Aller au contenu principal

Actualités IA — page 263

9 335 articles au fil, du plus récent au plus ancien.

☕️ Meta promet des discussions « vraiment privées » avec son IA
Illustration générée par IA
5241Next INpact 

☕️ Meta promet des discussions « vraiment privées » avec son IA

Meta a lancé une fonctionnalité appelée "Discussion Incognito" pour son assistant Meta AI, disponible dans WhatsApp et dans l'application dédiée Meta AI. Annoncée en mai 2026, cette option permet de discuter avec l'assistant dans un environnement dit sécurisé, basé sur la technologie maison de traitement privé des requêtes développée l'an dernier. Concrètement, les conversations ne sont pas enregistrées sur les serveurs de Meta, et elles sont supprimées à la fin de chaque session. Mark Zuckerberg a déclaré qu'il s'agissait du "premier grand produit d'IA pour lequel aucune trace de vos conversations n'est stockée sur des serveurs". Meta précise également que, contrairement à d'autres plateformes concurrentes, les questions et réponses ne sont pas accessibles à des tiers : le chat temporaire de ChatGPT conserve les données jusqu'à 30 jours, et celui de Gemini jusqu'à 72 heures. Cette initiative répond à un besoin réel : de nombreux utilisateurs posent à leurs assistants IA des questions très personnelles, touchant à leur santé, leurs finances ou leur vie privée. OpenAI avait lui-même révélé lors de la présentation de ChatGPT Health que les questions médicales figuraient parmi les usages les plus fréquents de son assistant. Dans ce contexte, la promesse d'une confidentialité totale devient un argument commercial fort, en particulier pour Meta, dont le modèle économique repose quasi exclusivement sur la collecte de données personnelles à des fins publicitaires. Proposer un espace d'échange véritablement privé représente donc une rupture symbolique notable avec l'image habituelle de l'entreprise. La décision n'est pas sans ironie. Le 8 mai, Meta a discrètement supprimé le chiffrement de bout en bout sur Instagram, justifiant ce recul par la complexité d'utilisation et la très faible adoption de la fonctionnalité. Autrement dit, la protection maximale des échanges entre humains a été abandonnée au motif qu'elle était peu pratique, tandis qu'elle devient un argument de vente pour les conversations avec une IA. Cette asymétrie soulève des questions sur les priorités réelles de l'entreprise en matière de vie privée. La technologie sous-jacente, documentée dans un livre blanc public, empêche théoriquement même Meta d'accéder au contenu des échanges, ce qui représente une contrainte technique significative pour un groupe habitué à monétiser chaque donnée utilisateur. La concurrence entre les grandes plateformes sur la confidentialité de leurs IA s'annonce comme un terrain de bataille croissant, à mesure que ces outils pénètrent les usages les plus intimes du quotidien.

ÉthiqueOpinion
1 source
Supertone lance Supertonic v3 : modèle de synthèse vocale embarquée en 31 langues, avec moins d'erreurs de lecture et des balises d'expression
Illustration générée par IA
5242MarkTechPost 

Supertone lance Supertonic v3 : modèle de synthèse vocale embarquée en 31 langues, avec moins d'erreurs de lecture et des balises d'expression

Supertone a publié Supertonic 3, la troisième génération de son moteur de synthèse vocale embarqué, basé sur le format ONNX. Cette nouvelle version prend en charge 31 langues, contre seulement 5 dans la version précédente (anglais, coréen, espagnol, portugais et français). Parmi les ajouts figurent l'allemand, l'arabe, le japonais, le russe, le turc, le néerlandais ou encore le vietnamien. Le modèle pèse environ 99 millions de paramètres et occupe 404 Mo sur disque, une empreinte nettement inférieure aux systèmes TTS open-source comparables qui atteignent généralement 700 millions à 2 milliards de paramètres. La v3 corrige aussi les erreurs de lecture que l'on observait dans la v2 (répétitions et omissions de mots), et introduit des balises expressives directement insérables dans le texte : `, , ` permettent de contrôler la prosodie sans modèle auxiliaire. Supertone a également lancé en parallèle un outil baptisé Voice Builder, qui permet aux développeurs de créer des modèles vocaux personnalisés à partir de leurs propres enregistrements. La force de Supertonic 3 réside dans sa capacité à fonctionner entièrement hors ligne, sans GPU, sur du matériel très contraint. Le modèle atteint un RTF (Real-Time Factor) de 0,3 sur un Onyx Boox Go 6, une liseuse e-ink sans connexion réseau, ce qui signifie qu'il génère de la parole trois fois plus vite que la durée réelle du son produit. Pour les développeurs d'interfaces vocales, d'outils d'accessibilité ou d'applications embarquées, cela représente un changement concret : plus besoin d'infrastructure cloud, de latence réseau ou de coût de requête à l'API. Le modèle tient dans un appareil mobile bas de gamme et produit une qualité de lecture compétitive face à des modèles bien plus lourds mesurés sur GPU A100, selon les métriques standard WER (Word Error Rate) et CER (Character Error Rate). Supertone, studio sud-coréen spécialisé dans l'audio IA, s'inscrit dans une tendance plus large vers la synthèse vocale locale et souveraine, à l'opposé des services cloud comme ceux d'ElevenLabs ou d'OpenAI. L'architecture repose sur un autoencoder audio, un module de génération par flow matching en seulement 2 étapes d'inférence (plus rapide que la diffusion classique), et une technique d'entraînement Self-Purifying Flow Matching qui rend le modèle résistant aux données bruitées. La v3 intègre aussi LARoPE (Length-Aware Rotary Position Embedding) pour améliorer l'alignement texte-parole. L'écosystème s'est étendu à Flutter (avec support macOS), .NET 9, Go, et au web via onnxruntime-web pour une exécution entièrement côté client. La compatibilité avec les assets ONNX publics de la v2 facilite la migration. La prochaine étape logique serait l'intégration dans des agents vocaux autonomes ou des lecteurs d'écran multilingues embarqués.

