Actualités IA — page 91

9 304 articles au fil, du plus récent au plus ancien.

39

Illustration générée par IA

1801MIT Technology Review 

Les enfants apprennent mieux que l'IA, et on ignore toujours pourquoi

Des scientifiques cognitifs s'interrogent sur un fossé persistant entre l'apprentissage humain et celui des intelligences artificielles: alors que les grands modèles de langage comme Claude, DeepSeek ou les modèles GPT d'OpenAI parviennent à imiter la fluidité humaine, ils nécessitent des volumes de données sans commune mesure avec ceux d'un enfant. Michael C. Frank, chercheur en sciences cognitives à Stanford, souligne qu'il faut encore "brûler une forêt entière et aspirer la somme de toutes les connaissances humaines" pour reproduire ce qu'un enfant accomplit en une année dans son salon. Llama 3.1, le modèle ouvert publié par Meta il y a deux ans, a ingéré 15 000 milliards de tokens lors de son pré-entraînement, et selon Ethan Gotlieb Wilcox, linguiste et chercheur en sciences cognitives à l'université de Georgetown, les modèles les plus avancés pourraient désormais s'entraîner sur dix fois plus de données encore. À titre de comparaison, un préadolescent élevé dans un foyer linguistiquement riche n'a entendu qu'environ 100 millions de mots, un total qui grimpe à peine à 300 millions vers l'âge de 20 ans en intégrant la lecture. Imprimées sur papier, les données d'entraînement d'un modèle comme Claude formeraient une pile dépassant la Station spatiale internationale, contre à peine 20 mètres pour les 100 millions de mots d'un enfant. Cet écart, baptisé "fossé d'efficacité des données", n'est pas qu'une curiosité académique: il touche directement à l'avenir de l'intelligence artificielle. Les réserves de texte facilement accessibles sur internet s'épuisent, et certains chercheurs anticipent une pénurie de données d'entraînement dès les années 2030. Comprendre comment les enfants apprennent avec si peu d'exemples pourrait donc permettre de concevoir des modèles bien plus économes en données, utiles pour entraîner des IA sur la vidéo ou pour développer des assistants conversationnels destinés aux langues minoritaires, actuellement mal servies faute de corpus suffisants. Au-delà de l'ingénierie, cette question touche aussi à des débats fondamentaux en linguistique et en psychologie du développement. Ce fossé s'inscrit dans une décennie où les modèles de langage ont surtout progressé grâce à l'augmentation brute de leur taille et de leurs données d'entraînement, une stratégie qui approche désormais de ses limites physiques. En étudiant comment les enfants acquièrent le langage avec des ressources aussi limitées, les chercheurs espèrent trancher des questions anciennes: l'être humain naît-il avec un instinct inné du langage, ou pourrait-il en principe l'apprendre uniquement par l'expérience? Le traitement du langage relève-t-il d'une particularité biologique propre à l'espèce humaine, ou reflète-t-il des contraintes universelles qui s'appliqueraient aussi, en théorie, aux machines? Tester ces hypothèses sur des modèles artificiels pourrait ainsi éclairer à la fois la conception de futures IA et la compréhension du développement cognitif humain.

Recherche❖Paper

1 source

46

Illustration générée par IA

1802Le Big Data 

Nvidia mise sur Perplexity à 30 milliards : l’alliance menace-t-elle le duopole Microsoft-Google ?

Nvidia négocie actuellement une prise de participation dans Perplexity AI, la startup de recherche par intelligence artificielle, sur la base d'une valorisation dépassant 30 milliards de dollars. L'information a été révélée par le média The Information et confirmée par plusieurs analystes, dont Shay Boloor sur X le 24 août 2026, qui précise que les discussions portent sur un investissement direct après que Nvidia ait d'abord envisagé un simple accord de licence portant sur la technologie et les talents de Perplexity. Selon ces éléments, le chiffre d'affaires annuel récurrent de Perplexity est passé de 250 millions à plus de 750 millions de dollars en quelques mois seulement, une progression qui explique l'intérêt soudain du fabricant de puces de Santa Clara. Perplexity dispose par ailleurs d'un contrat d'infrastructure de 750 millions de dollars avec Microsoft Azure et utilise déjà massivement les puces H100 de Nvidia, associées au serveur d'inférence Triton et à la bibliothèque TensorRT-LLM, pour traiter plusieurs centaines de millions de requêtes chaque mois. Ce rapprochement dépasse la simple opération financière. En prenant une participation directe chez un éditeur de logiciel d'IA plutôt que de se contenter de lui vendre des puces, Nvidia sécurise un débouché permanent et à grande échelle pour ses architectures matérielles et ses outils logiciels d'inférence, au moment où la concurrence sur les accélérateurs IA s'intensifie. Pour Perplexity, l'opération offre un accès privilégié et potentiellement préférentiel à la puissance de calcul nécessaire à ses modèles, tout en réduisant sa dépendance à un unique fournisseur de cloud. Pour les directions informatiques des entreprises, cela ouvre la perspective d'une alternative crédible aux écosystèmes fermés de Microsoft et Google, avec une architecture jugée plus agnostique et moins verrouillée sur un cloud propriétaire, un enjeu de gouvernance des données de plus en plus sensible dans les grands groupes. Cette manœuvre s'inscrit dans une stratégie plus large de Nvidia visant à s'ancrer dans la couche applicative de l'intelligence artificielle, au delà de la simple vente de matériel, à l'image de ses investissements passés dans plusieurs startups d'IA générative. Elle intervient alors que Perplexity développe son offre destinée aux entreprises, Perplexity Enterprise Pro, pour remplacer les moteurs de recherche internes traditionnels par des agents autonomes capables d'interroger les données d'entreprise. Le dossier reste toutefois non finalisé à ce stade, et son issue pourrait redistribuer les rapports de force entre Nvidia, Microsoft, OpenAI et Google dans la bataille pour le contrôle des infrastructures et des usages professionnels de l'IA.

