Aller au contenu principal

Actualités IA — page 6

7 547 articles au fil, du plus récent au plus ancien.

Puces IA : le projet à 60 milliards $ de Broadcom va-t-il faire exploser la facture Cloud des entreprises ?
101Le Big Data 

Puces IA : le projet à 60 milliards $ de Broadcom va-t-il faire exploser la facture Cloud des entreprises ?

Broadcom négocie actuellement une levée de financement dépassant 60 milliards de dollars, potentiellement portée à 100 milliards d'engagements globaux, en s'appuyant sur des géants du private equity comme Apollo et Blackstone. Le montage prévoit 60 à 70 milliards de dollars de dette senior garantie, complétés par environ 30 milliards de dollars de dette subordonnée, selon des informations relayées le 20 août 2026 par l'analyste financier Shay Boloor et reprises par la presse spécialisée, dont Investing.com. Ces fonds doivent financer la production de puces IA sur mesure, des processeurs ASIC conçus pour des clients comme Anthropic ou OpenAI, en alternative partielle aux cartes graphiques de Nvidia. La plateforme d'investissement conjointe AI XPV a déjà mobilisé 35 milliards de dollars dans cette optique. Selon The Straits Times, l'objectif final est de déployer une capacité informatique dépassant 20 gigawatts, soit l'équivalent de la production d'une vingtaine de centrales nucléaires, avec l'ambition pour Broadcom de générer plus de 100 milliards de dollars de ventes dans ce segment d'ici 2027. Ce montage financier massif pose une question directe aux directions informatiques et financières des entreprises : qui absorbera in fine le coût de cette infrastructure. Financée essentiellement par la dette, l'opération impose des obligations de remboursement strictes à l'ensemble de l'écosystème, ce qui pousse les fournisseurs de Cloud et les éditeurs d'IA à rentabiliser rapidement leurs investissements. Même si les puces sur mesure réduisent le coût de fabrication unitaire par rapport aux GPU traditionnels, la pression se traduit déjà par une tendance à la hausse des grilles tarifaires, qu'il s'agisse des abonnements SaaS ou de la facturation à l'usage, au jeton de texte ou d'image généré. La charge glisse progressivement de l'entraînement des modèles vers l'inférence, c'est-à-dire leur exécution quotidienne dans les applications métiers, transformant un investissement ponctuel en dépense d'exploitation récurrente. Pour les DSI, les coûts fixes migrent ainsi vers des dépenses variables plus difficiles à anticiper et à maîtriser. Cette dynamique s'inscrit dans une course aux armements matériels autour de l'intelligence artificielle, où les grands groupes cherchent à sécuriser une capacité de calcul suffisante tout en réduisant leur dépendance au quasi-monopole de Nvidia sur les GPU. Le recours à des ASIC développés sur mesure par Broadcom pour des clients de premier plan comme Anthropic et OpenAI illustre cette diversification stratégique des fournisseurs de puces. Mais le niveau d'endettement engagé, associé à l'ampleur des capacités visées, plus de 20 gigawatts à terme, place l'ensemble du secteur sous une obligation de monétisation agressive. Face à cette évolution, les entreprises clientes sont appelées à mettre en place une gouvernance FinOps dédiée au suivi des coûts liés aux déploiements de puces IA, afin d'anticiper et de contenir la dérive potentielle de leurs dépenses Cloud dans les mois à venir.

InfrastructureOpinion
1 source
ChatGPT peut désormais gérer vos messages Apple directement sur Mac
102Le Big Data 

ChatGPT peut désormais gérer vos messages Apple directement sur Mac

OpenAI a lancé le 20 août 2026 un nouveau plug-in Apple Messages pour ChatGPT sur Mac, annoncé via le compte officiel @ChatGPT sur X. Cet outil connecte directement l'application Messages du Mac au chatbot, permettant de rechercher d'anciennes conversations, de repérer les suivis nécessaires après un échange récent, de croiser les messages avec le calendrier pour trouver des disponibilités, et de rédiger puis envoyer des réponses après validation de l'utilisateur. L'installation se fait depuis la section Plugins > Public de ChatGPT, après quoi des commandes en langage naturel permettent de piloter l'application Messages. La fonctionnalité est pour l'instant réservée aux abonnements ChatGPT Work et à Codex sur ordinateur, ce qui exclut les utilisateurs grand public de l'offre standard. Cette extension marque une nouvelle étape dans la transformation de ChatGPT en assistant capable d'agir directement sur les outils du quotidien, au delà de la simple conversation textuelle. En intégrant la messagerie native d'Apple, OpenAI cherche à s'implanter plus profondément dans les usages professionnels, notamment pour le suivi d'échanges avec des collègues ou des contacts, ainsi que dans le tri quotidien des messages, y compris pour repérer et supprimer les conversations indésirables. La capacité d'envoyer des messages de façon quasi automatique soulève cependant des questions de fiabilité et de confidentialité, dans un contexte où les erreurs de destinataire restent une source fréquente d'incidents pour les utilisateurs de messageries. OpenAI a d'ailleurs jugé nécessaire de préciser que le module fonctionne localement sur l'ordinateur et qu'il ne construit pas d'index centralisé de l'ensemble des messages, une manière de rassurer sur le traitement des données personnelles. Ce lancement s'inscrit dans la stratégie plus large d'OpenAI visant à faire de ChatGPT un assistant capable d'agir directement dans l'environnement numérique de l'utilisateur, plutôt qu'un simple outil de génération de texte consulté séparément. La société recommande explicitement de ne pas activer l'approbation permanente des envois de messages, afin de conserver une étape de relecture avant chaque envoi automatisé, signe que la confiance dans l'autonomie du système reste encadrée. Cette approche prudente rappelle les précédents efforts d'OpenAI pour intégrer ses modèles à des applications tierces tout en gérant les risques liés à la vie privée et aux actions irréversibles. Reste à voir si ce type de plug-in sera étendu à d'autres messageries ou à l'ensemble des abonnés ChatGPT, alors que la concurrence entre assistants IA capables d'agir directement sur les appareils des utilisateurs s'intensifie.

Sur macOS, ChatGPT sait désormais interagir avec l’application Messages et vos SMS
103Next INpact 

Sur macOS, ChatGPT sait désormais interagir avec l’application Messages et vos SMS

