Actualités IA — page 5

7 501 articles au fil, du plus récent au plus ancien.

47

81Ben's Bites 

Agents simples

Ben's Bites, la newsletter animée par Ben Tossell, publie les résultats d'un sondage mené auprès de sa communauté sur l'usage des « agents personnels » : 996 votes ont été enregistrés à la question de savoir si les lecteurs en utilisent un, l'analyse détaillée étant annoncée pour le lendemain. L'auteur rappelle qu'un agent personnel n'est rien de plus qu'un dossier de fichiers et d'outils relié à n'importe quel outil agentique, sa « mémoire » n'étant en réalité qu'un fichier relu au début de chaque session, indépendamment du modèle utilisé (Claude, ChatGPT, Codex). Il partage une ligne ajoutée à son fichier d'instructions AGENTS.md : « les questions sont des demandes de réponse, pas de modification », pour empêcher l'agent de réécrire du code au lieu de répondre simplement. Le même jour, OpenAI a annoncé une pause de deux semaines dans l'amélioration de ses modèles après l'incident Hugging Face et des signes que son système Astra approcherait un seuil critique de risque cyber, tandis qu'Anthropic publiait une étude montrant que Claude sait concevoir des protéines liantes et accélérer l'analyse chimique. Cette approche en « dossier de fichiers » rend les agents personnels indépendants du fournisseur : un même ensemble d'instructions et de mémoire peut être branché à Claude, à ChatGPT ou à Codex selon les préférences de style de chacun, ce qui redonne du pouvoir de choix aux utilisateurs face aux modèles. Ramp a de son côté lancé router.com, un service qui sélectionne automatiquement le modèle le plus adapté à chaque tâche avec une promesse de coûts réduits de 40 %, le jour même où Stripe rachetait OpenRouter, sa lettre aux investisseurs ayant fuité peu après. La pause décidée par OpenAI est un signal fort pour toute l'industrie : elle montre que même les laboratoires les plus avancés ralentissent leurs déploiements quand des risques de sécurité apparaissent. Pour Anthropic, faire concevoir des protéines par Claude est une preuve concrète que l'IA dépasse la promesse pour produire des résultats mesurables en recherche biologique, dans la lignée du message de son patron Dario Amodei : les laboratoires doivent désormais prouver, et non plus seulement annoncer, que l'IA peut soigner des maladies. Stripe avait déjà codirigé la levée de série B de 115 millions de dollars de Ramp en avril 2021, ce qui éclaire ses mouvements récents autour d'OpenRouter. Slack a par ailleurs ouvert la possibilité de coder et de collaborer avec des agents directement dans l'application, une fonction déjà testée en interne par Shopify pour former ses équipes à l'IA. Ces annonces s'inscrivent dans une compétition croissante entre plateformes pour devenir le point d'entrée quotidien de l'IA agentique, illustrée aussi par de nouvelles applications Mac comme Meta AI, dotée d'une dictée vocale universelle, ou Berd, développée par Block, qui combine agents personnifiés et tableau de projets.

Outils⚒Outil

1 source

45

82The Information AI 

Anthropic rachète un cabinet de conseil pour son activité d'IA en entreprise

Ode, la coentreprise fondée par Anthropic et des acteurs de Wall Street dont Blackstone, réalise sa première acquisition depuis son lancement en juillet 2026. La société annonce jeudi le rachat de Casper Studios, un cabinet de conseil spécialisé dans l'intelligence artificielle qui aide les entreprises à développer des applications basées sur l'IA. Cette opération intervient quelques semaines seulement après la création d'Ode, dont l'objectif affiché est d'accélérer l'adoption de Claude, le chatbot d'Anthropic, dans le monde de l'entreprise. Les montants de la transaction n'ont pas été précisés, mais elle marque une étape concrète dans la stratégie commerciale de la coentreprise. Cette acquisition illustre la bataille que se livrent les grands laboratoires d'IA pour s'imposer non plus seulement comme fournisseurs de modèles, mais comme partenaires de bout en bout des entreprises qui cherchent à déployer l'IA générative. En intégrant une équipe de conseil spécialisée, Ode espère répondre directement aux hésitations des directions d'entreprise, souvent perdues face à la multiplication des outils IA et inquiètes de l'explosion des coûts liés à leur utilisation. Pour Anthropic, c'est aussi un moyen de renforcer l'ancrage de Claude face à des concurrents comme OpenAI, en offrant un accompagnement pratique plutôt qu'un simple accès technologique. Le contexte plus large est celui d'une course à la monétisation de l'IA générative en entreprise, où la technologie seule ne suffit plus à convaincre des clients échaudés par des retours sur investissement incertains. En s'associant à des poids lourds financiers comme Blackstone, Anthropic mise sur des capitaux et des réseaux commerciaux solides pour vendre Claude à grande échelle. D'autres acquisitions ou partenariats similaires pourraient suivre, alors que les grands acteurs de l'IA cherchent tous à construire des couches de services autour de leurs modèles.

Business❧Opinion

1 source

50

83Ars Technica AI 

Grok exfiltre les données des utilisateurs quand des instructions malveillantes sont chiffrées

Des chercheurs en sécurité ont révélé cette semaine une nouvelle attaque par injection de prompt visant Grok, le modèle d'intelligence artificielle développé par xAI, la société d'Elon Musk. La technique, révélée par une équipe distincte de celle ayant démontré une faille similaire sur Microsoft 365 Copilot Entreprise, permet de voler les conversations des utilisateurs ainsi que d'autres informations personnelles au moyen d'un procédé décrit comme trompeusement simple. Selon les chercheurs, xAI avait été informée du problème dès le mois de juin, mais au moment de la publication de l'article, l'assistant continuait de divulguer les données concernées, signe que la vulnérabilité n'avait toujours pas été corrigée plusieurs semaines après son signalement. Cette découverte illustre une faiblesse structurelle plus large des grands modèles de langage : leur incapacité à s'attaquer à la racine du problème des injections de prompt, considérées comme la catégorie de vulnérabilité la plus sévère et la plus répandue affectant ces systèmes. Les développeurs d'IA, dont xAI, n'ont ainsi d'autre choix que de bâtir des garde-fous destinés à détecter et bloquer les instructions malveillantes après coup, plutôt que de résoudre le problème en amont. Pour les entreprises et les utilisateurs qui confient à ces assistants l'accès à leurs boîtes mail, leurs documents ou leurs historiques de conversation, cela signifie un risque persistant de fuite de données sensibles, comme des mots de passe ou des échanges privés, tant qu'un correctif structurel n'existe pas. Le mécanisme exploité repose sur le fait que les modèles de langage sont entraînés pour se conformer autant que possible aux demandes qui leur sont adressées, y compris lorsque celles-ci proviennent de contenus tiers non fiables, comme un e-mail ou une page web que l'assistant est chargé de résumer. Ne parvenant pas à distinguer de façon fiable une instruction légitime saisie par l'utilisateur d'une instruction dissimulée dans un contenu externe, le modèle l'exécute malgré tout. Cet épisode s'ajoute à une longue liste de cas similaires déjà documentés sur d'autres assistants, renforçant l'idée que la sécurisation des IA génératives face à ces attaques reste un chantier ouvert et non résolu, malgré les efforts de sociétés comme xAI ou Microsoft pour multiplier les couches de protection.

