Actualités IA — page 251

Google lance une API d'agents gérés : déploiement simplifié, mais moins de contrôle sur l'exécution

5002VentureBeat AI

Google lance une API d'agents gérés : déploiement simplifié, mais moins de contrôle sur l'exécution

Lors de Google I/O, Google a annoncé les Managed Agents dans son API Gemini, un service conçu pour réduire à un simple appel API ce qui nécessitait auparavant plusieurs semaines de travail d'infrastructure. Disponible en préversion via de nouveaux modèles personnalisés dans Google AI Studio, ce service s'accompagne du lancement du CLI Antigravity. Concrètement, avant même d'écrire le moindre agent, les équipes passaient des jours à configurer des environnements d'exécution, gérer des sandboxes et câbler l'infrastructure d'appels d'outils. Google promet désormais d'absorber toute cette complexité dans sa plateforme, en optimisant conjointement le modèle, le harnais d'exécution et le sandbox dans des environnements sécurisés entièrement gérés par Google. L'impact pour les équipes de développement est direct : en déléguant la couche d'exécution à Google, les développeurs peuvent se concentrer sur le comportement métier spécifique de leurs agents et itérer à un rythme radicalement différent. René Sultan, responsable chez Ramp, cité dans l'annonce de Google, résume ce basculement : le runtime d'agent passe désormais dans la plateforme, libérant les développeurs de la gestion du sandbox, de l'infrastructure et de la boucle d'exécution. Pour les entreprises qui démarrent avec les agents, cette proposition est séduisante. Elle supprime la plupart des obstacles au déploiement tout en conservant un contrôle sur le comportement applicatif. La concurrence s'intensifie sur ce segment précis du marché, ce qui accélère la maturité des outils disponibles pour tous. Ce mouvement s'inscrit dans une transformation plus large de l'architecture des systèmes multi-agents. Jusqu'à récemment, l'orchestration reposait sur des frameworks indépendants qui se plaçaient au-dessus du modèle, laissant aux équipes le contrôle du routage et de l'exécution. Cette couche est désormais absorbée par les plateformes elles-mêmes. Anthropic a adopté une approche différente avec ses Claude Managed Agents, en plaçant l'orchestration au niveau du modèle plutôt que sur une plateforme d'exécution séparée. AWS, via Bedrock AgentCore, propose pour sa part des harnais managés pour simplifier le déploiement initial. Google pousse vers une intégration verticale plus poussée, contrôlant l'ensemble de la pile. Ce choix n'est pas sans risques : Arie Trouw, fondateur et PDG de XYO, avertit que remplacer des services déterministes par des services probabilistes peut introduire des comportements imprévisibles pour les utilisateurs, voire de la corruption de données. Un rappel que l'enthousiasme autour des agents ne doit pas occulter les arbitrages fondamentaux entre contrôle, fiabilité et vitesse de développement.

Cohere maîtrise la quantification sans perte et les citations natives avec Command A+, son premier modèle Apache 2.0

5003VentureBeat AI

Cohere maîtrise la quantification sans perte et les citations natives avec Command A+, son premier modèle Apache 2.0

Le laboratoire canadien d'intelligence artificielle Cohere a dévoilé Command A+, un modèle de langage de 218 milliards de paramètres conçu pour le raisonnement complexe, le traitement de documents multimodaux et les workflows agentiques. La particularité de cette annonce réside dans sa licence : pour la première fois de son histoire, Cohere publie ses poids sous licence Apache 2.0, une des licences open source les plus permissives, disponibles gratuitement sur Hugging Face. Le modèle repose sur une architecture Sparse Mixture-of-Experts (MoE) : seulement 25 milliards de paramètres sur les 218 sont activés lors de chaque génération. Cette efficacité architecturale est renforcée par une quantification poussée. Command A+ est disponible en format 4-bit (W4A4), ce qui lui permet de tourner sur un seul GPU NVIDIA Blackwell B200 ou deux NVIDIA H100, tout en atteignant 375 tokens par seconde avec une latence de 113 millisecondes au premier token, soit 63 % plus rapide et 17 % moins de latence que son prédécesseur Command A Reasoning. Un tokeniseur entièrement repensé assure par ailleurs un support natif de 48 langues, avec une meilleure efficacité pour les langues non européennes. Ce lancement marque une percée technique sur la quantification sans perte, un problème qui freinait jusqu'ici l'adoption des grands modèles en production. En ne quantifiant à 4 bits que les réseaux d'experts MoE tout en conservant la pleine précision sur les couches d'attention, et en appliquant une technique appelée Quantization-Aware Distillation, Cohere parvient à comprimer massivement le modèle sans dégrader ses capacités de raisonnement. Pour les entreprises, cela signifie concrètement qu'un modèle de niveau frontier peut désormais s'exécuter en interne, sur leur propre infrastructure, sans dépendre d'API tierces ni exposer leurs données sensibles à des tiers. C'est une rupture nette avec les modèles propriétaires de OpenAI ou Anthropic, estimés à plusieurs milliers de milliards de paramètres et uniquement accessibles via le cloud. Ce pari s'inscrit dans la stratégie dite d'IA souveraine défendue par Aidan Gomez, cofondateur de Cohere et ancien chercheur chez Google, l'un des auteurs du célèbre article « Attention Is All You Need » qui a posé les bases des transformers modernes. L'idée est de permettre aux gouvernements, grandes entreprises et développeurs de déployer des modèles de niveau frontier entièrement sous leur contrôle. Cette publication intervient peu après l'annonce d'une fusion entre Cohere et le laboratoire allemand Aleph Alpha, deux acteurs qui misent sur la souveraineté numérique face à la domination américaine. Avec Command A+, Cohere ne s'attaque pas seulement au marché des API cloud : il repositionne l'open source comme une réponse crédible aux géants propriétaires, au moment où les exigences réglementaires et la sensibilité aux données poussent de plus en plus d'organisations à reprendre la main sur leur infrastructure IA.