Business❧Opinion

1 source

48

Illustration générée par IA

1803FrenchWeb 

Après le SaaS, STRIPE veut aider les opérateurs IA à facturer leurs offres

Stripe a annoncé le rachat d'OpenRouter, une plateforme qui donne accès à plus de 400 modèles d'intelligence artificielle provenant de différents fournisseurs. Jusqu'ici connu comme spécialiste des paiements en ligne pour les entreprises SaaS, Stripe étend ainsi son activité vers l'infrastructure de facturation des opérateurs d'IA. Grâce à cette acquisition, le groupe ne se contente plus d'encaisser les revenus générés par ses clients : il remonte vers leurs coûts de production en mesurant directement leur consommation de tokens, l'unité de calcul qui sert de base à la tarification des modèles de langage. Stripe se positionne ainsi au moment précis où chaque requête envoyée à un modèle devient une décision d'achat. Cette évolution est importante parce qu'elle place Stripe au cœur d'un nouveau modèle économique. Alors que la facturation SaaS reposait sur des abonnements mensuels fixes, l'IA générative fonctionne à l'usage, avec des coûts qui varient selon le modèle choisi, le nombre de tokens traités et le fournisseur sollicité. En intégrant OpenRouter, Stripe peut proposer aux opérateurs d'IA des outils pour facturer leurs clients finaux de façon granulaire, tout en gardant une vue directe sur leurs marges. Pour les entreprises qui développent des produits basés sur l'IA, cela simplifie la gestion financière d'un secteur où les coûts d'infrastructure explosent. Cette opération s'inscrit dans une compétition plus large entre acteurs de la tech pour contrôler la couche économique de l'intelligence artificielle, entre fournisseurs de modèles comme OpenAI ou Anthropic, plateformes cloud et intermédiaires de paiement. En se rapprochant des coûts de production plutôt que de seulement gérer les revenus, Stripe cherche à devenir un acteur incontournable de l'écosystème IA, aux côtés des géants du secteur qui redéfinissent les modèles de tarification à l'ère des agents autonomes.

Business❧Opinion

1 source

34

Illustration générée par IA

1804Le Big Data 

JO des robots 2026 : ce robot humanoïde tient tête à une ex-star chinoise au tennis

Un robot humanoïde développé par la société chinoise Galbot a affronté l'ancienne joueuse de tennis professionnelle Zheng Jie lors des World Humanoid Robot Games, organisés à Pékin. Face à des coups droits, revers, lobs et amorties variés par son adversaire, la machine a su se déplacer sur toute la largeur du court, ajuster sa position et renvoyer la balle, y compris après une chute où elle s'est retrouvée sur le dos avant de se relever seule en quelques secondes pour reprendre l'échange. Galbot affirme que ses services ont dépassé les 100 km/h et que le robot a réalisé plus de 100 échanges consécutifs face à des joueurs humains, sans aucune téléopération : la machine suivait la balle, choisissait ses coups et ajustait ses déplacements en temps réel. L'entreprise revendique le premier match autonome de tennis humanoïde diffusé en direct, ainsi qu'un nouveau record mondial dans cette discipline naissante, les robots ayant aussi disputé des matchs en double aux côtés de champions humains. Cette démonstration marque une étape notable pour la robotique humanoïde, car le tennis exige une combinaison de compétences bien plus exigeante que la marche ou la course : suivre un objet se déplaçant à grande vitesse, anticiper sa trajectoire, frapper au bon moment tout en conservant l'équilibre, et réagir en temps réel aux choix tactiques d'un adversaire humain. La capacité du robot à se relever seul après une chute, sans intervention humaine, illustre des progrès concrets en matière de perception, de contrôle moteur et de récupération d'équilibre, des briques technologiques qui dépassent largement le cadre du sport et concernent directement les usages industriels, logistiques ou domestiques envisagés pour les humanoïdes. Pour l'industrie, cela renforce l'argument selon lequel ces machines s'approchent d'une polyvalence motrice proche de celle des humains, un enjeu clé pour justifier les investissements massifs dans ce secteur. Cette compétition s'inscrit dans la vague d'événements sportifs dédiés aux robots humanoïdes qui se multiplient en Chine, le pays cherchant à s'imposer comme leader mondial de cette industrie face aux États-Unis. Les World Humanoid Robot Games de Pékin ont déjà mis en scène des courses à très haute vitesse, et cette incursion sur le court de tennis élargit le champ des démonstrations à des sports nécessitant finesse et réactivité plutôt que seulement puissance brute. Galbot, acteur chinois spécialisé dans les robots humanoïdes, s'ajoute ainsi à une liste croissante de constructeurs, dont Unitree, qui utilisent ces vitrines pour prouver la maturité de leurs machines. Si l'écart avec un véritable professionnel du circuit ATP ou WTA reste important, ces démonstrations répétées alimentent les ambitions d'une robotique humanoïde capable, à terme, de s'illustrer dans des environnements dynamiques et imprévisibles, bien au-delà des terrains de sport.

Robotique⚡Actu

1 source

42

Illustration générée par IA

1805Le Big Data 

100 mètres : le record légendaire d’Usain Bolt battu par ces robots humanoïdes

Le 22 août 2026, lors de la deuxième édition des Jeux mondiaux des robots humanoïdes au Stade national de patinage de vitesse de Pékin, deux machines ont battu le record du monde du 100 mètres détenu par Usain Bolt depuis 2009 (9,58 secondes). Lightning, développé par le fabricant de smartphones Honor, a bouclé la distance en 9,47 secondes, tandis que Tiangong Ultra, conçu par le Beijing Humanoid Robot Innovation Center, a fait encore mieux avec 9,39 secondes, selon Reuters. Lightning mesure 1,69 mètre et ses jambes ont été rallongées à 105 centimètres pour l'occasion, contre 95 centimètres lors de son précédent record en avril, quand il avait couru un semi-marathon de 21,1 kilomètres en 50 minutes et 26 secondes. Lors d'un essai chronométré, le robot a même atteint 14,5 mètres par seconde et un temps de 9,32 secondes. Face à lui, Tiangong Ultra, haut de 1,80 mètre pour 55 kilos, avait déjà couru lors de la première édition des Jeux en 2025, où il avait remporté l'épreuve avec un temps de 21,5 secondes, soit près du double de son chrono actuel. Ce bond de performance en une seule année illustre l'accélération rapide des progrès en robotique humanoïde, portée par des géants technologiques comme Honor qui appliquent leur expertise en miniaturisation et refroidissement, empruntée aux smartphones haut de gamme, à des machines capables de prouesses athlétiques. Près de la moitié des robots engagés couraient sans télécommande, signe que l'autonomie de mouvement progresse également. Mais l'événement a aussi révélé les limites actuelles de la technologie : plusieurs robots ont terminé leur course en s'effondrant dans les tapis de réception, certains ayant même dû être évacués sur civière. Cet écart entre la vitesse pure et la maîtrise de l'équilibre ou de l'atterrissage rappelle que ces machines restent loin de pouvoir remplacer des athlètes humains en compétition, même si elles impressionnent sur les chronomètres. Ces Jeux mondiaux des robots humanoïdes, qui se déroulent du 22 au 26 août 2026 à Pékin, rassemblent cette année 2 056 machines réparties en 666 équipes, s'affrontant dans 51 épreuves allant du football au tennis de table en passant par la boxe et l'athlétisme. L'événement s'inscrit dans une stratégie chinoise plus large de démonstration de force industrielle et technologique dans la robotique humanoïde, secteur où Pékin investit massivement pour rivaliser avec les acteurs américains comme Boston Dynamics ou Tesla. La multiplication de ces compétitions sert de vitrine pour les fabricants, qui testent en conditions réelles la fiabilité, la vitesse et la résistance de leurs machines, tout en accumulant des données précieuses pour améliorer les futures générations de robots, notamment sur les aspects encore fragiles comme la stabilité et la gestion des chutes.