Sécurité⚡Actu

1 source

43

84The Decoder 

Sutton, pionnier de l'IA, qualifie les données synthétiques d'"grosse erreur" face à un monde infiniment complexe

Richard Sutton, lauréat du prix Turing et figure fondatrice de l'apprentissage par renforcement, a qualifié l'usage massif de données synthétiques d'"erreur majeure" dans la course au développement des grands modèles de langage. Selon lui, le monde réel possède une complexité infinie, alors que toute simulation censée le représenter reste, par comparaison, "microscopique". Il pointe aussi l'expertise humaine comme un goulot d'étranglement qui limite structurellement la capacité de ces systèmes à véritablement monter en échelle, puisque les données synthétiques restent façonnées par des connaissances et des choix humains préexistants plutôt que par une exploration réellement nouvelle du monde. Cette critique s'attaque à une pratique devenue centrale dans l'industrie de l'IA, où de nombreux laboratoires se tournent vers les données synthétiques pour pallier l'épuisement progressif des données textuelles réelles disponibles sur internet. Si l'analyse de Sutton se confirme, les approches actuelles de mise à l'échelle des modèles de langage pourraient buter sur un plafond de complexité et de créativité, quelle que soit la quantité de données synthétiques injectée dans l'entraînement. Cela remettrait en question la stratégie de plusieurs grands acteurs du secteur, qui misent sur ces données pour continuer à améliorer leurs modèles sans dépendre uniquement de contenus humains bruts. Face à ce constat, Sutton propose une voie alternative fondée sur des agents capables d'apprendre en continu à partir de leur propre expérience, plutôt que de s'appuyer sur des modèles figés entraînés une fois pour toutes puis déployés tels quels. Cette vision prolonge ses travaux historiques sur l'apprentissage par renforcement, où un agent affine son comportement par interaction directe avec son environnement plutôt que par imitation de données préexistantes. Elle relance ainsi le débat sur la meilleure trajectoire vers des systèmes d'IA plus généraux et véritablement adaptatifs.

LLMs⚡Actu

1 source

50

85AI News 

Stripe rachète OpenRouter, un service de routage de modèles d'IA

Stripe a annoncé un accord pour racheter OpenRouter, une plateforme de routage de modèles d'intelligence artificielle qui donne aux développeurs accès à plus de 400 modèles proposés par plus de 80 fournisseurs via une seule interface API. Cette acquisition vient compléter les activités existantes de Stripe autour de la facturation à l'usage et au jeton pour l'IA. OpenRouter évalue chaque requête selon des critères comme la complexité de la tâche, le prix, la vitesse et la fiabilité, puis la dirige vers le modèle le plus adapté, tout en gérant un second niveau de routage entre différents fournisseurs proposant le même modèle. À titre d'exemple donné en juin 2026, le prix d'entrée du modèle Llama 3.3 70B variait de 0,10 dollar par million de jetons chez DeepInfra à 1,04 dollar chez Together, avec des tarifs de sortie allant de 0,32 à 1,04 dollar par million de jetons selon le fournisseur. La plateforme permet aussi de basculer automatiquement vers un autre fournisseur en cas de panne, de limitation de débit, d'erreur de longueur de contexte ou de refus de modération, et propose des options de confidentialité comme les points de terminaison à rétention nulle des données ou le traitement en région, aux États-Unis ou dans l'Union européenne. Cette acquisition illustre à quel point le choix et l'acheminement des modèles d'IA sont devenus un enjeu opérationnel central pour les entreprises qui déploient des applications reposant sur plusieurs fournisseurs à la fois. En intégrant cette brique à son infrastructure de paiement, Stripe se positionne pour capter une part croissante des flux financiers liés à la consommation d'IA, tout en simplifiant la vie des développeurs qui n'ont plus à gérer des intégrations séparées pour chaque fournisseur. Pour les entreprises clientes, cela signifie potentiellement des coûts d'inférence mieux maîtrisés, une meilleure disponibilité grâce au basculement automatique, et davantage de contrôle sur la localisation et la confidentialité des données traitées. Le mouvement de Stripe s'inscrit dans une tendance plus large : selon le rapport 2026 State of Application Strategy de F5, basé sur plus de 1 100 décideurs informatiques interrogés, 52 % des organisations chaînent ou orchestrent déjà plusieurs modèles d'IA, avec une moyenne de sept modèles utilisés. Menlo Ventures, investisseur dans OpenRouter, notait dans son enquête de mi-2025 que 66 % des développeurs changeaient de modèle tout en restant chez leur fournisseur, contre 11 % changeant carrément de fournisseur. D'autres géants du cloud avancent sur ce terrain : Snowflake a annoncé le 18 août 2026 un routage dynamique pour Cortex AI Gateway, Cloudflare propose un Dynamic Routing en bêta via AI Gateway, tandis qu'AWS et Microsoft Foundry offrent des mécanismes comparables. Microsoft avertit toutefois que cette complexité accrue peut compliquer la prévision des coûts, le débogage et l'analyse de performance.