LLMsOpinion

Cerebras affirme que ses puces exécutent un modèle IA d'un billion de paramètres près de 7 fois plus vite que les clouds GPU

5004VentureBeat AI

Cerebras affirme que ses puces exécutent un modèle IA d'un billion de paramètres près de 7 fois plus vite que les clouds GPU

Moins d'une semaine après avoir bouclé la plus grande introduction en bourse du secteur tech en 2026, Cerebras Systems a annoncé lundi qu'il fait tourner Kimi K2.6, un modèle open-weight de mille milliards de paramètres développé par la société pékinoise Moonshot AI, à près de 1 000 tokens par seconde pour ses clients entreprises. Le chiffre exact, vérifié de manière indépendante par la firme de benchmarking Artificial Analysis, s'établit à 981 tokens par seconde en sortie, soit 6,7 fois plus rapide que le meilleur fournisseur cloud sur GPU et 23 fois plus rapide que la médiane. Sur une requête d'assistance au code impliquant 10 000 tokens en entrée, Cerebras a livré la réponse complète en 5,6 secondes, contre 163,7 secondes sur l'endpoint officiel de Kimi, soit une amélioration d'un facteur 29. La société, basée à Sunnyvale et désormais valorisée 95 milliards de dollars après avoir levé 5,55 milliards lors de son IPO, signe ici son entrée en production sur les modèles de taille maximale, un palier qu'elle n'avait jamais encore franchi. L'enjeu dépasse la performance brute. Kimi K2.6 est l'un des premiers modèles open-weight que les entreprises peuvent crédiblement utiliser comme alternative aux API fermées d'Anthropic ou d'OpenAI, notamment pour les tâches de codage et d'agents autonomes qui représentent aujourd'hui les cas d'usage les plus rentables des grands modèles de langage. James Wang, directeur marketing produit de Cerebras, est direct : les clients sont motivés avant tout par le besoin d'une alternative à Anthropic, dont les modèles sont excellents mais coûteux et régulièrement saturés. Il cite l'exemple d'une application tombée en panne un week-end faute de capacité disponible sur l'API d'Anthropic, une mésaventure qui résonne fortement auprès des acheteurs en entreprise. La rapidité de Cerebras n'est donc pas qu'un argument marketing : dans les workflows agentiques, où chaque seconde d'attente se multiplie par des dizaines d'appels successifs, la vitesse d'inférence devient un avantage compétitif structurel. Kimi K2.6 a été publié le 20 avril par Moonshot AI, une startup fondée en 2023 par des anciens de l'université Tsinghua et considérée comme l'une des entreprises "AI Tiger" de Chine. Le modèle utilise une architecture Mixture-of-Experts avec 32 milliards de paramètres activés par token sur un total de 1 000 milliards, 384 experts dont 8 sélectionnés par passe, et une fenêtre de contexte de 256 000 tokens. Il occupe la première place sur SWE-Bench Pro avec un score de 58,6, dépassant Claude Opus 4.6 et égalant GPT-5.4. Le choix de ce modèle chinois comme vitrine d'un fabricant de puces américain soulève néanmoins une dimension géopolitique que l'article laisse en suspens : Cerebras joue ici à la fois la carte de la performance et celle de l'ouverture, dans un contexte de tensions croissantes autour des technologies d'IA entre les deux pays.

InfrastructureOpinion

Outils IA vidéo : Comment créer votre propre série comme Fruit Love Island

5005Le Big Data

Outils IA vidéo : Comment créer votre propre série comme Fruit Love Island

Le compte Ai Cinema a déclenché un phénomène viral sur TikTok et YouTube Shorts avec sa série Fruit Love Island, une parodie de télé-réalité mettant en scène des fruits anthropomorphisés dans des villas de luxe. Des bananes bodybuildées, des fraises manipulatrices et des oranges jalouses s'affrontent dans des épisodes de 60 à 90 secondes, calqués sur les codes du genre : musiques de tension, confessionnaux face caméra, trahisons et rebondissements. Ce succès s'appuie entièrement sur les outils d'IA générative actuels, qui permettent à un créateur solo de produire une telle série sans studio, sans compétences en 3D et sans budget significatif. Des plateformes comme ChatGPT ou Claude rédigent les dialogues sur consigne de ton précise, tandis que des générateurs vidéo IA prennent en charge la production visuelle. L'impératif reste la régularité : chaque épisode se termine sur un suspense ou une révélation pour forcer l'abonnement. Ce format illustre une mutation profonde dans la création de contenu court. Les taux de complétion élevés sur TikTok et Shorts confirment que le public traite ces micro-séries comme de véritables feuilletons, s'attachant aux personnages et commentant massivement. Paradoxalement, les imperfections visuelles de l'IA, les sauts de texture et les expressions exagérées, renforcent l'effet parodique au lieu de le nuire, transformant une limite technique en signature esthétique proche de la culture mème. Pour les créateurs, l'équation économique change radicalement : une idée absurde bien structurée peut générer une audience fidèle et des revenus publicitaires sans les coûts de production traditionnels. Pour les plateformes, c'est une confirmation que le format vertical court domine les usages mobiles et que l'IA en est désormais le principal moteur de production accessible. Ce type de série s'inscrit dans une tendance plus large où l'IA générative démocratise la narration longue sous contrainte courte. Jusqu'ici, produire un univers de personnages récurrents nécessitait une équipe et un budget. L'émergence d'outils comme les générateurs vidéo IA combinés aux LLM pour le scénario abaisse ce seuil à zéro. Les acteurs en jeu sont multiples : créateurs indépendants cherchant la viralité, plateformes avides de temps d'écran, et éditeurs d'outils IA qui voient dans ce cas d'usage une vitrine grand public. La méthode décrite, bible de personnages, arc narratif saisonnier, alternance dispute/confessionnal, épisodes de 60-90 secondes, constitue en réalité un gabarit industrialisable. La prochaine étape logique sera la production semi-automatisée de séries entières, où l'humain n'intervient plus qu'au niveau de la direction artistique et du concept initial.

