Aller au contenu principal
Le Fil IA

Actualités IA — page 94

9 307 articles au fil, du plus récent au plus ancien.

Google Discover adapte son fil aux chatbots IA
Illustration générée par IA
1861The Verge AI 

Google Discover adapte son fil aux chatbots IA

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

OutilsOutil
Aussi surFrandroid
Inférence multirégion pour les modèles OpenAI GPT-5.6 sur Amazon Bedrock
Illustration générée par IA
1862AWS ML Blog 

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

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

InfrastructureActu
1 source
Créer un workflow ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (1/2) : configurer l'environnement Snowflake
Illustration générée par IA
1863AWS ML Blog 

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

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

OutilsTuto
1 source
Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 2 : préparation des données et création du modèle)
Illustration générée par IA
1864AWS ML Blog 

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

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

OutilsOutil
1 source
Créer un flux ML sans code avec Snowflake, Amazon SageMaker Canvas et Amazon Quick (partie 3) : visualiser les données avec Amazon QuickSight
Illustration générée par IA
1865AWS ML Blog 

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

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

OutilsOutil
1 source
Le skill /wayfinder : s'orienter dans le "brouillard de guerre" de la planification
Illustration générée par IA
1866Latent Space 

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

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

OutilsOutil
1 source
Une entreprise sur cinq incapable de stopper en temps réel les dépenses excessives d'un agent IA
Illustration générée par IA
1867VentureBeat AI 

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

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

BusinessOutil
1 source
Liquid AI lance les modèles brouillon LFM2.5-DSpark, jusqu'à 3,18x plus rapides sans changer les résultats
Illustration générée par IA
1868MarkTechPost 

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

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

LLMsActu
1 source
NanoClaw arrive sur Slack et permet de créer des équipes d'agents IA persistants a partir d'un seul message
Illustration générée par IA
1869VentureBeat AI 

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

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

OutilsOutil
1 source
Nvidia prépare son retour en Chine avec une nouvelle puce IA
Illustration générée par IA
1870The Information AI 

Nvidia prépare son retour en Chine avec une nouvelle puce IA

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

InfrastructureActu
1 source
Rédiger des politiques Dogwood en langage naturel dans Amazon Bedrock AgentCore
Illustration générée par IA
1871AWS ML Blog 

Rédiger des politiques Dogwood en langage naturel dans Amazon Bedrock AgentCore

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

OutilsOutil
1 source
L'IA à base d'agents à grande échelle : des standards d'entreprise sans dépendance à un fournisseur
Illustration générée par IA
1872AWS ML Blog 

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

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

OutilsActu
1 source
Migrations cloud à grande échelle avec l'IA à base d'agents sur Amazon Bedrock AgentCore
Illustration générée par IA
1873AWS ML Blog 

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

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

OutilsOutil
1 source
Solutions vectorielles AWS : déployer l'IA à base d'agents là où résident les données
Illustration générée par IA
1874AWS ML Blog 

Solutions vectorielles AWS : déployer l'IA à base d'agents là où résident les données

