Actualités IA — page 27

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

41

521MarkTechPost 

Cloudflare lance Kitesurf, un navigateur web conçu pour les agents, fonctionnant entièrement dans des isolats V8 sur Cloudflare Workers

Cloudflare a dévoilé Kitesurf, un navigateur web conçu spécifiquement pour les agents d'intelligence artificielle, entièrement exécuté dans des isolats V8 sur Cloudflare Workers, sans aucun moteur Chromium sous le capot. L'outil a déjà passé plus de 215 000 tests du Web Platform Tests et est disponible dès maintenant, gratuitement en version bêta, via le service Browser Run. Son architecture repose sur quatre composants isolés dans les Workers : le moteur (Engine), seule brique exposée publiquement, qui communique via le protocole Chrome DevTools (CDP) en WebSocket et REST HTTP et conserve l'état de chaque session ; PageScript, qui attribue à chaque page ou iframe un isolat dédié utilisant le moteur de rendu Rust Blitz et l'analyseur CSS Stylo de Firefox, avec le moteur ECMAScript Boa JS pour gérer les appels eval que Workers ne supporte pas nativement ; PageRenderer, qui transforme la scène calculée en JPEG, PNG ou PDF grâce à blitz-paint et à Parley pour la mise en forme du texte ; et SandboxOutbound, seul composant autorisé à communiquer avec le réseau, chargé d'appliquer les règles CORS, d'injecter des en-têtes réalistes et de renvoyer une erreur 403 en cas de violation de politique. Sur un corpus de test de 14 URL, Kitesurf consomme 380 millisecondes de temps CPU par capture d'écran contre 1 173 pour Chromium, soit 3,1 fois moins, et 229 millisecondes contre 877 pour l'extraction HTML, soit 3,8 fois moins ; côté mémoire, la consommation chute de 271 à 57,8 Mio pour les captures (4,7 fois moins) et de 273,7 à 39,4 Mio pour l'extraction (7 fois moins), au prix d'un temps d'exécution 1,7 à 1,8 fois plus lent, principalement lors du rendu des images. Pour Cloudflare, les navigateurs classiques comme Chromium ont été pensés pour des humains, avec des onglets, des extensions et un rendu à 60 images par seconde, ce qui rend le déploiement d'un navigateur par agent prohibitif en coûts de mémoire et de calcul. Les agents IA, eux, n'ont besoin que d'un contenu exploitable par une machine, d'un faible surcoût en tokens, d'une bonne capacité de montée en charge et d'une isolation contre des menaces comme l'injection de prompts. En réduisant drastiquement l'empreinte CPU et mémoire, Kitesurf cible en priorité les startups et développeurs indépendants construisant des agents web, ainsi que les entreprises déjà présentes sur Cloudflare Workers, qui peuvent basculer certaines charges de travail simplement en ajoutant le paramètre browser=kitesurf à leurs clients Puppeteer, Playwright ou MCP existants. Les cas d'usage visés incluent l'extraction de données web, l'automatisation SaaS, la surveillance concurrentielle, la génération de documents PDF et les pipelines de recherche ou de RAG. L'outil reste toutefois limité : il ne gère pas la vidéo, le WebGL, les défis anti-bots basés sur l'empreinte TLS, ni les sessions authentifiées longues et persistantes, domaines où Chromium demeure la solution par défaut. Kitesurf sait déjà afficher correctement des sites comme Wikipedia, Hacker News ou plusieurs versions de TodoMVC, et Cloudflare affirme que sa couverture des tests s'étoffe de plusieurs centaines de cas chaque semaine. Un terrain de jeu public, doté d'outils de développement Chrome intégrés, permet d'inspecter le DOM, la console, le réseau et la mémoire WebAssembly de chaque isolat, signe que le projet est encore présenté comme une bêta amenée à évoluer rapidement plutôt qu'une solution figée.

Outils⚒Outil

1 source

36

522AWS ML Blog 

Sécuriser les agents IA avec des politiques temporelles dans Amazon Bedrock AgentCore

Amazon vient d'annoncer les « temporal policies » (politiques temporelles) au sein d'Amazon Bedrock AgentCore, une nouvelle couche de contrôle d'accès destinée à sécuriser les agents IA au niveau d'AgentCore Gateway. Contrairement aux contrôles classiques, qui évaluent chaque appel d'outil de façon isolée et déterministe, ces politiques analysent la trajectoire complète d'une session, c'est-à-dire l'historique ordonné des actions déjà exécutées par l'agent, avant d'autoriser ou non une nouvelle requête. Elles s'exécutent au niveau de la passerelle, en dehors du code de l'agent lui-même, ce qui les rend impossibles à contourner, quels que soient les prompts utilisés ou les bugs présents dans le code de l'agent. Amazon cite plusieurs cas d'usage concrets : imposer l'ordre d'exécution des outils pour respecter une procédure standard, exiger qu'un argument transmis à un outil corresponde exactement à la sortie d'un appel précédent, plafonner l'exposition financière cumulée sur une session, ou encore bloquer toute action sensible tant qu'une validation humaine explicite n'a pas été enregistrée dans la trajectoire. Ce dispositif répond à un problème spécifique aux agents IA : contrairement aux applications traditionnelles, un agent décide en temps réel quels outils appeler, avec quels paramètres et dans quel ordre, ce qui rend les erreurs beaucoup plus difficiles à anticiper. Amazon illustre le risque avec plusieurs scénarios où les contrôles classiques échouent : un agent qui invente un numéro de compte différent de celui retourné par un outil de recherche client et l'utilise pour virer des fonds vers le mauvais destinataire, un agent livré à lui-même qui enchaîne des dizaines de transactions en boucle sans jamais vérifier que le seuil de risque global a été dépassé, ou encore un agent qui approuve puis rejette la même demande d'assurance en quelques secondes. Pris individuellement, chacun de ces appels passerait sans problème un contrôle statique classique ; seule une lecture de l'ensemble de la séquence permet de détecter l'anomalie. Cette annonce s'inscrit dans un mouvement plus large de sécurisation de l'infrastructure agentique chez les grands fournisseurs cloud, à mesure que les entreprises déploient des agents autonomes sur des tâches sensibles, notamment dans la finance et l'assurance. AgentCore disposait déjà d'un système de politiques statiques déterminant qui peut appeler quel outil et sous quelles conditions, mais Amazon reconnaît que cela reste insuffisant face à des agents capables d'halluciner des données ou de s'enchaîner en boucle. Les temporal policies visent aussi à durcir automatiquement les permissions lorsqu'un agent opère sans supervision humaine directe, une approche qui pourrait devenir un standard à mesure que les régulateurs et les entreprises exigent davantage de garanties sur la fiabilité des systèmes agentiques déployés en production.