CréationOutil

La Maison Blanche informe les entreprises d'IA de son projet d'évaluation des modèles avant leur sortie

5006The Information AI

La Maison Blanche informe les entreprises d'IA de son projet d'évaluation des modèles avant leur sortie

Le Bureau du directeur national de la cybersécurité de la Maison Blanche a réuni mardi des représentants d'OpenAI, Anthropic et Reflection AI, ainsi que des acteurs des secteurs du cloud, des semi-conducteurs, de la cybersécurité et de la finance, pour les informer d'un futur décret présidentiel sur l'intelligence artificielle. Selon plusieurs sources proches du dossier, Donald Trump pourrait signer ce texte dès jeudi. L'ordre exécutif vise à permettre aux agences de renseignement et à d'autres services gouvernementaux d'examiner les modèles d'IA avancés avant leur mise sur le marché, dans le cadre d'un dispositif décrit comme volontaire. Concrètement, les laboratoires développant des modèles dits « frontier » seraient invités à les soumettre au gouvernement jusqu'à 90 jours avant leur sortie publique. Ce mécanisme de prénotification représente un tournant dans la relation entre Washington et l'industrie de l'IA. En s'accordant un droit de regard anticipé sur les systèmes les plus puissants, le gouvernement américain se dote d'un levier inédit pour évaluer les risques potentiels, qu'ils soient sécuritaires, économiques ou stratégiques, avant que ces modèles ne soient accessibles au grand public. La nature volontaire du cadre laisse toutefois ouverte la question de son application réelle : sans contrainte juridique explicite, son efficacité dépendra largement de la coopération des entreprises. Ce projet s'inscrit dans une dynamique plus large de reprise en main politique de l'IA par l'administration Trump, après la révocation en janvier 2025 du décret Biden qui imposait des exigences de sécurité aux développeurs de grands modèles. Si la nouvelle approche se veut moins contraignante sur le fond, elle marque néanmoins une volonté de maintenir une supervision gouvernementale sur une technologie jugée stratégique. La présence de banques et d'entreprises de cybersécurité à ce briefing souligne que l'enjeu dépasse le seul secteur tech et concerne désormais l'ensemble de l'économie numérique américaine.

RégulationReglementation

Les agents IA en entreprise échouent souvent parce qu'ils ne retiennent pas ce qu'ils ont appris

5007VentureBeat AI

Les agents IA en entreprise échouent souvent parce qu'ils ne retiennent pas ce qu'ils ont appris

Les agents d'intelligence artificielle déployés en entreprise échouent régulièrement dès qu'ils doivent enchaîner des décisions complexes, et la cause est souvent la même : ils oublient ce qu'ils ont appris. C'est le problème que cherche à résoudre Rippletide, une startup gravitant dans l'écosystème Neo4j, avec une architecture appelée "decision context graph". Fondée par Yann Bilien, co-fondateur et directeur scientifique, la société a conçu un système qui dote les agents d'une mémoire structurée, d'un raisonnement ancré dans le temps et d'une logique de décision explicite. L'objectif central : des agents dits "non-régressifs", capables de figer des séquences d'actions validées et de capitaliser dessus au fil du temps. Le problème que Rippletide adresse touche au cœur de la majorité des déploiements d'IA en entreprise. Les architectures RAG (Retrieval-Augmented Generation), qui constituent aujourd'hui le standard, se contentent de récupérer des documents sémantiquement pertinents depuis des sources variées, ERP, bases de données, politiques internes, et de les injecter dans le contexte du modèle. Mais comme le souligne Wyatt Mayham, consultant chez Northwest AI Consulting, cette approche "fonctionne pour les chatbots, mais se brise immédiatement dès qu'un agent doit prendre des décisions et agir". Un document récupéré ne dit pas à l'agent s'il est encore valide, s'il a été remplacé, ou si une règle contradictoire a la priorité. Résultat : des agents qui combinent des règles incompatibles, inventent des contraintes pour combler les vides, et produisent des erreurs difficiles à tracer et à reproduire. À l'échelle d'un workflow multi-étapes, même un faible taux d'erreur par étape devient catastrophique, raison principale pour laquelle la plupart des agents d'entreprise ne sortent jamais de la phase pilote. Le "decision context graph" répond à ce problème en encodant explicitement une carte structurée : quelles règles s'appliquent, dans quel contexte, et à quel moment. Le temps y est traité comme une dimension de premier ordre, chaque règle, décision et exception est délimitée temporellement, permettant à l'agent de distinguer "ce qui était vrai à ce moment-là" de "ce qui est vrai maintenant". Le système repose sur trois piliers : l'applicabilité (le bon contexte est retourné uniquement quand il est pertinent), la mémoire temporelle, et les chemins de décision explicites, l'agent peut expliquer pourquoi il a inclus tel contexte et non un autre. Lors de l'initialisation, les données non structurées sont ingérées puis organisées en ontologie. Ce marché de l'infrastructure agentique en entreprise attire une attention croissante alors que les limitations du RAG seul deviennent un frein réel au passage à l'échelle des systèmes d'IA autonomes.

Comment créer des pipelines de génération de graphes de connaissances à partir de texte avec kg-gen, NetworkX et des visualisations interactives

5008MarkTechPost

Comment créer des pipelines de génération de graphes de connaissances à partir de texte avec kg-gen, NetworkX et des visualisations interactives