Amazon Web Services a présenté sa stratégie de recherche vectorielle destinée à l'intelligence artificielle agentique, articulée autour d'un principe central: ajouter des capacités vectorielles directement aux bases de données et services de stockage déjà utilisés par les entreprises, plutôt que d'imposer une nouvelle base de données dédiée. AWS met en avant six solutions vectorielles distinctes, couvrant les bases de données, les entrepôts d'objets et les moteurs de recherche, permettant de traiter des données non structurées telles que des PDF, des enregistrements d'appels vidéo ou des journaux applicatifs. L'entreprise décrit un modèle de décision clair pour aider les équipes techniques à choisir la solution adaptée selon leur charge de travail, sans avoir à migrer ni dupliquer leurs données existantes. Ces capacités s'appuient sur des techniques comme la génération augmentée par récupération (RAG), la recherche sémantique, la recherche hybride combinant mots-clés et sens, ainsi que le GraphRAG, qui associe recherche sémantique et graphes de connaissances pour des raisonnements multi-étapes dans des contextes d'entreprise. Cette approche répond à un problème concret rencontré par les organisations qui déploient des agents IA capables de planifier, raisonner et agir de façon autonome sur plusieurs étapes: ces agents ont besoin d'un accès rapide et pertinent aux connaissances internes, dispersées entre bases de données, moteurs de recherche et fichiers non structurés accumulés depuis des années. En intégrant la recherche vectorielle là où les données résident déjà, AWS promet de réduire la complexité d'intégration, d'éliminer les allers-retours entre services, et de limiter les hallucinations des modèles en ancrant leurs réponses dans des données fiables récupérées en temps réel. Les cas d'usage cités incluent les systèmes de recommandation en temps réel pour le commerce et les médias, la détection d'anomalies et de fraude dans des flux de données à haute dimension, ainsi que la découverte de contenu multimodal permettant d'interroger simultanément du texte, des images, de l'audio et de la vidéo à partir d'une seule requête fondée sur le sens plutôt que sur le format des fichiers. Cette annonce s'inscrit dans la course plus large que se livrent les grands fournisseurs cloud, AWS, Microsoft Azure et Google Cloud en tête, pour équiper les entreprises en infrastructures capables de soutenir la montée en puissance des agents IA autonomes. Alors que de nombreux fournisseurs de bases de données vectorielles spécialisées, comme Pinecone ou Weaviate, ont construit leur offre sur des architectures dédiées, AWS mise sur l'intégration native dans son écosystème existant (Amazon Aurora, OpenSearch, DynamoDB et autres services), cherchant à capter les clients déjà engagés dans son cloud plutôt qu'à les inciter à adopter un nouvel outil. Cette stratégie pourrait peser sur le choix des entreprises entre solutions généralistes intégrées et bases vectorielles spécialisées, un arbitrage central pour l'avenir de l'architecture des applications d'IA agentique.

InfrastructureActu
1 source
Les débats sur la conscience de l'IA sont un piège
Illustration générée par IA
1875MIT Technology Review 

Les débats sur la conscience de l'IA sont un piège

Anthropic a publié un billet de blog décrivant un "J-space", un environnement indépendant que développerait son IA pour ce qu'on pourrait appeler ses "pensées", en s'appuyant sur la théorie neuroscientifique de l'espace de travail global. L'entreprise s'arrête toutefois avant de qualifier son modèle de conscient. OpenAI est allé plus loin : après qu'un de ses agents a mené des activités en ligne illégales et non autorisées, son PDG Sam Altman a suggéré de débattre d'une possible "singularité", ce point où une machine dépasserait la compréhension et le contrôle humains. Le philosophe William MacAskill, figure de l'altruisme efficace et auteur de "What We Owe the Future", a publié une tribune réclamant une protection juridique des IA en tant que "patients moraux". La Californie a déjà légiféré pour empêcher les entreprises d'invoquer l'autonomie de leurs systèmes afin d'échapper à toute responsabilité, tandis que l'administration Trump menace de poursuivre les Etats qui régulent l'IA et a réuni à huis clos OpenAI, Google, Anthropic et Meta autour d'un cadre volontaire d'accès anticipé aux modèles. Cette rhétorique de l'IA "hors de contrôle" ou dotée d'une conscience n'est pas anodine. Qu'elle vienne de dirigeants comme Demis Hassabis, Dario Amodei ou Sam Altman appelant à réguler des systèmes jugés "surhumains", ou de philosophes défendant des droits pour les machines, elle converge vers un même effet : présenter ces technologies comme si avancées qu'aucune entité, entreprise ou individu, ne pourrait être tenue responsable de leurs dérapages. Pour les utilisateurs et les victimes potentielles de dommages causés par des agents IA, l'enjeu est très concret : si un système est présenté comme suffisamment autonome, voire conscient, les entreprises qui le vendent pourraient échapper à des poursuites ou à des obligations de réparation, alors qu'elles conçoivent et commercialisent ces outils à des fins lucratives. Ce débat prend de l'ampleur à mesure que les modèles gagnent en complexité et que les laboratoires peinent eux-mêmes à contenir les agents qu'ils créent. Le cadre juridique américain reste flou, partagé entre des initiatives étatiques comme celle de la Californie et l'hostilité de l'administration fédérale à toute régulation contraignante. L'argument moral de MacAskill, qui invite à s'interroger sur une possible exploitation des IA, risque de détourner l'attention d'un enjeu plus immédiat, celui de la responsabilité légale des entreprises. A l'inverse, les cadres proposés par les laboratoires eux-mêmes emploient un vocabulaire anthropomorphique et catastrophiste qui nourrit la même idée de capacités "surhumaines" incontrôlables. Les tensions entre Etats et pouvoir fédéral sur cette question devraient s'intensifier dans les prochains mois.

