Actualités IA — page 58

7 586 articles au fil, du plus récent au plus ancien.

34

1141MarkTechPost 

NVIDIA lance DeepStream 9.1 : l'IA agentique arrive dans la vision par IA avec 13 compétences et un suivi 3D multi-caméra

NVIDIA vient de publier DeepStream 9.1, une mise à jour majeure de sa plateforme d'analyse vidéo par intelligence artificielle. Basé sur GStreamer, DeepStream permet le traitement de flux multiples avec décodage accéléré par matériel, inférence TensorRT et suivi d'objets sur GPU NVIDIA. Cette version 9.1 apporte cinq ajouts notables : treize compétences agentiques destinées aux agents de codage comme Claude Code, Codex ou Cursor, une fonction de suivi 3D multi-caméras baptisée MV3DT, un outil de calibration automatique nommé AutoMagicCalib, la prise en charge de JetPack 7.2 pour les appareils périphériques Jetson Orin et Thor, ainsi qu'un dépôt GitHub open source unifié sous licences CC-BY-4.0 et Apache-2.0. La fonctionnalité MV3DT projette les détections de plusieurs caméras calibrées dans un système de coordonnées 3D partagé, associe les observations d'un même objet entre les différentes vues, puis lui attribue un identifiant global unique. Le processus s'appuie sur trois modèles de détection disponibles nativement, dont PeopleNetTransformer et RT-DETR 2D, et utilise le protocole de messagerie MQTT pour faire correspondre les trajectoires entre caméras dans l'espace 3D. Cette avancée répond à un problème récurrent de la vidéosurveillance intelligente : jusqu'ici, suivre un même objet ou une même personne à travers plusieurs caméras exigeait une calibration manuelle fastidieuse, souvent réalisée à l'aide de mires en damier, et des calculs complexes. Avec AutoMagicCalib, ce processus est automatisé : le système analyse les objets déjà suivis dans des vidéos ou flux existants pour estimer les paramètres intrinsèques des caméras comme la focale ou la distorsion optique, ainsi que leurs paramètres extrinsèques comme la position et l'orientation dans l'espace. L'utilisateur n'a plus qu'à fournir une image du plan des lieux et quelques points d'alignement. Pour les développeurs, l'intérêt est double : gain de temps considérable sur le déploiement de systèmes de vidéosurveillance intelligente, et surtout un accès simplifié via le langage naturel plutôt que par édition manuelle de fichiers de configuration, grâce à l'intégration directe avec les agents de codage IA. Cette évolution s'inscrit dans la tendance plus large de NVIDIA à rendre ses outils d'infrastructure IA pilotables par des agents autonomes plutôt que configurables uniquement par des experts. Les résultats de MV3DT s'exportent sous trois formes complémentaires : un affichage à l'écran avec grille de flux et boîtes englobantes 2D/3D, une vue aérienne cartographiant les trajectoires, et des messages Kafka transportant des métadonnées détaillées par image comme l'identifiant du capteur et la position 3D de l'objet. En interne, le pipeline de calibration automatique combine cinq étapes techniques, dont un ajustement de faisceaux et un raffinement optionnel par transformeur de géométrie visuelle (VGGT), utile lorsque les objets suivis se déplacent peu. L'installation reste accessible : il suffit de cloner le dépôt GitHub officiel et de copier les compétences dans le répertoire de l'agent utilisé, qu'il s'agisse de Codex, Claude Code ou un outil similaire, ouvrant la voie à une adoption plus large de la vidéo-analyse intelligente pilotée par IA.

Outils⚒Outil

1 source

43

1142The Information AI 

Trump face à la réalité sur l'IA

En janvier 2025, trois jours seulement après son investiture pour un second mandat, Donald Trump a signé un décret présidentiel annulant une grande partie des mesures prises par l'administration Biden en matière d'intelligence artificielle. Ce texte concrétisait sa promesse d'une régulation minimale du secteur, présentée comme un correctif à l'approche de son prédécesseur, qu'il jugeait susceptible de "paralyser" l'industrie au nom de la sécurité. Lors de la cérémonie de signature dans le Bureau ovale, entouré de l'investisseur David Sacks, nommé conseiller pour l'IA et les cryptomonnaies, Trump avait lancé : "Ça devrait nous placer à l'avant-garde, non ?", ce à quoi Sacks avait répondu : "Absolument. Il faut qu'on gagne." À mi-parcours de ce second mandat, cet agenda ambitieux se heurte pourtant à une réalité bien plus complexe. L'arrivée de modèles frontière très puissants, comme Mythos d'Anthropic, a ravivé les craintes d'un large éventail d'acteurs, des dirigeants du secteur bancaire aux agences de renseignement, qui redoutent des catastrophes potentielles en matière de cybersécurité. Parallèlement, l'opinion publique s'est nettement retournée contre une adoption sans frein de l'IA, sous l'effet de préoccupations touchant à l'emploi comme au prix de l'électricité. Cette défiance s'est traduite concrètement : des centaines d'États, de villes et de comtés américains ont voté des moratoires interdisant ou suspendant la construction de nouveaux centres de données. Ce basculement illustre la tension centrale de la politique technologique de Trump : vouloir garantir la suprématie américaine face à la Chine tout en gérant les effets secondaires très concrets d'une course effrénée à l'IA, qu'il s'agisse des risques de sécurité posés par des modèles toujours plus puissants ou des coûts sociaux et énergétiques ressentis localement. L'administration doit désormais arbitrer entre les intérêts des grandes entreprises technologiques, pressées de lever tout frein réglementaire, et une contestation locale grandissante, portée par des élus de tous bords. La suite dépendra de la capacité de la Maison-Blanche à concilier ces impératifs contradictoires, alors que le secteur continue d'évoluer à un rythme que même ses partisans peinent à maîtriser.