Robotique⚡Actu

Aussi surPresse-citron

32

Illustration générée par IA

1806Le Big Data 

ChatGPT pourrait bientôt protéger vos chats avec un code PIN : vos secrets seront à l’abri !

OpenAI travaille sur une nouvelle fonctionnalité qui permettrait de verrouiller certaines conversations dans ChatGPT à l'aide d'un code PIN ou d'une authentification biométrique comme l'empreinte digitale. La découverte a été faite par l'équipe d'Android Authority, qui a repéré des références à des « locked chats » dans du code encore inactif de la dernière version Android de l'application, une information relayée sur X par le compte GADiNSIDER le 23 août 2026. D'après les éléments retrouvés, une conversation verrouillée disparaîtrait de la barre latérale, de l'historique et des résultats de recherche classiques, rendant son titre et son contenu invisibles pour quiconque accède au compte sans l'authentification requise. Aucune date de déploiement n'a été communiquée par OpenAI, et le fonctionnement exact du dispositif pourrait encore évoluer avant sa sortie officielle. Cette fonction répondrait à un problème concret : jusqu'à présent, aucun moyen natif ne permettait de protéger l'historique de ChatGPT des regards indiscrets sur un appareil partagé ou simplement consulté par un tiers. Les utilisateurs se servent de plus en plus du chatbot pour des échanges personnels sensibles, qu'il s'agisse de questions médicales, de préparatifs de cadeaux surprises ou de documents professionnels confidentiels, sans disposer d'un verrou dédié comparable à ceux des applications de messagerie. L'ajout d'une couche de confidentialité supplémentaire, indépendante du verrouillage général du téléphone, s'inscrit dans une tendance plus large où les assistants conversationnels deviennent des réceptacles d'informations personnelles de plus en plus intimes, ce qui accroît la pression sur les éditeurs pour proposer des outils de protection des données à la hauteur des usages réels. Cette piste s'ajoute aux options de confidentialité déjà existantes chez OpenAI, notamment les conversations temporaires, qui s'effacent automatiquement une fois la discussion terminée mais ne permettent pas de conserver un échange tout en le dissimulant. Les « locked chats » viseraient précisément ce cas d'usage intermédiaire : garder une trace de la conversation sans l'exposer dans l'historique courant. Une zone d'ombre subsiste toutefois sur l'articulation entre ces discussions verrouillées et la fonction de mémoire de ChatGPT, qui permet au modèle de réutiliser des informations d'une conversation à l'autre ; il n'est pas encore établi si une donnée saisie dans un chat protégé pourrait influencer une future réponse générée ailleurs. Le code repéré restant à un stade préliminaire, cette fonctionnalité illustre néanmoins la manière dont OpenAI teste régulièrement de nouvelles options directement dans son application mobile avant toute annonce officielle, une pratique qui permet à des observateurs comme Android Authority d'anticiper les évolutions du produit avant leur lancement public.

Outils⚒Outil

1 source

48

Illustration générée par IA

1807The Information AI 

Nvidia envisage d'investir dans Perplexity, valorisée à plus de 30 milliards de dollars

Nvidia est en discussions pour investir dans Perplexity, l'entreprise de recherche par intelligence artificielle, dans le cadre d'un tour de financement qui valoriserait la start-up a plus de 30 milliards de dollars, selon des personnes proches du dossier. Cette levée de fonds, chiffrée en milliards de dollars, ferait bondir la valorisation de Perplexity de plus de 50% par rapport a son dernier tour, réalisé il y a un an. Le chiffre d'affaires annualise de l'entreprise a par ailleurs grimpe a plus de 750 millions de dollars, contre moins de 250 millions de dollars en début d'année, une progression attribuée en partie a Perplexity Computer, un agent d'IA que des professionnels utilisent pour automatiser des taches informatiques. Cette opération confirme le resserrement des liens commerciaux entre Nvidia, géant des puces pour l'IA, et Perplexity, l'un des challengers les plus en vue face a Google dans la recherche assistée par IA. Pour Nvidia, un tel investissement renforce son emprise sur l'écosystème des start-up d'IA générative, déjà alimentée par ses puces, tout en lui donnant un intérêt financier direct dans la réussite commerciale de ses clients. Pour Perplexity, l'appui d'un acteur aussi central que Nvidia consolide sa crédibilité face aux investisseurs, dans un marche ou la course a la valorisation s'accélère fortement. Cette discussion s'inscrit dans une tendance plus large ou les grands fournisseurs de puces et de cloud investissent directement dans les start-up d'IA qui utilisent leurs technologies, brouillant parfois la frontière entre fournisseur et investisseur stratégique. La croissance rapide du chiffre d'affaires de Perplexity, tirée par des produits comme Perplexity Computer destines a automatiser des taches professionnelles, illustre aussi le glissement de la concurrence en IA vers des agents capables d'agir directement sur les ordinateurs des utilisateurs, un terrain désormais dispute par plusieurs acteurs majeurs du secteur.

Business⚡Actu

Aussi surThe Decoder

35

Illustration générée par IA

1808Apple Machine Learning 

Au-delà de la CoT visuelle : une pensée visuelle interne pour un raisonnement vidéo proactif

Des chercheurs présentent Internalized Visual Thinking (IVT), une nouvelle méthode d'entraînement pour les grands modèles multimodaux de langage appliqués au raisonnement vidéo. Ce travail s'attaque aux limites du Visual Chain-of-Thought (Visual CoT), une technique qui pousse un modèle à générer des images intermédiaires pour raisonner sur l'espace, le temps ou des scènes incarnées avant de produire sa réponse finale. Si cette méthode donne aux modèles une forme d'anticipation visuelle intuitive, elle alourdit considérablement le temps de calcul nécessaire au moment de l'inférence, un problème particulièrement gênant pour le raisonnement vidéo dit proactif, où le système doit réagir en continu à un flux d'images. IVT propose une alternative : entraîner conjointement la prédiction textuelle et la génération d'images de raisonnement pendant la phase d'entraînement, afin que le modèle intériorise cette capacité de pensée visuelle sans avoir à produire ces images intermédiaires une fois déployé. L'enjeu est direct pour toute application vidéo en temps réel, robotique, assistance visuelle, surveillance intelligente ou systèmes embarqués, où chaque milliseconde de calcul compte. En supprimant la génération explicite d'images à l'inférence tout en conservant la qualité de raisonnement qu'elle procure, IVT laisse entrevoir des modèles capables d'anticiper des événements dans une vidéo sans le surcoût matériel qui freinait jusqu'ici leur usage pratique à grande échelle. Cette approche s'inscrit dans une tendance plus large de la recherche en IA multimodale, où le raisonnement par étapes intermédiaires, hérité du chain-of-thought textuel des grands modèles de langage, s'étend désormais à l'image et à la vidéo. La difficulté centrale reste d'équilibrer profondeur de raisonnement et latence, un compromis que les techniques de post-entraînement comme IVT cherchent précisément à résoudre en déplaçant le coût de calcul de l'inférence vers l'entraînement.