OutilsOutil
1 source
Codex : plus besoin d’être collé à votre PC, l’IA de code arrive sur mobile
Illustration générée par IA
5243Le Big Data 

Codex : plus besoin d’être collé à votre PC, l’IA de code arrive sur mobile

OpenAI a annoncé le 14 mai 2026 l'intégration de Codex dans l'application mobile ChatGPT, disponible sur iOS et Android. L'outil, jusqu'ici réservé aux environnements de bureau, peut désormais être piloté depuis un smartphone. Concrètement, Codex se connecte à la machine principale de l'utilisateur, PC portable, serveur dédié ou environnement distant, et affiche en temps réel l'état des tâches en cours : résultats de tests, sorties terminal, captures d'écran, validations et modifications de projet. Il ne s'agit pas de faire tourner un environnement de développement complet sur téléphone, mais de transformer le smartphone en tableau de bord portable pour superviser et orienter des tâches qui s'exécutent ailleurs. L'enjeu pratique est clair : les développeurs qui utilisent des agents d'IA autonomes se heurtent régulièrement au même problème. Ces agents peuvent travailler plusieurs dizaines de minutes, voire plusieurs heures, sans intervention humaine, mais ils finissent inévitablement par avoir besoin d'un arbitrage : choisir entre deux solutions techniques, approuver une action sensible, fournir du contexte supplémentaire. Jusqu'ici, cela imposait de retourner à son poste. Avec Codex sur mobile, il devient possible de lancer une analyse de bug avant de quitter le bureau, de suivre l'exécution depuis un taxi, et d'approuver une commande critique sans rouvrir tout son environnement de travail. OpenAI met en avant la sécurité du dispositif : la machine n'est pas exposée directement à Internet, la synchronisation entre appareils passant par une couche de relais sécurisée. Cette annonce s'inscrit dans une tendance plus large où les grands acteurs de l'IA, OpenAI en tête, cherchent à étendre leurs outils au-delà du seul écran d'ordinateur. Codex, initialement présenté comme un agent de codage autonome capable de gérer des tâches complexes sur des dépôts GitHub, monte progressivement en puissance depuis son lancement. L'intégration mobile est encore en préversion, mais elle signale une ambition claire : faire de l'IA de code un outil disponible en permanence, quel que soit le contexte. Pour l'industrie, cela accentue la pression sur les concurrents comme GitHub Copilot ou Cursor, qui n'ont pas encore poussé aussi loin l'expérience nomade. Pour les développeurs, la question n'est plus de savoir si l'IA va s'intégrer dans leurs outils quotidiens, mais à quelle vitesse elle va coloniser chaque surface disponible, y compris les six pouces de leur poche.

OutilsOutil
1 source
Ce que le conflit entre APPLE et OPEN AI révèle de la doctrine historique d’Apple
Illustration générée par IA
5244FrenchWeb 

Ce que le conflit entre APPLE et OPEN AI révèle de la doctrine historique d’Apple

Le partenariat signé en 2024 entre Apple et OpenAI devait marquer l'entrée en fanfare du géant californien dans l'ère de l'intelligence artificielle générative, en intégrant ChatGPT directement dans l'écosystème iOS via Apple Intelligence. Deux ans plus tard, la relation s'est considérablement dégradée. Bloomberg révèle qu'OpenAI envisage désormais des recours juridiques contre Apple, la startup de Sam Altman accusant le constructeur de ne pas avoir respecté l'esprit des engagements pris lors de la conclusion de l'accord. Ce bras de fer illustre une tension structurelle entre deux visions opposées du contrôle technologique. Apple a bâti son empire sur une maîtrise totale de la chaîne logicielle et matérielle, décidant seul de ce qui peut exister dans son écosystème, à quelles conditions, et selon quelle visibilité. OpenAI, dont le modèle économique repose sur une adoption massive et directe de ses services, se retrouve coincée dans un rôle de fournisseur invisible, sans accès réel aux données ni aux utilisateurs. La friction n'est pas un accident de parcours : elle était inscrite dans la logique même de l'accord. Apple a historiquement absorbé des technologies tierces pour mieux les neutraliser ou les remplacer à terme, une stratégie documentée depuis les débuts de l'App Store. Le conflit avec OpenAI s'inscrit dans ce schéma : Apple développe en parallèle ses propres modèles maison, et l'accord de 2024 lui a surtout offert du temps. Pour OpenAI, l'enjeu est désormais de faire reconnaître juridiquement des droits que la dynamique commerciale seule ne suffit plus à garantir.

BusinessOpinion
1 source
VER : Transformer expert en vision pour l'apprentissage robotique par distillation de modèle fondation et routage dynamique
Illustration générée par IA
5245arXiv cs.RO 

VER : Transformer expert en vision pour l'apprentissage robotique par distillation de modèle fondation et routage dynamique

Une équipe de chercheurs propose VER (Vision Expert Transformer), une architecture visuelle publiée sur arXiv sous l'identifiant 2510.05213 (version révisée), dédiée à l'apprentissage de politiques robotiques. Le principe central repose sur une phase de préentraînement durant laquelle plusieurs modèles fondamentaux de vision (VFMs) sont distillés dans une bibliothèque d'experts visuels unifiée. Une fois cette bibliothèque constituée, seul un réseau de routage léger, représentant moins de 0,4 % des paramètres totaux, est ajusté pour chaque tâche aval, sélectionnant dynamiquement les experts pertinents selon la nature de la manipulation à effectuer. L'architecture introduit également une méthode de routage par patch baptisée "Patchwise Expert Routing with Curriculum Top-K Annealing", qui affine progressivement la granularité de la sélection d'experts au fil de l'entraînement. Évalué sur 17 tâches robotiques variées combinées à plusieurs têtes de politique, VER atteint des performances état de l'art sur l'ensemble des benchmarks testés. L'intérêt de cette approche pour les intégrateurs et les chercheurs en robotique tient à deux apports distincts. Les VFMs individuels sont par nature spécialisés : chacun excelle dans un domaine précis (sémantique visuelle, géométrie, correspondance de textures) mais échoue à généraliser sur la diversité des tâches de manipulation. La distillation multi-modèles avec routage dynamique permet d'exploiter des représentations complémentaires sans repartir d'un entraînement complet, réduisant considérablement les coûts de calcul lors de l'adaptation à un nouveau domaine. Par ailleurs, les visualisations produites montrent que VER concentre ses activations sur les régions critiques de la scène, comme l'objet manipulé ou le point de saisie, tout en supprimant les activations parasites en arrière-plan, un problème connu qui dégrade la robustesse des politiques visuelles dans des environnements industriels encombrés. Ce travail s'inscrit dans la dynamique récente d'intégration des modèles fondamentaux dans les pipelines de contrôle robotique, aux côtés d'architectures comme Octo, OpenVLA ou pi-0 de Physical Intelligence, toutes confrontées au gap entre préentraînement généraliste et déploiement sur robot physique. Les approches concurrentes de type VLA (Vision-Language-Action) partagent cet objectif de réduction du coût d'adaptation domaine-vers-robot, mais impliquent généralement un réentraînement bien plus lourd. VER se distingue par la fraction infime de paramètres ajustés lors du fine-tuning, ce qui le rend potentiellement compatible avec des contraintes matérielles embarquées. Les codes et visualisations sont accessibles sur la page projet des auteurs. À ce stade, il s'agit d'un résultat académique pur : aucun partenariat industriel ni calendrier de déploiement commercial n'est mentionné.