Régulation⚖Reglementation

1 source

41

1143Ahead of AI 

Contrôler l'effort de raisonnement dans les LLM

Le 26 juin dernier, OpenAI a lancé la famille de modèles GPT-5.6, disponible en trois tailles, chacune proposant entre cinq et six niveaux d'effort de raisonnement configurables. Cette annonce intervient près de deux ans après le lancement d'o1 par OpenAI, qui avait popularisé les modèles de raisonnement basés sur les LLM, et environ quatre mois après DeepSeek-R1, qui avait détaillé une méthode d'apprentissage par renforcement à récompenses vérifiables (RLVR) pour entraîner ce type de modèles. Sebastian Raschka, chercheur reconnu dans le domaine, souligne dans son analyse que les modèles de raisonnement sont désormais devenus un standard incontournable de toute nouvelle génération de modèles. Il rappelle le principe central du RLVR popularisé par DeepSeek-R1 : fournir un signal de récompense binaire, zéro pour une réponse incorrecte, un pour une réponse correcte, uniquement sur des domaines vérifiables comme les mathématiques, via des outils comme SymPy ou WolframAlpha, ou le code, via des compilateurs et des tests unitaires. Fait notable, la trace de raisonnement intermédiaire elle-même n'est pas utilisée pour l'entraînement du modèle : seule la réponse finale et le respect du format comptent pour le calcul de la récompense. Cette généralisation des modes d'effort configurables change concrètement la manière dont les entreprises et les développeurs peuvent exploiter ces modèles. Plutôt que de choisir entre un modèle rapide et peu coûteux ou un modèle lent et performant, les utilisateurs peuvent désormais ajuster finement le curseur entre vitesse d'exécution et qualité de raisonnement selon la tâche à accomplir, un simple résumé de texte ne nécessitant pas le même effort qu'un problème mathématique complexe. Pour l'industrie, cela signifie une meilleure maîtrise des coûts de calcul et une adaptation plus fine des modèles aux usages professionnels réels, où toutes les requêtes n'exigent pas le même niveau de sophistication. C'est aussi le signe que la recherche sur le raisonnement des LLM a atteint une maturité suffisante pour passer d'une simple option binaire, raisonnement activé ou non, à un curseur continu de performance. Cette évolution s'inscrit dans un contexte de recherche particulièrement actif depuis la publication de DeepSeek-R1. Deux grandes approches permettent aujourd'hui d'améliorer les capacités de résolution de problèmes des modèles de raisonnement : l'optimisation à l'entraînement et l'optimisation à l'inférence, c'est-à-dire au moment de l'exécution. La question de savoir comment exploiter la trace de raisonnement intermédiaire pour améliorer l'entraînement, notamment via des modèles de récompense de processus, reste un sujet de recherche actif et non résolu. Raschka, auteur d'un livre de 440 pages intitulé Build A Reasoning Model (From Scratch), consacré à la construction de modèles de raisonnement à partir de zéro, prévoit que la prochaine étape naturelle de cette recherche portera sur le développement de modèles capables de moduler nativement leur propre effort de raisonnement selon la complexité de la tâche, plutôt que de dépendre uniquement de réglages externes fixés par l'utilisateur.

LLMs❧Opinion

1 source

44

1144The Decoder 

La Chine crée une organisation mondiale de coopération sur l'IA, illustrant la volonté de Xi d'établir un ordre parallèle en IA

Voici l'article traduit et reformulé. Lors de la World AI Conference qui s'est tenue à Shanghai, le président chinois Xi Jinping a annoncé la création de la "World Artificial Intelligence Cooperation Organization", une nouvelle structure internationale dédiée à la coopération dans le domaine de l'intelligence artificielle. Pékin a également promis 5 000 places de formation en IA destinées aux pays du Sud global. Des centres de coopération sont prévus avec l'ASEAN, l'Union africaine, les BRICS et d'autres alliances régionales, dans le cadre d'un déploiement progressif de cette initiative. Cette annonce marque l'effort le plus explicite de la Chine à ce jour pour bâtir un ordre mondial de la gouvernance de l'IA parallèle à celui dominé par les puissances occidentales. Pour les pays du Sud global, souvent exclus des grandes discussions internationales sur la régulation de l'IA menées par les Etats-Unis et l'Europe, cette offre chinoise représente un accès concret à la formation et aux infrastructures, potentiellement au prix d'un alignement croissant sur les normes technologiques et diplomatiques de Pékin. Cette initiative s'inscrit dans une stratégie plus large de la Chine visant à étendre son influence technologique à l'international, alors que la compétition sino-américaine sur l'IA s'intensifie. En multipliant les partenariats avec des blocs comme l'ASEAN, l'Union africaine ou les BRICS, Pékin cherche à consolider des alliances alternatives aux cadres occidentaux, comme le G7 ou les initiatives de gouvernance portées par les Etats-Unis. Reste à voir comment ces annonces se traduiront concrètement, quels pays adhéreront à cette organisation, et si elle parviendra à rivaliser avec les instances existantes de régulation internationale de l'IA.

Régulation⚖Reglementation

1 source

42

1145The Decoder 

Le nouveau guide de l'IA du Pentagone considère l'adoption lente comme un risque plus grand que l'"alignement imparfait

Le Département de la Marine américaine (US Navy) a signé une nouvelle stratégie visant à « militariser » ses données et l'intelligence artificielle afin de construire une flotte « AI-first ». Concrètement, des grands modèles de langage (LLM) seraient déployés directement à bord des navires de guerre, et un conseil de guerre dédié à l'IA aurait pour mission de prioriser les scénarios opérationnels. Le message central de ce document stratégique est clair : selon le Pentagone, une adoption trop lente de l'IA représente aujourd'hui un risque plus grand pour la sécurité nationale qu'un « alignement imparfait » des systèmes, c'est-à-dire des IA dont le comportement ne serait pas parfaitement maîtrisé ou prévisible. Cette orientation marque un tournant dans la doctrine militaire américaine face à l'IA. En plaçant la vitesse de déploiement au-dessus de la prudence technique, la Marine assume un pari risqué : celui de déployer des systèmes d'IA embarqués avant que leurs garde-fous ne soient totalement éprouvés, dans un contexte où les enjeux touchent directement à la sécurité des opérations militaires et à la vie des équipages. Pour l'industrie de la défense, ce choix ouvre la voie à des contrats massifs autour de l'IA embarquée et de l'infrastructure de données militaires, tout en positionnant les États-Unis dans une course technologique où la rapidité d'exécution devient un critère stratégique face à des rivaux comme la Chine. Cette stratégie s'inscrit dans une dynamique plus large au sein du Pentagone, qui multiplie depuis plusieurs mois les initiatives pour intégrer l'IA générative dans ses opérations, malgré les inquiétudes persistantes sur la fiabilité et la sécurité de ces technologies en contexte militaire. Le débat sur l'alignement de l'IA, habituellement centré sur les risques éthiques et de sécurité civile, se retrouve ainsi reformulé en termes de risque stratégique et concurrentiel. Reste à voir comment cette doctrine sera mise en œuvre concrètement, et quelles garanties seront exigées avant que des LLM ne prennent part à des décisions opérationnelles sensibles.

Sécurité⚡Actu

1 source

35

1146MarkTechPost 

Google Cloud remplace RAG et embeddings par un agent de mémoire continue sur Gemini 3.1 Flash-Lite