Recherche❖Paper

1 source

30

Illustration générée par IA

1809VentureBeat AI 

La fiabilité des agents IA en entreprise dépend de la qualité de leurs documents sources

L'essor des agents d'intelligence artificielle en entreprise repose aujourd'hui sur une pratique dominante appelée l'ingénierie de contexte : les équipes connectent leurs systèmes internes, découpent les documents en fragments, génèrent des embeddings et construisent des pipelines de recherche pour alimenter chaque application d'IA au moment de son exécution. Cette méthode fonctionne bien pour des assistants ou copilotes isolés, mais elle traite la connaissance de l'entreprise comme une ressource propre à chaque application plutôt que comme un actif partagé. À mesure que les organisations déploient davantage d'applications et d'agents, ce modèle montre ses limites pour trois raisons principales : la connaissance devient incohérente d'une équipe à l'autre, car un même produit, client ou processus peut être décrit différemment, voire de façon contradictoire, selon qu'il apparaît dans des documents, des tickets Jira, du code source ou un CRM ; les mises à jour se propagent mal, chaque application maintenant son propre pipeline de contexte, si bien que des agents différents finissent par travailler sur des versions différentes d'une même information ; enfin, les équipes reconstruisent sans cesse les mêmes pipelines de traitement, dupliquant les efforts d'ingénierie, les coûts d'infrastructure et les index. Ce constat a une portée concrète pour les entreprises qui misent sur les agents d'IA à grande échelle : la fiabilité de ces agents ne dépend pas seulement de la puissance des modèles utilisés, mais avant tout de la qualité et de la cohérence des connaissances sur lesquelles ils s'appuient. Un agent alimenté par une base documentaire mal organisée ou incohérente produira des réponses divergentes selon l'application qui l'interroge, ce qui mine la confiance des utilisateurs et complique la gouvernance des données internes. Les entreprises qui multiplient les copilotes et assistants sans repenser la gestion de leur connaissance s'exposent donc à une fragmentation croissante de leur savoir métier, à des coûts d'infrastructure redondants et à un ralentissement de leurs projets d'automatisation par l'IA. Pour résoudre ce problème, l'article appelle à un changement d'échelle architectural, comparable à celui qu'ont connu les plateformes de données d'entreprise pour les informations structurées : au lieu de traiter chaque document, ticket, e-mail ou API comme une entrée isolée pour une application donnée, une plateforme de connaissance d'entreprise gérerait ce savoir une seule fois, de façon centralisée, avant de le publier sous des formes réutilisables par toutes les applications d'IA. Le modèle proposé s'organise en quatre couches distinctes : la préservation des documents sous leur forme originale, leur normalisation en objets de connaissance gérés, leur mise en relation au sein d'un modèle de connaissance commun à l'entreprise, puis leur publication sous des représentations optimisées pour chaque usage d'IA. Cette architecture en couches vise à faire évoluer chaque étape indépendamment tout en garantissant que tous les agents s'appuient sur une base de connaissance unique et fiable, plutôt que sur des copies fragmentées et potentiellement contradictoires du même savoir métier.

Outils❧Opinion

1 source

43

Illustration générée par IA

1810The Information AI 

Nvidia et Salesforce au centre de l'attention cette semaine

Cette semaine marque un moment charnière pour Nvidia, qui publie mercredi ses résultats du deuxième trimestre fiscal, portant sur la période close en juillet. Après un exercice fiscal précédent marqué par un ralentissement de la croissance des revenus, tombée à 65%, contre 114% l'année d'avant, la trajectoire de l'entreprise s'inverse: les analystes de S&P Global Market Intelligence anticipent désormais une croissance de 83% sur l'année en cours. Pour le seul trimestre concerné par cette publication, le consensus table sur une progression encore plus forte, de 97% sur un an. Ces chiffres interviennent alors que Nvidia multiplie les investissements dans quasiment tous les segments de la chaîne de valeur de l'intelligence artificielle, au-delà de ses puces phares: développeurs de centres de données, concepteurs de modèles d'IA et fournisseurs de services d'étiquetage de données figurent parmi les bénéficiaires de ses prises de participation. L'ampleur de cette réaccélération a une portée qui dépasse largement le seul cas Nvidia. Elle sert de baromètre pour l'ensemble du secteur de l'IA, dont la vigueur de la demande en infrastructures de calcul reste scrutée de près par les investisseurs après plusieurs trimestres d'inquiétudes sur une possible saturation du marché des puces. Si les résultats confirment une croissance proche de 97%, cela validera la thèse selon laquelle les grands acteurs du cloud et de l'IA générative continuent d'investir massivement dans le matériel, malgré les interrogations récurrentes sur la rentabilité effective de ces dépenses. À l'inverse, tout signe de ralentissement pourrait raviver les craintes d'une bulle sur les valeurs technologiques liées à l'IA. Ce rendez-vous s'inscrit dans un contexte où Nvidia ne se contente plus de vendre des processeurs graphiques mais construit un écosystème d'investissements croisés à travers toute la chaîne de production de l'IA, une stratégie qui vise à sécuriser la demande future pour ses puces en finançant directement les entreprises qui en dépendent. Cette semaine, l'attention se porte aussi sur Salesforce, autre acteur majeur du secteur technologique dont les résultats sont attendus, dans un climat où les marchés cherchent des signaux clairs sur la solidité des dépenses en intelligence artificielle des entreprises pour le reste de l'année.

