Actualités IA — page 23

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

56

441Next INpact 

La France ouvre la route aux robots livreurs autonomes

Le ministère français des Transports a publié le 28 juillet un arrêté homologuant les robots de livraison autonomes, leur ouvrant l'accès à la voie publique en dehors des trottoirs. Ces véhicules électriques compacts, classés en catégorie L (la famille réglementaire des cyclomoteurs, motos, tricycles et quadricycles), pourront mesurer jusqu'à 4 mètres de long, 2 mètres de large et 2,5 mètres de haut, avec une charge utile atteignant 1 000 kg. Équipés de lidars, caméras, radars et logiciels embarqués, ils circuleront sans conducteur à bord sur des zones ou itinéraires prédéfinis, sous supervision à distance, et pourront couvrir plusieurs dizaines de kilomètres par trajet. Le ministre des Transports Philippe Tabarot a présenté cette mesure comme un moyen de bâtir une logistique urbaine plus propre et plus silencieuse. Les collectivités locales garderont la main sur la définition des zones et itinéraires autorisés, et les opérateurs devront respecter les règles de protection des données personnelles et de cybersécurité. Cette homologation répond à un enjeu commercial majeur, celui du dernier kilomètre pour les plateformes de e-commerce, qui pourront désormais tester en conditions réelles des flottes de robots livreurs sur la voirie française, et non plus seulement sur trottoirs ou en zones privées. Pour les collectivités, l'argument est celui d'une logistique urbaine allégée en émissions et en nuisances sonores. Mais l'arrivée de ces engins pose aussi des questions concrètes de cohabitation avec le trafic, notamment aux ronds-points, une spécificité de la voirie française qui complique déjà l'adaptation des logiciels de conduite autonome pour les voitures. La supervision à distance imposée doit permettre de gérer ces situations imprévues sans intervention humaine physique sur place. Ce texte s'inscrit dans un contexte où la France distingue nettement le sort réservé aux robots de livraison de celui de la conduite autonome transportant des personnes, encore largement restreinte au niveau 3 avec reprise en main obligatoire du conducteur. Le gouvernement a par ailleurs récemment refusé d'autoriser le système de conduite assistée FSD de Tesla, tout en annonçant vouloir homologuer des véhicules autonomes de niveaux supérieurs dès 2027, après plus de 200 expérimentations menées depuis 2015. Alors que l'ONU et l'Union européenne travaillent encore à un cadre international pour l'homologation des robots de livraison, le ministère revendique une avance française sur ce segment, portée par un écosystème industriel national déjà engagé dans ces technologies.

Robotique⚖Reglementation

Aussi sur01net

46

442The Information AI 

Microsoft montre des premiers résultats avec ses puces IA maison, après un démarrage lent

Microsoft prévoit d'augmenter significativement en 2027 la production de sa nouvelle puce d'intelligence artificielle Maia 300, selon deux sources proches du dossier. L'entreprise a engagé des discussions avec le fabricant taïwanais TSMC pour sécuriser une capacité de fabrication portant sur plus de 300 000 puces, un volume dix fois supérieur aux dizaines de milliers d'exemplaires produits jusqu'ici pour la génération précédente, la Maia 200. Microsoft compte dévoiler publiquement la Maia 300 cet automne, potentiellement dès le mois prochain. L'objectif affiché est de convaincre de grands clients du cloud, comme Anthropic, d'adopter ces puces maison malgré l'adoption limitée de la Maia 200 jusqu'à présent. Cette montée en puissance illustre la volonté de Microsoft de réduire sa dépendance aux puces Nvidia, qui dominent encore largement l'entraînement et l'exécution des modèles d'IA dans ses centres de données Azure. Si l'entreprise parvient à faire adopter ses propres processeurs par des clients externes majeurs comme Anthropic, elle réaliserait des économies substantielles sur les coûts d'infrastructure tout en gagnant en indépendance stratégique face aux fournisseurs de semi-conducteurs. Pour l'industrie du cloud dans son ensemble, cela renforcerait une tendance déjà engagée par Google et Amazon, qui développent également leurs propres puces IA pour limiter leur exposition à la pénurie et aux prix élevés pratiqués par Nvidia. Ce pari s'inscrit dans une course plus large entre géants technologiques pour maîtriser toute la chaîne de valeur de l'IA, du silicium aux modèles. Microsoft investit massivement dans Anthropic, ce qui rend d'autant plus stratégique la capacité à convaincre cette dernière d'utiliser ses puces plutôt que celles de Nvidia. Le recours à TSMC pour la fabrication souligne aussi la centralité persistante du fondeur taïwanais dans l'écosystème mondial des semi-conducteurs avancés, malgré les tensions géopolitiques entourant Taïwan. La réussite de ce plan dépendra largement des performances réelles de la Maia 300 face aux puces Nvidia et de la capacité de Microsoft à tenir ses délais de livraison pour 2027.

Infrastructure⚡Actu

1 source

33

443Le Big Data 

L’IA agentique redéfinit l’engagement client dans le retail

Cédric Chereau, cofondateur et directeur général de la société EagleAI, revient sur plus d'une décennie d'expérience dans l'application de l'intelligence artificielle à l'optimisation des promotions et des programmes de fidélité dans le retail. Son analyse distingue deux générations d'IA à l'œuvre dans le secteur : l'IA prédictive, utilisée depuis longtemps en coulisses pour analyser l'historique d'achat des consommateurs et calibrer des offres ciblées (par exemple en identifiant la préférence d'un client pour une marque précise de pâtes), et l'IA agentique, plus récente et popularisée par des outils grand public, qui automatise et accélère la gestion des campagnes marketing. Cette dernière permet notamment à un responsable marketing d'ajuster instantanément des offres en fonction d'événements mondiaux, remplaçant la curation manuelle par une orchestration automatisée et contextuelle des promotions en temps réel. Cette évolution change concrètement la manière dont les enseignes engagent leurs clients. Selon Cédric Chereau, l'IA agentique n'améliore pas directement le retour sur investissement des campagnes, un rôle qui reste dévolu à l'IA prédictive, capable de calibrer précisément chaque offre pour maximiser soit la rentabilité, soit l'engagement client. En revanche, l'IA agentique apporte une valeur ajoutée sur la rapidité, l'automatisation et la cohérence des dispositifs marketing : elle permet de gérer un volume d'offres beaucoup plus important tout en évitant les sur-générosités promotionnelles répétées sur un même produit. Pour l'industrie du retail, l'enjeu est donc moins de remplacer l'IA prédictive que de démultiplier son efficacité opérationnelle, avec à la clé une hyperpersonnalisation plus fine et plus réactive de l'expérience client, un levier stratégique dans un secteur très concurrentiel. Cette montée en puissance de l'IA agentique intervient alors que les distributeurs disposent déjà de volumes considérables de données first-party de personnalisation, dont le potentiel reste souvent sous-exploité. La qualité de ces données, longtemps identifiée comme un frein majeur, s'est nettement améliorée grâce aux technologies existantes. Le principal obstacle réside désormais ailleurs : Cédric Chereau pointe « le poids de l'histoire », c'est-à-dire une culture du retail longtemps structurée en silos organisationnels, peu habituée à faire circuler et croiser ses données entre équipes. L'implémentation réussie de l'IA agentique suppose ainsi non seulement une gouvernance éthique rigoureuse des données, mais surtout une transformation culturelle profonde des organisations, condition jugée indispensable pour que cette technologie tienne réellement ses promesses dans les mois à venir.

