Actualités IA — page 66

7 595 articles au fil, du plus récent au plus ancien.

38

1301The Decoder 

Nadella critique OpenAI et Anthropic pour avoir interdit la distillation tout en s'entraînant sur les données des autres

Satya Nadella, PDG de Microsoft, a publiquement critiqué OpenAI et Anthropic pour ce qu'il qualifie de "paradoxe inversé de l'information". Selon lui, ces laboratoires s'appuient sur la doctrine du fair use pour entraîner leurs modèles sur des données publiques disponibles en ligne, tout en interdisant à des tiers de pratiquer la distillation de leurs propres modèles, c'est-à-dire l'extraction de connaissances d'un modèle pour en entraîner un autre moins coûteux. Nadella souligne également que ces entreprises continuent d'apprendre à partir des interactions de leurs clients, une pratique qu'il juge tout aussi problématique dans cette logique d'asymétrie. Cette prise de position n'est pas neutre pour l'industrie de l'intelligence artificielle. Nadella appelle les entreprises à reprendre le contrôle de leur propre infrastructure d'apprentissage plutôt que de dépendre des grands fournisseurs de modèles fermés. Un tel positionnement pourrait accélérer la tendance déjà observée vers l'hébergement de modèles propriétaires en interne, renforçant la méfiance des entreprises clientes envers les conditions d'utilisation imposées par OpenAI et Anthropic, notamment sur la protection de leurs propres données et modèles dérivés. Cette sortie s'inscrit dans un contexte de tensions croissantes autour de la propriété intellectuelle et des pratiques d'entraînement des grands modèles de langage, où les géants technologiques défendent des règles différentes selon qu'ils sont fournisseurs ou consommateurs de données. Microsoft, partenaire historique d'OpenAI mais aussi concurrent via Azure AI, n'est pas un acteur neutre dans ce débat: le groupe commercialise justement des solutions permettant aux entreprises de garder la maîtrise de leur infrastructure d'apprentissage. Cette déclaration pourrait relancer le débat réglementaire sur l'équité des pratiques de fair use dans l'IA, un sujet déjà scruté par les autorités américaines et européennes.

Business❧Opinion

1 source

36

1302The Information AI 

Les articles les plus marquants d'ICML

La Conférence internationale sur l'apprentissage automatique (ICML) s'est tenue la semaine dernière à Séoul, réunissant des chercheurs en intelligence artificielle venus du monde entier. Les échanges ont porté principalement sur de nouvelles méthodes pour entraîner et faire fonctionner les modèles de façon plus efficace, un sujet technique au cœur des préoccupations actuelles du secteur. Les participants ont également abordé la question de l'automatisation de leurs propres emplois par l'IA, un thème suffisamment marquant pour faire l'objet d'une newsletter séparée publiée samedi. Sur place, le stand d'OpenAI a attiré beaucoup de monde, tandis qu'Anthropic n'avait presque pas de présence visible lors de l'événement. La coïncidence de calendrier profite à OpenAI: la conférence s'est achevée juste avant qu'Apple ne dépose une plainte retentissante accusant d'anciens ingénieurs et concepteurs de dispositifs, désormais employés par OpenAI, d'avoir dérobé des secrets commerciaux en quittant l'entreprise à la pomme. Cette proximité temporelle signifie que le litige n'a pas pu peser sur l'ambiance de l'ICML, où l'attention est restée concentrée sur la recherche plutôt que sur les tensions juridiques entre géants de la tech. Cet épisode illustre la position actuelle d'OpenAI, à la fois moteur visible de l'écosystème académique et cible de contentieux liés au débauchage de talents chez ses concurrents historiques comme Apple. La faible visibilité d'Anthropic lors d'un rendez-vous scientifique majeur contraste avec l'omniprésence d'OpenAI, reflet des stratégies différentes des deux laboratoires en matière de communication et de recrutement. Les enjeux soulevés à Séoul, efficacité des modèles et impact de l'IA sur l'emploi des chercheurs eux-mêmes, devraient continuer d'alimenter les débats dans les prochains mois, alors que la bataille judiciaire entre Apple et OpenAI ne fait que commencer.

Business⚡Actu

1 source

34

1303Frandroid 

Multiplier vos FPS par 8 ? Le projet secret d’AMD avec son FSR pour distancer Nvidia

Un développeur ayant fouillé dans les pilotes Radeon d'AMD a découvert un mode de génération d'images capable de multiplier les FPS par huit, une fonctionnalité qui semble intégrée au futur FSR mais qui n'a pas encore été officiellement annoncée. Concrètement, ce mode fonctionnerait selon un principe extrême d'images générées par intelligence artificielle : sur huit images affichées à l'écran, une seule serait réellement calculée par le moteur graphique, les sept autres étant entièrement inventées par l'IA à partir de cette image de référence. Cette découverte a été faite en analysant le code des pilotes graphiques d'AMD, sans confirmation officielle du constructeur à ce stade sur le calendrier ou les cartes graphiques concernées. Si cette technologie tient ses promesses, elle représenterait une avancée majeure dans la course à la performance face à Nvidia, qui domine actuellement le marché avec sa technologie DLSS et ses propres modes de génération d'images multi-frames. Multiplier les FPS par huit permettrait à AMD de proposer des scores de performance spectaculaires sur ses cartes Radeon, y compris sur du matériel moins puissant, et de rivaliser directement avec les GPU haut de gamme de son concurrent. Pour les joueurs, cela pourrait signifier un accès à des taux de rafraîchissement très élevés sans avoir à investir dans le matériel le plus onéreux du marché. Reste que la faisabilité technique d'un tel ratio soulève des interrogations sérieuses parmi les spécialistes. Générer sept images sur huit par IA implique un risque accru d'artefacts visuels, de latence supplémentaire et de perte de fidélité par rapport à l'image réellement calculée, des problèmes déjà pointés du doigt sur les technologies de génération d'images existantes, y compris chez Nvidia. La bataille entre AMD et Nvidia autour du FSR et du DLSS s'inscrit dans une course plus large à l'intelligence artificielle appliquée au rendu graphique, où chaque constructeur cherche à compenser les limites physiques des puces par des algorithmes toujours plus agressifs. Les prochaines annonces officielles d'AMD, potentiellement lors d'un salon comme le CES ou via une mise à jour de pilotes, permettront de vérifier si cette fonctionnalité franchit le cap du prototype interne.

