Actualités IA — page 361

9 268 articles au fil, du plus récent au plus ancien.

45

Illustration générée par IA

7201AI News 

Experian révèle un paradoxe de fraude dans l'adoption de l'IA par les services financiers

Experian a publié début 2026 son rapport annuel sur les tendances de la fraude, et les chiffres sont édifiants : les consommateurs américains ont perdu plus de 12,5 milliards de dollars à cause de la fraude en 2024, selon les données de la FTC. Sur la même période, près de 60 % des entreprises interrogées par Experian ont signalé une augmentation de leurs pertes liées à la fraude entre 2024 et 2025. En face, les solutions de prévention d'Experian auraient permis à ses clients d'éviter environ 19 milliards de dollars de pertes frauduleuses dans le monde en 2025. Le rapport identifie cinq grandes menaces pour 2026, dont la plus préoccupante est ce que l'entreprise appelle le « machine-to-machine mayhem » : le moment où des agents IA autonomes, conçus pour effectuer des transactions au nom des utilisateurs, deviennent indiscernables des bots que les fraudeurs déploient à exactement les mêmes fins. Ce paradoxe révèle une faille structurelle dans l'adoption de l'IA par le secteur financier. Plus les organisations intègrent des agents capables de décisions autonomes, plus elles offrent aux fraudeurs une surface d'attaque à très grande échelle et à vitesse non humaine. La question de la responsabilité légale reste entière : quand un agent IA initie une transaction qui s'avère frauduleuse, personne ne sait clairement qui est responsable. Kathleen Peters, directrice de l'innovation fraude chez Experian North America, résume l'enjeu : « La technologie accélère l'évolution de la fraude, la rendant plus sophistiquée et plus difficile à détecter. » D'autres menaces identifiées dans le rapport sont tout aussi concrètes : des candidats deepfake infiltrent les processus de recrutement à distance, le FBI et le DOJ ont multiplié les alertes en 2025 sur des opératives nord-coréens ayant ainsi obtenu des postes dans des entreprises américaines. Les bots de type romance scam deviennent émotionnellement convaincants grâce à l'IA générative, tandis que le clonage de sites web par IA surcharge les équipes antifraude avec des domaines usurpés qui ressurgissent même après suppression. Enfin, les appareils connectés, assistants vocaux, serrures intelligentes, ouvrent de nouveaux points d'entrée dans les données personnelles. Ce rapport arrive à un moment charnière : 2026 s'annonce comme l'année où l'industrie sera forcée de trancher des questions de gouvernance sur l'IA agentique que personne n'a encore voulu aborder frontalement. Amazon a déjà bloqué les agents IA tiers de son écosystème, invoquant des raisons de sécurité, un signal précoce de la tension à venir entre innovation et protection. Experian, acteur central du scoring et de la vérification d'identité, se retrouve dans une position ambivalente : vendre des outils IA de défense tout en documentant comment ces mêmes outils alimentent l'offensive. Le secteur financier entre dans une course aux armements algorithmique où la vitesse d'adaptation sera le principal avantage concurrentiel, et où les régulateurs n'ont pas encore de réponse claire à apporter.

Sécurité⚡Actu

1 source

39

Illustration générée par IA

7202OpenAI Blog 

Codex propose désormais une tarification plus flexible pour les équipes

OpenAI a annoncé l'ajout d'une option de facturation à l'usage pour Codex, son agent de programmation, disponible désormais pour les abonnés ChatGPT Business et Enterprise. Ce modèle tarifaire vient compléter les formules d'abonnement existantes et permet aux équipes de ne payer que ce qu'elles consomment réellement, sans engagement forfaitaire fixe. Ce changement facilite concrètement l'adoption de Codex dans les entreprises qui hésitaient à s'engager sur un abonnement avant d'évaluer leur usage réel. Les équipes de développement peuvent désormais tester l'outil à petite échelle, mesurer le retour sur investissement, puis augmenter progressivement leur consommation sans friction tarifaire. C'est particulièrement pertinent pour les grandes organisations où les déploiements se font par étapes et nécessitent des validations budgétaires successives. Codex s'inscrit dans la stratégie d'OpenAI pour conquérir le marché des outils de développement, en concurrence directe avec GitHub Copilot (Microsoft), Cursor et Claude d'Anthropic. La tarification à l'usage est devenue un standard dans ce secteur, les entreprises préférant une corrélation directe entre coût et valeur produite. Cette flexibilité tarifaire devrait accélérer la pénétration de Codex dans les équipes techniques enterprise, segment où la friction à l'adoption reste le principal frein.