Business❧Opinion

1 source

39

86MIT Technology Review 

Exploiter des revenus cachés grâce aux modèles de marché

Chaque jour, une compagnie aérienne transporte des dizaines de milliers de passagers sur des centaines de vols, souvent via des correspondances complexes plutôt que des trajets directs. Pour fixer le prix de chaque itinéraire, les compagnies doivent tenir compte de centaines de variables : la demande, la saison, l'heure de la journée, l'actualité, les marchés mondiaux ou encore l'activité des concurrents. C'est dans ce contexte que Virgin Atlantic a déployé des "market models", des modèles d'intelligence artificielle générative entraînés sur des données numériques à haute résolution pour analyser, simuler et prédire la dynamique des marchés en temps réel. Selon Dominic Kennedy, vice-président senior en charge de la gestion des revenus, des ventes et du e-commerce chez Virgin Atlantic, son équipe utilise ce modèle pour alimenter des moteurs de tarification générative sur certains marchés. Contrairement aux approches traditionnelles fondées sur des tendances historiques ou des règles statiques, ce modèle agit comme un "cerveau" centralisant en continu des données sur la demande, la capacité et les réservations afin de simuler différents environnements de marché et de guider des décisions commerciales dynamiques, notamment la tarification, la gestion des stocks de sièges et la gestion des revenus. Cette approche marque un changement de méthode significatif pour le secteur aérien, historiquement dépendant de modèles de revenue management figés et mis à jour périodiquement. En permettant une évaluation en temps réel de la position de la compagnie par rapport à ses concurrents et aux conditions de marché, ces modèles génératifs promettent des décisions commerciales plus rapides, plus précises et plus granulaires, avec un impact direct sur la rentabilité des compagnies dans un secteur aux marges traditionnellement faibles. Pour les voyageurs, cela signifie une tarification encore plus réactive aux fluctuations de la demande, tandis que pour l'industrie, cela ouvre la voie à une automatisation plus poussée des fonctions de pricing et de gestion des revenus, jusqu'ici largement pilotées par des analystes humains s'appuyant sur des règles préétablies. Ce virage s'inscrit dans une tendance plus large d'adoption de l'IA générative par des secteurs à forte intensité de données comme le transport aérien, la finance ou la logistique, où la capacité à synthétiser en continu des dizaines de flux d'information hétérogènes devient un avantage concurrentiel. L'initiative de Virgin Atlantic, documentée dans un contenu produit par MIT Technology Review Insights, illustre comment des compagnies aériennes commencent à expérimenter des architectures d'IA capables de simuler des scénarios de marché plutôt que de simplement analyser des données passées, ouvrant la voie à une généralisation potentielle de ces outils à d'autres fonctions commerciales du secteur.

Business⚡Actu

1 source

46

87The Decoder 

La Chine a désormais son propre système de financement circulaire dans l'IA

Unitree Robotics, fabricant chinois de robots humanoïdes et quadrupèdes, a vu son action bondir de 460% lors de son introduction en bourse à Shanghai, propulsant sa valorisation à environ 50 milliards de dollars. Mais une enquête du Financial Times révèle qu'une part importante de la demande pour ses machines provient de centres de formation soutenus par l'État chinois, qui achètent les robots puis revendent les données ainsi générées aux fabricants eux-mêmes, dont Unitree. Ce montage crée un circuit fermé où l'argent public finance à la fois l'achat des machines et le rachat des données qu'elles produisent, gonflant artificiellement les indicateurs de demande commerciale. Ce schéma inquiète parce qu'il brouille la frontière entre demande réelle du marché et soutien étatique déguisé, rendant difficile pour les investisseurs d'évaluer la solidité économique réelle d'Unitree et, plus largement, du secteur chinois de la robotique et de l'IA incarnée. Une valorisation à 50 milliards de dollars bâtie en partie sur des flux financiers circulaires expose les actionnaires à un risque de correction brutale si ce soutien public venait à se réduire, tout en donnant une image trompeuse de la maturité technologique du secteur. Ce mécanisme rappelle directement les critiques formulées aux États-Unis à l'encontre de Nvidia, accusé de financer indirectement ses propres clients pour qu'ils achètent ses puces, créant une boucle de revenus artificiels. La Chine, engagée dans une compétition stratégique avec les États-Unis sur l'IA et la robotique, mobilise des fonds publics massifs pour faire émerger des champions nationaux comme Unitree, mais ce type de montage circulaire pourrait attirer l'attention des régulateurs et des investisseurs internationaux quant à la fiabilité des chiffres de croissance affichés par ces entreprises.

Business❧Opinion

1 source

50

88AI News 

L'IA à base d'agents dans l'administration entre dans le dur : qui décide de ce qu'une machine peut décider

Les Émirats arabes unis ont franchi cette semaine une nouvelle étape dans leur stratégie d'intelligence artificielle nationale, lancée dès octobre 2017 avec la nomination d'Omar Sultan Al Olama, alors âgé de 27 ans, comme premier ministre d'État chargé de l'IA au monde. Plus de 100 responsables fédéraux ont participé à un atelier organisé par le Comité national du projet d'IA agentique pour amorcer le volet stratégique d'un programme visant à convertir la moitié des opérations, services et tâches du gouvernement fédéral vers des modèles d'IA agentique en deux ans. La session, pilotée par Huda Al Hashimi, vice-ministre des Affaires du Cabinet chargée des affaires stratégiques, a permis de fixer les priorités de mise en œuvre, les échéances, et de poser les bases des cadres qui détermineront quelles tâches gouvernementales pourront être confiées à un agent autonome. Le programme s'articule autour de sept piliers, dont la stratégie, la prospective, les politiques publiques, la gouvernance et la performance gouvernementale. En mai, le Cabinet avait déjà approuvé un premier lot de services publics utilisant l'IA agentique, accompagné du plus vaste programme de formation de l'histoire administrative émiratie, touchant 80 000 fonctionnaires fédéraux. L'enjeu dépasse la simple prouesse technique : il s'agit de déterminer qui répond des décisions prises par une machine. Les Émirats disposent déjà de l'infrastructure nécessaire, identité numérique, cloud souverain, partage de données, ainsi que d'un système de suivi de performance analysant plus de 150 millions de points de données par mois. Mais aucun gouvernement au monde n'a encore publié de méthode fiable pour distinguer une tâche qu'un système autonome peut exécuter seul d'une tâche qu'il peut seulement recommander. Le principe affiché, "l'humain dirige, l'IA facilite", coexiste avec la promesse initiale du cheikh Mohammed bin Rashid Al Maktoum de faire des Émirats "le premier gouvernement au monde à déployer largement des modèles d'IA agentique" capables d'agir sans intervention humaine. Cette tension, entre exécution autonome revendiquée et primauté humaine affirmée, reste non résolue tant que les cadres de classification ne sont pas publiés, laissant ouverte la question de la responsabilité en cas d'erreur affectant un citoyen. La supervision du projet revient au cheikh Mansour bin Zayed Al Nahyan, avec un groupe de travail présidé par Mohammad Al Gergawi, ministre des Affaires du Cabinet. Le rythme de déploiement s'est accéléré depuis mai : la même session du Cabinet a validé une politique nationale de santé fondée sur l'IA ainsi que des cadres imposant que les dossiers numériques deviennent la source officielle des données publiques, collectées une seule fois puis partagées entre entités. En juin, un événement de formation à Dubaï a réuni plus de 300 participants issus de 50 institutions fédérales, chargés d'identifier quels services se prêtent à l'automatisation agentique. Avec un calendrier fixé à deux ans, les Émirats arabes unis se retrouvent en position de devoir répondre les premiers, à grande échelle, à une question que tous les gouvernements devront tôt ou tard trancher : jusqu'où une administration peut-elle déléguer sa décision à une machine sans en perdre le contrôle.