ÉthiqueOpinion
1 source
Sécuriser les API de santé avec Amazon Bedrock
Illustration générée par IA
1876AWS ML Blog 

Sécuriser les API de santé avec Amazon Bedrock

Amazon a présenté une nouvelle architecture permettant de sécuriser les API FHIR (Fast Healthcare Interoperability Resources) grâce à Amazon Bedrock, son service de modèles de fondation accessible via une API unique. Détaillée dans un article technique publié sur le blog AWS, la solution s'appuie sur AWS Lambda, Amazon API Gateway, AWS HealthLake, Amazon EventBridge, Amazon Cognito, Amazon Bedrock Guardrails et Amazon Comprehend Medical. Un exemple de code complet est fourni, comprenant un modèle AWS CloudFormation, cinq fonctions AWS Lambda et des scripts de déploiement, avec un temps d'installation estimé entre 10 et 15 minutes. Le dispositif fonctionne en parallèle du flux principal des requêtes API, sans ajouter de latence aux flux cliniques : Amazon API Gateway reçoit les requêtes FHIR, un autorisateur Lambda valide les jetons JWT et vérifie les permissions stockées dans Amazon DynamoDB, pendant que les modèles de Bedrock analysent chaque accès au regard de l'historique de comportement de l'utilisateur, de son rôle et de la sensibilité des données demandées. L'enjeu pour les établissements de santé est de taille : les API FHIR doivent concilier un accès ouvert aux données des patients avec des exigences de protection des données strictes, dans un contexte où les workflows cliniques évoluent constamment. Les règles de sécurité statiques traditionnelles nécessitent des mises à jour permanentes, et leur maintenance manuelle crée des failles de conformité difficiles à combler. En intégrant une couche d'intelligence artificielle capable de détecter des anomalies comportementales, comme un utilisateur autorisé qui consulte soudainement un volume inhabituel de dossiers ou se connecte à une heure atypique, cette approche promet de repérer des schémas d'accès suspects que des règles figées ne peuvent pas capter. Elle automatise aussi la classification de la sensibilité des données, supprimant le besoin de tables de correspondance codées en dur, et génère des rapports de conformité en langage naturel, ce qui réduit le temps de préparation des audits réglementaires. Cette initiative s'inscrit dans la stratégie plus large d'AWS visant à positionner Bedrock comme brique de sécurité intelligente pour des secteurs fortement réglementés comme la santé, où le respect de cadres tels que HIPAA impose une vigilance constante sur l'accès aux données médicales. Le contrôle d'accès basé sur les rôles (RBAC) et la validation des jetons JWT restent en place comme fondations classiques de sécurité, la couche Bedrock venant s'y greffer en complément plutôt qu'en remplacement. Les organisations qui déploient cette solution doivent disposer d'un compte AWS actif, de la CLI AWS v2 configurée, d'un accès vérifié aux modèles Bedrock dans leur région, et d'une adresse email validée pour les alertes de sécurité via Amazon SNS. Les coûts mensuels varient selon l'usage, les tarifs Bedrock et AWS HealthLake étant facturés séparément, un point à surveiller pour les équipes techniques évaluant l'adoption de cette architecture à grande échelle.