Outils⚒Outil

1 source

36

Illustration générée par IA

7203AI News 

Les systèmes d'IA autonomes reposent sur la gouvernance des données

Alors que le débat sur la sécurité de l'IA s'est longtemps concentré sur les modèles eux-mêmes, un déplacement s'opère vers les données qui les alimentent. Les systèmes d'IA autonomes, capables d'exécuter des tâches, de récupérer des informations et de déclencher des actions dans des flux métiers avec peu ou pas de supervision humaine, dépendent d'un flux continu de données fiables. Lorsque ces données sont fragmentées, obsolètes ou mal contrôlées, le comportement du système devient imprévisible. C'est sur ce problème que se positionne Denodo, éditeur de logiciels spécialisé dans la gestion et l'accès aux données distribuées. Sa plateforme crée une vue unifiée des données issues de sources multiples, clouds, bases internes, services tiers, sans avoir à les centraliser physiquement. Elle permet d'appliquer des règles d'accès, des contraintes de conformité et des limites d'utilisation depuis un point unique, tout en journalisant chaque requête pour constituer une piste d'audit exploitable. L'enjeu dépasse la simple organisation informatique. Dans les secteurs réglementés, finance, santé, industrie, des résultats imprévisibles issus d'un système autonome peuvent engendrer des risques de conformité sérieux. Pour les applications en contact direct avec les clients, cela se traduit par des décisions erronées ou des réponses incorrectes. En garantissant que plusieurs systèmes d'IA s'appuient sur la même couche de données gouvernée, Denodo réduit le risque de sorties contradictoires entre différents départements d'une même organisation. La capacité à monitorer en temps réel l'utilisation des données et à détecter les activités inhabituelles renforce également la capacité des équipes à comprendre comment un système autonome est parvenu à une décision donnée, un prérequis de plus en plus exigé par les régulateurs. Cette évolution s'inscrit dans une maturité croissante de l'industrie vis-à-vis de l'IA en entreprise. Les premières phases de déploiement se focalisaient sur les capacités des modèles : ce qu'ils pouvaient faire. La conversation actuelle porte sur la manière dont ils doivent être gérés une fois en production. La gouvernance des données, qui constitue la couche la plus basse de la pile, en dessous des modèles et des applications, est ainsi devenue un levier de contrôle à part entière. Denodo participait notamment aux discussions sur ce sujet lors de l'AI & Big Data Expo North America 2026. La prochaine étape de l'adoption de l'IA dépendra probablement moins des avancées des modèles que de la capacité des organisations à structurer les systèmes qui les entourent : la gouvernance n'est plus une option, mais une condition d'exploitation des systèmes autonomes.

Outils⚡Actu

1 source

38

Illustration générée par IA

7204Sciences et Avenir Tech 

Avez-vous le cerveau "cuit par l'IA" ?

Un phénomène de fatigue cognitive lié à l'usage intensif de l'intelligence artificielle commence à se répandre parmi les professionnels du secteur tech. Des développeurs, chefs de projet et travailleurs du savoir rapportent une forme de saturation mentale paradoxale : malgré les promesses de gain de productivité, l'utilisation intensive des outils IA génère un épuisement particulier, surnommé « cerveau cuit par l'IA ». Ce syndrome se manifeste par la surcharge liée à la supervision constante d'assistants IA, relire du code généré, corriger des hallucinations, rédiger des prompts précis et gérer de multiples agents en parallèle. Loin d'alléger la charge mentale, ces tâches créent une nouvelle forme de travail cognitif intensif, souvent invisible, qui s'ajoute aux responsabilités habituelles plutôt que de les remplacer. Ce phénomène illustre une tension centrale dans l'adoption de l'IA au travail : les outils promettent d'automatiser, mais déplacent en réalité l'effort vers des activités de contrôle, de validation et d'orchestration. À mesure que l'intégration des LLMs s'accélère dans les workflows professionnels, la question de la charge cognitive réelle des utilisateurs, et de ses effets sur la santé mentale, devient un enjeu sérieux pour les entreprises qui misent sur ces technologies.

Société❧Opinion

1 source

39

Illustration générée par IA

7205Le Big Data 

Canon, Sony, Nikon… pourquoi ils refusent tous l’IA générative ?

Canon, Sony, Nikon, Fujifilm, Panasonic, Sigma et OM System ont affiché, fin mars 2026, une position commune et quasi unanime : l'intelligence artificielle générative n'a pas sa place dans un appareil photo. Cette convergence de vue, relayée par une analyse de Zorz Studios publiée le 31 mars, est remarquable dans un secteur où la concurrence est féroce. Ces fabricants ne rejettent pas l'IA en bloc, Sony l'utilise depuis des années pour l'autofocus, la détection de sujets ou la réduction du bruit, mais ils tracent une ligne claire : une image créée de toutes pièces par un algorithme n'est plus une photographie. C'est une image générée. La distinction, pour eux, est fondamentale et non négociable. L'enjeu dépasse la sémantique. Si l'IA générative s'impose dans les boîtiers, il deviendra impossible de distinguer une photo authentique d'une image fabriquée, ce qui menace directement le photojournalisme, la preuve visuelle judiciaire et la crédibilité des contenus sur les réseaux sociaux. Sony, conscient de ce risque, s'implique déjà dans des initiatives de certification de contenu : des systèmes capables d'attester qu'une image a bien été capturée par un appareil physique, sans intervention générative. La capacité à certifier l'authenticité d'une photo pourrait rapidement devenir un avantage concurrentiel décisif, à mesure que la méfiance du public envers les images numériques s'installe durablement. Pour les marques traditionnelles, la fiabilité devient un argument produit à part entière. Il y a aussi une logique de marché derrière ce positionnement. Les fabricants d'appareils photo s'adressent à un public, amateurs exigeants et professionnels, qui valorise la maîtrise technique, l'intention derrière la prise de vue, et toute la chaîne créative de la capture au traitement RAW. Introduire une IA générative reviendrait à court-circuiter cette expérience et à rapprocher l'appareil photo du smartphone, terrain sur lequel des acteurs comme Apple ou Google disposent d'une avance considérable. Les marques comme Sigma ou OM System revendiquent explicitement cette dimension artisanale comme marqueur d'identité. Ce refus n'est pas pour autant définitif : les fabricants reconnaissent que des usages périphériques, retouche assistée en post-production, outils créatifs hors boîtier, pourraient évoluer. Mais dans l'appareil lui-même, la frontière entre capturer le réel et le fabriquer reste, pour l'instant, infranchissable.