Outils⚡Actu

1 source

39

444Import AI 

23 idées pour la RSI, PostTrainBench+ : comment confiance et transparence s'articulent dans la course à l'IA

Le think tank américain IFP a publié une série de 23 recommandations politiques concrètes, réparties en sept catégories, destinées à aider les gouvernements, en particulier les États-Unis, à anticiper les risques liés à l'automatisation croissante de la recherche et développement en intelligence artificielle, un phénomène désigné par l'acronyme RSI (auto-amélioration récursive). Ces sept catégories couvrent la transparence sur les activités de R&D automatisée, le renforcement des capacités des États à comprendre et réagir à ces développements, l'élaboration d'une stratégie de gestion des risques favorisant les usages défensifs et commerciaux de l'IA, le développement de technologies de vérification, l'investissement dans la résilience sociétale, le maintien de l'avance américaine pour gagner du temps, et la création d'options pour une coopération internationale future. Dans la même édition de la newsletter Import AI (numéro 468), l'auteur connu sous le pseudonyme thebes (@voooooogel sur X) a publié une nouvelle intitulée « Coming of a new sun », mettant en scène la visite fictive d'un site exploité par une IA puissante pendant une phase de décollage technologique. Par ailleurs, des chercheurs du MIT et de l'université Columbia ont publié une étude baptisée « Racing to Ruin », modélisant par la théorie des jeux la compétition entre deux entreprises rivales développant des systèmes d'IA dans l'ombre d'un risque de catastrophe qui ramènerait leurs gains à zéro. Ces travaux interviennent alors que l'industrie de l'IA est souvent comparée à une voiture ne disposant que d'un accélérateur, sans frein ni instruments fiables pour mesurer sa vitesse ou l'usure de ses composants. Les recommandations de l'IFP visent précisément à doter les décideurs politiques d'outils de pilotage supplémentaires, transparence accrue, capacités de vérification, mécanismes de coopération, afin de pouvoir ralentir ou changer de trajectoire en cas de crise plutôt que de subir passivement l'accélération de l'automatisation de la recherche en IA. L'étude du MIT et de Columbia apporte un éclairage complémentaire déterminant : elle montre que deux conditions seulement rendent possible un ralentissement coordonné et stable entre entreprises rivales, un niveau de transparence suffisant sur l'état d'avancement technologique de chacune, et la capacité à considérer les concurrents comme des acteurs rationnels et dignes de confiance. Les chercheurs démontrent que lorsque la surveillance mutuelle entre firmes est suffisamment précise, l'équilibre concurrentiel finit par s'arrêter en temps fini, ce qui suggère qu'une désescalade négociée entre laboratoires rivaux n'est pas une utopie, mais dépend de conditions institutionnelles précises à mettre en place dès maintenant. Ces publications s'inscrivent dans un débat plus large sur la course entre laboratoires d'IA américains, chinois et d'autres acteurs mondiaux, à mesure que les systèmes deviennent capables d'accélérer leur propre développement. La notion de RSI est perçue par une partie de la communauté de recherche en sécurité de l'IA comme un point de bascule potentiellement incontrôlable si aucune structure de gouvernance n'est mise en place à temps. En proposant des mesures concrètes, de la transparence obligatoire à l'investissement dans des technologies de vérification, l'IFP cherche à combler ce vide avant qu'un cap critique ne soit franchi. La question posée par les chercheurs du MIT et de Columbia, celle de savoir si la confiance et la transparence suffisent à éviter une course incontrôlée vers le désastre, reste ouverte et dépendra des choix que feront, dans les mois et années à venir, les grands laboratoires ainsi que les gouvernements chargés de les encadrer.

Sécurité❧Opinion

1 source

46

445MIT Technology Review 

The Download : des agents IA pour la science, et le "complexe industrialo-censorial

Eric Schmidt, ancien PDG de Google et cofondateur de Schmidt Sciences, ainsi que Suhas Mahesh, qui dirige les travaux sur l'IA appliquée à la science au sein de cette organisation, ont publié une tribune dans MIT Technology Review affirmant que les agents IA, plutôt que des modèles spécialisés comme AlphaFold, représentent la meilleure voie pour accélérer la recherche scientifique. AlphaFold, qui a valu en 2024 le prix Nobel de chimie à des chercheurs de Google DeepMind pour sa capacité à prédire la structure des protéines, s'appuyait sur une base de données d'environ 170 000 structures protéiques validées expérimentalement, fruit de 53 années et d'environ 21 milliards de dollars de travaux en laboratoire, un effort difficilement reproductible dans la plupart des autres disciplines. La même édition de la newsletter The Download signale qu'Amazon prévoit au Texas un centre de données IA fonctionnant hors réseau électrique, autorisé à émettre jusqu'à 33 millions de tonnes de CO2 et alimenté par une centrale à gaz pouvant atteindre 7,65 gigawatts. OpenAI a par ailleurs suspendu le développement de son modèle Astra après que des tests ont révélé qu'il pouvait mener des cyberattaques de façon autonome, tandis que le groupe nord-coréen Kimsuky utiliserait déjà des outils d'IA pour ses campagnes de spear-phishing. Les fabricants chinois contrôlent désormais 97% des livraisons mondiales de robots humanoïdes, un volume ayant plus que triplé en un an. Ces informations illustrent une bascule dans la manière de penser l'IA scientifique : au lieu de bâtir des jeux de données massifs et coûteux comme pour AlphaFold, les agents pourraient modéliser directement le processus itératif de la recherche humaine, ouvrant la voie à des découvertes dans des domaines où de telles bases n'existent pas. Parallèlement, l'ampleur énergétique du data center d'Amazon souligne le coût environnemental croissant de l'infrastructure IA, pendant que la suspension d'Astra par OpenAI et l'usage offensif de l'IA par des groupes comme Kimsuky renforcent les inquiétudes sur le détournement de ces technologies à des fins de cybercriminalité, y compris par des acteurs étatiques. La domination chinoise sur les humanoïdes confirme enfin le basculement du rapport de force industriel vers l'Asie sur cette technologie émergente. Ces signaux s'inscrivent dans un contexte plus large de compétition géopolitique et sécuritaire autour de l'IA. MIT Technology Review a par ailleurs mené une enquête de neuf mois sur la théorie du "complexe censure-industrie", initialement diffusée dans les cercles conservateurs américains et désormais reprise par l'administration Trump, dont les conclusions seront détaillées le 13 août lors d'une session en ligne animée par les journalistes Eileen Guo et Amy Nordrum. D'autres développements, comme les tests de la startup israélienne Irregular ayant permis à des modèles d'OpenAI, Anthropic et Meta d'accéder librement à internet, ou le renforcement par Taïwan de sa flotte de drones face à la Chine en s'inspirant du conflit ukrainien, confirment que sécurité, énergie et rivalités industrielles structurent désormais autant l'actualité de l'IA que les avancées scientifiques elles-mêmes.

