Actualités IA — page 368

9 307 articles au fil, du plus récent au plus ancien.

45

Illustration générée par IA

7341Numerama 

Mémoire infinie, rêves nocturnes, Master Claude, frustration et Tamagotchi : ce que cache le code fuité de Claude Code

Anthropic a maladroitement rendu accessible au public le code source de Claude Code, son assistant de programmation destiné aux développeurs. Des chercheurs et internautes curieux ont rapidement épluché les fichiers exposés, y décelant plusieurs projets internes jusqu'alors inconnus. Parmi les découvertes les plus frappantes : un système de « mémoire infinie » permettant à Claude de retenir des informations sur le long terme, un mécanisme de traitement en arrière-plan baptisé « rêves nocturnes », un mode « Master Claude » suggérant une hiérarchie entre instances du modèle, un suivi des états émotionnels comme la frustration, et, plus surprenant encore, un concept de Tamagotchi impliquant une forme de présence persistante et évolutive de l'IA. Cette fuite involontaire offre une fenêtre rare sur la feuille de route d'Anthropic, révélant des ambitions qui vont bien au-delà d'un simple assistant de code. La notion de mémoire persistante et d'états internes rappelle les débats en cours sur les agents autonomes : des modèles capables de maintenir une continuité entre les sessions, de mémoriser le contexte d'un projet sur des semaines, voire de développer une forme de « personnalité » stable. Ces fonctionnalités, si elles aboutissent, changeraient fondamentalement la relation entre un développeur et son outil IA. Anthropic se positionne depuis sa fondation en 2021 comme un acteur de l'IA « sûre et responsable », face à OpenAI et Google. Claude Code, lancé pour concurrencer GitHub Copilot et Cursor, est au cœur de cette stratégie commerciale. La fuite survient dans un contexte de compétition acharnée entre les grands labs, où chaque avancée technique est jalousement gardée. L'entreprise n'a pas encore commenté publiquement l'étendue exacte de l'exposition, ni confirmé le calendrier de déploiement de ces fonctionnalités.

LLMs⚡Actu

1 source

40

Illustration générée par IA

7342The Decoder 

Frontier Radar n°2 : Pourquoi les gains de productivité de l'IA disparaissent entre les benchmarks et le bilan comptable

L'intelligence artificielle générative permet des gains de temps mesurables sur de nombreuses tâches, rédaction, analyse, codage, synthèse de documents. Pourtant, selon une analyse publiée dans la série Frontier Radar, ces gains individuels ne se traduisent pas systématiquement en impact économique visible sur les bilans des entreprises. Le fossé entre ce que mesurent les benchmarks et ce que reflètent les indicateurs financiers reste significatif et largement sous-estimé. Plusieurs mécanismes expliquent cette perte en ligne. Le premier est le surcoût de vérification : les salariés passent du temps à relire et corriger les sorties de l'IA, ce qui réduit le gain net. Le deuxième est l'absence d'indicateurs adaptés, les entreprises ne savent pas encore mesurer la valeur produite par des tâches accélérées de 20 ou 30 %. Enfin, l'inertie organisationnelle joue un rôle central : même quand un individu travaille plus vite, les processus autour de lui, réunions, validations, cycles de décision, ne s'adaptent pas au même rythme, absorbant le gain sans le convertir en productivité collective. Ce paradoxe rappelle celui observé lors de l'introduction de l'informatique dans les années 1980-90, que l'économiste Robert Solow avait résumé dans sa célèbre formule : "On voit l'ordinateur partout, sauf dans les statistiques de productivité." L'IA générative traverse aujourd'hui une phase similaire. Les entreprises qui parviendront à capturer réellement ces gains seront celles qui réorganisent leurs flux de travail en profondeur, et non celles qui se contentent de déployer des outils sans repenser les processus qui les entourent.

Business❧Opinion

1 source

42

Illustration générée par IA

7343AI Business 

Databricks va investir 850 millions de dollars dans ses opérations d'IA au Royaume-Uni

Databricks va investir 850 millions de dollars au Royaume-Uni pour renforcer ses opérations d'intelligence artificielle dans le pays. L'entreprise américaine, spécialisée dans les plateformes de données et d'IA, prévoit d'agrandir son hub londonien, de recruter et former des talents locaux en IA, et de répondre à une demande en forte croissance pour ses outils d'IA agentique, des systèmes capables d'agir de manière autonome pour accomplir des tâches complexes. Cet investissement massif positionne le Royaume-Uni comme un centre stratégique pour Databricks en Europe, au moment où la demande enterprise pour les infrastructures d'IA s'accélère. Pour les entreprises britanniques, cela se traduit par un accès renforcé aux technologies de traitement de données à grande échelle et aux agents IA, qui automatisent des workflows entiers sans intervention humaine continue, un enjeu de compétitivité croissant pour les secteurs finance, santé et industrie. Ce mouvement s'inscrit dans une vague d'investissements technologiques massifs au Royaume-Uni, où le gouvernement cherche activement à attirer les géants de l'IA. Databricks, valorisée à plus de 62 milliards de dollars après sa levée de fonds de 15 milliards en janvier 2025, intensifie sa rivalité avec Snowflake et les clouds hyperscalers sur le segment des données et de l'IA d'entreprise. L'essor de l'IA agentique, nouveau terrain de croissance du secteur, rend ce type d'implantation locale stratégique pour conquérir les grands comptes européens.