Sécurité⚡Actu

1 source

43

523The Decoder 

OpenAI améliore GPT-5.6 Sol dans ChatGPT et limite les utilisateurs gratuits à son modèle le plus faible

OpenAI a mis à jour GPT-5.6 Sol dans ChatGPT, avec des réponses plus ciblées et un curseur de raisonnement permettant aux utilisateurs de régler la profondeur de réflexion du modèle selon leurs besoins. Dès la semaine prochaine, les utilisateurs de la version gratuite de ChatGPT auront accès à des conversations textuelles illimitées avec GPT-5.6 Luna, un modèle plus léger, accompagné d'un bouton pour prolonger son temps de raisonnement sur les questions complexes. Malgré cette amélioration, Luna reste nettement en retrait face à Sol et aux autres modèles plus puissants de la gamme GPT-5.6, qui demeurent réservés aux abonnés payants. Cette évolution illustre la stratégie de segmentation d'OpenAI entre offre gratuite et payante, à un moment où la pression concurrentielle sur les coûts d'inférence pousse les grands acteurs de l'IA à affiner leurs modèles les moins chers plutôt qu'à les abandonner. Pour les utilisateurs gratuits, l'accès illimité au texte représente une avancée réelle, même si les capacités de raisonnement approfondi restent hors de portée sans abonnement. Pour OpenAI, c'est un moyen de fidéliser une base d'utilisateurs massive tout en réservant ses modèles les plus performants comme argument commercial. Cette annonce s'inscrit dans la compétition permanente entre OpenAI, Google avec Gemini et Anthropic avec Claude, où chaque acteur ajuste régulièrement ses niveaux de service gratuits pour retenir les utilisateurs sans cannibaliser ses revenus d'abonnement. Le curseur de raisonnement, en particulier, reflète une tendance plus large du secteur à donner aux utilisateurs un contrôle explicite sur le compromis entre vitesse de réponse et qualité du raisonnement.

LLMs❧Opinion

Aussi surOpenAI Blog

51

524Le Big Data 

WeatherNext : cette IA de DeepMind prévoit les cyclones avec un jour d’avance

Google DeepMind a dévoilé le 6 août 2026 WeatherNext, un modèle d'intelligence artificielle destiné à améliorer la prévision des cyclones. Publiés dans la revue scientifique Nature, les résultats montrent qu'une prévision réalisée trois jours à l'avance avec ce système atteint une fiabilité équivalente à celle des modèles classiques établis à deux jours d'échéance, soit un gain moyen de 24 heures d'anticipation. Le modèle ne se limite pas à calculer une trajectoire unique : il génère jusqu'à 1 000 scénarios possibles pour chaque tempête, offrant aux prévisionnistes une vision beaucoup plus complète des risques d'évolution. Pour y parvenir, WeatherNext s'appuie sur environ 20 téraoctets de données atmosphériques et une base historique couvrant près de 5 000 tempêtes passées. Fait notable, le modèle conserve une précision élevée même avec des données moins détaillées que celles utilisées par les systèmes traditionnels, un phénomène que les chercheurs n'expliquent pas encore totalement. Google a également annoncé la mise en open source de trois versions du système, WeatherNext Cyclones, WeatherNext 2 et WeatherNext 2-mini, rendant code et poids accessibles aux chercheurs et aux agences météorologiques. Ce gain de 24 heures représente un enjeu concret pour la gestion des catastrophes naturelles. Chaque heure supplémentaire d'anticipation permet aux autorités locales d'organiser des évacuations plus ordonnées, de sécuriser des infrastructures critiques et de diffuser des alertes mieux ciblées auprès des populations exposées. DeepMind évalue ce progrès à l'équivalent d'une décennie d'avancées en météorologie cyclonique, un secteur où la fiabilité des trajectoires reste historiquement difficile à établir en raison de la rapidité d'évolution de ces phénomènes et du grand nombre de paramètres atmosphériques en jeu. La mise à disposition open source du modèle pourrait aussi permettre à des agences météorologiques nationales, notamment dans des régions moins dotées en ressources de calcul, d'adapter l'outil à leurs réalités locales et de développer des variantes spécialisées. Cette annonce s'inscrit dans la stratégie plus large de DeepMind, qui multiplie depuis plusieurs années les modèles d'IA appliqués aux sciences du climat et de la météorologie, après des projets comme GraphCast. Le choix de publier une étude évaluée par les pairs dans Nature tout en libérant le code renforce la crédibilité scientifique de l'initiative, dans un contexte où les grandes entreprises technologiques cherchent à démontrer l'utilité sociétale de leurs modèles d'IA générative. DeepMind précise toutefois que les prévisions officielles resteront émises par les agences météorologiques nationales, WeatherNext étant conçu comme un outil d'aide à la décision plutôt qu'un substitut aux autorités compétentes. Reste à voir comment ces agences intégreront concrètement cette technologie dans leurs chaînes d'alerte opérationnelles.

Recherche❖Paper

1 source

35

525AWS ML Blog 

Configurez des limites de débit pour le trafic IA sur la passerelle AgentCore

Amazon a annoncé le support de la limitation de débit sur AgentCore gateway, la passerelle IA entièrement gérée et sans serveur d'Amazon Bedrock. Cette passerelle sert de point d'entrée unique et sécurisé pour le trafic IA, qu'il s'agisse de recherche web gérée, de bases de connaissances, de serveurs MCP, de modèles d'inférence ou d'agents. La nouvelle fonctionnalité permet de définir des règles basées sur OAuth ou IAM pour contrôler, par utilisateur, les requêtes par minute, les connexions simultanées et le débit de tokens. Trois types de cibles sont pris en charge : les cibles MCP, les cibles d'inférence et les cibles HTTP passthrough. Trois métriques sont disponibles. Les requêtes par seconde ou par minute s'appliquent à tous les types de cibles, chaque requête comptant pour une unité quelle que soit sa durée d'exécution. Les tokens par minute, réservés aux cibles d'inférence, comptabilisent à la fois les tokens d'entrée et de sortie : la passerelle estime d'abord la consommation via un tokenizer générique avant l'appel, puis ajuste le compte une fois la réponse réelle du modèle reçue. Les connexions par seconde, applicables à tous les types de cibles, mesurent la durée d'occupation d'une connexion plutôt que le nombre de requêtes, une session de streaming de 100 secondes bloquant un emplacement pendant toute sa durée. Cette fonctionnalité permet aux entreprises qui déploient des agents IA à grande échelle de protéger leurs services en aval contre les pics de trafic, tout en différenciant l'accès selon les profils d'utilisateurs. Amazon illustre le cas d'usage avec trois groupes, Basic, Advanced et Beta, gérés via AgentCore Identity, qui authentifie les utilisateurs par jetons JWT avec Microsoft Entra ID comme fournisseur d'identité et sert aussi de service de distribution de jetons pour les cibles sortantes. Le contrôle d'accès basé sur les rôles, appliqué via les politiques d'Amazon Bedrock AgentCore, restreint l'accès de chaque groupe à des cibles et modèles spécifiques. Les utilisateurs Basic reçoivent des limites plus strictes que les utilisateurs Advanced, tandis que les utilisateurs Beta bénéficient de seuils élevés sur des modèles restreints, ce qui permet à une organisation de tester leurs performances avant un déploiement plus large. Concrètement, cela offre une meilleure maîtrise des coûts d'inférence, une disponibilité garantie des services critiques en cas de forte demande, et la possibilité de piloter des déploiements progressifs de nouveaux modèles sans saturer l'infrastructure. Cette annonce s'inscrit dans la montée en puissance des architectures d'agents IA en entreprise, où la gestion fine du trafic devient critique à mesure que les organisations multiplient les intégrations vers des LLM, des bases de connaissances et des outils tiers via le protocole MCP. La configuration d'une limite de débit repose sur deux éléments : les clés de dimension, qui définissent comment le trafic entrant est réparti en compartiments, et les entrées, qui fixent le débit autorisé pour chaque compartiment. Amazon détaille la mise en place de ces règles via l'interface en ligne de commande AWS. En combinant identité, politique d'accès et limitation de débit dans une seule passerelle managée, AWS cherche à simplifier la gouvernance des déploiements d'agents IA à grande échelle, un terrain sur lequel Google Cloud et Microsoft Azure investissent également face à la demande croissante des entreprises pour des infrastructures d'IA générative mieux contrôlées et sécurisées.