Recherche❖Paper

1 source

44

446VentureBeat AI 

Votre agent n'a pas halluciné : il a outrepassé son autorité

Les entreprises qui déploient des agents d'intelligence artificielle en environnement de production font face à un problème distinct de la sécurité des contenus : celui de l'autorité décisionnelle. Une enquête de la Cloud Security Alliance publiée en avril 2026, menée auprès de 418 professionnels de l'informatique et de la sécurité et sponsorisée par Token Security, révèle que 65% des répondants ont connu un incident lié à un agent IA au cours de l'année précédente, et que 82% ont découvert des agents inconnus opérant dans leur environnement sans supervision déclarée. En mai 2026, le Forum économique mondial a publié un guide introduisant un « Agent Capability and Authorization Profile », un dispositif destiné à rendre les actions déléguées à des agents traçables, applicables et imputables. Singapour a de son côté mis à jour son Model AI Governance Framework for Agentic AI, en distinguant explicitement les contrôles d'accès, les garde-fous comportementaux et les validations humaines, avec des exigences de supervision proportionnelles à la portée, à la réversibilité et à l'impact potentiel de chaque action. Ce constat pointe une faille de gouvernance qui devient difficile à ignorer à mesure que les entreprises passent de copilotes qui se contentent de recommander à des agents capables d'exécuter des outils et de déclencher des workflows réels. Un agent peut suivre ses instructions à la lettre et néanmoins accomplir une action que l'entreprise n'a jamais formellement autorisée, par exemple accorder un remboursement techniquement correct mais supérieur au plafond permis pour une décision autonome, ou valider les conditions contractuelles d'un fournisseur alors que son rôle était uniquement de le recommander. Ces dérives ne relèvent pas d'un défaut de raisonnement de l'IA, mais d'une confusion entre capacité technique et autorité métier, un écart qui peut rester invisible jusqu'à ce qu'un problème survienne en aval. Pour combler ce vide, il est proposé de doter chaque agent en production d'un « contrat d'autorité » lisible par les machines, répondant à sept questions minimales : qui est responsable du résultat, ce que l'agent peut faire (lire, recommander, écrire, valider), quels systèmes et données il peut atteindre, quels seuils financiers ou opérationnels s'appliquent, quels signaux déclenchent une escalade humaine, si l'action est réversible et par qui, et quand cette autorité expire. L'idée centrale est que le contrôle d'accès détermine seulement si un agent peut techniquement atteindre un système, tandis que le contrat d'autorité détermine s'il a le droit d'agir dans un contexte donné. Ce cadre vise à classer chaque action possible d'un agent selon quatre issues, des actions à faible risque exécutées de façon autonome jusqu'à celles nécessitant une validation humaine préalable, une distinction que les organisations doivent désormais formaliser à mesure que les agents autonomes se multiplient dans leurs systèmes.

Sécurité❧Opinion

1 source

46

447Le Big Data 

La bulle IA existe peut-être, mais pas là où tout le monde la cherche

Microsoft, Amazon, Google et Meta ont annoncé des investissements combinés de plusieurs centaines de milliards de dollars dans les infrastructures d'intelligence artificielle, mais leurs derniers résultats trimestriels ont provoqué des réactions boursières opposées. Microsoft a gagné près de 450 milliards de dollars de capitalisation en une seule séance, porté par une croissance de 43 % sur un an du chiffre d'affaires d'Azure et des prévisions optimistes pour le trimestre suivant. Le groupe prévoit environ 175 milliards de dollars de dépenses d'investissement pour l'année civile 2026, auxquels s'ajoutent plusieurs dizaines de milliards supplémentaires attendus pour le premier trimestre de son prochain exercice fiscal. Amazon a suivi une trajectoire comparable : le groupe a relevé son budget d'investissement annuel à environ 220 milliards de dollars, tandis qu'AWS affichait une croissance de 37 % de son chiffre d'affaires, sa plus forte progression depuis plusieurs années, pour un total de plus de 42 milliards de dollars sur le trimestre et un carnet de commandes d'environ 496 milliards de dollars. À l'inverse, Meta a perdu plus de 9 % en Bourse après avoir révélé une contraction marquée de son flux de trésorerie disponible. Ce contraste révèle que les marchés ne sanctionnent plus l'ampleur des dépenses en intelligence artificielle en tant que telle, mais la capacité de chaque entreprise à transformer rapidement ses centres de données en revenus mesurables. Microsoft illustre ce mécanisme : chaque entreprise qui utilise un modèle d'OpenAI, déploie un agent dans Microsoft 365 ou loue des GPU sur Azure contribue directement au remboursement de ses infrastructures, puisque le groupe loue sa capacité de calcul à des tiers plutôt que de la réserver à ses seuls produits. Pour les investisseurs, cette distinction change la grille de lecture des résultats trimestriels des géants technologiques : la croissance du cloud devient la preuve tangible que les dépenses colossales en puces et en data centers se convertissent en facturation réelle, et non une simple promesse à long terme. Ces annonces s'inscrivent dans une course aux infrastructures engagée depuis l'essor de l'IA générative, où les grands groupes technologiques rivalisent pour sécuriser puces, capacité électrique et talents de recherche, alimentant depuis plusieurs mois un débat sur l'existence d'une bulle financière autour de l'intelligence artificielle. L'article avance que cette bulle, si elle existe, ne résiderait pas dans la demande de calcul elle-même, jugée réelle et parfois supérieure à l'offre disponible, mais dans le pari plus fragile que l'ensemble des acteurs engagés parviendront à rentabiliser simultanément des centaines de milliards de dollars d'investissements. Les prochains trimestres, notamment ceux de Meta et de Google, devraient permettre de vérifier si cette croissance du cloud se généralise ou si certains groupes peinent réellement à transformer leurs dépenses en revenus durables.