RechercheActu
1 source
Evo-Depth : un modèle vision-langage-action (VLA) léger intégrant la perception de profondeur
Illustration générée par IA
5246arXiv cs.RO 

Evo-Depth : un modèle vision-langage-action (VLA) léger intégrant la perception de profondeur

Des chercheurs ont publié sur arXiv (arXiv:2605.14950, mai 2025) Evo-Depth, un modèle VLA (Vision-Language-Action) de 0,9 milliard de paramètres conçu pour la manipulation robotique. L'architecture repose sur trois composants : un module d'encodage de profondeur implicite (Implicit Depth Encoding Module) qui extrait des représentations de profondeur à partir d'images RGB multi-vues sans capteur dédié, un module d'amélioration spatiale (Spatial Enhancement Module) qui fusionne ces features avec les représentations vision-langage via une modulation adaptative, et une stratégie d'entraînement progressif (Progressive Alignment Training) qui aligne ces représentations enrichies avec la génération d'actions. Sur quatre benchmarks de simulation et en conditions réelles, Evo-Depth affiche le meilleur taux de succès moyen parmi les méthodes comparées, avec la plus faible empreinte mémoire GPU et la fréquence d'inférence la plus élevée. L'enjeu est direct pour les intégrateurs et les équipes robotique : les VLA actuels peinent à raisonner spatialement parce qu'ils traitent des images 2D plates, ce qui crée un écart entre la compréhension sémantique (ce qu'est l'objet) et la compréhension géométrique (où il se trouve exactement). Les approches qui ajoutent des capteurs 3D, LiDAR, caméras RGB-D, résolvent le problème au prix d'une complexité matérielle et d'une sensibilité accrue au bruit de reconstruction. Evo-Depth démontre qu'il est possible d'inférer une représentation de profondeur compacte depuis du RGB seul, à moindre coût de calcul : c'est un argument opérationnel pour des déploiements en environnements non équipés de capteurs de profondeur, typiquement les entrepôts non instrumentés ou les robots de service. Les VLA à base de transformers pré-entraînés, notamment pi0 (Physical Intelligence), OpenVLA, ou encore RoboFlamingo, constituent le paysage concurrentiel direct. Ces modèles atteignent généralement plusieurs milliards de paramètres et requièrent une infrastructure GPU conséquente pour l'inférence embarquée. Evo-Depth se positionne dans le segment "efficient VLA", aux côtés de travaux comme RoboMamba ou SpatialVLA, en pariant sur la compression plutôt que sur la puissance brute. Il s'agit pour l'instant d'un preprint arXiv non évalué par les pairs, sans code ou poids publics annoncés à ce stade : les résultats sont prometteurs, mais la reproductibilité reste à confirmer avant toute intégration industrielle.

RobotiqueActu
1 source
Pelican-Unified 1.0 : un modèle d'IA incarnée unifié pour la compréhension, le raisonnement, l'imagination et l'action
Illustration générée par IA
5247arXiv cs.RO 

Pelican-Unified 1.0 : un modèle d'IA incarnée unifié pour la compréhension, le raisonnement, l'imagination et l'action

Une équipe de recherche a publié Pelican-Unified 1.0 (arXiv 2605.15153), un modèle de fondation incarné qui intègre dans un seul checkpoint quatre capacités habituellement confiées à des modules distincts : compréhension visuelle, raisonnement, imagination et génération d'actions robotiques. L'architecture repose sur un unique VLM (Vision-Language Model) qui encode scènes, instructions et historiques d'actions dans un espace sémantique partagé. Ce même VLM génère en un seul forward pass des chaînes de pensée orientées tâche, projetées dans une variable latente dense. Un module baptisé Unified Future Generator (UFG) conditionne ensuite sur cette latente pour produire simultanément vidéos futures et séquences d'actions via deux têtes de sortie dans le même processus de débruitage (denoising). Les performances annoncées : 64,7 sur huit benchmarks VLM standards (meilleur parmi les modèles de taille comparable), 66,03 sur WorldArena (premier rang) et 93,5 sur RoboTwin (deuxième meilleure moyenne parmi les méthodes comparées). L'article est déposé en preprint, sans validation par les pairs à ce stade. L'enjeu architectural est direct : les systèmes robotiques avancés actuels reposent quasi universellement sur des experts spécialisés distincts pour percevoir, raisonner, planifier et exécuter. Ce papier cherche à démontrer qu'un modèle unique, optimisé conjointement sur des pertes de langage, vidéo et action, peut égaler ces spécialistes sans compromis de performance. Si ces résultats se confirment hors simulation, l'impact pour les intégrateurs est double : un seul checkpoint à maintenir et une meilleure généralisation inter-tâches. Le couplage imagination-action dans le même processus de débruitage rappelle l'approche de Physical Intelligence avec Pi-0.5, mais l'intégration du raisonnement textuel dans la même passe constitue un degré d'unification plus poussé. Le score sur RoboTwin reste néanmoins un indicateur sim-to-real à valider en conditions réelles. La course aux modèles VLA (Vision-Language-Action) s'est accélérée en 2024-2025 avec Pi-0 et Pi-0.5 de Physical Intelligence, GR00T N2 de NVIDIA, et les modèles RT-X de Google DeepMind, chacun maintenant des composants partiellement séparés pour la planification et la génération motrice. Pelican-Unified 1.0 se positionne comme une alternative radicalement unifiée, mais reste au stade académique : aucun déploiement, aucun partenariat industriel annoncé, et l'équipe auteure n'est pas identifiée dans le résumé public, ce qui limite l'évaluation de la crédibilité institutionnelle. La revendication de "premier modèle unifié" mérite d'être nuancée, plusieurs architectures combinant déjà compréhension et action. Les prochaines étapes naturelles passent par une validation sur des benchmarks en conditions réelles et une soumission à CoRL ou ICRA.

RechercheOpinion
1 source
XR-1 : vers des modèles VLA polyvalents par apprentissage de représentations vision-mouvement unifiées
Illustration générée par IA
5248arXiv cs.RO 

XR-1 : vers des modèles VLA polyvalents par apprentissage de représentations vision-mouvement unifiées

