Actualités IA — page 72

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

43

1421Le Big Data 

ChatGPT Voice évolue avec GPT-Live-1 et GPT-Live-1 mini : tout ce qu’il faut savoir

OpenAI a dévoilé le 8 juillet 2026 deux nouveaux modèles vocaux, GPT-Live-1 et GPT-Live-1 mini, intégrés directement à ChatGPT Voice. Ces modèles remplacent l'ancien système de prise de parole séquentielle par une architecture dite « full-duplex », qui permet à l'IA d'écouter et de parler en même temps, exactement comme le ferait un interlocuteur humain. Concrètement, l'utilisateur peut désormais interrompre ChatGPT en pleine réponse, marquer une pause pour réfléchir sans être coupé, ou demander à l'assistant de ralentir son débit, le tout sans casser la fluidité de l'échange. OpenAI a aussi retravaillé les neuf voix déjà proposées afin de les rendre plus naturelles et expressives. Autre nouveauté clé, lorsqu'une requête demande davantage de raisonnement, GPT-Live peut transférer discrètement la tâche à un modèle plus puissant comme GPT-5.5, sans interrompre la conversation en cours, et l'utilisateur peut choisir entre un mode instantané privilégiant la rapidité ou des niveaux de réflexion plus poussés. Ce lancement intervient juste avant le déploiement plus large de GPT-5.6. Cette mise à jour vise à corriger l'un des principaux défauts reprochés au mode vocal de ChatGPT depuis son lancement, à savoir sa tendance à couper la parole des utilisateurs au moindre silence, interprété à tort comme la fin d'une phrase. Pour les professionnels qui utilisent l'assistant vocal au quotidien, que ce soit pour du brainstorming, de la préparation de réunions ou de l'apprentissage de langues, cette fluidité accrue change concrètement l'expérience et rapproche l'outil d'une conversation humaine naturelle plutôt que d'un échange mécanique question réponse. La traduction en temps réel, démontrée lors d'une présentation avec une phrase traduite instantanément de l'anglais vers l'hindi, ouvre aussi des usages professionnels comme les réunions internationales, même si sa précision réelle dans différentes langues reste à confirmer par les premiers retours d'utilisateurs. Cette évolution s'inscrit dans une course plus large entre les grands acteurs de l'IA pour rendre les assistants vocaux véritablement conversationnels, alors que Google et d'autres concurrents travaillent aussi sur des interactions vocales plus naturelles. OpenAI accompagne ce lancement de nouvelles fonctionnalités comme des cartes visuelles affichant météo, résultats sportifs ou données boursières pendant l'échange vocal, ainsi que de garde-fous supplémentaires pour gérer les situations à risque et des contrôles parentaux limitant l'accès des adolescents au mode vocal. Le mode conserve par ailleurs ses capacités existantes de recherche web, d'analyse de fichiers et de mémoire, avec un déploiement déjà lancé dans ChatGPT.

Outils⚒Outil

1 source

51

1422The Decoder 

Mistral se lance dans la robotique avec Robostral Navigate, un modèle de 8 milliards de paramètres qui pilote les robots avec une seule caméra

Mistral entre sur le marché de la robotique avec Robostral Navigate, un modèle de 8 milliards de paramètres capable de guider un robot dans un environnement inconnu à partir d'une seule caméra RGB. Entraîné en simulation puis affiné par apprentissage par renforcement grâce à une méthode baptisée CISPO, le modèle atteint un score de 76,6 % sur le benchmark R2R-CE, une référence standard pour évaluer la navigation robotique guidée par le langage en environnement continu. Mistral n'a pour l'instant communiqué aucune date de disponibilité commerciale pour ce modèle. Cette annonce marque un tournant stratégique pour la start-up française, jusque-là concentrée sur les grands modèles de langage textuels et multimodaux. En misant sur une navigation reposant sur une caméra unique plutôt que sur des capteurs coûteux comme le LiDAR ou des systèmes multi-caméras, Mistral vise à rendre l'autonomie robotique plus accessible et moins onéreuse à déployer, un enjeu central pour les fabricants de robots mobiles, de drones ou de véhicules autonomes qui cherchent à réduire les coûts matériels tout en conservant des performances fiables en environnement réel et imprévisible. Ce mouvement s'inscrit dans une compétition mondiale croissante autour de l'intelligence artificielle incarnée, où des acteurs comme Google DeepMind, Nvidia ou encore des start-up spécialisées investissent massivement pour doter les robots d'une compréhension fine de leur environnement physique. En s'appuyant sur son expertise en modèles de langage compacts et efficaces, Mistral cherche à se positionner comme fournisseur de briques logicielles pour l'industrie robotique, un marché encore jeune mais jugé stratégique, alors que les frontières entre IA générative et robotique autonome continuent de s'estomper rapidement.

Robotique⚡Actu

Aussi surLe Big Data

32

1423AWS ML Blog 

« Faire progresser la recherche scientifique : BYOKG et GraphRAG pour la recherche pharmaceutique intelligente »

Les chercheurs en pharmacie perdent un temps considérable à croiser des informations dispersées entre PubMed, leurs notes de laboratoire internes et les bases de données génomiques, un problème qu'Amazon Web Services (AWS) affirme pouvoir résoudre grâce à une architecture combinant bases de données en graphe et intelligence artificielle générative. Dans la découverte de médicaments en phase précoce, le taux de réussite des méthodes traditionnelles ne dépasse pas 5%, et chaque cycle de criblage initial prend plus de six mois. Pour répondre à ce problème, AWS propose une solution baptisée GraphRAG (Graph-based Retrieval Augmented Generation), qui s'appuie sur Amazon Neptune Analytics pour le traitement de graphes à haute performance, couplé à Amazon Bedrock pour les capacités génératives. Le système permet aux chercheurs de poser des questions en langage naturel et d'obtenir des réponses instantanées, appuyées sur des preuves, issues d'un graphe de connaissances unifié reliant interactions moléculaires, expression génique et études cliniques. L'enjeu dépasse le simple gain de temps. En affichant les chemins de citation et les étapes de traversée du graphe utilisées pour construire chaque réponse, l'outil rend le raisonnement de l'IA transparent et vérifiable, un point critique dans un secteur où chaque conclusion doit pouvoir être tracée jusqu'à ses sources pour satisfaire les autorités de régulation. Cette traçabilité permet aussi de préserver la mémoire institutionnelle des laboratoires: quand un chercheur quitte une équipe, les connaissances tacites qu'il avait accumulées ne disparaissent plus avec lui, puisqu'elles restent capturées dans le graphe. Pour l'industrie pharmaceutique, où chaque mois de retard se traduit en coûts financiers mais aussi en vies humaines, cette capacité à générer des hypothèses plus rapidement, tout en gardant un contrôle scientifique rigoureux sur les résultats, représente un avantage compétitif direct. Cette approche s'inscrit dans une tendance plus large où les entreprises technologiques cherchent à dépasser les limites du RAG classique, souvent limité à une simple recherche documentaire, en y ajoutant la dimension relationnelle des graphes de connaissances. AWS positionne explicitement Neptune Analytics et Bedrock comme les briques permettant de construire ce type de système, appelé BYOKG (Bring Your Own Knowledge Graph), pour que chaque organisation pharmaceutique puisse connecter ses propres données propriétaires à cette infrastructure. Reste à voir combien de laboratoires franchiront le pas d'unifier des systèmes historiquement cloisonnés, une transition technique et organisationnelle qui pourrait s'avérer aussi longue que les essais cliniques qu'elle vise à accélérer.