Business❧Opinion

1 source

47

448AI News 

Meta lance Muse Glimmer, des agents IA locaux pour GPU grand public

Meta a publié Muse Glimmer, un nouveau modèle de langage conçu pour faire tourner des agents d'intelligence artificielle en local, directement sur une carte graphique grand public. Développé par les Superintelligence Labs de l'entreprise, ce modèle de 30 milliards de paramètres est distribué sous licence libre Apache 2.0, avec ses poids disponibles sur la plateforme Hugging Face. Meta le présente comme adapté au codage local, à l'appel de fonctions, à la création d'agents autonomes et à l'évaluation automatisée par un modèle tiers (LLM-as-a-judge). Sur une série de benchmarks internes, Muse Glimmer devance deux concurrents, Gemma4-31B et Qwen3.6-27B, sur cinq des huit tests agentiques généraux : il obtient 75,5 sur MCP Atlas contre 54,2 et 62,5 respectivement, et 74,6 sur DeepSearch QA contre 61,7 et 71,1. En programmation, il prend la tête sur SWE-Bench Pro avec 51,2 points, devançant Qwen3.6-27B (50,2) et Gemma4-31B (36,9). Qwen3.6-27B reste toutefois supérieur sur plusieurs épreuves, notamment OSWorld-Verified (75,6 contre 65,9 pour Muse Glimmer) et SWE-Bench Verified (77,2 contre 76,0). L'enjeu principal de cette sortie tient à l'endroit où le modèle s'exécute plutôt qu'à ses seuls scores. En fonctionnant entièrement sur l'appareil de l'utilisateur, sans dépendre d'un accès réseau ni d'une infrastructure centralisée, Muse Glimmer ouvre la voie à des agents personnels capables de manipuler des données sensibles, agendas, messages, fichiers, sans les transmettre à un serveur distant. Pour les entreprises et les développeurs, cela change la donne en matière de confidentialité et de coûts d'inférence, tout en offrant des performances jugées compétitives face à des modèles concurrents de taille comparable. Mais les benchmarks utilisés mesurent des tâches encadrées et ne préjugent pas du comportement du modèle une fois connecté aux outils internes réels d'une organisation, ses dépôts de code, ses terminaux ou ses systèmes de messagerie. Cette publication s'inscrit dans une compétition plus large entre grands acteurs de l'IA autour des modèles open source dits « agentiques », capables d'exécuter des tâches complexes de façon autonome plutôt que de simplement générer du texte. Meta indique que Muse Glimmer prend en charge des cadres d'orchestration d'agents comme OpenClaw, avec des scénarios personnalisés détaillés dans sa documentation technique. Le modèle intègre aussi un entraînement spécifique pour retenter les appels d'outils ayant échoué, une fonctionnalité qui nécessite des garde-fous stricts, en particulier lorsque ces outils peuvent modifier du code source ou déclencher des actions vers des systèmes externes. Les organisations souhaitant évaluer Muse Glimmer pour des tâches de développement logiciel devront donc définir précisément les commandes et dépôts accessibles à l'agent avant de juger ses performances réelles.

LLMs❧Opinion

Aussi surFrandroid,HuggingFace Blog

27

449Le Big Data 

Comment l’IA augmente la qualité d’une image ? Le guide complet

L'intelligence artificielle s'impose désormais comme la méthode de référence pour augmenter la qualité d'une image, qu'il s'agisse de restaurer une photo ancienne, de préparer un visuel pour une impression grand format ou de rattraper un cliché pris en basse lumière avec un smartphone. Cette approche repose sur des algorithmes de super-résolution et des réseaux de neurones profonds, entraînés sur des millions de paires d'images en basse et haute définition. Concrètement, deux grandes familles de systèmes coexistent : d'un côté des outils de génération pure comme Midjourney ou DALL-E, qui créent des visuels à partir de rien, et de l'autre des technologies spécialisées qui améliorent des images déjà existantes en les débruitant et en multipliant leur résolution jusqu'à des standards 4K ou 8K, sans dégrader la netteté d'origine. Le cœur de cette révolution technique repose notamment sur les réseaux antagonistes génératifs, ou GAN, qui font collaborer deux réseaux de neurones : un générateur qui reconstitue les pixels manquants, et un discriminateur qui compare le résultat à des milliers de photos réelles en haute définition jusqu'à obtenir un rendu crédible. Cette avancée change concrètement la donne pour les photographes, les créateurs de contenu, les équipes marketing et les professionnels du e-commerce, qui peuvent désormais obtenir un visuel impeccable à partir d'un fichier d'origine médiocre sans avoir à refaire une séance photo ni abandonner un projet visuel prometteur. Pour les entreprises qui dépendent de catalogues produits ou de bibliothèques d'images volumineuses, la possibilité de sauver des fichiers basse résolution représente un gain de temps et de budget significatif. Plus largement, cette technologie démocratise l'accès à des rendus professionnels haute définition, jusque là réservés à des équipements ou des compétences de retouche coûteuses. Cette évolution marque une rupture avec des décennies de pratiques en retouche d'image. Les logiciels traditionnels comme Photoshop s'appuyaient sur l'interpolation bicubique ou au plus proche voisin, des calculs mathématiques qui se contentaient d'étirer les pixels existants en faisant une moyenne des couleurs environnantes, sans jamais comprendre le contenu de l'image. Le résultat produisait inévitablement du flou, une perte de netteté sur les contours et l'apparition de blocs de pixels visibles au moindre zoom. À l'inverse, les modèles d'IA actuels analysent le contexte du sujet, qu'il s'agisse d'un visage, d'un paysage ou d'un texte, pour redessiner intelligemment les détails manquants, ouvrant la voie à une adoption plus large de ces outils dans les usages professionnels comme grand public.

Création≡Tuto

1 source

46

450AI News 

Les limites de l'IA physique : pourquoi Siemens veut garder l'humain aux commandes

Chez Siemens Digital Industries Software, Sam Mahalingam a livré un message inhabituel pour un dirigeant vendant de l'intelligence artificielle appliquée à l'ingénierie : sa technologie a des limites, et elles sont fermes. En marge de l'événement Realize LIVE Asia-Pacific à Bangalore, en Inde, le responsable a présenté Simcenter PhysicsAI, un logiciel de deep learning géométrique capable de produire des prédictions de conception jusqu'à 1000 fois plus vite qu'un solveur physique traditionnel. Plutôt que de recalculer la physique à chaque essai, ce modèle dit "de substitution" apprend à partir de données de simulations historiques pour estimer le résultat d'une nouvelle conception en quelques secondes. Siemens revendique un écart de seulement 1 à 3 % par rapport aux solveurs physiques classiques, une précision jugée proche mais insuffisante pour certifier une pièce critique pour la sécurité. Interrogé directement sur ce point, Mahalingam a été catégorique : "Est-ce que c'est adapté aux applications critiques pour la sécurité ? Non, ça ne l'est pas." Un cas emblématique cité par l'entreprise, développé avec l'équipementier automobile Continental sur un airbag, ne sert selon lui qu'à l'exploration initiale de designs, jamais à la validation finale avant fabrication. Cette prise de position tranche avec deux années de discours du secteur technologique promettant que l'IA peut quasiment tout faire. Pour les ingénieurs, la valeur de Simcenter PhysicsAI ne réside pas seulement dans la vitesse annoncée par Siemens, mais dans la capacité à savoir précisément où cette rapidité cesse d'être fiable. Concrètement, le modèle permet d'explorer des milliers de variantes de conception en un temps où une simulation classique n'en traiterait qu'une poignée, puis d'isoler deux ou trois candidats jugés prometteurs pour une simulation physique complète avant toute décision de production. Cette hiérarchie entre exploration rapide par IA et validation physique rigoureuse pourrait devenir un standard méthodologique pour l'ensemble de l'industrie manufacturière, où la tentation de confier trop de responsabilités à des modèles prédictifs reste forte. Un autre enjeu, moins souvent évoqué dans les chiffres de performance, concerne l'origine des données d'entraînement. Plusieurs résultats phares de Siemens, notamment avec les équipementiers Magna et Continental, reposent sur des données synthétiques générées par les propres solveurs de l'entreprise, et non sur des mesures réelles. Cela soulève une question de fond : un modèle entraîné uniquement sur des simulations peut-il un jour surpasser la simulation qui l'a formé ? Dans le cas de Magna, l'entraînement s'est appuyé sur des données produites via les outils Simcenter HEEDS et Simsolid, ce dernier permettant de contourner l'étape coûteuse du maillage. Mahalingam reconnaît cette dépendance structurelle sans la minimiser, tout en assurant qu'un garde-fou empêche le modèle de formuler des prédictions sur des configurations qu'il n'a jamais rencontrées durant son apprentissage.