Infrastructure⚡Actu

1 source

35

526The Verge AI 

Suno dévoile son plan pour lutter contre la musique IA indésirable

Suno, la startup spécialisée dans la génération musicale par intelligence artificielle, a annoncé de nouvelles mesures pour lutter contre la prolifération de morceaux IA de mauvaise qualité ou frauduleux sur les plateformes de streaming. Dans un long billet de blog, le PDG et cofondateur Mikey Shulman a détaillé les principes de l'entreprise et les prochaines étapes de sa stratégie, alors que Suno cherche à asseoir sa légitimité dans l'industrie musicale. Concrètement, la société va déployer de nouveaux outils de transparence ainsi que des technologies de filigrane numérique et d'empreinte permettant d'identifier plus facilement les morceaux générés par Suno, accompagnées d'une nouvelle politique de téléchargement. Selon Shulman, cette démarche s'aligne sur des standards émergents de l'industrie visant à faciliter la traçabilité des contenus produits par IA. L'entreprise dit aussi vouloir nouer des partenariats avec des plateformes de distribution musicale pour lutter conjointement contre la fraude et les usages abusifs de sa technologie. Cette initiative répond à une critique récurrente adressée à Suno et à des concurrents comme Udio : la facilité avec laquelle leurs outils permettent de générer en masse des morceaux qui inondent ensuite des plateformes comme Spotify, souvent dans le but de capter des revenus publicitaires ou de streaming sans réel travail créatif. Pour les artistes et les labels, ce phénomène de spam musical dilue la découvrabilité et pose des questions de rémunération équitable. En rendant les morceaux générés par IA identifiables grâce à un filigrane technique, Suno espère donner aux plateformes de distribution les moyens de détecter et filtrer les contenus frauduleux ou de faible qualité, tout en évitant que l'ensemble du secteur de la musique générative ne soit stigmatisé à cause d'un usage minoritaire mais très visible. Suno a levé des centaines de millions de dollars et fait face depuis ses débuts à des poursuites judiciaires de grandes maisons de disques, qui l'accusent d'avoir entraîné ses modèles sur des enregistrements protégés par le droit d'auteur sans autorisation. Dans ce climat de tension avec l'industrie musicale traditionnelle, regagner la confiance des plateformes de streaming et des ayants droit devient une priorité stratégique. L'adoption de standards de traçabilité comme le watermarking s'inscrit dans un mouvement plus large observé chez d'autres acteurs de l'IA générative, confrontés à des pressions similaires pour distinguer contenus humains et contenus synthétiques. Reste à voir si ces mesures suffiront à convaincre plateformes et régulateurs, alors que l'encadrement légal de la musique générée par IA reste largement à construire.

Création⚡Actu

1 source

46

527The Decoder 

Microsoft dépendrait d'OpenAI pour 70 % de ses revenus en IA

Microsoft a généré 24,1 milliards de dollars de revenus liés à l'intelligence artificielle grâce à son partenariat avec OpenAI, sur l'exercice fiscal clos en juin. Selon une analyse de Bloomberg, cette somme représente environ 70 % de l'ensemble du chiffre d'affaires généré par les activités IA du géant de Redmond. Autrement dit, plus des deux tiers de l'argent que Microsoft tire de l'intelligence artificielle proviennent, directement ou indirectement, de sa relation avec la société dirigée par Sam Altman, que ce soit via Azure OpenAI Service, les revenus partagés issus des abonnements ChatGPT ou les licences technologiques accordées à Microsoft. Cette dépendance massive à un seul partenaire est révélatrice d'un changement stratégique chez Microsoft. L'entreprise, longtemps réputée pour verrouiller ses clients dans son propre écosystème logiciel, s'est mise ces derniers mois à défendre publiquement les modèles à poids ouverts et à critiquer les approches propriétaires fermées, y compris celles pratiquées par certains de ses propres partenaires. Ce virage n'est pas anodin: en s'appuyant autant sur OpenAI pour ses revenus IA, Microsoft s'expose à un risque de concentration que la promotion de modèles ouverts et de solutions alternatives permettrait de limiter, en diversifiant les technologies sur lesquelles reposent ses offres cloud et entreprise. Le contexte reste celui d'une relation complexe entre les deux entreprises, où Microsoft a investi des dizaines de milliards de dollars dans OpenAI tout en développant ses propres capacités internes en IA, notamment via l'équipe Microsoft AI dirigée par Mustafa Suleyman. À mesure que la concurrence s'intensifie face à Google, Amazon ou Meta, la question de la diversification des sources de revenus IA et de la réduction de la dépendance à un fournisseur unique devient un enjeu stratégique majeur pour l'avenir du groupe.

Business⚡Actu

1 source

35

528MarkTechPost 

Adaptive experimentation avec Ax de Meta : guide pratique

Un tutoriel publié récemment détaille l'utilisation de la bibliothèque Ax de Meta, via sa Client API moderne, pour l'expérimentation adaptative et l'optimisation d'hyperparamètres. La démonstration s'appuie sur un jeu de données synthétique de classification généré avec 1 400 échantillons et 20 caractéristiques, dont 8 informatives et 4 redondantes, réparties en 3 classes. Un classifieur RandomForest de scikit-learn est optimisé simultanément sur deux objectifs : la précision prédictive, mesurée par validation croisée stratifiée à 3 plis, et la taille du modèle, calculée comme le produit du nombre d'arbres (nestimators) par leur profondeur maximale (maxdepth). L'espace de recherche mêle six paramètres de nature différente : trois entiers (nestimators entre 50 et 300, maxdepth entre 3 et 24, minsamplesleaf entre 1 et 12), un flottant (maxfeatures entre 0,2 et 1,0), un paramètre à échelle logarithmique (ccpalpha entre 1e-5 et 1e-1) et un paramètre catégoriel, criterion, avec les valeurs gini, entropy et logloss. L'optimisation tourne par lots de quatre essais grâce à une boucle dite ask-tell : le client propose des combinaisons de paramètres via getnexttrials, puis reçoit les résultats mesurés via completetrial. Cette démarche illustre un enjeu central du machine learning appliqué, celui de trouver un compromis entre performance et coût plutôt que d'optimiser un seul indicateur isolé. En traitant précision et taille comme deux objectifs concurrents, le tutoriel montre comment obtenir une frontière de Pareto, c'est-à-dire un ensemble de modèles où aucun gain de précision n'est possible sans dégrader la compacité, et inversement. Pour les équipes qui déploient des modèles en production, notamment dans des environnements contraints en mémoire ou en latence comme le edge computing ou les applications mobiles, cette méthode permet de choisir consciemment un point de fonctionnement plutôt que de subir un compromis mal maîtrisé. Elle rend aussi reproductible et automatisable un travail de réglage d'hyperparamètres traditionnellement manuel et chronophage, grâce à l'optimisation bayésienne qui converge plus vite qu'une recherche par grille ou aléatoire. Ax, développé par Meta, appartient à une famille d'outils d'optimisation expérimentale utilisés en interne pour des tests A/B et des réglages de systèmes à grande échelle, avant d'être publiés en open source. La Client API mise en avant dans ce tutoriel simplifie l'ancienne interface d'Ax en unifiant la définition de l'espace de recherche, le lancement des essais et la sauvegarde de l'expérience pour une réutilisation ultérieure. Ce type d'outil s'inscrit dans une tendance plus large de l'écosystème du machine learning, où des bibliothèques comme Optuna ou Ray Tune occupent un terrain voisin, autour de l'optimisation bayésienne et multi-objectif. À mesure que les modèles doivent répondre à des contraintes multiples, précision, coût de calcul, empreinte mémoire ou latence, ces frameworks d'expérimentation adaptative devraient prendre une place croissante dans les chaînes de production des équipes de data science, qui cherchent à industrialiser des étapes encore souvent traitées de façon artisanale.