Outils⚡Actu

1 source

30

1424AWS ML Blog 

Automatiser le tri et la priorisation de vos boîtes mail avec Amazon Bedrock

Amazon Web Services a publié un guide technique détaillant une solution d'intelligence artificielle destinée aux organismes du secteur public, en particulier aux collectivités locales britanniques, pour trier et prioriser automatiquement leurs courriels entrants grâce à Amazon Bedrock. Le système fonctionne ainsi : les messages électroniques sont déposés dans un espace de stockage Amazon S3, via Amazon Simple Email Service, une intégration tierce ou le SDK AWS. Chaque nouvel objet S3 déclenche une notification transmise à Amazon EventBridge, qui l'achemine vers une file d'attente Amazon SQS de type FIFO. Cette file est reliée, via EventBridge Pipes, à une machine à états AWS Step Functions, laquelle récupère le contenu du courriel puis interroge un modèle Amazon Bedrock, en l'occurrence Amazon Nova Pro, par le biais de l'API InvokeModel. Un prompt spécifique demande au modèle de classer chaque message selon le service municipal concerné (transports, aides sociales, taxe d'habitation, action sociale, gestion des déchets, environnement, informatique, protection de l'enfance, logement) et d'en évaluer le degré d'urgence, dans un format structuré. En cas d'échec de traitement, les messages sont redirigés vers une file d'attente de lettres mortes pour investigation. Cette automatisation répond à trois difficultés concrètes identifiées par AWS dans la gestion actuelle des courriels des collectivités. D'abord une crise des délais de réponse, avec des centaines de messages reçus chaque jour où les demandes urgentes se retrouvent noyées dans le flux général. Ensuite, un usage inefficace du temps des agents, qui consacrent des heures au tri manuel, un même message pouvant être examiné à plusieurs reprises par différents services avant d'aboutir au bon interlocuteur. Enfin, une évaluation de la gravité des demandes qui manque de cohérence d'un agent à l'autre. En automatisant ce triage, la solution vise à garantir que les dossiers urgents reçoivent une attention immédiate, tout en libérant le personnel administratif pour des tâches à plus forte valeur ajoutée dans le service aux citoyens. Cette initiative s'inscrit dans une tendance plus large d'adoption de l'IA générative par les administrations publiques, confrontées à des contraintes budgétaires et des effectifs limités alors que les attentes des usagers en matière de rapidité de traitement ne cessent de croître. AWS présente cette architecture comme une base de départ, conçue pour être adaptée et enrichie par les organismes qui l'adoptent plutôt que comme un produit fini. Le déploiement s'appuie exclusivement sur des services managés d'AWS, ce qui limite la charge d'exploitation pour des collectivités locales disposant rarement d'équipes informatiques dédiées à l'intelligence artificielle, tout en respectant les bonnes pratiques de sécurité recommandées pour le stockage de données sensibles sur Amazon S3, notamment le chiffrement et le principe du moindre privilège.

Outils⚒Outil

1 source

47

1425AWS ML Blog 

Créer et connecter un serveur MCP e-commerce prêt pour la production avec Amazon Bedrock AgentCore

Amazon a publié un guide technique détaillant la construction d'un serveur MCP (Model Context Protocol) prêt pour la production dans le secteur de l'ecommerce, combinant Amazon Bedrock AgentCore et Mistral AI Studio. Le tutoriel montre comment développer un serveur en Python avec le framework FastMCP, exposant six outils dédiés au commerce en ligne via un point de terminaison /mcp et un endpoint /health pour le monitoring. Le serveur s'appuie sur cinq tables Amazon DynamoDB à capacité à la demande, couvrant les produits, les clients, les commandes, les avis et les retours. L'authentification repose sur un système à deux niveaux de jetons JWT, avec Amazon Cognito gérant l'identité des utilisateurs via le protocole OAuth 2.1. Le déploiement s'effectue avec AWS Cloud Development Kit (CDK), et l'exécution est prise en charge par AgentCore Runtime, qui construit les images de conteneurs dans le cloud grâce à AWS CodeBuild, sans nécessiter Docker en local. Une fois déployé, ce serveur est connecté à Vibe, l'interface conversationnelle de Mistral AI disponible sur web, iOS et Android, permettant aux utilisateurs d'interagir en langage naturel avec les fonctions de recherche de produits, de passation de commandes, de soumission d'avis et de traitement des retours. Cette approche répond à un problème concret pour les équipes ecommerce : le développement d'assistants IA connectés nécessite habituellement des semaines d'intégration sur mesure, avec du code API spécifique pour chaque client, une gestion complexe de l'infrastructure de conteneurs et des mécanismes d'authentification à construire de zéro. En s'appuyant sur le standard MCP, un unique serveur peut être interrogé par plusieurs clients IA différents, éliminant le besoin de développer une intégration distincte pour chacun d'entre eux. AgentCore Runtime prend en charge la gestion des conteneurs, l'isolation des sessions, la validation des jetons JWT et l'observabilité, ce qui décharge les équipes techniques de la maintenance des load balancers et des middlewares d'authentification. Pour les entreprises du secteur, cela signifie un temps de mise sur le marché considérablement réduit pour des expériences client conversationnelles, tout en garantissant l'isolation des données propres à chaque client grâce à la gestion d'identité de Cognito. Ce projet illustre la stratégie plus large d'Amazon Web Services consistant à positionner Bedrock AgentCore comme plateforme de référence pour construire, connecter et faire évoluer des agents IA à grande échelle, en misant sur l'interopérabilité offerte par le protocole MCP plutôt que sur des intégrations propriétaires fermées. Le partenariat avec Mistral AI Studio, dont l'interface Vibe sert de vitrine grand public, s'inscrit dans une tendance où les fournisseurs cloud et les éditeurs de modèles collaborent pour rendre les agents IA directement exploitables par les entreprises, sans développement d'infrastructure supplémentaire. Ce guide, accompagné d'une démonstration vidéo, cible les équipes techniques cherchant à évaluer concrètement comment déployer un agent conversationnel connecté à leurs propres systèmes de données, avec des exigences de sécurité et de scalabilité déjà prises en compte dès la conception.