Société⚖Reglementation

1 source

40

89MarkTechPost 

Audit des biais de préférence et fine-tuning de modèles de langage par optimisation directe des préférences (DPO) sur Anthropic HH-RLHF avec TRL et LoRA

Un tutoriel technique publié récemment détaille comment construire un pipeline complet d'apprentissage par préférences appliqué au modèle Qwen2.5-0.5B-Instruct, développé par Alibaba. La méthode s'appuie sur le jeu de données Anthropic HH-RLHF, composé de paires de réponses "choisies" et "rejetées", et sur la technique du Direct Preference Optimization (DPO), combinée à l'adaptation LoRA et à la bibliothèque TRL de Hugging Face. Le pipeline traite quatre sous-ensembles du jeu de données (helpful-base, helpful-réjection-sampled, helpful-online et harmless-base), avec 120 exemples d'entraînement et 30 exemples de test par sous-ensemble. L'entraînement est configuré sur 30 étapes maximum, avec une taille de lot de 1, une accumulation de gradient de 8, un taux d'apprentissage de 5e-6 et un paramètre bêta de 0,1 pour la fonction de perte DPO. Le tutoriel prévoit aussi un audit préalable du jeu de données pour détecter des biais structurels ou liés à la longueur des réponses, ainsi que des diagnostics de raccourcis lexicaux permettant de vérifier si des motifs linguistiques superficiels suffisent à distinguer une réponse préférée d'une réponse rejetée. Cette démarche importe parce qu'elle rend accessible, sur une infrastructure aussi modeste qu'un notebook Google Colab, une technique d'alignement de modèles de langage habituellement réservée à des équipes disposant de moyens de calcul importants. Le DPO s'est imposé ces dernières années comme une alternative plus simple au RLHF classique, car il ajuste directement les préférences du modèle sans nécessiter d'entraîner un modèle de récompense séparé ni de recourir à l'apprentissage par renforcement. En intégrant systématiquement des vérifications de biais, comme le risque que le modèle apprenne à privilégier les réponses longues plutôt que les réponses réellement meilleures, le tutoriel répond à une préoccupation centrale de la recherche actuelle sur l'alignement : s'assurer que les gains de performance mesurés reflètent une amélioration réelle de la qualité et non l'exploitation d'artefacts statistiques du jeu de données d'entraînement. Ce travail s'inscrit dans un mouvement plus large de démocratisation des techniques de fine-tuning par préférences, porté par des outils comme LoRA, qui permet d'ajuster un modèle en ne modifiant qu'une fraction de ses paramètres, réduisant ainsi drastiquement les besoins en mémoire et en calcul. Le choix du jeu de données HH-RLHF d'Anthropic, référence historique dans le domaine de l'alignement sur l'utilité et l'innocuité des réponses, ainsi que celui d'un petit modèle comme Qwen2.5-0.5B, montrent une volonté de rendre ces méthodes reproductibles par des chercheurs ou ingénieurs individuels plutôt que réservées aux grands laboratoires. À mesure que le DPO et ses variantes se généralisent dans les pipelines d'entraînement open source, la question des biais cachés dans les données de préférence, notamment le biais de longueur déjà documenté dans plusieurs études antérieures sur le RLHF, reste un enjeu majeur pour garantir que les modèles alignés le sont réellement sur des critères de qualité et non sur des artefacts superficiels du format des réponses.

LLMs≡Tuto

1 source

40

90AI News 

HoneyBook mise sur l'IA à base d'agents pour simplifier la gestion des petites entreprises avec son connecteur Claude

HoneyBook, plateforme de gestion pour petites entreprises fondée en 2013, a lancé HoneyBook MCP, un connecteur permettant de relier ses données directement à Claude, l'assistant IA d'Anthropic, via le protocole MCP (Model Context Protocol). HoneyBook agit comme un système central pour les indépendants et petites structures, regroupant demandes de devis, contrats, plannings, communications clients et paiements. Grâce à ce connecteur, les utilisateurs peuvent interroger directement leurs données en langage naturel, par exemple demander le statut d'un prospect ou si une facture a été réglée, et Claude répond en temps réel. L'outil peut aussi agir concrètement : mettre à jour des étapes de vente, envoyer des factures, générer des contrats à partir de modèles ou programmer des relances par e-mail. Selon Helena Bachar, cheffe de produit senior chez HoneyBook, pouvoir poser une question sur son activité et obtenir une réponse issue des données réelles du compte, plutôt qu'une estimation approximative, change fondamentalement l'usage de l'outil. Des testeurs ayant utilisé la version préliminaire du connecteur ont indiqué avoir gagné plusieurs heures auparavant consacrées au suivi des factures impayées, à la relance de prospects oubliés et à la correction de fiches clients mal renseignées. Cette annonce répond à un déséquilibre documenté par McKinsey dans sa dernière étude sur l'état de l'IA en entreprise : près de la moitié des sociétés générant plus de 5 milliards de dollars de revenus ont déjà intégré l'IA dans leurs opérations quotidiennes, contre seulement 29 % des entreprises pesant moins de 100 millions de dollars. Les petites structures, souvent gérées par une poignée de personnes sans service informatique dédié, manquent du temps et de l'infrastructure nécessaires pour exploiter leurs propres données. Une étude de HoneyBook montre que les patrons de petites entreprises ayant adopté l'IA génèrent près de cinq fois plus de revenus que ceux qui s'en passent. Une autre enquête, menée par Bluevine, indique que 68 % des dirigeants de petites entreprises jugent que les progrès de l'IA seront bénéfiques pour leur activité, et que 52 % de ceux qui ont déjà adopté ces outils constatent un retour sur investissement significatif. En automatisant des tâches comme la relance de prospects inactifs ou le suivi des paiements, HoneyBook MCP vise à réduire cet écart d'accès à l'IA entre grands groupes et petites structures. Le lancement s'inscrit dans la stratégie plus large d'Anthropic de faire du MCP, un protocole ouvert permettant de connecter des applications tierces à Claude, un standard pour l'IA agentique en entreprise. Après avoir d'abord séduit les grandes entreprises capables de développer leurs propres intégrations, ces capacités s'étendent désormais aux outils logiciels destinés aux petites structures, à l'image de HoneyBook et de son système de gestion de la relation client. Le pari de HoneyBook est que l'accès à des agents capables d'agir directement sur les données d'un compte, et non plus seulement de répondre à des questions, deviendra un critère de différenciation pour les logiciels destinés aux indépendants et petites entreprises. D'autres éditeurs de solutions pour PME devraient suivre une trajectoire similaire, alors que la pression concurrentielle et les attentes des utilisateurs poussent l'ensemble du secteur à intégrer des connecteurs compatibles avec les principaux assistants IA du marché.