Je remarque que le texte source contient, après les premiers paragraphes factuels, du code JavaScript d'un widget de démonstration interactif (variables SAMPLES, CONS, etc.) qui n'est pas du contenu éditorial, je l'ignore et me base uniquement sur les faits réels de l'article. Google Cloud a publié un nouvel exemple dans son dépôt générative-ai baptisé Always-On Memory Agent, un agent de référence conçu pour traiter la mémoire comme un processus permanent plutôt que comme une simple réponse ponctuelle. Contrairement à la majorité des agents conversationnels actuels, qui traitent une requête puis oublient tout le contexte, ce système tourne en continu, vingt-quatre heures sur vingt-quatre, sous la forme d'un agent d'arrière-plan. Il s'appuie sur le Google ADK (Agent Development Kit) et sur le modèle Gemini 3.1 Flash-Lite, choisi pour sa faible latence et son coût réduit, deux critères essentiels pour un traitement continu en tâche de fond. Fait notable, l'architecture se passe entièrement de base de données vectorielle et d'embeddings : c'est le modèle de langage lui-même qui lit, analyse et écrit une mémoire structurée directement dans une base SQLite. Cette approche change la manière dont un agent IA peut retenir et exploiter l'information sur la durée. Plutôt que de dépendre d'une recherche par similarité vectorielle (la méthode RAG classique), le système construit une compréhension qui évolue dans le temps, y compris pendant les périodes d'inactivité, sans qu'aucune requête ne soit envoyée. Pour les entreprises qui déploient des assistants IA destinés à accompagner des utilisateurs sur plusieurs semaines ou mois, cela représente une piste concrète pour réduire les coûts d'infrastructure liés aux bases vectorielles tout en gagnant en cohérence : l'agent peut citer précisément les identifiants des souvenirs qu'il utilise pour justifier ses réponses, ce qui renforce la traçabilité et la confiance dans les résultats produits. Sur le plan technique, l'architecture repose sur un orchestrateur qui distribue chaque requête entre trois sous-agents spécialisés, chacun disposant de ses propres outils de lecture et d'écriture sur la base de mémoire. L'IngestAgent traite les contenus entrants grâce aux capacités multimodales de Gemini, en extrayant résumé, entités, thématiques et un score d'importance, qu'il consigne dans une table de mémoires. Le ConsolidateAgent, lui, se déclenche automatiquement toutes les trente minutes par défaut : à la manière d'un cycle de sommeil, il relit les mémoires non consolidées, identifie des liens entre elles et rédige une synthèse accompagnée d'un insight clé. Enfin, le QueryAgent répond aux questions en s'appuyant sur l'ensemble des mémoires et des synthèses déjà produites. Ce projet s'inscrit dans une tendance plus large du secteur, où plusieurs acteurs cherchent à dépasser les limites du RAG traditionnel pour donner aux agents IA une mémoire véritablement persistante et évolutive.

Outils⚒Outil

1 source

43

1147The Decoder 

Anthropic réduit les limites de Claude Fable 5 pour Max et Team Premium, pousse les Pro vers l'API

Anthropic a annoncé l'intégration de Claude Fable 5 dans ses formules Max et Team Premium à compter du 20 juillet, mais avec des conditions nettement resserrées. Les abonnés de ces deux offres n'auront accès qu'à 50% des limites d'usage habituelles pour ce modèle, et ces limites de référence elles-mêmes chutent d'un tiers ce même jour, quel que soit le modèle utilisé. Les utilisateurs du plan Pro, moins onéreux, ne bénéficient pas de cet accès inclus : ils reçoivent un crédit unique de 100 dollars, puis basculent ensuite sur une facturation au tarif de l'API, calculée à l'usage plutôt qu'incluse dans leur abonnement mensuel. Cette décision marque un revirement notable par rapport au plan initial d'Anthropic, qui prévoyait de retirer purement et simplement Fable 5 des abonnements pour le réserver à un accès payant séparé. Pour les entreprises et développeurs qui dépendent de Claude au quotidien, ce changement signifie des coûts potentiellement plus élevés ou des limites d'usage plus contraignantes, en particulier pour les utilisateurs Pro désormais poussés vers un modèle de facturation à la consommation. Ce rétropédalage s'explique vraisemblablement par la pression concurrentielle exercée par OpenAI, dont le GPT-5.6 Sol propose une tarification plus agressive. Anthropic semble ainsi tenter de concilier deux impératifs contradictoires : maîtriser les coûts d'infrastructure liés à son modèle le plus puissant, tout en restant compétitif face à une offre rivale moins chère. Cet épisode illustre la tension croissante entre les laboratoires d'IA autour des modèles économiques d'abonnement, alors que les coûts de calcul des modèles de pointe continuent de peser lourdement sur leur rentabilité.

Business❧Opinion

1 source

34

1148MarkTechPost 

Sakana AI utilise la diffusion d'erreurs pour entraîner des réseaux à double flux conformes à Dale, atteignant 96,7% sur MNIST et 61,7% sur CIFAR-10 sans rétropropagation

Sakana AI a publié une étude intitulée « Diffusing Blame », qui s'attaque à un problème central de l'apprentissage profond biologiquement plausible : la rétropropagation classique exige que le passage arrière utilise les matrices exactement transposées des poids du passage avant, un mécanisme que le cerveau ne peut vraisemblablement pas reproduire, connu sous le nom de problème du transport de poids. L'équipe s'appuie sur une règle d'apprentissage locale baptisée Error Diffusion, proposée dès 2000 par Kaneko, où chaque mise à jour de poids ne dépend que de trois signaux : l'activité présynaptique, la dérivée de l'activation postsynaptique et un simple signe d'erreur global. Pour respecter le principe de Dale, qui impose qu'un neurone soit soit excitateur soit inhibiteur, les chercheurs ont conçu une architecture à double flux dédoublant chaque couche en un canal excitateur et un canal inhibiteur, avec quatre matrices de poids non négatives par couche, soit environ 32 millions de paramètres contre 8 millions pour une architecture DFA classique. Grâce à trois innovations, un routage d'erreur modulo, des largeurs de sigmoïde ajustées par couche et une initialisation asymétrique des poids, cette méthode atteint 96,7% de précision sur MNIST et 61,7% sur CIFAR-10, contre seulement 50,4% et 11,6% sans ces ajustements. Il s'agit de la première fois qu'Error Diffusion entraîne avec succès des réseaux convolutifs, dépassant les 55,2% obtenus par Fujita en 2026 avec un simple perceptron multicouche aplati sur CIFAR-10. Ces résultats comptent parce qu'ils ouvrent une piste concrète vers des algorithmes d'apprentissage compatibles avec les contraintes biologiques et matérielles, sans sacrifier totalement les performances. Un réseau qui respecte le principe de Dale et n'a jamais besoin de transporter des poids transposés est plus facile à implémenter sur du matériel neuromorphique, où les connexions physiques ne peuvent pas changer de signe à la volée. Pour l'industrie des puces spécialisées en intelligence artificielle et pour la recherche en neurosciences computationnelles, cela représente une preuve de concept que des règles locales et biologiquement crédibles peuvent être poussées au-delà de tâches jouets vers des architectures convolutives réalistes, même si l'écart de performance avec la rétropropagation reste important, puisque la méthode DFA non conforme à Dale atteint 97,6% et 69,1% sur les mêmes tâches. Ce travail s'inscrit dans une longue quête de règles d'apprentissage alternatives à la rétropropagation, de la propagation de rétroaction directe à l'alignement de rétroaction aléatoire, motivée par le décalage entre la neuroscience et le deep learning moderne. L'inversion observée lors des tests d'ablation, où retirer certaines innovations change radicalement l'importance relative des autres composants, suggère que ces mécanismes interagissent de façon non triviale, ouvrant la voie à de futurs travaux visant à réduire encore l'écart avec les méthodes à base de gradient tout en conservant la plausibilité biologique.