Société❧Opinion

1 source

52

Illustration générée par IA

7206Next INpact 

« Il est désormais interdit d’ouvrir ses fenêtres » : Reworld hallucine (encore) une infox

Plusieurs sites d'information appartenant au groupe Reworld Media ont publié en mars 2026 des articles affirmant qu'il serait « désormais interdit d'ouvrir ses fenêtres entre 11 h et 16 h », en lien avec la saison des pollens. Parmi eux : Maisons & Travaux, Melty et Pleine Vie, trois des quelque quinze sites du groupe identifiés comme étant « en tout ou partie générés par IA ». L'information est fausse. L'article original de La Chaîne Météo, publié le 7 mars, se contentait de conseiller aux personnes allergiques d'éviter d'aérer aux heures de forte concentration pollinique, sans mentionner la moindre interdiction légale ou réglementaire. Cette recommandation sanitaire banale a été transformée par les systèmes d'IA en une pseudo-règle contraignante, reprise ensuite par des dizaines d'autres sites, eux aussi générés par IA, dans un effet de cascade désinformatrice. Melty ne cite aucune source ; Pleine Vie renvoie à Maisons & Travaux tout en mentionnant La Chaîne Météo dans son titre, créant une chaîne de citations circulaires sans lien vers l'article originel. Le phénomène illustre un risque concret et documenté de la production éditoriale automatisée à grande échelle : l'IA générative ne se contente pas de reformuler, elle déforme. Une recommandation nuancée, « les allergiques ont intérêt à éviter d'aérer entre 11 h et 16 h par temps chaud et sec », devient une interdiction absolue, présentée avec l'autorité d'un fait établi. Pour les lecteurs, en particulier les personnes âgées ou moins familières des mécanismes de désinformation en ligne, cette confusion entre conseil et obligation légale peut générer une anxiété injustifiée ou une méfiance envers les institutions. Pour l'industrie des médias, c'est la crédibilité même du modèle économique basé sur le contenu automatisé qui est en jeu : quand le volume prime sur la vérification, les erreurs se multiplient et se propagent à vitesse industrielle. Reworld Media, qui se présente comme « le 1er groupe média thématique français et le 3e groupe média sur le web en audience », gère plus de 80 sites web. Ce n'est pas la première dérive documentée : des articles du groupe avaient déjà affirmé à tort que des crèches acceptaient des poupées hyperréalistes au détriment de vrais bébés, ou publié des images de membres amputés, contenus qu'aucun journaliste humain n'aurait validés. Ces incidents s'inscrivent dans un contexte plus large de prolifération des « fermes de contenu » IA, que plusieurs médias et chercheurs surveillent de près. Le site Next a d'ailleurs développé une extension navigateur publique pour aider les internautes à identifier les sites générés par IA. La question qui se pose désormais aux régulateurs français et européens est claire : à quel moment la production automatisée de fausses informations cesse-t-elle d'être un bug éditorial pour devenir une faute journalistique engageant la responsabilité de l'éditeur ?

Éthique⚡Actu

1 source

42

Illustration générée par IA

7207InfoQ AI 

Des agents en essaim : présentation d'une approche ludique et rentable

Adrian Cockcroft, ancien architecte en chef d'Amazon Web Services et figure reconnue de l'ingénierie cloud, a présenté une conférence intitulée « Diriger un essaim d'agents pour le plaisir et le profit », dans laquelle il expose sa vision de ce qu'il appelle le développement « AI-native ». S'appuyant sur des expériences concrètes menées avec des outils comme Cursor et Claude Flow, il décrit une approche de niveau « directeur » : plutôt que d'écrire du code ligne par ligne, l'ingénieur orchestre des essaims d'agents autonomes qui exécutent les tâches en parallèle. Ses expérimentations couvrent notamment le BDD (développement piloté par le comportement), les serveurs MCP et le portage de code entre langages de programmation. Cette transition du cloud-native vers l'AI-native représente un changement de paradigme majeur pour l'industrie du logiciel. Elle implique que la valeur ajoutée de l'ingénieur se déplace de l'écriture du code vers la conception de plateformes capables de coordonner des agents IA. Pour les équipes de développement, cela signifie repenser les workflows, les outils de revue et la façon dont on mesure la productivité. Cockcroft est l'une des voix les plus influentes à théoriser ce basculement, après avoir contribué à populariser les microservices et l'architecture cloud à grande échelle chez Netflix puis AWS. L'émergence d'outils comme Claude Flow ou les serveurs MCP d'Anthropic crée l'infrastructure nécessaire à cette orchestration multi-agents. La question qui s'ouvre désormais est de savoir quelles compétences humaines resteront irremplaçables dans un pipeline où les agents gèrent l'essentiel de l'exécution technique.