Outils≡Tuto

1 source

41

1426Ars Technica AI 

Google met à jour Android Bench avec de nouveaux LLM, mais Gemini reste à la traîne

Google a mis à jour Android Bench, son benchmark dédié à l'évaluation des grands modèles de langage sur des tâches de développement Android, lancé en mars. La nouvelle version intègre huit modèles supplémentaires parmi les plus récents du marché : Claude Fable 5, Claude Sonnet 5 et Claude Opus 4.8 d'Anthropic, GLM 5.2, Kimi K2.7 Code, MiniMax M3, ainsi que Qwen 3.7 Plus et Qwen 3.7 Max. Le classement repose sur une suite de 100 tâches de développement Android et adopte désormais un nouveau cadre de test présenté comme plus simple à utiliser. Google a également ajouté de nouvelles métriques, notamment le coût et l'efficacité des modèles, en plus d'intégrer des modèles à poids ouverts, qui n'étaient pas couverts jusqu'ici. Ce type de benchmark répond à un besoin concret pour les développeurs Android : la génération de code par IA s'est imposée comme l'un des usages les plus populaires des LLM, mais tous les modèles ne se valent pas selon les tâches. Distinguer les suggestions réellement utiles des résultats approximatifs suppose de savoir quel outil choisir pour quel contexte. En publiant des résultats comparatifs sur le coût, l'efficacité et la qualité du code produit, Google donne aux équipes de développement des repères concrets pour arbitrer entre les différents modèles disponibles, plutôt que de se fier uniquement à la réputation générale d'un LLM. Cette mise à jour s'inscrit dans une compétition de plus en plus dense entre fournisseurs de modèles, où Anthropic, la Chine avec GLM, Kimi et Qwen, et d'autres acteurs multiplient les versions spécialisées pour le code. Google invite désormais les développeurs à exécuter eux-mêmes ces tests sur leurs propres projets et à transmettre leurs retours, dans l'idée de faire évoluer Android Bench de façon continue. Reste à voir comment les modèles propres à Google, notamment Gemini, se positionneront face à cette concurrence croissante dans les prochaines itérations du benchmark.

LLMs⚒Outil

1 source

43

1427The Decoder 

La solution d'Anthropic au coût élevé de Fable 5 : en faire un manager qui délègue à Sonnet 5

Anthropic recommande d'utiliser Claude Fable 5, son modèle le plus performant mais aussi le plus coûteux, non pas pour exécuter chaque tâche, mais comme chef d'orchestre chargé de planifier le travail confié à des modèles plus légers. Associé à Sonnet 5 dans une configuration baptisée "Advisor", ce dispositif permet d'atteindre 92 % des performances obtenues avec Fable 5 utilisé seul, pour seulement 63 % du coût total. L'information a été rapportée par le média spécialisé The Decoder, qui souligne que cette approche change la manière dont les équipes doivent penser le déploiement de leurs modèles. Cette recommandation change concrètement la donne pour les entreprises et développeurs qui construisent des agents ou des applications reposant sur l'IA générative. Plutôt que de payer le tarif premium de Fable 5 pour chaque requête, il devient possible de réserver ce modèle aux étapes de planification et de raisonnement complexe, tout en confiant l'exécution des tâches courantes à Sonnet 5, nettement moins cher. Pour les organisations qui traitent de gros volumes de requêtes, ce type d'architecture peut réduire significativement la facture d'API sans sacrifier la qualité des résultats de façon perceptible. Cette stratégie s'inscrit dans une tendance plus large du secteur : face à l'explosion des coûts de calcul liés aux modèles les plus avancés, les fournisseurs cherchent des moyens de répartir intelligemment les tâches entre plusieurs modèles selon leur complexité, une pratique parfois appelée "routing" de modèles. Pour Anthropic, promouvoir ce type d'architecture hybride répond aussi à la pression concurrentielle sur les prix de l'IA, tout en incitant les clients à rester dans son propre écosystème de modèles plutôt que de se tourner vers des solutions tierces moins chères.

LLMs⚒Outil

1 source

44

1428The Decoder 

Claude Fable 5 d'Anthropic domine les nouveaux benchmarks du secteur, à prix fort

Anthropic occupe la première place des six nouveaux indices sectoriels lancés par Artificial Analysis, qui évaluent les performances des modèles d'intelligence artificielle dans la finance, le droit et la médecine. Son modèle Claude Fable 5 devance tous ses concurrents sur ces nouveaux classements, mais cette suprématie a un prix élevé. Dans l'indice Strategy & Ops, une tâche unique coûte 3,48 dollars avec Fable 5, soit plus de cent fois le tarif pratiqué par DeepSeek V4 Pro, facturé à seulement 0,03 dollar pour la même opération. Or l'écart de score entre les deux modèles ne s'élève qu'à 12 points, un différentiel de performance jugé minime au regard du fossé tarifaire. Cette disparité relance le débat sur la rentabilité des modèles les plus puissants du marché face à des alternatives nettement moins coûteuses mais presque aussi performantes. Pour les entreprises qui déploient l'IA à grande échelle, notamment dans des secteurs sensibles comme la finance ou le droit, le choix du modèle ne se limite plus à la seule qualité des résultats : le rapport coût-performance devient un critère déterminant. Un gain marginal de précision ne justifie pas toujours une facture multipliée par cent, surtout lorsque les volumes de requêtes sont importants et que les marges d'erreur restent comparables entre les deux solutions. Ces nouveaux indices d'Artificial Analysis s'inscrivent dans une tendance plus large de benchmarking spécialisé par secteur, alors que les entreprises cherchent des repères fiables pour choisir leurs modèles d'IA en fonction de cas d'usage précis plutôt que de scores génériques. La concurrence entre laboratoires occidentaux comme Anthropic et des acteurs chinois comme DeepSeek illustre la diversification croissante du marché, où la course à la performance brute cède progressivement la place à des arbitrages économiques plus fins. Reste à savoir si Anthropic ajustera sa politique tarifaire pour Fable 5 face à cette pression concurrentielle, ou si l'entreprise misera sur un positionnement premium assumé pour les usages professionnels les plus critiques.