Infrastructure⚡Actu

1 source

43

1304Le Big Data 

Déployer Claude en entreprise : les 5 étapes indispensables pour réussir un projet d’IA

Annoncé le 12 juillet, le partenariat entre LTM et Anthropic vise à accélérer l'adoption de Claude, Claude Code et Claude Cowork au sein des grandes entreprises. LTM prévoit d'intégrer ces outils à sa plateforme BlueVerse pour couvrir plusieurs usages : développement logiciel, modernisation d'applications existantes, orchestration d'agents IA, supervision d'infrastructures et ingénierie de la fiabilité (SRE). Au delà de la simple mise à disposition du modèle, les deux entreprises annoncent la création d'un centre d'excellence dédié à Claude, chargé d'encadrer l'utilisation responsable des modèles, le cycle de vie des agents IA ainsi que les exigences de confidentialité et de résidence des données. LTM cible en priorité des secteurs réglementés comme la banque, la finance et l'assurance, où ces garanties de gouvernance sont particulièrement sensibles. Le partenariat s'accompagne d'un accompagnement technique et d'un volet formation des équipes, pensé pour transformer des expérimentations ponctuelles en déploiements à grande échelle. Cette annonce illustre un changement de posture chez les fournisseurs de modèles de langage, qui ne se contentent plus de vendre un accès à leur IA mais s'appuient sur des partenaires capables d'en industrialiser l'usage. Pour les entreprises, le message est clair : la valeur d'un modèle comme Claude ne se révèle pleinement que lorsqu'il est connecté aux données internes, intégré aux applications déjà en place et encadré par une gouvernance solide. Un usage limité à l'interface web, où chaque collaborateur rédige ou résume du contenu de son côté, produit des gains individuels mais reste sans effet réel sur les processus métiers. À l'inverse, une intégration aux systèmes CRM, ERP ou aux bases documentaires permet de générer une valeur mesurable, à condition d'y consacrer des ressources d'intégration, de sécurité et de compétences internes durables. Ce constat rejoint une tendance plus large observée depuis l'essor des grands modèles de langage : le goulot d'étranglement des projets d'IA en entreprise ne se situe plus dans la performance technique des modèles, mais dans leur capacité à s'insérer dans des environnements informatiques hétérogènes et fortement réglementés. LTM et Anthropic proposent une méthode en plusieurs étapes, qui commence par l'identification des cas d'usage à fort retour sur investissement, comme l'assistance au développement avec Claude Code ou l'accélération du support client, avant de passer à la connexion aux outils existants puis à la mise en place d'une gouvernance formelle. D'autres acteurs du cloud et de l'intégration, confrontés au même défi de passage à l'échelle, pourraient s'inspirer de ce modèle pour structurer leurs propres offres autour des IA génératives dans les mois à venir.

Business⚡Actu

1 source

44

1305Le Big Data 

Prime Intellect : pourquoi les entreprises créent leurs propres agents IA plutôt que d’utiliser ChatGPT ?

Prime Intellect, une startup américaine fondée en 2024, vient de lever 130 millions de dollars lors d'un tour de série A mené par Radical Ventures, portant sa valorisation à un milliard de dollars. Parmi les investisseurs figurent également Nvidia, Intel Capital, Dell, ainsi qu'une liste de business angels issus de Perplexity, Box, Harvey, Cognition ou encore Zapier. Contrairement à OpenAI ou Anthropic, l'entreprise ne cherche pas à développer un nouveau grand modèle de langage généraliste. Son ambition, selon son cofondateur Vincent Weisser, est de fournir aux entreprises l'infrastructure technique complète pour entraîner et adapter leurs propres agents d'intelligence artificielle, sans dépendre exclusivement des grands laboratoires qui concentrent aujourd'hui les capacités de développement des modèles les plus avancés. Cette levée de fonds illustre un basculement dans la manière dont les entreprises abordent l'IA générative. Après avoir massivement adopté des outils prêts à l'emploi comme ChatGPT pour automatiser certaines tâches, de nombreuses organisations se heurtent désormais aux limites de ces solutions en contexte professionnel. Les données sensibles, les procédures internes et les informations stratégiques sont de plus en plus difficiles à confier à des modèles propriétaires hébergés par des fournisseurs tiers. S'ajoute à cela la crainte d'une dépendance excessive à des plateformes dont les tarifs, les modèles ou les conditions d'accès aux API peuvent évoluer sans préavis, une inquiétude renforcée par plusieurs changements de stratégie récents et l'abandon de projets expérimentaux chez certains grands acteurs du secteur. Pour les directions informatiques, la promesse de Prime Intellect consiste précisément à reprendre la main sur les données et sur l'infrastructure, plutôt que de rester locataires d'un service externe. Cette approche répond à un besoin de différenciation concurrentielle. Un agent IA générique répond à des questions générales à partir de ses connaissances et des données fournies ponctuellement par l'utilisateur, tandis qu'un agent construit sur une infrastructure comme celle de Prime Intellect peut être connecté directement aux bases documentaires, aux feuilles de calcul et aux applications métiers d'une entreprise, avec un entraînement et un apprentissage par renforcement adaptés à son activité précise. La personnalisation devient alors un avantage difficile à répliquer, puisqu'elle repose sur des données propriétaires inaccessibles aux modèles généralistes. Cette tendance, déjà observée chez des startups spécialisées comme Harvey dans le juridique, s'inscrit dans un mouvement plus large de désintermédiation vis-à-vis des grands laboratoires d'IA, où les entreprises cherchent à sécuriser leur autonomie technologique tout en tirant parti des avancées des modèles ouverts et modulaires.

Business❧Opinion

1 source

34

1306Ars Technica AI 

La simulation de tout (ou presque) : promesses et limites des modèles du monde

Les modèles de langage (LLM) ont dominé la conversation sur l'intelligence artificielle ces dernières années, au point que le grand public associe souvent IA et LLM sans distinction. Une nouvelle catégorie gagne pourtant du terrain: les "world models", ou modèles du monde. Ces derniers mois ont vu se multiplier les annonces dans ce domaine, accompagnées de levées de fonds importantes et d'un effort de recherche et développement croissant de la part de laboratoires et d'entreprises technologiques. Contrairement aux LLM, centrés sur le traitement du langage, ces systèmes visent à simuler le monde physique, ou du moins à en produire une approximation suffisamment fidèle pour être utile. Cette évolution marque un tournant potentiel dans la manière dont l'IA est conçue et déployée. Un système capable de modéliser la physique, l'espace et les interactions du monde réel ouvrirait des perspectives bien au-delà de la génération de texte: robotique, simulation industrielle, conduite autonome, ou encore création de contenus interactifs. Pour les entreprises qui investissent massivement dans ces technologies, l'enjeu est de dépasser les limites actuelles des LLM, qui manipulent des représentations statistiques du langage sans réelle compréhension causale ou spatiale du monde qui nous entoure. Le développement des world models s'inscrit dans une quête plus large de l'industrie de l'IA: construire des systèmes dotés d'un raisonnement plus proche de la cognition humaine, capable d'anticiper les conséquences d'une action dans un environnement donné. Cette ambition soulève cependant des questions sur la faisabilité technique, le coût computationnel et la fiabilité de telles simulations. Plusieurs acteurs du secteur, chercheurs comme investisseurs, surveillent de près cette dynamique, qui pourrait redéfinir les priorités de recherche en IA dans les années à venir, au même titre que l'essor des LLM l'a fait précédemment.