Outils≡Tuto

1 source

46

529The Verge AI 

OpenAI offre un accès illimité aux discussions textuelles aux utilisateurs gratuits de ChatGPT

Selon The Verge, OpenAI annonce un changement majeur pour les utilisateurs de ChatGPT sur ses offres gratuite et Go : dès la semaine prochaine, ces utilisateurs pourront échanger des messages texte avec le chatbot sans aucune limite. Actuellement, ces deux formules imposent des plafonds de messages qui bloquent les utilisateurs après un certain nombre d'échanges textuels sur une période donnée. Cette restriction disparaît, mais uniquement pour le texte : les fonctionnalités impliquant l'envoi de fichiers ou d'images resteront soumises à des quotas. Toujours la semaine prochaine, OpenAI ajoutera aussi un bouton "Think" pour ces mêmes utilisateurs, leur donnant accès à un mode de raisonnement renforcé pour traiter des questions plus complexes. Cette évolution réduit un frein important à l'adoption quotidienne de ChatGPT pour les millions d'utilisateurs qui n'ont jamais souscrit d'abonnement payant. En supprimant les limites de conversation textuelle, OpenAI mise sur un usage plus intensif et régulier de son assistant gratuit, ce qui pourrait renforcer l'engagement face à la concurrence de Google Gemini, Claude d'Anthropic ou Grok de xAI, tous engagés dans une bataille pour capter les utilisateurs non payants. Cette annonce s'inscrit dans une stratégie plus large d'OpenAI visant à démocratiser l'accès à ses outils tout en réservant les fonctionnalités les plus coûteuses en calcul, comme le traitement d'images ou de fichiers volumineux, aux formules payantes. L'entreprise cherche ainsi à élargir sa base d'utilisateurs gratuits tout en préservant un modèle économique différencié, dans un contexte de concurrence croissante entre géants de l'IA générative.

Outils⚒Outil

Aussi surTechCrunch AI

43

530AWS ML Blog 

Se retirer d'une action unique : nouvelles fonctionnalités de contrôle des agents et des coûts dans Amazon Bedrock AgentCore

Amazon a annoncé de nouvelles fonctionnalités pour Bedrock AgentCore, sa plateforme dédiée à la construction et au déploiement d'agents IA en entreprise. La mise à jour introduit les politiques temporelles, propulsées par Dogwood, un nouveau langage de politique open source conçu spécifiquement pour les agents IA, ainsi qu'une limitation de débit au niveau de la passerelle (gateway) d'AgentCore. Cette passerelle sert de point d'entrée managé et serverless pour tout le trafic IA, orientant les requêtes vers les serveurs MCP (Model Context Protocol), les modèles de langage, les agents et les bases de connaissances. Jusqu'ici, les politiques de sécurité d'AgentCore évaluaient chaque action de façon isolée et sans état, vérifiant à chaque appel qui pouvait utiliser quel outil et sous quelles conditions. Les politiques temporelles changent cette logique en examinant l'historique complet des actions menées par un agent au cours d'une session avant d'autoriser ou de refuser un nouvel appel. Amazon s'appuie sur des chiffres de McKinsey, tirés de ses études State of AI Trust in 2026 et Trust in the age of AI agents 2026, selon lesquels environ 80% des organisations ont déjà constaté des comportements à risque de la part de leurs agents IA. Cette évolution répond à un problème concret de sécurité: un agent autonome peut enchaîner des actions parfaitement légitimes prises individuellement mais problématiques une fois mises bout à bout. Amazon cite l'exemple d'un agent consultant le compte d'un client puis virant de l'argent vers un numéro de compte différent, chaque appel étant validé séparément sans qu'aucun contrôle ne vérifie la cohérence de la séquence. Autre cas évoqué: une série de commandes passées sous le seuil d'approbation individuel mais qui, cumulées, dépassent largement le budget alloué, ou encore un agent bloqué sur un outil défaillant qui relance ses requêtes toute la nuit et épuise son quota de tokens. Avec les politiques temporelles, une entreprise peut désormais exiger qu'une valeur transmise dans un appel corresponde à celle retournée par un appel précédent, plafonner les dépenses cumulées d'une session, imposer un ordre strict aux étapes d'un processus, ou encore exiger une approbation humaine enregistrée pour toute action significative. Cette annonce s'inscrit dans un contexte où la sécurité et la confiance sont devenues, selon McKinsey, le principal frein à l'adoption des agents IA en entreprise, davantage que les questions de performance ou de coût. Amazon défend une approche où les contrôles de sécurité sont intégrés directement dans la couche d'infrastructure plutôt que codés différemment par chaque équipe applicative, un principe qui guide la conception d'AgentCore depuis son lancement. En rendant ces garde-fous systématiques et fiables au niveau de la plateforme, l'entreprise cherche à transformer l'approbation d'un nouvel agent en un processus géré à grande échelle plutôt qu'en une négociation ponctuelle, ce qui pourrait accélérer le déploiement d'agents autonomes dans des environnements sensibles comme la finance ou les achats automatisés.

Sécurité⚡Actu

1 source

43

531The Decoder 

Claude Code est le framework d'agent le plus rapide, mais coûte près de trois fois plus cher que le rival le moins cher

Composio a testé le modèle Deepseek V4 Flash sur quatre frameworks d'agents IA différents, en les confrontant à 30 tâches concrètes issues de cas d'usage réels. Les taux de réussite obtenus se sont révélés globalement comparables d'un framework à l'autre, mais les coûts ont varié du simple au triple. OpenCode s'est imposé comme l'option la moins chère, à 0,073 dollar par tâche en moyenne, tandis que Claude Code a affiché la facture la plus élevée, à 0,195 dollar par tâche, soit près de trois fois plus que son concurrent le moins onéreux. Ce résultat surprend d'autant plus que Claude Code a pourtant mobilisé le moins d'appels d'outils et le moins de tokens en sortie parmi les quatre frameworks évalués. Pour les développeurs et les entreprises qui déploient des agents IA à grande échelle, ce type de comparaison a une portée très concrète : à qualité de résultat équivalente, le choix du framework devient avant tout une question de coût et de rapidité d'exécution. Un écart de 300% sur le prix d'une tâche peut représenter des sommes considérables une fois multiplié par des milliers, voire des millions d'exécutions quotidiennes en production. L'efficacité brute d'un framework, mesurée en nombre d'appels d'outils ou de tokens consommés, ne suffit donc pas à prédire son coût réel : la tarification propre à chaque outil pèse tout autant dans la facture finale. Cette étude s'inscrit dans un mouvement plus large de benchmarking indépendant des frameworks d'agents IA, alors que des solutions comme Claude Code d'Anthropic, OpenCode ou d'autres outils concurrents se multiplient pour permettre aux modèles de langage d'exécuter des tâches complexes de façon autonome. Deepseek V4 Flash, modèle réputé pour son bon rapport performance-prix, a servi de socle commun afin d'isoler l'impact du framework lui-même sur le coût et la vitesse, indépendamment du modèle sous-jacent. À mesure que les entreprises généralisent l'usage de ces agents pour automatiser du code ou des workflows, ce genre de comparaison devrait peser de plus en plus dans les choix technologiques, entre performance, coût et rapidité.