OpenAI a annoncé le déploiement d'un nouveau plugin optionnel pour l'application ChatGPT sur macOS, permettant une intégration directe avec Messages, l'application native d'Apple qui gère iMessage, SMS et RCS. Présenté comme un outil pour « simplifier les conversations de tous les jours », ce plugin permet à ChatGPT de lire les messages reçus, d'en extraire des informations, de générer des synthèses ou de rédiger des réponses directement depuis l'interface du chatbot. Son installation, vérifiée par Next depuis la France sur un compte gratuit via le mode Codex, réclame trois autorisations : l'envoi de messages, l'accès aux contacts et un accès complet au disque (Full Disk Access), nécessaire pour lire l'historique des messages archivés. Par défaut, ChatGPT doit obtenir l'approbation de l'utilisateur avant chaque envoi, sauf si celui-ci choisit l'option « Toujours autoriser » pour une conversation donnée, qui supprime alors la validation systématique. La disponibilité du plugin est mondiale. Cette intégration soulève d'importantes questions de confidentialité, car les messages échangés contiennent souvent des données personnelles sensibles impliquant non seulement l'utilisateur mais aussi tous ses interlocuteurs, qui n'ont eux jamais consenti à ce qu'un modèle d'IA tierce accède à leurs échanges. OpenAI reste flou sur le sujet : sa documentation ne mentionne aucun risque relatif à la vie privée, et l'entreprise s'est contentée d'indiquer à Bloomberg qu'elle ne créait pas d'index propre des messages stockés localement. Reste qu'à ce stade, personne ne sait précisément quels traitements sont appliqués aux messages lors d'une requête, ni dans quelle mesure leur contenu transite par les serveurs d'OpenAI. Pour l'industrie, ce flou illustre une tension croissante entre la promesse d'assistants IA toujours plus intégrés au quotidien numérique des utilisateurs et l'absence de garanties claires sur le traitement des données les plus intimes, comme les correspondances privées. Ce lancement place surtout ChatGPT en concurrence frontale avec Apple sur son propre terrain, puisqu'il empiète sur les fonctionnalités d'intégration plus officielle promises par Apple Intelligence au sein de l'écosystème iOS et macOS. Apple ne s'est pour l'instant pas exprimée sur cette initiative d'OpenAI, qui s'appuie sur les autorisations système classiques de macOS plutôt que sur un partenariat natif avec le système d'exploitation. L'épisode s'inscrit dans une compétition plus large entre géants de la tech pour s'imposer comme l'assistant IA par défaut sur les appareils personnels, un terrain où l'accès aux données privées de l'utilisateur, contacts, messages, historique, devient un enjeu stratégique majeur. Reste à voir si Apple laissera cette intégration tierce coexister durablement avec ses propres ambitions, ou si des restrictions viendront encadrer l'accès des applications concurrentes aux données sensibles de Messages.

OutilsOutil
1 source
NVIDIA rachète Poolside pour 12 milliards de dollars : les fondateurs restent pour 1 milliard, les employés partent pour 6 milliards
104Latent Space 

NVIDIA rachète Poolside pour 12 milliards de dollars : les fondateurs restent pour 1 milliard, les employés partent pour 6 milliards

Poolside a conclu avec NVIDIA un accord evalue a 12 milliards de dollars, décrit comme un execuhire inverse : NVIDIA licencie la Model Factory de Poolside et embauche 109 de ses salaries, soit la quasi-totalité de son effectif technique. Selon les fondateurs, dont Eiso Kant, les employés qui rejoignent NVIDIA se partagent environ 6 milliards de dollars, tandis que les fondateurs, qui restent a la tête de Poolside, touchent environ 1 milliard de dollars. L'entreprise, dont moins de 70 personnes ont construit son dernier modèle et moins de 115 au total ont participe aux efforts de recherche et d'ingénierie, avait déjà noue un partenariat d'investissement avec NVIDIA avant cette transaction. Fin 2025, Poolside disposait d'une fenêtre de six semaines pour lever 2 milliards de dollars afin de financer un cluster de 40 000 GPU GB300 devant entrer en service en janvier 2026 ; le financement n'a pas abouti a temps et le cluster a été perdu. Parallelement, Poolside Infraco, filiale infrastructure spinnee en janvier 2026, viserait une capacité de 7 gigawatts pour un neocloud. Cette opération renverse le schéma habituel des execuhires récents dans l'IA, comme les rachats de Windsurf par Google, de Character.AI par Google, de Scale AI par Meta ou d'Instacart par OpenAI, ou généralement les dirigeants partent avec un chèque confortable en laissant l'entreprise et ses salaries derrière eux. Ici, ce sont les employés qui rejoignent le géant des puces, tandis que les fondateurs conservent leur société pour la réorienter vers un nouveau projet. Pour l'industrie, l'épisode illustre a quel point la course a l'infrastructure de calcul est devenue le facteur limitant du développement de modèles de fondation, davantage que le capital ou les talents : Poolside estime qu'avec 10 000 a 20 000 GPU GB300, elle aurait pu produire un modèle rivalisant avec la frontière actuelle, mais que les générations suivantes exigeront des clusters bien plus vastes, contraints non seulement par le financement mais par l'espace physique des centres de données et les capacités de calcul déjà engagées ailleurs. Pour NVIDIA, l'opération offre un accès direct a une équipe de recherche réputée tout en renforçant sa position, déjà dominante, sur l'ensemble de la chaine de valeur de l'IA générative, du matériel jusqu'aux modèles eux-mêmes. Poolside, fondée il y a environ trois ans et demi, s'était fait connaitre pour ses modèles de fondation destines au développement logiciel, avec l'ambition de rivaliser avec les laboratoires frontières malgré des ressources plus limitées. Les fondateurs affirment ne pas être encore prêts a dévoiler la nouvelle orientation de l'entreprise, mais plusieurs indices donnes dans leurs communications suggèrent une vision ou les capacités d'intelligence de niveau humain seront largement banalisées par des modèles ouverts, tandis que la superintelligence restera un domaine réserve a quelques acteurs. Ils distinguent aussi deux catégories de problèmes économiquement précieux : ceux limites par l'intelligence, comme le développement logiciel ou la comptabilité, que l'augmentation de la puissance des modèles peut résoudre, et ceux limites par l'expérimentation réelle, comme la recherche médicale, qui nécessitent des boucles de retour empiriques qu'aucune intelligence artificielle ne peut a elle seule combler. Cette distinction pourrait orienter la nouvelle stratégie de Poolside Infraco, dont l'ambition affichée de 7 gigawatts de capacité neocloud laisse présager un pivot vers les infrastructures de calcul plutôt que vers le développement de modèles proprement dit, un terrain désormais occupe par NVIDIA elle-même.

BusinessActu
1 source
☕️ Sur le web, les bots IA écrivent de plus en plus pour les bots
105Next INpact 

☕️ Sur le web, les bots IA écrivent de plus en plus pour les bots

Une étude publiée par le Pew Research Center début 2026 révèle qu'un tiers des pages web mises en ligne depuis le lancement de ChatGPT, en novembre 2022, contient du texte généré ou largement retravaillé par une intelligence artificielle. Les chercheurs ont analysé 10 000 pages web en anglais collectées en juillet, en s'appuyant sur l'outil d'archivage Common Crawl et sur le détecteur Open Pangram pour repérer les signatures stylistiques de l'IA. Sur l'ensemble de l'échantillon, 10 % des pages présentent des signes significatifs de rédaction par IA, mais ce chiffre grimpe à 35 % lorsqu'on exclut les pages publiées avant l'arrivée de ChatGPT. L'étude relève des marqueurs récurrents : les tirets cadratins apparaissent environ deux fois plus souvent dans les textes générés par IA, la virgule de série avant "and" (l'Oxford comma) est utilisée 63 % plus fréquemment, et des mots comme "testament" ou "interplay" reviennent plus de deux fois plus souvent que dans une écriture humaine classique. L'IA a aussi une préférence marquée pour les tournures de parallélisme négatif, du type "ce n'est pas seulement de l'information, c'est de l'influence", même si ce procédé reste globalement rare. Cette bascule a des conséquences concrètes sur la manière dont fonctionne le web aujourd'hui. Début juin, Matthew Prince, le patron de Cloudflare, constatait que le trafic généré par des bots, agents IA compris, dépassait déjà celui des internautes humains, une bascule qu'il n'attendait pourtant pas avant début 2027. Autrement dit, une part croissante du contenu en ligne est désormais écrite par des IA pour être lue, indexée ou reformulée par d'autres IA, dans un web où l'humain devient progressivement un acteur minoritaire de la production comme de la consultation de l'information. Cette dynamique interroge la fiabilité des contenus trouvés en ligne, la pertinence du référencement classique et la manière dont les moteurs de recherche et assistants conversationnels devront trier une masse croissante de textes automatisés. Ce phénomène s'inscrit dans la généralisation rapide des outils de génération de texte depuis 2022, qui a permis à des sites entiers de produire du contenu à moindre coût, parfois à des fins purement commerciales ou de référencement. Les outils de détection comme Open Pangram, bien qu'imparfaits et susceptibles de se tromper dans un sens comme dans l'autre, deviennent des instruments clés pour cartographier cette transformation. Près de 40 % des Français visitent déjà chaque mois des sites d'information générés par IA, signe que cette évolution touche directement le grand public et pose la question de la régulation, de la transparence éditoriale et de l'avenir du journalisme face à cette production automatisée massive.