Recherche❖Paper

1 source

49

1307AI News 

Les robots d'exploration des agents IA doivent désormais demander l'autorisation : voici comment l'obtenir

Cloudflare a annoncé le 1er juillet un changement majeur dans sa gestion des robots d'intelligence artificielle qui prendra effet le 15 septembre. L'entreprise remplace son ancien interrupteur unique de blocage des bots IA par trois catégories distinctes. La catégorie Search regroupe les robots qui indexent une page pour répondre plus tard à des questions. La catégorie Agent couvre les systèmes automatisés agissant en temps réel pour un utilisateur, comme le robot de récupération de ChatGPT ou les agents qui naviguent seuls sur le web. La catégorie Training concerne les robots qui aspirent du contenu pour entraîner les modèles. Ces contrôles sont disponibles depuis le 1er juillet pour tous les clients, y compris ceux de l'offre gratuite. À partir du 15 septembre, les réglages par défaut changeront : les catégories Training et Agent seront bloquées sur les pages affichant des publicités, tandis que Search restera autorisée. Ces nouveaux défauts s'appliqueront automatiquement aux domaines qui rejoignent Cloudflare, aux nouveaux sites de clients existants et à l'ensemble des comptes gratuits déjà en place, sauf désactivation manuelle avant cette date. Ce changement bouleverse le fonctionnement des agents IA d'entreprise, qui reposaient jusqu'ici sur l'hypothèse que le web ouvert restait accessible sans restriction. Un agent de recherche qui consulte la page tarifaire d'un concurrent, un outil de veille qui surveille les annonces d'un fournisseur, ou un service client automatisé qui récupère une fiche technique : aucune de ces actions ne nécessitait de licence jusqu'à présent. Or Cloudflare gère une part considérable du trafic web mondial, et ses blocages s'appliquent au niveau du réseau, contrairement à une simple recommandation robots.txt qu'un robot pouvait ignorer. Le risque pour une entreprise n'est pas juridique mais opérationnel : son agent IA se retrouvera avec un accès dégradé aux pages financées par la publicité, précisément celles où se trouvent l'actualité, les tests produits et les comparatifs de prix, ce qui peut se traduire par des réponses incomplètes ou construites sur des données partielles. La complication la plus visible concerne Google, dont le robot Googlebot explore à la fois pour l'indexation et pour l'entraînement via un seul et même robot. Un site qui bloque la catégorie Training bloque donc aussi Googlebot, ce qui affecte sa visibilité dans les résultats de recherche. Le PDG de Cloudflare, Matthew Prince, a expliqué espérer que ces changements inciteront les robots à usages mixtes à séparer clairement recherche, usage agentique et entraînement. Un mécanisme de rémunération se met en parallèle en place : le programme Pay Per Crawl évolue vers un modèle Pay Per Use, avec des acteurs comme Ceramic.ai qui rémunèrent les éditeurs quand leur contenu apparaît dans des résultats de recherche IA, et You.com qui paie lorsqu'un agent accède à du contenu premium. Cloudflare affirme que plus de la moitié du trafic des robots IA consiste à re-explorer des pages inchangées, un gaspillage que ce nouveau système vise aussi à limiter. Pour les éditeurs sur l'offre gratuite, la bascule automatique au 15 septembre mérite une vérification préalable de leur compte.

Business⚡Actu

1 source

44

1308IEEE Spectrum AI 

Le socle logiciel pour robots polyvalents

X Square Robot, entreprise chinoise spécialisée dans l'IA incarnée, mise sur une pile technologique intégrée pour doter les robots d'une capacité générale, faute de recette éprouvée comme celle qui a fonctionné pour les grands modèles de langage. Sa stack combine des données d'interaction, un modèle du monde capable de prédire les changements physiques, et un modèle d'action regroupant perception, planification, raisonnement et décision, le tout réuni dans une architecture baptisée World Unified Model. L'entreprise a développé un système de collecte de données, l'Universal Manipulation Interface, commercialisé sous le nom QUANXTA Zero Series : des humains portant un dispositif à double pince enregistrent des démonstrations, sans passer par la téléopération d'un robot. La particularité tient à un contrôle qualité strict, avec une boucle d'inspection qui rejoue physiquement un échantillon de trajectoires sur un vrai robot ; seules celles qui accomplissent réellement la tâche sont retenues comme valides. Une pince qui se referme une fraction de seconde trop tôt, par exemple, ressemble à une saisie réussie dans les données mais a en fait repoussé l'objet, et se trouve donc écartée. X Square Robot pré-entraîne ensuite ses modèles sur un large volume de démonstrations humaines avant d'ajouter une petite quantité de données robotiques réelles pour ancrer le modèle à la dynamique précise de la machine. Cette approche s'attaque à ce que l'entreprise considère comme le principal frein au développement de robots généralistes : non pas le nombre de paramètres des modèles, mais le coût et la qualité des données d'interaction. Selon X Square Robot, la combinaison de données humaines bon marché et d'un faible volume de données robotiques permet d'atteindre des performances comparables à un jeu de données entièrement robotique, pour un coût de collecte environ 20 fois inférieur, principalement parce que le dispositif portable coûte beaucoup moins cher à déployer qu'une flotte de robots téléopérés. Pour l'industrie, cela change la donne économique de l'entraînement robotique et pourrait accélérer l'émergence de robots capables de transférer leurs compétences d'une tâche à une autre, voire d'une machine à une autre, un problème resté largement irrésolu jusqu'ici. Le choix de publier cette pile en accès ouvert s'inscrit dans un débat plus large sur la manière de construire l'IA incarnée : faut-il un modèle unique et massif, ou un ensemble de composants complémentaires partageant une base de code commune, comme le défend X Square Robot avec ses modèles du monde et d'action présentés comme indépendants mais liés ? L'entreprise mise sur trois principes structurants : considérer l'interaction, et non la simple trajectoire, comme unité de base des données robotiques ; viser un pré-entraînement directement exploitable plutôt qu'une simple initialisation à affiner ; et modéliser le comportement autour d'événements physiques plutôt que de simples découpages temporels. Ces choix, encore débattus dans le secteur, positionnent X Square Robot parmi les acteurs qui tentent de définir la future norme technique des robots généralistes, dans un contexte de concurrence croissante entre laboratoires chinois et occidentaux sur ce terrain.

