Actualités IA — page 82

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

39

1621VentureBeat AI 

Restaurants peuvent désormais accepter des commandes passées directement depuis ChatGPT et Claude grâce à la nouvelle intégration de Square, à faible commission et sans configuration

Square lance une application ChatGPT et un plugin Claude permettant aux consommateurs de découvrir des restaurants et de commander directement depuis ces plateformes d'intelligence artificielle, sans que les établissements aient besoin de compétences techniques particulières. Les commerçants éligibles sont intégrés automatiquement, sans configuration ni développement d'API supplémentaire. Le système s'appuie sur le catalogue Square en temps réel pour synchroniser produits, prix, options et stocks disponibles, évitant ainsi qu'un agent autonome propose un article épuisé. Sur ChatGPT, les utilisateurs invoquent le plugin Order by Cash App via le symbole "@", tandis que sur Claude l'intégration passe par l'annuaire d'extensions. Selon la configuration retenue, le paiement se finalise directement dans la conversation ou redirige le client vers la page de commande du restaurant, panier déjà rempli. Surtout, Square ne prélève aucune commission de marketplace sur ces transactions générées par l'IA, seulement ses frais de traitement habituels de 2,9% plus 30 cents ou 3,3% plus 30 cents selon l'abonnement (Square Premium ou Square Plus). Cette annonce s'attaque directement à un problème structurel de la restauration américaine. DoorDash facture entre 15% de commission sur son offre de base et jusqu'à 30% pour son forfait de visibilité premium, avec 6% même sur les commandes à emporter. Uber Eats applique des taux comparables, de 20% à 30%, et jusqu'à 10% sur le retrait en magasin. Grubhub prélève de 5% à 20% selon le forfait marketing choisi. À cela s'ajoutent des frais de paiement de 2,5% à environ 3% par commande. Pour un restaurant indépendant dont la marge nette tourne autour de 3% à 9% dans le meilleur des cas, céder 25% à 30% sur une commande de 40 dollars revient concrètement à cuisiner à perte. En misant sur des frais fixes plutôt que sur un pourcentage du panier, Square espère capter une partie du flux de commandes généré par les agents conversationnels sans reproduire le modèle économique des plateformes de livraison. Pour la livraison elle-même, l'entreprise s'appuie sur un réseau de coursiers en marque blanche facturant un forfait fixe d'environ 7 à 10 dollars, quelle que soit la distance, que le restaurant peut choisir d'absorber ou de répercuter sur le client. Cette approche illustre une tendance plus large: à mesure que les assistants IA deviennent des points d'entrée pour le commerce, les prestataires de paiement comme Square cherchent à s'imposer comme intermédiaires de confiance face aux géants de la livraison, en misant sur des marges plus transparentes pour séduire les commerçants.

Outils⚒Outil

1 source

40

1622MIT Technology Review 

Les LLM sont pris dans une routine de pensée uniforme : cette startup veut les en sortir

Le studio australien Springboards a développé un modèle de langage baptisé Flint, conçu pour rompre avec l'uniformité des réponses que produisent les grands chatbots comme ChatGPT, Claude ou Gemini face à des questions ouvertes. Pip Bingemann, cofondateur et PDG de Springboards, illustre le problème avec un test simple : demander à un modèle un nombre aléatoire entre 1 et 10 renvoie presque systématiquement 7, puis 3 ou 4, puis 8 ou 9 lors des tentatives suivantes. Lors d'une démonstration, ChatGPT et Claude ont tous deux répondu 7, tandis que Flint donnait un nombre décimal comme 3,7916. Même schéma avec un type de voiture : ChatGPT et Claude citent généralement Toyota ou Honda, quand Flint propose un Ford F-150. Sur un slogan publicitaire pour les chaussures New Balance, Claude et ChatGPT ont tous deux produit "Run your way", contre "Built to last, run to win" pour Flint. Selon Bingemann, "la plupart des modèles de langage luttent contre les hallucinations, nous les accueillons à bras ouverts". Ce phénomène de conformisme, ou "groupthink", commence à attirer l'attention de la recherche. En novembre, une équipe a publié une étude intitulée "Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)", récompensée du prix du meilleur article à la conférence NeurIPS. En interrogeant 25 modèles différents, dont ceux des principales entreprises américaines ainsi que des modèles open source chinois et autres, à 50 reprises chacun sur une métaphore du temps, les chercheurs ont obtenu 1 250 réponses dont la grande majorité se résumait à des variations de "le temps est une rivière" ou "le temps est un tisserand". Kieran Browne, cofondateur et directeur technique de Springboards, explique que cette répétition est partout dès qu'on y prête attention, alors que l'interface conversationnelle donne l'illusion d'un échange personnalisé. Il cite l'exemple d'un nom de groupe de musique : la plupart des modèles proposent des mots comme "glass", "neon", "velvet" ou "static". Un test avec ChatGPT a ainsi produit une liste de 56 suggestions dominées par "Glass Harbor", "Static Empire", "Neon Hearts" et "Velvet Echo", tandis que Gemini livrait 15 propositions dont "Static Horizon". Cette homogénéité s'expliquerait par le fait que la plupart des modèles actuels sont entraînés de façon similaire, sur des données similaires, pour accomplir des tâches similaires. Si cette convergence ne pose pas de problème pour du code ou de la recherche factuelle, elle devient un frein dès qu'il s'agit de brainstorming ou de planification créative, comme organiser un voyage. En misant sur la diversité plutôt que sur la suppression des hallucinations, Springboards cherche à ouvrir un nouveau créneau face aux géants du secteur, misant sur le constat que l'information "perdue" par les modèles dominants reste accessible, mais simplement biaisée par leurs choix d'entraînement.