SociétéPaper
1 source
Slack veut faire sortir le codage par IA du terminal pour l'amener dans le chat de groupe
106VentureBeat AI 

Slack veut faire sortir le codage par IA du terminal pour l'amener dans le chat de groupe

Slack a annoncé le lancement de Slack Code, un nouveau produit qui intègre directement des agents de codage IA, dont Claude Code d'Anthropic, Devin de Cognition, GitHub Copilot et l'agent de Vercel, dans des canaux dédiés de la plateforme de messagerie, propriété de Salesforce. Le produit est disponible sur tous les forfaits Slack dès son lancement, même si les clients doivent disposer de leur propre accès aux agents partenaires. Concrètement, lorsqu'un utilisateur mentionne un agent de codage depuis n'importe quelle conversation, celui-ci ouvre un canal dédié au projet, y effectue le travail de façon visible avec des diffs de code, des aperçus en direct et un plan d'action affiché dans des onglets dédiés, puis archive le canal une fois la tâche terminée en laissant une trace consultable. Lors d'une démonstration, Jeff Wang, président de la division nouvelle entreprise chez Cognition, a montré Devin réagissant à un bug signalé dans un canal d'ingénierie, ouvrant une pull request, identifiant automatiquement le responsable du code concerné, puis utilisant Chrome et les outils de développement pour vérifier que la fonctionnalité corrigée fonctionnait bien. Le lancement s'accompagne aussi de messages directs avec les agents, d'un nouvel onglet Agents avec statut en direct et bouton d'arrêt, ainsi que d'un flux "Add to Slack" permettant de déployer des agents issus de Lovable, n8n, OpenAI, LangChain ou Airtable en quelques clics. L'enjeu de ce lancement dépasse la simple fonctionnalité produit. Jusqu'ici, le travail avec les agents de codage IA restait une affaire individuelle, invisible pour le reste de l'équipe, un développeur seul face à Claude Code ou à un agent dans un terminal. Slack Code cherche à rendre ce travail collectif en ouvrant l'accès à des profils non techniques, chefs de produit, designers ou autres, qui peuvent intervenir directement dans le canal, par exemple en déposant un fichier Figma en pleine tâche sans interrompre l'agent. Rob Seaman, PDG par intérim de Slack, a résumé l'ambition en affirmant que le code n'est plus le goulot d'étranglement du développement logiciel, mais que ce sont désormais les idées, le jugement et le savoir-faire qui comptent, une population que Slack Code élargit à tous les membres d'une organisation. Ce pari intervient à un moment charnière pour le marché de l'IA en entreprise, jusqu'ici dominé par des outils de productivité individuelle en ligne de commande, comme Codex d'OpenAI. Slack mise sur la maîtrise de la couche collaborative autour des agents plutôt que sur les agents eux-mêmes, une stratégie qui s'appuie sur des partenariats avec Cognition, Anthropic, GitHub et Vercel. Ce lancement revêt aussi une importance particulière pour Salesforce, maison mère de Slack, qui a besoin que ce positionnement dans l'IA d'entreprise porte ses fruits face à une concurrence de plus en plus vive sur ce segment.

OutilsOutil
1 source
S1-mini : Superwhisper lance un normalisateur de texte open-weights de 462 Mo qui nettoie les transcriptions ASR brutes
107MarkTechPost 

S1-mini : Superwhisper lance un normalisateur de texte open-weights de 462 Mo qui nettoie les transcriptions ASR brutes

Superwhisper a dévoilé fin 2026 la famille de modèles S1, composée de trois éléments : S1-Voice, un modèle cloud de reconnaissance vocale, S1-Language, un modèle cloud de mise en forme piloté par instructions, et S1-mini, le seul publié en poids ouverts sur Hugging Face. S1-mini est un normalisateur de texte de 0,6 milliard de paramètres, affiné à partir de Qwen3-0.6B, dont la mission n'est ni de transcrire ni de dialoguer, mais de nettoyer les transcriptions brutes issues de la reconnaissance vocale : suppression des hésitations, résolution des reprises et corrections orales au profit de la version finale prononcée par le locuteur, ajout de la ponctuation et des majuscules, et conversion des nombres, dates, montants ou adresses email énoncés à l'oral en texte écrit correctement formaté. Le modèle affiche une précision de 94,8% sur un jeu de test de 7 519 exemples, mesurée en décodage glouton sur la version quantifiée. Sa version GGUF Q4KM ne pèse que 462 Mo et tourne sur le processeur d'un simple ordinateur portable. Publié sous licence Apache 2.0 avec une clause de nommage, il ne couvre pour l'instant que l'anglais, avec une longueur d'entrée recommandée d'environ 1 000 tokens. Cette annonce marque un changement d'échelle intéressant pour l'écosystème de la transcription vocale : plutôt que de livrer un gros modèle de langage généraliste pour nettoyer du texte, Superwhisper propose un composant minuscule, spécialisé et déployable localement, intercalé entre un moteur de reconnaissance vocale classique (Whisper, Parakeet, etc.) et l'utilisateur final. Pour les développeurs solo, cela signifie qu'ils peuvent intégrer un post-traitement de qualité professionnelle directement dans une application de bureau sans dépendre d'une API payante. Pour les entreprises soumises à des contraintes de confidentialité, comme les secteurs de la santé, du droit ou de la finance, il devient possible de faire tourner ce nettoyage de transcription entièrement derrière un VPC, sans que l'audio ou le texte ne quitte jamais le réseau interne. Les cas d'usage visés incluent la dictée, la prise de notes de réunion, le sous-titrage en direct, les éditeurs pilotés par la voix ou encore la saisie vocale dans des outils CRM. Le fonctionnement du modèle repose sur un mécanisme de contrôle original : une ligne de commande à trois axes indépendants placée avant la transcription brute, précisant un style (casual, semi-casual, semi-formal ou formal), une structure (prose ou liste) et un contexte (général ou email), chaque combinaison ayant été spécifiquement entraînée. Le modèle est volontairement contraint pour rester fiable : il n'ajoute aucun contenu non prononcé, ne corrige pas les erreurs factuelles, n'atténue pas les grossièretés et ne réécrit pas les dialectes ; une entrée composée uniquement d'hésitations renvoie une chaîne vide. Deux réglages techniques sont indispensables à son bon fonctionnement, faute de quoi les intégrations échouent silencieusement : désactiver le mode de raisonnement hérité du template Qwen3, actif par défaut, et forcer un décodage glouton plutôt qu'un échantillonnage aléatoire. À noter une légère divergence entre l'application commerciale de Superwhisper, qui propose un curseur de ton à cinq niveaux incluant un réglage "balanced", et les poids ouverts qui ne documentent que quatre valeurs de style entraînées.