Une équipe de recherche a publié XR-1 (X Robotic Model 1), un cadre d'apprentissage pour modèles vision-langage-action (VLA) conçu pour opérer sur des robots hétérogènes, disponible en preprint arXiv sous la référence 2511.02776v2. La contribution centrale est l'introduction des UVMC (Unified Vision-Motion Codes), une représentation latente discrète apprise via un VQ-VAE à double branche qui encode conjointement la dynamique visuelle et le mouvement robotique. L'entraînement suit trois étapes : apprentissage auto-supervisé des UVMC, pré-entraînement guidé par UVMC sur de grands ensembles de données cross-embodiment, puis fine-tuning spécifique à chaque tâche. XR-1 a été validé sur plus de 14 000 rollouts couvrant six morphologies robotiques différentes et plus de 120 tâches de manipulation. Les benchmarks affichent des performances supérieures à celles de π0.5, π0 (Physical Intelligence), RDT, UniVLA et GR00T-N1.5 (NVIDIA), avec une robustesse avérée face aux objets inconnus, variations d'arrière-plan, distracteurs et changements d'éclairage. L'enjeu que XR-1 cherche à résoudre est structurant pour le secteur : la généralisation cross-embodiment, soit la capacité d'un seul modèle à piloter des robots aux morphologies radicalement différentes à partir de données hétérogènes incluant des démonstrations humaines. Les approches précédentes encodaient soit la dynamique visuelle, soit les actions robotiques, rarement les deux conjointement. Le UVMC agit comme représentation intermédiaire unifiée entre observations et actions, réduisant le fossé entre sources de données disparates. Dépasser π0.5 et GR00T-N1.5 sur des évaluations en monde réel plutôt qu'en simulation constitue un signal sérieux, même si les benchmarks VLA restent notoires pour leur sensibilité aux conditions exactes d'évaluation et au choix des tâches de test. XR-1 s'inscrit dans la dynamique de recherche autour des fondations VLA généralisables, accélérée par l'essor des VLM et des grands ensembles de données robotiques publics comme Open X-Embodiment et BridgeData V2. Ses concurrents directs sont Physical Intelligence avec la famille π0/π0.5, NVIDIA Robotics avec GR00T N1.5, et les projets académiques RDT et UniVLA. Il s'agit à ce stade d'un preprint (version 2), pas d'un produit commercialisé : aucun partenariat industriel ni calendrier de déploiement n'est annoncé. La page projet est accessible sur xr-1-vla.github.io.

RechercheOpinion
1 source
MIMIC-D : imitation multimodale pour la coordination multi-agents par politiques de diffusion décentralisées
Illustration générée par IA
5249arXiv cs.RO 

MIMIC-D : imitation multimodale pour la coordination multi-agents par politiques de diffusion décentralisées

Des chercheurs ont publié MIMIC-D (Multi-modal Imitation for MultI-agent Coordination with Decentralized Diffusion Policies), un framework d'apprentissage par imitation destiné à coordonner plusieurs agents robotiques sur des tâches multi-modales, c'est-à-dire admettant plusieurs solutions valides. La troisième révision de ce préprint arXiv (2509.14159v3) présente une architecture d'entraînement conjoint avec exécution décentralisée : chaque agent apprend une politique à partir d'informations locales uniquement, sans planificateur central ni canal de communication explicite entre agents. Les politiques s'appuient sur des réseaux de diffusion, capables de représenter des distributions de trajectoires complexes et multi-modales là où l'apprentissage par imitation classique tend à moyenner les modes ou à n'en sélectionner qu'un seul. Des validations en simulation et sur matériel réel sont rapportées, avec des améliorations annoncées sur les baselines état de l'art, sans que des métriques chiffrées précises ne soient publiées dans le résumé. L'enjeu opérationnel est direct : les frameworks multi-agents existants supposent généralement une communication permanente entre robots ou un orchestrateur global, une hypothèse irréaliste en conditions industrielles où le réseau peut être instable, les équipements hétérogènes, et des opérateurs humains présents dans la boucle. MIMIC-D vise à produire une coordination implicite émergente à l'entraînement, sans échange de messages à l'exécution. Pour les intégrateurs ou les COO de sites logistiques et de fabrication, cette approche ouvre la voie à des fleets hétérogènes capables de gérer des variantes de tâches sans reconfiguration centrale, un problème courant dès que les processus sont peu standardisés. Ce travail prend place dans la dynamique post-diffusion appliquée à la robotique, après les résultats de Pi-0 (Physical Intelligence) et des architectures VLA sur des tâches mono-agent. L'extension au multi-agent reste un chantier ouvert : en production, des systèmes comme ceux d'Exotec ou d'Amazon Robotics s'appuient sur des orchestrateurs centralisés (WMS, MFC), exactement ce que MIMIC-D vise à rendre optionnel. Les approches concurrentes incluent les algorithmes MARL classiques (MAPPO, QMIX) et les travaux récents sur les diffusion policies multi-agents avec communication explicite. Étant un preprint en cours de révision, aucun déploiement industriel n'est annoncé. Les évaluations sur des espaces d'action à plus haute dimensionnalité et en environnement humain réel constituent les prochaines étapes naturelles.

RechercheOpinion
1 source
Le méta-système de Poetiq construit un cadre universel améliorant tous les LLM sur LiveCodeBench Pro sans affinage
Illustration générée par IA
5250MarkTechPost 

Le méta-système de Poetiq construit un cadre universel améliorant tous les LLM sur LiveCodeBench Pro sans affinage

La startup Poetiq a publié des résultats qui retiennent l'attention dans le domaine de l'IA : son système baptisé Meta-System a atteint un nouveau niveau de performance sur LiveCodeBench Pro, un benchmark compétitif de codage, en construisant et optimisant automatiquement son propre environnement d'inférence. Sans entraîner les modèles sous-jacents ni accéder à leurs paramètres internes, le Meta-System a permis à GPT 5.5 High de passer de 89,6 % à 93,9 % sur ce benchmark. Plus spectaculaire encore : Gemini 3.1 Pro, le modèle sur lequel le système a été optimisé, bondit de 78,6 % à 90,9 %, surpassant ainsi Gemini 3 Deep Think de Google lui-même, crédité de 88,8 % mais non accessible via API pour vérification externe. Il s'agit du troisième benchmark public de Poetiq, et le choix de LiveCodeBench Pro était délibéré. Ce que Poetiq appelle un « harness » est la couche d'orchestration enveloppant un modèle de langage : elle contrôle comment le modèle est sollicité, comment les sorties sont structurées, comment les réponses sont assemblées sur plusieurs appels, et comment les solutions sont évaluées. Traditionnellement, ces architectures sont construites à la main par des ingénieurs. La proposition de Poetiq est que le Meta-System les construit et les optimise de manière entièrement automatique, par amélioration récursive. En pratique, le système développe de meilleures stratégies de questionnement, affine des chaînes de raisonnement séquentielles, et assemble les réponses de façon adaptive, en intégrant les apprentissages de tâches précédentes. L'impact est immédiat pour l'industrie : si un tel système peut améliorer n'importe quel modèle sans accès privilégié ni réentraînement coûteux, cela repositionne la compétition non plus uniquement sur la qualité intrinsèque des modèles, mais sur la sophistication de l'infrastructure qui les entoure. LiveCodeBench Pro a été conçu pour résister à deux défauts récurrents des benchmarks : la contamination des données et le surapprentissage. Il puise ses problèmes dans les compétitions de programmation compétitive, valide les solutions via un cadre de tests complet, et impose des contraintes strictes de mémoire et de temps d'exécution, notamment en C++. Le benchmark est aussi mis à jour en continu, ce qui le distingue des évaluations statiques qui finissent par devenir obsolètes. Pour Poetiq, le codage représente la catégorie commerciale la plus répandue de l'IA aujourd'hui, mêlant raisonnement, récupération d'information et génération de logique procédurale complexe. L'entreprise entend démontrer que l'amélioration récursive automatique des harnesses constitue une voie complémentaire au scaling traditionnel des modèles, avec des gains substantiels à la clé pour tous les acteurs souhaitant tirer davantage de valeur des LLM existants.