Robotique❧Opinion

1 source

44

1309Le Big Data 

La confidentialité de l’AI Act : contraintes et opportunités

La confidentialité des données s'impose comme l'enjeu central de l'AI Act à l'approche de l'échéance d'août 2026, selon Laurent Attali, fondateur et dirigeant d'IA Confidential. Malgré le report de certaines dispositions du règlement européen, la trajectoire réglementaire reste inchangée et impose trois obligations concrètes aux dirigeants d'entreprise : localiser précisément où et comment l'IA est utilisée dans leur organisation, identifier quelles données sont confiées à ces systèmes, et démontrer une maîtrise complète de ces processus. Sur le terrain, Attali pointe un phénomène déjà massif et largement sous-estimé, le « Shadow AI », c'est-à-dire l'usage non encadré d'outils d'intelligence artificielle par les salariés en dehors de tout cadre défini par l'entreprise. Une étude citée par Attali indique que 27% des collaborateurs y ont recours, injectant parfois sans le savoir des contrats, des dossiers RH ou des documents stratégiques dans des modèles génératifs susceptibles de réutiliser ces données pour leur propre entraînement. Ce constat a des conséquences directes pour les entreprises manipulant quotidiennement des informations sensibles, cabinets d'avocats, directions financières, services RH, cabinets de conseil ou industries détentrices de brevets, pour qui une fuite via un outil d'IA non maîtrisé peut effacer un avantage concurrentiel construit sur des années. Plutôt que de recommander l'interdiction pure et simple de ces outils, jugée contre-productive au regard des gains de productivité qu'ils permettent, Attali plaide pour un accompagnement structuré transformant la contrainte réglementaire en levier de confiance. Il établit un parallèle avec le RGPD : les entreprises ayant pris au sérieux la protection des données personnelles en ont tiré un gain de crédibilité auprès de leurs clients, et il anticipe une dynamique similaire avec l'AI Act sur le terrain de la confidentialité. Pour les organisations concernées, l'enjeu n'est donc plus seulement défensif mais devient un argument commercial et un signal de fiabilité vis-à-vis de partenaires et de clients de plus en plus attentifs à la gouvernance des données. Selon Attali, l'erreur la plus fréquente commise par les entreprises n'est pas technique mais humaine et organisationnelle : déployer des outils d'IA générative sans avoir défini au préalable de règles d'usage claires pour les équipes. La solution qu'il préconise passe par un dialogue interne et une co-construction des politiques d'utilisation avec les collaborateurs eux-mêmes, plutôt qu'une imposition descendante de règles techniques. Cette approche vise à combler un angle mort à la fois sociologique et stratégique, la méconnaissance par les directions des usages informels de l'IA en interne, en associant les salariés à la définition d'un cadre sécurisé. À l'approche de l'échéance réglementaire d'août 2026, cette question de gouvernance humaine des outils d'intelligence artificielle s'annonce donc comme un chantier prioritaire pour les entreprises manipulant des données sensibles, bien avant les aspects purement techniques de mise en conformité.

Régulation⚖Reglementation

1 source

32

1310Le Big Data 

Google Voice intègre Gemini pour résumer automatiquement vos appels

Google Voice s'enrichit de Gemini, capable d'enregistrer, transcrire et résumer automatiquement les appels téléphoniques professionnels des utilisateurs. Pendant une conversation, il suffit d'activer la fonction Notes pour lancer la transcription et l'enregistrement assistés par l'IA. Un message audio prévient immédiatement tous les participants que Gemini analyse l'échange, une manière pour Google d'éviter les enregistrements silencieux, particulièrement problématiques lorsque la discussion contient des informations sensibles. Une fois l'appel terminé, Gemini produit un résumé des points clés et des actions à mener, accessible directement dans l'application Google Voice ainsi que par un lien envoyé par courriel. En parallèle, Google simplifie l'accès au service : les forfaits Voice Starter et Standard sont désormais disponibles sans nécessiter un abonnement Google Workspace complet, avec une réduction de 50 % sur l'offre Standard pendant six mois, ramenant son prix à dix dollars mensuels contre vingt dollars ensuite. Cette nouveauté transforme un simple numéro secondaire, jusqu'ici surtout utilisé pour filtrer les appels indésirables, en véritable outil de travail. Pour un indépendant ou un commercial enchaînant plusieurs rendez-vous téléphoniques dans la journée, la fonction peut remplacer la prise de notes manuelle et éviter de réécouter de longs échanges pour retrouver une information précise, comme un prix annoncé à l'oral. Mais l'arrivée d'une IA dans des conversations professionnelles soulève aussi des questions de confidentialité : Google assure que chaque utilisateur ne voit que ses propres notes, même lorsque plusieurs participants activent la fonction, chacun recevant sa copie séparée. Deux limites freinent toutefois l'adoption immédiate : la fonctionnalité ne fonctionne pour l'instant qu'en anglais, et elle nécessite un abonnement Voice Standard ou Premium, ce qui exclut les utilisateurs des forfaits d'entrée de gamme. Cette évolution s'inscrit dans une tendance plus large de Google, qui déploie Gemini dans l'ensemble de ses outils de communication après l'avoir déjà intégré à Google Meet pour la prise de notes de réunions. En rapprochant Voice de ces fonctions collaboratives, l'entreprise cherche à en faire un outil professionnel autonome plutôt qu'un simple numéro annexe. La baisse de prix et l'ouverture sans abonnement Workspace ciblent explicitement les petites entreprises et indépendants soucieux de leurs coûts mensuels, mais l'offre reste pour l'instant réservée aux États-Unis, sans calendrier annoncé pour une extension internationale.