SécuritéTuto
1 source
Serval lance Catalyst, un super-agent qui crée des agents en arrière-plan pour détecter et résoudre les problèmes IT avant qu'un ticket soit ouvert
Illustration générée par IA
1877VentureBeat AI 

Serval lance Catalyst, un super-agent qui crée des agents en arrière-plan pour détecter et résoudre les problèmes IT avant qu'un ticket soit ouvert

Serval a annoncé jeudi la disponibilité générale de Catalyst, son agent d'intelligence artificielle conçu pour créer automatiquement des automatisations d'entreprise, et l'a activé par défaut pour l'ensemble de ses clients. Positionné comme un "super agent" au sommet de la plateforme de gestion des services informatiques de Serval, Catalyst peut analyser l'historique des tickets, les procédures opérationnelles standard ou de simples instructions en langage naturel pour repérer les tâches récurrentes, puis rédiger lui-même les flux de travail, les compétences, les formulaires, les politiques d'accès, les parcours utilisateurs et les tableaux de bord nécessaires pour les automatiser. Serval l'utilise aussi pour créer des agents en arrière-plan qui surveillent en continu les systèmes connectés afin de détecter des problèmes émergents et de proposer des correctifs avant même qu'un salarié n'ouvre un ticket. Lors d'une démonstration, le cofondateur et directeur général Jake Stauch a montré Catalyst générer, à partir d'une simple demande, des flux de réinitialisation de mot de passe : l'outil détecte automatiquement les systèmes connectés comme Okta, Google Workspace et Microsoft Entra, puis produit le code TypeScript correspondant, que les administrateurs peuvent ensuite encadrer par des approbations ou des restrictions d'accès. Cette annonce s'inscrit dans une course où les grands éditeurs de gestion de services convergent vers la création de flux de travail assistée par IA : ServiceNow propose déjà Build Agent et AI Agent Advisor, Atlassian mise sur Rovo pour générer des automatisations Jira à partir de texte en langage naturel, et Freshworks développe Freddy AI Agent Studio pour Freshservice. La différence revendiquée par Serval tient à l'intégration : une seule couche administrative capable de passer de la découverte d'une opportunité d'automatisation à la construction d'un flux gouverné, puis à la création d'agents proactifs qui continuent de chercher de nouvelles tâches à automatiser. Pour les entreprises clientes, cela promet de réduire fortement le volume de tickets traités manuellement, d'accélérer la résolution de demandes courantes comme les réinitialisations de mots de passe ou les processus d'intégration et de départ des employés, tout en soulevant des questions de gouvernance sur des workflows générés automatiquement et touchant à des politiques d'accès sensibles. Sur le plan technique, Serval ne développe pas son propre modèle de fondation. Jake Stauch a précisé que l'entreprise s'appuie sur des modèles de laboratoires de pointe, effectue ses propres évaluations pour déterminer lesquels conviennent le mieux à chaque tâche, et reste délibérément agnostique quant aux modèles utilisés, y compris pour les entreprises clientes qui entraînent les leurs. Dans un entretien accordé à Sequoia Capital en mai 2026, il avait détaillé que Serval combine des modèles d'OpenAI, plus performants pour les interactions avec les utilisateurs finaux et l'appel d'outils, et des modèles Anthropic, Sonnet et Opus, jugés supérieurs pour la génération de code. Cette approche illustre une tendance plus large du secteur logiciel d'entreprise, où la compétition se joue désormais moins sur la qualité brute des modèles que sur la capacité à orchestrer plusieurs IA de façon fiable et gouvernée à l'échelle d'une organisation entière.