Une équipe de chercheurs de l'Université Stanford a publié un tutoriel complet présentant kg-gen, une bibliothèque Python open source permettant de générer automatiquement des graphes de connaissances à partir de texte non structuré. Le workflow décrit s'appuie sur trois outils principaux : kg-gen pour l'extraction des entités et relations, NetworkX pour l'analyse des structures de graphes, et PyVis ainsi que Matplotlib pour la visualisation interactive. Le processus repose sur un modèle de langage configuré via LiteLLM, une couche d'abstraction qui permet de brancher indifféremment GPT-4o-mini d'OpenAI, Claude d'Anthropic, Gemini de Google ou des modèles locaux via Ollama. À partir d'un texte simple, « Linda est la mère de Josh, Ben est son frère, Andrew son père, Josh étudie à Stanford », kg-gen identifie automatiquement les entités (Linda, Josh, Ben, Stanford) et les relations sémantiques qui les lient sous forme de triplets sujet-prédicat-objet. Pour les passages plus longs, la bibliothèque intègre un mécanisme de découpage par chunks de 800 caractères et un algorithme de clustering qui regroupe les entités synonymes, évitant ainsi les doublons lorsqu'un même concept apparaît sous plusieurs formes dans le texte source. L'intérêt concret de cet outil réside dans sa capacité à transformer des corpus textuels volumineux et désordonnés en structures de données navigables et interrogeables. Pour les équipes data, les chercheurs ou les développeurs travaillant sur des bases documentaires, cela représente un gain significatif : là où il fallait annoter manuellement les relations entre concepts, kg-gen automatise l'extraction en quelques lignes de code. Le graphe résultant peut ensuite être analysé avec NetworkX pour identifier les nœuds les plus connectés, détecter des communautés thématiques, ou mesurer la centralité de certains acteurs dans un corpus. La visualisation interactive via PyVis permet de naviguer dans le graphe directement dans un notebook Jupyter ou un navigateur, ce qui ouvre des usages en veille technologique, en analyse de réseaux d'influence ou en construction de bases de connaissances pour des systèmes RAG. kg-gen a été développé à Stanford et s'appuie en interne sur DSPy, un framework de programmation déclarative pour les LLM, pour garantir des sorties structurées et reproductibles. LiteLLM, qui sert de couche de routage, supporte une quarantaine de fournisseurs de modèles, ce qui rend le pipeline indépendant d'un prestataire unique. Ce tutoriel s'inscrit dans une tendance plus large visant à combiner les grands modèles de langage avec des représentations symboliques du savoir, à mi-chemin entre les approches purement neuronales et les systèmes expert classiques. Plusieurs grandes entreprises tech explorent cette direction pour améliorer la fiabilité des réponses de leurs IA, notamment en réduisant les hallucinations en ancrant le raisonnement dans un graphe de faits vérifiables. La prochaine étape naturelle du projet consiste à fusionner des graphes issus de sources multiples, un problème d'alignement d'entités que kg-gen aborde également dans les sections avancées du tutoriel.

OutilsTuto

Android Auto : Gemini prend le contrôle de votre voiture intelligemment

5009Le Big Data

Android Auto : Gemini prend le contrôle de votre voiture intelligemment

Google intègre Gemini, son modèle d'intelligence artificielle générative, directement dans Android Auto, la plateforme embarquée qui équipe des dizaines de millions de véhicules dans le monde. L'annonce a été faite par la firme de Mountain View dans le cadre de sa stratégie d'extension de l'IA à l'ensemble de son écosystème matériel et logiciel. Concrètement, Gemini remplace l'Assistant Google classique au volant et promet de traiter les commandes vocales de façon bien plus naturelle : demander d'envoyer un message, lancer un itinéraire ou trouver une station-service ne nécessite plus de formuler une phrase figée et précise. Le système comprend désormais le contexte, anticipe certains besoins, et peut par exemple proposer automatiquement un trajet si un rendez-vous figure dans l'agenda, ou suggérer un itinéraire alternatif en cas d'embouteillage avant même que l'automobiliste ne pose la question. L'intégration s'accompagne également d'une refonte visuelle : nouveaux widgets, cartes enrichies, interface repensée dans la continuité d'Android sur smartphone. L'enjeu est direct pour des millions d'automobilistes qui avaient progressivement renoncé aux assistants vocaux embarqués, trop souvent sources d'incompréhensions et de frustrations. Si Gemini tient ses promesses, l'interaction avec le véhicule devient un véritable gain de temps et de sécurité, en réduisant la nécessité de manipuler un écran ou un téléphone en conduite. Pour Google, l'impact est tout aussi stratégique : Android Auto est présent sur la quasi-totalité des constructeurs automobiles mondiaux, ce qui fait de la voiture un point d'entrée massif pour ancrer Gemini dans les habitudes quotidiennes. La refonte de l'interface vise par ailleurs à unifier l'expérience utilisateur entre smartphone, montre connectée et voiture, renforçant l'adhérence à l'écosystème Google. Cette évolution s'inscrit dans une tendance plus large qui voit les grands modèles de langage quitter les interfaces textuelles pour coloniser l'environnement physique. Après les moteurs de recherche, les smartphones et les lunettes connectées, la voiture s'impose comme le prochain terrain d'expansion de l'IA ambiante. Google n'est pas seul sur ce segment : Apple CarPlay évolue dans la même direction avec Siri, et plusieurs constructeurs comme BMW ou Mercedes développent leurs propres assistants IA embarqués. La question qui se pose désormais est celle de l'équilibre entre utilité réelle et saturation de l'interface : si certaines fonctionnalités proactives semblent genuinement pertinentes, l'accumulation de widgets et de recommandations à l'écran pourrait paradoxalement augmenter la charge cognitive du conducteur. Les prochains mois de déploiement diront si Gemini parvient à s'imposer comme un copilote discret et fiable, ou s'il reproduit les travers des assistants qui l'ont précédé.

Évaluateurs multimodaux : MLLM comme juge pour les tâches image vers texte dans Strands Evals

5010AWS ML Blog

Évaluateurs multimodaux : MLLM comme juge pour les tâches image vers texte dans Strands Evals

Amazon a annoncé le lancement de quatre nouveaux évaluateurs multimodaux dans son SDK Strands Evals, conçus pour juger automatiquement la qualité des réponses textuelles générées à partir d'images. Baptisés Overall Quality, Correctness, Faithfulness et Instruction Following, ces évaluateurs fonctionnent sur Amazon Bedrock et s'intègrent directement dans le flux de travail Case/Experiment/Report de Strands Evals. Leur principe : envoyer l'image source, la requête et la réponse du modèle à un modèle juge multimodal, qui retourne un score (sur une échelle de Likert 1-5 ou binaire) accompagné d'un raisonnement exploitable pour le débogage. Ils supportent deux modes d'évaluation, avec ou sans réponse de référence, et peuvent être branchés directement dans des pipelines d'intégration continue pour détecter automatiquement hallucinations visuelles, erreurs factuelles et violations d'instructions. La limitation des évaluateurs textuels classiques est au coeur de cette annonce. Un juge qui ne voit pas l'image peut valider un texte bien rédigé tout en laissant passer des erreurs critiques : un modèle qui invente une tendance dans un graphique qui ne la montre pas, hallucine un produit absent d'une photo, ou ignore une instruction de format. Ces trois types d'échecs nécessitent trois types de corrections différents, et les agréger en un seul score global rend le débogage quasi impossible. Sans évaluation multimodale automatisée, les équipes sont coincées entre la revue humaine, coûteuse et non scalable, et des proxys textuels qui manquent précisément les défaillances qui comptent, notamment dans des cas d'usage comme la lecture de factures, l'analyse de tableaux de bord ou la description de captures d'écran. L'enjeu est considérable à l'échelle de l'industrie. Selon Gartner, 80 % des logiciels d'entreprise seront multimodaux d'ici 2030, contre moins de 10 % en 2024. Cette transition rapide pousse les équipes d'ingénierie à construire des pipelines d'évaluation capables de suivre la complexité croissante des modèles déployés. Strands Evals s'inscrit dans l'écosystème d'agents IA open source qu'Amazon a commencé à assembler ces derniers mois, avec une ambition claire : fournir une chaîne d'outils complète, de la construction à l'évaluation des agents. Ces quatre évaluateurs représentent une brique manquante pour les équipes qui travaillent sur le commerce visuel, la compréhension de documents ou tout système où la vérité de terrain réside dans l'image et non dans le texte. La prochaine étape logique sera d'étendre ces mécanismes à des modalités supplémentaires, vidéo, audio, à mesure que les modèles fondamentaux gagnent en capacités.