Outils⚒Outil

1 source

40

532Ars Technica AI 

Cloudflare ouvre en open source sa plateforme de "vibe coding" pour les non-développeurs

Cloudflare a annoncé le 5 août l'ouverture du code source de sa plateforme Cloudflare OS, initialement conçue comme un environnement de travail interne permettant à ses employés, y compris ceux qui ne sont ni développeurs ni ingénieurs, de créer des applications à l'aide d'agents IA. L'entreprise a passé plusieurs mois à développer et tester en interne cet outil avant de le publier sur GitHub. Le principe repose sur la description en langage naturel de workflows, qu'un agent IA transforme ensuite en applications fonctionnelles. Selon Cloudflare, des milliers de ses salariés utilisent déjà la plateforme quotidiennement pour créer des documents et des présentations, automatiser des tâches répétitives, ou construire de petites applications de visualisation de données facilitant leur travail. L'enjeu principal de cette annonce tient au dispositif de sécurité qui accompagne l'ouverture du code. Cloudflare affirme avoir conçu un cadre destiné à limiter les risques que le vibe coding, cette pratique consistant à générer du code via des instructions en langage naturel plutôt qu'en écrivant soi-même les lignes de code, ne provoque des failles de sécurité graves ou des fuites de données. Cette promesse s'adresse directement aux équipes de sécurité des entreprises, souvent réticentes à laisser des utilisateurs non techniques manipuler du code, même généré par IA, de peur d'ouvrir des brèches exploitables. Kenton Varda, ingénieur principal chez Cloudflare, a résumé l'ambition du projet sur X en expliquant qu'il s'agit d'une plateforme complète de vibe coding pour applications personnelles, dont le bac à sable est suffisamment sécurisé pour que l'IA ne puisse pas introduire de faille de sécurité significative. Il a ajouté que les équipes de sécurité d'une entreprise devraient pouvoir autoriser sereinement des utilisateurs non techniques à s'en servir. Cette initiative s'inscrit dans une tendance plus large de l'industrie, où les grands acteurs cherchent à démocratiser la création logicielle tout en répondant aux inquiétudes croissantes concernant la sécurité du code généré par IA.

Outils⚒Outil

1 source

36

533AWS ML Blog 

Google Bedrock lance des compétences d'agent pour les politiques de raisonnement automatisé

Amazon Web Services a publié une suite de six Agent Skills pour automatiser le cycle de vie complet des politiques Automated Reasoning d'Amazon Bedrock, une fonctionnalité qui valide les réponses des IA générative par la logique formelle plutôt que par échantillonnage statistique. Les Agent Skills sont un format ouvert conçu par Anthropic qui permet d'enrichir un agent de codage avec des connaissances spécialisées sur un service ou domaine précis. Grâce à ce format ouvert, la suite s'installe dans n'importe quel agent compatible, notamment Kiro, Claude Code, Cursor et Codex, et s'active automatiquement dès que l'utilisateur aborde une tâche liée aux politiques de raisonnement automatisé. Chaque politique repose sur des règles écrites dans un sous-ensemble de SMT-LIB, un format standard utilisé par les démonstrateurs de théorèmes automatiques, et nécessite un réglage fin des descriptions de variables pour que le service traduise correctement le langage des utilisateurs. Les six compétences couvrent chacune une étape du cycle de vie : la première crée une politique à partir d'un document source, puis d'autres prennent le relais pour tester, diagnostiquer les échecs et déployer une version validée derrière un garde-fou. Chaque compétence tient dans un fichier d'instructions court, appuyé par de petits scripts exécutables qui appellent directement les API Automated Reasoning de Bedrock, et toutes partagent un même document de référence décrivant la surface de l'API, les types de résultats et la syntaxe des règles. Cette automatisation répond à un problème concret : construire une bonne politique de raisonnement automatisé demande un apprentissage exigeant, et le cycle de vie du service impose des contraintes techniques faciles à mal négocier lorsqu'on travaille manuellement dans la console. Un contrôle Automated Reasoning fonctionne en deux temps : des modèles de fondation traduisent d'abord la question et la réponse en logique formelle en associant le langage naturel aux variables de la politique, puis un solveur SMT vérifie cette logique par rapport aux règles définies et rend un verdict. Si la traduction est fidèle, ce verdict est mathématiquement garanti et surtout explicable, puisque chaque résultat s'accompagne des règles précises qui l'appuient ou le contredisent. Pour les équipes qui déploient des applications d'IA générative dans des secteurs réglementés ou sensibles, cette certitude formelle constitue un avantage décisif face aux garde-fous purement statistiques, qui ne peuvent qu'estimer une probabilité de conformité. En confiant à un agent de codage le travail répétitif d'extraction des règles, de rédaction de tests reflétant les questions réelles des utilisateurs et de diagnostic des échecs, les équipes gagnent en reproductibilité et en traçabilité tout en gardant un processus révisable par des experts métier. Ce lancement prolonge un article précédent d'AWS qui présentait comment construire des systèmes d'IA fiables avec Automated Reasoning directement depuis la console Bedrock, décrite comme le bon point de départ pour collaborer avec des experts du domaine. La nouvelle suite d'Agent Skills déplace ce travail vers le code, là où les équipes techniques peuvent versionner, réviser et automatiser chaque étape. Les auteurs indiquent aussi avoir tiré des enseignements sur le comportement réel du service en testant la suite à grande échelle contre Bedrock. Ce mouvement s'inscrit dans une tendance plus large chez les fournisseurs de cloud et d'IA, qui équipent désormais leurs agents de codage de compétences spécialisées plutôt que de s'appuyer sur des connaissances générales souvent incomplètes ou obsolètes face à des API en évolution rapide. Le format ouvert des Agent Skills, porté par Anthropic mais adopté ici par AWS pour son propre service, illustre une interopérabilité croissante entre les grands acteurs de l'écosystème des agents IA, où un même ensemble de compétences peut circuler d'un environnement de développement à l'autre.