LLMs❖Paper

1 source

34

1623Latent Space 

Warp lance les "software factories", nouvelle phase du développement logiciel selon son PDG Zach Lloyd

Warp, le terminal fondé en 2021 par Zach Lloyd, a considérablement évolué depuis ses débuts : conçu à l'origine comme un terminal en Rust avant l'essor de ChatGPT, l'outil est devenu une interface de commande dotée d'agents de codage intégrés, puis, plus récemment, une plateforme d'orchestration baptisée Oz. Face à une concurrence croissante venue de géants technologiques avec Claude Code, Codex CLI et Gemini CLI, Warp a choisi en avril 2026 d'ouvrir le code source de son CLI historique. Lors de l'AI Engineer World's Fair, Lloyd a présenté en keynote le concept de "software factory" (usine logicielle), qu'il dit avoir commencé à formuler il y a environ six mois, à mesure que l'automatisation du développement logiciel gagnait en maturité. Oz vise à connecter plusieurs modèles et environnements de codage, aussi bien en local que dans des sandboxes cloud isolées, tout en s'intégrant aux outils déjà utilisés par les développeurs. Cette évolution traduit un changement de paradigme que Lloyd juge structurant pour l'industrie : le passage d'un travail interactif entre ingénieurs et agents à des systèmes automatisés capables de trier, spécifier, implémenter, réviser, vérifier et surveiller en continu les évolutions d'un logiciel. Selon lui, la plupart des projets logiciels significatifs devraient adopter une forme d'usine automatisée d'ici un an. L'enjeu pour les entreprises n'est plus seulement de faire coder un agent isolé, mais d'automatiser la boucle complète du cycle de développement, en décidant précisément où et quand l'humain doit intervenir, par exemple pour valider les changements à haut risque. Ce virage stratégique s'inscrit dans une tendance plus large de l'écosystème IA, où le terme "software factory" s'est imposé au point de constituer une thématique à part entière lors de conférences spécialisées, aux côtés d'acteurs comme la startup Factory, arrivée indépendamment à un concept similaire. Warp entend fournir l'ensemble des briques de cette pile technologique : dans la prochaine version d'Oz, les utilisateurs pourront configurer leur propre usine logicielle, choisir leurs dépôts de code, définir les étapes du cycle de vie à automatiser, et piloter ce que Lloyd appelle le "plancher de l'usine". Pour Lloyd, peu importe que le terme "software factory" s'impose durablement dans le vocabulaire du secteur : l'essentiel est la bascule, déjà amorcée, d'un développement interactif vers un développement automatisé de bout en bout.

Outils⚒Outil

1 source

40

1624The Information AI 

Employés du support client codent leurs propres tickets

Les développeurs commencent à combiner les deux usages les plus aboutis des grands modèles de langage : la génération de code et le support client. L'idée consiste à automatiser la transformation des tickets de support, plaintes de bugs ou demandes de fonctionnalités, en code directement exploitable. Chez Semgrep, startup américaine de cybersécurité spécialisée dans l'analyse de code, le fondateur et PDG Isaac Evans a mis en place un système qui redirige les tickets de support vers le modèle Claude d'Anthropic. Claude corrige le bug ou développe la fonctionnalité demandée dans une version isolée et cloisonnée de l'application Semgrep, un environnement bac à sable qui protège le produit en production. Un ingénieur humain teste ensuite les modifications avant que l'équipe ne les fusionne dans l'application réelle, celle que les développeurs utilisent pour scanner leur code à la recherche de failles et de vulnérabilités. Pour l'instant, Semgrep applique cette méthode à une poignée de tickets par mois, mais Evans s'attend à une croissance rapide de ce volume. Cette évolution marque un changement important dans la manière dont les entreprises technologiques traitent la maintenance logicielle. Le processus traditionnel, long et fastidieux, impliquait de faire remonter chaque ticket jusqu'à l'ingénieur compétent, puis d'attendre qu'il code et teste manuellement une correction. En confiant cette tâche à une IA, les équipes de développement réduisent considérablement les délais de traitement tout en libérant du temps pour des tâches à plus forte valeur ajoutée. Pour les clients, cela signifie des corrections de bugs et des nouvelles fonctionnalités livrées plus rapidement, sans passer par les lenteurs habituelles des files d'attente de support technique. Cette approche s'inscrit dans une tendance plus large de l'industrie du logiciel, où les modèles de langage passent du statut d'assistants de codage ponctuels à celui d'acteurs autonomes dans des flux de travail complets, de bout en bout. La supervision humaine reste présente, avec des tests avant fusion, mais le rôle des ingénieurs évolue vers la validation plutôt que l'écriture directe du code. Reste à savoir si cette automatisation tiendra à mesure que le volume de tickets traités par l'IA augmentera, et si la qualité du code généré restera fiable sans une supervision humaine plus poussée.

Outils⚒Outil

1 source

52

1625Next INpact 

Dans l’ombre de Mythos et Fable ressuscités, la Chine progresse rapidement

Anthropic a annoncé le 30 juin le retour de Mythos 5, suivi de Fable 5 dès le 1er juillet, mettant fin à un épisode de trois semaines qui a fragilisé l'entreprise face à la concurrence chinoise des modèles à poids ouvert. Les faits remontent au 9 juin 2026, date de lancement de Claude Fable 5, version publique et encadrée de l'architecture Mythos, tandis que Mythos 5, dépourvue de ces garde-fous, restait réservée aux organisations vérifiées via le programme Glasswing. Trois jours plus tard, le 12 juin, le secrétaire au Commerce Howard Lutnick a adressé à Anthropic une directive de contrôle des exportations exigeant la suspension immédiate de l'accès aux deux modèles pour tout ressortissant étranger dans le monde, y compris les propres employés étrangers de l'entreprise. Incapable de filtrer ses utilisateurs par nationalité en temps réel, Anthropic a coupé l'accès sur Claude.ai, son API, AWS Bedrock, Google Cloud et Microsoft Foundry. Le 26 juin, Washington a autorisé un retour partiel de Mythos 5 pour une centaine d'organisations liées aux infrastructures critiques et à la cyberdéfense, laissant Fable 5 hors service jusqu'à ce 1er juillet. Cet épisode illustre la fragilité des positions commerciales face à des décisions politiques soudaines : des centaines de millions d'utilisateurs à travers le monde se sont retrouvés privés d'accès du jour au lendemain, et les entreprises clientes de l'API ou des plateformes cloud partenaires ont dû composer avec plusieurs semaines d'incertitude. Pendant ce temps, les modèles chinois à poids ouvert ont continué de progresser, profitant du retrait temporaire d'un concurrent majeur. L'image d'Anthropic sort également écornée, des rumeurs de surveillance d'utilisateurs chinois étant venues s'ajouter à la confusion entourant cette affaire. Le fond du dossier reste flou. Selon Anthropic, la lettre reçue ne détaillait pas la menace précise pour la sécurité nationale, mais l'entreprise a compris que le gouvernement avait eu vent d'une méthode permettant de contourner les protections de Fable 5, en lui demandant par exemple d'analyser une base de code donnée pour en corriger les failles. Des rumeurs, invérifiables, ont même évoqué un modèle capable de mettre à mal les défenses de la NSA. Anthropic conteste la proportionnalité de la mesure, rappelant que des tests menés avec le gouvernement américain, l'AISI britannique et des tiers n'avaient révélé aucun jailbreak universel, et que le niveau de capacité en cause était comparable à celui de GPT-5.5 d'OpenAI. L'épisode relance ainsi le débat sur l'équilibre entre sécurité nationale et compétitivité de l'industrie américaine de l'IA face à la Chine.