Google s'apprête à transformer la recherche avec des agents IA en 2026

5011Ars Technica AI

Google s'apprête à transformer la recherche avec des agents IA en 2026

Lors de la conférence Google I/O 2026, la vice-présidente de Google Search, Liz Reid, a annoncé que le mode IA de Google dépasse désormais le milliard d'utilisateurs actifs par mois. Plus significatif encore, son usage double chaque trimestre depuis son lancement en test il y a un peu plus d'un an. Reid a résumé la transformation en une phrase devenue la ligne directrice de l'entreprise : "Google Search, c'est la recherche par IA." Le mode IA transforme l'expérience de recherche en conversation : le moteur pose des questions de suivi, et chacune de ces interactions est comptabilisée comme une requête supplémentaire dans les métriques internes. Cette évolution a des conséquences directes sur l'ensemble de l'écosystème numérique. Pour les utilisateurs, l'accès au mode IA est totalement gratuit, contrairement à de nombreuses autres offres d'IA de Google qui restent payantes. Pour les éditeurs et créateurs de contenu, le risque est réel : une recherche conversationnelle qui répond directement aux questions réduit mécaniquement les clics vers les sites tiers. Pour Google lui-même, en revanche, les chiffres sont sans équivoque : plus de requêtes, plus de temps passé sur la plateforme, plus d'opportunités publicitaires. L'entreprise obtient exactement ce qu'elle cherchait. Google a commencé à tester ce mode conversationnel au printemps 2025, avant de l'officialiser lors de l/O 2025. Depuis, la société a multiplié les incitations pour pousser les utilisateurs vers ce nouveau format : liens mis en avant, suggestions récurrentes, interface redessinée autour de l'IA. Les critiques sont nombreuses sur Internet, notamment autour de la qualité des résultats et de l'impact sur le trafic des médias, mais elles ne semblent pas peser sur la stratégie. Google, fort de sa position dominante sur le marché de la recherche mondiale, dispose d'une capacité rare : celle d'imposer un changement d'usage à l'échelle planétaire, quelles que soient les réticences. La question pour 2026 n'est plus de savoir si cette transformation aura lieu, mais à quelle vitesse elle reconfigurera l'accès à l'information en ligne.

SociétéOutil

Créez des applications vocales en temps réel avec Amazon SageMaker AI et vLLM

5012AWS ML Blog

Créez des applications vocales en temps réel avec Amazon SageMaker AI et vLLM

Depuis novembre 2025, Amazon SageMaker AI propose un mode de streaming bidirectionnel pour l'inférence en temps réel, permettant aux développeurs de faire circuler des données en continu dans les deux sens entre leurs applications et les conteneurs de modèles. Mistral AI en est l'un des premiers bénéficiaires concrets : le modèle Voxtral-Mini-4B-Realtime-2602, conçu spécifiquement pour la transcription vocale en temps réel, peut désormais être déployé sur un endpoint SageMaker via un conteneur vLLM. Le framework open source vLLM, de son côté, expose une API dite Realtime accessible via WebSocket à l'adresse /v1/realtime, qui traite l'audio de façon incrémentale et renvoie les tokens de transcription au fur et à mesure que le son arrive, sans attendre la fin de l'enregistrement. SageMaker gère la traduction de protocole entre HTTP/2 côté client et WebSocket côté conteneur sur le port 8443, de façon transparente et sans configuration supplémentaire. L'enjeu est direct pour toute une classe d'applications professionnelles qui se heurtaient jusqu'ici à la latence inhérente aux architectures requête-réponse classiques : agents vocaux, sous-titrage en direct, analytique de centres d'appels, outils d'accessibilité. Dans ces contextes, attendre que l'intégralité d'un enregistrement soit reçue avant de lancer la transcription brise l'expérience temps réel. La nouvelle architecture permet une connexion full-duplex persistante : l'audio entre en continu, la transcription sort en continu. vLLM applique par ailleurs une exécution par graphe CUDA en morceaux pour réduire la latence par token lors du streaming, tandis que SageMaker assure le monitoring via Amazon CloudWatch, les keepalives WebSocket et la résilience de connexion sans instrumentation personnalisée. Cette évolution s'inscrit dans une tendance plus large de convergence entre infrastructure cloud managée et serving open source haute performance. Amazon a progressivement enrichi SageMaker pour couvrir des cas d'usage au-delà de l'inférence batch classique, et le support du streaming bidirectionnel représente une réponse directe à la montée des LLM multimodaux et des applications temps réel. Mistral AI, avec sa gamme Voxtral, positionne ses modèles compacts sur le segment de la voix embarquée et managée, en concurrence avec des solutions propriétaires comme Whisper d'OpenAI ou les API de Google Cloud Speech. Le fait que vLLM soit open source garantit aux équipes une maîtrise totale sur la configuration, la quantisation et la compilation des modèles, sans dépendance à un fournisseur de serving. Un dépôt GitHub accompagne le tutoriel pour reproduire le déploiement complet.