LLMsOutil
1 source
Le fil AI : tout converge vers Conductor
Illustration générée par IA
5251Latent Space 

Le fil AI : tout converge vers Conductor

GitHub a annoncé le 13 mai 2026 une préversion technique de son application GitHub Copilot App, un environnement de bureau conçu pour gérer des flux de travail parallèles, le cycle de vie des dépôts et des pull requests, avec flexibilité sur le choix de modèle. Dans le même mouvement, OpenAI a étendu son agent Codex vers les usages mobiles : les utilisateurs peuvent désormais lancer des tâches depuis l'application ChatGPT sur mobile, examiner les sorties, approuver des commandes et piloter l'exécution à distance pendant que Codex continue de tourner sur un laptop, un Mac mini ou un serveur de développement. OpenAI a également rendu généralement disponible le Remote SSH pour les environnements distants gérés, et ajouté des hooks ainsi que des jetons d'accès programmatiques pour l'automatisation Business et Enterprise autour du pipeline Codex. VS Code, de son côté, a livré une nouvelle fenêtre Agents pour les flux multi-agents et multi-projets, avec support navigateur et mobile via vscode.dev/agents, ainsi que des améliorations d'efficacité comme la compression des sorties terminal. Ces annonces convergentes signalent un basculement de l'écosystème entier vers une interface dite "agent-first" : les outils ne sont plus centrés sur l'édition de fichiers, mais sur la supervision d'agents autonomes qui exécutent des tâches longues en parallèle. Pour les développeurs, cela signifie pouvoir déléguer des chantiers entiers à un agent depuis son téléphone, tout en gardant le contrôle à distance. Pour les entreprises, les nouveaux tokens d'accès programmatiques d'OpenAI ouvrent la voie à des pipelines de développement entièrement automatisés. Du côté de l'infrastructure d'agents, LangChain a frappé fort avec le lancement de SmithDB, une base de données conçue spécifiquement pour les traces d'agents, et de LangSmith Engine, qui consomme ces traces, regroupe les échecs, identifie les problèmes dans le code et propose des correctifs, transformant l'observabilité passive en boucle d'amélioration continue. Derrière cette effervescence se profile une dynamique que les observateurs comparent à l'évolution convergente en biologie : tout comme le "plan crab" a émergé indépendamment sept fois dans l'évolution, l'interface "agent-first" est en train de s'imposer simultanément chez GitHub, Microsoft, OpenAI et d'autres. Conductor, la startup qui a popularisé ce paradigme, voit ses idées reprises à grande échelle, ce qui soulève une question structurante pour les pionniers : comment monétiser une innovation de forme quand les géants de l'industrie l'adoptent en quelques mois ? Garry Tan, PDG de Y Combinator, s'est montré publiquement enthousiaste à propos de Conductor, signal que l'écosystème startup suit de près ces convergences. Les prochains mois diront si les premiers à avoir défriché ce terrain peuvent transformer leur avance conceptuelle en avantage durable, ou si la compétition sur la forme laisse place à une guerre sur l'exécution et la distribution.

OutilsOutil
1 source
L'action Cerebras bondit à son introduction en bourse ; tensions entre Apple et OpenAI
Illustration générée par IA
5252The Information AI 

L'action Cerebras bondit à son introduction en bourse ; tensions entre Apple et OpenAI

Cerebras Systems a fait ses débuts en bourse ce jeudi avec un succès retentissant : les actions de la startup spécialisée dans la conception de puces pour l'IA ont bondi de 68 % dès le premier jour, clôturant à 311,07 dollars. Cette performance valorise l'entreprise à environ 94 milliards de dollars, un chiffre particulièrement élevé pour une société dont le chiffre d'affaires est projeté à 800 millions de dollars cette année, soit une croissance de 57 %, avant de potentiellement atteindre 3,2 milliards de dollars en 2027. Cette introduction en bourse illustre l'appétit persistant des investisseurs pour les acteurs de l'infrastructure IA, malgré des valorisations qui défient les ratios classiques. Cerebras se positionne comme un concurrent sérieux à Nvidia en proposant des puces massives conçues spécifiquement pour les charges de travail d'intelligence artificielle. Son entrée en bourse confirme que Wall Street est prêt à parier gros sur des alternatives crédibles dans la course aux semi-conducteurs dédiés à l'IA. Cette journée chargée a également été marquée par deux autres tensions majeures dans le secteur : OpenAI aurait exprimé publiquement son mécontentement à l'égard d'Apple, dont le partenariat avec la startup de Sam Altman semble sous pression, tandis que des opérateurs télécoms américains ont défié ouvertement Elon Musk et Amazon sur leur terrain respectif. Ces frictions révèlent les luttes d'influence qui se jouent en coulisses dans l'écosystème technologique américain, alors que l'IA recompose les alliances et les rapports de force entre géants du secteur.

BusinessActu
1 source
Cline publie son SDK open source : un runtime d'agents qui alimente désormais son CLI et son Kanban, avec migration des extensions IDE
Illustration générée par IA
5253MarkTechPost 

Cline publie son SDK open source : un runtime d'agents qui alimente désormais son CLI et son Kanban, avec migration des extensions IDE