Régulation⚖Reglementation

1 source

41

1626Le Big Data 

Le rival de Nvidia Etched atteint 5 milliards de dollars de valorisation grâce à sa puce IA

La startup américaine Etched a finalisé une levée de fonds de 500 millions de dollars qui porte sa valorisation à 5 milliards de dollars, une opération conclue en décembre 2025 mais dévoilée seulement ce 1er juillet 2026. Ce tour de table, mené par le fonds Stripes, réunit des investisseurs institutionnels spécialisés en finance quantitative comme Jane Street, Hudson River Trading, Two Sigma, ainsi que VentureTech Alliance et Ribbit Capital. Des investisseurs providentiels de premier plan y participent également, parmi lesquels Andrej Karpathy, Geoffrey Hinton, Fei-Fei Li, Arthur Mensch et Scott Wu, aux côtés des milliardaires Peter Thiel et Stanley Druckenmiller. Avec ce nouveau financement, Etched porte le total de ses levées à 800 millions de dollars. Fondée en 2022 par Gavin Uberti et Robert Wachen, deux anciens étudiants de Harvard devenus boursiers Thiel, l'entreprise affirme par ailleurs disposer déjà d'un carnet de commandes d'un milliard de dollars pour ses premiers systèmes, alors même que ceux-ci sont encore en phase de test chez ses premiers clients. Ce succès s'explique par le pari technologique que fait Etched: plutôt que de concevoir des puces polyvalentes comme les GPU de Nvidia, la startup développe des accélérateurs spécialisés exclusivement dans l'inférence, c'est-à-dire l'étape où un modèle d'IA traite les requêtes des utilisateurs pour produire une réponse. Ce segment est devenu un enjeu économique majeur pour l'industrie, car à mesure que les entreprises déploient leurs modèles à grande échelle, l'inférence concentre l'essentiel des coûts d'exploitation et constitue souvent le principal goulot d'étranglement en matière de performance. Toute solution capable de réduire ces coûts et cette consommation énergétique, tout en accélérant les temps de réponse, attire donc naturellement l'attention des investisseurs comme des grands fournisseurs de cloud, qui cherchent à rentabiliser leurs infrastructures IA. Le pari d'Etched a franchi une étape concrète début 2026, avec la fabrication réussie de sa première puce par le fondeur taïwanais TSMC. L'entreprise commercialise désormais des systèmes complets, qu'elle présente comme des « clusters d'inférence de pointe », combinant puces, racks et une couche logicielle dédiée à l'optimisation des performances. Cette progression rapide illustre l'appétit croissant du marché pour des alternatives à l'hégémonie de Nvidia sur les puces IA, dans un contexte où la maîtrise des coûts d'inférence devient un facteur déterminant pour la rentabilité de l'intelligence artificielle générative à grande échelle.

Business⚡Actu

1 source

45

1627The Decoder 

Claude Sonnet 5 confirme la tendance d'Anthropic à masquer des hausses de prix via des tarifs par token inchangés

Claude Sonnet 5, le dernier modèle d'Anthropic, se classe cinquième de l'Artificial Analysis Intelligence Index avec un score de 53 points, et surpasse même le modèle plus onéreux Opus 4.8 sur certaines tâches agentiques. Problème : le modèle consomme environ 40 % de tokens en plus par tâche que son prédécesseur, ce qui fait quasiment doubler le coût réel pour les utilisateurs, alors même que les tarifs affichés par token restent identiques. Selon The Decoder, cette pratique s'inscrit dans une tendance récurrente chez Anthropic, qui masquerait ainsi des hausses de prix derrière des grilles tarifaires en apparence inchangées. Cette opacité tarifaire a des conséquences concrètes pour les entreprises et développeurs qui intègrent Claude dans leurs produits : budgéter l'usage d'un modèle devient difficile lorsque le coût réel par tâche grimpe sans que le prix unitaire ne bouge officiellement. Pour les équipes qui optimisent leurs dépenses d'IA générative, cela signifie qu'un modèle apparemment plus performant peut en réalité coûter bien plus cher à l'usage, remettant en question les comparatifs basés uniquement sur les prix par token. Cette situation fragilise la confiance des clients professionnels dans la lisibilité des offres des fournisseurs de modèles. Ce phénomène s'inscrit dans une dynamique plus large où les laboratoires d'IA, poussés par l'explosion des coûts de calcul et d'entraînement, cherchent à maintenir des prix catalogue attractifs tout en captant davantage de valeur via la consommation réelle de tokens, notamment sur les tâches agentiques complexes qui multiplient les étapes de raisonnement. Reste à savoir si la pression concurrentielle, notamment face à OpenAI et Google, poussera Anthropic vers davantage de transparence sur les coûts réels, ou si cette stratégie de tarification perdurera à mesure que les modèles gagnent en complexité et en gourmandise en tokens.

Business❧Opinion

1 source

45

1628AI News 

L'Extrémité au manque de main-d'œuvre au Japon : un modèle d'IA pour 10 millions de robots