Outils⚒Outil

1 source

49

Illustration générée par IA

7208The Information AI 

Alibaba lance un nouveau modèle d'IA propriétaire

Alibaba a lancé jeudi un nouveau grand modèle de langage baptisé Qwen3.6-Plus, en mettant en avant ses capacités avancées dans le domaine des agents IA autonomes. Ce lancement marque un tournant notable pour le géant technologique chinois, qui propose cette fois un modèle en accès fermé, à l'inverse de sa stratégie habituelle. En l'espace de deux ans, Alibaba s'était imposé comme l'un des leaders mondiaux de l'open source en IA, notamment grâce à la série Qwen, largement adoptée par la communauté internationale des développeurs. Ce changement de cap a des implications concrètes pour les milliers d'équipes techniques qui utilisaient les modèles Qwen comme base libre pour leurs propres applications. Un modèle fermé signifie moins de transparence sur l'architecture, l'impossibilité de l'héberger soi-même, et une dépendance accrue aux infrastructures cloud d'Alibaba. Pour l'industrie, c'est aussi le signal que les grandes entreprises chinoises commencent à monétiser plus agressivement leurs avancées en IA, après une phase de conquête par l'open source. Ce virage intervient dans un contexte de compétition mondiale intense entre géants tech américains et chinois sur le terrain des modèles frontières. OpenAI, Google et Anthropic maintiennent leurs modèles les plus puissants en accès fermé ; Alibaba, Meta et Mistral avaient jusqu'ici joué la carte inverse pour gagner en adoption. Le lancement de Qwen3.6-Plus suggère qu'Alibaba estime désormais avoir suffisamment de poids pour imposer ses conditions, et que la phase gratuite de l'IA ouverte touche peut-être à sa fin pour les acteurs majeurs.

LLMs❧Opinion

1 source

45

Illustration générée par IA

7209The Information AI 

ByteDance aide OpenClaw à lancer sa marketplace logicielle en Chine

ByteDance s'associe à OpenClaw pour lancer une version officielle chinoise de ClawHub, la place de marché qui distribue les fichiers spéciaux permettant aux agents d'IA d'exécuter des tâches spécifiques. L'annonce a été faite mercredi sur le compte X officiel d'OpenClaw, confirmant que le géant chinois de la technologie, maison mère de TikTok, apporte son soutien opérationnel à cette initiative destinée au marché local. Ce partenariat ouvre l'écosystème des agents IA au marché chinois, le plus grand au monde en nombre d'utilisateurs connectés. ClawHub fonctionne comme un App Store pour agents IA : les développeurs y publient des modules de capacités que les agents peuvent télécharger pour accomplir des actions précises, navigation web, traitement de données, intégration avec des services tiers. En adossant la version chinoise à ByteDance, OpenClaw contourne les obstacles réglementaires et infrastructurels qui freinent les plateformes étrangères en Chine, tout en bénéficiant immédiatement d'un réseau de distribution massif. ByteDance, qui développe en parallèle ses propres modèles d'IA via Doubao et a investi massivement dans l'intelligence artificielle générative, renforce ici son positionnement dans la course aux agents autonomes. OpenClaw s'inscrit dans la vague des plateformes de type MCP (Model Context Protocol), qui permettent de standardiser la façon dont les agents IA interagissent avec le monde extérieur. Ce rapprochement sino-américain intervient dans un contexte de fragmentation croissante des écosystèmes IA entre la Chine et l'Occident, où les grandes plateformes cherchent des partenaires locaux pour ne pas rater le marché chinois.

Outils⚒Outil

1 source

43

Illustration générée par IA

7210Blog du Modérateur 

Étude SEO : le contenu généré par IA se classe-t-il bien sur Google ?

Semrush a publié une étude de grande envergure croisant les données de 42 000 pages de blog avec les réponses de 224 professionnels du SEO, dans le but de mesurer l'impact réel du contenu généré par intelligence artificielle sur les classements Google. C'est l'une des analyses les plus larges menées à ce jour sur ce sujet, combinant données quantitatives issues du terrain et retours d'expérience de praticiens. Les résultats intéressent directement les équipes marketing, les rédacteurs et les agences SEO qui ont massivement adopté les outils d'IA générative pour produire du contenu à grande échelle. La question centrale est de savoir si Google pénalise ce type de contenu ou s'il se classe aussi bien, voire mieux, que du contenu rédigé par des humains, ce qui conditionne des décisions d'investissement éditorial considérables. L'étude s'inscrit dans un contexte de tension entre la démocratisation des outils comme ChatGPT ou Claude pour la production de contenu web, et les mises à jour algorithmiques de Google qui ciblent officiellement le contenu « de faible valeur » plutôt que le contenu IA en tant que tel. Semrush, acteur majeur des outils SEO avec plusieurs millions d'utilisateurs, est bien positionné pour trancher ce débat avec des données à l'échelle.