OutilsTuto

« Nous sommes aux pieds de la singularité » : ce que Google a vraiment dit sur l’AGI

5013Le Big Data

« Nous sommes aux pieds de la singularité » : ce que Google a vraiment dit sur l’AGI

Lors de la conférence Google I/O du 19 mai 2026, Demis Hassabis, cofondateur et PDG de Google DeepMind, a prononcé une phrase qui a immédiatement traversé l'ensemble de l'écosystème technologique mondial : "Quand nous regarderons en arrière, je pense que nous réaliserons que nous étions au pied des collines de la singularité." Le neuroscientifique, jusqu'ici reconnu pour la sobriété de ses prévisions, a affirmé que l'Intelligence Artificielle Générale (AGI) n'est désormais plus qu'à "quelques années" (just a few years away). Pour appuyer cette posture, Google a simultanément dévoilé plusieurs avancées techniques concrètes : des systèmes d'agents autonomes capables de planifier des actions complexes sur le long terme sans intervention humaine, la multimodalité native en temps réel avec le projet Astra et la gamme Gemini (traitement simultané de vidéo, voix, texte et code), et un usage de l'IA comme accélérateur de recherche scientifique. Ce changement de discours représente une rupture stratégique considérable pour Google, qui avait historiquement pris soin de se distinguer des prophètes transhumanistes de la Silicon Valley. En utilisant délibérément le terme "singularité", chargé de références à la science-fiction et aux théories de Ray Kurzweil, la firme de Mountain View s'aligne sur le registre rhétorique d'OpenAI et d'Elon Musk, dont les annonces fracassantes ont dominé le cycle médiatique ces dernières années. L'impact est direct pour l'industrie : les investisseurs, les recruteurs, les législateurs et les concurrents doivent désormais réajuster leurs horizons de planification. Si Google, acteur réputé pour sa rigueur scientifique, estime que l'AGI se profile "sur l'horizon", c'est toute la cadence de la course à l'IA qui s'accélère, avec des implications sur les budgets R&D, la régulation et l'adoption enterprise. Pendant des années, Demis Hassabis avait maintenu une distance prudente vis-à-vis des spéculations les plus radicales, situant l'émergence de l'AGI à une ou deux décennies. Ce revirement intervient dans un contexte de compétition intense entre les grands laboratoires : OpenAI a annoncé des modèles de "raisonnement" o3 et o4, Anthropic développe Claude 4 avec des capacités agentiques croissantes, et la Chine pousse ses propres modèles à travers des acteurs comme DeepSeek. Google, malgré sa puissance de calcul et ses avancées avec AlphaFold ou Gemini Ultra, a souffert d'une perception de retard sur le segment grand public. La déclaration de Hassabis peut donc être lue à deux niveaux simultanément : un signal sincère de confiance technologique interne, et une manoeuvre de positionnement destinée à reprendre le leadership narratif d'une guerre dont l'enjeu dépasse désormais largement le marché des chatbots.

LLMsOpinion

Google AI Studio : vous pouvez maintenant créer une app Android en parlant

5014Le Big Data

Google AI Studio : vous pouvez maintenant créer une app Android en parlant

Google a annoncé lors du Google I/O 2026 une nouvelle fonctionnalité de son outil Google AI Studio permettant de créer des applications Android natives en langage naturel. Concrètement, l'utilisateur choisit le mode "Créer", sélectionne Android, puis décrit en quelques phrases l'application souhaitée. L'agent IA génère alors un projet complet en Kotlin et Jetpack Compose, exécutable immédiatement dans un émulateur Android intégré directement au navigateur. Sans installer Android Studio, aucun SDK ni émulateur local, les modifications apparaissent en temps réel. L'utilisateur peut ensuite déployer l'APK sur un smartphone via USB sans configuration ADB, et même publier sur un canal de test du Play Store, l'outil se chargeant de signer le projet. Cette annonce abaisse radicalement la barrière d'entrée au développement mobile. Jusqu'ici, mettre en place un environnement Android fonctionnel représentait plusieurs heures de configuration, source de découragement majeur pour les débutants. Avec cette approche, un entrepreneur, un designer ou un product manager peut prototyper une application fonctionnelle en quelques minutes sans toucher une ligne de code. Pour les développeurs expérimentés, c'est un accélérateur de prototypage significatif. Les limites actuelles restent néanmoins importantes : les applications générées sont exclusivement côté client, sans support de Firebase, des API Google serveur ou du multijoueur. L'émulateur navigateur ne prend pas en charge l'appareil photo, le Bluetooth, le NFC ni les services Google Play. Kotlin et Jetpack Compose sont imposés, excluant les projets Java, XML ou natifs C/C++. Google AI Studio se positionne donc davantage comme un outil de prototypage ultra-rapide que comme une plateforme de production professionnelle. Cette initiative s'inscrit dans la stratégie plus large de Google visant à intégrer l'IA générative dans l'ensemble de son écosystème développeur, accélérée depuis l'émergence de concurrents comme Cursor, Replit ou Bolt.new qui ont popularisé la génération de code par prompt. Le marché du développement mobile représente des milliards de dollars et des millions de développeurs : simplifier l'accès à Android, c'est potentiellement élargir l'écosystème d'applications du Play Store tout en renforçant l'adoption de Gemini comme modèle de référence. Les prochaines évolutions attendues concernent probablement l'intégration de Firebase et des API backend, ce qui transformerait l'outil d'un prototypeur en véritable plateforme de développement. La question centrale reste de savoir jusqu'où l'IA peut absorber la complexité technique sans sacrifier la qualité et la maintenabilité du code généré.

Les coûts d'Anthropic augmentent : les entreprises poussent leurs fournisseurs à raccourcir les contrats

5015The Information AI

Les coûts d'Anthropic augmentent : les entreprises poussent leurs fournisseurs à raccourcir les contrats

Les entreprises augmentent significativement leurs dépenses auprès d'Anthropic et d'autres fournisseurs d'IA, et ce budget supplémentaire doit bien venir de quelque part. La cible naturelle : les contrats logiciels traditionnels. Selon des dirigeants et des consultants, de nombreuses organisations ne renoncent pas encore à leurs applications d'entreprise, mais elles se positionnent pour le faire si l'IA venait à rendre ces outils moins indispensables. Concrètement, elles exigent des contrats plus courts et des conditions plus favorables auprès de leurs éditeurs SaaS historiques. Ce changement de rapport de force représente une menace sérieuse pour les grands éditeurs de logiciels d'entreprise comme Salesforce, SAP ou ServiceNow. Des contrats pluriannuels de trois à cinq ans, autrefois la norme, sont désormais contestés. Les entreprises clientes gagnent en flexibilité pour pivoter vers des solutions IA si celles-ci se révèlent capables de remplacer des fonctions entières -- CRM, gestion des workflows, support client -- à moindre coût. Cette pression s'inscrit dans un contexte de réallocation massive des budgets technologiques vers l'IA générative. Les dépenses en modèles de fondation comme Claude d'Anthropic ou GPT d'OpenAI explosent, tandis que les directions financières cherchent à compenser ces investissements en réduisant les coûts fixes. Le secteur du SaaS, qui avait bénéficié d'une décennie de croissance quasi garantie grâce aux renouvellements automatiques, entre dans une phase d'incertitude structurelle dont l'issue dépendra largement de sa capacité à intégrer l'IA dans ses propres offres.