Le Japon a transformé son projet de robots dotés d'intelligence artificielle en stratégie nationale officielle cette semaine. Le gouvernement a confirmé les chiffres qui circulaient depuis des mois : 10 millions de robots équipés d'IA déployés dans 18 secteurs d'ici 2040, avec un financement public pouvant atteindre mille milliards de yens, soit environ 6,1 milliards de dollars, sur cinq ans. Le ministère de l'Industrie (METI) et l'agence pour l'innovation NEDO ont officiellement confié à l'entreprise Noetra et au laboratoire national AIST le développement d'un modèle d'IA physique multimodal, capable de traiter simultanément langage, images, vidéo et données de capteurs, pour que les robots interprètent réellement leur environnement au lieu d'exécuter des mouvements préprogrammés. Une première version doit sortir dès cette année fiscale, avec des mises à jour annuelles ensuite. Le budget de l'année en cours s'élève à environ 2,3 milliards de dollars, prélevés sur une enveloppe de 387,3 milliards de yens financée par des obligations de transition économique GX. Seules les deux premières années sont garanties, le reste étant soumis à un examen annuel par étapes qui permet à Tokyo de suspendre les fonds si les objectifs ne sont pas atteints. Noetra est détenue majoritairement par SoftBank, NEC, Sony Group et Honda, tandis que Fujitsu et Rakuten étudieraient la possibilité de les rejoindre. Le ministre de l'Industrie Ryosei Akazawa a justifié cette initiative par la volonté de généraliser l'usage des robots dans la restauration, l'agroalimentaire et le secteur médical. Derrière cette annonce se cache un marché du travail exsangue : le vieillissement démographique du Japon, combiné à une politique migratoire restrictive, prive de nombreux pans de l'économie de main-d'œuvre sans solution rapide en vue. Pour les entreprises japonaises du secteur, notamment celles qui fabriquent déjà le matériel nécessaire, de la robotique de Honda aux capteurs d'imagerie de Sony, ce financement public accélère directement leurs plans industriels. Le Japon ne part pas de zéro : le pays a accumulé une expertise en robotique dans les soins aux personnes âgées, la gestion de catastrophes, l'industrie manufacturière et jusqu'au nettoyage du site de Fukushima Daiichi. Ce projet vise à transformer cette expérience en produit exportable. Le timing n'est pas anodin non plus : la Corée du Sud a annoncé sa propre stratégie robotique à peine un jour après celle de Tokyo, signe que les deux pays voient désormais l'IA physique comme le prochain front d'une compétition technologique jusqu'ici dominée par les chatbots et le cloud. Le véritable test arrivera lors du premier examen d'étape : si Noetra livre un modèle exploitable cette année, la liste des investisseurs devrait s'élargir rapidement.

Robotique⚡Actu

1 source

49

1629Le Big Data 

AWS investit 1 milliard de dollars pour déployer des ingénieurs en IA chez ses clients

AWS a annoncé le 30 juin 2026, lors de son AWS Summit à Washington D.C., le lancement d'AWS Forward Deployed Engineering (FDE), une nouvelle organisation d'ingénierie dotée d'un investissement d'un milliard de dollars. Le principe : des équipes d'environ cinq à six ingénieurs AWS sont directement intégrées chez les clients pour concevoir, développer et mettre en production des systèmes d'IA adaptés à leurs données, leur gouvernance et leurs contraintes métier. Francesca Vasquez, vice-présidente en charge de l'ingénierie et des services d'IA avancés chez AWS, explique que cette organisation regroupe des capacités jusqu'ici dispersées au sein de l'entreprise, désormais réunies sous une structure unique avec un cadre commun de déploiement. L'objectif affiché est ambitieux : réduire les délais de mise en œuvre de plusieurs mois à quelques jours seulement, grâce à une combinaison d'expertise humaine et d'IA agentique, les ingénieurs travaillant aux côtés d'agents qui automatisent une partie des tâches techniques. Cette initiative répond à un changement de posture des entreprises face à l'IA : elles ne veulent plus simplement expérimenter la technologie, mais l'intégrer rapidement dans leurs opérations pour obtenir un retour sur investissement concret et rapide. Contrairement à une mission de conseil classique qui s'arrête une fois le projet livré, AWS insiste sur le fait que ses équipes forment progressivement les collaborateurs clients à devenir autonomes, avec documentation complète, graphes de connaissances et procédures d'exploitation à l'appui. Autre argument mis en avant par AWS : les systèmes restent hébergés dans l'environnement du client, avec chiffrement de bout en bout, isolation matérielle et gouvernance garantissant que les données ne quittent jamais leur périmètre sécurisé, un point sensible pour les grandes entreprises soucieuses de leur conformité. Ce mouvement s'inscrit dans une bataille plus large entre hyperscalers et laboratoires d'IA pour capter la demande d'intégration d'agents en entreprise. Le modèle d'ingénieurs embarqués n'est pas inédit : Palantir le pratique depuis plusieurs années avec ses grands comptes. Mais AWS devient le premier hyperscaler à structurer cette activité à cette échelle, avec un investissement dédié d'un milliard de dollars. La manœuvre fait aussi écho à des annonces récentes de ses concurrents directs dans l'IA générative. En mai 2026, Anthropic a lancé une société de services soutenue par Blackstone, Hellman & Friedman et Goldman Sachs pour aider les entreprises à déployer Claude. Quelques jours plus tard, OpenAI dévoilait à son tour OpenAI Deployment Co., appuyée notamment par TPG, Advent International, Bain Capital et Brookfield Asset Management, avec une ambition similaire d'intégrer des ingénieurs directement chez les clients. AWS, en misant sur son infrastructure cloud existante, cherche à ne pas laisser ce terrain stratégique aux seuls fournisseurs de modèles.

Business⚡Actu

1 source

41

1630AI News 

La Banque d'Angleterre revoit ses règles sur l'IA autonome dans la finance

La Banque d'Angleterre examine si son cadre réglementaire actuel peut encadrer l'usage de l'intelligence artificielle agentique dans la finance, notamment dans les paiements, le trading, la cybersécurité et les opérations internes. La vice-gouverneure Sarah Breeden, s'exprimant lors du Forum de la Banque centrale européenne au Portugal, a indiqué que les réglementations existantes n'ont pas été conçues pour des agents IA capables d'agir sans instruction humaine directe. Selon elle, exiger une supervision humaine sur chaque action de ces systèmes n'est pas réaliste en pratique. Ces agents diffèrent des outils de trading automatisés traditionnels car ils peuvent poursuivre des objectifs et prendre des décisions de façon quasi autonome. Un rapport 2026 du Cambridge Centre for Alternative Finance révèle que 81% des entreprises de services financiers interrogées adoptent l'IA à un certain niveau, et 52% des répondants du secteur intègrent déjà activement l'IA agentique, principalement pour l'automatisation des processus, la visualisation de données, l'ingénierie logicielle et la gestion des connaissances. L'usage dans le trading reste pour l'instant concentré sur des tâches opérationnelles à faible risque. Ce virage réglementaire compte car l'IA agentique change fondamentalement la nature du risque financier. Breeden a qualifié la cyber-résilience de préoccupation prioritaire pour la stabilité financière, évoquant un "changement d'échelle" dans les capacités cyber liées à l'IA : ces systèmes peuvent enchaîner des séquences d'actions à grande échelle et grande vitesse, ce qui renforce autant les défenses des équipes de sécurité que les capacités d'attaque des acteurs malveillants. Elle a souligné que les modèles open source ne sont retardés que de quatre à huit mois par rapport aux modèles fermés les plus avancés, limitant l'efficacité des restrictions de diffusion. Le FMI partage cette inquiétude : les attaques permises par l'IA peuvent se propager rapidement à travers des infrastructures numériques partagées, provoquant des perturbations simultanées chez plusieurs institutions à la fois, un scénario que les superviseurs doivent désormais anticiper plutôt que traiter au cas par cas. Cette réflexion s'inscrit dans un contexte où les autorités cherchent à adapter leurs outils de supervision face à une adoption rapide et déjà généralisée de l'IA agentique. La Banque d'Angleterre envisage un renforcement des exigences de reprise d'activité pour les systèmes centraux, avec plusieurs pistes à l'étude : permettre à une banque de reprendre les fonctions essentielles d'une autre en cas de défaillance, mettre en place des dispositifs assurant la continuité des services critiques si les systèmes centraux d'une entreprise sont compromis, ou encore doter les acteurs clés de systèmes de secours séparés capables de reconstruire rapidement une infrastructure compromise. Tobias Adrian, conseiller financier et directeur du département des marchés de capitaux du FMI, a également averti des risques sérieux que pose l'IA pour la cyber-résilience, selon Central Banking. Ces échanges illustrent une prise de conscience croissante parmi les régulateurs financiers : la question n'est plus de savoir si l'IA agentique doit être encadrée, mais comment le faire sans entraver son adoption déjà bien engagée dans le secteur.