Outils⚒Outil

1 source

42

1311The Decoder 

Google SensorFM transforme les données brutes des capteurs portables en une couche d'intelligence santé polyvalente

Google Research a dévoilé SensorFM, un modèle de fondation entraîné sur plus de mille milliards de minutes de données issues de montres connectées Fitbit et Pixel Watch, collectées auprès de cinq millions d'utilisateurs. Ce système bat les benchmarks existants sur 34 des 35 tâches de santé et de comportement testées, un résultat qui témoigne de l'ampleur inédite du jeu de données mobilisé par Google pour ce projet. Le modèle transforme des données de capteurs bruites et hétérogènes, fréquence cardiaque, sommeil, activité physique, en une couche d'intelligence exploitable pour analyser l'état de santé général des utilisateurs. Cette avancée pourrait à terme alimenter un futur coach santé basé sur l'intelligence artificielle chez Google, bien que l'entreprise n'ait annoncé aucun plan d'intégration concret pour l'instant. L'enjeu est de taille pour l'industrie de la santé connectée : transformer des flux de données de capteurs souvent imprécis et fragmentés en signaux fiables et interprétables pourrait ouvrir la voie à une détection plus précoce de problèmes de santé, un suivi personnalisé plus fin et des recommandations mieux adaptées à chaque utilisateur, sans nécessiter de nouveaux appareils ni de saisie manuelle. Ce développement s'inscrit dans la course plus large que se livrent les géants technologiques pour dominer le secteur émergent de la santé pilotée par l'IA, où Apple, Samsung et d'autres acteurs investissent également massivement dans l'exploitation des données de capteurs portables. Avec l'écosystème Fitbit et Pixel Watch comme base d'entraînement, Google dispose d'un avantage de volume de données difficile à égaler. Reste à voir comment l'entreprise choisira de déployer concrètement cette technologie, que ce soit via une application dédiée, une intégration à Google Fit ou un futur assistant de santé grand public.

Recherche⚡Actu

1 source

30

1312Frandroid 

OpenAI recrute pour faire entrer ChatGPT dans les foyers, aidants et seniors compris

OpenAI a publié une offre d'emploi pour recruter un designer spécialisé dans la conception d'expériences dédiées aux familles au sein de ChatGPT. Ce poste vise explicitement à repenser la manière dont l'assistant conversationnel s'adresse aux différents membres d'un foyer, des parents aux enfants en passant par les aidants et les seniors. L'entreprise dirigée par Sam Altman cherche ainsi à élargir l'usage de ChatGPT au delà du cadre professionnel ou individuel, pour en faire un outil pensé pour des dynamiques collectives et intergénérationnelles. Cette annonce de recrutement, encore discrète, s'inscrit dans une stratégie plus large de diversification des usages de l'IA générative. Cette orientation traduit une ambition claire pour OpenAI : ancrer ChatGPT dans le quotidien domestique de millions de foyers, et pas seulement comme un outil de productivité au bureau. Concevoir des expériences pensées pour les aidants ou les personnes âgées suppose des interfaces simplifiées, des fonctionnalités d'accompagnement au quotidien, voire des dispositifs de sécurité et d'accessibilité spécifiques. Pour l'industrie, ce virage confirme que les grands acteurs de l'IA générative visent désormais le grand public dans toute sa diversité, au delà des utilisateurs technophiles habituels, avec des enjeux concrets en matière d'ergonomie et de confiance. Cette démarche s'inscrit dans un contexte de concurrence croissante entre les assistants conversationnels, où chaque acteur cherche à s'imposer comme le compagnon numérique de référence dans la vie de tous les jours. Google, Apple ou encore Amazon ont déjà exploré des assistants pensés pour le foyer, avec des résultats inégaux. OpenAI, fort du succès massif de ChatGPT, semble vouloir capitaliser sur cette notoriété pour toucher des populations jusqu'ici moins équipées face au numérique, comme les seniors, ouvrant la voie à de nouvelles fonctionnalités dans les mois à venir.

Business❧Opinion

1 source

36

1313MarkTechPost 

Stanford présente TRACE, un système d'entraînement d'agents ciblé sur les compétences qui transforme leurs échecs récurrents en environnement RL synthétique

Des chercheurs de Stanford ont développé TRACE (Turning Recurrent Agent failures into Capability-targeted training Environments), un système publié en open source sous licence MIT qui transforme les échecs récurrents des agents fondés sur des LLM en environnements d'entraînement ciblés. Le constat de départ est simple: un agent ne rate pas ses tâches au hasard, mais parce qu'il lui manque des capacités précises et réutilisables, comme retrouver la bonne information ou vérifier une condition préalable. Face à ce problème, les approches classiques, apprentissage par renforcement direct, réglage fin supervisé ou génération de données synthétiques non ciblée, gaspillent une grande partie du budget de calcul sur des compétences que le modèle maîtrise déjà, sans jamais signaler précisément quelle capacité fait défaut. TRACE fonctionne en quatre étapes automatisées, chacune pilotée par un agent LLM suivant un prompt structuré. D'abord, une analyse contrastive compare les trajectoires réussies et échouées pour identifier les capacités absentes, en ne retenant que celles dont l'écart entre succès et échec dépasse un seuil de 0,20 et dont la couverture dépasse 0,10. Ensuite, un agent générateur construit un environnement synthétique dédié à chaque capacité retenue, avec des instances de tâches produites automatiquement à partir de graines aléatoires, ce qui permet une vérification purement algorithmique sans recours à un juge humain ou à un LLM évaluateur. Chaque capacité reçoit alors son propre adaptateur LoRA, entraîné via l'algorithme GRPO (Group Relative Policy Optimization) pendant que le modèle de base reste figé. Enfin, ces adaptateurs sont combinés dans une architecture de mélange d'experts (Mixture-of-Experts), où seules de légères portes de routage sont entraînées, permettant au modèle d'orienter chaque token vers l'expert le plus pertinent en cours de raisonnement. Cette approche change la manière dont les équipes peuvent corriger les faiblesses d'un agent en production: plutôt que de réentraîner l'ensemble du modèle ou de multiplier les tentatives de prompt engineering, il devient possible de diagnostiquer précisément quelles compétences manquent et d'y répondre par un entraînement chirurgical, moins coûteux en calcul et plus facile à faire évoluer au fil du temps. Pour les entreprises qui déploient des agents autonomes dans des tâches complexes comme la gestion de réservations ou le support client, cela ouvre la voie à une amélioration continue ciblée, où chaque nouvel échec récurrent peut être transformé en module d'entraînement supplémentaire sans perturber les capacités déjà acquises. Sur le benchmark τ²-Bench, testé avec le modèle Qwen3-30B-A3B, TRACE a surpassé à la fois les méthodes d'optimisation de prompts et les approches à adaptateur unique en matière de taux de réussite global. Ce travail s'inscrit dans une tendance plus large de recherche sur les agents fondés sur des LLM, où la difficulté ne vient plus seulement de la puissance brute des modèles mais de leur capacité à combler des lacunes spécifiques de façon vérifiable. Les auteurs ont publié leur code et leur article, référencé sous l'identifiant arXiv:2604.05336, ce qui devrait permettre à d'autres équipes de reproduire et d'étendre cette méthode à d'autres environnements agentiques.