Outils⚒Outil

1 source

41

91Latent Space 

La fin des paramètres : Jie Tang (Z.ai) sur GLM 5.3 et la nouvelle loi d'échelle du post-entraînement

Jie Tang, PDG de Z.ai, a publié le 19 août 2026 sur X une analyse détaillée sur GLM 5.3, affirmant que le nombre de paramètres ne suffit plus à juger la puissance d'un modèle : il faut désormais l'associer au volume de données d'entraînement, à la répartition du calcul et aux conditions réelles de déploiement. Le contexte s'y prête : avec 134 jours restant dans l'année, deux modèles de 2 à 3 mille milliards de paramètres existent déjà, Qwen 3.8 Max et Kimi K3, tandis que les estimations situent le futur modèle Fable entre 3 et 7 mille milliards de paramètres pour seulement deux points d'avance sur l'index AA. Les progrès de GLM 5.3 viennent entièrement d'un entraînement par renforcement sur des environnements à horizon long, calqués sur des workflows professionnels réels, certaines tâches représentant plusieurs jours de travail pour un ingénieur expérimenté. Dans un exemple d'infrastructure de machine learning, le modèle reçoit l'accès à des clusters de calcul, du stockage, de la documentation interne, du code et des résultats d'expériences, et doit diagnostiquer des goulots d'étranglement, appliquer des optimisations et livrer un gain de performance mesurable sans casser la correction du système. Ces environnements sont générés de façon synthétique par des agents de recherche qui transforment des schémas de tâches réelles en environnements exécutables à dépendances multiples, puis validés par un agent juge sans accès à la solution de référence, à travers des contrôles oracle, no-op et état non résolu produisant une récompense binaire fiable. Cette bascule change la façon de mesurer le progrès en intelligence artificielle : la mémorisation profite toujours d'un plus grand nombre de paramètres, mais le raisonnement dépend surtout du volume de données de post-entraînement et de la profondeur effective du modèle. Des compétences avancées, comme la détection de vulnérabilités logicielles, exigent de tenir des chaînes causales longues, plus de vingt étapes d'inférence, sans perdre le fil, une aptitude qui ne progresse plus avec la taille brute du modèle une fois un certain seuil de connaissances atteint. Pour l'industrie, cela signifie que la compétition ne se joue plus uniquement sur l'échelle des modèles mais sur la qualité et la diversité des environnements d'entraînement, un chantier technique nouveau qui redistribue l'avantage compétitif vers les équipes capables de produire des bancs de test réalistes et vérifiables à grande échelle. Jie Tang propose cinq leviers de dimensionnement, dont une nouvelle notation de sparsité pour les modèles à mélange d'experts appelée XA-YB. Ce débat s'inscrit dans le prolongement des lois d'échelle de Chinchilla, dont les hypothèses ne tiennent plus dans un monde dominé par l'inférence, où le ratio de tokens par paramètre varie de 200 à 900 selon la tâche, en référence aux travaux de Roberts et ses coauteurs. En parallèle, d'autres familles de modèles ouverts progressent, comme Ornith 1.5, publié en versions denses de 9 milliards de paramètres et en mélanges d'experts de 35 et 397 milliards sous licence MIT, avec des formats quantifiés FP8, GGUF, MLX et NVFP4. Ces informations sont issues de la newsletter AI News de Latent Space, qui a passé en revue douze subreddits et 544 comptes Twitter pour la période du 18 au 19 août 2026.

LLMs❖Paper

1 source

46

92InfoQ AI 

L'open-sourcing du harness DeepSeek ouvre la voie à une infrastructure d'agents IA modulaire

DeepSeek a publié une preview développeur de DeepSeek Harness, baptisée dsh, un runtime d'exécution open source destiné à la construction d'agents IA autonomes. L'architecture retenue repose sur un micro-noyau associé à des plugins modulaires, chacun prenant en charge une unité fonctionnelle distincte de l'agent, qu'il s'agisse de la planification, de l'exécution d'outils ou de la gestion de la mémoire. Le système embarque également un mécanisme de journalisation événementielle en mode ajout seul (append-only), qui enregistre de façon immuable chaque étape de l'exécution d'un agent, permettant de reconstituer précisément son comportement après coup. L'information a été rapportée par le journaliste Olimpiu Pop. Cette ouverture du code source place DeepSeek dans la course à l'infrastructure agentique, un segment jusqu'ici dominé par des frameworks propriétaires ou semi-fermés. En proposant un socle modulaire et découplé, l'entreprise chinoise offre aux développeurs la possibilité d'assembler leurs propres agents en combinant uniquement les composants dont ils ont besoin, plutôt que d'adopter une pile logicielle rigide et intégrée. Pour les équipes techniques qui construisent des agents en production, la traçabilité fine des exécutions et la journalisation immuable répondent à un besoin concret de débogage et d'audit, particulièrement sensible dans des contextes réglementés ou critiques. Ce lancement s'inscrit dans une tendance plus large de fragmentation, ou déliaison, de la pile logicielle des agents IA, où chaque brique (mémoire, outils, orchestration, journalisation) devient un module interchangeable plutôt qu'un bloc monolithique fourni par un unique fournisseur. Reste que le succès de dsh dépendra largement de la stabilité de son écosystème de plugins et de la constance avec laquelle DeepSeek maintiendra ses interfaces de programmation dans la durée, deux facteurs souvent déterminants pour l'adoption réelle d'un outil d'infrastructure par la communauté des développeurs.

Outils⚒Outil

1 source

34

93Apple Machine Learning 

Transfert de connaissances multilingues avec peu de données grâce à des interventions lexicales

Le transfert de connaissances entre langues occupe une place centrale dans les travaux récents sur les modèles de langage multilingues, en particulier pour les langues disposant de peu de données d'entraînement. Une nouvelle approche, présentée sous le titre "Multilingual Knowledge Transfer under Data Constraints via Lexical Interventions", s'attaque directement à ce problème en proposant des interventions au niveau lexical plutôt que les méthodes lourdes habituellement employées. Le constat de départ est simple: lorsque les données disponibles dans une langue cible sont rares, l'essentiel des connaissances nécessaires aux tâches de raisonnement scientifique, d'inférence de sens commun et de compréhension générale du monde doit être puisé dans une langue source disposant de ressources abondantes, le plus souvent l'anglais. Les méthodes existantes pour faciliter ce transfert reposent généralement sur de grands volumes de données parallèles, des systèmes de traduction automatique, des modèles auxiliaires ou des phases d'entraînement supplémentaires, autant d'exigences coûteuses en calcul et en données. Cette dépendance à des ressources lourdes limite considérablement l'accès à des modèles multilingues performants pour les langues peu dotées, qui représentent pourtant la majorité des langues parlées dans le monde. Une méthode capable de transférer efficacement des connaissances sans données parallèles massives ni infrastructure de traduction dédiée réduirait le coût d'entrée pour développer des outils d'intelligence artificielle utilisables dans ces langues, avec des retombées concrètes pour l'éducation, l'accès à l'information et les services numériques dans des régions aujourd'hui mal desservies par les grands modèles actuels, majoritairement optimisés pour l'anglais et quelques langues à forte présence en ligne. Ce travail s'inscrit dans un effort de recherche plus large visant à démocratiser les capacités des grands modèles de langage au-delà des langues dominantes du web. La rareté des données constitue depuis longtemps un obstacle structurel à l'équité linguistique dans le traitement automatique des langues, et les approches fondées sur la traduction ou les corpus parallèles peinent à couvrir l'ensemble des langues existantes. En misant sur des interventions lexicales plus légères, cette piste de recherche ouvre la voie à des méthodes de transfert moins gourmandes en ressources, dont les développements futurs pourraient être suivis avec attention par les équipes travaillant sur l'inclusivité linguistique des systèmes d'IA.