OutilsOpinion
1 source
Google Discover adapte son fil aux chatbots IA
108The Verge AI 

Google Discover adapte son fil aux chatbots IA

Google prépare une refonte de son flux Discover, intégré à l'application Google, en lui ajoutant un chatbot capable d'ajuster le contenu affiché selon les instructions tapées par l'utilisateur. La fonctionnalité, dont le déploiement est annoncé pour "les prochains jours", sera accessible via le menu à trois points du flux Discover. Une vidéo diffusée par Google montre l'interface : en appuyant sur l'option, une fenêtre de conversation s'ouvre et permet de décrire ses préférences en langage naturel. Le chatbot confirme ensuite les choix effectués, résume les types de contenus qu'il va privilégier, et laisse la possibilité d'ajouter des précisions si le résultat ne correspond pas exactement à la demande. L'intelligence artificielle "retient" ensuite ces préférences pour les visites suivantes, sans que l'utilisateur ait à les reformuler à chaque fois. Cette évolution marque un changement de méthode dans la personnalisation des flux d'actualités : au lieu de deviner les goûts des utilisateurs à partir de signaux implicites comme les clics ou le temps de lecture, Google leur donne un contrôle direct et explicite via le dialogue. Pour les éditeurs et créateurs de contenu, cela pourrait redistribuer la visibilité de leurs articles selon des critères plus précisément définis par les lecteurs eux-mêmes, renforçant l'influence de l'IA générative sur la découverte de l'information. Cette annonce s'inscrit dans la stratégie plus large de Google d'infuser l'intelligence artificielle dans l'ensemble de ses produits grand public, du moteur de recherche avec les AI Overviews à l'assistant Gemini. Discover, qui alimente déjà une part importante du trafic vers les sites d'actualités, devient ainsi un nouveau terrain d'expérimentation pour des interfaces conversationnelles appliquées à la curation de contenu.

Inférence multirégion pour les modèles OpenAI GPT-5.6 sur Amazon Bedrock
109AWS ML Blog 

Inférence multirégion pour les modèles OpenAI GPT-5.6 sur Amazon Bedrock

Amazon Web Services a annoncé le déploiement des modèles OpenAI GPT-5.6 sur Amazon Bedrock, désormais accessibles dans plus de 25 régions AWS grâce à un mécanisme d'inférence inter-régions baptisé cross-Region inférence (CRIS). L'article, co-écrit avec Chris Dickens d'OpenAI, détaille trois variantes de GPT-5.6 compatibles avec ce système : Sol, Terra et Luna, chacune offrant un équilibre différent entre capacité de traitement et coût. Les trois modèles partagent des caractéristiques communes : une fenêtre de contexte d'un million de tokens, la prise en charge des entrées texte et image, un mode de raisonnement avancé, l'appel d'outils côté serveur et la mise en cache des prompts. Ils sont accessibles via l'API OpenAI Responses, l'API OpenAI Chat Completions et l'API Amazon Bedrock Converse, avec prise en charge du streaming dans les trois cas. Deux types de profils d'inférence sont introduits pour GPT-5.6 : un profil géographique américain (préfixé "us.", par exemple us.openai.gpt-5.6-terra) qui limite le traitement aux régions américaines, et un profil global (préfixé "global.") qui peut router les requêtes vers n'importe quelle région AWS commerciale prenant en charge le modèle, selon la capacité disponible en temps réel. Cette évolution répond à un enjeu concret pour les entreprises qui déploient des modèles d'IA à grande échelle : la disponibilité de capacité de calcul suffisante pour maintenir des performances stables sous forte charge. En permettant à une requête d'être traitée dans une autre région que celle d'origine, Amazon Bedrock élargit le réservoir de ressources disponibles au lieu de limiter chaque client à la capacité d'une seule région, ce qui améliore le débit et la fiabilité du service. Pour les organisations soumises à des contraintes de résidence des données, le choix entre profil géographique et profil global devient un levier direct : le premier garantit que les données restent traitées dans une zone géographique définie, tandis que le second offre un accès plus large à la capacité mais peut faire transiter les données entre plusieurs régions éligibles. La facturation et les quotas restent toutefois consolidés au niveau du compte, quelle que soit la région ayant traité la requête, ce qui simplifie le suivi des coûts pour les équipes techniques. Ce lancement s'inscrit dans la stratégie plus large d'AWS visant à héberger des modèles tiers, dont ceux d'OpenAI, directement sur sa plateforme Bedrock, renforçant sa position face à des concurrents comme Microsoft Azure ou Google Cloud dans la bataille de l'infrastructure d'IA générative. L'intégration de GPT-5.6, avec ses variantes spécialisées incluant des versions dédiées à la cybersécurité, illustre la diversification des offres disponibles sur Bedrock au-delà des modèles propriétaires d'Amazon. La documentation d'AWS précise région par région quelles zones participent aux ensembles de routage global et géographique pour chaque modèle, un point que les équipes techniques devront vérifier avant de choisir leur profil d'inférence, notamment dans les secteurs réglementés où la localisation des données conditionne la conformité.

InfrastructureActu
1 source
Créer un workflow ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (1/2) : configurer l'environnement Snowflake
110AWS ML Blog 

Créer un workflow ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (1/2) : configurer l'environnement Snowflake

AWS a publié la première partie d'une série en trois volets consacrée à la construction d'un flux de machine learning sans code combinant Snowflake, Amazon SageMaker Canvas et Amazon Quick. Ce premier article se concentre sur la configuration du compte AWS et de l'environnement Snowflake nécessaires au projet. Le deuxième volet montrera comment connecter Amazon SageMaker Canvas à Snowflake pour préparer des données et construire un modèle de détection de fraude, tandis que le troisième expliquera comment envoyer les prédictions vers Amazon Quick afin de créer des tableaux de bord interactifs partagés avec les parties prenantes. Le cas d'usage central s'appuie sur l'exemple d'une organisation du secteur de la santé ayant accumulé des années de données opérationnelles dans Snowflake, incluant transactions commerciales, mouvements de produits, interactions patients et indicateurs de performance régionaux. Cette approche répond à un problème très concret : les équipes métier possédaient une base de données solide mais manquaient de capacité en data science pour la transformer en prévisions exploitables. Chaque nouvelle demande de prévision ou d'analyse nécessitait l'intervention d'ingénieurs ou de spécialistes en machine learning, ce qui allongeait les délais de développement et limitait l'expérimentation. Avec Amazon SageMaker Canvas, des analystes métier, chefs de produit ou équipes opérationnelles peuvent désormais explorer des jeux de données, préparer des variables, entraîner des modèles prédictifs et générer des insights de façon visuelle, sans écrire de code et sans dépendre en permanence des équipes techniques. Cela accélère la prise de décision tout en conservant les exigences de sécurité et de gouvernance propres aux environnements d'entreprise, un enjeu particulièrement sensible dans des secteurs comme la santé, la distribution ou les sciences de la vie. Sur le plan technique, l'organisation voulait prévoir la demande sur plusieurs catégories de produits, comprendre les tendances de consommation saisonnières et régionales, et intégrer directement des insights générés par le machine learning dans ses outils de business intelligence. La solution proposée par AWS connecte Amazon SageMaker Canvas directement à Snowflake pour préparer les données et entraîner des modèles, puis permet de déployer ces modèles sur un point de terminaison Amazon SageMaker Endpoint sans configuration d'infrastructure supplémentaire. Une fois le point de terminaison actif, les prédictions générées sur les données transactionnelles Snowflake peuvent être exportées en traitement par lots vers Amazon Simple Storage Service, avant d'être visualisées dans des tableaux de bord interactifs via Amazon Quick. Cette architecture illustre une tendance plus large chez les fournisseurs cloud : rapprocher le machine learning des équipes métier plutôt que de multiplier des pipelines complexes réservés aux data scientists.