Outils⚒Outil

1 source

46

Illustration générée par IA

7211Numerama 

Bonne nouvelle si vous avez un abonnement Google : la meilleure offre vient de s’améliorer drastiquement

Google vient de revaloriser son abonnement Google AI Pro, disponible en France à 21,99 euros par mois, en triplant le stockage cloud inclus : les abonnés bénéficient désormais de 5 To d'espace sur Google One, contre 2 To auparavant. Cette amélioration est automatique, sans surcoût, pour tous les abonnés existants et nouveaux. Pour les utilisateurs, c'est un gain concret immédiat : 5 To représente un espace largement suffisant pour stocker des années de photos, vidéos, documents et sauvegardes Android en haute qualité. Jusqu'ici, un plan Google One à 5 To coûtait séparément environ 24,99 euros par mois, l'abonnement AI Pro devient donc plus avantageux qu'un simple plan de stockage, en y ajoutant l'accès à Gemini Advanced et aux fonctionnalités IA premium de Google Workspace. Cette décision s'inscrit dans une guerre des offres entre les grands acteurs de l'IA grand public. Apple, Microsoft et OpenAI cherchent tous à fidéliser leurs abonnés en bundlant stockage, IA et services. Google mise sur son écosystème intégré, Drive, Photos, Gmail, Docs, pour rendre son abonnement incontournable face à Microsoft 365 Copilot ou iCloud+, et justifier l'adoption massive de Gemini auprès du grand public.

Outils⚒Outil

1 source

44

Illustration générée par IA

7212Blog du Modérateur 

SEO : doit-on désormais écrire pour les LLM ?

Le référencement naturel traverse une mutation profonde : avec l'essor des grands modèles de langage (LLM) comme ChatGPT, Perplexity ou Google SGE, une nouvelle discipline émerge, baptisée GEO (Generative Engine Optimization) ou AEO (Answer Engine Optimization). Jessica Michenaud, cheffe de projet SEO chez l'agence française Galopins, analyse cette transformation et la manière dont les professionnels du secteur doivent adapter leurs pratiques pour apparaître non plus seulement dans les moteurs de recherche classiques, mais dans les réponses générées par l'IA. L'enjeu est considérable pour les éditeurs de contenus et les marques : si les LLM deviennent le premier point de contact entre l'internaute et l'information, être cité ou synthétisé par ces systèmes devient aussi stratégique qu'un positionnement en première page Google. La bonne nouvelle, selon Michenaud, est que l'exigence éditoriale, contenu précis, sourcé, structuré, à forte valeur ajoutée, reste le critère déterminant. Les contenus creux optimisés pour le clic résistent moins bien que les articles de fond que les LLM jugent dignes d'être cités. Ce débat s'inscrit dans un contexte où Google lui-même intègre des résumés génératifs dans ses résultats (AI Overviews), réduisant potentiellement le trafic vers les sites sources. Des acteurs comme Perplexity ou Claude d'Anthropic captent une part croissante des requêtes informationnelles. Les agences SEO sont ainsi contraintes de repenser leurs modèles : optimiser les balises et la densité de mots-clés ne suffit plus, il faut désormais produire des contenus que les LLM considèrent comme des références fiables, ce qui rapproche paradoxalement le SEO du journalisme de qualité.

Outils⚒Outil

1 source

41

Illustration générée par IA

7213Blog du Modérateur 

Mais au fait, c’est quoi la Retrieval-Augmented Generation (RAG) ?

La Retrieval-Augmented Generation (RAG) est une architecture qui combine deux composants distincts : un moteur de recherche documentaire et un modèle de langage (LLM). Concrètement, lorsqu'un utilisateur pose une question, le système commence par interroger une base de données externe pour extraire les passages les plus pertinents, puis transmet ces extraits au LLM qui les intègre dans sa réponse. Introduite dans un article de recherche de Meta en 2020, cette technique s'est imposée comme l'une des approches dominantes du déploiement d'IA en entreprise. L'enjeu est de taille : les LLMs seuls souffrent d'une connaissance figée à leur date d'entraînement et hallucinent des faits avec assurance. Le RAG corrige ces deux défauts en ancrant les réponses dans des documents vérifiables et actualisables, contrats internes, bases de connaissances, documentation technique, sans nécessiter de réentraînement du modèle. Des entreprises comme Notion, Salesforce ou Mistral AI intègrent désormais cette approche au cœur de leurs produits. Le RAG est devenu incontournable parce qu'il offre un compromis pragmatique entre coût et fiabilité : fine-tuner un modèle coûte cher et reste rigide, tandis que le RAG permet une mise à jour continue des sources. La prochaine frontière s'appelle le RAG agentique, où le système décide lui-même quelles sources interroger et en quelle séquence, rapprochant encore davantage ces architectures d'un raisonnement autonome.

