publication de ce guide s'inscrit dans une course plus large pour capter les déploiements d'agents IA en production. AWS répond ainsi à la demande croissante des équipes MLOps qui veulent bénéficier de la commodité du cloud tout en conservant une maîtrise fine de l'infrastructure, une position souvent impossible avec les APIs gérées de type Bedrock ou OpenAI. Strands Agents, rendu open source par Amazon, concurrence directement des frameworks comme LangChain ou CrewAI, avec l'avantage d'une intégration native dans l'écosystème AWS. L'accent mis sur les tests A/B et l'évaluation continue des agents signale que le secteur entre dans une phase de maturité : il ne s'agit plus seulement de faire fonctionner un agent, mais de le mesurer, le comparer, et l'améliorer de façon systématique en production.

Outils⚒Outil

1 source

40

4458AWS ML Blog 

Popsa utilise Amazon Nova pour suggérer des titres personnalisés à ses clients

La société britannique Popsa, spécialisée dans la création automatisée de livres photo et présente dans plus de 50 pays en 12 langues, a refondu en profondeur sa fonctionnalité de suggestion de titres en intégrant les modèles d'Amazon Bedrock. Lancée en 2021, cette fonction génère automatiquement des titres et sous-titres pour la couverture des livres photo à partir des métadonnées des images (horodatage, géolocalisation) et d'une analyse visuelle par réseaux neuronaux convolutifs embarqués sur mobile. Dès juin 2024, l'équipe a identifié l'opportunité d'y injecter de l'IA générative pour dépasser les suggestions rigides issues de règles algorithmiques. La solution déployée combine Amazon Nova Lite, Amazon Nova Pro et Claude 3 Haiku d'Anthropic via l'API unifiée d'Amazon Bedrock, avec une approche de génération augmentée par récupération (RAG). Les contraintes techniques étaient strictes : titres et sous-titres limités à 36 caractères chacun pour s'adapter à la mise en page, catégorie valide parmi une liste prédéfinie pour déclencher l'affichage de l'icône correspondante, et réponse obligatoirement formatée en JSON avec les clés title, subtitle et category. En 2025, le système a produit plus de 5,5 millions de titres personnalisés. L'impact est concret et mesurable : Popsa enregistre une hausse de la satisfaction client, une amélioration du taux d'engagement et une progression du taux d'achat depuis le déploiement. La qualité des suggestions a augmenté, les coûts d'inférence ont diminué et les temps de réponse ont été réduits. Pour l'utilisateur, la différence est tangible : plutôt que de se contenter d'un générique "Photos France 2024", il reçoit des propositions créatives, personnalisées selon le contenu réel des photos, disponibles dans les 12 langues de l'application. Le tout sans aucune complexité supplémentaire côté interface, conformément à la philosophie fondatrice de Popsa : laisser la technologie faire le travail à la place de l'utilisateur. Popsa s'appuie sur une culture d'automatisation installée depuis 2016 avec son algorithme PrintAI, capable de concevoir un livre photo à l'aspect professionnel en moins de cinq minutes. Cette évolution vers l'IA générative s'inscrit dans une trajectoire naturelle pour une entreprise dont le modèle repose sur la réduction de la friction créative. Le choix d'Amazon Bedrock comme infrastructure centralisée permet de switcher entre modèles selon les besoins de coût, de vitesse ou de qualité, un avantage décisif pour un produit grand public à fort volume. La construction d'un pipeline d'évaluation rigoureux, avec plus de 100 livres photo de référence et des métriques vérifiables en code, illustre une approche industrielle sérieuse de l'intégration de l'IA générative, loin des expérimentations superficielles qui caractérisent encore beaucoup de déploiements dans le secteur.