OutilsTuto
1 source
Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 2 : préparation des données et création du modèle)
111AWS ML Blog 

Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 2 : préparation des données et création du modèle)

AWS a publié la deuxième partie d'une série technique consacrée à la construction d'un flux de travail de machine learning sans code combinant Snowflake, Amazon SageMaker Canvas et Amazon Quick. Ce second volet, qui fait suite à un premier article consacré à la configuration de la base de données Snowflake, détaille le processus complet de préparation des données et de construction d'un modèle de détection de fraude à l'aide de l'algorithme XGBoost. Amazon SageMaker Canvas est un service de machine learning visuel et sans code qui permet aux analystes métier et aux experts non techniques de créer des modèles prédictifs. Le tutoriel décrit la création d'un « domaine » SageMaker, l'unité organisationnelle de base qui héberge les profils utilisateurs, les configurations de stockage et les paramètres de sécurité, via une configuration rapide en mode « utilisateur unique ». Une fois le domaine créé, l'utilisateur lance Canvas, dont l'espace de travail met entre trois et cinq minutes à se préparer. L'article détaille ensuite l'utilisation d'Amazon SageMaker Data Wrangler, l'outil intégré de préparation des données, pour se connecter directement à un entrepôt de données Snowflake, importer un jeu de données tabulaire et appliquer des transformations visuelles avant de passer à la construction du modèle. Cette approche répond à un enjeu central pour les entreprises qui manipulent de grands volumes de données dans le cloud : réduire la friction entre le stockage des données et leur exploitation pour le machine learning. En permettant une connexion directe entre Snowflake et SageMaker Canvas, sans export manuel ni duplication de données, AWS élimine une étape traditionnellement chronophage et source d'erreurs, tout en garantissant que les modèles sont entraînés sur les données les plus récentes. Ce type d'intégration démocratise l'accès au machine learning : des analystes métier ou des experts sectoriels, dans des secteurs allant des services financiers à la santé, peuvent désormais préparer et transformer leurs données puis construire des modèles prédictifs sans écrire une ligne de code ni dépendre d'une équipe de data scientists. Pour les organisations, cela représente un gain de temps significatif entre la donnée brute et l'insight exploitable, tout en conservant les mécanismes de gouvernance et de sécurité propres à l'environnement AWS. L'exemple choisi, un modèle de détection de fraude bâti avec XGBoost, illustre un cas d'usage à forte valeur pour les institutions financières, où la rapidité de mise en œuvre d'un modèle fiable peut avoir un impact direct sur les pertes évitées. Cette publication s'inscrit dans la stratégie plus large d'AWS visant à combiner ses propres outils de machine learning, comme SageMaker, avec des plateformes de données tierces largement adoptées en entreprise, à commencer par Snowflake, l'un des principaux entrepôts de données cloud utilisés par les grandes organisations. Elle fait aussi référence à Amazon Quick, mentionné dans le titre de la série sans être encore détaillé dans cette deuxième partie, ce qui laisse penser qu'un futur volet abordera la restitution ou l'exploitation des résultats du modèle via cet outil. Ce mouvement vers le no-code pour le machine learning s'inscrit dans une tendance plus générale du secteur, où les fournisseurs cloud cherchent à réduire la dépendance aux compétences techniques pointues pour élargir le nombre d'utilisateurs capables de produire des modèles prédictifs opérationnels. Reste à voir, dans les prochains volets de cette série, comment AWS articule la phase de déploiement et de restitution des prédictions générées par SageMaker Canvas, une étape clé pour transformer ces modèles en décisions concrètes au sein des entreprises utilisatrices.

OutilsOutil
1 source
Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 3) : visualiser les données avec Amazon QuickSight
112AWS ML Blog 

Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 3) : visualiser les données avec Amazon QuickSight

Amazon Web Services a publié la troisième et dernière partie d'une série technique consacrée à la construction d'un flux de travail de machine learning sans code, combinant Snowflake, Amazon SageMaker Canvas et Amazon Quick. Les deux premiers volets avaient posé les bases : la première partie détaillait la mise en place d'une base de données Snowflake dédiée à la détection de fraude, tandis que la deuxième partie montrait comment connecter SageMaker Canvas directement à Snowflake, préparer les données avec les transformations visuelles de Data Wrangler, puis entraîner un modèle de détection de fraude basé sur l'algorithme XGBoost. Cette troisième partie boucle la boucle en expliquant comment importer les prédictions générées par SageMaker Canvas dans Amazon QuickSight, désormais intégré à Amazon Quick, afin de créer des tableaux de bord interactifs combinant données opérationnelles et prédictions de machine learning. Le tutoriel détaille l'importation des prédictions Canvas comme jeu de données, la création d'une analyse via le bouton "Create analysis", la construction de visualisations mettant en évidence les schémas de fraude selon les catégories de transactions, le comportement des marchands et les tendances temporelles, ainsi que l'utilisation des capacités de BI générative pour interroger les données en langage naturel. L'accès à ces fonctions génératives nécessite de faire évoluer les utilisateurs vers les formules Admin Pro, Author Pro ou Reader Pro. Cette démonstration illustre une tendance de fond chez les fournisseurs cloud : réduire la distance entre la construction d'un modèle de machine learning et sa mise à disposition opérationnelle pour des équipes métier non techniques. En permettant à des analystes financiers ou des responsables de la lutte antifraude d'interagir avec des prédictions de fraude via des tableaux de bord en langage naturel plutôt qu'à travers du code, Amazon élargit le public capable d'exploiter des modèles ML sans passer par une équipe data science dédiée. Pour les entreprises qui traitent de gros volumes de transactions, cette intégration directe entre entrepôt de données, modélisation sans code et visualisation d'entreprise promet de raccourcir significativement le délai entre la détection d'un signal de fraude et sa traduction en décision opérationnelle, sans nécessiter d'infrastructure supplémentaire ni d'intégrations personnalisées. Cette série s'inscrit dans la stratégie plus large d'AWS visant à unifier son offre de business intelligence autour de la marque Amazon Quick, qui regroupe désormais QuickSight ainsi que des agents IA personnalisés et des espaces collaboratifs pour organiser fichiers, tableaux de bord et bases de connaissances. Le choix de Snowflake comme source de données souligne également l'interopérabilité croissante entre plateformes cloud concurrentes, AWS proposant des connecteurs natifs vers des entrepôts de données tiers plutôt que d'imposer un écosystème fermé. La démarche répond à une demande récurrente des entreprises confrontées à la fraude financière, qui cherchent des outils accessibles aux équipes non techniques pour accélérer la détection sans dépendre exclusivement d'ingénieurs machine learning. À mesure que les fonctionnalités de BI générative se généralisent, il est probable que d'autres fournisseurs cloud accentuent des intégrations similaires entre entrepôts de données, plateformes de no-code ML et outils de visualisation, dans une course à la simplification des chaînes de décision fondées sur les données.