LLMs≡Tuto

1 source

43

Illustration générée par IA

7214Latent Space 

[AINews] Un 1er avril sans éclat

Le 1er avril 2026, plusieurs modèles d'IA de niveau intermédiaire ont été lancés malgré la date peu propice. Le lancement le plus significatif est celui d'Arcee Trinity-Large-Thinking, un modèle open-source publié sous licence Apache 2.0 avec 400 milliards de paramètres au total et 13 milliards actifs. Conçu explicitement pour les développeurs et entreprises souhaitant l'inspecter, l'héberger ou le fine-tuner, il revendique la deuxième place sur le benchmark PinchBench, juste derrière Claude Opus 4.6, ainsi que des performances de pointe sur Tau2-Airline et des résultats de niveau frontier dans le secteur des télécommunications. Dans la même journée, Z.ai a lancé GLM-5V-Turbo, un modèle de codage multimodal capable de traiter nativement images, vidéos, mises en page de documents et maquettes de design, grâce à une fusion multimodale native et un encodeur visuel CogViT de nouvelle génération entraîné par apprentissage par renforcement collaboratif sur plus de 30 tâches. Le laboratoire TII a de son côté publié Falcon Perception, un modèle de segmentation à vocabulaire ouvert accompagné d'un modèle OCR de 0,3 milliard de paramètres, rivalisant selon ses créateurs avec des modèles 3 à 10 fois plus grands. La journée a également été marquée par la révélation accidentelle du code source de Claude Code, l'agent de développement d'Anthropic. L'analyse technique qui a circulé sur X et Zhihu a mis en lumière une architecture volontairement minimaliste : une boucle while(true) centrale, une pile de compression de contexte à quatre niveaux, une exécution d'outils en parallèle avec flux en continu, et une architecture modulaire de plus de 40 outils sans recours aux abstractions par héritage. La fuite a également révélé des fonctionnalités inédites comme un mode AFK, un mode rapide baptisé "Penguin", et un système de gestion de budget de tâches. En parallèle, de nombreux développeurs ont signalé des ralentissements et une instabilité du service Claude ce jour-là, renforçant une frustration déjà présente dans la communauté. Ces sorties s'inscrivent dans une course intense aux modèles open-weight raisonnants et multimodaux, où les acteurs indépendants cherchent à concurrencer les laboratoires dominants sur des benchmarks précis. L'émergence d'Arcee, soutenue par Prime Intellect et Datology, illustre qu'une petite équipe peut désormais servir un modèle de 400 milliards de paramètres à des coûts de production compétitifs, un signal fort pour la démocratisation de l'IA de pointe. La fuite de Claude Code, quant à elle, alimente le débat sur la transparence architecturale dans un marché des agents de codage de plus en plus concurrentiel, où Anthropic affronte désormais des alternatives open-source crédibles sur ses propres benchmarks.

LLMs⚡Actu

1 source

44

Illustration générée par IA

7215MarkTechPost 

IBM publie Granite 4.0 3B Vision : un modèle de langage visuel pour l'extraction de données documentaires en entreprise

IBM a lancé Granite 4.0 3B Vision, un modèle de langage visuel (VLM) conçu spécifiquement pour l'extraction de données documentaires en entreprise. Contrairement aux grands modèles multimodaux monolithiques, ce modèle adopte une architecture modulaire : il se présente sous forme d'adaptateur LoRA d'environ 0,5 milliard de paramètres, conçu pour se greffer sur le modèle de base Granite 4.0 Micro (3,5 milliards de paramètres). Cette configuration permet un déploiement en « double mode », le modèle texte fonctionne de manière autonome, et le composant visuel n'est activé qu'en cas de besoin. Pour traiter les images haute résolution, le modèle découpe les documents en tuiles de 384×384 pixels via l'encodeur visuel SigLIP2 de Google, tout en conservant une vue globale réduite de l'image. Les tokens visuels sont ensuite injectés dans le modèle de langage en 8 points d'ancrage distincts grâce à l'architecture DeepStack, assurant un alignement précis entre contenu sémantique et mise en page spatiale. En matière de performances, le modèle atteint 85,5 % de correspondance exacte en extraction de paires clé-valeur sur le benchmark VAREX (zéro-shot), et se classe troisième parmi les modèles de 2 à 4 milliards de paramètres sur ce leaderboard en mars 2026. L'enjeu principal de cette sortie est de permettre aux entreprises d'automatiser l'extraction structurée de données à partir de documents complexes, tableaux financiers, graphiques analytiques, formulaires, avec un modèle compact et déployable localement. Là où les grands modèles généralistes sacrifient la précision structurelle au profit de la polyvalence, Granite 4.0 3B Vision est entraîné spécifiquement sur la conversion de graphiques en CSV ou JSON, la reconnaissance de structures de tableaux en HTML, et l'extraction de paires clé-valeur. IBM a notamment utilisé ChartNet, un dataset multimodal à l'échelle du million d'exemples, ainsi qu'une pipeline d'entraînement « guidée par le code » qui aligne le code de génération d'un graphique, son rendu visuel et la table de données sous-jacente. Cette approche permet au modèle de comprendre la relation structurelle entre une représentation visuelle et sa source, plutôt que de simplement décrire une image. Ce lancement s'inscrit dans la stratégie d'IBM de positionner sa gamme Granite comme une alternative open-source et souveraine aux solutions propriétaires de Microsoft, Google ou Anthropic pour les usages entreprise. La tendance à l'architecture modulaire, un socle texte augmenté d'adaptateurs spécialisés, reflète une évolution plus large du secteur vers des modèles efficaces en ressources, déployables sur des infrastructures maîtrisées plutôt que dans le cloud public. Avec la prolifération des obligations réglementaires autour de la traçabilité des données (RGPD, AI Act européen), des modèles capables de traiter des documents sensibles en local représentent un avantage concurrentiel significatif. La prochaine étape pour IBM sera d'intégrer ce composant dans ses pipelines documentaires Watson et de le rendre accessible via watsonx, sa plateforme d'IA d'entreprise.