Régulation⚖Reglementation

1 source

36

1631Frandroid 

Gemini Spark : le secrétaire personnel de Google déboule maintenant sur macOS

Gemini Spark, l'agent conversationnel présenté par Google lors de la conférence I/O en mai dernier, est désormais disponible sur macOS via une intégration directe dans l'application Gemini pour Mac. Conçu comme un secrétaire personnel capable d'exécuter des tâches de façon autonome, l'agent élargit son champ d'action en se connectant à un plus grand nombre d'applications tierces sur l'ordinateur, et améliore sa capacité à suivre des sujets en temps réel pour l'utilisateur, sans que celui-ci ait à relancer manuellement une recherche. Cette arrivée sur macOS marque une étape supplémentaire dans le déploiement multiplateforme de l'assistant, après son lancement initial annoncé lors du grand raout annuel de Google consacré à l'intelligence artificielle. Cette extension a une portée concrète pour les utilisateurs de Mac, jusqu'ici moins bien servis par les assistants IA maison de Google que les possesseurs d'appareils Android. En permettant à Gemini Spark d'interagir avec davantage d'applications du système et de suivre l'actualité ou des dossiers en continu, Google cherche à transformer son assistant en véritable point d'entrée quotidien pour la productivité, plutôt qu'en simple outil de question-réponse. Pour les professionnels travaillant sur Mac, cela signifie potentiellement moins de bascule entre applications et une automatisation plus poussée des tâches répétitives. Cette manœuvre s'inscrit dans la course effrénée que se livrent les géants de la tech autour des agents IA, capables d'agir pour le compte de l'utilisateur plutôt que de simplement répondre à ses requêtes. Google multiplie les intégrations de Gemini dans son écosystème, tandis qu'Apple peine à faire décoller sa propre Siri nouvelle génération et que Microsoft pousse Copilot sur Windows. L'arrivée de Spark sur macOS illustre la volonté de Google de s'implanter durablement sur les terminaux Apple, terrain historiquement dominé par les outils natifs du constructeur californien.

Outils⚒Outil

1 source

51

1632AI News 

Anthropic déploie Claude Sonnet 5, restaure Fable et Mythos

Anthropic a officiellement levé la suspension de ses modèles les plus avancés, Fable et Mythos, et lancé Claude Sonnet 5, mettant fin à dix-huit jours de blocage imposé par une directive fédérale américaine sur le contrôle des exportations entrée en vigueur le 12 juin. La suspension avait été déclenchée après que des chercheurs d'Amazon eurent documenté une méthode permettant de contourner les garde-fous de sécurité de Fable 5, la poussant à identifier des failles logicielles et à produire du code d'exploitation. Faute de système de vérification de nationalité en temps réel, les autorités avaient exigé un blocage total de l'accès pour l'ensemble des utilisateurs dans le monde. Des évaluations menées pendant l'interruption ont montré que ce comportement n'était pas propre à Fable 5 : des architectures plus anciennes et moins puissantes, dont Claude Opus 4.8, GPT-5.5 et Kimi K2.7, reproduisaient exactement les mêmes résultats. Pour répondre à l'exigence fédérale, les ingénieurs d'Anthropic ont entraîné un nouveau classificateur de sécurité ciblant précisément la faille signalée par Amazon, avec un taux de blocage supérieur à 99 % lors des tests internes. Ce correctif ouvre la voie à un déploiement commercial complet sur la plateforme, l'infrastructure cloud et les réseaux partenaires d'Anthropic, mais il introduit un compromis pour les équipes de développement. Le nouveau classificateur, volontairement large dans sa marge de sécurité, signale plus fréquemment des requêtes bénignes lors de tâches courantes de développement ou de débogage. Lorsqu'une invite déclenche ce filtre, la charge de travail est automatiquement redirigée vers l'ancienne architecture Opus 4.8 pour assurer la continuité du service. Le vrai enjeu commercial se concentre toutefois sur Claude Sonnet 5, que de nombreuses équipes techniques adoptent pour leurs agents autonomes afin de réduire les coûts tout en conservant une forte capacité d'exécution. Sur les benchmarks SWE-bench Pro et Terminal-Bench 2.1, Sonnet 5 atteint respectivement 63,2 % et 80,4 %, contre 58,1 % et 67 % pour Sonnet 4.6, pour un prix inchangé de 3 dollars par million de tokens en entrée et 15 dollars en sortie, avec un tarif de lancement réduit à 2 et 10 dollars jusqu'au 31 août 2026. Plusieurs entreprises ont déjà déployé le modèle en production. Chez Rakuten, les équipes techniques l'ont utilisé pour traiter des dizaines de pull requests parmi les plus complexes, le système exécutant et vérifiant lui-même les tests avant validation humaine finale. Zapier l'a intégré à ses flux de travail pour automatiser des tâches administratives à plusieurs étapes, comme la mise à jour de comptes Salesforce suivie de l'envoi d'annonces de lancement à des clients entreprise, une séquence que les versions précédentes du modèle peinaient souvent à mener à terme sans intervention humaine. L'éditeur d'outils de développement Zed a de son côté utilisé le modèle pour automatiser des procédures de débogage complexes. Cet épisode illustre la pression réglementaire croissante qui pèse sur les systèmes d'intelligence artificielle les plus avancés, à mesure que leurs capacités techniques se rapprochent de zones jugées sensibles par les gouvernements.