Outils⚒Outil

1 source

43

534VentureBeat AI 

Qwen 3.8-Max et Claude Opus 5 montrent que les scores bruts de benchmarks ne prédisent pas la facture

Alibaba a présenté cette semaine la version preview de Qwen 3.8-Max, la positionnant comme la deuxième meilleure IA du marché, juste derrière Claude Fable 5, un classement que son propre tableau de lancement nuance puisque le modèle ne l'emporte que sur une des douze catégories d'agents de codage testées. Un benchmark indépendant, VulcanBench, a évalué apparemment la même version preview et abouti à un résultat quasi inverse : en configuration « meilleur effort », Qwen 3.8-Max se classe dans la moyenne, et en réglage par défaut, il termine dernier. L'écart s'explique par les budgets de temps : Alibaba fixe un délai de cinq heures pour les tâches de codage, et jusqu'à douze heures par test sur PaperBench, contre 45 à 60 minutes chez VulcanBench, soit un budget cinq à seize fois supérieur côté Alibaba. Ce décalage illustre un problème plus large : le prix au token ne prédit plus la facture réelle. Qwen 3.8-Max coûte 2 dollars par million de tokens en entrée et 6 dollars en sortie, contre 3 et 15 dollars pour Kimi K3, et seulement 0,14 et 0,28 dollar pour DeepSeek-V4-Flash-0731, entré en bêta publique le 31 juillet. Les modèles de raisonnement consomment une grande partie de leur quota en tokens de réflexion avant de répondre, au risque de produire un résultat vide, aussi coûteux qu'un run complet. Artificial Analysis a mesuré le phénomène : faire tourner son Intelligence Index sur DeepSeek-V4-Flash en effort maximal a consommé 210 millions de tokens de sortie, contre une médiane de 100 millions pour sa catégorie. Le coût reste faible grâce à des tokens bon marché, mais la verbosité coûte du temps, un problème que seul un calcul en coût par tâche réussie permet de repérer. Un échec par mauvaise réponse et un échec par épuisement du budget sont deux problèmes distincts que la plupart des harnais de test confondent. Long-Horizon-Terminal-Bench, publié en juillet, a testé 17 modèles de pointe sur 46 tâches avec une seule tentative de 90 minutes chacune : les dépassements de délai représentent 79% des échecs, contre 19% pour les agents qui abandonnent d'eux-mêmes et 3% pour des erreurs du harnais, même si les tâches interrompues affichaient une récompense moyenne de 0,10 à 0,35, loin d'une réussite probable. VulcanBench illustre le mécanisme inverse : dans un rapport daté du 26 juillet, le réglage d'effort le plus bas de Claude Opus 5 s'est montré le plus performant, résolvant 20 tâches sur 23, contre 18 sur 23 en effort élevé. La leçon commune : les budgets de temps et de tokens devraient devenir un critère d'acceptation explicite, pas un détail caché en note de bas de page.

LLMs❖Paper

1 source

33

535AWS ML Blog 

Construire un déployeur d'applications à base d'agents avec Amazon Bedrock et AWS Lambda

PDI Technologies, qui fournit des solutions logicielles au secteur du commerce de proximité et de la distribution pétrolière, a développé un outil baptisé PDI Brew permettant à des employés non techniques de créer eux-mêmes de petites applications internes. L'entreprise, forte de 40 ans d'expérience, emploie environ 4 000 personnes et sert plus de 200 000 sites clients dans plus de 200 pays et territoires. Le principe : un salarié décrit en langage naturel l'outil dont il a besoin (calculateur de coûts, formulaire de saisie, tableau de bord simple) et reçoit en quelques secondes une application web entièrement provisionnée, protégée par authentification unique (SSO) et hébergée sur AWS, sans avoir à toucher à Git, à un terminal ou à des compétences DevOps. Le système repose sur un schéma dit agentique : un agent de planification capture l'intention de l'utilisateur sous forme de manifeste structuré, via un assistant IA comme Claude, ChatGPT ou Claude Code, ou directement par un appel à un modèle Amazon Bedrock. Un second agent, de provisionnement, tourne sur AWS Lambda et décompose ce manifeste pour classer le type de projet, choisir les bons outils et orchestrer en une seule requête la création de toutes les ressources AWS nécessaires, notamment API Gateway, DynamoDB, S3 et CloudFront. Chaque application peut aussi activer, si besoin, une fonction d'IA générative (discussion, résumé, classification) adossée à Amazon Bedrock, sans que son créateur ait jamais à gérer une clé d'API ou un point de terminaison de modèle. Cette approche s'attaque à un problème classique des grandes entreprises : la multitude de petits outils internes jamais développés faute de ressources. Un tableau de bord ou un formulaire trop mineur pour justifier un ticket dans le backlog d'une équipe d'ingénierie finit par ne jamais voir le jour, alors même que son coût de développement traditionnel, dépôt de code, pipeline de build, intégration d'authentification, hébergement, certificat TLS, DNS, journalisation, maintenance, est sans commune mesure avec sa simplicité d'usage. En permettant à la personne qui a besoin de l'outil de le livrer elle-même, sans passer par une équipe technique, PDI Brew supprime cette file d'attente permanente. Le fait que chaque application hérite automatiquement des mêmes garanties de sécurité, SSO d'entreprise, permissions IAM strictement délimitées, chiffrement HTTPS, observabilité centralisée, évite aussi l'écueil du shadow IT, ces outils bricolés en dehors de tout cadre gouverné. L'architecture entièrement serverless, à mise à l'échelle nulle quand elle n'est pas utilisée, permet de faire tourner des centaines de petites applications à un coût quasi nul, sans serveur partagé à corriger ni capacité à planifier. Le projet illustre une tendance plus large dans l'usage de l'intelligence artificielle en entreprise : ne pas se contenter d'ajouter un chatbot à des processus existants, mais utiliser des agents pour automatiser l'ensemble d'un cycle de décision, ici la transformation d'une intention exprimée en langage naturel en infrastructure cloud fonctionnelle. PDI Technologies insiste sur le fait que l'accès à l'IA générative reste strictement encadré : les applications ne peuvent l'utiliser qu'au travers d'une passerelle gouvernée vers Amazon Bedrock, avec garde-fous, quotas et traçabilité complète, jamais en intégrant leurs propres clés de modèle. L'entreprise s'appuie par ailleurs sur Microsoft Entra ID, l'ancien Azure AD, et la bibliothèque MSAL.js pour l'authentification. Ce type d'architecture pourrait inspirer d'autres organisations confrontées au même dilemme entre besoins métiers nombreux et capacité d'ingénierie limitée, à mesure que les outils d'IA agentique se généralisent pour automatiser non plus seulement des tâches ponctuelles, mais des pans entiers du cycle de développement logiciel.