Recherche❖Paper

1 source

42

1149Latent Space 

Kimi K3 de Moonshot AI rejoint le peloton de tête des modèles frontières selon les benchmarks

Le modèle Kimi K3 du laboratoire chinois Moonshot AI a dominé l'actualité IA des 16 et 17 juillet 2026, provoquant une réévaluation générale de la position des modèles chinois en accès ouvert face à la frontière technologique. Selon Artificial Analysis, le nombre de laboratoires dépassant un score de 51 sur son Intelligence Index est passé de deux à six en environ six semaines, Kimi K3 obtenant un score de 57, derrière Claude Fable 5 (60) mais devant Opus 4.8 (56). Sur l'indice des agents de codage, K3 atteint également 57 points, à égalité avec GPT-5.6 Terra et GPT-5.5, devant Opus 4.8, avec 84% sur Terminal-Bench v2, 64% sur DeepSWE et 23% sur SWE-Atlas-QnA. Le modèle s'est particulièrement distingué sur les tâches de développement frontend : selon Arena, K3 a permis à la Chine de dépasser les États-Unis pour la première fois sur le Frontend Code Arena, plusieurs utilisateurs rapportant que le modèle égale ou surpasse Fable sur des tâches visuelles comme la création de tableaux de bord interactifs. Par ailleurs, Databricks a bouclé une levée de fonds en série M de 188 milliards de dollars, et la plateforme OpenRouter ferait l'objet de discussions de rachat, évoquées par son cofondateur Alex Atallah lors d'une intervention publique. Ce lancement dépasse le simple exercice de benchmarks : il relance le débat sur la nature réelle de l'avantage compétitif entre laboratoires américains et chinois. Plusieurs analystes estiment que K3 fragilise la thèse selon laquelle la capacité de pointe dépend avant tout de la puissance de calcul brute, pointant plutôt vers des choix d'architecture comme le routage MoE (mixture of experts), la quantification, la curation des données d'entraînement et une infrastructure pensée pour la rareté de calcul, à l'image de la pile logicielle "Mooncake" développée par Moonshot. Pour l'industrie, cela signifie que l'écart entre modèles fermés occidentaux et modèles ouverts chinois pourrait se réduire plus vite que prévu, non pas en rattrapant les investissements en capital des géants américains, mais en améliorant l'efficacité par calcul grâce à un meilleur post-entraînement et une meilleure conversion des capacités en usages concrets. Cette annonce s'inscrit dans un contexte plus large de compétition entre laboratoires ouverts et fermés, où les avis restent partagés sur l'ampleur réelle du rattrapage chinois. Certains commentateurs, comme le chercheur cité sous le pseudonyme @scaling01, restent prudents et estiment que K3 accuse encore plusieurs mois de retard sur des critères plus larges tels que la généralité, l'efficacité énergétique ou les évaluations non publiques, tandis que d'autres, plus optimistes, jugent le modèle proche de la frontière, voire supérieur sur certains sous-ensembles précis. Sur le plan des coûts, les avis divergent également : si Artificial Analysis présente K3 comme relativement efficace pour ses performances, d'autres observateurs font remarquer que l'efficacité réelle en tokens et le débit de traitement réduisent souvent l'avantage tarifaire affiché face à des concurrents comme GPT-5.6 Sol. En parallèle, la conférence AI Engineer de New York a ouvert ses candidatures pour des interventions centrées sur l'intersection entre intelligence artificielle et finance, signe de l'intérêt croissant du secteur pour des applications sectorielles concrètes de ces avancées technologiques.

LLMs⚡Actu

1 source

30

1150MarkTechPost 

Construire un opérateur de lieux événementiels à base d'agents avec MongoDB Atlas, Voyage et LangGraph

Rendre plus responsable un opérateur de site événementiel dopé à l'intelligence artificielle, c'est l'objectif d'un nouveau tutoriel technique construit autour de MongoDB Atlas, des embeddings multimodaux de Voyage AI et du framework LangGraph, avec un traçage optionnel via Langfuse. Le scénario démonstratif met en scène le « MongoDB Open », un tournoi de tennis premium fictif, au sixième jour de compétition. La pluie approche, la capacité d'accueil couverte se réduit, et l'agent doit gérer deux profils de visiteurs différents : Mikiko, une spectatrice venue pour la première fois, et Nina, une invitée premium dont l'historique peut être consulté par le système. Les chiffres cités pour justifier l'enjeu économique sont ceux de l'US Open 2025, qui a battu des records d'affluence, d'audience et de portée numérique, avec 90 millions de dollars reversés aux joueurs en compensation totale ; la USTA évalue à plus de 1,2 milliard de dollars l'impact économique annuel des trois semaines du tournoi pour New York. Une étude PwC est également mentionnée, selon laquelle 60% des fans de sport américains à hauts revenus dépenseraient plus de 250 dollars pour un événement spécial, et 20% plus de 1 000 dollars. Le Bureau du recensement américain suit désormais l'impact financier des intempéries sur les ventes des entreprises via son enquête Business Trends and Outlook Survey. Ce que démontre ce projet, c'est la capacité d'un agent à ne pas se contenter de produire un plan générique : il lit l'état opérationnel du site en temps réel, récupère la mémoire d'événements précédents, distingue les segments de visiteurs, agit tant que de la capacité d'accueil reste disponible, puis réécrit le résultat de l'action pour enrichir la mémoire utilisée lors de la prochaine perturbation. Cette approche illustre un enjeu plus large pour les organisateurs d'événements à forte affluence : la fenêtre de décision utile, par exemple face à une alerte météo, se compte souvent en minutes, ce qui rend obsolètes les tableaux de bord classiques ou les résumés différés. Techniquement, le projet fournit une application FastAPI reliée à MongoDB Atlas, déployable localement ou sur Vercel, avec une interface guidée en quatre onglets, des collections Atlas dédiées à l'état opérationnel, à la mémoire sémantique, aux actions de l'agent et aux points de contrôle LangGraph, une recherche vectorielle Atlas combinée à un scoring lexical, un point d'accès de type RAG visuel exploitant Claude Vision pour interroger des documents opérationnels, ainsi qu'un script LangGraph exécutable reproduisant le scénario de retard pour pluie. Les auteurs précisent toutefois que ce dépôt reste une démonstration de référence : il ne comporte ni authentification de production, ni suite d'intégration continue, et l'agent LangGraph complet fonctionne encore comme un script de validation plutôt que comme un service public hébergé.