Recherche❖Paper

1 source

47

94VentureBeat AI 

TrueForge, l'agent IA open source de TrueFoundry, coûte 30 à 75 % moins cher que Claude Managed Agents

TrueFoundry, startup B2B de machine learning basée à San Francisco et cofondée en 2021 par d'anciens ingénieurs de Meta, a publié TrueForge, un nouveau harnais d'agents IA distribué en open source sous licence MIT sur GitHub, utilisable avec n'importe quel modèle, forkable, modifiable et intégrable à des produits commerciaux. Selon un billet de blog de l'entreprise, TrueForge associé au modèle open source GLM-5.2 a réussi 11 des 14 tâches du benchmark Enterprise-Bench de DevRev, qui teste l'usage d'outils multi-étapes sur des systèmes de CRM, de suivi de tickets et de gestion documentaire, pour un coût de 2,90 dollars, contre 11,80 dollars avec Claude Managed Agents d'Anthropic couplé à Claude Opus 4.8, soit 75% d'économie. Avec le même modèle Opus 4.8 dans les deux harnais, TrueFoundry revendique encore environ 30% d'économie, soit 8,50 dollars contre 11,80 dollars. Cette annonce répond à un problème croissant pour les entreprises déployant des agents IA à grande échelle : garder le contrôle sur les outils et modèles utilisés tout en maîtrisant les coûts. Selon Anuraag Gutgutia, cofondateur et directeur des opérations de TrueFoundry, interrogé par VentureBeat, plusieurs clients demandaient un moyen de lancer eux-mêmes des agents gérés plutôt que de dépendre uniquement de harnais propriétaires comme ceux des fournisseurs cloud. TrueForge ne remplace pas ces solutions mais offre une alternative neutre et moins coûteuse, utilisable en complément. Les équipes de développement peuvent démarrer localement avec une seule commande et une base SQLite, puis migrer vers un déploiement partagé via Docker Compose ou Helm, avec PostgreSQL et Redis. TrueFoundry précise que la configuration locale ne convient qu'à un usage individuel sur la machine d'un développeur, non à un service de production exposé sur internet. TrueForge s'inscrit dans une stratégie plus large : TrueFoundry propose déjà une AI Gateway payante centralisant pour les entreprises le contrôle des accès aux modèles et aux MCP, des identifiants, permissions, budgets et de l'observabilité. TrueForge se positionne juste au-dessus, en gérant la boucle par laquelle un modèle raisonne, appelle des outils, reçoit des résultats et poursuit une tâche jusqu'à son terme. Gutgutia espère que cette passerelle deviendra la couche commune sous laquelle transitera tout le trafic des agents, quel que soit le harnais choisi, TrueForge, Claude ou d'autres systèmes internes. Techniquement, TrueForge mise sur une gestion fine du contexte transmis au modèle : chargement différé des schémas d'outils MCP, délégation à des sous-agents, déplacement des résultats volumineux vers des fichiers plutôt que dans la fenêtre de contexte, et compaction automatique des conversations longues, avec un seuil par défaut de 50 000 tokens. Le harnais isole aussi l'exécution du code dans un sandbox provisionné uniquement en cas de besoin, ce qui réduirait la charge de calcul et permettrait de faire tourner plus d'agents simultanément sur un même serveur.

Outils⚒Outil

1 source

38

95AWS ML Blog 

Filtres par domaine et date de publication pour la recherche web sur AgentCore

Amazon a annoncé le déploiement de filtres d'exécution par domaine et par date de publication pour la fonction Web Search de sa plateforme Amazon Bedrock AgentCore, dédiée à la création et à l'optimisation d'agents IA à grande échelle, compatible avec tout framework ou modèle. Cette nouveauté fait partie du connecteur de recherche web en version 1.2.0. Concrètement, les développeurs peuvent désormais transmettre, à chaque appel API, une liste d'inclusion ou d'exclusion de domaines (jusqu'à 100 chacune), ainsi qu'une plage de dates au format ISO-8601 UTC pour restreindre les résultats à des contenus publiés dans une fenêtre temporelle précise. Ces contrôles s'appliquent côté serveur, sans orchestration externe, et se combinent aux politiques de domaines déjà définies au niveau administrateur. En parallèle, Amazon étend la disponibilité de Web Search à deux nouvelles régions AWS, Dublin (eu-west-1) et Tokyo (ap-northeast-1), permettant aux clients européens et asiatiques d'invoquer le service depuis un point de terminaison régional plus proche de leurs charges de travail. Cette évolution répond à un besoin concret des entreprises qui déploient des agents IA en production : garder le contrôle sur les sources consultées et leur fraîcheur. Un agent dans le secteur financier ne doit pas s'appuyer sur un blog non vérifié, tandis qu'un agent de support client répondant à des questions sur les dernières mises à jour d'un produit ne doit pas citer une documentation obsolète. Amazon cite plusieurs cas d'usage typiques : un agent de conformité limité aux domaines gouvernementaux et éditeurs approuvés, un agent d'intelligence de marché restreint aux résultats de la semaine en cours pour éviter de remonter des données de trimestres précédents, ou encore une plateforme multi-clients appliquant des règles de domaines différentes selon le client sans dupliquer les configurations. Pour les organisations réglementées, l'expansion vers Dublin et Tokyo est tout aussi significative : elle offre un point d'entrée basé dans l'UE, réduit la latence et s'appuie sur l'architecture "zero-egress" d'AgentCore, où les requêtes de recherche restent entièrement dans le réseau AWS sans traverser l'Atlantique. Cette annonce s'inscrit dans la course plus large des grands fournisseurs cloud pour équiper leurs plateformes d'agents IA d'outils de gouvernance granulaire, à mesure que les entreprises passent des prototypes à des déploiements en production dans des secteurs sensibles comme la finance ou la santé. Le modèle en couches proposé par AWS, combinant politiques globales définies par les administrateurs et filtres dynamiques appliqués à chaque requête, illustre une tendance de fond : donner aux équipes techniques la flexibilité nécessaire pour adapter le comportement des agents à des cas d'usage spécifiques, sans sacrifier le contrôle centralisé exigé par les directions conformité et sécurité. La montée en puissance régionale, avec l'ajout de Dublin et Tokyo, s'inscrit également dans une logique de conformité aux exigences de résidence des données, un enjeu croissant pour les clients européens et asiatiques d'AWS face à des réglementations comme le RGPD. D'autres annonces similaires sont probables chez les concurrents cloud dans les mois à venir.