LLMs❖Paper

1 source

37

1429AWS ML Blog 

Gérer les applications d'IA sur Mac avec Jamf AI Governance et Amazon Bedrock

Jamf, dont la plateforme de gestion d'appareils Apple est utilisée par plus de 78 000 organisations dans le monde, a annoncé une extension de sa fonctionnalité AI Governance permettant de gérer les applications d'intelligence artificielle sur les Mac professionnels via Amazon Bedrock. Concrètement, cette intégration permet aux administrateurs informatiques de configurer et déployer de manière centralisée des applications comme Claude Code, Claude Desktop et OpenAI Codex sur l'ensemble d'un parc de Mac, en s'appuyant sur la Declarative Device Management (DDM) d'Apple. Les équipes IT peuvent ainsi définir dans Jamf des politiques précisant l'authentification, la région AWS utilisée pour l'inférence, l'accès aux modèles, ainsi que des paramètres plus fins comme les niveaux d'effort, les connexions aux serveurs MCP (Model Context Protocol), les permissions d'accès aux dossiers locaux, le sandboxing ou encore la télémétrie. Ces politiques sont ensuite déployées via les Jamf Blueprints vers des groupes de Mac ciblés, et les utilisateurs peuvent ouvrir directement les applications sans configuration manuelle, l'ensemble des réglages étant poussé automatiquement avant leur premier lancement. Cette annonce répond à un problème concret pour les entreprises qui déploient l'IA générative à grande échelle : jusqu'ici, chaque application tournant en local sur les postes des employés nécessitait une configuration manuelle de fichiers, rendant difficile tout contrôle centralisé sur l'endroit où s'exécute l'inférence et sur la manière dont les données transitent. En connectant ces applications à Amazon Bedrock plutôt qu'à des API tierces non maîtrisées, les organisations gardent l'inférence dans leur propre périmètre de sécurité AWS, un point clé pour les secteurs régulés ou les grandes entreprises soucieuses de la confidentialité de leurs données. Jamf met aussi en avant un bénéfice économique concret : l'activation du cache de prompts (prompt caching) sur Bedrock via cette intégration peut réduire les coûts d'utilisation de Claude Code jusqu'à 90 % et la latence jusqu'à 85 % sur les modèles compatibles, un argument important pour les équipes de développement qui utilisent ces outils de façon intensive et répétitive. Cette évolution s'inscrit dans une tendance plus large où les éditeurs de solutions de gestion de flotte, historiquement concentrés sur la sécurité des terminaux et les mises à jour logicielles, étendent leur périmètre à la gouvernance de l'IA générative en entreprise. À mesure que des outils comme Claude Code ou Codex s'intègrent aux flux de travail quotidiens des développeurs, les directions informatiques cherchent des garde-fous équivalents à ceux déjà appliqués aux applications classiques : traçabilité, conformité, et résistance aux modifications locales non autorisées. Le partenariat entre Jamf et AWS pourrait ainsi préfigurer d'autres intégrations similaires avec des fournisseurs de gestion d'appareils, à mesure que la pression réglementaire et les besoins d'audit autour de l'IA en entreprise continuent de croître.

Outils⚡Actu

1 source

38

1430NVIDIA AI Blog 

NVIDIA Nemotron atteint des performances record avec l'infrastructure LangChain Deep Agents

NVIDIA a dévoilé les résultats de son modèle ouvert Nemotron 3 Ultra, optimisé spécifiquement pour l'infrastructure d'agents Deep Agents de LangChain, la plateforme d'orchestration d'agents IA la plus utilisée du marché avec plus de 200 millions de téléchargements mensuels. Selon le benchmark public Deep Agents de LangChain, Nemotron 3 Ultra obtient la meilleure précision parmi les modèles ouverts, traite davantage de tâches, affiche un débit supérieur et coûte environ dix fois moins cher par exécution que les modèles fermés les plus performants du marché. Sur les tâches business évaluées, le modèle atteint même une parité de performance avec les meilleurs modèles propriétaires. Fait notable, ces gains n'ont nécessité aucun réentraînement du modèle : l'équipe de LangChain a analysé les traces d'exécution des agents pour identifier précisément où Nemotron 3 Ultra perdait des points, puis a ajusté l'environnement autour du modèle, à savoir les prompts système, les descriptions d'outils et les middlewares. Ce profil optimisé est disponible dès maintenant pour tous les développeurs utilisant LangChain Deep Agents. Cette approche change la donne pour les entreprises qui déploient des agents IA en production. À un coût dix fois inférieur, les équipes peuvent lancer des évaluations en continu, expérimenter plus rapidement et construire des agents spécialisés à plus grande échelle sans exploser leur budget d'inférence. Harrison Chase, cofondateur et PDG de LangChain, résume la philosophie du projet : améliorer un agent passe autant par la mémoire, l'usage des outils et l'évaluation que par le modèle lui-même, et ces éléments deviennent plus puissants lorsqu'ils sont ajustés ensemble. Des entreprises comme Abridge, Amdocs et Box intègrent déjà des agents spécialisés directement dans leurs plateformes, tandis que le cabinet de conseil EY élargit ses capacités autour des blueprints NVIDIA NemoClaw pour LangChain Deep Agents, afin d'aider ses clients à personnaliser, évaluer et gouverner leurs agents sur des workflows à forte valeur. Ce travail conjoint s'inscrit dans une tendance plus large : le passage d'assistants IA capables de répondre à des questions vers des agents capables d'agir directement dans les systèmes critiques des entreprises, ce qui relève l'enjeu autour du contrôle et de la propriété de la pile technologique. NemoClaw pour LangChain Deep Agents combine le code Deep Agents ajusté pour Nemotron 3 Ultra avec l'environnement d'exécution sécurisé NVIDIA OpenShell, offrant aux entreprises une pile entièrement ouverte qu'elles peuvent personnaliser et héberger où elles le souhaitent. Jensen Huang, PDG de NVIDIA, s'est récemment entretenu avec Harrison Chase sur les progrès réalisés en six mois dans l'IA appliquée à l'entreprise. Le modèle et le harnais optimisé sont accessibles dès aujourd'hui via les plateformes Baseten, Crusoe Cloud, DeepInfra, Fireworks, Nebius et Together AI.