Cline, l'agent de codage IA open-source utilisé par des millions de développeurs, a annoncé cette semaine une refonte architecturale majeure avec la sortie de @cline/sdk, un runtime d'agent TypeScript désormais disponible en open-source. Concrètement, l'équipe a extrait le coeur du moteur agentique, jusqu'ici étroitement couplé à l'extension VS Code, pour en faire un SDK indépendant, modulaire, sur lequel tous ses produits sont désormais reconstruits : l'extension VS Code, JetBrains, le CLI et le tableau Kanban. Le SDK est structuré en couches strictement ordonnées : @cline/shared (types, schémas, utilitaires), @cline/llms (passerelle vers Anthropic, OpenAI, Google, AWS Bedrock, Mistral, LiteLLM et tout endpoint compatible OpenAI), @cline/agents (boucle d'exécution stateless, compatible navigateur), et @cline/core (orchestration Node.js, sessions, stockage, télémétrie, plugins). Chaque couche est installable séparément, ce qui permet par exemple d'utiliser uniquement @cline/llms comme proxy LLM sans embarquer tout le runtime. Cette architecture redéfinie apporte des gains concrets mesurables. Avec Cline 2.0, l'équipe a reécrit les prompts, simplifié la boucle agentique et amélioré la gestion du contexte. Les résultats publiés sur Terminal Benchmark 2.0 (tbench.ai) au 8 mai 2026 sont frappants : sur claude-opus-4.7, le CLI Cline atteint 74,2% contre 69,4% pour Claude Code d'Anthropic sur le même modèle. Sur claude-opus-4.6, l'écart est similaire, 71,9% contre 65,4%. Sur les modèles open-weight, Cline marque 55,1% sur Kimi-K2.6, contre 37,1% pour OpenCode et 45,5% pour Pi-Code. Côté stabilité, les sessions agentiques longues ne meurent plus lors d'un redémarrage de l'interface : la boucle reste stateless et portable, tandis que la persistance est gérée séparément par le runtime. Cette sortie s'inscrit dans une tendance plus large : celle de la fragmentation et de la standardisation de l'outillage agentique. Pendant des années, les agents IA étaient construits comme des monolithes liés à une interface spécifique, VS Code, un navigateur, un SaaS. Le choix de Cline de découpler son moteur de ses surfaces d'affichage ouvre la voie à une nouvelle génération d'outils où le même agent peut s'exécuter dans un IDE, un terminal, un serveur serverless ou un environnement browser sans réécriture. Le système de plugins intégré au SDK permet en outre aux équipes tierces d'enregistrer leurs propres outils, d'observer les événements du cycle de vie de l'agent et d'étendre ses capacités. Pour les éditeurs et startups qui cherchent à construire sur une base agentique robuste sans repartir de zéro, @cline/sdk représente une fondation crédible, et son positionnement open-source face à des alternatives propriétaires comme Claude Code ou Cursor pourrait accélérer l'adoption dans les environnements d'entreprise.

OutilsOutil
1 source
Les developpeurs peuvent desormais deboguer et evaluer des agents IA en local avec l'outil open source Workshop de Raindrop
Illustration générée par IA
5254VentureBeat AI 

Les developpeurs peuvent desormais deboguer et evaluer des agents IA en local avec l'outil open source Workshop de Raindrop

Raindrop AI, une startup spécialisée dans l'observabilité des systèmes d'intelligence artificielle, a lancé ce jour Workshop, un outil open source sous licence MIT conçu pour déboguer et évaluer les agents IA directement en local. L'outil fonctionne comme un démon léger associé à une interface web accessible sur localhost:5899, qui capture en temps réel chaque token généré, chaque appel d'outil et chaque décision prise par un agent. Toutes ces données sont stockées dans un unique fichier SQLite (.db), particulièrement économe en mémoire, ce qui permet aux développeurs de rejouer et inspecter l'intégralité du comportement de leur agent sans quitter leur machine. Workshop est disponible sur macOS, Linux et Windows, installable en une seule ligne de commande, et s'appuie sur le runtime Bun pour ceux qui préfèrent compiler depuis les sources via GitHub. Ben Hylak, cofondateur et CTO de Raindrop, ancien ingénieur chez Apple et SpaceX, a présenté l'outil comme une réponse directe au besoin de déboguer les agents de façon "sensée". La fonctionnalité centrale de Workshop est ce que Raindrop appelle la "boucle d'évaluation auto-réparatrice" : un agent de code comme Claude Code peut lire les traces capturées, écrire automatiquement des tests d'évaluation ciblés, identifier les erreurs logiques dans le prompt ou le code, puis relancer l'agent jusqu'à ce que tous les tests passent. Concrètement, si un agent assistant vétérinaire omet de poser des questions de suivi essentielles, Workshop enregistre la trajectoire complète de l'échec, permettant à Claude Code de localiser la faille et de la corriger de manière autonome. Cette approche élimine la latence des méthodes traditionnelles de polling et répond à une préoccupation croissante dans la communauté : la confidentialité des traces, qui ne quittent plus jamais la machine du développeur. L'émergence de Workshop s'inscrit dans un mouvement plus large de maturation de l'écosystème des agents IA. Depuis que le développement agentique s'est imposé comme paradigme dominant en 2024-2025, les développeurs manquaient d'outils d'introspection adaptés à ces systèmes autonomes, dont les comportements sont notoirement difficiles à tracer et à reproduire. Workshop répond à ce vide en s'intégrant avec les principaux frameworks du marché, notamment le Vercel AI SDK, OpenAI, Anthropic, LangChain, LlamaIndex et CrewAI, ainsi qu'avec les agents de code populaires comme Cursor, Devin et OpenCode. Il supporte TypeScript, Python, Rust et Go. La licence MIT garantit une utilisation libre y compris en entreprise, tout en favorisant les contributions communautaires. Pour marquer le lancement, Raindrop a distribué des goodies physiques en édition limitée aux premiers utilisateurs ayant exécuté une commande "drip" spécifique.

OutilsOutil
1 source
Santé fondée sur l'IA : 100 millions de consultations, 10 à 20 heures gagnées, autorisations médicales en quelques minutes (Abridge)
Illustration générée par IA
5255Latent Space 

Santé fondée sur l'IA : 100 millions de consultations, 10 à 20 heures gagnées, autorisations médicales en quelques minutes (Abridge)

Abridge n'est pas une startup née dans la fièvre de ChatGPT. Fondée en 2018, quatre ans avant le lancement public de l'outil d'OpenAI, l'entreprise s'est construite sur un pari précis : améliorer la documentation clinique, ce travail invisible que les médecins effectuent après chaque consultation, souvent le soir chez eux. Son système écoute les échanges entre patients et soignants, génère automatiquement les notes médicales et réduit ainsi la charge administrative. Aujourd'hui, Abridge annonce qu'elle traitera plus de 80 millions de conversations patient-médecin en 2025, auprès de 250 grands systèmes de santé américains, dans 28 langues et pour plus de 50 spécialités médicales. En juin 2025, elle a bouclé une levée de fonds de 300 millions de dollars à une valorisation de 5,3 milliards, après un premier tour de 250 millions de dollars plus tôt dans l'année. Ses dirigeants, Janie Lee et Chaitanya Asawa, revendiquent un gain de 10 à 20 heures par semaine pour les cliniciens, et des autorisations préalables de remboursement, processus normalement long de plusieurs semaines, traitées en quelques minutes pendant que le patient est encore dans la salle. L'enjeu dépasse la simple productivité administrative. Le système de santé américain souffre d'un épuisement massif de ses soignants, aggravé par des tâches bureaucratiques chronophages. En automatisant la prise de notes et en intégrant directement les données dans les dossiers médicaux électroniques, Abridge libère du temps clinique réel. L'exemple des autorisations préalables illustre l'ampleur du changement : un médecin qui prescrit une IRM peut désormais recevoir en temps réel une alerte sur les critères requis par l'assureur, avant que le patient ne quitte le cabinet, évitant un refus de remboursement des semaines plus tard. Ce type d'intervention préventive représente une transformation concrète des flux de travail hospitaliers, avec des implications financières directes pour les établissements de santé. Abridge se positionne désormais comme une couche d'intelligence clinique plus large, au-delà du simple scribe ambiant. L'entreprise ambitionne d'intégrer des données de politiques d'assurance, de littérature médicale et de protocoles hospitaliers spécifiques pour construire un avantage concurrentiel durable. Elle développe des agents capables d'agir avant, pendant et après la consultation, dans un environnement où la moindre erreur peut avoir des conséquences graves. La question des modèles propriétaires versus les modèles frontières, la gestion de la vie privée, la désidentification des données et l'évaluation de la qualité en temps réel constituent les défis techniques centraux. Dans un secteur aussi réglementé et à forts enjeux, Abridge fait le pari que résoudre les problèmes d'IA les plus difficiles passera d'abord par la santé.