Recherche❖Paper

1 source

37

1314The Decoder 

Anthropic prolonge l'accès gratuit à Fable 5 pour ses abonnés, alors que GPT-5.6 Sol d'OpenAI attise la guerre des prix

Anthropic a annoncé le maintien de Claude Fable 5 dans ses formules d'abonnement jusqu'au 19 juillet 2026. Le modèle devait initialement basculer aujourd'hui vers une facturation à l'usage, un changement qui aurait obligé les utilisateurs à payer chaque requête séparément plutôt que de bénéficier d'un accès inclus dans leur abonnement mensuel. Dans l'intervalle, les abonnés Claude peuvent continuer à utiliser Fable 5 dans la limite de 50 % de leur quota hebdomadaire habituel, une mesure transitoire qui leur laisse un accès substantiel sans surcoût immédiat. Ce report intervient à un moment stratégique pour Anthropic, alors que la concurrence sur les prix s'intensifie fortement dans le secteur de l'intelligence artificielle générative. Le lancement récent de GPT-5.6 Sol par OpenAI, accompagné de tarifs agressifs, ainsi que la multiplication de modèles concurrents moins coûteux, mettent une pression croissante sur les entreprises d'IA pour qu'elles proposent un accès plus abordable, voire gratuit, à leurs technologies les plus avancées. Pour les utilisateurs professionnels et les développeurs qui dépendent de Fable 5 dans leurs flux de travail quotidiens, cette extension évite une hausse de coûts potentiellement brutale. Cette décision illustre la difficulté pour les laboratoires d'IA à équilibrer rentabilité et compétitivité tarifaire dans un marché en pleine effervescence. Alors qu'Anthropic, OpenAI et d'autres acteurs investissent massivement dans le développement de modèles toujours plus puissants, la question du modèle économique reste centrale : maintenir des prix bas pour fidéliser les utilisateurs, quitte à réduire les marges, ou monétiser plus rapidement pour financer la recherche. La suite dépendra probablement des mouvements tarifaires d'OpenAI et des autres concurrents dans les prochaines semaines.

Business⚡Actu

1 source

33

1315MarkTechPost 

« Prime Intellect lance Verifiers v1, des ensembles de tâches et environnements modulaires pour l'entraînement et l'évaluation d'agents en RL »

Prime Intellect a lancé verifiers 0.2.0, qui dévoile un cœur entièrement réécrit sous le nouvel espace de noms verifiers.v1. Cette nouvelle version répond à un constat concret : les évaluations modernes font tourner des agents de codage équipés d'outils, de mécanismes de compaction de contexte et de sous-agents, des charges de travail bien plus complexes que ce que gérait la version précédente. Verifiers désigne la pile logicielle que Prime Intellect construit pour l'apprentissage par renforcement agentique et les évaluations d'agents. Auparavant, un « environnement » mélangeait dans un même bloc les données, la logique de l'agent et l'infrastructure d'exécution. La v1 découpe cet ensemble en trois briques indépendantes : un taskset qui définit la tâche (données, outils, notation), un harness qui résout la tâche et produit un déroulé, qu'il s'agisse d'une boucle ReAct, d'un agent en ligne de commande ou d'une implémentation maison, et un runtime qui exécute ce déroulé, localement ou dans un environnement isolé de type sandbox. Grâce à ce découplage, n'importe quel taskset peut désormais fonctionner avec n'importe quel harness compatible. Au cœur de cette architecture se trouve un serveur d'interception géré par verifiers, placé entre le runtime de l'agent et le serveur d'inférence. Il agit comme un proxy pour les requêtes et les réponses, enregistre la trace complète des échanges, fixe les paramètres d'échantillonnage et peut réécrire les réponses des outils afin de limiter les détournements de récompense pendant l'entraînement. Chaque serveur gère un nombre constant de déroulés en parallèle, 32 par défaut, et un pool de serveurs s'ajuste de façon élastique selon la charge observée. Cette architecture compte parce qu'elle sépare enfin la logique de notation du type d'agent testé : comme les harnais parlent des dialectes différents, verifiers en prend en charge trois pour l'instant, les API OpenAI Chat Completions, OpenAI Responses et Anthropic Messages, chacun normalisé par un adaptateur vers un format interne unique, vf.types. Concrètement, les équipes de recherche peuvent réutiliser la même tâche et la même grille de notation pour comparer différents agents ou modèles sans réécrire leur pipeline à chaque fois. Le serveur expose aussi deux clients : un EvalClient, simple proxy HTTP transparent pendant les évaluations, et un TrainClient, qui encapsule les moteurs de rendu de tokens pour garantir un entraînement fidèle au flux réel des échanges. Ce chantier s'inscrit dans une tendance plus large du secteur de l'IA agentique, où les infrastructures d'évaluation peinent à suivre la complexité croissante d'agents autonomes capables d'utiliser des outils, de déléguer des sous-tâches ou de compresser leur contexte sur de longues sessions. Prime Intellect, connu pour ses travaux sur l'entraînement décentralisé de modèles et ses outils open source pour le renforcement, cherche avec verifiers à fournir une base commune que la communauté de recherche puisse adopter pour comparer équitablement les architectures d'agents. En modularisant tâches, harnais et environnements d'exécution, la v1 ouvre la voie à un écosystème où des tiers pourraient publier des tasksets ou des harnais réutilisables, à la manière de bibliothèques logicielles interchangeables. Le mécanisme de réécriture des réponses d'outils au niveau du serveur d'interception vise en particulier à limiter un problème récurrent en apprentissage par renforcement, celui des agents qui apprennent à exploiter des failles de la fonction de récompense plutôt qu'à progresser réellement sur la tâche. Prime Intellect présente cette version comme un aperçu, signe que d'autres évolutions sont attendues avant une stabilisation complète de l'API verifiers.v1.