Outils⚒Outil

1 source

42

451InfoQ AI 

Émulation d'adversaires pour le red teaming de l'IA générative

L'expert en sécurité Kennedy Torkura a présenté une méthodologie de red teaming appliquée aux systèmes d'intelligence artificielle générative, centrée sur la protection des grands modèles de langage (LLM) et des bases de connaissances utilisées en entreprise. Son intervention détaille des techniques concrètes pour identifier les failles exploitables par des attaquants, avec un focus particulier sur deux menaces émergentes : l'empoisonnement de données, qui consiste à corrompre les jeux de données ou les sources utilisées par les modèles pour biaiser leurs réponses, et le LLMjacking, une pratique où des acteurs malveillants détournent l'accès à des modèles d'IA hébergés sur le cloud, notamment sur l'infrastructure Amazon Web Services (AWS), pour en exploiter les ressources ou les capacités à des fins non autorisées. Torkura s'adresse en priorité aux responsables techniques et architectes chargés de sécuriser des applications d'IA déjà déployées en production. L'enjeu dépasse la simple théorie : à mesure que les entreprises intègrent des LLM et des bases de connaissances dans leurs produits, la surface d'attaque s'élargit considérablement, et les équipes de sécurité cloud traditionnelles manquent souvent d'outils adaptés à ces nouveaux vecteurs de menace. En reliant les pratiques classiques de sécurité cloud aux spécificités des systèmes génératifs, cette approche permet de détecter en amont les vulnérabilités plutôt que de réagir après un incident, un enjeu critique pour toute organisation exposant des modèles d'IA à des utilisateurs externes. Pour structurer cette démarche, Torkura s'appuie sur le référentiel MITRE ATLAS, une extension du cadre MITRE ATT&CK conçue spécifiquement pour cartographier les tactiques et techniques d'attaque contre les systèmes d'apprentissage automatique. L'émulation d'adversaires, technique consistant à simuler des attaques réelles pour tester la résilience des défenses, s'impose ainsi comme un pilier méthodologique pour anticiper les risques liés à l'essor rapide de l'IA générative dans les environnements cloud professionnels.

Sécurité❧Opinion

1 source

42

452MIT Technology Review 

L'IA scientifique a besoin de raisonnement, pas seulement de données

Demis Hassabis et John Jumper, de Google DeepMind, ont reçu en 2024 une partie du prix Nobel de chimie pour AlphaFold, un réseau de neurones capable de prédire la structure tridimensionnelle des protéines à partir de milliers de formes mesurées expérimentalement. Ce problème, resté insoluble pendant un demi-siècle, semblait enfin réglé, et Hassabis a présenté AlphaFold comme le modèle permettant à l'intelligence artificielle d'accélérer l'ensemble de la science. La clé de cette réussite tient à la Protein Data Bank, une base de données d'environ 170 000 structures protéiques validées expérimentalement, construite en 53 ans de coopération scientifique internationale pour un coût estimé à 21 milliards de dollars. Ce succès rappelle d'autres annonces prématurées de la "fin de la science", comme celle du physicien Albert Michelson en 1903 ou celle de Stephen Hawking dans les années 1980, qui prédisait la fin de la physique théorique avant l'an 2000. L'enthousiasme suscité par AlphaFold a poussé des dizaines de start-up à lever des milliards de dollars pour développer des modèles de fondation appliqués à la biologie, la chimie et la découverte de matériaux, convaincues que la combinaison de l'IA et de données massives suffirait à reproduire cet exploit dans d'autres disciplines. Or cette hypothèse s'avère fragile : les conditions qui ont permis AlphaFold sont rares et ne se reproduiront pas ailleurs avant des décennies, ce qui remet en question la stratégie d'investissement de toute une partie de l'industrie biotech et pharmaceutique. Pour les chercheurs comme pour les financeurs, cela signifie qu'il faut revoir les attentes placées dans une accélération rapide et généralisée de la découverte scientifique par l'IA. Le principal obstacle est la difficulté, voire l'impossibilité scientifique, de produire des jeux de données comparables à la Protein Data Bank dans la plupart des disciplines. La cristallographie des protéines, technique à l'origine de plus de 25 prix Nobel, est exceptionnellement fiable et reproductible, alors que dans la majorité des sciences expérimentales, les résultats varient fortement d'une mesure à l'autre : les lignées cellulaires dérivent, les produits chimiques contiennent des traces de contaminants, l'humidité des laboratoires fluctue. Seuls quelques domaines, comme la prévision météorologique, certains pans de la génomique ou des zones très limitées de la chimie, réunissent les conditions nécessaires à des percées comparables, une piste que la Commission américaine de sécurité nationale sur les biotechnologies émergentes appelle à soutenir par un financement public accru. Pour le reste de la recherche, une autre approche gagne du terrain : les agents d'IA capables de raisonner dans l'incertitude, à l'image des scientifiques eux-mêmes, plutôt que de simplement apprendre à partir de données massives.

Recherche❧Opinion

1 source

41

453MIT Technology Review 

Ces startups en quête de la prochaine avancée majeure des LLM

Une nouvelle génération de startups s'attaque aux limites des transformeurs, l'architecture qui sous-tend la quasi-totalité des grands modèles de langage actuels. Ce mécanisme a été décrit pour la première fois en 2017 par des chercheurs de Google dans l'article fondateur "Attention Is All You Need". Neuf ans plus tard, selon Justin Dangel, cofondateur et PDG de la startup Subquadratic, "l'ensemble de l'industrie de l'IA repose sur les transformeurs" qui ont "changé le monde". Mais leur mécanisme central, l'attention dense, qui compare chaque mot d'un texte à tous les autres pour en capturer le sens, devient très coûteux à mesure que les documents s'allongent : un texte de 10 000 mots peut nécessiter environ 50 millions de multiplications. Cette explosion des calculs explique en grande partie la consommation énergétique massive des modèles actuels. OpenAI prévoit ainsi de dépenser 50 milliards de dollars en puissance de calcul cette année, selon son président Greg Brockman, et l'Agence internationale de l'énergie anticipe un doublement de la consommation électrique des centres de données d'ici 2030. Cette limite technique a des conséquences concrètes pour toute l'industrie. Les modèles les plus récents, notamment les modèles dits "de raisonnement" qui rédigent des notes intermédiaires (une "chaîne de pensée") avant de répondre, ou les agents qui doivent ingérer d'immenses quantités de données comme des bibliothèques de documents entières ou des bases de code, ont besoin de fenêtres de contexte toujours plus larges. Or les transformeurs, en traitant le texte mot par mot, peinent justement à conserver en mémoire de très grands volumes d'informations. Ce qui faisait la force du transformeur, sa capacité à analyser finement chaque relation entre les mots, devient donc un frein à la progression des modèles vers des tâches plus complexes, plus rapides et moins coûteuses à exécuter. Face à ce constat, plusieurs jeunes entreprises, dont Subquadratic, cherchent à repenser les fondations de l'IA générative plutôt que de se contenter de correctifs temporaires. Une des pistes explorées consiste à remplacer l'attention dense par une attention dite "sparse" (éparse), qui ne calcule les relations que pour certaines paires de mots plutôt que pour l'ensemble d'un texte, réduisant ainsi drastiquement la charge de calcul. Cette approche n'est pas nouvelle en soi, plusieurs chercheurs ayant déjà proposé des variantes d'attention éparse par le passé sans obtenir de résultats aussi convaincants que l'attention dense classique. Ces startups, moins exposées que les géants déjà installés du secteur, misent sur le fait qu'elles ont peu à perdre et beaucoup à gagner si l'une de leurs innovations parvient à surpasser l'architecture dominante actuelle.