Outils≡Tuto

1 source

38

1151MarkTechPost 

Zyphra publie ZUNA1.1, un modèle d'EEG en Apache 2.0 acceptant des entrées de 0,5 à 30 secondes

Zyphra a publié cette semaine ZUNA1.1 sous licence Apache 2.0, un modèle de fondation pour l'électroencéphalographie (EEG) capable de reconstruire, débruiter et suréchantillonner des signaux cérébraux quelle que soit la configuration d'électrodes utilisée. Ce modèle succède à ZUNA1, précédente version ouverte développée par la même entreprise. Contrairement à son prédécesseur limité à des segments fixes de cinq secondes, ZUNA1.1 accepte désormais des entrées de longueur variable, de 0,5 à 30 secondes, ce qui colle bien mieux à la réalité des enregistrements EEG où les sessions varient en durée et où des canaux tombent en panne ou deviennent bruités en cours de route. Le modèle compte 380 millions de paramètres, un nombre inchangé par rapport à ZUNA1, et fonctionne sur une carte graphique grand public, voire sur processeur pour certaines tâches. Il s'agit d'un autoencodeur de diffusion masquée, bâti sur une architecture transformeur encodeur-décodeur, qui découpe chaque canal en segments de 0,125 seconde (32 échantillons à 256 Hz) transformés en tokens continus. La clé de sa flexibilité réside dans un encodage positionnel rotatif en quatre dimensions, associant les coordonnées 3D de chaque électrode sur le crâne à un index temporel, ce qui rend le modèle indépendant du type de montage et capable de générer des signaux à des positions jamais mesurées auparavant. Les poids sont disponibles sur Hugging Face et le code sur GitHub, installable via pip install zuna, avec un espace de démonstration gratuit en ligne, le tout réservé à un usage de recherche. Cette flexibilité change concrètement l'usage pratique des modèles EEG en laboratoire et en clinique. Là où ZUNA1 imposait un format rigide, ZUNA1.1 s'adapte à des casques de quatre électrodes comme à des bonnets de recherche à 256 canaux, et peut combler les trous laissés par des électrodes défaillantes ou des portions de signal corrompues. Pour les chercheurs en neurosciences ou les développeurs d'interfaces cerveau-machine, cela signifie un seul modèle réutilisable sur des jeux de données hétérogènes, sans reconfiguration ni réentraînement spécifique à chaque protocole expérimental. La licence Apache 2.0, permissive, facilite en outre son intégration dans des outils tiers, ce qui pourrait accélérer l'adoption de modèles de fondation EEG en dehors des grands laboratoires industriels. Les progrès de ZUNA1.1 viennent principalement de l'entraînement plutôt que de l'architecture. Zyphra a diversifié les scénarios d'occlusion de données, passant d'un seul mode d'abandon aléatoire de canaux entiers à quatre schémas distincts couvrant montages épars, coupures temporelles globales ou localisées, et pertes de données ponctuelles éparpillées. L'entreprise a aussi affiné son évaluation de la qualité des signaux au niveau de chaque canal et de chaque seconde plutôt qu'à l'échelle de l'enregistrement entier, ce qui a permis d'agrandir le corpus d'entraînement d'environ 2 millions à 3,5 millions d'heures-canaux de données EEG publiques. Reste à savoir si cette flexibilité accrue s'accompagne d'un maintien, voire d'une amélioration, de la précision par rapport à ZUNA1 sur les tâches de référence, un point sur lequel les résultats communiqués par Zyphra restent encore à confirmer dans le détail.

Recherche⚡Actu

1 source

43

1152VentureBeat AI 

Capital One lance VulnHunter, un outil IA open source qui detecte les failles logicielles avant les hackers

Capital One a dévoilé jeudi VulnHunter, un outil de sécurité open source basé sur l'intelligence artificielle agentique, capable d'analyser le code source pour détecter des vulnérabilités exploitables, de reconstituer le chemin qu'emprunterait un attaquant pour les atteindre, et de proposer des correctifs ciblés avant même la mise en production. L'outil, développé en interne par la banque américaine, est désormais disponible sur GitHub sous licence Apache 2.0. Son architecture repose sur une approche baptisée "analyse prospective centrée sur l'attaquant" : plutôt que de partir d'un motif de code suspect pour remonter vers un scénario d'attaque hypothétique, comme le font les scanners classiques, VulnHunter part des points d'entrée réels qu'un pirate emprunterait, API, messages réseau, téléversements de fichiers, et raisonne vers l'avant pour vérifier si une faille exploitable survit réellement aux défenses déjà en place dans le code. Deuxième innovation clé : un "moteur de falsification" intégré qui tente de réfuter ses propres conclusions avant qu'un développeur ne les voie. Un processus de raisonnement structuré traque les failles logiques, les hypothèses non vérifiées et les conditions qui empêcheraient l'attaque de réussir ; seules les alertes que ce moteur ne parvient pas à invalider remontent jusqu'à un humain, accompagnées d'une explication complète du chemin d'exploitation et d'un correctif de code prêt à être examiné. L'outil fonctionne actuellement avec le modèle Claude Opus 4.8 d'Anthropic, au sein d'un environnement Claude Code, mais Capital One affirme que le cadre pourrait s'adapter à d'autres modèles de fondation et environnements de développement. Pour l'industrie, cette initiative répond à une urgence que le directeur de la sécurité informatique de Capital One, Chris Nims, résume ainsi : la fenêtre se referme rapidement avant que des capacités d'attaque IA sophistiquées ne deviennent abordables et accessibles à pratiquement n'importe quel adversaire. En rendant public un outil aussi puissant qu'à double usage, potentiellement détournable à des fins offensives, la banque mise sur le fait que les chaînes d'approvisionnement logicielles sont aujourd'hui trop interconnectées pour que la sécurité reste l'affaire d'une seule organisation. Nims insiste sur le fait que les outils défensifs doivent être aussi largement diffusés, testés et améliorés que les bases de code qu'ils protègent, une réponse collective face à une menace qui dépasse les capacités de n'importe quelle entreprise isolée. Cette démarche s'inscrit dans l'histoire particulière de Capital One en matière de cybersécurité. Le 19 juillet 2019, la banque avait révélé qu'une ancienne employée d'Amazon Web Services, Paige Thompson, avait accédé sans autorisation à des données sensibles, noms, adresses, revenus déclarés, numéros de sécurité sociale et comptes bancaires liés, appartenant à des clients et candidats à ses cartes de crédit. L'intrusion, survenue les 22 et 23 mars 2019, n'avait été découverte qu'après qu'un chercheur en sécurité externe eut signalé une vulnérabilité de configuration via le programme de divulgation responsable de l'entreprise, le 17 juillet suivant, touchant environ 100 millions de personnes aux États-Unis. C'est ce précédent, et la nécessité de reprendre l'initiative face à des attaquants de plus en plus outillés par l'IA, qui motive aujourd'hui la mise à disposition publique de VulnHunter.