Business❧Opinion

1 source

34

Illustration générée par IA

1811MarkTechPost 

Harvey lance Harvey Tenet, un modèle Kimi K3 post-entraîné avec Fireworks pour les tâches juridiques longues

Harvey, spécialisée dans l'intelligence artificielle juridique, a annoncé le 20 août 2026 le lancement de Harvey Tenet, son premier modèle post-entraîné, disponible en aperçu de recherche. Tenet repose sur le modèle de base Kimi K3, affiné par la société Fireworks via de l'apprentissage par renforcement asynchrone appliqué à des tâches juridiques longues et complexes. Le corpus d'entraînement combine des données synthétiques, des données juridiques publiques et des données produites par des experts humains, Harvey précisant n'avoir utilisé aucune donnée client. L'entraînement a mobilisé environ 150 GPU NVIDIA B300 pendant deux mois. Comparé au modèle K3 de base, Tenet achève près de deux fois plus de tâches sur le Legal Agent Benchmark (LAB) maison de Harvey, et 20% de plus sur LAB: Contracts, avec des taux de réussite totale en hausse de 9 et 2 points de pourcentage respectivement. Harvey revendique la première place sur LAB: Contracts et la deuxième sur LAB, selon des scores de référence fournis par Vals. Ces gains dépassent le cadre du seul entraînement: Tenet améliore aussi ses performances sur des bancs d'essai externes qu'il n'a jamais vus, comme APEX Agents de Mercor et Redline Bench de Crosby, tout en maintenant ses résultats sur des benchmarks de connaissances juridiques classiques comme LegalBench, CUAD, MAUD et PRBench de Scale. Pour l'industrie juridique, cela signifie qu'un entraînement agentique poussé peut renforcer les capacités pratiques d'un modèle sans dégrader son raisonnement textuel de base, un compromis qui n'allait pas de soi. Concrètement, ces gains de qualité s'accompagnent d'une maîtrise des coûts: les poids ouverts du modèle de base réduisent le prix par token, et le système de récompense favorise les trajectoires de raisonnement plus courtes à qualité égale. Les cabinets d'avocats, équipes juridiques internes, ainsi que les secteurs à forte densité contractuelle comme l'assurance, la finance, la santé ou l'énergie, pourraient bénéficier d'outils plus rapides et moins coûteux pour la diligence raisonnable en fusions-acquisitions, la rédaction et la révision de contrats, ou l'extraction structurée sur des milliers de documents. Le projet s'inscrit dans une double ambition affichée par Harvey: construire une intelligence juridique de pointe sur des modèles à poids ouverts, et offrir aux cabinets d'avocats un chemin vers la possession de leurs propres modèles spécialisés. Pour l'instant, Tenet reste un aperçu de recherche non déployable: Harvey n'a publié ni les poids du modèle, ni de fiche technique, ni de point d'accès API, précisant que le passage "de la recherche à la production" se fera progressivement au sein de ses produits, réservés aux entreprises via sa plateforme vendue aux cabinets d'avocats et services juridiques internes. Sur le plan technique, l'entraînement s'appuie sur des environnements juridiques simulés inspirés des tâches LAB, avec des instructions type d'une cinquantaine de mots, des grilles d'évaluation détaillées comportant des dizaines de critères, et des évaluations automatisées par un autre modèle, Kimi 2.6, dans le cadre d'une optimisation par la méthode GSPO. Harvey a également entraîné séparément des modèles spécialisés, notamment pour la diligence raisonnable en fusions-acquisitions, que Tenet peut mobiliser comme outils ou sous-agents.

LLMs⚡Actu

1 source

38

Illustration générée par IA

1812The Decoder 

Un patron IA licencie son premier employé, mais seulement après un rappel des règles par des humains

Le laboratoire Andon Labs a rapporté qu'un agent d'intelligence artificielle baptisé Luna, chargé de gérer un magasin à San Francisco, a licencié un employé humain, une première pour un système de ce type. L'IA n'a toutefois pris cette décision qu'après que des opérateurs humains lui ont explicitement rappelé ses propres règles de gestion, ce qui montre qu'elle n'a pas agi de manière totalement autonome. Andon Labs a ensuite rejoué ce même scénario avec sept modèles d'IA différents afin de comparer leurs comportements face à une décision de licenciement. Les modèles les plus performants ont recommandé le renvoi de façon plus systématique et cohérente, tandis que les modèles moins avancés ont montré davantage d'hésitation face à cette décision. Cette expérience illustre un enjeu croissant à mesure que des entreprises testent des IA capables de gérer des équipes humaines, avec un pouvoir de décision allant jusqu'au licenciement. Le fait que l'IA ait eu besoin d'un rappel humain pour agir souligne les limites actuelles de l'autonomie de ces systèmes dans des décisions à fort impact social et économique pour les personnes concernées. À l'inverse, l'observation selon laquelle presque tous les modèles se sont montrés peu critiques lors de décisions d'embauche soulève des questions sur la fiabilité de ces IA lorsqu'il s'agit d'évaluer des candidats. Ces tests s'inscrivent dans un mouvement plus large où des laboratoires comme Andon Labs explorent les capacités et les risques des agents IA placés à des postes de gestion. Alors que les entreprises technologiques cherchent à automatiser davantage de fonctions managériales, ces résultats mettent en lumière l'écart entre les capacités techniques des modèles et leur jugement dans des situations impliquant des conséquences humaines directes, un sujet appelé à prendre de l'ampleur à mesure que ces outils se généralisent.

Sécurité⚡Actu

1 source

45

Illustration générée par IA

1813MarkTechPost 

FreeToken : un moteur MoE natif edge qui fait tourner GLM-5.2 (753 milliards de paramètres) sur un seul GPU de station de travail

Une équipe de chercheurs de UC Berkeley et de l'université du Texas à Austin a présenté FreeToken, un moteur de serving pour modèles Mixture-of-Experts (MoE) conçu pour tourner sur du matériel grand public plutôt que sur des clusters de datacenter. Le système permet de faire tourner un modèle de 35 milliards de paramètres à vitesse interactive sur un GPU de laptop de 8 Go, un modèle de 284 milliards sur un desktop gaming, et surtout le GLM-5.2 de 753 milliards de paramètres sur une seule carte GPU de station de travail. FreeToken est publié sous licence Apache-2.0 sur GitHub, disponible sur PyPI en version 0.1.2 (installation via uv pip install "freetoken[accel]"), et proposé sous forme d'application desktop en un clic pour Windows et Linux via flashml.ai. La ligne de commande cible Linux x86_64 avec un GPU NVIDIA sous pilote r580 ou supérieur (CUDA 13). La commande ft serve expose des points d'accès compatibles OpenAI et Anthropic sur le port 1919, tandis que ft launch claude permet de connecter directement Claude Code, Codex, OpenCode ou OpenClaw à sa propre machine. Cette avancée cible d'abord les développeurs indépendants, les startups et les petites équipes d'ingénierie dont les factures de tokens pour agents dépassent déjà le coût d'un GPU qu'ils pourraient posséder. Pour les entreprises, l'outil se positionne comme une solution pour les charges de travail isolées ou réglementées plutôt que comme un remplacement de datacenter, avec une pertinence particulière dans la santé, le juridique, la défense, la finance et la recherche à forte propriété intellectuelle, où les données ne doivent jamais quitter la machine. Les usages typiques incluent les agents de code locaux, la revue de code privée, l'analyse de contrats hors ligne, la génération de données synthétiques et les évaluations par lots. Plus de cent millions de machines grand public disposent déjà d'un GPU dédié, ce qui change la donne économique pour l'inférence de modèles ouverts de pointe. Des modèles comme Kimi-K3, GLM-5.2 ou DeepSeek-V4-Flash réduisent l'écart avec les systèmes propriétaires, mais leur exécution supposait jusqu'ici des clusters GPU de datacenter. Les chercheurs pointent trois limites des moteurs existants, comme llama.cpp, KTransformers, Ollama ou MoE-Infinity : le préremplissage (prefill) détruit la sparsité et force le transfert de tout le pool d'experts via PCIe, jusqu'à dix secondes sur les liaisons x8 de laptop ; le placement statique des tenseurs ignore les changements de routage à chaque token, laissant le GPU inactif ; et la bande passante mémoire d'un CPU grand public, autour de 80 à 90 Go/s en DDR5 double canal, reste très inférieure au 1 à 1,8 To/s d'un GPU comme la RTX 4090 ou 5090. FreeToken répond à cela par une exécution adaptative à la bande passante mesurée sur la machine (commande ft bench bw) et un système de cache sémantique avec double buffering par couche pendant le préremplissage.