Business⚡Actu

1 source

45

Illustration générée par IA

7344AWS ML Blog 

AWS lance des agents autonomes pour les tests de sécurité et les opérations cloud

Amazon Web Services a annoncé la disponibilité générale de deux agents autonomes d'intelligence artificielle lors de son événement re:Invent : AWS Security Agent, dédié aux tests d'intrusion, et AWS DevOps Agent, spécialisé dans les opérations cloud. Ces systèmes appartiennent à une nouvelle catégorie baptisée « frontier agents », des IA capables de travailler de façon autonome pendant des heures, voire des jours, sans supervision humaine continue. Selon AWS, les retours des clients en phase de préversion sont significatifs : AWS Security Agent réduit les délais de tests de pénétration de plusieurs semaines à quelques heures, tandis qu'AWS DevOps Agent accélère la résolution d'incidents de 3 à 5 fois. Des entreprises comme Bamboo Health et HENNGE K.K. témoignent de résultats concrets, cette dernière affirmant avoir réduit la durée de ses cycles de sécurité de plus de 90 %. L'enjeu pour les équipes de sécurité et d'exploitation est majeur. La plupart des organisations ne peuvent aujourd'hui faire réaliser des tests de pénétration manuels que sur leurs applications les plus critiques, faute de temps et de budget, laissant la majorité de leur portefeuille logiciel vulnérable entre deux cycles d'audit. AWS Security Agent change cette équation en analysant le code source, les diagrammes d'architecture et la documentation pour reconstituer des chaînes d'attaque complexes que les scanners traditionnels ne détectent pas. Côté opérations, AWS DevOps Agent s'intègre avec les principaux outils du marché, CloudWatch, Datadog, Dynatrace, Splunk, Grafana, GitHub, GitLab, et corrèle télémétrie, code et données de déploiement pour identifier la cause racine d'un incident, qu'il s'agisse d'infrastructures AWS, Azure, hybrides ou on-premise. Pour les équipes SRE débordées, c'est la promesse d'un coéquipier disponible en permanence. Ces annonces s'inscrivent dans une course à l'automatisation des opérations IT qui s'intensifie depuis l'essor des grands modèles de langage. Les hyperscalers, AWS, Microsoft Azure, Google Cloud, cherchent tous à proposer des agents capables de gérer des tâches complexes et durables, au-delà des simples assistants conversationnels. AWS positionne explicitement ces outils non comme des aides ponctuelles, mais comme de véritables extensions de l'équipe humaine, capables de prendre des décisions en plusieurs étapes sans intervention constante. Amy Herzog, vice-présidente et RSSI d'AWS, indique que l'entreprise utilise elle-même AWS Security Agent en interne. La question qui se posera à mesure de l'adoption est celle de la gouvernance : jusqu'où déléguer à une IA des décisions critiques sur la sécurité ou la stabilité des systèmes de production ?

Outils⚒Outil

1 source

37

Illustration générée par IA

7345Le Big Data 

Les 15 meilleures skills OpenClaw à installer en 2026

OpenClaw s'est imposé en 2026 comme bien plus qu'un simple assistant IA pour développeurs : la plateforme open source est désormais un véritable système d'exploitation autonome capable d'exécuter des scripts shell, de gérer des boîtes mail, de contrôler un navigateur web et de coordonner des chaînes d'actions complexes sans intervention humaine. Son écosystème de « skills », des modules fonctionnels installables à la demande, compte plusieurs centaines d'extensions. Parmi les plus utiles figurent Capability Evolver, qui permet à l'agent de s'auto-corriger en temps réel lorsqu'une commande échoue et de mémoriser la solution pour les prochaines fois, et Gog, le connecteur Google Workspace qui rédige des synthèses de réunions, nettoie des fichiers Sheets et prépare un briefing matinal livré sur Telegram. Mission Control complète ce trio productivité en coordonnant plusieurs modules en parallèle dès le démarrage, vérification météo, état des serveurs, messages Slack, en une seule passe automatisée. Côté développement, les skills GitHub et Agent Browser sont plébiscitées : la première gère issues et pull requests en autonomie, suggère des relecteurs et poste des notes de version ; la seconde transforme l'agent en outil de scraping avancé, capable de naviguer sur des sites complexes, remplir des formulaires et prendre des captures d'écran pour surveiller des prix ou automatiser des inscriptions. L'enjeu dépasse la simple productivité individuelle. OpenClaw, déployé sur un VPS personnel, donne à n'importe quel utilisateur technique un agent capable de remplacer plusieurs abonnements SaaS, automation, monitoring, rédaction, gestion de projet. Pour les petites équipes de développement, la skill GitHub seule représente un gain de temps substantiel sur les workflows de revue de code. Pour les indépendants ou les TPE, Gog et Mission Control automatisent une partie du travail administratif quotidien. Le modèle open source permet aussi une personnalisation totale, impossible avec des assistants propriétaires comme Copilot ou Notion AI. Mais 2026 marque aussi un tournant dans la méfiance vis-à-vis des écosystèmes de plugins IA. La multiplication des skills disponibles, dont une partie provient de contributeurs anonymes, crée une surface d'attaque non négligeable : des modules malveillants peuvent exfiltrer des données sensibles ou détourner des clés API. Les utilisateurs sont donc fortement encouragés à déployer leur instance uniquement sur un VPS sécurisé, à auditer le code source de chaque skill avant installation et à compartimenter les permissions accordées à chaque module. OpenClaw rejoint ainsi une tendance plus large de l'IA auto-hébergée où la puissance de l'outil est directement proportionnelle au soin apporté à sa configuration, et où une mauvaise installation peut coûter bien plus qu'elle ne rapporte.