Outils⚒Outil

1 source

31

536AWS ML Blog 

L'intégration d'optimisation LLM pour le SDK Python d'Amazon SageMaker

Amazon Web Services a intégré les recommandations d'inférence pour l'IA générative directement dans le SDK Python d'Amazon SageMaker, à partir de la version 3.17.0 du package sagemaker.serve.aiinferencerecommender. Concrètement, ces fonctionnalités permettent de benchmarker un endpoint SageMaker actif, de générer des recommandations de déploiement classées selon le rapport coût/performance, puis de déployer la configuration optimale, le tout depuis un notebook, sans quitter son environnement de travail habituel. Le SDK expose cinq opérations principales : ModelBuilder.fromjumpstartconfig() pour construire un ModelBuilder à partir d'un identifiant de modèle JumpStart et d'une configuration de calcul, startbenchmark() pour lancer un test de charge sur un endpoint déployé, generatedeploymentrecommendations() pour explorer les combinaisons d'instances et de frameworks disponibles, deploy() pour pousser la meilleure recommandation vers un endpoint temps réel, et fromrecommendation_job() pour reprendre un job de recommandation terminé dans une autre session. Les métriques mesurées incluent le débit, le délai avant premier token (TTFT) et la latence de bout en bout. Pour en bénéficier, il faut mettre à jour le SDK (pip install upgrade sagemaker version 3.17.0 ou supérieure), disposer d'un compte AWS avec un rôle IAM doté des permissions d'exécution SageMaker, ainsi que d'un endpoint SageMaker déjà déployé ou d'un modèle JumpStart prêt à l'être. Cette intégration change concrètement le quotidien des équipes qui déploient des modèles de langage en production. Jusqu'ici, trouver la bonne combinaison d'instance, de version de conteneur et de paramètres de concurrence relevait souvent d'essais manuels répétés, chronophages et coûteux en ressources de calcul. En automatisant ce travail directement dans le notebook, AWS supprime le besoin de basculer vers SageMaker Studio ou d'écrire des appels Boto3 personnalisés, ce qui réduit la friction pour les équipes de machine learning qui préfèrent itérer dans leur environnement de développement habituel. La possibilité de comparer directement deux piles de serving, LMI et vLLM, permet aussi de choisir objectivement l'infrastructure la plus adaptée à un modèle donné plutôt que de se fier à des choix par défaut. Pour les entreprises qui opèrent à grande échelle, ce gain de temps et cette réduction du risque d'erreur humaine dans le choix des instances peuvent se traduire par des économies substantielles sur la facture cloud, tout en garantissant de meilleures performances perçues par les utilisateurs finaux. Cette annonce s'inscrit dans la stratégie plus large d'AWS visant à simplifier l'exploitation de modèles d'IA générative en production, un domaine où la complexité opérationnelle freine encore de nombreuses équipes malgré la disponibilité croissante de modèles open source performants. Amazon SageMaker AI proposait déjà ces capacités de recommandation via son interface utilisateur et ses API Boto3, mais leur absence du SDK Python obligeait les développeurs à jongler entre plusieurs outils. En les intégrant nativement au SDK, AWS aligne SageMaker sur une tendance de fond du secteur, celle d'automatiser au maximum l'optimisation de l'inférence à mesure que les organisations multiplient les déploiements de modèles toujours plus volumineux et coûteux à faire tourner. Reste à voir si cette automatisation s'étendra à d'autres aspects du cycle de vie des modèles, comme le monitoring continu des performances ou l'ajustement dynamique des ressources selon le trafic réel, deux chantiers que d'autres fournisseurs cloud explorent également.

Outils⚒Outil

1 source

48

537AI News 

L'IA en santé doit adapter son interface au niveau d'expertise de l'utilisateur

Des chercheurs du Massachusetts Institute of Technology (MIT) et leurs collaborateurs ont publié dans la revue Nature Medicine une étude montrant que les outils d'intelligence artificielle explicable, conçus pour aider les professionnels de santé, produisent des résultats radicalement différents selon le niveau d'expertise de l'utilisateur. L'équipe, dirigée par Marzyeh Ghassemi, professeure associée au département de génie électrique et d'informatique du MIT, a testé plusieurs interfaces sur des cas de diagnostic dermatologique : une simple prédiction assortie d'un niveau de confiance, l'affichage d'images similaires, des cartes de chaleur signalant les zones d'intérêt sur l'image, et des explications rédigées en langage naturel par un grand modèle de langage. Des non-spécialistes devaient déterminer si des grains de beauté présentaient un cancer, tandis que des médecins de premier recours devaient poser un diagnostic différentiel plus complet. Résultat : chaque méthode d'explication a amélioré la précision des non-experts, notamment pour repérer les grains de beauté bénins. Un modèle conçu pour corriger les biais liés aux teintes de peau a lui aussi amélioré la précision globale tout en réduisant les écarts de diagnostic entre patients à peau claire et foncée. En revanche, les médecins de premier recours ont obtenu leurs meilleurs résultats lorsqu'ils recevaient uniquement une prédiction de l'IA, sans aucune explication associée. Cette divergence a des implications concrètes pour la conception des interfaces d'IA en santé, un secteur où ces outils assistent déjà certains cliniciens et atteignent de plus en plus directement les patients via des produits de recherche dopés à l'IA. Le gain de précision chez les non-experts s'est accompagné d'un risque : ces utilisateurs se sont montrés très dépendants des recommandations du modèle, au point qu'une prédiction erronée nuisait davantage à leurs performances qu'une prédiction correcte ne les améliorait. Les explications générées par les grands modèles de langage ont produit l'effet de déférence le plus marqué : les participants leur faisaient confiance que la réponse du modèle soit juste ou fausse, et jugeaient les explications vagues ou génériques particulièrement convaincantes. Roxana Daneshjou, professeure adjointe en science des données biomédicales et dermatologie à l'université Stanford, souligne que les patients disposant de connaissances médicales limitées sont les plus exposés à ce risque, à mesure qu'ils se tournent vers l'IA pour des questions de santé. Ces résultats interviennent alors que l'IA explicable est présentée depuis plusieurs années comme un moyen de rendre les décisions des modèles plus transparentes et vérifiables, que ce soit en surlignant les zones d'une image médicale ayant influencé un diagnostic ou en formulant un raisonnement en langage courant. Or l'étude du MIT montre que l'IA et les méthodes d'explicabilité peuvent toutes deux déclencher un biais d'automatisation chez l'humain, un effet d'ancrage que Marzyeh Ghassemi juge indispensable de prendre en compte dans la conception de ces systèmes. L'enjeu dépasse le seul cadre clinique : à mesure que des produits grand public intègrent des diagnostics assistés par IA, une explication textuelle plausible mais erronée peut sembler aussi crédible qu'une explication correcte, en particulier pour des utilisateurs sans formation médicale. La question qui se pose désormais aux concepteurs de ces systèmes est de calibrer l'aide apportée selon le public visé, plutôt que d'appliquer une interface unique à des utilisateurs aux besoins et aux vulnérabilités très différents.