Outils⚡Actu

1 source

47

1316Le Big Data 

Le détecteur d’images IA de Meta montre ses limites face à un simple recadrage

Meta a présenté Content Seal, un filigrane numérique invisible intégré aux images générées par son outil Muse Image, accompagné d'un détecteur censé identifier ces contenus produits par intelligence artificielle. Une analyse menée par Reuters et publiée le 12 juillet 2026 a testé ce dispositif sur quarante visuels générés par Muse Image. Sur les images intactes, le détecteur s'est montré parfaitement fiable, reconnaissant la totalité des quarante fichiers testés. Mais dès que Reuters a recadré ces mêmes images pour les réduire à environ un tiers, voire la moitié de leur taille d'origine, le taux de reconnaissance s'est effondré à environ 45 %, soit un échec dans 55 % des cas. Aucune manipulation sophistiquée n'a été nécessaire pour tromper le système : ni logiciel de retouche avancé, ni filtre complexe, seulement un recadrage basique, une fonction disponible sur n'importe quel smartphone depuis plus de dix ans. Cette faille pose un problème concret au moment même où l'Union européenne s'apprête à durcir ses exigences en matière de traçabilité des contenus IA. À partir du 2 août 2026, le règlement européen sur l'intelligence artificielle impose aux fournisseurs d'IA générative de marquer leurs productions dans un format lisible par une machine, une obligation qui couvre les images, les vidéos, l'audio et les textes générés artificiellement. Si un simple recadrage suffit à effacer la trace laissée par un outil censé répondre à cette exigence, la capacité des plateformes et des vérificateurs de faits à distinguer contenus authentiques et contenus générés par IA s'en trouve directement affaiblie, à un moment où ces images circulent massivement sur les réseaux sociaux. Cette fragilité n'est pourtant pas propre à Meta. Les spécialistes du secteur savent que les systèmes de filigrane invisible partagent une faiblesse structurelle : un recadrage important, une compression ou un redimensionnement peuvent suffire à effacer un signal devenu trop ténu pour être détecté. Google et OpenAI reconnaissent eux aussi que leurs propres technologies de marquage ne résistent pas à toutes les transformations d'image. Meta rappelle de son côté que son détecteur reste en préversion et que Content Seal a été conçu pour survivre à certaines modifications, tout en admettant qu'un recadrage marqué peut faire disparaître le signal. À cette fragilité technique s'ajoute un problème de compatibilité : Content Seal ne fonctionne ni avec SynthID, la technologie de Google, ni avec le standard C2PA soutenu par Adobe et Microsoft, une fragmentation qui complique d'autant la tâche des acteurs chargés de vérifier l'origine des contenus en ligne.

Sécurité⚡Actu

1 source

42

1317MarkTechPost 

Le NeuroVFM, un nouveau modèle de fondation pour la neuro-imagerie entraîné avec Vol-JEPA sur des IRM et scanners cliniques non filtrés

Une équipe de recherche de l'Université du Michigan a développé NeuroVFM, un modèle de fondation visuel généraliste pour la neuroimagerie, présenté dans une publication de la revue Nature Medicine. Le système a été entraîné sur 5,24 millions de volumes IRM et scanner cliniques, issus de 566 915 études rassemblées dans la base UM-NeuroImages, qui couvre plus de deux décennies de soins courants dispensés par Michigan Medicine. Les chercheurs qualifient leur méthode d'apprentissage à l'échelle du système de santé : plutôt que de s'appuyer sur des rapports radiologiques appariés ou une curation spécifique à chaque pathologie, comme le font les classificateurs médicaux classiques, le modèle apprend directement à partir de données non annotées produites lors de l'activité clinique normale. Son socle technique, baptisé Vol-JEPA, étend les méthodes I-JEPA et V-JEPA à l'imagerie médicale volumétrique en trois dimensions. Concrètement, Vol-JEPA est un algorithme auto-supervisé qui ne reconstruit pas les pixels des images mais prédit des représentations dans un espace latent appris, ce qui lui évite tout besoin d'étiquettes, de comptes-rendus radiologiques ou de décodeur voxel. Chaque volume 3D est découpé en portions non chevauchantes de 4x16x16 voxels, réparties entre un petit contexte visible et une plus large zone masquée à prédire. Un encodeur étudiant traite le contexte, un module prédicteur en déduit les représentations latentes de la zone masquée, et un encodeur enseignant, mis à jour par moyenne mobile exponentielle du modèle étudiant, fournit la cible de référence ; l'écart entre les deux est mesuré par une perte L1 lissée. Le masquage cible en priorité les zones anatomiques utiles grâce à des masques de tête précalculés, avec des ratios de contexte de 25% pour l'IRM et 20% pour le scanner, complétés par un abandon de patchs de 20%. L'intérêt pratique est majeur pour les hôpitaux et les équipes de recherche en radiologie : un même modèle généraliste, entraîné sans supervision humaine coûteuse, pourrait ensuite être adapté à de multiples tâches cliniques de neuroimagerie sans nécessiter de nouvelles données annotées. Cette approche répond à un problème structurel bien connu du secteur : les modèles de fondation les plus performants apprennent surtout à partir de données publiques d'internet, où les IRM et scanners cliniques sont quasiment absents, car ils contiennent des traits faciaux identifiables et posent des problèmes de confidentialité des patients. Les modèles génériques sous-performent donc historiquement sur les tâches d'imagerie cérébrale, faute d'exposition à des volumes médicaux réels et diversifiés. NeuroVFM s'inscrit dans une tendance plus large de diffusion des méthodes de type JEPA, initialement conçues pour les images et vidéos naturelles, vers l'imagerie médicale spécialisée. Reste à voir si d'autres établissements hospitaliers suivront cette voie de l'apprentissage à l'échelle du système de santé pour constituer, à partir de leurs propres archives cliniques, des modèles de fondation comparables dans d'autres spécialités que la neuroimagerie.

Recherche❖Paper

1 source

44

1318MarkTechPost 

Guide de l'ingénierie des boucles : comment 'autoresearch' et 'Bilevel Autoresearch' transforment les agents IA en boucles autonomes de recherche en machine learning