Outils⚒Outil

1 source

41

Illustration générée par IA

7346Meta Engineering ML 

Meta Adaptive Ranking Model : infléchir la courbe d'inférence pour déployer des LLM dans la publicité

Meta a dévoilé l'Adaptive Ranking Model (ARM), un nouveau système de recommandation publicitaire fonctionnant à l'échelle des grands modèles de langage (LLM). Déployé sur Instagram au quatrième trimestre 2025, ARM a généré une hausse de 3 % des conversions publicitaires et de 5 % du taux de clics pour les utilisateurs ciblés. Le système atteint une complexité de calcul équivalente à celle des meilleurs LLMs, environ 10 GFLOPs par token, tout en maintenant une latence inférieure à 100 millisecondes, soit un ordre de grandeur plus rapide que l'inférence LLM standard. L'enjeu central qu'ARM résout est ce que Meta appelle le « trilemme de l'inférence » : comment faire tourner des modèles d'une complexité comparable à GPT-4 ou Llama dans un environnement publicitaire temps réel, où chaque requête doit aboutir en moins d'une seconde, pour des milliards d'utilisateurs, sans exploser les coûts d'infrastructure. La solution repose sur un routage intelligent des requêtes : plutôt que d'appliquer le même modèle à chaque impression publicitaire, ARM analyse le contexte et l'intention de l'utilisateur pour décider dynamiquement du niveau de complexité nécessaire. Les requêtes simples consomment peu de ressources ; les requêtes complexes mobilisent toute la puissance du modèle LLM-scale. Ce principe d'alignement dynamique entre complexité et contexte permet de maximiser la qualité des prédictions sans surcharger les serveurs. Trois innovations techniques rendent cela possible. Premièrement, une architecture centrée sur la requête plutôt que sur le modèle, permettant de servir un modèle à un trillion de paramètres (O(1T)) de façon économiquement viable. Deuxièmement, une co-conception modèle-matériel : les architectures sont conçues en tenant compte des contraintes précises du silicium utilisé, ce qui améliore significativement l'utilisation des GPU dans des environnements matériels hétérogènes. Troisièmement, une infrastructure de serving repensée autour d'architectures multi-cartes et d'optimisations bas-niveau spécifiques au hardware. Ce développement s'inscrit dans la course que se livrent les grandes plateformes pour intégrer l'intelligence des LLMs dans leurs systèmes de recommandation, un marché où chaque fraction de point de taux de conversion se traduit en milliards de dollars de revenus publicitaires. Pour Meta, dont plus de 98 % des revenus proviennent de la publicité, ARM représente une avancée structurelle : la preuve qu'il est désormais possible de faire fonctionner des modèles de la taille de ceux utilisés pour les chatbots dans des pipelines industriels ultra-contraints en latence et en coût.

Infrastructure❧Opinion

1 source

44

Illustration générée par IA

7347La Tribune 

Keri Pearlson (MIT) : « Le plus grand risque avec l’IA, c’est la confiance que nous lui accordons »

Keri Pearlson, chercheuse au MIT Sloan School of Management spécialisée en cybersécurité et gouvernance numérique, a accordé un entretien en marge du Forum InCyber, qui se tient à Lille jusqu'au 2 avril 2026. Sa mise en garde est directe : le principal danger de l'IA générative en entreprise ne réside pas dans ses failles techniques, mais dans la confiance excessive que lui accordent salariés et dirigeants. Selon elle, cette sur-confiance fragilise des organisations qui peinent déjà à instaurer une véritable culture de la cybersécurité. L'enjeu est concret : lorsque les collaborateurs délèguent aveuglément des décisions ou des tâches sensibles à des outils d'IA, ils contournent sans le savoir les garde-fous humains qui constituent la dernière ligne de défense contre les cyberattaques. Les dirigeants, souvent séduits par les gains de productivité, sous-estiment les nouveaux vecteurs de risque introduits par ces outils, phishing augmenté, manipulation sémantique, fuites de données via des prompts mal maîtrisés. L'IA ne remplace pas le risque humain, elle le démultiplie. Ce constat s'inscrit dans un contexte où la culture cyber reste un chantier inachevé dans la plupart des entreprises : formations insuffisantes, responsabilités floues, écart persistant entre discours de direction et pratiques terrain. Le Forum InCyber, rendez-vous annuel qui rassemble experts, industriels et décideurs publics européens, illustre l'urgence du sujet. Les travaux de Pearlson au MIT pointent vers une nécessité : intégrer la gouvernance de l'IA directement dans les stratégies de cybersécurité, plutôt que de traiter les deux disciplines séparément.

Sécurité❧Opinion

1 source

39

Illustration générée par IA

7348Google AI Blog 

Créez avec Veo 3.1 Lite, notre modèle de génération vidéo le plus accessible

Google a mis en disponibilité Veo 3.1 Lite, sa nouvelle version allégée de modèle de génération vidéo, en accès payant via l'API Gemini et en test gratuit sur Google AI Studio. Présenté comme le modèle de génération vidéo le plus économique de la gamme, il s'adresse aux développeurs et entreprises souhaitant intégrer la création vidéo IA dans leurs applications sans supporter les coûts de la version complète Veo 3.1. Ce lancement répond à une demande croissante de solutions vidéo IA accessibles pour les équipes produit et les startups. En proposant une alternative moins coûteuse, Google ouvre la génération vidéo à une base bien plus large de développeurs, au-delà des grandes entreprises capables d'absorber les tarifs premium. La disponibilité directe via l'API Gemini facilite l'intégration dans des pipelines existants. Veo 3.1 Lite s'inscrit dans la stratégie de Google de démocratiser ses outils d'IA générative face à la concurrence de Sora d'OpenAI et Runway. La famille Veo, lancée en 2024, monte progressivement en accessibilité après avoir ciblé initialement les partenaires enterprise. La phase de "paid preview" suggère une disponibilité générale prochaine, avec des tarifs définitifs à préciser.