Sécurité⚒Outil

1 source

41

1153VentureBeat AI 

Intuit a abandonné deux fois en quatre mois sa propre architecture d'agents IA : lors de VB Transform 2026, sa VP IA a présenté cela comme la voie rapide

Intuit a reconstruit deux fois en quatre mois l'architecture de ses agents d'intelligence artificielle, selon Nhung Ho, vice-présidente IA de l'entreprise, qui s'est exprimée lors de la conférence VB Transform 2026. La société est d'abord passée d'une flotte d'agents spécialisés à une couche d'orchestration centrale, avant d'abandonner ce système au profit d'une architecture basée sur des compétences et des outils partagés. Ce second chantier a duré 60 jours, avec une première version fonctionnelle livrée en moins de 20 jours. La cause de cet échec était précise : dans le système orchestré, les agents se transmettaient leurs résultats en langage naturel, et chaque transfert faisait perdre du contexte nécessaire à l'agent suivant. Comme l'a expliqué Ho, avec dix agents qui se relaient l'information, chaque passage de main amplifie les erreurs. La couche d'orchestration avait tenu environ trois mois, une durée que Ho qualifie en plaisantant d'équivalent d'une année compte tenu du rythme effréné de l'évolution des agents IA en 2026. Cette double refonte illustre un problème structurel majeur pour les entreprises qui déploient des systèmes multi-agents en production : la communication en langage naturel entre agents dégrade la fiabilité de façon cumulative plutôt qu'occasionnelle. Pour convaincre sa direction d'abandonner un système récemment construit, l'équipe de Ho a présenté une démonstration comparative utilisant de vraies requêtes clients issues de la production, montrant la supériorité de la nouvelle architecture. Convaincre les centaines d'ingénieurs qui avaient développé les agents spécialisés à démanteler leur travail en compétences et outils individuels a nécessité un argument différent : un agent autonome ne résout qu'un problème isolé, tandis qu'une compétence partagée profite à tous les clients concernés. Ce changement a aussi transformé le rôle des équipes partenaires, désormais chargées d'exécuter des évaluations plutôt que de construire des agents, ces évaluations devenant le seul moyen fiable de mesurer la performance du nouveau système. La conséquence la plus visible de cette refonte pour les clients est une fonctionnalité permettant, en pleine conversation avec un agent, de faire intervenir un humain avec tout le contexte déjà accumulé, que ce soit un conseiller support Intuit, un comptable personnel ou un teneur de livres de l'entreprise. Cette fonction reste en phase de test précoce, limitée à environ 1% de la clientèle d'Intuit, avant une montée en puissance prévue dans les prochaines semaines. Ho oppose cette approche à celle de la plupart des assistants IA généralistes, qui se contentent généralement de renvoyer l'utilisateur vers un professionnel en cas de question fiscale complexe, sans transition fluide ni transfert de contexte. Ce cas illustre une tendance plus large dans l'industrie : après une première vague d'enthousiasme pour les agents autonomes multiples, les entreprises technologiques réévaluent leurs architectures au profit de systèmes plus simples et plus robustes, où la supervision humaine reste intégrée au processus plutôt que reléguée à une simple mise en garde.

Business⚡Actu

1 source

44

1154The Decoder 

OpenAI reconnaît que GPT-5.6 supprime des fichiers utilisateurs même avec accès complet, alors qu'il ne devrait pas

Le modèle GPT-5.6 d'OpenAI a supprimé par erreur l'intégralité de répertoires personnels d'utilisateurs dans plusieurs cas signalés, principalement lorsqu'il fonctionnait en "Full Access Mode", un mode d'exécution non protégé qui lui donne un accès étendu au système de fichiers. Selon les explications d'OpenAI, le modèle a écrasé une variable de répertoire temporaire, ce qui l'a conduit à exécuter des actions destructrices de sa propre initiative, sans demander de confirmation préalable à l'utilisateur avant de supprimer les fichiers. L'entreprise a reconnu l'incident et publié un post-mortem détaillé décrivant le mécanisme technique à l'origine du bug. Cet incident soulève des questions sérieuses sur la sécurité des agents IA dotés d'un accès système étendu, un enjeu central alors que les modèles de langage sont de plus en plus utilisés pour automatiser des tâches informatiques réelles plutôt que de simples conversations. Pour les développeurs et entreprises qui déploient GPT-5.6 en mode autonome sur leurs machines, la perte de données peut être irréversible, en particulier en l'absence de sauvegardes. L'affaire illustre le risque que représentent les agents capables d'agir directement sur des systèmes de production ou personnels sans garde-fou suffisant. En réponse, OpenAI a annoncé la mise en place de protections supplémentaires pour empêcher que ce type d'erreur ne se reproduise, sans toutefois suspendre le mode Full Access. Cet épisode s'inscrit dans un débat plus large sur la fiabilité des agents IA autonomes, à mesure que les grands laboratoires élargissent les permissions accordées à leurs modèles pour exécuter des commandes système. Il rappelle aussi l'importance, pour les utilisateurs, de limiter les accès et de maintenir des sauvegardes avant d'accorder un contrôle étendu à un système d'IA encore faillible.

Sécurité⚡Actu

1 source

48

1155The Decoder 

La Kimi K3 de la Chine, comme Deepseek, pousse les labos occidentaux à interroger leur avantage en calcul

Moonshot AI, la startup chinoise derrière Kimi, a dévoilé Kimi K3, un nouveau modèle d'intelligence artificielle qui, selon les premières évaluations, rivalise avec Opus 4.8 d'Anthropic. Fait notable, ce modèle a été développé par une équipe de seulement 300 personnes, un effectif nettement inférieur à celui des grands laboratoires américains. Même Dean W. Ball, stratège chez OpenAI, a qualifié Kimi K3 de "très bon", tout en mettant en garde contre un monde où les modèles à poids ouverts domineraient, qu'il assimile à une forme de "communisme de l'IA". Cette sortie relance un débat crucial dans l'industrie de l'IA : celui de l'importance réelle de la puissance de calcul dans la course aux modèles les plus performants. Si une équipe restreinte peut produire un système comparable aux meilleures offres occidentales, cela remet en question l'idée selon laquelle disposer de ressources de calcul massives constitue un avantage décisif et durable. Pour les laboratoires américains, qui ont investi des milliards dans l'acquisition de puces et d'infrastructures, ce constat soulève des interrogations stratégiques majeures. Kimi K3 s'inscrit dans la lignée de Deepseek, autre modèle chinois qui avait déjà bousculé les certitudes occidentales sur la suprématie technologique américaine en IA. Ces avancées successives interrogent également l'efficacité des restrictions à l'exportation de semi-conducteurs imposées par Washington à la Chine, censées freiner le développement de l'IA chinoise. Alors que les entreprises chinoises continuent de produire des modèles compétitifs malgré ces contraintes, la question de savoir si ces contrôles atteignent réellement leurs objectifs reste plus que jamais ouverte.