Outils⚒Outil

1 source

43

1431The Information AI 

La Chine prévoit d'autoriser les principales entreprises d'IA à acheter une quantité limitée de puces Nvidia H200

La Chine s'apprête à autoriser certaines de ses plus grandes entreprises d'intelligence artificielle à acheter un nombre limité de puces H200 de Nvidia, selon deux sources proches du dossier. Cette décision viserait à combler une pénurie provoquée par une demande en forte hausse pour les puces d'IA sur le marché chinois. Elle fait suite à un revirement majeur de Washington : en décembre, le président américain Donald Trump a autorisé Nvidia à expédier des puces H200 vers des clients chinois approuvés, alors que ce modèle était jusque là totalement interdit à l'exportation vers la Chine. Pékin, de son côté, n'avait pas encore donné son feu vert aux entreprises locales pour effectuer ces achats. Ce blocage côté chinois s'expliquait par une volonté de protéger les fabricants de puces nationaux, encore en retard face à Nvidia sur les composants les plus avancés. En autorisant désormais des achats limités, Pékin chercherait un compromis : permettre à ses champions de l'IA d'accéder à une puissance de calcul dont ils manquent cruellement, sans pour autant ouvrir grand la porte à la dépendance technologique américaine ni asphyxier ses propres champions des semi-conducteurs. Ce dossier illustre la position d'équilibriste de la Chine entre ses ambitions d'autosuffisance technologique et les besoins immédiats de ses entreprises d'IA pour rester compétitives face aux géants américains. Les restrictions américaines à l'export, assouplies puis resserrées au gré des tensions géopolitiques, continuent de façonner la stratégie industrielle chinoise. Les prochaines étapes dépendront de l'ampleur des quotas accordés et de la réaction des fabricants chinois de semi-conducteurs, qui pourraient réclamer des protections supplémentaires.

Infrastructure⚖Reglementation

1 source

29

1432InfoQ AI 

La présentation : l'approche multi-agents, développer une automatisation fiable et contrôlable du développement logiciel

Itamar Friedman, cofondateur et dirigeant reconnu dans l'écosystème des outils de développement assistés par IA, a présenté une conférence intitulée "The Multi-Agent Approach: Building Reliable and Controllable Software Development Automation", destinée aux architectes logiciels et aux responsables d'ingénierie. Il y expose comment dépasser le plafond de productivité observé avec les outils d'IA actuels grâce à des systèmes multi-agents adaptatifs. Sa proposition consiste à sortir du simple modèle d'autocomplétion de code pour construire des flux de travail résilients, capables de tester le code de façon autonome, de réaliser des revues de code intelligentes et d'arbitrer les décisions entre plusieurs agents lorsqu'ils entrent en désaccord. Cette approche répond à une limite bien connue des assistants de codage actuels: au delà d'un certain niveau de complexité, l'ajout de puissance de calcul ou de nouveaux modèles ne suffit plus à améliorer la fiabilité des suggestions. En structurant le travail autour de plusieurs agents spécialisés, chacun responsable d'une étape du cycle de développement, les équipes peuvent automatiser des tâches plus sensibles, comme les tests ou la validation de code, sans sacrifier le contrôle humain sur les décisions critiques. Pour les organisations qui cherchent à industrialiser l'usage de l'IA dans leurs pipelines de développement, cela ouvre la voie à une automatisation plus profonde du cycle de vie logiciel, au delà des gains de productivité individuels déjà obtenus avec les assistants de code classiques. Friedman insiste sur la nécessité de gouverner la communication entre agents et de bâtir un cycle de développement piloté par le contexte, capable de monter en charge à l'échelle d'une organisation entière. Cette question illustre un enjeu plus large de l'industrie: alors que les entreprises multiplient les agents IA dans leurs chaînes d'outils, la coordination, la traçabilité des décisions et la robustesse face aux erreurs deviennent des défis aussi importants que la performance brute des modèles sous-jacents.

Outils⚒Outil

1 source

44

1433The Information AI 

OpenAI : selon un chercheur, GPT-5.6 surpasse la plupart des stagiaires humains en recherche en IA

À Séoul, où se tient cette année la conférence internationale sur le machine learning (ICML), le stand d'OpenAI attire une longue file de jeunes docteurs en intelligence artificielle venus du monde entier. Beaucoup espèrent décrocher un entretien avec des chercheurs ou des recruteurs de l'entreprise, ou tenter leur chance à une machine à pinces de type arcade dont les lots incluent des Rubik's Cubes à l'effigie de Codex et des fidget spinners. Mais l'ambiance festive cache une annonce moins réjouissante pour ces candidats : les stages humains pourraient devenir rares chez OpenAI. Interrogé sur les progrès de l'entreprise vers un stagiaire de recherche entièrement automatisé, le chercheur senior Noam Brown a affirmé qu'il préférerait confier la plupart des tâches au dernier modèle de la société, GPT-5.6, plutôt qu'à un stagiaire humain. Cette déclaration fait écho à celle du PDG Sam Altman, qui avait annoncé en octobre dernier son intention de doter l'entreprise d'une IA capable de mener des recherches de façon autonome d'ici septembre de cette année. Cette déclaration illustre à quel point les grands laboratoires d'IA considèrent désormais leurs propres modèles comme des collaborateurs de recherche à part entière, et non plus seulement comme des outils. Pour les jeunes chercheurs qui aspirent à rejoindre OpenAI, le message est clair : la compétition pour les postes ne se joue plus seulement face à d'autres humains, mais aussi face aux systèmes que l'entreprise développe elle-même. Cela pourrait accélérer une automatisation plus large des métiers scientifiques et techniques, où la capacité à générer des hypothèses, écrire du code expérimental et analyser des résultats devient progressivement déléguée à des modèles de langage. Cette ambition s'inscrit dans une course plus large entre les laboratoires d'IA pour automatiser la recherche elle-même, considérée comme une étape clé vers des systèmes toujours plus performants. En misant sur des modèles capables de surpasser des stagiaires humains, OpenAI cherche à accélérer son propre rythme d'innovation, tout en alimentant le débat sur l'avenir des carrières scientifiques face à des IA de plus en plus autonomes.