LLMs⚡Actu

Aussi surBlog du Modérateur,AI Business

33

1633Le Big Data 

FactSet s’allie à Google Cloud pour intégrer l’IA à ses services financiers

FactSet, l'éditeur américain de données et d'outils financiers, annonce un partenariat stratégique avec Google Cloud pour intégrer les modèles Gemini à sa plateforme FactSet Workstation. L'accord s'articule autour de trois axes principaux. D'abord, l'intégration de la Gemini Enterprise Agent Platform doit permettre à FactSet de lancer une nouvelle génération d'agents financiers capables d'assister les professionnels dans leurs recherches et leurs analyses, en s'appuyant sur les fonctionnalités de recherche avancée et les capacités multimodales de Google. L'ajout de Google Ground doit également élargir les sources d'information exploitées par les outils d'IA de FactSet. Ensuite, sur le plan technique, FactSet enrichira Gemini Enterprise grâce à sa plateforme MCP et à son système de partage d'agents, dans la continuité d'une précédente collaboration avec Google DeepMind, afin d'assurer une interopérabilité fluide entre FactSet Workstation et les outils Google Cloud. Enfin, les deux entreprises développeront conjointement des agents spécialisés dédiés aux opérations de portefeuille, au conseil en fusions-acquisitions et à la finance d'entreprise. FactSet ajoute par ailleurs Google Cloud à son portefeuille de fournisseurs cloud existants, une décision motivée par le renforcement de la résilience et de l'évolutivité de sa plateforme. Pour les banques, sociétés de gestion d'actifs et équipes de finance d'entreprise, cette alliance vise concrètement à accélérer et fiabiliser des tâches aujourd'hui chronophages, comme la recherche documentaire, l'analyse de portefeuille ou la préparation de dossiers de fusion-acquisition. L'enjeu central pour ces institutions n'est pas seulement la vitesse d'exécution mais la traçabilité des données utilisées: dans un secteur soumis à des exigences réglementaires strictes, une réponse générée par IA doit pouvoir être vérifiée et documentée jusqu'à sa source. En misant sur son expertise historique de fournisseur de données financières combinée à l'infrastructure et aux modèles génératifs de Google, FactSet cherche à se positionner comme un intermédiaire de confiance entre les capacités brutes de l'IA générative et les contraintes de conformité du monde financier. Ce partenariat illustre une tendance plus large dans l'industrie: les grands fournisseurs de données financières, à l'image de Bloomberg ou S&P Global, cherchent tous à intégrer l'IA générative sans sacrifier la fiabilité qui constitue leur valeur ajoutée historique. Google Cloud, de son côté, poursuit son offensive dans la finance après sa collaboration avec Google DeepMind, cherchant à démontrer que ses modèles Gemini peuvent s'insérer dans des environnements professionnels exigeants. Sanoke Viswanathan, PDG de FactSet, a souligné que l'intelligence artificielle transforme en profondeur la manière dont les professionnels de la finance travaillent, laissant entrevoir un déploiement progressif de ces agents spécialisés dans les mois à venir.

Business⚡Actu

1 source

38

1634Le Big Data 

GeneBench-Pro : OpenAI crée un benchmark si difficile que même GPT 5.6 Sol galère

OpenAI a dévoilé le 30 juin 2026 GeneBench-Pro, un nouveau benchmark destiné à mesurer une compétence bien plus exigeante que la simple restitution de connaissances : le jugement scientifique des modèles d'intelligence artificielle. L'outil rassemble 129 problèmes couvrant la génomique, la biologie quantitative et la médecine translationnelle. Pour chaque exercice, l'IA reçoit un jeu de données réel, le contexte d'une expérience et une question précise, et doit explorer les données, choisir la méthode d'analyse adaptée, puis formuler une conclusion pertinente, exactement comme le ferait un chercheur face à un problème inédit. Avant la publication, OpenAI a fait valider 82 des 129 problèmes par des experts indépendants (doctorants, chercheurs postdoctoraux, scientifiques de l'industrie et professeurs), afin de vérifier le réalisme des scénarios et la cohérence des réponses attendues. Selon Alexander Strudwick Young, la plupart de ces exercices auraient mis en difficulté un doctorant livré à lui-même, sans l'appui d'un superviseur expérimenté. Sur ce test, GPT-5.6 Sol domine largement ses prédécesseurs avec 28,7 % de réussite en niveau de raisonnement maximal, et 31,5 % en mode Pro, contre moins de 5 % pour GPT-5 lors des premiers essais sur la version originale de GeneBench. Cette progression illustre un enjeu concret pour la recherche biomédicale : les experts estiment qu'un problème type de GeneBench-Pro demanderait entre 20 et 40 heures de travail à un spécialiste humain, facturées environ 200 dollars de l'heure, soit plusieurs milliers de dollars par exercice résolu. Une IA capable d'atteindre un niveau de compétence comparable pourrait effectuer le même travail pour seulement quelques dollars de coût d'inférence. L'écart de performance entre modèles reste toutefois considérable : Opus 4.8 plafonne à 16 %, Gemini 3.5 Flash à 8,1 %, Gemini 3.1 Pro à 3,1 %, GLM 5.2 à 4,6 %, DeepSeek V4 Pro à 2,4 % et Grok 4.3 à seulement 1,5 %. Ces résultats montrent qu'au-delà du simple niveau de raisonnement affiché, la capacité à naviguer dans des données biologiques désordonnées et à faire des choix méthodologiques justes reste un obstacle majeur pour la plupart des modèles, y compris les plus récents. Ce benchmark s'inscrit dans une tendance plus large de l'industrie de l'IA, qui cherche désormais à évaluer les modèles non plus sur des connaissances factuelles mais sur leur capacité à mener une véritable démarche scientifique, jugement, exploration et arbitrage méthodologique inclus. Tous les problèmes ont été créés de manière synthétique par OpenAI, ce qui lui permet de garder un contrôle total sur les données et de comparer précisément les réponses des modèles aux résultats attendus, tout en tenant compte du fait que plusieurs méthodes d'analyse différentes peuvent aboutir à une conclusion scientifiquement valable. Pour garantir une évaluation indépendante, OpenAI publie en open source dix problèmes représentatifs sur Hugging Face, et confie un second ensemble de 50 questions à Artificial Analysis, qui mènera ses propres évaluations comparatives des différents modèles d'IA. À terme, cet effort vise à mesurer si les agents d'intelligence artificielle peuvent réellement accélérer la recherche en biologie computationnelle, un domaine où la rareté des experts qualifiés et le coût élevé de leur temps constituent un frein important à l'innovation.