Recherche❖Paper

1 source

48

538Next INpact 

☕️ Meta ouvre Muse Code et casse les prix face à OpenAI et Anthropic

Meta a lancé mercredi la bêta de Muse Code, son agent de programmation en ligne de commande, désormais ouvert à tous les développeurs sur macOS et Linux. Ce lancement suit de près la sortie de Muse Spark 1.2, le modèle qui alimente cet outil, et s'accompagne d'une politique tarifaire particulièrement agressive. La tarification standard s'établit à 1,25 dollar par million de tokens en entrée et 4,25 dollars par million en sortie, avec un tarif réduit à 0,15 dollar pour les entrées mises en cache. Meta propose également un mode « contributeur », qui autorise l'entreprise à exploiter les données des utilisateurs pour entraîner ses futurs modèles en échange de prix nettement plus bas : 0,002 dollar en entrée, 0,20 dollar en sortie et 0,10 dollar en cache, avec des quotas calculés sur une fenêtre glissante de cinq heures plutôt qu'en nombre de requêtes. Pour les entreprises soucieuses de confidentialité, Meta accepte aussi les demandes de « zéro rétention de données ». Alexandr Wang, à la tête du Meta Superintelligence Labs, a présenté cette fonctionnalité au Wall Street Journal comme un argument majeur pour convaincre les entreprises clientes. Cette politique de prix casse littéralement le marché face aux ténors du secteur : Claude Sonnet 5 d'Anthropic facture 2 dollars en entrée et 10 dollars en sortie par million de tokens, tandis que GPT-5.6 Terra d'OpenAI, le modèle auquel Meta compare directement Spark 1.2, coûte 2,50 dollars en entrée et 15 dollars en sortie. L'écart est donc considérable, et Alexandr Wang assume pleinement cette stratégie en la présentant comme « une option extrêmement intéressante » pour de nombreux cas d'usage, notamment du point de vue des coûts. Pour les entreprises qui déploient des agents de code à grande échelle, où les volumes de tokens explosent rapidement, cette différence de prix peut représenter des économies substantielles et pousser certains développeurs à migrer vers l'écosystème Meta malgré des performances brutes inférieures aux meilleurs modèles du marché. Cette bataille des prix a été amorcée dès le 9 juillet avec Spark 1.1, Meta cherchant à compenser son retard technologique par une stratégie commerciale offensive plutôt que par la course aux benchmarks. Meta reconnaît d'ailleurs que Spark 1.2 n'apporte qu'une « amélioration modérée » par rapport à la version précédente, mais insiste sur son optimisation pour les tâches agentiques complexes : refactorisation sur plusieurs fichiers, longues sessions de débogage et gestion de tâches multiples simultanées. Les benchmarks indépendants publiés par Artificial Analysis placent Spark 1.2 au même niveau que Grok 4.5, un autre modèle qui mise sur les prix cassés, les deux se classant derrière Opus 5, Fable 5, Opus 4.8, GPT-5.6 Sol et Kimi K3. Spark 1.2 est également disponible via la plateforme OpenRouter, élargissant encore sa distribution auprès des développeurs.

Outils⚒Outil

1 source

40

539VentureBeat AI 

Un titre traduit direct, sans outil nécessaire

JumpCloud a publié en amont du troisième trimestre 2026 une étude qui révèle que les identités non humaines dépassent désormais le nombre d'utilisateurs humains dans 83% des organisations, alors que seulement 21% d'entre elles ont mis en place des contrôles de gouvernance spécifiques pour les encadrer. Ces agents IA accèdent à Salesforce, créent des tickets dans Jira, provisionnent de l'infrastructure, traitent des transactions financières et communiquent au nom des équipes, sans avoir suivi de processus d'intégration, sans propriétaire désigné et sans procédure de désactivation lorsque leur mission prend fin. Pour combler cette lacune, JumpCloud propose un cadre en trois étapes: d'abord recenser en continu tous les agents actifs sur le cloud, les appareils gérés, les intégrations SaaS et les systèmes sur site, en documentant pour chacun ce qu'il peut consulter et ce qui déclenche ses actions; ensuite enregistrer chaque agent comme une identité formelle, dotée d'un objectif défini, d'un périmètre d'action précis et d'un responsable humain nommé; enfin gérer ses accès selon le principe du moindre privilège, avec des droits limités dans le temps et révocables immédiatement, en bannissant les identifiants API statiques stockés dans des variables d'environnement. Cette absence de gouvernance expose les entreprises à deux risques concrets que JumpCloud nomme le "Shadow AI", des agents déployés par des équipes produit ou des collaborateurs individuels sans que la DSI en ait connaissance ni moyen de les arrêter en cas de problème, et les "agents zombies", des programmes qui continuent d'accéder aux systèmes et d'accumuler des permissions bien après que leur utilité initiale a disparu. En transformant chaque agent en identité formelle rattachée à un propriétaire responsable de son renouvellement, la désactivation des accès devient une conséquence naturelle du processus plutôt qu'un nettoyage réalisé dans l'urgence après un incident. Pour les responsables informatiques, cela signifie pouvoir soumettre les agents IA aux mêmes revues d'accès et politiques d'authentification conditionnelle que n'importe quel employé, au lieu de les traiter comme de simples comptes de service invisibles. Cette proposition s'inscrit dans un contexte où l'adoption rapide des agents IA en entreprise a largement devancé la capacité des équipes de sécurité à les encadrer. Les outils d'automatisation se sont multipliés au sein des directions métier, souvent en dehors de tout contrôle centralisé, reproduisant à grande échelle les problèmes historiques de gestion des comptes de service et des clés API oubliées. À mesure que les agents gagnent en autonomie et en accès à des systèmes sensibles comme les finances ou l'infrastructure cloud, la question de leur gouvernance devient un enjeu de sécurité informatique aussi critique que celle des identités humaines, poussant des éditeurs comme JumpCloud à repenser leurs outils d'annuaire et de gestion des identités pour y intégrer nativement ces nouveaux membres non humains de l'effectif.

Sécurité⚡Actu

1 source

37

540The Information AI 

OpenAI a racheté des brevets d'une startup de puces IA soutenue par Altman après l'échec d'un rachat

Rain AI, startup américaine de semi-conducteurs fondée en 2017 et soutenue financièrement par Sam Altman, a pratiquement fermé ses portes ces dernières semaines : la quasi-totalité de ses salariés ont quitté l'entreprise après l'échec d'une recherche de repreneur. OpenAI, qui avait envisagé de racheter la société dans son ensemble, s'est finalement limité à l'achat d'une partie de ses brevets. Ces documents décrivent une architecture de puce permettant d'exécuter les calculs d'intelligence artificielle au plus près de la mémoire, plutôt que de faire circuler les données entre des unités de mémoire et de traitement séparées, une méthode plus lente et plus énergivore, selon une personne proche du dossier. Altman avait investi dans Rain AI dès 2018, lors d'un tour de table d'amorçage, et OpenAI avait signé l'année suivante une lettre d'intention non contraignante prévoyant l'achat de 51 millions de dollars de puces une fois celles ci disponibles. Cet engagement n'a toutefois jamais débouché sur une commande, l'accord étant conditionné à la réussite d'un essai pilote que Rain n'a jamais validé. Cet épisode illustre les limites réelles de l'influence de Sam Altman sur les décisions commerciales d'OpenAI, même envers des entreprises où il a personnellement investi. Il rappelle aussi la difficulté, pour les startups de semi-conducteurs spécialisées en IA, de transformer une promesse technologique en produit commercialisable face à la domination de Nvidia sur ce marché. Sans preuve concrète de performance lors d'un pilote, OpenAI n'a pas hésité à abandonner un contrat potentiel de plusieurs dizaines de millions de dollars, un signal clair envoyé aux investisseurs : la proximité avec Altman ne garantit ni financement ni débouché commercial. D'autres sociétés soutenues par Altman, comme le fabricant de puces Cerebras ou l'entreprise de fusion nucléaire Helion Energy, ont en revanche noué une véritable relation commerciale avec OpenAI. Rain AI, elle, n'y sera jamais parvenue malgré huit ans d'existence. Ce rachat de brevets, sans reprise d'équipe ni de technologie complète, ressemble davantage à une liquidation qu'à une opération stratégique, et illustre la consolidation en cours dans un secteur des puces IA dominé par Nvidia.

Business❧Opinion

1 source