Outils⚒Outil

1 source

43

Illustration générée par IA

7349AWS ML Blog 

La gouvernance peut-elle suivre vos ambitions en IA ? Gestion du risque à l'ère des agents autonomes

L'ère de l'IA agentique bouleverse les fondements de la gouvernance informatique traditionnelle. Là où les systèmes DevOps classiques produisaient des résultats déterministes, même entrée, même sortie, dépendances connues, les agents IA opèrent de façon non déterministe : posez la même question deux fois, vous obtenez deux réponses différentes. Ces agents sélectionnent eux-mêmes leurs outils, adaptent leurs raisonnements et agissent de manière autonome. Face à ce constat, AWS Generative AI Innovation Center a développé une solution appelée AI Risk Intelligence (AIRI), un système de gouvernance automatisée qui centralise les évaluations de sécurité, d'opérations et de conformité en un seul tableau de bord couvrant l'ensemble du cycle de vie agentique. La solution s'appuie sur le cadre AWS Responsible AI Best Practices, construit à partir de l'expérience acquise sur des centaines de milliers de déploiements IA. L'enjeu est concret : les cadres de gouvernance IT conçus pour des déploiements statiques sont incapables de gérer les interactions complexes des systèmes multi-agents. Un scénario illustratif le démontre clairement, et figure dans le Top 10 OWASP des vulnérabilités agentiques pour 2026. Un assistant IA d'entreprise, légitimement autorisé à accéder aux e-mails, au calendrier et au CRM, reçoit via un e-mail des instructions malveillantes dissimulées. Lorsqu'un utilisateur demande un résumé anodin, l'agent compromis suit ces directives cachées : il fouille des données sensibles et les exfiltre via des invitations calendrier, tout en affichant une réponse bénigne. Les outils classiques de prévention des fuites de données et de surveillance réseau ne détectent rien, car l'agent agit dans le strict périmètre de ses permissions légitimes. La violation est invisible aux yeux des systèmes traditionnels. Ce cas révèle la nature systémique du risque agentique : une faille de sécurité se propage simultanément à travers plusieurs dimensions. L'action d'un agent en déclenche d'autres, les contrôles d'accès ne sont pas réévalués en continu pendant l'exécution, aucun point de contrôle humain ne s'interpose avant une action à haut risque, et les responsables de la conformité ne peuvent pas interpréter les données de monitoring pour détecter l'anomalie à temps. C'est pourquoi AIRI entend fusionner sécurité, opérations et gouvernance en un dispositif intégré plutôt qu'en silos séparés. Dans un contexte où les entreprises accélèrent leurs déploiements d'agents autonomes, pour automatiser des workflows, piloter des décisions, interagir avec des systèmes critiques, la question n'est plus seulement de savoir si l'IA fonctionne, mais si l'organisation peut réellement maîtriser ce qu'elle fait.

Sécurité⚡Actu

1 source

46

Illustration générée par IA

7350AI News 

SAP et ANYbotics accélèrent l'adoption de l'IA physique dans l'industrie

SAP et le fabricant suisse de robots ANYbotics ont annoncé un partenariat visant à intégrer directement les robots quadrupèdes autonomes d'ANYbotics dans les systèmes ERP (Enterprise Resource Planning) de SAP. Concrètement, les robots à quatre pattes, équipés de capteurs thermiques, acoustiques et visuels, deviennent des nœuds mobiles de collecte de données au sein d'un réseau IoT industriel. Plutôt que d'être traités comme des équipements isolés, ils communiquent en temps réel avec les modules de gestion d'actifs de SAP via des API. Le partenariat a été mis en avant lors de l'AI & Big Data Expo North America, organisé au San Jose McEnery Convention Center en Californie, où SAP figure parmi les sponsors principaux. L'enjeu opérationnel est considérable pour les secteurs à risques, usines chimiques, plateformes offshore, sites de raffinage, où les inspections humaines sont à la fois coûteuses, dangereuses et sujettes à l'erreur. Aujourd'hui, un technicien qui entend un bruit anormal dans un compresseur doit le noter, puis saisir manuellement un ordre de travail, parfois des heures plus tard. Ce délai peut suffire à transformer une défaillance mineure en arrêt machine complet. Avec l'intégration ANYbotics-SAP, le robot détecte une fréquence moteur irrégulière, l'analyse localement grâce à son IA embarquée, et déclenche automatiquement une demande de maintenance dans SAP, qui vérifie aussitôt la disponibilité des pièces détachées, calcule le coût de l'immobilisation potentielle et planifie l'intervention d'un technicien. Le facteur humain subjectif est remplacé par des métriques constantes et auditables. Sur le plan technique, déployer des robots autonomes dans des environnements industriels lourds pose des défis que l'installation d'un logiciel en bureau ne connaît pas : béton épais, armatures métalliques et interférences électromagnétiques rendent les réseaux Wi-Fi classiques inopérants. La solution passe par l'edge computing, les robots traitent la majorité des données (vidéo thermique haute définition, lidar) en local et n'envoient à SAP que l'essentiel, soit la nature et la localisation précise de la défaillance. Pour la connectivité, les premiers adoptants construisent des réseaux 5G privés couvrant l'ensemble de leurs installations. La sécurité reste un défi majeur : un robot bardé de caméras constitue une vulnérabilité mobile, et les entreprises doivent implémenter des protocoles zero-trust pour authentifier en permanence l'appareil et cloisonner son accès aux modules SAP. Enfin, la gestion du volume de données non structurées générées exige un paramétrage rigoureux des seuils d'alerte, sans quoi les équipes maintenance se noient sous des centaines de faux positifs quotidiens, rendant le tableau de bord SAP inutilisable.