OutilsOutil
1 source
L'action Cerebras double presque le premier jour, valorisant le fabricant de puces IA à 100 milliards de dollars
Illustration générée par IA
5256VentureBeat AI 

L'action Cerebras double presque le premier jour, valorisant le fabricant de puces IA à 100 milliards de dollars

Cerebras Systems, le fabricant de puces basé dans la Silicon Valley, a fait une entrée fracassante au Nasdaq le 14 mai 2026 : l'action a ouvert à 350 dollars, soit presque le double du prix d'introduction fixé à 185 dollars, propulsant la capitalisation boursière de la société au-delà des 100 milliards de dollars dès les premières heures de cotation. L'entreprise a levé 5,55 milliards de dollars en vendant 30 millions d'actions, ce qui en fait la plus grande introduction en bourse technologique américaine depuis Uber en 2019. La demande des investisseurs a littéralement submergé les attentes initiales : Cerebras avait d'abord fixé une fourchette cible de 115 à 125 dollars, l'avait relevée à 150-160 dollars face à l'engouement, avant de fixer le prix final encore au-dessus de cette bande révisée. La société, dont le chiffre d'affaires a progressé de 76 % pour atteindre 510 millions de dollars en 2025, a annoncé son intention d'investir ces nouveaux capitaux dans l'expansion de son infrastructure cloud d'inférence. Ce succès boursier repose sur une architecture radicalement différente de celle de Nvidia. Le Wafer-Scale Engine WSE-3 de Cerebras est un processeur unique qui occupe un wafer de silicium entier, le disque de la taille d'une assiette à partir duquel sont normalement découpées des dizaines de puces classiques. Avec 4 000 milliards de transistors, 900 000 cœurs de calcul et 44 gigaoctets de mémoire embarquée, il est 58 fois plus grand que le B200 de Nvidia et offre 2 625 fois plus de bande passante mémoire. Cet avantage est décisif pour l'inférence d'IA, le processus qui consiste à faire tourner un modèle entraîné pour générer des réponses : chaque token produit nécessite de déplacer l'intégralité des poids du modèle entre mémoire et calcul, une opération strictement séquentielle où la bande passante est le facteur limitant. Cerebras revendique des vitesses d'inférence jusqu'à 15 fois supérieures aux solutions GPU concurrentes sur modèles open source, un chiffre confirmé par le cabinet d'analyse indépendant Artificial Analysis. Le parcours de Cerebras jusqu'à cette cotation a été tout sauf linéaire. Fondée en 2015 sur le pari que les charges de travail de l'IA seraient fondamentalement contraintes par les communications entre mémoire et calcul, la société a passé des années à résoudre un problème que l'industrie des semi-conducteurs avait tenté et abandonné à plusieurs reprises sur 75 ans d'histoire. Cerebras avait une première fois déposé son dossier d'introduction en bourse en septembre 2024, avant de se retirer face aux questions des régulateurs sur sa dépendance quasi totale à un seul client aux Émirats arabes unis. Le redépôt d'avril 2026 présentait un profil radicalement différent : des partenariats avec OpenAI et Amazon Web Services, un service d'inférence cloud en forte croissance, et une base de revenus diversifiée. La capitalisation atteinte dès le premier jour place désormais Cerebras parmi les fabricants de semi-conducteurs les plus valorisés au monde, dans un secteur où Nvidia règne encore en maître incontesté.

InfrastructureActu
1 source
L'autorisation des agents est défaillante, et la transmission de l'authentification aggrave le problème
Illustration générée par IA
5257VentureBeat AI 

L'autorisation des agents est défaillante, et la transmission de l'authentification aggrave le problème

Anthony Grieco, vice-président senior et directeur de la sécurité de Cisco, l'a affirmé sans détour lors de la conférence RSAC 2026 : les incidents impliquant des agents IA non autorisés touchent régulièrement les clients de l'entreprise. Le problème qu'il décrit suit un schéma précis et récurrent, l'authentification réussit, l'identité de l'agent est confirmée, et pourtant l'agent accède à des données auxquelles il n'avait pas le droit de toucher, ou exécute des actions que personne n'avait autorisées à ce niveau de granularité. Ce n'est pas un problème d'identité, c'est un problème d'autorisation. Le rapport "State of AI Security 2026" de Cisco illustre l'ampleur du défi : 83 % des organisations prévoient de déployer des capacités agentiques, mais seulement 29 % se sentent prêtes à les sécuriser. À RSAC 2026, cinq éditeurs ont présenté des cadres d'identité pour agents, dont Cisco avec son Duo IAM et ses contrôles MCP gateway. Aucun ne comble l'ensemble des lacunes identifiées. Le problème central est structurel. Comme l'a formulé Grieco : "Cet agent est un agent financier, mais même en tant qu'agent financier, il ne devrait pas accéder à toutes les données financières, seulement aux notes de frais d'une période précise." Kayne McGladrey, membre senior de l'IEEE, a confirmé que les organisations reproduisent par défaut les profils de droits des utilisateurs humains pour leurs agents, ce qui génère une inflation des permissions dès le premier jour. Carter Rees, VP de l'IA chez Reputation, a identifié la cause structurelle : le plan d'autorisation plat d'un LLM ne respecte pas les permissions par utilisateur. L'agent n'a pas besoin d'escalader ses privilèges, il les possède déjà. À cela s'ajoute un problème de visibilité : selon Elia Zaitsev, directeur technique de CrowdStrike, dans la plupart des configurations de journalisation par défaut, l'activité d'un agent est indiscernable de celle d'un humain, rendant toute détection d'anomalie très difficile. Ce constat dépasse largement les observations d'un seul éditeur. Trois organismes de standardisation indépendants ont convergé vers le même diagnostic début 2026. Le NIST a publié en février un document appelant explicitement à des projets pilotes sur l'application des standards d'identité aux agents autonomes. L'OWASP a publié en décembre 2025 son "Top 10 for Agentic Applications", identifiant l'abus d'outils par sur-provisionnement de droits et la délégation non sécurisée comme des risques de premier rang. La Cloud Security Alliance a également lancé des travaux sur le sujet. Avec des entreprises qui envisagent jusqu'à 500 agents par employé selon Grieco, la question de l'autorisation granulaire, savoir précisément ce qu'un agent peut faire, sur quelles données, à quel moment, est en passe de devenir l'un des défis sécuritaires les plus urgents de l'entreprise moderne.