OutilsOutil
1 source
Le skill /wayfinder : s'orienter dans le "brouillard de guerre" de la planification
113Latent Space 

Le skill /wayfinder : s'orienter dans le "brouillard de guerre" de la planification

Matt Pocock, développeur connu pour son projet open source "AI Skills for Real Engineers" qui totalise plus de 220 000 étoiles sur GitHub et suivi par 347 000 abonnés sur sa chaîne YouTube, a publié une nouvelle compétence baptisée /wayfinder, destinée aux agents d'intelligence artificielle. Il en a détaillé la genèse dans un entretien accordé au média Latent Space, dans le cadre d'une nouvelle série consacrée aux "skills", ces modules de compétences que l'on peut greffer sur des agents IA pour orienter leur comportement. Selon Pocock, /wayfinder répond à un problème concret rencontré lors de l'utilisation d'agents dits "AFK" (Away From Keyboard), capables de travailler seuls pendant de longues sessions, parfois toute une nuit. L'outil vise à aider un utilisateur et son agent à avancer sur un projet dont l'état final n'est pas encore totalement défini, une situation qu'il compare au "brouillard de guerre" en planification. Cette compétence s'attaque à un point de friction bien identifié chez les utilisateurs avancés d'agents autonomes : la phase de planification elle-même. Pocock explique qu'il devait auparavant gérer manuellement la fenêtre de contexte de ses sessions, en surveillant constamment le nombre de tokens consommés et la profondeur de sa réflexion, ce qui rendait l'étape de préparation des tâches longue et contraignante. Avec /wayfinder, une couche d'orchestration prend en charge cette gestion à sa place : elle répartit le travail de planification en plusieurs sessions parallèles, gère la recherche et le prototypage, puis rassemble les résultats. L'utilisateur peut ainsi produire des spécifications plus détaillées avant de lancer un agent autonome sur un volumes de travail plus important, sans être limité par les contraintes de contexte d'une seule session de réflexion. Sur le plan conceptuel, Pocock décrit sa démarche de conception comme la recherche d'un vocabulaire précis pour structurer le flux d'informations entre une session "parent" qui orchestre et des sessions "enfants" chargées de tâches spécifiques. Il distingue ainsi trois entités clés : la carte ("map"), qui résume les décisions déjà prises et donne une vue d'ensemble du projet ; le ticket, qui correspond à la tâche précise confiée à une session donnée ; et la session elle-même. Pour Pocock, cette terminologie rigoureuse est essentielle, car des mots ambigus ou incohérents entraînent des comportements erratiques de la part de l'agent. Cette publication s'inscrit dans une série plus large de Latent Space consacrée aux compétences pour agents IA, un domaine en plein essor à mesure que les développeurs cherchent à automatiser des tâches d'ingénierie de plus en plus complexes et de longue durée.

OutilsOutil
1 source
Une entreprise sur cinq incapable de stopper en temps réel les dépenses excessives d'un agent IA
114VentureBeat AI 

Une entreprise sur cinq incapable de stopper en temps réel les dépenses excessives d'un agent IA

Un nouveau rapport de VB Intelligence (VentureBeat), basé sur des données VB Pulse recueillies auprès de 107 entreprises, révèle qu'une entreprise médiane fait tourner trois plateformes d'orchestration d'agents IA en même temps. Selon l'enquête, 85% des entreprises utilisent au moins deux outils d'orchestration, 64% en utilisent trois, et seulement 15% se limitent à une seule plateforme. Microsoft AI Foundry/Copilot Studio arrive en tête avec une présence dans 70% des architectures d'entreprise, suivi par le SDK Agents d'OpenAI (68%) et la Claude Platform d'Anthropic (47%). Google Enterprise Agent Platform, LangChain/LangGraph, Salesforce Agentforce, Amazon Bedrock et LlamaIndex complètent le paysage, tandis que 22% des équipes développent leur propre orchestration en interne. Plus de la moitié des répondants (53%) prévoient un plan de contrôle hybride d'ici fin 2026, et plus des deux tiers comptent changer de plateforme dans l'année: 15% sous trois mois, 24% entre trois et six mois, 28% entre six et douze mois. Le SDK Claude Agent d'Anthropic est l'outil le plus envisagé pour l'avenir, cité par 43% des équipes, devant Google (environ un tiers), l'orchestration maison (31%) et OpenAI (25%). Ce refus de miser sur un fournisseur unique traduit une méfiance persistante envers les capacités de sécurité et de gestion des permissions des plateformes existantes, plus que la seule volonté d'éviter le verrouillage propriétaire. Les entreprises veulent garder la main sur le contrôle d'exécution de leurs agents plutôt que de la déléguer entièrement à un vendeur. C'est ce qui explique les critères d'achat mis en avant: la flexibilité (29% des réponses), la sécurité et les permissions (17%), la fiabilité en production (15%) et le contrôle sur l'exécution des agents (15%) passent largement devant la puissance du modèle sous-jacent, citée par seulement 10% des répondants, devant la facilité de développement (8%), le coût total de possession (4%) et la latence (2%). Un tel classement bouscule l'idée reçue selon laquelle la course à l'IA se jouerait avant tout sur la performance brute des modèles. Ce basculement rappelle les leçons tirées du verrouillage subi lors des débuts du cloud, que les entreprises cherchent aujourd'hui à éviter en construisant des architectures hybrides capables de faire coexister plusieurs modèles et agents. Mais cette prudence a un coût opérationnel: une entreprise sur cinq admet ne pas pouvoir stopper en temps réel les dépenses générées par un agent IA devenu incontrôlable, signe que la visibilité sur la consommation de tokens reste un angle mort majeur. La satisfaction globale envers les plateformes reste correcte (4,17 sur 5), mais la facilité de mise en œuvre (3,91) et le rapport qualité-prix (3,63) sont nettement moins bien notés, ce qui laisse présager de nouveaux ajustements de la part des fournisseurs comme Microsoft, OpenAI, Anthropic et Google dans les mois à venir.

BusinessOutil
1 source
Liquid AI lance les modèles brouillon LFM2.5-DSpark, jusqu'à 3,18x plus rapides sans changer les résultats
115MarkTechPost 

Liquid AI lance les modèles brouillon LFM2.5-DSpark, jusqu'à 3,18x plus rapides sans changer les résultats

Liquid AI a publié le 20 août 2026 des modèles de brouillon baptisés DSpark pour trois modèles de sa famille LFM2.5 : LFM2.5-1.2B-Instruct, LFM2.5-2.6B et LFM2.5-8B-A1B. Chaque drafter, d'environ 300 millions de paramètres (295,7M pour le modèle 1.2B, 327,7M pour les modèles 2.6B et 8B-A1B), propose un bloc de neuf tokens candidats que le modèle cible vérifie en un seul passage. Le gain de vitesse atteint jusqu'à 3,18x sur une puce H100 de Nvidia et jusqu'à 2,87x sur un MacBook Pro équipé d'une puce M4 Max, sans modifier la sortie du modèle : en décodage greedy, la séquence produite reste identique à celle du modèle cible seul. Les poids sont disponibles au format Safetensors et GGUF, avec un support dès le premier jour dans llama.cpp et SGLang. Le référentiel du drafter 2.6B pèse 655 Mo en BF16. La licence LFM Open License v1.0 autorise un usage commercial gratuit tant que l'entité génère moins de 10 millions de dollars de revenus annuels ; au-delà, une licence commerciale doit être négociée directement avec Liquid AI. Cette annonce cible directement les usages où l'inférence locale prime sur le cloud : assistants de code embarqués, agents fonctionnant sur l'appareil, copilotes hors ligne sur du matériel de type ordinateur portable, et scénarios à un seul utilisateur où la taille de lot reste égale à un. Des secteurs sensibles comme la santé, la finance ou la défense, qui doivent garder leurs données sur site, sont particulièrement visés. L'intérêt principal est que le gain de vitesse ne coûte quasiment rien en précision, puisque les benchmarks restent inchangés. Mais l'accélération dépend fortement du taux d'acceptation des tokens proposés, lui-même lié à la prévisibilité de la tâche : sur MATH500, LFM2.5-8B-A1B accepte 8,27 tokens sur 10 et atteint 3,18x, contre seulement 4,02 sur GSM8K et un gain limité à 1,29x. Sur puce Apple, le modèle à experts mixtes (MoE) 8B-A1B ne gagne que 1,18x en moyenne, un écart que Liquid AI attribue aux limites actuelles du backend Metal de llama.cpp pour les architectures MoE. Ce lancement s'inscrit dans la course plus large à l'inférence locale efficace, où de jeunes acteurs comme Liquid AI cherchent à réduire la dépendance aux fournisseurs d'inférence hébergée en optimisant directement le matériel grand public. La technique DSpark combine trois éléments : un tronc parallèle inspiré de DFlash conditionné sur le contexte du modèle cible, une tête séquentielle légère modélisant les dépendances entre tokens voisins via une chaîne de Markov de rang 256, et un vérificateur à confiance calibrée qui élague les suffixes peu fiables. Aucun fournisseur d'inférence hébergée ne propose encore ces checkpoints sur Hugging Face, ce qui limite pour l'instant l'adoption aux équipes capables d'auto-héberger l'infrastructure avec SGLang ou llama.cpp.