LLMs⚡Actu

1 source

37

1434TechCrunch AI 

Ce jeu vidéo pourrait détenir la clé de l'AGI, selon cette startup soutenue par Bezos

Le texte fourni n'est qu'un teaser tronqué (il s'arrête à "[…]"), je n'ai que le premier paragraphe de l'article, sans les détails concrets (montant levé, noms des fondateurs, produit précis, date). Je peux rédiger un résumé fidèle à ce court extrait, mais il sera nécessairement plus mince que les 200-250 mots demandés si je ne veux pas inventer d'informations absentes du texte source. Voici ce que je peux produire honnêtement à partir de ce qui est donné : Une startup nommée General Intuition, soutenue par Jeff Bezos, mise sur les données issues du jeu vidéo pour combler une lacune majeure des grands modèles de langage sur la route vers l'intelligence artificielle générale (AGI). Selon cette entreprise, des modèles comme ChatGPT ou Claude excellent dans la manipulation du texte mais peinent à comprendre comment les objets se déplacent dans l'espace et le temps, une capacité jugée essentielle pour produire une intelligence capable de généraliser au-delà du langage. General Intuition part du principe que les immenses volumes de données générées par les joueurs, mouvements, décisions, interactions dans des environnements virtuels dynamiques, pourraient fournir ce type d'apprentissage spatio-temporel qui fait défaut aux LLM actuels. Cette approche s'inscrit dans un débat plus large sur les limites des architectures purement textuelles pour atteindre une intelligence générale. Plusieurs chercheurs estiment que la compréhension du monde physique, causalité, permanence des objets, planification dans l'espace, ne peut pas émerger uniquement de l'entraînement sur du texte, aussi volumineux soit-il. Le soutien financier de Jeff Bezos à ce projet illustre l'intérêt croissant des investisseurs pour des voies alternatives vers l'AGI, misant sur des sources de données non conventionnelles plutôt que sur la simple augmentation de la taille des modèles de langage existants. Si tu as le lien de l'article complet ou peux me le coller en entier, je peux affiner avec les vrais chiffres (montant de la levée, nom du produit, etc.).

Recherche❖Paper

1 source

49

1435Next INpact 

Les agents IA de GitHub peuvent faire fuiter un dépôt privé via une injection de prompt

Des chercheurs en sécurité de l'entreprise Noma ont démontré une faille baptisée GitLost dans les GitHub Agentic Workflows, la fonctionnalité d'agents IA de GitHub lancée en préversion publique le 11 juin dernier. En se faisant passer pour un vice-président des ventes, les chercheurs ont ouvert un simple ticket de rapport d'erreur sur un dépôt public, glissant au milieu du message une question anodine en apparence sur le contenu du fichier README de deux dépôts privés de la même organisation, nommés « poc » et « testlocal ». Dès que le ticket a été attribué à l'agent IA, celui-ci a récupéré le contenu de ces fichiers privés et l'a recopié directement dans sa réponse publique au ticket, rendant ainsi accessible à tous une information censée rester confidentielle. Selon Noma, c'est l'ajout d'un simple mot de transition, « Additionally », qui a suffi à faire basculer l'agent d'une tâche légitime vers l'exécution de la requête malveillante cachée dans le message. Cette découverte fragilise un peu plus la confiance des développeurs envers GitHub, qui avait pourtant présenté ses agents comme fortement sécurisés. Lancée en février dernier et utilisable avec Copilot CLI, Claude Code ou OpenAI Codex au choix, la fonctionnalité permet d'automatiser la gestion de documentation, de tickets de bugs ou de tests via les GitHub Actions. L'entreprise assurait disposer de plusieurs niveaux de protection : permissions en lecture seule par défaut, exécution en conteneur sandbox derrière un « Agent Workflow Firewall », filtre d'intégrité, validation des résultats et détection automatique des menaces sur toute modification proposée. La démonstration de Noma montre que ces garde-fous peuvent être contournés par une injection de prompt relativement simple, sans exploiter de faille technique complexe, ce qui pose un problème direct pour toute organisation ayant activé ces agents sur des dépôts mêlant contenus publics et privés. L'épisode illustre ce que l'ingénieur Simon Willison appelle le « trio mortel » des agents IA : l'accès à des données confidentielles, le traitement de contenus non fiables provenant de tiers, et la capacité à faire sortir de l'information vers l'extérieur. Dès lors que ces trois conditions sont réunies, comme c'est le cas avec un agent capable de lire des dépôts privés tout en traitant des tickets ouverts par n'importe quel utilisateur externe, l'injection de prompt devient une voie d'attaque quasiment inévitable. GitHub n'a pas encore communiqué publiquement de correctif spécifique face à cette démonstration, alors que l'adoption des agents IA dans la gestion de code se généralise chez de nombreuses entreprises.

Sécurité⚡Actu

1 source

35

1436VentureBeat AI 

Le Slackbot de Slack peut désormais récupérer vos données CRM, générer des graphiques et envoyer des DocuSign, le tout depuis un message