Outils⚒Outil

1 source

44

Illustration générée par IA

1814The Decoder 

L'IA devient le premier client de l'IA : l'usage de tokens par des agents autonomes est multiplié par 14 sur OpenRouter

Depuis le 6 février 2025, les agents d'intelligence artificielle consomment désormais davantage de tokens que les humains sur OpenRouter, la plateforme qui agrège l'accès à de multiples modèles de langage. L'usage dit "agentique", c'est-à-dire généré par des IA opérant de façon autonome plutôt que par des requêtes humaines directes, a été multiplié par 14 depuis cette date, tandis que la consommation humaine n'a progressé que de 2,8 fois sur la même période. Fait notable, près de 70 % de la consommation de tokens par les agents provient de prompts mis en cache, une technique qui réduit fortement les coûts de calcul par rapport à un traitement classique. Résultat, la facture réelle augmente beaucoup plus lentement que ne le suggèrent les volumes bruts de tokens traités. Cette bascule marque un tournant pour l'industrie de l'IA, où les modèles ne servent plus seulement des utilisateurs humains mais deviennent eux-mêmes les principaux clients d'autres systèmes d'IA, dans des chaînes d'agents qui s'appellent, se coordonnent et négocient entre eux. Pour les fournisseurs de modèles et les plateformes comme OpenRouter, cela change la nature de la demande à anticiper, moins pilotée par des pics d'usage humain que par des boucles automatisées tournant en continu. Le rôle central du cache montre aussi que la rentabilité de ces déploiements dépend directement de l'optimisation technique de l'inférence plutôt que du seul volume de requêtes. Ce basculement s'inscrit dans la montée en puissance des architectures agentiques, où des assistants autonomes exécutent des tâches complexes en enchaînant plusieurs appels à des modèles, souvent avec des contextes répétitifs propices à la mise en cache. OpenRouter, en position d'observateur privilégié du marché grâce à son rôle d'intermédiaire entre développeurs et fournisseurs de modèles, offre ainsi l'un des premiers indicateurs chiffrés de cette transition. La question qui se pose désormais pour les acteurs du secteur, d'OpenAI à Anthropic en passant par les fournisseurs d'infrastructure, est celle du dimensionnement de leurs capacités face à une demande de plus en plus générée par des machines elles-mêmes.

Infrastructure❧Opinion

1 source

30

Illustration générée par IA

1815MarkTechPost 

Créer un pipeline d'intelligence documentaire de bout en bout avec deepDoctection

Un tutoriel technique publié récemment détaille la construction d'un pipeline complet d'intelligence documentaire à l'aide de deepDoctection, une bibliothèque Python open source actuellement en version 1.2.x. Le guide combine plusieurs étapes de traitement : détection de mise en page via un modèle basé sur le jeu de données DocLayNet, reconnaissance de la structure des tableaux grâce à Table Transformer, reconnaissance optique de caractères avec le moteur DocTR, reconstruction de l'ordre de lecture, liaison des annotations entre elles, et enfin export structuré des données. L'environnement s'appuie sur Transformers en version 5.2.0 ou supérieure, ainsi que sur les bibliothèques timm, python-doctr, pdfplumber, networkx et lxml. Le tutoriel utilise notamment le modèle Aryn/déformable-detr-DocLayNet pour l'analyse de mise en page, et illustre son fonctionnement sur deux documents d'exemple : un article de recherche au format PDF et une image de document financier. Le pipeline produit des objets appelés "Page", qui représentent texte, figures, tableaux, relations entre éléments, provenance et ordre de lecture. Le guide montre également comment étendre le framework en enregistrant des types d'objets personnalisés et en développant un composant de pipeline sur mesure capable d'extraire des entités monétaires et des dates, tout en classant les documents selon leurs caractéristiques tabulaires. Cette approche répond à un besoin croissant chez les entreprises et équipes techniques confrontées à de grands volumes de documents non structurés, factures, rapports financiers, contrats ou publications scientifiques, qu'il faut convertir en données exploitables par des systèmes d'intelligence artificielle. En assemblant un pipeline personnalisé via ServiceFactory et en transformant les annotations extraites en blocs JSONL ordonnés, les développeurs disposent d'une chaîne directement compatible avec les systèmes de génération augmentée par récupération, ou RAG, qui alimentent les grands modèles de langage avec des connaissances documentaires précises. Pour les équipes qui construisent des assistants d'entreprise ou des moteurs de recherche documentaire, cette capacité à extraire fidèlement la structure d'un tableau, la position exacte d'un montant ou d'une date, et l'ordre logique de lecture d'une page, conditionne directement la qualité des réponses générées en aval. deepDoctection s'inscrit dans un paysage d'outils d'intelligence documentaire en pleine expansion, aux côtés de solutions comme Unstructured.io, LayoutParser, Amazon Textract ou Google Document AI, qui répondent toutes au même défi : transformer des PDF et images scannées en données structurées et fiables. Le framework s'appuie sur des modèles de recherche reconnus, DocLayNet pour la mise en page, Table Transformer développé par Microsoft, et docTR pour l'OCR, tout en laissant aux développeurs la liberté d'étendre le pipeline avec leurs propres composants métier. Cette modularité, associée à la sortie native au format JSONL pensée pour les architectures RAG, illustre la manière dont l'ingénierie documentaire devient une brique technique à part entière dans la construction de systèmes d'IA générative appliqués à des cas d'usage professionnels concrets.