Robotique❧Opinion

1 source

48

Illustration générée par IA

7351Le Big Data 

AEO, GEO : les nouvelles règles pour exister à l’ère de l’IA

Une étude du Pew Research Center réalisée en mars 2025 sur 68 879 recherches Google révèle un basculement profond dans la façon dont les internautes consomment l'information en ligne. Lorsqu'un résumé généré par l'IA apparaît dans les résultats, seulement 8 % des utilisateurs cliquent sur un lien classique, soit presque deux fois moins que sans résumé. Un internaute sur quatre quitte même la page sans cliquer nulle part. Ces chiffres font écho aux données de BrightEdge, qui mesure une hausse de 49 % des impressions sur Google depuis l'introduction des aperçus IA, accompagnée d'une chute de 30 % du taux de clics. Seer Interactive enfonce le clou : sur des millions d'impressions analysées, le taux de clic organique est passé de 1,76 % à 0,61 % pour les requêtes intégrant ces résumés, et les liens sponsorisés ont également reculé. Ce phénomène redéfinit les règles du jeu pour les marques et les éditeurs. L'information est désormais consommée directement dans la réponse IA, sans passage par les sites sources. Le trafic organique, jusqu'ici colonne vertébrale de l'acquisition en ligne, s'érode structurellement, indépendamment de la qualité du référencement traditionnel. Gartner avait anticipé dès 2024 une baisse significative des recherches classiques d'ici 2026 : les données actuelles confirment cette trajectoire. Pour les marques, l'enjeu n'est plus d'apparaître en première page Google, mais d'être intégrées dans les réponses synthétiques elles-mêmes, ce qui implique de repenser entièrement leur stratégie de contenu. Deux disciplines émergent en réponse à ce changement. L'AEO (Answer Engine Optimization) consiste à structurer le contenu pour qu'il soit directement exploitable par une IA : titres sous forme de questions, réponses courtes et denses, données structurées balisées. L'objectif est de devenir la source citée au moment précis où une question est posée. Le GEO (Generative Engine Optimization), plus ambitieux, vise à s'imposer comme référence globale dans l'écosystème informationnel que parcourent des moteurs comme Perplexity AI ou Gemini. Or, selon McKinsey, seulement 5 à 10 % des sources utilisées par ces IA proviennent directement des sites de marques, le reste provient d'articles tiers, d'avis, de forums. BrightEdge ajoute que 89 % des sources citées dans les résumés IA proviennent de pages classées au-delà de la 100e position sur Google, ce qui signifie que la crédibilité perçue et la qualité structurelle du contenu priment désormais sur le rang dans les SERP. Les marques qui seront citées dans ces réponses générées bénéficieront d'un avantage de visibilité croissant, et celles qui tardent à s'adapter risquent tout simplement de disparaître du radar.

Société❧Opinion

1 source

41

Illustration générée par IA

7352NVIDIA AI Blog 

L'efficacité à grande échelle : NVIDIA et les acteurs de l'énergie accélèrent les centres d'IA flexibles pour renforcer le réseau électrique

NVIDIA et la startup Emerald AI ont présenté lors du CERAWeek, le sommet mondial de l'énergie surnommé le « Davos de l'énergie », une architecture inédite qui transforme les usines à IA en actifs flexibles pour le réseau électrique. Construite sur la plateforme NVIDIA Vera Rubin DSX et le logiciel Conductor d'Emerald AI, cette approche intègre calcul, gestion de l'énergie et pilotage en temps réel dans une architecture unifiée. Concrètement, une usine à IA peut désormais moduler sa consommation électrique en fonction des conditions du réseau, tout en continuant à produire des tokens. Six grands acteurs de l'énergie, AES, Constellation, Invenergy, NextEra Energy, Nscale Energy & Power et Vistra, se sont engagés à construire des capacités de production compatibles avec cette architecture, notamment via des projets hybrides combinant alimentation locale et connexion au réseau. Du côté de l'efficacité pure, NVIDIA revendique une progression d'un million de fois le nombre de tokens générés pour un même budget énergétique, entre le GPU Kepler de 2012 et la plateforme Vera Rubin lancée cette année. La métrique clé est désormais le « tokens par seconde par watt ». Cet enjeu dépasse la simple optimisation technique : la croissance explosive des infrastructures IA menace de déstabiliser des réseaux électriques déjà sous tension. En rendant les centres de calcul capables de s'adapter en temps réel à l'offre disponible, en réduisant leur consommation lors des pics de demande, par exemple, cette approche évite de dimensionner le réseau pour des pointes qui ne surviennent que rarement. Pour les opérateurs d'énergie, cela représente une nouvelle classe de clients industriels qui, au lieu de fragiliser le réseau, peuvent contribuer à sa stabilité. Pour les entreprises qui déploient l'IA à grande échelle, l'avantage est double : des coûts opérationnels réduits et un accès accéléré à la puissance électrique, souvent le principal goulot d'étranglement dans la construction de nouveaux data centers. Jensen Huang, fondateur et PDG de NVIDIA, décrit l'infrastructure IA comme un « gâteau à cinq couches », énergie, puces, infrastructure, modèles, applications, dans lequel l'énergie constitue la base fondatrice. C'est dans cette logique que s'inscrit également l'annonce de Maximo, une entreprise de robotique solaire incubée par AES, qui a achevé l'installation autonome d'une ferme solaire de 100 mégawatts sur le site Bellefield d'AES, en utilisant NVIDIA Omniverse et Isaac Sim. TerraPower, en partenariat avec SoftServe, a de son côté présenté une plateforme de jumeau numérique propulsée par Omniverse pour accélérer la conception de réacteurs nucléaires. Ces annonces illustrent une tendance de fond : l'IA ne se contente plus de consommer de l'énergie, elle commence à en accélérer la production.