BusinessOpinion

Google expérimente la SaaSpocalypse sur le marché des applications

5016The Decoder

Google expérimente la SaaSpocalypse sur le marché des applications

Google a intégré à son outil AI Studio la capacité de générer des applications Android natives directement depuis une invite textuelle. Les applications produites sont écrites en Kotlin avec Jetpack Compose, le framework UI moderne d'Android, et peuvent être testées immédiatement dans un émulateur accessible depuis le navigateur, sans installation. Cette fonctionnalité vise les applications utilitaires simples, trackers d'habitudes, listes de tâches, calculateurs personnalisés, que n'importe quel utilisateur peut désormais créer en quelques minutes sans écrire une seule ligne de code. L'enjeu est considérable pour l'écosystème mobile : si des millions d'utilisateurs peuvent générer leurs propres outils à la demande, le modèle traditionnel de distribution via le Google Play Store se fragilise. Pourquoi télécharger une application parmi des millions quand on peut en fabriquer une sur mesure en décrivant exactement ce dont on a besoin ? Pour les développeurs indépendants et les petites applications utilitaires, la concurrence ne vient plus d'autres studios mais directement de l'IA de Google. Cette évolution s'inscrit dans une vague plus large que certains analystes nomment la « SaaSpocalypse », la disruption des logiciels et applications standards par la génération automatisée. Apple adopte délibérément la stratégie inverse, en bloquant systématiquement les applications issues du « vibe-coding » sur l'App Store, cherchant à préserver la qualité et le contrôle éditorial de sa plateforme. Le contraste entre les deux géants illustre une fracture stratégique profonde sur l'avenir des marchés applicatifs : plateformes curatoriales fermées contre écosystèmes génératifs ouverts.

Grab présente une étude de cas sur la conception d'un système multi-agents pour le support technique à grande échelle

5017InfoQ AI

Grab présente une étude de cas sur la conception d'un système multi-agents pour le support technique à grande échelle

L'équipe centrale de données de Grab, le géant technologique sud-est asiatique, a conçu et déployé un système d'intelligence artificielle multi-agents pour automatiser les tâches d'assistance technique répétitives au sein de sa plateforme d'entrepôt de données. L'architecture repose sur une séparation claire entre deux types de flux de travail : d'un côté l'investigation des incidents, de l'autre les améliorations de la plateforme. Ces agents spécialisés opèrent sous la supervision d'une couche d'orchestration centrale qui coordonne leurs actions selon la nature des requêtes entrantes. L'enjeu est considérable pour les équipes d'ingénierie de Grab : le système permet de réduire significativement la charge opérationnelle, d'accélérer la résolution des problèmes et, surtout, de libérer les ingénieurs des tâches de "pompier" chronophages. Plutôt que de passer leurs journées à traiter des tickets récurrents, les équipes peuvent désormais concentrer leur énergie sur des travaux à plus forte valeur ajoutée, notamment l'ingénierie de la plateforme elle-même et son amélioration continue. Ce cas d'usage illustre une tendance de fond dans les grandes entreprises technologiques : l'adoption des systèmes multi-agents pour absorber la complexité opérationnelle à l'échelle. Les entrepôts de données d'une plateforme comme Grab, qui sert des dizaines de millions d'utilisateurs à travers l'Asie du Sud-Est, génèrent un volume de demandes d'assistance qu'aucune équipe humaine ne peut traiter efficacement sans automatisation. La publication de ce retour d'expérience positionne Grab parmi les pionniers de l'application concrète des agents IA en environnement d'entreprise à grande échelle.

Ne vous faites plus avoir : les images de ChatGPT ont désormais une « marque »

5018Le Big Data

Ne vous faites plus avoir : les images de ChatGPT ont désormais une « marque »

OpenAI a annoncé l'intégration progressive de SynthID, la technologie de tatouage numérique développée par Google DeepMind, dans les images générées via ChatGPT, Codex et son API. Cette initiative s'inscrit dans une stratégie plus large : depuis 2024, l'entreprise appose déjà des "Content Credentials" conformes au standard C2PA (Coalition for Content Provenance and Authenticity) sur les images produites par DALL·E 3, ImageGen et Sora. SynthID ajoute un marquage invisible directement dans les pixels de l'image, indétectable à l'œil nu mais lisible par un outil spécialisé. OpenAI déploie en parallèle un premier outil public de vérification permettant à quiconque de téléverser une image pour savoir si elle provient de ses modèles, en analysant simultanément les métadonnées C2PA et le tatouage SynthID. L'enjeu est direct : à mesure que les images générées par IA inondent les réseaux sociaux, les médias et les campagnes publicitaires, la capacité à distinguer le réel de l'artificiel devient un problème concret pour les journalistes, les plateformes et le grand public. La combinaison des deux technologies répond à une limite bien connue des systèmes basés uniquement sur les métadonnées : une simple capture d'écran suffit à effacer les informations de provenance encodées selon le standard C2PA. SynthID contourne ce problème en inscrivant le marquage dans la structure même de l'image, lui permettant de survivre à certaines modifications ou recompressions. C'est cette complémentarité qui constitue la valeur réelle du dispositif : les métadonnées fournissent un contexte détaillé sur la création, le tatouage assure une trace persistante. La course à la traçabilité des contenus synthétiques s'accélère dans un contexte de pression réglementaire croissante, notamment en Europe avec l'AI Act, qui impose des obligations de transparence sur les contenus générés par IA. OpenAI n'est pas seul sur ce terrain : Adobe, Microsoft et d'autres membres de la C2PA travaillent à des approches similaires, tandis que les grandes plateformes comme YouTube ou LinkedIn ont commencé à afficher les Content Credentials. OpenAI reconnaît cependant les limites de son système : aucune méthode n'est infaillible, et l'absence de signal détecté ne garantit pas qu'une image est authentique. L'outil de vérification public ne couvre pour l'instant que les contenus générés par OpenAI, mais l'entreprise affirme vouloir collaborer avec d'autres acteurs pour étendre le dispositif à l'ensemble de l'industrie.