SécuritéOpinion
1 source
OpenAI intègre Codex dans l'application mobile ChatGPT
Illustration générée par IA
5258The Verge AI 

OpenAI intègre Codex dans l'application mobile ChatGPT

OpenAI étend les capacités de Codex, son outil d'aide au codage piloté par IA, à l'application mobile ChatGPT. Jusqu'ici réservé à l'application desktop, Codex permet d'écrire du code, de manipuler des fichiers et d'interagir avec des applications directement sur l'ordinateur de l'utilisateur. Cette disponibilité mobile s'accompagne d'une mise à jour majeure récemment déployée qui permet à Codex de piloter des applications sur macOS, franchissant une nouvelle étape vers ce qu'OpenAI ambitionne de construire : une "superapp" de bureau capable d'agir de manière autonome sur un système entier. Pour les développeurs et les professionnels techniques, cette extension représente un accès en mobilité à un agent capable d'exécuter des tâches complexes de programmation sans intervention manuelle constante. OpenAI cible clairement son segment entreprise avec cette évolution, cherchant à proposer un outil de productivité polyvalent qui dépasse le simple chatbot. La capacité à piloter des applications macOS depuis un agent IA constitue un atout concurrentiel significatif pour convaincre les équipes de développement et les directions informatiques. Cette accélération intervient directement en réponse à la montée en puissance de Claude Code, l'outil concurrent d'Anthropic qui a connu un succès notable ces derniers mois. Pour rester dans la course, OpenAI a procédé à une réorganisation stratégique : abandon de projets secondaires dont Sora, l'outil de génération vidéo, et recentrage des ressources sur des produits à fort potentiel commercial. La guerre des agents de codage oppose désormais Anthropic, OpenAI et Google, chacun cherchant à s'imposer comme l'assistant de référence pour les ingénieurs logiciels.

Le partenariat OpenAI-Apple se dégrade
Illustration générée par IA
5259The Information AI 

Le partenariat OpenAI-Apple se dégrade

OpenAI envisage des poursuites judiciaires contre Apple pour rupture de contrat, selon un employé de la startup au fait du dossier. Le litige porte sur l'accord d'intégration de ChatGPT conclu avec le fabricant de l'iPhone, annoncé il y a deux ans lors de la WWDC 2024. La source indique qu'OpenAI tente depuis plusieurs mois de renouer le dialogue avec Apple, mais se heurte à un manque manifeste d'engagement de la part du géant californien. La société préférerait éviter le tribunal, mais n'exclut pas cette option si Apple refuse de montrer une volonté réelle de coopérer. L'affaire est significative car elle fragilise l'un des partenariats les plus médiatisés de l'ère ChatGPT. L'intégration de ChatGPT dans Apple Intelligence devait permettre aux utilisateurs d'iPhone, d'iPad et de Mac d'accéder au modèle d'OpenAI directement via Siri pour les requêtes complexes, touchant potentiellement des centaines de millions d'appareils dans le monde. Un conflit juridique entre ces deux acteurs pourrait compromettre cette intégration et forcer Apple à trouver une alternative, tout en envoyant un signal d'alarme aux autres entreprises technologiques qui cherchent à s'allier avec Cupertino. Ce n'est pas la première fois qu'Apple se retrouve en position d'accusé dans un conflit avec un partenaire de haut rang, mais il est rare qu'une entreprise aussi visible rende publiques ses menaces juridiques avant même de déposer une plainte. Apple est historiquement connu pour ses pratiques commerciales strictes et ses conditions d'accès à l'écosystème iOS, ce qui a déjà alimenté des tensions avec des développeurs et des régulateurs. Pour OpenAI, dont le modèle économique repose en partie sur la distribution via des plateformes tierces, perdre ou dégrader ce canal d'accès à des milliards d'utilisateurs Apple représenterait un revers stratégique non négligeable, alors que la concurrence avec Google, Meta et Anthropic s'intensifie.

BusinessActu
1 source
Les coûts d'Anthropic sont difficiles à prévoir
Illustration générée par IA
5260The Information AI 

Les coûts d'Anthropic sont difficiles à prévoir

Les clients d'Anthropic font face à une double contrainte : des hausses de prix récentes et une quasi-impossibilité de prévoir leurs dépenses futures. Des entreprises comme PagerDuty et ServiceNow ont publiquement exprimé leur frustration cette semaine. ServiceNow est dans une situation particulièrement critique : son directeur digital information officer, Kellie Romack, a révélé que la société a déjà consommé l'intégralité de son budget annuel alloué aux outils d'intelligence artificielle d'Anthropic, et l'année est loin d'être terminée. Le problème central n'est pas seulement le coût en lui-même, mais l'absence de visibilité sur ce qui le génère. Anthropic ne fournit pas à ses clients les données de télémétrie granulaires qui permettraient d'identifier quel utilisateur consomme quels outils, dans quelle proportion et de quelle manière. Sans ces informations, il est impossible pour les équipes IT de détecter les employés qui pratiquent le "tokenmaxxing", c'est-à-dire qui utilisent les outils de façon inefficace ou excessive, ni de mettre en place des règles de modération ciblées. Kellie Romack souligne que des éditeurs logiciels comme SAP, Microsoft, Workday ou ServiceNow lui-même offrent systématiquement ce type de données à leurs propres clients, ce qui constitue aujourd'hui un standard attendu du marché B2B. Cette situation met en lumière une tension croissante entre Anthropic et ses clients entreprises, survenant dans un contexte où la concurrence entre fournisseurs d'IA s'intensifie. Anthropic a récemment relevé ses tarifs, une décision qui amplifie les difficultés budgétaires des grands comptes. Pour des sociétés qui ont intégré Claude dans leurs workflows critiques, la dépendance est forte et le levier de négociation limité. La pression publique de clients de cette envergure pourrait toutefois contraindre Anthropic à développer des tableaux de bord de consommation plus détaillés, une fonctionnalité que les concurrents comme OpenAI et Google proposent déjà à des degrés variables.

BusinessActu
1 source