Infrastructure⚡Actu

1 source

40

Illustration générée par IA

7353The Verge AI 

L'IA s'impose dans les programmes des écoles d'art

L'intelligence artificielle générative s'installe progressivement dans les cursus des écoles d'art et de design à travers les États-Unis et au-delà, suscitant une vive résistance de la part des étudiants et des professionnels du secteur. Au début de l'année, à la California Institute of the Arts (CalArts), de petites affiches sollicitant des artistes IA pour une thèse ont été dégradées lors d'un mouvement de protestation spontané, symptôme d'une tension qui dépasse largement une seule institution. De nombreuses écoles revoient aujourd'hui leurs programmes pour intégrer des outils comme Midjourney, Stable Diffusion ou RunwayML, parfois contre l'avis de leurs propres étudiants. L'enjeu est direct et concret : pour une génération qui s'endette pour apprendre un métier créatif, voir ces compétences partiellement automatisées avant même d'avoir obtenu leur diplôme est une menace existentielle. Les débouchés en animation 3D, illustration, motion design ou conception graphique sont déjà sous pression depuis l'émergence des outils génératifs en 2022-2023. Les entreprises réduisent leurs équipes créatives junior, arguant que des prompts bien formulés remplacent désormais certaines tâches d'exécution. Pour les étudiants, apprendre à utiliser ces outils ressemble moins à une opportunité qu'à une capitulation. Ce mouvement s'inscrit dans un débat plus large sur la place de l'IA dans les industries créatives, qui oppose depuis plusieurs années les défenseurs du droit d'auteur aux développeurs de modèles entraînés sur des œuvres sans consentement explicite. Des collectifs comme l'Alliance of Motion Picture and Television Producers ont déjà intégré des clauses sur l'IA dans les négociations syndicales après les grèves de la WGA et de la SAG-AFTRA en 2023. La question qui se pose maintenant aux institutions académiques est de savoir si elles doivent former les étudiants à un marché du travail tel qu'il est, dominé par l'IA, ou défendre une vision de la création qui préserve la valeur du geste humain. Les deux positions se défendent, et aucun consensus n'est en vue.

Société❧Opinion

1 source

35

Illustration générée par IA

7354TechCrunch AI 

Nomadic lève 8,4 millions de dollars pour gérer les données des véhicules autonomes

Nomadic a levé 8,4 millions de dollars pour résoudre l'un des problèmes les plus concrets du secteur des véhicules autonomes : la masse de données brutes générées par les robots et véhicules en circulation reste largement inexploitable. La startup propose une solution qui transforme automatiquement les séquences vidéo et capteurs collectées par ces machines en jeux de données structurés et interrogeables, grâce à un modèle de deep learning développé en interne. L'enjeu est considérable pour les équipes d'ingénierie et de recherche : aujourd'hui, récupérer une situation précise dans des heures de footage, un piéton qui traverse hors clou, une manœuvre inhabituelle à un carrefour, nécessite un travail manuel chronophage. En rendant ces données indexables et recherchables, Nomadic permet aux développeurs de systèmes autonomes d'accélérer l'entraînement de leurs modèles et d'identifier plus rapidement les cas limites critiques pour la sécurité. Le marché des données pour la robotique et la conduite autonome est en pleine expansion, porté par des acteurs comme Waymo, Tesla ou les nombreuses startups de livraison autonome qui accumulent des pétaoctets de données de terrain. Ce financement de 8,4 millions place Nomadic dans la catégorie des infrastructures invisibles mais essentielles de l'IA embarquée, un segment où la valeur réside moins dans le véhicule lui-même que dans la capacité à exploiter intelligemment ce qu'il observe.

Robotique⚡Actu

1 source

42

Illustration générée par IA

7355VentureBeat AI 

PromptQL transforme automatiquement vos messages Teams ou Slack en contexte sécurisé pour vos agents IA

PromptQL, une spin-off de la licorne GraphQL Hasura, a annoncé un pivot stratégique majeur : la startup californienne transforme son outil d'analyse de données par IA en un espace de travail entièrement natif pour agents IA. Fondée par le CEO Tanmai Gopal, l'entreprise part d'un constat viral, un fil Hacker News de février 2026 réclamant qu'OpenAI construise sa propre version de Slack pour les agents IA a cumulé 327 commentaires, pour proposer une solution concrète : convertir automatiquement les échanges Slack ou Teams en mémoire persistante et sécurisée pour les workflows agentiques. Concrètement, quand deux collègues discutent d'un bug dans leur messagerie, le système le détecte, le tague, l'assigne et le documente dans un wiki interne en un clic, sans intervention manuelle supplémentaire. "Vous n'avez plus des conversations sur le travail, vous avez des conversations qui font le travail", résume Gopal. L'enjeu est considérable pour les entreprises qui misent sur l'IA agentique. Le problème central des LLM actuels, leur incapacité à retenir le contexte entre les sessions et leur tendance aux hallucinations, est directement adressé par le "Shared Wiki" de PromptQL : une base de connaissance vivante qui s'enrichit organiquement à chaque échange d'équipe, sans nécessiter de "sprints de documentation" ou de mises à jour manuelles de fichiers YAML. Cruciale pour la confiance des entreprises, une couche "human-in-the-loop" exige qu'un humain valide explicitement chaque ajout au wiki, filtrant les informations non pertinentes. Par ailleurs, la plateforme repose sur une couche SQL virtuelle qui interroge les données directement à la source, Snowflake, Clickhouse, Postgres, Stripe, Zendesk, HubSpot, sans jamais les extraire ni les mettre en cache, ce qui répond aux exigences de sécurité et de conformité des grandes organisations. Ce pivot s'inscrit dans une course plus large à l'infrastructure pour agents IA autonomes. Depuis que des plateformes comme Slack et Teams ont montré leurs limites face aux besoins contextuels des agents, accès sécurisé aux données en temps réel, mémoire inter-sessions, exécution d'actions, plusieurs acteurs cherchent à redéfinir l'espace de travail d'entreprise. Hasura, la société mère de PromptQL connue pour avoir popularisé GraphQL et valorisée à plus d'un milliard de dollars, apporte une expertise technique solide en couches d'abstraction de données. PromptQL ambitionne de devenir ce que Gopal appelle "un stagiaire 24h/24, 7j/7 qui exécute réellement le travail", consultant le code, vérifiant des hypothèses, naviguant entre plusieurs systèmes de façon autonome. La prochaine étape sera de convaincre les DSI que confier la mémoire collective de leur entreprise à une plateforme tierce, même avec des garanties techniques solides, vaut le risque.