LLMsActu
1 source
NanoClaw arrive sur Slack et permet de créer des équipes d'agents IA persistants a partir d'un seul message
116VentureBeat AI 

NanoClaw arrive sur Slack et permet de créer des équipes d'agents IA persistants a partir d'un seul message

NanoCo, la société derrière NanoClaw, un harnais d'agents IA autonomes open source et pensé pour l'entreprise, plus sandboxé et moins codé que son concurrent OpenClaw, vient de lancer une intégration native avec Slack. Cette nouvelle fonctionnalité permet aux utilisateurs de créer, à partir d'un seul message Slack, des équipes entières d'agents IA persistants, chacun doté de compétences spécialisées, de workflows propres et même d'un avatar personnalisé. Le PDG et cofondateur de NanoCo, Gavriel Cohen, a présenté ce lancement à VentureBeat, affirmant que d'ici 12 à 18 mois, chaque membre d'une équipe deviendra un gestionnaire d'agents. Techniquement, l'installation part du clonage du projet et de l'exécution de l'installeur nanoclaw.sh, qui guide l'utilisateur à travers les dépendances, les identifiants, la construction du conteneur de l'agent et l'association d'un premier canal de messagerie, Slack figurant parmi les canaux pris en charge. Les agents continuent de tourner sur l'infrastructure du client et se connectent à Slack via le Socket Mode, sans que NanoCo ne stocke leurs jetons d'accès, qui restent sur la machine de l'utilisateur, selon la fiche de l'application sur le Slack Marketplace. La version open source originale de NanoClaw avait été publiée en janvier 2026, et les entreprises peuvent choisir librement le modèle de langage sous-jacent qui alimente leurs agents. Cette intégration change concrètement la manière dont les entreprises peuvent déployer des agents IA au quotidien. Contrairement à des sous-agents invisibles qui disparaissent après une tâche unique, chaque agent NanoClaw conserve son propre rôle, sa mémoire, ses instructions et ses permissions, ce qui se rapproche davantage d'un petit département numérique persistant que d'un simple chatbot doté d'un long prompt. Les agents peuvent collaborer entre eux dans des canaux partagés et des Canvases Slack, se taguer mutuellement, et être contactés en dehors de Slack, sur Telegram ou WhatsApp, comme s'ils étaient des collègues humains joignables sur plusieurs plateformes. Pour les équipes techniques, cela simplifie radicalement un processus auparavant fastidieux, qui obligeait à naviguer dans les interfaces d'administration et de développement de Slack, à créer une application, puis à collecter et transférer manuellement des clés API et des jetons. Ce lancement s'inscrit dans une tendance plus large de banalisation des agents IA autonomes au sein des outils collaboratifs d'entreprise, où Slack, déjà central dans la communication des équipes, devient un terrain d'expérimentation privilégié. Les contrôles administratifs classiques de Slack, comme les politiques d'approbation d'applications, restent applicables à ces nouveaux agents, ce qui pourrait rassurer les organisations soucieuses de gouvernance. Reste à voir comment les entreprises géreront la prolifération de dizaines d'agents autonomes coexistant avec leurs employés humains.

OutilsOutil
1 source
Nvidia prépare son retour en Chine avec une nouvelle puce IA
117The Information AI 

Nvidia prépare son retour en Chine avec une nouvelle puce IA

Nvidia prévoit d'expédier d'ici la fin de l'année 2026 les premiers lots limités d'une nouvelle puce d'intelligence artificielle spécialement conçue pour les clients chinois, selon deux employés de l'entreprise cités par la presse spécialisée. Cette puce constitue une variante du LPU (language processing unit) de Nvidia, un processeur développé grâce à des technologies sous licence de Groq, conçu pour fonctionner aux côtés des GPU habituels de Nvidia afin d'accélérer les temps de réponse des chatbots basés sur l'intelligence artificielle. Plusieurs clients chinois auraient déjà passé commande pour ce nouveau composant, avant même le lancement officiel de la production. Cette initiative marque une tentative de Nvidia de retrouver un accès concret au marché chinois de l'IA, dont l'entreprise a été en grande partie écartée par les restrictions à l'exportation imposées par Washington sur les semi-conducteurs avancés. En proposant une puce spécifiquement calibrée pour contourner ces limites tout en restant utile aux besoins d'inférence des entreprises chinoises, Nvidia cherche à préserver ses revenus dans un marché estimé à plusieurs milliards de dollars, tout en évitant de céder définitivement le terrain à des concurrents locaux comme Huawei. Pour les clients chinois, cela signifierait un accès renouvelé, même partiel, à des technologies d'accélération IA de pointe américaines. Cette manœuvre s'inscrit dans un contexte de tensions technologiques prolongées entre les États-Unis et la Chine, où les autorités américaines ont progressivement resserré les règles d'exportation de puces avancées, invoquant des préoccupations de sécurité nationale, tandis que Pékin encourage en parallèle l'autosuffisance de son industrie des semi-conducteurs. Nvidia a déjà tenté plusieurs approches similaires par le passé, notamment avec des versions bridées de ses GPU comme le H20, dont la commercialisation a connu des allers-retours réglementaires. L'issue de ce nouveau projet dépendra largement de l'évolution de la politique américaine en matière de contrôle des exportations et de la réaction des régulateurs chinois, qui pourraient eux-mêmes restreindre l'usage de puces étrangères sur leur territoire.

InfrastructureActu
1 source
Rédiger des politiques Dogwood en langage naturel dans Amazon Bedrock AgentCore
118AWS ML Blog 