LLMs❧Opinion

1 source

40

Illustration générée par IA

7216La Tribune 

OPINION. « Fin de la taxe Zucman : vers une fiscalité des agents intelligents »

Gabriel Zucman, économiste français reconnu pour ses travaux sur la fiscalité des ultra-riches, a défendu une taxation mondiale des grandes fortunes comme réponse aux inégalités croissantes. Mais une tribune d'opinion publiée récemment remet en question cette approche au profit d'une nouvelle piste : taxer directement les agents intelligents plutôt que les individus ou les entreprises qui les déploient. L'argument central est que le modèle fiscal des économies développées repose encore sur le travail humain, cotisations, impôts sur les revenus, alors que l'automatisation par IA érode progressivement cette base. L'enjeu est considérable : si les agents IA remplacent des millions de travailleurs, les États perdent des recettes fiscales massives sans mécanisme de compensation. Une fiscalité des agents intelligents permettrait de maintenir le financement des services publics et de la protection sociale à mesure que l'automatisation s'accélère. Cela toucherait directement les grandes entreprises tech, Google, Meta, Microsoft, qui déploient ces systèmes à grande échelle. Ce débat s'inscrit dans une réflexion plus large sur l'adaptation des États à l'ère de l'IA. Plusieurs économistes et institutions, dont l'OCDE, commencent à explorer des pistes similaires. La question n'est plus théorique : avec l'explosion des agents autonomes capables de réaliser des tâches cognitives complexes, la fenêtre pour concevoir un cadre fiscal adapté se referme rapidement.

Régulation⚖Reglementation

1 source

37

Illustration générée par IA

7217MarkTechPost 

Comment créer des workflows AgentScope prêts pour la production avec agents ReAct, outils personnalisés, débat multi-agents, sorties structurées et pipelines concurrents

AgentScope, le framework open-source de gestion d'agents IA développé par Alibaba DAMO Academy, dispose désormais d'un tutoriel complet permettant de construire des workflows multi-agents prêts pour la production. Publié début 2026 et conçu pour tourner intégralement dans Google Colab, ce guide pas à pas couvre cinq niveaux de complexité croissante : de l'appel basique à un modèle OpenAI jusqu'à un pipeline concurrent où plusieurs agents spécialistes travaillent en parallèle. La stack technique repose sur Python 3, les bibliothèques agentscope, openai, pydantic et nest_asyncio, avec le modèle gpt-4o-mini comme moteur de raisonnement. Le tutoriel montre comment enregistrer des fonctions Python personnalisées, calcul mathématique, horodatage, dans un Toolkit, inspecter les schémas JSON générés automatiquement, puis connecter ces outils à un agent ReActAgent capable de décider dynamiquement quand les appeler. Ce type de ressource répond à un besoin concret dans l'écosystème des agents IA : la majorité des développeurs savent appeler un LLM, mais peinent à passer à une architecture robuste et modulaire en production. Le tutoriel introduit notamment MsgHub, la primitive d'AgentScope pour orchestrer des débats structurés entre agents, un pattern utile pour la vérification de faits, la critique de code ou la validation de décisions critiques. L'intégration de Pydantic pour forcer des sorties structurées élimine l'un des problèmes les plus fréquents en production : les réponses libres d'un LLM qui cassent le parsing aval. Enfin, le pipeline concurrent, plusieurs spécialistes analysent un problème en parallèle, un synthétiseur agrège leurs conclusions, réduit significativement la latence pour les tâches décomposables, ce qui est central dans les systèmes d'analyse ou de veille automatisée. AgentScope s'inscrit dans une compétition féroce entre frameworks d'orchestration d'agents : LangChain, LlamaIndex, AutoGen de Microsoft ou CrewAI occupent déjà le terrain, mais AgentScope mise sur une API asynchrone native, une gestion mémoire intégrée (InMemoryMemory) et des formateurs de messages spécifiques aux providers (OpenAIChatFormatter, OpenAIMultiAgentFormatter). Le choix de gpt-4o-mini comme modèle de référence dans le tutoriel reflète l'orientation coût/performance qui domine les déploiements réels en 2025-2026. La prochaine étape logique pour ce type de workflow serait l'intégration de mémoire persistante externe et de mécanismes de supervision, deux angles sur lesquels la communauté AgentScope est activement attendue.