Outils⚒Outil

1 source

46

Illustration générée par IA

7356Les Numériques IA 

Actualité : "Une entreprise à qui vous confiez votre code ne sait pas sécuriser le sien" : tout le code source de Claude Code a fuité

Le 31 mars 2026, Chaofan Shou, chercheur en sécurité chez Fuzzland, a découvert dans le paquet officiel de Claude Code publié sur le registre npm un fichier de débogage de 59,8 Mo. Ce fichier, une source map JavaScript normalement absente des builds de production, permettait de reconstituer intégralement le code source original à partir du code minifié et compressé distribué publiquement. Il pointait vers un espace de stockage cloud où l'ensemble du code source de l'outil, développé par Anthropic, était accessible. La fuite a été signalée rapidement et Anthropic a depuis retiré le fichier incriminé. L'incident est particulièrement embarrassant pour Anthropic, dont Claude Code est précisément un outil destiné aux développeurs pour les assister dans l'écriture et la sécurisation de leur propre code. La contradiction est immédiate : une entreprise qui demande aux ingénieurs de lui confier leur base de code propriétaire a elle-même laissé fuiter son code source par une erreur de configuration élémentaire. Cela soulève des questions légitimes sur les pratiques internes de sécurité et sur la confiance que les équipes de développement peuvent accorder à un tel outil. Cette mésaventure s'inscrit dans un contexte plus large de vigilance accrue autour de la chaîne d'approvisionnement logicielle. Les registres npm, PyPI et consorts sont régulièrement exploités comme vecteurs d'attaque ou de fuite involontaire. Pour Anthropic, dont les revenus reposent en grande partie sur la confiance des entreprises clientes, l'incident rappelle que la crédibilité en matière de sécurité se construit par l'exemple, et se perd très vite.

Sécurité⚡Actu

1 source

46

Illustration générée par IA

7357MIT Technology Review 

Le passage à la personnalisation des modèles d'IA est une nécessité architecturale

Les grands modèles de langage (LLM) généralistes ont connu leur âge d'or : des bonds de performance spectaculaires à chaque nouvelle version. Cette ère touche à sa fin. Les progrès s'accumulent désormais de façon incrémentale sur les benchmarks généraux, tandis qu'une exception subsiste, l'intelligence de domaine. Mistral AI, la startup française spécialisée en IA, documente plusieurs déploiements concrets de modèles sur mesure : un fabricant d'équipements réseau a entraîné un modèle sur ses propres langages et bases de code propriétaires, obtenant une maîtrise que les modèles standards ne pouvaient atteindre ; un grand constructeur automobile a automatisé l'analyse comparative entre simulations numériques et tests physiques de crash, réduisant à quelques minutes ce qui mobilisait autrefois des journées entières de travail spécialisé ; enfin, une agence gouvernementale en Asie du Sud-Est a commandité un modèle fondation calibré sur les langues régionales et les contextes culturels locaux pour créer une infrastructure d'IA souveraine, indépendante des modèles occidentaux. L'enjeu central est la création d'un avantage concurrentiel durable. Lorsqu'un modèle est entraîné sur les données propriétaires d'une organisation, ses processus internes, sa terminologie métier, son historique décisionnel, il encode la logique de l'entreprise directement dans ses poids. Cela va bien au-delà du fine-tuning classique : c'est l'institutionnalisation de l'expertise dans un système automatisé. Pour l'industrie automobile, cela signifie un copilote capable de proposer des ajustements de conception en temps réel. Pour le secteur public, c'est la garantie que des données sensibles restent sous gouvernance nationale tout en alimentant des services citoyens efficaces. La customisation transforme l'IA d'outil générique en actif stratégique différenciant. Ce changement de paradigme intervient alors que les organisations réalisent les limites des approches expérimentales menées en silos. Les pilotes isolés produisent des pipelines fragiles, une gouvernance improvisée et une portabilité réduite. La vraie rupture exige de traiter l'IA comme une infrastructure d'entreprise, au même titre qu'une base de données ou un système ERP, et non comme un projet ponctuel. Mistral AI se positionne comme partenaire de cette transition en intégrant l'expertise métier dans ses écosystèmes d'entraînement. La course à la personnalisation redéfinit les rapports de force : les entreprises capables d'encoder leur savoir institutionnel dans un modèle construisent une barrière à l'entrée que les acteurs généralistes ne peuvent pas répliquer, car ce fossé se creuse à mesure que le modèle apprend et s'affine avec les données nouvelles de l'organisation.