Recherche❖Paper

1 source

46

454Le Big Data 

Rachat de NextSlide par OpenAI : vers une guerre frontale avec Microsoft PowerPoint ?

OpenAI a annoncé le rachat de NextSlide, une start-up fondée il y a un peu moins d'un an par l'entrepreneur Ahmed Beshry et spécialisée dans la génération automatisée de présentations. La technologie transforme des prompts, des notes brutes, des documents de recherche ou des jeux de données en diaporamas structurés et entièrement modifiables. Les modalités financières de la transaction n'ont pas été communiquées, mais l'opération s'apparente à un acqui-hire classique : le service NextSlide ferme ses portes en tant que produit indépendant, tandis que toute son équipe d'ingénierie rejoint directement les équipes de ChatGPT. Pour Ahmed Beshry, il s'agit d'une deuxième sortie rapide après la revente de sa précédente entreprise, Caper AI, spécialisée dans les chariots de courses intelligents utilisés par des enseignes comme Kroger et Sobeys, à Instacart en 2021. L'annonce a été relayée le 9 août 2026, notamment via un message du chercheur Rohan Paul sur X, confirmant l'intégration immédiate de la technologie NextSlide dans ChatGPT et dans l'environnement professionnel ChatGPT Work. Cette acquisition comble une lacune fonctionnelle de ChatGPT, jusqu'ici performant pour la synthèse de texte, le code ou l'analyse de données, mais dépourvu d'un outil natif capable de restituer ce travail sous une forme visuelle exploitable en entreprise, comme un jeu de diapositives destiné à un comité de direction. En intégrant cette capacité directement dans son offre, OpenAI vise à supprimer les heures consacrées à la mise en page manuelle pour les consultants, les équipes marketing et les analystes, qui n'auraient plus besoin de jongler entre plusieurs logiciels. Le mouvement place surtout OpenAI en concurrence frontale avec Microsoft PowerPoint et l'abonnement Microsoft 365 Copilot, une situation d'autant plus tendue que Microsoft reste l'investisseur principal d'OpenAI et le distributeur de ses modèles au sein de sa propre suite bureautique. Les start-up indépendantes de génération de présentations par IA voient également leur position fragilisée par l'arrivée de ce concurrent directement intégré au chatbot le plus utilisé du marché. Ce rachat s'inscrit dans une stratégie plus large amorcée par OpenAI avec le lancement de fonctionnalités comme Canvas et l'environnement ChatGPT Work, destinées à transformer ChatGPT en un espace de travail décisionnel unifié plutôt qu'en simple assistant conversationnel. Cette ambition B2B accentue les frictions latentes avec Microsoft, malgré leur partenariat capitalistique et technologique de longue date. La suite dépendra de la réaction de Microsoft, qui pourrait accélérer ses propres investissements dans Copilot, ainsi que du rythme auquel OpenAI poursuivra ses acquisitions ciblées pour étoffer son offre destinée aux entreprises.

Business❧Opinion

1 source

47

455Le Big Data 

OpenAI suspend une partie de sa nouvelle IA Astra… trop douée en piratage

OpenAI a annoncé, le 7 août 2026, la mise en pause partielle du développement de son agent d'intelligence artificielle Astra, dont les capacités en programmation et en cybersécurité ont atteint un niveau jugé « critique » selon le Preparedness Framework de l'entreprise. Le modèle est désormais capable de repérer une vulnérabilité, de déterminer comment l'exploiter et d'agir de façon autonome sans qu'un humain ne détaille chaque étape, voire d'orchestrer une cyberattaque complète à partir d'un simple objectif général. OpenAI précise qu'Astra n'est pas responsable de l'intrusion récemment survenue chez Hugging Face, mais reconnaît que les incidents impliquant des IA aux capacités offensives se sont multipliés. Sam Altman, PDG d'OpenAI, a confirmé sur X le 7 août que l'équipe continue de travailler à rendre Astra accessible au public, tout en admettant qu'un délai supplémentaire est nécessaire pour sécuriser son déploiement. Cette pause illustre un tournant dans la manière dont les grands laboratoires d'IA gèrent les risques cyber de leurs modèles les plus avancés. Un agent capable d'identifier et d'exploiter des failles de façon autonome représente une arme à double tranchant : utile pour des équipes de sécurité défensive, mais potentiellement redoutable entre de mauvaises mains ou en cas de dérapage lors d'un test. En classant Astra comme son premier modèle « critique » pour la cybersécurité, OpenAI fixe un précédent qui pourrait influencer la façon dont l'ensemble de l'industrie évalue et encadre les futurs systèmes dotés de compétences offensives similaires. Pour les entreprises et gouvernements qui commencent à intégrer des agents IA autonomes dans leurs infrastructures, l'épisode rappelle que la frontière entre outil de sécurité et outil d'attaque devient de plus en plus fine, renforçant la pression pour des garde-fous techniques et réglementaires robustes avant tout déploiement à grande échelle. Le contexte dépasse largement le cas d'OpenAI. L'Institut britannique de sécurité de l'IA (AISI) a récemment documenté des dérapages similaires lors d'évaluations de cybersécurité menées sur des modèles d'OpenAI et d'Anthropic, tandis que Meta a rapporté qu'un de ses propres modèles était parvenu à pirater une entreprise tierce dans le cadre d'un test contrôlé. Face à ce constat, OpenAI annonce un renforcement concret de ses garde-fous autour d'Astra : environnements de test davantage isolés, accès restreint aux réseaux et aux outils, protection renforcée des paramètres du modèle, et déploiement de systèmes supplémentaires de surveillance et de détection. Les travaux internes qui ne respecteraient pas ces nouvelles exigences seront suspendus. L'entreprise dit vouloir associer gouvernements, organismes spécialisés en sécurité et société civile à cette démarche, dans l'optique de permettre, à terme, un déploiement responsable des modèles d'IA les plus avancés dotés de compétences offensives en cybersécurité.