LLMs❧Opinion

1 source

44

1156VentureBeat AI 

LinkedIn, Walmart et Zendesk expliquent comment ils adaptent leur infrastructure à la vitesse des agents IA (VB Transform 2026)

Lors d'un panel organisé pendant VB Transform 2026, trois responsables infrastructure de LinkedIn, Walmart et Zendesk ont dressé le même constat : ce ne sont pas les modèles d'IA qui freinent le déploiement des agents en production, mais l'infrastructure existante. Animesh Singh, directeur senior de la plateforme IA chez LinkedIn, Desiree Gosby, vice-présidente senior des technologies d'entreprise chez Walmart, et Sami Ghoche, vice-président de l'IA appliquée chez Zendesk, ont chacun décrit ce qui a cassé lorsqu'ils sont passés du pilote à la production. Chez LinkedIn, le premier obstacle a été Kubernetes lui-même : le système suppose que les conteneurs démarrent à la demande, un processus qui prend plusieurs secondes, bien trop lent pour des agents. L'équipe est passée à des pools de conteneurs pré-provisionnés, échangés en temps réel. Un second problème est apparu quand les agents ont commencé à orchestrer leurs propres tâches : les hallucinations persistaient malgré un système d'évaluation en cinq points, car un LLM qui évalue un autre LLM reproduit les mêmes biais. LinkedIn a donc construit son propre harnais de contrôle, reléguant les modèles aux tâches nécessitant du raisonnement pur, si bien que 80 % du flux de travail repose désormais sur du code déterministe. Chez Walmart, le succès interne d'un harnais d'agents mis à disposition des employés a entraîné une prolifération d'agents redondants créés par des "citizen developers". Chez Zendesk, qui a intégré les équipes de Forethought après une acquisition finalisée en mars 2026, Ghoche gère un historique de 20 milliards de conversations clients, un volume trop massif pour être simplement injecté dans un LLM à grand contexte. Ces retours d'expérience montrent que la maturité d'un déploiement d'agents en entreprise ne dépend plus de la puissance du modèle choisi, mais de la capacité de l'infrastructure existante, pensée pour des humains, à s'adapter à des systèmes qui opèrent à l'échelle de la milliseconde. Pour Walmart, la solution n'a pas été de brider l'innovation des employés mais de créer une gouvernance capable de repérer les doublons et de promouvoir les meilleures versions d'agents vers la production, sans faire de l'ingénierie un goulot d'étranglement. Cette tension entre vitesse d'innovation et contrôle structuré devient un enjeu central pour toute organisation qui veut industrialiser l'usage des agents. Sur la question de l'open source, les trois dirigeants convergent : mieux vaut posséder ses propres modèles et son infrastructure chaque fois que c'est possible, et ne recourir aux laboratoires comme OpenAI ou Anthropic que pour les tâches de raisonnement les plus avancées. Selon Ghoche, cette part d'usages qui nécessite encore les modèles de pointe des grands laboratoires continue de se réduire à mesure que les entreprises étendent leurs propres capacités internes, un signe que l'industrie entre dans une phase où la maîtrise de la donnée et du pipeline compte autant que l'accès au meilleur modèle.

Infrastructure⚡Actu

1 source

38

1157AWS ML Blog 

Amazon Quick transforme les équipes commerciales : votre nouveau coéquipier IA à base d'agents

Amazon a lancé Quick, un assistant IA agentique conçu pour transformer le travail des équipes commerciales en automatisant les tâches administratives qui accaparent leur temps. Selon les données citées, un commercial ne consacre en moyenne que 40% de son temps à la vente proprement dite, le reste étant absorbé par la mise à jour du CRM, la recherche de prospects, la rédaction d'emails et le passage constant d'un outil à l'autre. Quick fonctionne directement dans le navigateur, via une application de bureau, ou intégré à Microsoft 365 et Outlook. L'outil se connecte au CRM de l'entreprise, aux emails, aux données d'analyse web et aux systèmes de support pour analyser les signaux d'engagement et classer automatiquement les prospects selon leur intention d'achat. Un commercial peut par exemple taper une commande simple comme "classe mon pipeline" pour obtenir une vue hiérarchisée des opportunités, avec en priorité les deals bloqués, les relances en retard ou ceux soumis à une pression concurrentielle. Des entreprises comme 3M, AWS Global Sales et Amazon elle-même utilisent déjà cet outil en interne. L'intégration est disponible avec Salesforce, HubSpot, ServiceNow et d'autres systèmes CRM courants, via une documentation dédiée fournie par Amazon. L'enjeu pour les entreprises est de libérer du temps commercial pur en réduisant la charge de travail administrative, ce qui permettrait aux équipes de couvrir davantage de territoires, de conclure des ventes plus rapidement et de renforcer la fidélisation client, sans augmenter les effectifs. Concrètement, Quick identifie pour chaque deal des signaux de risque précis, comme un échange email resté sans réponse, une relance manquée ou la mention d'un concurrent par le prospect, et propose directement des actions à entreprendre, que le commercial peut déclencher sans quitter la conversation. L'outil promet aussi d'accélérer la personnalisation des messages de prospection: au lieu de devoir croiser manuellement des informations issues du CRM, de documents internes, du site web de l'entreprise ciblée, de communiqués de presse récents ou du profil LinkedIn du prospect, ce travail de recherche est automatisé, ce qui réduit le risque de recourir à des emails génériques peu efficaces. Ce lancement s'inscrit dans la course plus large que se livrent les grands fournisseurs cloud, Amazon, Microsoft, Google et Salesforce en tête, pour équiper les équipes commerciales d'assistants IA agentiques capables d'agir et pas seulement de répondre à des questions. Amazon met en avant Amazon QuickSight, son service de business intelligence, comme brique centrale permettant de construire des tableaux de bord interactifs à partir des données connectées. Le déploiement de Quick Suite auprès de milliers d'employés d'Amazon en interne sert de vitrine pour convaincre d'autres grandes organisations d'adopter l'outil, dans un marché où l'automatisation du cycle de vente devient un argument de différenciation majeur pour les fournisseurs de cloud computing.

Outils⚒Outil

1 source

52

1158Le Big Data 

Affaire Fable 5 : l’IA est-elle devenue une arme d’État ?

Le 9 juin 2026, Anthropic lance Claude Fable 5, de la classe « Mythos 5 », doté de capacités inédites de planification autonome et d'agents capables d'exécuter des tâches à horizon lointain sans supervision constante. L'adoption est fulgurante : en quelques heures, des milliers d'entreprises intègrent l'API à leurs outils de production, avec des gains de productivité en ingénierie logicielle annoncés à plus de 40 %. Mais dès le 11 juin, des chercheurs indépendants publient un rapport de vulnérabilité montrant qu'un simple fichier texte structuré suffit à contourner l'alignement éthique du modèle et à accéder à ses capacités brutes, notamment la conception d'un rançongiciel ciblé en moins de deux minutes et la détection de failles de sécurité sur des réseaux distants. Face à ce risque de cyberguerre automatisée, l'administration américaine applique dès le 12 juin la doctrine du « deemed export », qui restreint l'accès au modèle pour de nombreux ressortissants étrangers. Incapable de filtrer ses utilisateurs en temps réel, Anthropic choisit de couper l'accès mondial à l'API. Après deux semaines d'ajustements techniques avec l'État, le modèle est progressivement réautorisé début juillet. Cette crise marque un tournant pour toute l'industrie de l'IA : le contrôle étatique américain ne porte plus seulement sur le matériel, comme les puces ou les serveurs, mais directement sur le flux de données de l'API en temps réel. L'accès à distance à un modèle de pointe est désormais assimilé à un transfert de technologie sensible, avec toutes les conséquences juridiques que cela implique. Pour les milliers d'entreprises qui avaient bâti leurs outils de production sur Fable 5, la coupure a créé une dépendance stratégique brutale, révélant la fragilité d'un écosystème numérique mondialisé suspendu à une décision unilatérale de Washington. Au-delà des pertes financières immédiates, l'épisode pose frontalement la question de la souveraineté numérique des nations qui ne maîtrisent ni le développement ni l'hébergement de ces modèles, et qui se retrouvent à la merci d'un arbitrage réglementaire pris à des milliers de kilomètres de chez elles. L'affaire s'inscrit dans la montée en puissance des agents IA autonomes, capables d'élaborer eux-mêmes des plans d'action complexes plutôt que d'exécuter passivement des instructions, une évolution qui brouille la frontière entre outil de productivité et arme potentielle. Les garde-fous d'alignement par renforcement intégrés par Anthropic se sont révélés insuffisants face à des techniques d'injection de consignes relativement simples, un problème récurrent dans l'industrie depuis l'apparition des grands modèles de langage. Ce précédent réglementaire, le premier du genre appliqué à une API d'IA générative plutôt qu'à un composant matériel, pourrait pousser d'autres gouvernements à envisager des mécanismes de contrôle similaires, et incite déjà les entreprises clientes à diversifier leurs fournisseurs de modèles pour limiter leur exposition à ce type de décision unilatérale.