LLMs⚡Actu

1 source

45

Illustration générée par IA

735801net 

« Ils menacent la vie privée des Américains » : les robots humanoïdes chinois, nouveau cauchemar des États-Unis

Un projet de loi bipartisan a été déposé au Congrès américain pour interdire formellement au gouvernement fédéral l'achat et le déploiement de robots terrestres fabriqués par des entreprises chinoises. Le texte cible explicitement les robots humanoïdes et autres systèmes mobiles autonomes, dans un contexte où des fabricants comme Unitree ou Fourier Intelligence gagnent rapidement des parts de marché mondial grâce à des prix nus face à leurs concurrents américains ou japonais. La menace perçue dépasse la simple compétition industrielle : les législateurs américains craignent que ces robots, équipés de caméras, microphones et capteurs de cartographie, ne deviennent des vecteurs de collecte de renseignements sur les infrastructures sensibles, les bâtiments gouvernementaux ou les comportements des agents fédéraux. C'est le même raisonnement qui avait conduit à l'interdiction de TikTok et aux restrictions imposées à Huawei, sauf que cette fois, le risque est physique et se déplace dans l'espace réel. Ce mouvement s'inscrit dans une escalade technologique plus large entre Washington et Pékin. Après les semi-conducteurs, les drones (DJI est déjà sur liste noire), et les équipements télécom, la robotique humanoïde devient le prochain front de la guerre technologique. La Chine a massivement subventionné ce secteur ces dernières années, avec l'ambition affichée de dominer le marché mondial d'ici 2030. Si la loi passe, elle pourrait aussi pousser les alliés américains à adopter des restrictions similaires, redessinant les chaînes d'approvisionnement robotiques à l'échelle mondiale.

Régulation⚖Reglementation

1 source

44

Illustration générée par IA

7359Numerama 

Mémoire infinie, rêves nocturnes, Master Claude, frustration et Tamagotchi : ce que cache le code fuité de Claude Code

Anthropic a involontairement rendu public le code source de Claude Code, son assistant de développement intégré aux environnements de programmation, exposant ainsi des projets internes qui n'étaient pas destinés à être vus. Des internautes ont rapidement exploré les fichiers accessibles et mis au jour plusieurs fonctionnalités en développement, dont certaines révèlent une vision ambitieuse, et surprenante, de ce que pourrait devenir l'outil. Parmi les découvertes les plus marquantes figurent un concept de « mémoire infinie » permettant à Claude de se souvenir de l'intégralité des échanges passés avec un utilisateur, un mécanisme de « rêves nocturnes » où le modèle consoliderait ses apprentissages pendant les périodes d'inactivité, ainsi qu'un système hiérarchique baptisé « Master Claude ». Plus inattendu encore : une référence à un concept de Tamagotchi, suggérant qu'Anthropic expérimente des formes d'attachement ou de continuité émotionnelle entre l'IA et ses utilisateurs. Le code mentionnerait également des indicateurs liés à la « frustration » de l'agent. Cette fuite survient dans un contexte de compétition acharnée entre les grands laboratoires d'IA, OpenAI, Google, Meta et Anthropic se disputant le marché des assistants pour développeurs. Exposer accidentellement sa feuille de route interne représente un revers stratégique non négligeable pour Anthropic, qui a depuis retiré les fichiers concernés. L'incident soulève aussi des questions sur la direction prise par les assistants IA : vers des agents dotés de persistance mémorielle, de cycles d'apprentissage continus et de dimensions quasi-affectives, brouillant davantage la frontière entre outil et entité autonome.

LLMs❧Opinion

1 source

40

Illustration générée par IA

7360Ars Technica AI 

Anthropic a-t-il mesuré les capacités théoriques de l'IA sur le marché du travail ?

Anthropic a publié ce mois-ci un rapport sur l'impact de l'intelligence artificielle sur le marché du travail, accompagné d'un graphique qui a rapidement circulé dans les milieux spécialisés. Ce visuel compare, sur 22 catégories professionnelles, l'« exposition observée » actuelle des métiers aux grands modèles de langage (en rouge) à leur « capacité théorique » (en bleu). Au premier regard, la zone bleue est saisissante : elle suggère que les systèmes basés sur des LLM pourraient, en théorie, accomplir au moins 80 % des tâches individuelles dans des secteurs aussi variés que les arts et médias, l'administration, le droit, la finance et même le management. L'interprétation de ce graphique a toutefois été largement exagérée. En creusant la méthodologie, la zone bleue ne représente pas une prédiction de remplacement massif des travailleurs par des machines, mais des estimations spéculatives, et en partie obsolètes, sur les domaines où l'IA pourrait améliorer la productivité humaine. Autrement dit, « capacité théorique » ne signifie pas « capacité de remplacer » : il s'agit de tâches que les LLM pourraient potentiellement assister ou automatiser en partie, sans que cela implique la disparition des postes correspondants. Ce rapport s'inscrit dans un débat plus large sur la quantification réelle de l'impact économique de l'IA générative. Anthropic, comme d'autres acteurs du secteur, cherche à cadrer la discussion publique autour de l'adoption de ses modèles, ce qui crée un intérêt institutionnel évident à présenter des chiffres d'exposition élevés. Les économistes du travail soulignent depuis longtemps la différence entre automatisation de tâches et suppression d'emplois entiers. La viralité du graphique illustre combien une visualisation mal calibrée peut alimenter des craintes, ou des enthousiasmes, déconnectés de la réalité méthodologique sous-jacente.

Société❖Paper

1 source