Outils≡Tuto

1 source

45

Illustration générée par IA

7218Frandroid 

Bloqué 1h30 dans un robot taxi sans aucune assistance : Baidu vient de tuer la confiance des usagers en un seul bug

Des centaines de robotaxis Baidu se sont immobilisés simultanément en plein milieu de trajets en cours, en Chine, provoquant des embouteillages importants et plusieurs collisions. Les passagers, bloqués à l'intérieur des véhicules sans possibilité de reprendre la main sur le volant, ont attendu jusqu'à une heure trente sans recevoir aucune assistance humaine. Le bug, dont l'origine technique n'a pas encore été officiellement communiquée par Baidu, a touché le service Apollo Go, le bras autonome du géant technologique chinois. L'incident illustre de manière brutale la principale vulnérabilité des flottes de véhicules autonomes connectés : une défaillance logicielle centralisée peut paralyser des centaines de véhicules en même temps, sans aucun filet de sécurité humain immédiat. Pour les usagers coincés, l'absence totale de support en temps réel a transformé un simple bug en expérience anxiogène. C'est précisément ce type d'événement qui érode la confiance du grand public bien plus efficacement que n'importe quel accident isolé, car il touche à la fois la fiabilité technique et à l'abandon perçu des passagers. Baidu est l'un des leaders mondiaux du robotaxi, avec des milliers de véhicules déployés dans plusieurs grandes villes chinoises comme Wuhan et Chengdu dans le cadre d'un service commercial sans chauffeur de sécurité. La course à l'autonomie totale, partagée avec Waymo aux États-Unis et WeRide en Chine, pousse les opérateurs à retirer rapidement les superviseurs humains pour réduire les coûts, un arbitrage qui montre ici ses limites. Des enquêtes réglementaires et une révision des protocoles d'assistance d'urgence sont désormais attendues.

Robotique❧Opinion

1 source

42

Illustration générée par IA

7219ZDNET FR 

Open source : comment l'IA est soudainement devenue bien plus utile pour les développeurs

L'intelligence artificielle s'impose progressivement comme un outil de maintenance pour les projets open source, y compris ceux qui manquent de contributeurs actifs depuis des années. Des développeurs rapportent que des assistants comme GitHub Copilot ou des modèles accessibles via API permettent de documenter automatiquement du code legacy, générer des tests unitaires et corriger des bugs dans des bibliothèques que personne ne touchait plus faute de temps ou d'intérêt. L'impact est concret pour l'écosystème logiciel dans son ensemble : des milliers de projets open source critiques, souvent intégrés dans des chaînes de dépendances industrielles, souffrent d'un manque chronique de mainteneurs. Si l'IA permet de prolonger leur durée de vie et d'améliorer leur sécurité sans mobiliser de nouvelles ressources humaines, cela représente un changement structurel pour des communautés sous-dimensionnées depuis longtemps. Deux risques majeurs tempèrent cependant l'enthousiasme. D'abord, la question juridique : le code généré par IA peut hériter de licences incompatibles avec l'open source si les modèles ont été entraînés sur des sources propriétaires. Ensuite, la qualité : des contributions générées sans revue rigoureuse peuvent introduire des vulnérabilités silencieuses dans des projets déjà fragiles, déplaçant le problème plus qu'ils ne le résolvent.

Outils⚒Outil

1 source

47

Illustration générée par IA

7220HuggingFace Blog 

Gemma 4 : intelligence multimodale de pointe sur appareil

Google DeepMind a lancé Gemma 4, sa nouvelle génération de modèles open source, disponible depuis début avril 2025. Cette famille comprend quatre variantes allant de 1 milliard à 27 milliards de paramètres, toutes capables de traiter texte et images simultanément. Les modèles sont disponibles sur Hugging Face, Google AI Studio et Kaggle, avec des licences permissives autorisant leur usage commercial. La particularité de Gemma 4 réside dans sa capacité multimodale optimisée pour les appareils locaux, depuis les smartphones jusqu'aux ordinateurs personnels, sans dépendance à un serveur distant. Le modèle 27B affiche des performances comparables à des systèmes bien plus volumineux sur les benchmarks de raisonnement et de vision, tandis que le 1B peut tourner directement sur mobile, ouvrant la voie à des applications IA entièrement hors ligne. Cette sortie s'inscrit dans la compétition ouverte qui oppose Google à Meta, Microsoft et Mistral sur le segment des modèles open source embarqués. Depuis Gemma 1 en février 2024, Google a accéléré le rythme de ses publications pour ne pas céder ce terrain stratégique à Llama. La course aux modèles multimodaux légers devient un enjeu central pour l'IA souveraine et les usages professionnels sans connectivité cloud.

LLMs❧Opinion

1 source