Rédiger des politiques Dogwood en langage naturel dans Amazon Bedrock AgentCore

Amazon Web Services a annoncé une extension de sa fonctionnalité Policy au sein d'Amazon Bedrock AgentCore, la plateforme de gestion d'agents IA du groupe. Cette extension permet désormais de générer automatiquement des politiques de gouvernance à partir de documents rédigés en langage naturel, grâce à un outil nommé Policy Authoring. Les règles produites sont exprimées dans Dogwood, un langage de gouvernance open source, puis appliquées en temps réel par un moniteur intégré à AgentCore Gateway, le point d'entrée par lequel les agents accèdent à leurs outils. Les nouvelles capacités couvrent des contraintes temporelles et de trajectoire : limitation de fréquence des appels, prérequis et ordre séquentiel obligatoire entre certaines actions, ou encore prise en compte d'effets cumulatifs. L'outil peut aussi déclencher les services Amazon Bedrock Guardrails pour repérer du contenu inapproprié dans le sens d'un texte libre, en plus de pouvoir restreindre les paramètres d'entrée des outils, une capacité déjà présente dans la version précédente. Pour illustrer le fonctionnement, AWS prend l'exemple d'un agent de service client d'une banque de détail, capable de vérifier l'identité d'un appelant, d'ouvrir un dossier de litige, d'émettre un remboursement, de transférer des fonds entre comptes d'un même client, ou de solliciter l'approbation d'un superviseur. Le schéma des outils est généré à partir du manifeste MCP (Model Context Protocol) de l'agent, ce qui garantit que les politiques produites référencent exactement les mêmes noms de paramètres que ceux utilisés par l'agent en production. Cette évolution répond à un problème concret : à mesure que les agents IA prennent en charge des tâches sensibles, transferts d'argent, remboursements, décisions administratives, le risque qu'ils agissent hors des règles internes ou réglementaires devient critique. Jusqu'ici, la rédaction de politiques de contrôle exigeait une maîtrise technique du langage Dogwood, ce qui limitait leur élaboration aux équipes d'ingénierie. En permettant à des équipes de conformité ou juridiques, comme celle évoquée dans l'exemple bancaire, de convertir directement un document de procédures en règles exécutables, AWS abaisse la barrière entre la rédaction des politiques et leur application technique, réduisant le risque d'erreur d'interprétation entre les deux. Cette annonce s'inscrit dans la stratégie plus large d'AWS autour d'AgentCore, sa plateforme dédiée au déploiement d'agents autonomes à grande échelle, lancée en 2025. Elle reflète une tendance sectorielle où les grands fournisseurs cloud investissent massivement dans les outils de gouvernance et de sécurité des agents, à mesure que ceux-ci gagnent en autonomie dans des secteurs réglementés comme la finance. Le choix de rendre Dogwood open source suggère aussi une ambition d'AWS de faire adopter ce langage au-delà de son propre écosystème, positionnant la firme comme référence sur les standards de contrôle des agents IA.

OutilsOutil
1 source
L'IA à base d'agents à grande échelle : des standards d'entreprise sans dépendance à un fournisseur
119AWS ML Blog 

L'IA à base d'agents à grande échelle : des standards d'entreprise sans dépendance à un fournisseur

Amazon a publié la deuxième partie de sa série consacrée aux systèmes multi-agents à grande échelle, intitulée "Scaling agentic AI: Enterprise patterns without vendor lock-in". Ce billet fait suite à un premier article centré sur l'optimisation de l'orchestration multi-agents au sein d'un seul cas d'usage, où plusieurs agents coordonnent des workflows et décomposent des tâches pour améliorer la précision. Cette nouvelle publication change d'échelle : elle s'adresse aux équipes de plateforme ML des grandes entreprises confrontées non plus à l'orchestration d'agents dans un système unique, mais à la gestion simultanée de multiples frameworks, modèles de fondation et fournisseurs cloud coexistant au sein d'une même organisation. Amazon SageMaker y est présenté comme la brique technique centrale permettant une gestion unifiée du cycle de vie des modèles et de l'inférence à grande échelle, sans imposer un fournisseur ou un framework unique à toutes les équipes. Cette question touche directement à la manière dont les grandes entreprises industrialisent l'intelligence artificielle agentique sans se retrouver prisonnières d'un seul écosystème technologique. Selon Amazon, forcer une standardisation stricte au niveau des frameworks ou des modèles crée des frictions internes, ralentit l'adoption et pousse les équipes à contourner les règles établies. À l'inverse, lier trop étroitement les applications à un modèle ou un fournisseur particulier limite la capacité d'adaptation face à l'évolution rapide des modèles de fondation, dont les compromis en coût, latence et capacités changent constamment. La recommandation d'Amazon consiste donc à standardiser en dessous de la couche applicative, en unifiant des éléments transverses comme la gestion des identités, l'application des politiques de sécurité, l'observabilité et le routage des requêtes, tout en laissant chaque équipe libre de choisir ses outils de construction et d'exécution d'agents. Cette approche vise directement les responsables techniques et architectes qui doivent arbitrer entre cohérence organisationnelle et vitesse d'innovation. Le contexte de cette publication reflète une réalité désormais courante dans les grandes entreprises : différentes équipes adoptent des frameworks distincts selon leurs priorités, certaines privilégiant des workflows structurés, d'autres des interactions collaboratives entre agents, d'autres encore des pipelines déterministes pilotés par des modèles. À cela s'ajoutent des agents développés en interne, des solutions SaaS tierces et des systèmes d'entreprise existants, ainsi qu'une pluralité de fournisseurs de modèles de fondation plutôt qu'un standard unique. Amazon identifie la gouvernance comme l'un des défis majeurs de ces environnements hétérogènes, chaque framework définissant ses propres règles de fonctionnement. Plutôt que de chercher à éliminer cette diversité, jugée inévitable à mesure que l'adoption de l'IA agentique s'étend, l'article plaide pour en contenir l'impact grâce à des couches de contrôle communes, afin que les systèmes puissent évoluer indépendamment sans déstabiliser l'architecture globale de l'entreprise.

OutilsActu
1 source
Migrations cloud à grande échelle avec l'IA à base d'agents sur Amazon Bedrock AgentCore
120AWS ML Blog 

Migrations cloud à grande échelle avec l'IA à base d'agents sur Amazon Bedrock AgentCore

Amazon Web Services a développé un cadre multi-agents destiné à accélérer les migrations massives vers le cloud, construit avec le kit Strands Agents SDK et déployé sur Amazon Bedrock AgentCore, la plateforme d'AWS pour créer et exécuter des agents à grande échelle, quel que soit le modèle ou le framework utilisé. Ce système, mis au point par AWS Professional Services, repose sur quatre agents spécialisés : l'Intake Agent, chargé de la découverte automatisée des architectures existantes et de leurs dépendances ; l'IaC Agent, qui génère le code d'infrastructure (infrastructure as code) conforme aux règles de sécurité de l'entreprise ; le Migration Intelligence and Governance Agent, qui produit des rapports à l'échelle du portefeuille applicatif et des évaluations "well-architected" ; et le SRE Agent, dédié à la supervision proactive après migration. Selon des données internes de suivi de projet citées par AWS, ce dispositif a permis de faire passer le temps de développement du code d'infrastructure de trois à quatre semaines par application à quelques minutes seulement, sur un portefeuille de plus de 300 applications. Cette accélération change concrètement la donne pour les grandes entreprises engagées dans des programmes de sortie de datacenters avec une échéance budgétaire fixe. Multiplié par plusieurs centaines d'applications, un délai de plusieurs semaines par migration représente des années-ingénieurs cumulées, un goulot d'étranglement qui menace directement le respect des délais fixés en interne. En automatisant la découverte, la génération de code et la supervision post-migration, le cadre d'AWS permet de réaffecter les équipes techniques à des tâches à plus forte valeur ajoutée tout en conservant l'autorité décisionnelle humaine sur les choix d'architecture. Pour les responsables de programmes de migration cloud à grande échelle, cela ouvre la voie à des calendriers plus ambitieux et à une réduction significative du travail répétitif habituellement associé à ces projets. Ce cadre répond à trois blocages récurrents identifiés par AWS dans les grands programmes de migration : une découverte manuelle chronophage en début de projet, une écriture redondante de code d'infrastructure pour chaque application, et une exploitation post-migration essentiellement réactive faute d'outils de détection proactive des dégradations de performance. L'architecture s'appuie sur le protocole Model Context Protocol (MCP) pour l'appel d'outils entre agents, et distingue un "parcours migration" (découverte jusqu'au déploiement) d'un "parcours opérations" (supervision continue après bascule). Cette initiative s'inscrit dans la stratégie plus large d'AWS visant à positionner Bedrock AgentCore comme plateforme de référence pour l'IA agentique en entreprise, dans un contexte où de plus en plus d'organisations cherchent à automatiser des tâches d'ingénierie complexes tout en maintenant des contrôles de sécurité et de gouvernance à chaque étape du cycle de vie applicatif.

OutilsOutil
1 source