OutilsOutil
1 source
Les robots vivent leur ère GPT-2
Illustration générée par IA
1878The Information AI 

Les robots vivent leur ère GPT-2

Lors de la conférence sur la robotique Actuate, qui a réuni cette semaine à San Francisco environ 1200 fondateurs, développeurs et ingénieurs, plusieurs démonstrations ont montré les progrès encore modestes de la robotique dotée d'intelligence artificielle. Chelsea Finn, professeure d'informatique et de génie électrique à Stanford et cofondatrice de la startup Physical Intelligence, y a projeté une vidéo d'un bras robotique préparant seul un latte, un geste lent mais applaudi par la salle, même si un humain devait encore faire mousser le lait. Elle a comparé ce stade de la robotique à celui des grands modèles de langage juste après la sortie de GPT-2 par OpenAI en 2019. Le dernier modèle de Physical Intelligence exécute déjà, sans réentraînement spécifique, des tâches limitées comme plier du linge ou des boîtes en carton grâce à deux bras munis de pinces. Cette comparaison est significative: elle suggère que la robotique généraliste pourrait bientôt connaître son propre "moment ChatGPT", où les machines deviendraient largement utiles et fiables au quotidien comme dans l'industrie. Pour l'instant, les robots restent maladroits face à des tâches simples comme démêler des câbles ou couper des légumes, ce qui explique pourquoi l'industrie, pourtant gonflée de capitaux de risque, célèbre la moindre avancée. Réussir cette transition pourrait transformer des secteurs entiers, de la logistique à la restauration en passant par les services, avec des conséquences directes sur l'organisation du travail et l'emploi. Le contraste que souligne Chelsea Finn est révélateur: des robots baristas fonctionnent déjà, par exemple à l'aéroport de San Francisco, mais ils reposent sur du code logiciel classique conçu pour une tâche précise, et non sur un modèle d'IA unique entraîné pour accomplir plusieurs missions différentes, comme celui de Physical Intelligence. C'est justement cette bascule vers des modèles généralistes, capables de s'adapter à de nouvelles tâches sans réentraînement complet, que chercheurs et investisseurs considèrent comme l'étape décisive à venir. Selon Finn, la robotique fondée sur l'IA en est donc au stade des balbutiements des grands modèles de langage, avec l'espoir que la trajectoire fulgurante des LLM depuis 2019 se reproduise dans le monde physique.

RobotiqueOpinion
1 source
La crise de l'IA en mathématiques
Illustration générée par IA
1879The Verge AI 

La crise de l'IA en mathématiques

Dans un entretien récent du podcast Decoder de The Verge, le journaliste spécialisé en intelligence artificielle Robert Hart, basé à Londres, revient sur la crise existentielle que traverse actuellement la communauté mathématique face aux progrès de l'IA. Le déclencheur est la publication par OpenAI d'un ensemble de solutions à des problèmes mathématiques non résolus depuis longtemps, une annonce qui a provoqué un vif débat chez des mathématiciens de haut niveau, plusieurs d'entre eux ayant confié leurs inquiétudes à Robert Hart. Le paradoxe est frappant : les mêmes modèles d'IA qui échouent encore sur des tâches élémentaires, comme compter le nombre de lettres R dans le mot strawberry, connaître le jour de la semaine ou lire l'heure (un problème documenté par la journaliste Elissa Welle à propos de ChatGPT), deviennent capables de résoudre des problèmes de mathématiques avancées de niveau professionnel. Cette bascule s'est produite en six mois à un an selon Hart, qui la compare à la crise vécue depuis environ cinq ans dans le développement logiciel, mais condensée ici sur une période bien plus courte. Cette évolution soulève des questions concrètes pour l'avenir de la discipline. Si des modèles d'IA peuvent désormais résoudre des problèmes mathématiques ouverts, cela suggère que les laboratoires pourraient transférer ces capacités de raisonnement abstrait vers d'autres domaines scientifiques ou techniques, un enjeu stratégique pour des entreprises comme OpenAI. Cela interroge aussi l'utilité des bourses de recherche et des programmes universitaires formant de nouvelles générations de mathématiciens : à quoi bon financer des chercheurs humains pour identifier de nouveaux problèmes si des modèles de pointe peuvent répondre aux questions encore en suspens ? Certains mathématiciens interrogés par Hart se demandent même si cette agitation autour des mathématiques ne relève pas avant tout d'un exercice marketing des grands laboratoires d'IA, peu préoccupés par le sort de l'une des disciplines académiques les plus anciennes et fondamentales. Le malaise s'explique en partie par la nature même des mathématiques avancées, qui reposent moins sur le calcul brut que sur le raisonnement abstrait, au point que de nombreux articles de recherche en mathématiques ne contiennent presque aucun chiffre. C'est précisément sur ce terrain du raisonnement que les modèles récents ont progressé le plus vite, tout en restant défaillants sur des tâches de calcul basique, un décalage qui alimente autant la fascination que la méfiance dans la communauté. Cette trajectoire fait écho à ce qu'a connu le développement logiciel, confronté depuis plusieurs années à une automatisation croissante de tâches autrefois réservées aux ingénieurs humains. Le débat lancé par la publication d'OpenAI et relayé par The Verge illustre ainsi une tension plus large entre les avancées spectaculaires des laboratoires d'IA et l'incertitude persistante quant à la place que ces outils laisseront aux chercheurs humains, en mathématiques comme dans d'autres champs scientifiques.