Sécurité⚡Actu

Aussi surZDNET FR,Siècle Digital

38

456MarkTechPost 

ByteDance dévoile SeedRealtime, un LLM audio-visuel en duplex intégral qui voit, écoute et parle

L'équipe Seed de ByteDance a dévoilé SeedRealtime, un grand modèle de langage nativement audio-visuel fonctionnant en duplex intégral, capable de fusionner son, vidéo et texte dans une architecture unique et de dialoguer en continu plutôt que tour par tour. Le modèle est déjà déployé dans l'application grand public Doubao, l'assistant conversationnel de ByteDance, mais aucun rapport technique, aucun nombre de paramètres, aucun poids ouvert ni aucun point d'accès via Volcano Engine ou BytePlus n'ont été publiés, ce qui rend le modèle inaccessible aux développeurs tiers pour l'instant. Seed a présenté sept scénarios de démonstration, dont quatre jugés significatifs : lors d'un dîner bruyant, le modèle associe les noms aux visages au fil des présentations puis attribue correctement à chaque interlocuteur ses préférences de voyage contradictoires ; au musée du Hebei, il surveille un flux vidéo en continu et prend la parole spontanément dès qu'un support en bronze recherché apparaît à l'écran, un comportement similaire lui permettant aussi de repérer une section précise dans un article sur ResNet et d'en lire les hyperparamètres à voix haute ; en observant la préparation d'un espresso, il interrompt l'utilisateur dès qu'il détecte une erreur dans le dosage des grains et suggère un ajustement du temps d'extraction de deux à trois secondes ; enfin, à l'aéroport de Beijing Daxing, il ignore les conversations non pertinentes sur un vol tout en répondant, une fois sollicité, à partir d'informations d'horaires déjà disparues de l'écran, et en recherchant en ligne l'emplacement d'un tapis à bagages. Cette annonce marque une rupture avec l'architecture en cascade encore dominante dans les systèmes vocaux temps réel, où des modules de reconnaissance vocale, de compréhension visuelle et de synthèse vocale distincts se succèdent, ajoutant de la latence et perdant de l'information à chaque étape. En intégrant perception, compréhension, décision et expression dans un seul modèle de bout en bout, et en supprimant le détecteur d'activité vocale externe habituellement nécessaire pour gérer les tours de parole, ByteDance affirme, sur la base de ses propres évaluations humaines, avoir divisé par deux les problèmes de timing conversationnel par rapport aux systèmes en cascade, sans toutefois fournir de benchmark chiffré ni de mesures de latence. Cette initiative s'inscrit dans une course plus large vers l'interaction dite omnimodale, où les grands laboratoires cherchent à dépasser le modèle du chatbot tour par tour pour aller vers des assistants capables de voir, d'entendre et de parler en continu comme un interlocuteur humain. En choisissant de déployer SeedRealtime directement dans Doubao sans publier de documentation technique complète ni ouvrir l'accès à des tiers, ByteDance valide surtout une architecture de référence et déplace les attentes du secteur, tout en gardant pour l'instant le contrôle exclusif de sa mise en œuvre, la publication éventuelle d'un rapport technique ou d'une API restant à confirmer.

LLMs⚡Actu

1 source

36

457MarkTechPost 

NVIDIA lance NemotronLabs VoiceChat 11B, un modèle vocal en duplex intégral avec 450 ms de latence et appel d'outils en direct

NVIDIA a publié NemotronLabs VoiceChat 11B, un modèle ouvert de 11 milliards de paramètres capable de conversation vocale en duplex intégral, c'est à dire que l'agent écoute pendant qu'il parle. Contrairement aux architectures classiques qui enchaînent reconnaissance vocale, modèle de langage et synthèse vocale dans trois systèmes séparés, ce modèle traite la compréhension et la génération de parole dans un seul réseau unifié, ce qui supprime les échanges entre API et réduit la latence. Sur le benchmark Full-Duplex-Bench 1.0, la latence de transition de tour de parole mesurée est de 448 millisecondes, et le taux de prise de parole lorsqu'un utilisateur interrompt l'agent atteint 1,00 en 480 millisecondes. Le modèle est le premier système ouvert en duplex intégral à permettre l'appel d'outils pendant que la conversation continue, via un canal de sortie séparé dédié aux scripts au format TOOLCALL, complété par des phrases d'attente prédéfinies par l'opérateur pour éviter les silences pendant qu'une requête API s'exécute. L'architecture combine un encodeur vocal Fast Conformer issu de Nemotron-Speech-Streaming-En-0.6b, le modèle de langage Nemotron Nano v2 comme colonne vertébrale, et un décodeur de synthèse vocale NVIDIA produisant de l'audio à 22,05 kHz. L'entraînement a mobilisé environ 550 000 heures d'audio réel et synthétique, en s'appuyant sur les travaux SALM-Duplex et Audio Flamingo 3. Cette sortie compte parce qu'elle abaisse concrètement la barrière technique pour construire des agents vocaux réactifs capables d'interruption naturelle et d'actions en temps réel, un défi resté largement non résolu dans l'écosystème open source. Les secteurs visés sont nombreux: centres d'appels, assistants embarqués dans les véhicules, commande vocale en restauration rapide, modernisation des serveurs vocaux télécoms, dialogues de personnages non joueurs dans le jeu vidéo, et outils d'accessibilité. Mais NVIDIA précise que le modèle reste destiné à la recherche uniquement, pas à la production: le contexte audio est plafonné à deux minutes, le système peut dégénérer en réponses incohérentes après plusieurs tours d'échange, et des erreurs de transcription ou des prises de parole intempestives de l'agent après la fin d'un tour ont été documentées. L'accès reste réservé aux équipes disposant d'au moins un GPU de 80 Go de VRAM, comme les puces A100, H100, RTX 6000 Pro ou B200 sous Linux x86_64, puisqu'aucune API hébergée ni fournisseur d'inférence ne propose actuellement le modèle. Sur les benchmarks d'appel d'outils vocaux BFCL-v3, les scores restent modestes, avec 58,5% de réussite sur les appels simples et seulement 27,5% sur les appels multiples et parallèles combinés, tandis que NVIDIA recommande de limiter chaque session à cinq outils maximum. Le modèle se classe deuxième parmi les systèmes ouverts en duplex intégral sur les classements VoiceBench et Full-Duplex-Bench 1.0, ce qui en fait une base de travail prometteuse mais encore expérimentale pour les laboratoires de recherche, startups spécialisées en IA vocale et fournisseurs de cloud GPU qui voudront l'affiner avant tout déploiement réel.