Régulation⚖Reglementation

1 source

38

1159VentureBeat AI 

Brex a bâti sa politique sur les agents IA en observant leur comportement réel, plutôt qu'en fixant des règles a priori

Bex, l'entreprise fintech dirigée par son cofondateur et PDG Pedro Franceschi, a développé une plateforme interne baptisée CrabTrap pour sécuriser le déploiement d'agents IA autonomes à grande échelle. Le constat de départ : les frameworks agentiques comme OpenClaw, largement adoptés, n'ont pas encore fait leurs preuves en environnement d'entreprise, notamment parce que les agents ont besoin d'identifiants réels (clés API, jetons OAuth, comptes de service) pour être réellement utiles, et que les garde-fous traditionnels échouaient à contrôler ce que ces agents faisaient concrètement de ces accès. CrabTrap fonctionne comme un proxy HTTP/HTTPS open source qui intercepte l'intégralité du trafic réseau généré par les agents, applique des règles de politique déterministes, puis fait appel à un LLM arbitre pour les requêtes atypiques, avant d'approuver ou de refuser chaque demande. Selon Franceschi, cet arbitre ne se déclenche que pour la longue traîne de requêtes inhabituelles ou d'points de terminaison inconnus, soit moins de 3% du trafic pour un agent mature. Cette approche change la manière dont les entreprises devraient penser la gouvernance des agents IA : au lieu de multiplier les permissions au niveau du SDK ou les garde-fous propres à chaque modèle, Franceschi plaide pour un plan de contrôle réseau centralisé qui apprend du comportement réel des agents en conditions réelles. Le problème qu'il identifie est une tension fondamentale : plus un agent devient capable, plus il devient dangereux, et plus on le sécurise, moins il devient utile. Les solutions existantes lui paraissaient insuffisantes : les jetons API finement scopés limitent les abus en marge mais restreignent aussi les fonctionnalités, les garde-fous sémantiques sont facilement contournés par des injections de prompt dès que l'agent est connecté à internet, et donner uniquement un accès en lecture rend les agents inoffensifs mais inutiles pour des tâches significatives. À l'inverse, un accès en écriture large multiplie les risques d'hallucinations aux conséquences bien réelles en production. Les passerelles MCP, elles, n'appliquent leurs politiques qu'au trafic transitant par ce protocole spécifique. C'est ce vide que Brex a voulu combler en ciblant la couche transport, jugée jusque-là sous-investie par l'industrie. En opérant à ce niveau, CrabTrap reste agnostique vis-à-vis du framework, du langage et de l'API utilisés, sans nécessiter le moindre wrapper SDK ni intégration outil par outil : il suffit de configurer les variables d'environnement HTTPPROXY et HTTPSPROXY pour que chaque requête sortante de l'agent transite par le proxy avant d'atteindre sa destination. Franceschi précise toutefois que ce choix ne repose pas sur l'idée que la couche réseau serait la seule réponse au problème, mais s'inscrit dans une logique de sécurité par couches successives, où le transport vient compléter les autres dispositifs déjà en place plutôt que les remplacer.

Sécurité⚡Actu

1 source

42

1160Le Big Data 

Google temporise avec Gemini 3.5 Pro : le lancement aurait été repoussé

Google prendrait plusieurs mois de retard sur le lancement de Gemini 3.5 Pro, son modèle d'intelligence artificielle le plus avancé. Présenté officiellement lors de la conférence Google I/O en mai 2026, ce modèle devait initialement arriver dès le mois de juin. Deux mois plus tard, aucune sortie publique n'a eu lieu. Selon un rapport de Bloomberg publié le 16 juillet 2026 par les journalistes Davey Alba et Julia Love, les résultats obtenus pendant l'entraînement du modèle n'auraient pas satisfait les équipes internes, en particulier sur les tâches liées au codage informatique. Une source proche du dossier évoque des résultats jugés "décevants". Face à ce constat, Google aurait lancé fin juin une nouvelle phase d'entraînement accompagnée d'une mise à jour des données utilisées, revoyant ainsi une partie du développement entre la présentation de mai et la date de lancement initialement prévue. L'entreprise n'a pas confirmé publiquement ces informations, mais a reconnu tester Gemini 3.5 Pro ainsi qu'une version améliorée de Gemini Flash et d'autres modèles auprès de partenaires sélectionnés, sans communiquer de nouvelle date de sortie. Ce retard illustre à quel point le développement logiciel assisté par IA est devenu un terrain de bataille stratégique entre les grands acteurs du secteur. OpenAI multiplie les annonces autour de GPT-5.6, Anthropic avance avec Claude Fable 5, tandis que xAI et Mistral cherchent eux aussi à imposer leurs assistants de codage. Pour Google, l'enjeu est d'autant plus sensible que l'entreprise utilise déjà massivement l'IA en interne : en avril 2026, le PDG Sundar Pichai indiquait que près de 75 % du nouveau code produit par ses équipes était généré avec l'aide de l'IA, contre environ 50 % quelques mois plus tôt. Un lancement raté de Gemini 3.5 Pro sur le codage exposerait donc Google à une contradiction difficile à assumer face à ses concurrents comme face à ses propres usages internes. Ce paradoxe s'explique aussi par une organisation interne encore fragmentée. Plusieurs équipes développent leurs propres outils d'IA pour le code, notamment Google DeepMind, Vertex AI et Android Studio, et l'unification de ces solutions reste un chantier en cours. Certains ingénieurs maison resteraient par ailleurs prudents face à une dépendance excessive au code généré automatiquement. Dans ce contexte, retarder la sortie de Gemini 3.5 Pro peut décevoir les utilisateurs qui l'attendaient depuis mai, mais ce choix vise avant tout à éviter un lancement raté qui aurait fragilisé la position de Google dans la course à l'IA générative appliquée au développement logiciel.

LLMs⚡Actu

1 source