Outils≡Tuto

1 source

44

Illustration générée par IA

1816The Decoder 

Comment le marché gris chinois vend des tokens Claude à prix cassé

Un vaste marché gris permet aux développeurs chinois de contourner les restrictions d'accès imposées par Anthropic et d'acheter des jetons Claude à des prix cassés. Selon une enquête relayée par The Decoder, des réseaux dits de "stations de transfert" revendent l'accès au modèle jusqu'à dix fois moins cher que le tarif officiel, en s'appuyant sur des comptes tiers, des cartes de paiement étrangères et des techniques de contournement des vérifications géographiques. Anthropic a pourtant mis en place des contrôles stricts visant spécifiquement le marché chinois, incluant le blocage géographique des adresses IP et une vérification d'identité par selfie destinée à empêcher tout accès non autorisé depuis la Chine. L'analyste Zilan Qian, citée dans l'enquête, alerte sur l'ampleur de cette infrastructure de contournement. Cette faille a des répercussions qui dépassent le simple manque à gagner commercial pour Anthropic. Elle fragilise directement les régimes de contrôle à l'exportation mis en place par les autorités américaines pour limiter l'accès de la Chine aux technologies d'intelligence artificielle les plus avancées. Elle affaiblit également les systèmes de sécurité et de modération propres à Anthropic, censés empêcher certains usages problématiques du modèle selon la localisation ou l'identité des utilisateurs, puisque ces garde-fous reposent en grande partie sur l'authentification et la géolocalisation qu'ils sont censés vérifier. Cette situation illustre une tension plus large entre les ambitions géopolitiques des grandes puissances technologiques et la réalité économique d'un marché mondial très demandeur en accès à l'IA générative de pointe. Les entreprises américaines comme Anthropic, OpenAI ou Google se retrouvent prises entre des obligations réglementaires croissantes et des utilisateurs prêts à multiplier les stratagèmes pour continuer à utiliser leurs outils. L'existence de ce marché gris chinois pourrait pousser Anthropic à renforcer encore ses dispositifs de vérification, tout en relançant le débat sur l'efficacité réelle des contrôles à l'exportation appliqués au secteur de l'intelligence artificielle.

Sécurité⚡Actu

1 source

36

Illustration générée par IA

1817MarkTechPost 

Vercel lance « Is Agentic », un outil gratuit d'audit de préparation des sites web aux agents (100+ vérifications via Ora)

Vercel a lancé Is Agentic, un outil public et gratuit qui évalue la capacité d'un site web à être découvert, compris et utilisé par des agents IA. Les analyses sont effectuées par Ora, une entreprise de recherche sur l'expérience agentique issue d'era labs, tandis que Vercel héberge l'interface, les rapports et le système de notation affiché. L'outil est accessible sans clé API ni compte de facturation, via un site web, une commande CLI (npx is-agentic) ou un serveur MCP. La méthodologie d'Ora repose sur 118 vérifications réparties en quatre catégories : découverte (20 points, 15 vérifications), accès (30 points, 41 vérifications), utilisabilité (40 points, 56 vérifications) et paiements (10 points, 6 vérifications), avec une échelle de notation allant de A+ (95 à 100) à F (0 à 27). Vercel regroupe ensuite ces résultats dans son propre modèle, avec 80 points pour les vérifications essentielles, 20 points pour les recommandées et un bonus de 5 points pour les signaux émergents, sans pénalité en cas d'absence. Cet outil répond à un enjeu croissant : à mesure que les agents IA magasinent, réservent ou intègrent des services pour le compte des utilisateurs, un site mal structuré techniquement risque de devenir invisible ou inutilisable pour ces agents, même s'il fonctionne parfaitement pour un visiteur humain. Les rapports générés identifient des problèmes concrets, comme une page d'erreur 404 qui renvoie un code HTTP 200 au lieu du bon statut, ou l'absence de données structurées comme le JSON-LD, et proposent des recommandations directement exploitables, y compris des instructions prêtes à copier pour un agent de codage. Des secteurs entiers sont concernés : commerce en ligne, voyage, fintech, marketplaces, annuaires de santé et plateformes de documentation technique, partout où un agent pourrait agir au nom d'un utilisateur. L'initiative s'inscrit dans une tendance plus large où les infrastructures web doivent désormais composer avec deux types de visiteurs, humains et agents autonomes, ce qui redéfinit les standards de conception technique. Les vérifications d'Ora auraient été construites par rétro-ingénierie à partir de véritables parcours d'agents plutôt que sur des critères théoriques, et les résultats incluent un exemple de trajet d'un agent ayant rencontré des blocages sur un site testé, bien que ce parcours reste distinct du score numérique final. Trois interfaces machine, dont une API de rapport limitée à 120 requêtes par adresse IP toutes les 60 secondes, permettent aux équipes d'intégrer ces vérifications dans leurs pipelines d'intégration continue, transformant potentiellement l'audit d'agentivité en un critère de qualité aussi routinier que les tests de performance ou d'accessibilité web.