Cinq ans après le rachat de Slack par Salesforce pour 27,7 milliards de dollars, les deux plateformes commencent enfin à fonctionner comme un système unique. Slack a lancé mardi une intégration reliant Slackbot, l'agent IA personnel présent dans chaque espace de travail, à l'ensemble de la plateforme Salesforce : données CRM, analyses Tableau, profils clients Data 360 et une constellation croissante d'applications tierces, le tout accessible via une simple invite conversationnelle. Cette expansion s'appuie sur des serveurs dédiés au protocole MCP (Model Context Protocol), développés par Salesforce pour connecter Slackbot à son infrastructure Headless 360. Concrètement, un commercial peut désormais demander à Slackbot l'historique des transactions d'un client, obtenir une visualisation Tableau en direct des tendances de pipeline, mettre à jour un enregistrement CRM et déclencher une signature DocuSign, sans jamais changer d'onglet ni se connecter à une autre application. Selon Slack, l'équipe informatique interne de Salesforce utilise déjà cette architecture pour faire économiser à ses plus de 1 500 ingénieurs des milliers d'heures de développement sur mesure chaque année. Ce lancement intervient dans un contexte de pression concurrentielle croissante. Microsoft Teams revendique plus de 320 millions d'utilisateurs actifs mensuels et intègre Copilot dans toute la suite Office, tandis que Google renforce la présence de Gemini dans Workspace. Plus préoccupant encore pour Salesforce, le média The Information a rapporté il y a quelques jours que certaines petites entreprises utilisent Claude d'Anthropic pour remplacer entièrement leur CRM Salesforce : une société de gestion immobilière basée à Atlanta, forte d'environ 55 employés, aurait ainsi économisé près de 100 000 dollars par an en construisant son propre système avec Claude Code et Replit. C'est dans ce contexte que Ryan Gavin, directeur marketing de Slack, a accordé un entretien à VentureBeat pour défendre l'idée d'une "IA multijoueur", estimant que les 25 années de données clients accumulées par Salesforce constituent un atout qu'aucune alternative bricolée à la va-vite ne peut reproduire. Pour Gavin, la plupart des assistants IA actuels, ChatGPT, Claude, Copilot, fonctionnent en mode solo : un utilisateur interroge un modèle, obtient une réponse et agit seul, l'information restant invisible pour ses collègues. Il redoute que chaque application d'entreprise ne génère ses propres agents isolés, aggravant le problème de fragmentation des outils plutôt que de le résoudre. La réponse de Slack consiste à faire de Slackbot une couche d'orchestration centrale. Puisque tout se déroule dans des canaux partagés, chaque action entreprise par un agent, comme récupérer un profil client, signaler un risque commercial ou mettre à jour un ticket Jira, reste visible par toute l'équipe, qui peut alors rediriger, enrichir ou corriger le travail de l'agent en temps réel. Sur le plan technique, cette intégration repose sur le Model Context Protocol, un standard ouvert initialement développé par Anthropic pour permettre aux modèles d'IA de découvrir et d'invoquer des outils externes. Adopté rapidement par l'écosystème de l'IA, MCP équipait déjà début 2026 des outils comme Claude Code, illustrant la manière dont ce standard devient une infrastructure de référence pour connecter agents conversationnels et systèmes d'entreprise, un enjeu qui dépasse largement le seul duo Slack-Salesforce.

Outils⚒Outil

1 source

53

1437Next INpact 

Près de 40 % des Français visitent chaque mois des sites d’info générés par IA

Près de 40 % des Français, soit environ 23 millions de visiteurs uniques chaque mois, consultent désormais des sites d'information générés par intelligence artificielle, contre 24,5 % en octobre 2025, une progression de 60 % en six mois seulement. C'est ce que révèle le second observatoire des sites GenAI, réalisé par Médiamétrie pour le Groupement des éditeurs de services en ligne (GESTE) sur la base d'une liste de sites identifiés par le média Next. Le nombre de visiteurs uniques quotidiens est passé de 2,6 à 3,5 millions en un an, soit une hausse de 35 %. Sur les 308 sites les plus recommandés par Google et MSN transmis à Médiamétrie, 232 ont effectivement été visités par le panel d'internautes entre avril 2025 et avril 2026. La base de données recense désormais plus de 15 000 sites d'info GenAI administrés par plus de 300 éditeurs, contre 8 900 sites et 200 éditeurs lors du premier observatoire publié en décembre dernier. Si 84 % de ces sites totalisent moins de 250 000 visiteurs uniques mensuels, neuf dépassent les 3 millions et quatre éditeurs cumulant plusieurs sites franchissent chacun les 6 millions, l'un d'entre eux atteignant à lui seul 15,7 millions de visiteurs, soit près d'un quart des Français. Cette explosion s'accompagne d'un problème de fond : la quasi-totalité de ces contenus sont publiés sans mention du recours à l'intelligence artificielle générative, en violation de l'article 50 de l'AI Act européen qui impose cette transparence. Le phénomène touche particulièrement les internautes les plus âgés, une population souvent moins familière avec les codes de fabrication de l'information en ligne : 75 % des visiteurs de ces sites ont 50 ans ou plus, et cette proportion grimpe désormais à près de 50 % chez les 50-64 ans et à 55 % chez les 65 ans et plus, contre un peu plus de 36 % pour l'ensemble de cette tranche d'âge en octobre. Le trafic provient à plus de 50 % de Google et à 17 % de Meta, confirmant que ces plateformes jouent un rôle central de prescripteur, souvent malgré elles, dans la diffusion de contenus dont la qualité et la fiabilité échappent largement à tout contrôle éditorial classique. Cette montée en puissance s'inscrit dans une course engagée par des milliers d'éditeurs pour se rendre visibles dans les réponses générées par les grands modèles de langage, quitte à industrialiser la production d'articles à bas coût et sans supervision humaine réelle. Face à l'ampleur du phénomène, difficile à cerner intégralement puisque Médiamétrie ne mesure que les 5 000 principales marques digitales et 1 000 premières applications mobiles françaises, la GESTE y voit la confirmation d'une installation durable de ces sites dans le paysage numérique français. Reste à savoir si les autorités européennes, notamment via l'application effective de l'AI Act, parviendront à imposer une transparence encore largement ignorée par ces éditeurs, et si les plateformes comme Google et Meta ajusteront leurs algorithmes de recommandation pour limiter la prime accordée à ces contenus non supervisés.