SécuritéOpinion

Android XR : traduction en temps réel, résumés de conversations… voici les lunettes IA audio

5019Le Big Data

Android XR : traduction en temps réel, résumés de conversations… voici les lunettes IA audio

Google a présenté lors de la Google I/O 2026 une nouvelle génération de lunettes connectées fonctionnant sous Android XR, son système d'exploitation dédié à la réalité étendue. Alimentées par Gemini, son modèle d'IA maison, ces lunettes audio misent sur une interaction entièrement vocale : elles traduisent des conversations en temps réel, lisent et résument les notifications reçues, répondent à des questions sur l'environnement immédiat de l'utilisateur, et permettent d'envoyer des SMS, passer des appels ou appeler un Uber sans jamais sortir le smartphone de sa poche. Lors des démonstrations, Google a montré les lunettes capables de traduire un menu rédigé en langue étrangère simplement en le regardant, ou de retranscrire un échange oral en adaptant le ton à celui de l'interlocuteur. La navigation vocale figure également parmi les fonctions phares : les lunettes détectent la direction du regard et guident l'utilisateur de manière plus naturelle qu'un GPS classique. Des photos et vidéos peuvent aussi être prises sur commande vocale, avec retouches automatiques générées par l'IA. L'enjeu de ces lunettes dépasse largement le gadget : elles représentent une tentative sérieuse de rendre l'IA ambiante et permanente, intégrée dans le quotidien sans friction d'écran. Pour les utilisateurs, cela signifie accéder à l'information et piloter son environnement numérique les mains libres, en toutes circonstances. Pour l'industrie, c'est un signal fort que la prochaine bataille de l'IA se joue sur le corps, pas sur le bureau. Google se positionne directement face à Meta, dont les Ray-Ban connectées ont démontré qu'un facteur de forme discret peut effectivement séduire le grand public, là où les interfaces tête-haute et les écrans superposés peinent encore à convaincre. Treize ans après le fiasco des Google Glass, rejetées pour leur design ostensiblement technologique et leurs questions éthiques sur la vie privée, Google a visiblement tiré les leçons. Les nouvelles montures Android XR ont été co-développées avec Gentle Monster et Warby Parker, deux acteurs reconnus dans la lunetterie et la mode, pour que le produit ressemble avant tout à une paire de lunettes ordinaires. Les haut-parleurs et microphones sont dissimulés dans les branches sans altérer l'aspect visuel. Cette stratégie de normalisation du design est désormais le prérequis non négociable du marché des wearables : Meta l'a compris avec Ray-Ban, Google y revient avec Android XR. La prochaine étape sera de convaincre sur l'usage réel au quotidien, loin des démonstrations scénarisées, et de répondre aux inévitables questions sur la collecte de données dans des espaces publics.

Agents IA, recherche 24/7… la plus grosse refonte de Google Search depuis 25 ans

5020Le Big Data

Agents IA, recherche 24/7… la plus grosse refonte de Google Search depuis 25 ans

Lors de la conférence Google I/O 2026, le 19 mai, Google a officiellement enterré les « dix liens bleus » qui avaient défini la recherche sur internet depuis un quart de siècle. La refonte s'articule autour de trois axes majeurs déployés simultanément à l'échelle mondiale. D'abord, une nouvelle Intelligent Search Box remplace l'ancienne barre de saisie : l'interface s'adapte dynamiquement aux questions longues formulées en langage naturel et accepte désormais le glisser-déposer d'images, de fichiers PDF, de vidéos ou d'onglets Chrome directement dans le champ de recherche. Un système baptisé Query Coaching analyse l'intention de l'utilisateur en temps réel et suggère des reformulations avant même que la requête ne soit envoyée. Sous le capot, Google a intégré Gemini 3.5 Flash, son nouveau modèle phare, comme moteur par défaut de l'AI Mode désormais disponible partout : les réponses synthétiques s'affichent quatre fois plus vite que dans les versions précédentes, permettant une conversation continue avec suivi de contexte depuis les résultats. Enfin, les Information Agents, agents autonomes capables de surveiller le web en continu 24h/24, permettent à un utilisateur de déléguer la veille d'un sujet à une IA qui travaille en arrière-plan et notifie proactivement. L'impact est structurel pour l'ensemble de l'écosystème numérique. Pour les utilisateurs, la recherche cesse d'être un exercice de traduction de pensées en mots-clés calibrés : on peut interroger Google comme on pose une question à un expert, avec des documents en main. Pour les médias et éditeurs web, la bascule vers des réponses synthétiques générées par l'IA intensifie une menace déjà réelle sur le trafic organique, puisque le moteur répond de plus en plus sans renvoyer vers une source. Pour les entreprises, la surveillance automatisée par agents change radicalement la veille concurrentielle et la gestion de l'e-réputation, jusqu'ici réservées aux outils spécialisés. Cette transformation s'inscrit dans une course engagée depuis l'irruption de ChatGPT fin 2022, qui a forcé Google à accélérer son agenda IA et à assumer un risque de cannibalisation de son propre modèle publicitaire. Microsoft avait intégré GPT-4 dans Bing dès 2023, sans renverser les parts de marché, mais l'urgence stratégique n'en était pas moins réelle pour Google. La société a répondu avec les AI Overviews, déployées à grande échelle en 2024 malgré une série de bugs embarrassants, puis avec l'AI Mode progressivement étendu. Google I/O 2026 marque le saut qualitatif suivant : le moteur ne répond plus seulement aux requêtes, il anticipe les besoins et agit en autonomie. La question qui demeure ouverte est celle du financement du modèle : comment Google monétisera-t-il une interface où l'utilisateur n'a plus besoin de cliquer sur quoi que ce soit.