Recherche❖Paper

1 source

46

1635MarkTechPost 

NVIDIA lance Nemotron-Labs-TwoTower, un modèle de langage à diffusion à poids ouverts basé sur un backbone autorégressif figé Nemotron-3-Nano-30B-A3B

NVIDIA a publié Nemotron-Labs-TwoTower, un modèle de langage à diffusion construit à partir du backbone autorégressif ouvert Nemotron-3-Nano-30B-A3B, sous licence NVIDIA Nemotron Open Model License. Contrairement aux modèles autorégressifs classiques qui génèrent un token à la fois, ce qui limite le débit de génération, TwoTower produit les tokens en parallèle puis les affine par itérations successives. L'innovation tient dans la séparation en deux tours distinctes là où la plupart des modèles à diffusion utilisent un seul réseau pour représenter les tokens propres et débruiter les tokens corrompus. Chaque tour compte 52 couches, réparties entre 23 couches Mamba-2, 6 couches d'auto-attention et 23 couches de mixture d'experts, pour un total d'environ 60 milliards de paramètres, dont seulement 3 milliards actifs par token et par tour. Sur les 128 experts routables, 6 s'activent à chaque passage, complétés par 2 experts partagés. Les deux tours partent du même point de contrôle, mais seule la tour de débruitage a été entraînée, sur environ 2 100 milliards de tokens, contre 25 000 milliards pour le backbone original resté figé. Cette architecture permet à NVIDIA d'annoncer un débit de génération 2,42 fois supérieur à celui du modèle autorégressif de référence, tout en conservant 98,7% de sa qualité agrégée sur les benchmarks, mesurée sur deux GPU H100 en précision BF16 avec un seuil de confiance de 0,8 et des blocs de 16 tokens. Concrètement, les scores de connaissances générales comme MMLU restent à moins d'un point d'écart avec l'original, tandis que les tâches de code et de mathématiques, comme HumanEval ou MATH-500, accusent un recul plus net, et que les tâches de sens commun et de multilinguisme, comme WinoGrande ou MGSM, sont préservées voire légèrement améliorées. Ce compromis intéresse directement les entreprises qui déploient des modèles de langage à grande échelle, où le coût et la latence de l'inférence pèsent lourd sur les factures de calcul: gagner plus du double en vitesse pour une perte de qualité inférieure à 2% change concrètement l'équation économique des déploiements en production. Sur le plan technique, la tour de contexte autorégressive traite le prompt et les tokens déjà validés de façon causale, en générant un cache clé-valeur et des états Mamba-2 exploités couche par couche par la tour de débruitage via un mécanisme d'attention croisée alignée, une amélioration par rapport aux approches précédentes qui ne transmettaient que le dernier état caché. La génération se fait bloc par bloc: chaque bloc commence masqué, se raffine sur plusieurs étapes de diffusion, puis se valide avant que la tour de contexte ne mette à jour ses caches. Le fait qu'un unique point de contrôle permette de basculer entre les modes diffusion, pseudo-autorégressif et purement autorégressif ouvre la voie à des déploiements flexibles, où les développeurs pourront arbitrer entre vitesse et fidélité selon les besoins de chaque application, une piste que d'autres laboratoires travaillant sur les architectures hybrides devraient probablement explorer à leur tour.

LLMs⚡Actu

1 source

45

1636MarkTechPost 

TabFM de Google AI : un modèle de fondation tabulaire à attention hybride pour la classification et la régression sans apprentissage préalable

Google Research a présenté TabFM, un modèle de fondation conçu pour les données tabulaires, disponible dès maintenant sur Hugging Face et GitHub. Contrairement aux approches classiques, TabFM effectue de la classification et de la régression sur des tableaux jamais vus auparavant sans aucun entraînement spécifique, sans réglage d'hyperparamètres ni ingénierie de variables : chaque prédiction sort d'un seul passage direct dans le modèle. L'ensemble du jeu de données, exemples d'entraînement et lignes à prédire compris, est traité comme un unique prompt géant, sur lequel le modèle applique de l'apprentissage en contexte. L'architecture combine deux approches existantes : l'attention alternée ligne/colonne inspirée de TabPFN, qui capture les interactions entre variables, et le mécanisme d'apprentissage en contexte de TabICL, appliqué après compression de chaque ligne en un vecteur dense pour limiter le coût de calcul. Le modèle a été entraîné exclusivement sur des centaines de millions de jeux de données synthétiques, générés à partir de modèles causaux structurels intégrant des fonctions aléatoires variées. Il a été évalué sur TabArena, un benchmark évolutif basé sur des scores Elo, couvrant 38 jeux de données de classification et 13 de régression. Google prévoit par ailleurs d'intégrer TabFM à BigQuery via une future commande SQL nommée AI.PREDICT. L'enjeu pour les entreprises est concret : les données tabulaires sont au cœur de l'infrastructure décisionnelle, qu'il s'agisse de détecter un risque de résiliation client ou une fraude financière. Jusqu'ici, les méthodes à base d'arbres comme XGBoost, AdaBoost ou les forêts aléatoires dominaient ce terrain grâce à leur robustesse, mais au prix d'un travail manuel conséquent : ajuster un XGBoost à un nouveau jeu de données demande rarement un simple appel de fonction, et les data scientists passent souvent des heures à optimiser les hyperparamètres et façonner les variables avant d'obtenir un signal fiable. En supprimant cette étape, TabFM promet de réduire drastiquement le temps nécessaire pour exploiter un nouveau jeu de données, tout en rendant l'analyse tabulaire accessible sans expertise poussée en modélisation. Cette annonce s'inscrit dans une logique plus large chez Google, qui présente TabFM comme l'équivalent tabulaire de TimesFM, son modèle zéro-shot dédié aux séries temporelles. L'idée est de transposer aux tableaux le succès du apprentissage en contexte popularisé par les grands modèles de langage, capables d'apprendre une nouvelle tâche à partir d'exemples sans mise à jour de leurs poids. Le principal obstacle restait la rareté des données tabulaires ouvertes de qualité, les jeux industriels étant souvent propriétaires ou sensibles, d'où le recours massif à des données synthétiques pour l'entraînement. Reste à voir si les performances observées sur TabArena se confirmeront face aux méthodes à base d'arbres sur des cas d'usage réels en production.