Société⚖Reglementation

1 source

49

1438The Decoder 

Muse Image est techniquement impressionnant, mais l'utilisation par Meta de photos Instagram soulève des questions

Meta's Superintelligence Labs a dévoilé Muse Image, son premier modèle de génération d'images, positionné comme une réponse directe à GPT Image 2 d'OpenAI. Comme son concurrent, l'outil fonctionne selon une logique d'agent plutôt que de simple générateur statique : il peut exécuter du code et effectuer des recherches web pour affiner et corriger ses propres résultats avant de livrer l'image finale. Parmi ses fonctionnalités, une option de mention par arobase permet aux utilisateurs de générer des images représentant d'autres personnes en s'appuyant sur leurs photos publiques Instagram, sans que ces personnes aient donné leur consentement explicite. Le système fonctionne selon un modèle d'opt-out plutôt que d'opt-in. Cette approche soulève d'importantes questions juridiques et éthiques. En Europe, un mécanisme reposant sur le retrait plutôt que sur l'accord préalable des personnes concernées entre potentiellement en conflit avec le RGPD, qui exige un consentement explicite pour l'utilisation de données personnelles comme des photos. L'AI Act européen, dont les dispositions se déploient progressivement, pourrait également s'appliquer à ce type d'usage impliquant l'image de tiers sans autorisation. Pour les utilisateurs d'Instagram, cela signifie que leurs photos publiques pourraient servir de base à des générations d'images sans qu'ils en soient informés ni qu'ils aient donné leur accord. Ce lancement illustre la course technologique intense entre Meta et OpenAI sur la génération d'images assistée par IA, où les capacités techniques progressent plus vite que les cadres réglementaires censés les encadrer. Meta devra probablement adapter son approche du consentement en Europe, où les autorités de protection des données surveillent de près les pratiques des grandes plateformes en matière d'exploitation des contenus utilisateurs à des fins d'entraînement ou de génération par IA.

Éthique❧Opinion

1 source

49

1439Le Big Data 

Face aux géants américains, Mistral AI et Naver misent sur l’IA industrielle souveraine

Naver Cloud, le géant sud-coréen du cloud, a officialisé le 8 juillet 2026 un partenariat mondial avec la start-up française Mistral AI. L'objectif affiché est de déployer des solutions d'intelligence artificielle souveraines au sein des entreprises manufacturières européennes et asiatiques. Les deux groupes veulent construire une alternative aux plateformes généralistes dominées par les hyperscalers américains, à un moment où les dépenses mondiales en infrastructures cloud ont atteint 129 milliards de dollars au premier trimestre 2026, un marché toujours contrôlé par Amazon Web Services, Microsoft et Google. Mistral apporte ses modèles et une expertise en ingénierie industrielle acquise auprès de groupes comme Airbus, BMW et ASML, tandis que Naver Cloud fournit son infrastructure, sa connaissance du marché sud-coréen et un accès direct aux industriels asiatiques. Lors de son AI Now Summit de mai 2026, Mistral avait déjà présenté une pile d'IA dédiée à l'ingénierie industrielle couvrant la conception, la simulation et la production, illustrée notamment par son accord avec Airbus pour étendre l'IA à l'aviation commerciale, aux hélicoptères, à la défense et au spatial, sous des exigences strictes de sécurité pour des données confidentielles ou militaires. Cette alliance illustre une stratégie de contournement face à des concurrents financièrement hors de portée. Plutôt que de rivaliser sur la taille des centres de données, Mistral et Naver choisissent de déplacer la bataille vers l'intégration fine de l'IA dans les processus industriels, un terrain où la puissance de calcul brute ne suffit pas. Les premiers cas d'usage ciblés, la détection en temps réel des anomalies de qualité et l'optimisation de la sélection des composants, ont déjà été expérimentés chez des fabricants européens et seront désormais proposés aux industriels coréens. Pour les entreprises manufacturières, l'enjeu est de taille : elles pourraient accéder à une IA capable de dialoguer avec leurs systèmes existants et leurs données métiers spécifiques, sans dépendre exclusivement des plateformes américaines, un argument de souveraineté numérique de plus en plus recherché en Europe comme en Asie. La commercialisation débutera en Corée du Sud, où Naver Cloud proposera les modèles et la plateforme de Mistral via sa propre infrastructure, pendant que Mistral enverra des ingénieurs de déploiement directement chez les clients coréens pour résoudre les difficultés d'intégration. Cette approche répond à un constat structurel : selon Synergy Research Group, AWS, Google et Microsoft représentaient encore fin 2025 près des deux tiers du marché mondial des infrastructures cloud, une domination que la croissance de l'IA ne fait que renforcer grâce à leur capacité d'investissement massif dans les centres de données et les accélérateurs. Face à cette asymétrie de moyens, Mistral et Naver misent sur la spécialisation sectorielle et la souveraineté des données comme véritables leviers commerciaux, pariant que l'avenir de l'IA industrielle se jouera moins sur la taille des infrastructures que sur la capacité à s'insérer durablement dans des chaînes de production complexes et sensibles.

Business⚡Actu

1 source

54

1440The Decoder 

GPT-5.6 d'OpenAI arrive jeudi après un report imposé par le gouvernement américain

OpenAI lancera GPT-5.6 jeudi, une semaine après que le gouvernement américain a levé l'interdiction de publication qu'il avait imposée au modèle, à la suite de tests de sécurité supplémentaires exigés par les autorités. Ce blocage, une première pour un grand modèle de langage américain, avait retardé la sortie initialement prévue par OpenAI. L'entreprise affirme que sa nouvelle version, baptisée en interne Sol, surpasse Claude Mythos 5 d'Anthropic sur les benchmarks de programmation, tout en coûtant environ deux fois moins cher à l'usage. Aucun cadre contraignant n'existe cependant encore pour encadrer l'approbation des futurs modèles par l'administration américaine. Cette intervention gouvernementale marque un tournant pour l'industrie de l'intelligence artificielle, jusqu'ici largement livrée à l'autorégulation des entreprises. Pour les développeurs et les entreprises clientes, l'argument coût-performance mis en avant par OpenAI face à Anthropic pourrait peser lourd dans les décisions d'adoption, dans un marché où les dépenses d'inférence deviennent un critère central. L'absence de règles claires et permanentes pour valider la mise sur le marché des modèles laisse toutefois planer une incertitude sur la prévisibilité des futurs lancements, aussi bien pour OpenAI que pour ses concurrents. Cet épisode illustre la pression croissante exercée sur les laboratoires d'IA pour démontrer la sûreté de leurs systèmes avant diffusion, dans un contexte où Washington cherche encore la forme que doit prendre sa supervision du secteur. La rivalité entre OpenAI et Anthropic, déjà vive sur le terrain des modèles de raisonnement et de code, s'intensifie à mesure que chaque acteur revendique des gains de performance et d'efficacité économique. Le sort de GPT-5.6 pourrait ainsi servir de test grandeur nature pour les prochaines discussions réglementaires aux États-Unis.

Autre⚡Actu

Aussi surThe Information AI