Outils⚒Outil

1 source

32

Illustration générée par IA

1818MarkTechPost 

Guide du développeur pour NeMo Guardrails : sécuriser l'IA en entreprise

Un tutoriel technique publié par MarkTechPost détaille la construction d'un pipeline complet de garde-fous pour l'intelligence artificielle en entreprise, à partir du framework NeMo Guardrails développé par NVIDIA. La démonstration s'appuie sur un assistant financier fictif baptisé FinBot, construit avec le modèle gpt-4o-mini d'OpenAI. Le guide montre comment empiler plusieurs couches de protection sur l'ensemble du cycle de vie d'une requête utilisateur : détection et rédaction automatique des données personnelles identifiables (numéros de carte, identifiants), vérifications par l'IA elle-même des messages entrants et sortants, filtrage des extraits de documents internes avant leur récupération, masquage des numéros de compte, restrictions thématiques et contrôle des accès aux outils selon des règles de politique interne. Le code, écrit en Python avec des fichiers de configuration YAML et Colang, installe la bibliothèque nemoguardrails et connecte une clé API OpenAI. Il inclut aussi un suivi des échanges multi-tours avec conservation du contexte, une traçabilité détaillée de chaque garde-fou activé, un comptage des tokens consommés, et un rapport de couverture inspiré des tests d'intrusion ("red team") pour évaluer la robustesse du système face aux tentatives de contournement. Cette démonstration illustre un enjeu central pour les entreprises qui déploient des agents conversationnels basés sur des grands modèles de langage dans des secteurs sensibles comme la finance : garantir qu'un assistant ne divulgue jamais d'informations confidentielles, ne fournisse pas de conseils d'investissement non autorisés, ne se laisse pas manipuler par des tentatives de contournement de ses instructions ("jailbreak"), et respecte des limites thématiques strictes, par exemple en refusant de commenter des sujets politiques. Le fait de mesurer précisément le coût en tokens de chaque couche de protection répond à une préoccupation opérationnelle bien réelle : la sécurité additionnelle a un prix, et les équipes techniques doivent pouvoir arbitrer entre le niveau de protection et le coût d'exploitation à grande échelle. Pour les secteurs réglementés, disposer d'une architecture capable de tracer quelle règle a bloqué ou modifié une réponse, et pourquoi, devient également un enjeu de conformité et d'auditabilité. Ce type d'outillage s'inscrit dans une tendance plus large de maturation de l'écosystème des applications d'IA générative en entreprise, où la simple invocation d'un modèle de langage ne suffit plus : les organisations réclament des couches de contrôle déterministes et vérifiables autour de systèmes par nature probabilistes. NVIDIA, avec NeMo Guardrails, se positionne aux côtés d'autres initiatives similaires visant à standardiser la sécurisation des agents conversationnels, dans un contexte où les incidents liés à des assistants IA ayant halluciné des informations financières ou divulgué des données sensibles ont déjà coûté cher à plusieurs entreprises. La multiplication de ces frameworks de gouvernance pourrait à terme devenir un prérequis pour le déploiement d'agents IA dans les secteurs financier, médical et juridique.

Sécurité≡Tuto

1 source

47

Illustration générée par IA

1819The Information AI 

Les prix des puces IA Nvidia vont augmenter d'environ 17%, selon des fabricants de serveurs

Les prix de certains systèmes de puces IA phares de Nvidia vont augmenter d'environ 17%, selon deux personnes dont les entreprises ont été informées par des fabricants de serveurs fournissant ces systèmes. Ces hausses concernent principalement les systèmes à base de puces Grace Blackwell 300 et Vera Rubin 200, dont la livraison est prévue l'an prochain. Selon les prix actuels des systèmes de puces destinés à un data center d'une capacité d'un gigawatt, ces changements pourraient faire grimper le coût total d'une telle installation d'au moins 5 milliards de dollars. Cette hausse tarifaire a des répercussions directes sur l'ensemble de la chaîne de valeur de l'intelligence artificielle, des hyperscalers qui construisent des infrastructures massives jusqu'aux entreprises clientes qui louent de la puissance de calcul. Les géants du cloud et les développeurs de grands modèles de langage, déjà engagés dans une course aux investissements colossaux pour bâtir des centres de données capables d'alimenter l'IA générative, verront leurs budgets d'infrastructure encore alourdis. Une telle augmentation risque aussi de peser sur la rentabilité des projets de data centers en cours de planification et pourrait inciter certains acteurs à revoir leurs calendriers ou à chercher des alternatives auprès d'autres fournisseurs de puces. Ces hausses interviennent dans un contexte de demande toujours extrêmement forte pour les puces Nvidia, qui dominent largement le marché des processeurs dédiés à l'entraînement et à l'inférence des modèles d'IA. Les fabricants de serveurs jouent un rôle d'intermédiaire clé entre Nvidia et les grands opérateurs de data centers, et leurs annonces aux clients donnent souvent un premier aperçu des évolutions tarifaires avant toute communication officielle de Nvidia. Alors que les investissements dans l'infrastructure IA se comptent déjà en dizaines de milliards de dollars pour les principaux acteurs du secteur, cette nouvelle hausse des coûts pourrait raviver les débats sur la soutenabilité financière de la course actuelle aux capacités de calcul.

Infrastructure⚡Actu

1 source

49

Illustration générée par IA

1820VentureBeat AI 

Les entreprises qui réussissent avec les agents IA limitent leur autonomie

Selon les prévisions du cabinet Gartner publiées mi-2026, plus de 40% des projets d'IA agentique actuellement en production ne survivront pas jusqu'en 2028. La cause n'est pas la performance des modèles, mais l'explosion des coûts, l'absence de valeur commerciale démontrée et des dispositifs de gestion des risques insuffisants. Cette estimation fait écho à l'enquête 2026 AI Trust Maturity Survey de McKinsey, qui situe la maturité moyenne des entreprises en matière d'IA responsable à seulement 2,3 sur 4. Seules environ 30% des organisations ont atteint un niveau de maturité de trois ou plus dans la gouvernance et le contrôle spécifique des agents autonomes. Autre chiffre marquant fourni par Gartner : sur les milliers de produits commercialisés sous l'étiquette "IA agentique", seuls environ 130 disposent réellement de capacités autonomes vérifiables, le reste relevant surtout de l'automatisation classique ou de chatbots repositionnés pour l'occasion. Ce déséquilibre entre capacité technique et contrôle a des conséquences concrètes. Dans des domaines comme la réconciliation financière, les processus de conformité, le contrôle qualité industriel ou la documentation clinique, un agent capable de planifier et d'exécuter seul une tâche en plusieurs étapes devient aussi plus difficile à auditer après coup : quand une erreur survient en cours de chaîne, retracer la décision fautive et en identifier le responsable peut se transformer en enquête complexe plutôt qu'en simple vérification. C'est précisément cette opacité qui pousse les équipes juridiques, risques et conformité à bloquer le passage en production de projets pourtant techniquement aboutis. L'intégration dans les systèmes existants pose un problème tout aussi sérieux : brancher un agent autonome sur un flux de travail hérité exige de reconstruire entièrement les points de décision, les chaînes d'approbation et les pistes d'audit, un chantier que beaucoup d'entreprises sous-estiment en le traitant comme un simple problème d'ingénierie supplémentaire. Ce basculement redéfinit la compétition dans le secteur. Entre 2024 et 2025, la course consistait à déployer l'agent le plus autonome possible, le plus vite possible. Entre 2026 et 2027, elle porte sur la confiance : il s'agit désormais de faire approuver un agent par les équipes de conformité et de gestion des risques, puis de conserver cette approbation une fois le système en service. Les entreprises qui tirent leur épingle du jeu ne sont donc pas celles qui accordent le plus de liberté à leurs agents, mais celles qui leur assignent des responsabilités précises et les font fonctionner à l'intérieur de règles claires. Ce constat s'appuie aussi sur les travaux de McKinsey, qui montrent un écart persistant entre les risques que les entreprises déclarent connaître, comme la confidentialité des données ou l'exposition de la propriété intellectuelle, et ceux qu'elles savent réellement gérer, laissant présager que la phase actuelle de déploiement massif de l'IA agentique devra composer avec un resserrement progressif de la gouvernance.

Business❖Paper

1 source