Recherche❧Opinion

1 source

28

1637The Decoder 

Fable 5 d'Anthropic de retour dans le monde après une interdiction gouvernementale de deux semaines liée à un jailbreak

Je vais traduire et résumer cet article selon les consignes. Anthropic a de nouveau l'autorisation de déployer son modèle Fable 5 dans le monde entier, après une interdiction de deux semaines imposée par le gouvernement américain. Cette suspension faisait suite à la découverte, par des chercheurs d'Amazon, d'une méthode de contournement des protections de sécurité du modèle, permettant de le manipuler pour obtenir des réponses normalement bloquées. Anthropic a précisé que cette faille n'était pas propre à Fable 5: des modèles bien plus petits, comme Claude Haiku 4.5, pouvaient être exploités de la même manière. L'entreprise a depuis développé un nouveau classificateur de sécurité capable de bloquer cette technique de contournement dans plus de 99% des cas. Cet épisode illustre la tension croissante entre rapidité de déploiement des modèles d'intelligence artificielle et exigences de sécurité imposées par les autorités américaines. Une interdiction gouvernementale, même temporaire, représente un signal fort pour l'industrie de l'IA: elle montre que les régulateurs sont prêts à bloquer la distribution d'un modèle dès qu'une vulnérabilité significative est identifiée, y compris pour un acteur aussi établi qu'Anthropic. Pour les utilisateurs professionnels et les entreprises clientes, cela renforce l'idée que la fiabilité des garde-fous devient un critère aussi important que les performances brutes du modèle. Le correctif d'Anthropic n'est toutefois pas sans compromis: le nouveau classificateur, en devenant plus strict, tend aussi à signaler à tort davantage de requêtes parfaitement légitimes comme suspectes. Ce compromis entre sécurité et facilité d'usage reste un défi central pour l'ensemble des laboratoires d'IA, alors que les techniques de contournement se perfectionnent et que les régulateurs, notamment aux États-Unis, surveillent de plus près la manière dont les entreprises réagissent face à ce type d'incident. L'affaire pourrait influencer la façon dont les futures failles de sécurité seront traitées et divulguées dans le secteur.

Sécurité⚡Actu

1 source

32

1638Numerama 

Une tour à 15 274 €, deux GPU AMD et aucun abonnement cloud : on a testé l’IA locale à son maximum [Sponso]

Une configuration à 15 274 euros, assemblée sous un bureau et équipée de deux cartes graphiques AMD, a été testée pour évaluer ce qu'une machine dédiée à l'intelligence artificielle peut réellement accomplir en local, sans recourir au moindre service cloud. L'objectif de ce test, mené en collaboration avec AMD, était de faire fonctionner une chaîne complète de production logicielle d'IA, de l'entraînement à l'inférence, entièrement sur du matériel physique installé chez l'utilisateur. Le contenu a été produit par les rédacteurs indépendants de l'entité Humanoid xp, sans intervention de la rédaction de Numerama, dans le cadre d'un partenariat commercial clairement identifié. Cette démarche illustre un intérêt croissant pour les infrastructures d'IA locales, à contre-courant du modèle dominant fondé sur les abonnements aux plateformes cloud comme AWS, Azure ou Google Cloud. Pour les professionnels et les entreprises soucieux de maîtriser leurs coûts récurrents, leurs données sensibles ou leur dépendance à des fournisseurs tiers, une tour équipée de GPU AMD représente une alternative tangible, même si l'investissement initial reste conséquent. Cela change la donne pour les studios, les chercheurs ou les PME qui veulent expérimenter avec des modèles d'IA sans exposer leurs données à des serveurs externes ni subir la facturation à l'usage. Le marché du matériel dédié à l'IA locale s'est intensifié ces dernières années, porté par la demande de puissance de calcul pour l'entraînement et l'inférence de modèles toujours plus lourds. AMD y voit une opportunité de concurrencer Nvidia, acteur dominant du secteur, en misant sur des configurations multi-GPU accessibles aux particuliers avertis et aux petites structures. Ce type de démonstration commerciale s'inscrit dans une bataille plus large pour convaincre les utilisateurs que l'IA locale peut rivaliser, en performance comme en autonomie, avec les offres cloud des géants du secteur.

Infrastructure⚡Actu

1 source

69

163901net 

Anthropic annonce le retour de Claude Fable 5 et Mythos 5, les États-Unis ont levé l’interdiction

Après trois semaines de suspension mondiale, Anthropic peut de nouveau déployer ses deux modèles les plus avancés, Claude Fable 5 et Claude Mythos 5 : le département américain du Commerce a officiellement levé les contrôles à l'exportation qui les visaient. Les deux modèles avaient été bloqués mi-juin dans un contexte de sécurité nationale, notamment autour des capacités cyber de Mythos et de la crainte d'une fuite de ces capacités vers des acteurs étrangers. La levée met fin à l'interdiction, mais Anthropic n'a pas précisé le calendrier ni les conditions exactes du retour à une disponibilité générale.

Autre⚡Actu

Aussi surFrandroid,Numerama

36

1640FrenchWeb 

DATADOG rachète ADAPTIVE ML pour renforcer son laboratoire d’IA

Datadog, l'éditeur américain de plateformes de monitoring et d'observabilité fondé par Olivier Pomel et Alexis Lê-Quôc, a annoncé le rachat d'Adaptive ML, une start-up spécialisée dans le Reinforcement Learning Operations (RLOps). Cette discipline émergente consiste à optimiser en continu des modèles d'intelligence artificielle une fois déployés en production, en s'appuyant sur l'apprentissage par renforcement pour ajuster leur comportement à partir des retours d'usage réels. Avec cette opération, Datadog ne se contente plus d'observer les systèmes de ses clients : l'entreprise internalise une compétence technique de pointe, jusque-là réservée à quelques laboratoires spécialisés, pour l'intégrer directement à son offre. Cette acquisition traduit un pari sur l'avenir du logiciel d'entreprise. Les équipes techniques qui déploient des modèles d'IA générative ou des agents autonomes ont besoin d'outils capables non seulement de surveiller leurs performances, mais aussi de les améliorer automatiquement au fil du temps. En rachetant Adaptive ML, Datadog se positionne pour proposer cette couche d'optimisation continue à ses clients, avec un avantage concret : la capacité à transformer des données d'usage en amélioration mesurable des modèles, sans recourir à un prestataire tiers. Cette opération s'inscrit dans une tendance de fond où les plateformes d'observabilité et d'infrastructure cloud se transforment progressivement en véritables laboratoires d'intelligence artificielle. Face à des concurrents comme New Relic ou Dynatrace, qui investissent eux aussi massivement dans l'IA appliquée à leurs produits, Datadog cherche à sécuriser une avance technologique durable plutôt que de dépendre de partenariats externes pour ses futures fonctionnalités d'IA.

Business⚡Actu

1 source