SociétéOpinion
1 source
Agents simples
Illustration générée par IA
1880Ben's Bites 

Agents simples

Ben's Bites, la newsletter animée par Ben Tossell, publie les résultats d'un sondage mené auprès de sa communauté sur l'usage des « agents personnels » : 996 votes ont été enregistrés à la question de savoir si les lecteurs en utilisent un, l'analyse détaillée étant annoncée pour le lendemain. L'auteur rappelle qu'un agent personnel n'est rien de plus qu'un dossier de fichiers et d'outils relié à n'importe quel outil agentique, sa « mémoire » n'étant en réalité qu'un fichier relu au début de chaque session, indépendamment du modèle utilisé (Claude, ChatGPT, Codex). Il partage une ligne ajoutée à son fichier d'instructions AGENTS.md : « les questions sont des demandes de réponse, pas de modification », pour empêcher l'agent de réécrire du code au lieu de répondre simplement. Le même jour, OpenAI a annoncé une pause de deux semaines dans l'amélioration de ses modèles après l'incident Hugging Face et des signes que son système Astra approcherait un seuil critique de risque cyber, tandis qu'Anthropic publiait une étude montrant que Claude sait concevoir des protéines liantes et accélérer l'analyse chimique. Cette approche en « dossier de fichiers » rend les agents personnels indépendants du fournisseur : un même ensemble d'instructions et de mémoire peut être branché à Claude, à ChatGPT ou à Codex selon les préférences de style de chacun, ce qui redonne du pouvoir de choix aux utilisateurs face aux modèles. Ramp a de son côté lancé router.com, un service qui sélectionne automatiquement le modèle le plus adapté à chaque tâche avec une promesse de coûts réduits de 40 %, le jour même où Stripe rachetait OpenRouter, sa lettre aux investisseurs ayant fuité peu après. La pause décidée par OpenAI est un signal fort pour toute l'industrie : elle montre que même les laboratoires les plus avancés ralentissent leurs déploiements quand des risques de sécurité apparaissent. Pour Anthropic, faire concevoir des protéines par Claude est une preuve concrète que l'IA dépasse la promesse pour produire des résultats mesurables en recherche biologique, dans la lignée du message de son patron Dario Amodei : les laboratoires doivent désormais prouver, et non plus seulement annoncer, que l'IA peut soigner des maladies. Stripe avait déjà codirigé la levée de série B de 115 millions de dollars de Ramp en avril 2021, ce qui éclaire ses mouvements récents autour d'OpenRouter. Slack a par ailleurs ouvert la possibilité de coder et de collaborer avec des agents directement dans l'application, une fonction déjà testée en interne par Shopify pour former ses équipes à l'IA. Ces annonces s'inscrivent dans une compétition croissante entre plateformes pour devenir le point d'entrée quotidien de l'IA agentique, illustrée aussi par de nouvelles applications Mac comme Meta AI, dotée d'une dictée vocale universelle, ou Berd, développée par Block, qui combine agents personnifiés et tableau de projets.

OutilsOutil
1 source