Outils⚒Outil

1 source

34

96AWS ML Blog 

Automatiser le traitement de documents avec Quick Automate et l'accélérateur IDP

AWS a détaillé une architecture combinant deux de ses solutions, l'accélérateur IDP (Intelligent Document Processing) du AWS Generative AI Innovation Center et le service Amazon Quick Automate, pour automatiser le traitement documentaire dans le secteur du crédit immobilier. L'exemple choisi est celui d'un prêteur fictif, Summit Mortgage, décrit comme un établissement de taille moyenne traitant environ 50 000 prêts par an. Selon les chiffres cités par AWS, le marché américain du crédit immobilier génère entre 4 et 6 millions de prêts par an d'après la MBA Mortgage Finance Forecast, un dossier met en moyenne 44 jours à se boucler selon le rapport Origination Insight d'ICE Mortgage Technology, et le coût total d'origination d'un seul prêt dépasse 11 000 dollars d'après la Mortgage Bankers Association. Chez Summit Mortgage, les agents consacrent aujourd'hui 15 à 20 minutes par dossier à trier manuellement les relevés de salaire, formulaires W-2, relevés bancaires, permis de conduire, chèques annulés et demandes d'assurance, puis à saisir les données dans le système d'origination. Rapporté aux 50 000 dossiers annuels, cela représente plus de 15 000 heures de travail manuel par an. La solution, propulsée par Amazon Textract et les modèles de fondation d'Amazon Bedrock, convertit automatiquement les documents bruts en texte exploitable et classe chaque pièce du dossier. L'enjeu dépasse largement le seul secteur hypothécaire. La saisie manuelle génère des erreurs qui provoquent des reprises en aval, les dossiers incomplets s'accumulent dans les files d'attente jusqu'à ce qu'un employé remarque les pièces manquantes, et lors des pics saisonniers, les prêteurs comme Summit n'ont souvent d'autre choix que de recourir à du personnel temporaire, coûteux et inégal en qualité. En automatisant l'ensemble du pipeline, de l'arrivée du dossier jusqu'à l'intégration des données validées dans les systèmes en aval, Summit vise à réduire le temps de traitement par dossier de 15 à 20 minutes à moins de 6 minutes, tout en limitant les erreurs de saisie et en absorbant les hausses de volume sans embaucher davantage. Un tel gain de temps et de fiabilité pourrait significativement raccourcir les délais de clôture des prêts et réduire les coûts d'origination dans l'ensemble du secteur. AWS souligne que cette architecture, bien que présentée à travers le prisme du crédit immobilier, s'applique à d'autres secteurs confrontés à des volumes massifs de documents récurrents et à des exigences de conformité strictes, comme la banque, l'assurance, la santé ou le secteur public. L'architecture serverless de l'accélérateur IDP permet une mise à l'échelle automatique avec une facturation à l'usage, sans gestion d'infrastructure, ce qui en fait une option attractive pour des organisations cherchant à moderniser des processus documentaires jusque-là largement manuels et coûteux en main-d'œuvre.

Outils⚒Outil

1 source

42

97AWS ML Blog 

Modèles asynchrones pour appeler des agents Amazon Bedrock AgentCore dans des pipelines serverless

Amazon Web Services a publié un article technique détaillant des méthodes d'invocation asynchrone pour les agents Amazon Bedrock AgentCore au sein de pipelines serverless, une plateforme permettant de construire et connecter des agents d'intelligence artificielle à grande échelle, quel que soit le framework ou le modèle utilisé. L'exemple retenu concerne la validation de documents dans le secteur du financement immobilier : un agent lit un acte de propriété ou un contrat de prêt, évalue si les informations sont complètes et cohérentes, puis renvoie un verdict exploité par les étapes suivantes du pipeline. Ce pipeline de démonstration comporte cinq étapes gérées par des fonctions AWS Lambda et un état Step Functions : extraction du texte, identification et classification du document, routage conditionnel, organisation et validation en parallèle, puis traitement du résultat final. AWS présente trois architectures alternatives à l'appel bloquant classique : le callback par jeton de tâche, l'intégration directe de service, et la fonction durable. L'enjeu principal est financier. Amazon Bedrock AgentCore Runtime facture uniquement la mémoire pendant que l'agent attend une réponse d'un grand modèle de langage ou d'un outil externe, sans facturer le temps processeur inactif. En revanche, une fonction Lambda, un conteneur ou une instance Amazon EC2 qui appelle l'agent de façon synchrone reste bloqué et continue de consommer, et donc de facturer, l'intégralité de ses ressources de calcul allouées pendant toute la durée du traitement, qui peut varier fortement selon le modèle et la complexité du document. Autrement dit, le gaspillage ne vient pas du côté de l'agent mais du service appelant, qui reste inutilement actif sur une connexion ouverte. En libérant les ressources de calcul du client pendant l'attente et en ne relançant le pipeline qu'une fois le résultat disponible, les entreprises peuvent réduire significativement leurs coûts d'infrastructure, un enjeu de plus en plus critique à mesure que les agents IA se généralisent dans les architectures serverless de production. Cette publication s'inscrit dans la stratégie plus large d'AWS visant à faciliter l'adoption d'architectures agentiques dans les environnements d'entreprise, où les agents IA doivent s'intégrer à des chaînes de traitement existantes sans en bouleverser les principes économiques du cloud à la demande. Le raisonnement des agents modernes, contrairement aux étapes traditionnelles d'un pipeline, introduit une latence variable et imprévisible qui remet en question les schémas d'appel synchrones hérités des architectures classiques. En s'appuyant sur des mécanismes déjà présents dans l'écosystème AWS, comme les jetons de tâche de Step Functions ou les fonctions durables, l'article propose une feuille de route concrète pour les équipes techniques qui déploient des agents dans des environnements de production sensibles au coût, ouvrant la voie à des orchestrations plus efficaces à mesure que les cas d'usage agentiques se multiplient dans des secteurs comme la finance ou l'immobilier.