Outils⚒Outil

1 source

32

445936Kr 

Le dirigeant d'Aixin Yuanzhi mise sur les puces haute performance comme moteur de croissance des entreprises en 2026

Le fabricant chinois de semi-conducteurs Aixtek (爱芯元智) a profité du Salon de l'automobile de Pékin pour annoncer la formation de la « Qianli Alliance » avec Qianli Technology et Jiyue, tout en confirmant le lancement de sa puce M97 pour le troisième trimestre 2025. Sa fondatrice Qiu Xiaoshen a déclaré publiquement que la puce, dédiée à l'assistance à la conduite à haute puissance de calcul, avait déjà passé l'étape du « tape-out » et entrait dans son cycle de développement standard. Dotée de plus de 700 TOPS de puissance de calcul, elle sera progressivement intégrée dans plusieurs modèles de véhicules dès 2026. Aujourd'hui, les produits traditionnels de calcul embarqué représentent encore plus de 80 % du chiffre d'affaires d'Aixtek, mais la direction prévoit que cette répartition se rééquilibrera profondément dans les trois prochaines années. La M97 est conçue pour résoudre un problème structurel que Qiu Xiaoshen identifie comme le talon d'Achille des puces d'assistance à la conduite actuelles : la bande passante mémoire insuffisante. Elle explique qu'une puce de 2 000 TOPS ne délivre pas sa pleine puissance si la bande passante DDR est le goulot d'étranglement. En choisissant un procédé de fabrication d'une génération d'avance sur les concurrents (5 nm ou 4 nm contre 7 nm), Aixtek vise des fréquences DDR supérieures à 8 533 MT/s, voire 9 600 MT/s, contre un maximum de 6 400 MT/s en 7 nm. Ce saut de procédé réduit également la surface du die et améliore les rendements de production, ce qui contribue à la maîtrise des coûts. La stratégie d'Aixtek s'inscrit dans un contexte où l'évolution technologique de la conduite autonome reste incertaine, mais converge vers des architectures de plus en plus gourmandes en calcul : modèles end-to-end, VLM (Vision-Language Models), et désormais VLA (Vision-Language-Action), qui tentent de fusionner compréhension sémantique et pilotage en un seul modèle. L'entreprise, qui se positionne comme une plateforme de puces « neutre et indépendante » afin de laisser aux constructeurs le choix de leur fournisseur, mise également sur le calcul en périphérie (edge computing) : deux nouvelles puces edge seront lancées au second semestre 2025, compatibles avec les grands modèles comme Qwen. Qiu Xiaoshen voit dans les boîtiers d'agents IA locaux, capables de faire tourner un LLM à domicile sans passer par le cloud, un marché grand public à fort potentiel d'explosion.

Infrastructure⚡Actu

1 source

49

4460The Verge 

L'accord historique sur l'AGI entre Microsoft et OpenAI prend fin

Microsoft a annoncé lundi matin des modifications majeures à son partenariat historique avec OpenAI, dont la plus symbolique est la suppression officielle de la clause sur l'intelligence artificielle générale (AGI) qui régissait leur accord depuis plusieurs années. Selon les nouveaux termes, Microsoft demeure le "partenaire cloud principal" d'OpenAI, les produits de la startup étant toujours déployés en priorité sur Azure, sauf si Microsoft choisit de ne pas supporter les capacités requises. La rupture décisive: OpenAI peut désormais distribuer l'ensemble de ses produits à ses clients via n'importe quel fournisseur cloud. Ce changement libère considérablement OpenAI dans sa conquête du marché entreprise. En pouvant s'appuyer sur AWS, Google Cloud ou d'autres infrastructures concurrentes, la startup n'est plus tributaire des capacités ou des priorités commerciales de Microsoft. Pour les grandes entreprises clientes, cela signifie davantage de choix et de flexibilité pour intégrer les technologies OpenAI dans leurs environnements existants, ce qui rend OpenAI plus compétitif face à des acteurs comme Anthropic ou Google DeepMind. L'accord originel entre les deux entreprises, construit autour d'un investissement total de Microsoft dépassant treize milliards de dollars, contenait une clause AGI à la portée symbolique considérable: une fois OpenAI jugée avoir atteint l'AGI, les termes du partenariat devaient être renégociés. Sa suppression intervient alors qu'OpenAI finalise sa transformation en société à but lucratif classique et cherche activement à diversifier ses revenus et ses alliances technologiques dans un marché de l'IA de plus en plus concurrentiel.

Business❧Opinion

1 source