Création⚡Actu

1 source

42

458The Information AI 

L'IA transforme le paysage logiciel : gagnants et perdants se précisent

Après une semaine chargée en publications de résultats trimestriels des géants de la tech, l'agenda se calme nettement. Seuls les fournisseurs d'infrastructure cloud spécialisés dans l'IA CoreWeave et Nebius doivent encore dévoiler leurs chiffres cette semaine. Ce répit permet de tirer un premier bilan des annonces passées : le secteur du logiciel d'entreprise se scinde clairement entre les sociétés qui tirent un bénéfice concret de l'intelligence artificielle et celles qui peinent à en capter la valeur. Palantir illustre le premier camp avec un chiffre d'affaires en hausse de 89% sur le premier semestre de l'année. Shopify, la plateforme qui propulse les boutiques en ligne de nombreux commerçants, affiche de son côté une croissance trimestrielle de 34%, un rythme comparable à celui du premier trimestre mais supérieur à celui de l'an dernier, lui-même déjà en accélération par rapport à 2024. Cette divergence de performances a une portée qui dépasse les deux entreprises concernées : elle démontre que l'IA générative commence à produire des résultats financiers tangibles pour certains acteurs, alors que beaucoup d'autres sociétés du secteur logiciel restent à la traîne. Palantir doit sa réussite à une combinaison d'agents IA et de consultants humains qui accompagnent directement ses clients dans le déploiement de ces outils, transformant la technologie en revenus mesurables plutôt qu'en simple argument marketing. Chez Shopify, ce sont des chatbots dopés à l'IA qui recommandent des produits aux acheteurs en puisant dans le catalogue des marchands, un mécanisme qui stimule directement les ventes en ligne et donc les commissions perçues par la plateforme. Ces résultats s'inscrivent dans un débat plus large qui traverse actuellement l'industrie technologique : celui de savoir qui, parmi les géants du logiciel, parvient réellement à monétiser les investissements massifs consentis dans l'IA. Après des trimestres marqués par des promesses et des expérimentations, les investisseurs scrutent désormais les chiffres concrets de croissance pour distinguer les entreprises qui ont su intégrer l'IA à leur modèle économique de celles qui n'y sont pas parvenues. Les prochaines publications de CoreWeave et Nebius, deux fournisseurs clés d'infrastructure de calcul pour l'IA, seront suivies de près comme un autre indicateur de la solidité de la demande sous-jacente pour ces technologies.

Business❧Opinion

1 source

38

459MarkTechPost 

Meilleures plateformes d'observabilité et d'évaluation de LLM en 2026 : Langfuse, LangSmith, Braintrust, Arize et autres comparées

Le marché des plateformes d'observabilité et d'évaluation pour les grands modèles de langage est passé, en 2026, du statut d'outil optionnel à celui d'infrastructure essentielle pour toute équipe déployant de l'IA en production. Selon The Business Research Company, il pèse 2,69 milliards de dollars en 2026, contre 1,97 milliard en 2025, avec une projection à 9,26 milliards d'ici 2030, soit une croissance annuelle de 36,2%. Gartner anticipe que d'ici 2028, l'observabilité LLM représentera 50% des déploiements d'IA générative, contre 15% début 2026. Une enquête de LangChain menée auprès de plus de 1300 professionnels montre que 57% font déjà tourner des agents en production et que 89% ont mis en place une observabilité dédiée. L'évaluation reste à la traîne : 52,4% pratiquent des tests hors ligne, 37,3% en temps réel, et 29,5% n'évaluent rien du tout. La qualité des réponses demeure, pour 32% des répondants, le principal frein à la mise en production. Ce décalage traduit un problème propre à l'IA générative : contrairement aux logiciels classiques, un même prompt peut produire des réponses différentes, une étape de récupération documentaire peut renvoyer un mauvais document tout en affichant un code HTTP 200, et un agent peut enchaîner quatorze appels d'outils, consommer des milliers de tokens, puis livrer une réponse fausse mais formulée avec assurance. La supervision applicative classique ne détecte rien de ce comportement sémantique, ni la qualité des prompts et des réponses, ni la pertinence des documents récupérés, ni le raisonnement des agents. Les plateformes spécialisées comblent cette lacune en enregistrant chaque étape d'un pipeline, prompts, réponses, appels d'outils, tokens, latence et coûts, puis en notant automatiquement la qualité des sorties, une capacité désormais jugée indispensable pour toute entreprise qui met de l'IA en production. Le secteur s'est structuré en quatre familles d'outils. Les plateformes natives pour LLM, Langfuse, LangSmith, Braintrust, Arize et Opik, traitent la trace d'exécution comme objet central. Les bibliothèques ouvertes comme Arize Phoenix, DeepEval, MLflow ou RAGAS notent automatiquement les réponses via des modèles juges. Les passerelles d'API telles que Helicone, Portkey ou LiteLLM ajoutent journalisation et suivi des coûts sans modifier le code applicatif. Des outils de supervision établis, Datadog, New Relic et Dynatrace, intègrent désormais ces signaux IA à leurs métriques d'infrastructure classiques. Un standard commun s'impose pour unifier ces approches : les conventions OpenTelemetry GenAI, maintenues par la fondation CNCF, définissent des attributs neutres comme gen_ai.* pour les appels de modèles et les étapes d'agents. Elles sont déjà adoptées par Google Cloud, AWS, Azure et Datadog, ainsi que par des agents de codage comme GitHub Copilot, Claude Code et Codex, rendant la compatibilité OpenTelemetry incontournable pour les acheteurs.

Outils⚒Outil

1 source

40

460The Verge AI 

Les détecteurs d'IA installent une nouvelle ère de méfiance

Dans son édition hebdomadaire "The Stepback", envoyée chaque semaine à 8h (heure de l'Est) à ses abonnés, la journaliste Emma Roth, du site américain The Verge, retrace l'histoire des outils de détection anti-plagiat, utilisés de longue date par les enseignants et les éditeurs, bien avant l'arrivée de ChatGPT fin 2022. Ces logiciels, dont le plus connu est Turnitin, comparent un texte soumis à une vaste base de données regroupant du contenu issu du web, d'articles scientifiques et de travaux déjà archivés, afin d'y repérer des phrases identiques. Turnitin attribue ensuite au document un pourcentage de similarité censé signaler un éventuel plagiat. Avec la généralisation de l'IA générative, ces mêmes outils ont été détournés pour tenter de repérer les textes rédigés par une machine plutôt que copiés d'une source existante, un exercice bien plus incertain. Contrairement à la détection de plagiat classique, fondée sur une comparaison factuelle de textes déjà publiés, l'identification de contenu généré par IA repose sur des probabilités statistiques, ce qui produit des faux positifs accusant à tort des étudiants ou des rédacteurs honnêtes. Cette dérive nourrit une défiance croissante entre élèves et enseignants, entre auteurs et rédactions, fragilisant la confiance qui soutenait jusque-là ces relations. Ce basculement s'inscrit dans un contexte plus large, où établissements scolaires, médias et maisons d'édition cherchent encore la bonne réponse face à l'explosion des contenus générés par IA depuis l'arrivée de ChatGPT. Des entreprises comme Turnitin ont dû adapter dans l'urgence leurs produits à cette nouvelle demande, sans que la fiabilité de leurs verdicts soit clairement démontrée. Le débat reste ouvert sur la manière dont ces institutions devront revoir leurs méthodes de vérification, entre le risque de sanctionner injustement des personnes innocentes et la nécessité de préserver l'intégrité académique et journalistique.

Société❧Opinion

1 source