Outils≡Tuto

1 source

32

98AWS ML Blog 

Comment Fanatics Betting and Gaming a conçu un système de support client à base d'agents

Fanatics Betting and Gaming (FBG), plateforme de paris sportifs appartenant à la famille de marques Fanatics et active dans plusieurs États américains, a construit un système de support client multi-agents reposant sur AWS. L'objectif était de répondre à un problème propre aux paris sportifs en direct : lors des grands événements comme les playoffs NFL ou le Super Bowl, le volume de demandes peut dépasser 40 requêtes toutes les deux minutes, et chaque minute d'attente compte pour un client en train de parier. L'architecture retenue suit un modèle d'orchestration : un agent principal reçoit chaque message client, coordonne des outils spécialisés et des sous-agents, puis renvoie une réponse unifiée. FBG s'appuie sur Amazon Elastic Kubernetes Service (EKS), déjà maîtrisé par ses équipes, pour déployer et faire évoluer chaque agent indépendamment, et sur Amazon Bedrock pour accéder à plusieurs modèles de fondation via une seule API, avec Amazon Bedrock Guardrails pour les garde-fous de conformité. Ian Botts, CTO de FBG, explique que l'entreprise voulait des réponses plus rapides et précises sans jamais transiger sur le jeu responsable ou la conformité réglementaire. Ce chantier illustre un enjeu concret pour toute l'industrie du pari en ligne : les chatbots classiques fondés sur des arbres de décision ne tiennent pas la charge face à la diversité des questions et à la complexité réglementaire, ce qui frustre les clients et fait gonfler les files d'attente vers des agents humains, avec un coût opérationnel qui croît proportionnellement au nombre d'utilisateurs. En automatisant une part croissante des interactions tout en sachant identifier le moment précis où escalader vers un humain, FBG réduit ses coûts de support tout en améliorant la vitesse et la fiabilité des réponses, un avantage décisif pendant les pics d'affluence sportive où la qualité de service ne peut pas se dégrader. La difficulté vient surtout de la fragmentation réglementaire américaine : chaque État fixe ses propres règles sur les moyens de paiement, les limites de dépôt, les délais de retrait et les dispositifs de jeu responsable, si bien qu'un client dans l'Indiana n'obtient pas la même réponse qu'un client dans le New Jersey. Les opérateurs doivent aussi repérer en temps réel les signes de jeu problématique, ce qui exige une compréhension fine du contexte conversationnel plutôt qu'une simple détection de mots-clés. En choisissant une approche multi-agents et multi-modèles plutôt qu'un chatbot monolithique, FBG cherche à faire évoluer son système avec la croissance de sa base d'utilisateurs, en misant sur l'infrastructure de sécurité et de gouvernance déjà en place chez AWS pour tenir ces exigences de conformité dans la durée.

Outils⚒Outil

1 source

43

99The Verge AI 

Gemini se dote d'un espace dédié pour les étudiants

Google déploie un nouveau hub dédié aux étudiants au sein de son application Gemini, à l'approche de la rentrée scolaire. Cet espace centralise plusieurs outils : un carnet de recherche pour organiser ses notes d'étude, un générateur de fiches de révision (flashcards) et un système de quiz d'entraînement. Les carnets d'étude, déjà existants, gagnent désormais la prise en charge des graphiques et des images pour enrichir les révisions. Fonctionnalité notable, Gemini peut analyser le programme d'un cours (syllabus) et ajouter automatiquement les dates d'examens et les échéances dans Google Calendar. Par ailleurs, Google Deep Research est désormais intégré à Gemini Live, permettant de demander oralement des rapports de recherche complexes et d'en discuter directement avec l'assistant, y compris en verrouillant l'écran pendant que la recherche s'effectue en arrière-plan. Cette initiative vise à faire de Gemini l'outil de référence pour des millions d'étudiants au moment stratégique de la rentrée, période où les habitudes numériques se fixent souvent pour toute l'année scolaire. En regroupant recherche, mémorisation et gestion du temps dans une seule application connectée à l'écosystème Google (Calendar, Docs), l'entreprise cherche à réduire la dépendance des étudiants à des outils tiers spécialisés comme Quizlet ou Notion, tout en renforçant l'usage quotidien de l'IA générative dans un cadre éducatif. Cette annonce s'inscrit dans une bataille plus large entre géants technologiques pour capter le marché de l'éducation assistée par IA, où OpenAI et Microsoft multiplient également les fonctionnalités pédagogiques dans ChatGPT et Copilot. En misant sur l'intégration profonde avec ses services existants et sur des interactions vocales via Gemini Live, Google cherche à se différencier alors que la concurrence sur les usages étudiants s'intensifie.

Outils⚒Outil

1 source

43

100The Information AI 

Nvidia envisage de financer Mercor, son fournisseur de données pour l'IA, avec une valorisation de 20 milliards de dollars

Nvidia a engagé des discussions en vue d'investir dans Mercor, une entreprise spécialisée dans l'annotation de données qui l'aide à développer ses modèles d'intelligence artificielle open source, selon une personne au fait du dossier. Cet investissement s'inscrirait dans un tour de table valorisant Mercor à 20 milliards de dollars. General Catalyst, déjà actionnaire de la société, négocie pour diriger cette levée de fonds. Historiquement, l'essentiel des revenus de Mercor provenait des concepteurs de modèles d'IA propriétaires comme OpenAI, Google et Anthropic, comme l'a précédemment rapporté The Information. Mais les revenus générés par Nvidia progressent, à mesure que le fabricant de puces accélère le développement de ses modèles ouverts Nemotron. Cette évolution illustre un repositionnement stratégique de Nvidia, qui ne se contente plus de fournir les puces alimentant l'IA mais cherche désormais à peser directement sur la conception des modèles eux-mêmes, en misant sur l'open source pour concurrencer les meilleurs systèmes fermés du marché. Pour Mercor, diversifier sa clientèle au-delà des géants de l'IA propriétaire réduit sa dépendance à un petit nombre de clients tout en confirmant la valeur stratégique de l'annotation de données de haute qualité, devenue un maillon critique de la chaîne d'entraînement des grands modèles. Une valorisation à 20 milliards de dollars témoignerait aussi de l'appétit persistant des investisseurs pour l'infrastructure de données IA. Cet investissement potentiel s'inscrit dans une tendance plus large où les fabricants de puces cherchent à sécuriser toute la chaîne de valeur de l'IA, des semi-conducteurs jusqu'aux modèles qui les font tourner. La montée en puissance de la famille Nemotron traduit la volonté de Nvidia de ne pas dépendre uniquement des revenus matériels et de peser dans le débat entre modèles ouverts et fermés, où OpenAI, Google et Anthropic dominent encore largement. L'issue des négociations, notamment le rôle exact que jouerait General Catalyst et le calendrier de la levée, reste à préciser.

Business⚡Actu

1 source