Ancien mode d'usage de l'IA : on tape une instruction, on lit la réponse, on recommence manuellement. Un nouveau paradigme appelé "loop engineering" remplace cet aller-retour par une boucle autonome où le modèle planifie, agit, vérifie son propre résultat, puis recommence jusqu'à atteindre un objectif fixé une seule fois par l'humain. Le 7 mars 2026, Andrej Karpathy a publié en open source sous licence MIT le dépôt "autoresearch", à peine trois fichiers et environ 630 lignes de code, qui a atteint près de 90 000 étoiles sur GitHub en quelques jours et donné son nom au procédé baptisé "Karpathy Loop". Le système limite volontairement l'agent : il ne peut modifier que le fichier train.py, qui contient le modèle GPT, les optimiseurs Muon et AdamW et la boucle d'entraînement, mais n'a pas accès au fichier prepare.py qui gère l'évaluation, empêchant ainsi l'agent de tricher en simplifiant le test plutôt qu'en améliorant le modèle. Un humain rédige les consignes dans un fichier program.md, et chaque cycle consiste à proposer une modification, entraîner le modèle pendant cinq minutes, puis conserver ou annuler le changement selon la métrique valbpb, les bits par octet en validation, où une valeur plus basse est meilleure. Ce rythme permet environ 12 expériences par heure, soit une centaine pendant une nuit. Les résultats rapportés par Karpathy sont concrets : appliqué à son code d'entraînement déjà optimisé nanochat GPT-2, le système a tourné deux jours, réalisé environ 700 expériences et conservé 20 améliorations réelles, réduisant le temps d'entraînement de 11 %, de 2,02 à 1,80 heure. L'une des corrections concernait une implémentation de QK-Norm à laquelle manquait un multiplicateur scalaire, ce qui diluait excessivement l'attention entre les têtes du modèle. Karpathy souligne qu'un humain se lasse après une douzaine d'expériences, alors que la boucle continue sans relâche. Tobi Lütke, PDG de Shopify, a testé le système sur un modèle interne pendant une nuit et obtenu une amélioration de 19 % après 37 expériences, confirmant l'intérêt de la méthode dès lors qu'une métrique objective existe. Ce constat a fait émerger une variante plus ambitieuse, "Bilevel Autoresearch", qui ajoute un second agent superviseur au-dessus de l'agent exécutant, avec un journal d'expériences enrichi de code injecté, et revendique une baisse de valbpb cinq fois supérieure à la boucle simple. Pour fonctionner de façon fiable, toute boucle repose sur trois éléments : un vérificateur objectif qui note chaque tentative, un état persistant qui mémorise les essais passés, et une condition d'arrêt qui limite le coût. Les équipes d'ingénierie IA assemblent désormais ces boucles à partir de cinq briques réutilisables : l'automatisation qui déclenche le cycle, une base de connaissances au format markdown, des agents spécialisés qui séparent rédaction et relecture, des connecteurs vers des outils réels comme un gestionnaire de tickets, et un vérificateur qui reste la garantie finale contre les résultats médiocres.

Outils⚒Outil

1 source

36

1319The Decoder 

LinkedIn, roi incontesté du contenu IA généré en masse, selon une étude portant sur cinq plateformes

Un tiers des publications longues repérées appartenaient à LinkedIn, mais la plateforme concentrait près des deux tiers de tout le contenu généré par IA détecté sur les cinq réseaux étudiés. C'est ce que révèle une analyse de Pangram, société spécialisée dans la détection de texte généré par intelligence artificielle. Selon cette étude, un quart des publications longues sur les réseaux sociaux sont entièrement rédigées par une IA. Sur LinkedIn en particulier, 41 % des posts de format long ont été identifiés comme générés par IA, un taux nettement supérieur à celui observé ailleurs. Pangram précise que son modèle de détection adopte une approche conservatrice, ce qui signifie que le taux réel de contenu généré par IA pourrait être encore plus élevé que celui mesuré. Ce résultat pointe un phénomène qui touche directement la crédibilité des réseaux professionnels comme LinkedIn, conçus à l'origine pour favoriser des échanges d'expertise authentiques entre professionnels. Quand un quart, voire davantage, des textes longs proviennent d'une IA, les utilisateurs ne peuvent plus distinguer un retour d'expérience réel d'un contenu généré automatiquement pour maximiser l'engagement ou le référencement personnel. Pour les recruteurs, les décideurs et les professionnels qui s'appuient sur ces plateformes pour évaluer l'expertise ou la réputation de quelqu'un, cette dilution du contenu authentique complique sérieusement la prise de décision et alimente la méfiance généralisée envers les publications virales. Cette tendance s'inscrit dans un débat plus large autour du "slop" généré par IA, ce contenu produit en masse et à faible coût qui envahit progressivement les plateformes sociales depuis l'essor des grands modèles de langage. LinkedIn n'est pas seul concerné, mais son statut de réseau professionnel rend le problème particulièrement sensible, puisque la plateforme repose sur la confiance et la crédibilité perçue des profils. Reste à savoir comment les plateformes réagiront à ces constats, que ce soit par un étiquetage plus systématique du contenu généré par IA, un renforcement des outils de détection, ou une évolution des algorithmes pour limiter la portée de ces publications automatisées.

Société❖Paper

1 source

44

1320VentureBeat AI 

DeepSeek baisse ses prix de 75 %, mais le problème du facteur 100 persiste

DeepSeek a annoncé une baisse de prix de 75% sur son modèle V4-Pro, une décision qui aurait dû soulager les éditeurs d'applications d'intelligence artificielle et les développeurs d'agents. Pourtant, beaucoup découvrent que des modèles moins chers ne se traduisent pas automatiquement par de meilleures marges. La raison est simple : pendant que les coûts d'inférence chutent, les systèmes agentiques consomment des tokens plus vite que les prix ne baissent. Dans un chatbot classique, une question de l'utilisateur déclenche un seul appel au modèle, avec un ratio tokens d'entrée sur tokens facturés d'environ 1 pour 5. Un agent, lui, transforme cette même question en une chaîne de planification, de recherche, d'utilisation d'outils, de vérification et de synthèse, portant ce ratio à 1 pour 700, voire davantage sur les flux de travail les plus longs. Un exemple cité montre qu'une requête aussi simple que "qu'a demandé notre plus gros client la semaine dernière" mobilise sept opérations facturées et environ 35 000 tokens d'entrée, pour un coût de 0,10 à 0,40 dollar par requête sur un modèle de pointe. Multiplié par un million de requêtes mensuelles, volume courant pour une fonctionnalité B2B, la facture atteint six chiffres. Cette dynamique fragilise le modèle économique dominant du secteur, fondé sur des abonnements SaaS facturés par utilisateur et par mois, qui suppose un coût par utilisateur relativement contenu. Un client intensif effectuant 50 invocations d'agent par jour sur un abonnement à 40 dollars peut coûter en inférence plus que ce que rapporte son abonnement, faisant basculer la marge brute du fournisseur en territoire négatif, un phénomène que plusieurs entreprises confirment déjà observer en privé. Paradoxalement, ce risque s'aggrave à mesure que les clients adoptent davantage les agents, soit précisément la courbe d'usage que les éditeurs cherchent à vendre à leurs conseils d'administration. L'ampleur du problème se lit aussi dans la manière dont les fournisseurs de modèles structurent désormais leurs relations avec les développeurs. Le programme envisagé par OpenAI, qui offrirait deux millions de dollars de crédits API à chaque startup de l'accélérateur Y Combinator, une somme qui aurait auparavant financé un tour de table d'amorçage entier, alors que cette même génération de startups se contentait autrefois de quelques milliers de dollars de crédits AWS, ressemble moins à un argument de recrutement qu'à un aveu du coût réel de fonctionnement d'une entreprise native de l'IA durant sa première année. Pour les grandes entreprises qui intègrent des agents à leurs produits existants, les montants en jeu sont plus élevés encore, chaque étape du raisonnement conservant l'intégralité du contexte accumulé sans jamais rien supprimer.

Business❧Opinion

1 source