Aller au contenu principal

Actualités IA — page 97

9 309 articles au fil, du plus récent au plus ancien.

Interrogé, Copilot livre ses propres failles aux pirates informatiques
Illustration générée par IA
1921Frandroid 

Interrogé, Copilot livre ses propres failles aux pirates informatiques

Des chercheurs de Varonis Threat Labs ont révélé l'existence de CoSnitch, une vulnérabilité affectant Microsoft Copilot qui permettait de manipuler l'assistant IA pour qu'il révèle ses propres failles de sécurité et exfiltre des données utilisateur en un seul clic. Microsoft a corrigé le problème avec un patch déployé le 18 août 2026. La faille reposait sur une technique consistant à interroger Copilot de manière à contourner ses garde-fous internes, l'assistant finissant par divulguer des informations sensibles ou par exécuter des actions non prévues à l'insu de l'utilisateur, sans nécessiter d'interaction complexe de sa part. Cette découverte illustre un problème structurel qui dépasse le seul cas de Copilot: les assistants IA intégrés aux suites bureautiques ont accès à un volume massif de données professionnelles (emails, documents, calendriers), ce qui en fait des cibles de choix pour l'exfiltration de données via des attaques par injection de prompt. Pour les entreprises qui ont déployé Copilot dans leurs environnements Microsoft 365, une telle faille pose un risque direct de fuite de données confidentielles, potentiellement sans que l'utilisateur ni les équipes de sécurité ne s'en aperçoivent, puisque l'action passe par l'assistant lui-même et non par un point d'entrée réseau classique. Ce type d'incident s'inscrit dans une série croissante de recherches en sécurité ciblant les agents IA intégrés aux environnements professionnels, où Varonis s'est positionné comme un acteur actif dans la détection de vulnérabilités liées à l'IA générative. Microsoft, qui a fait de Copilot un pilier de sa stratégie produit, doit désormais gérer en continu ce nouveau type de surface d'attaque, à mesure que ses assistants gagnent en autonomie et en accès aux données internes des organisations. D'autres découvertes similaires sont probables à mesure que ces outils se généralisent.

SécuritéActu
1 source
GLM-5.3 arrive sur l'API à 1,4/4,4 dollars par million de tokens
Illustration générée par IA
1922VentureBeat AI 

GLM-5.3 arrive sur l'API à 1,4/4,4 dollars par million de tokens

Le développeur chinois Z.ai a ouvert l'accès API à GLM-5.3, son nouveau modèle de langage frontière en open source, une semaine après un lancement remarqué où le modèle aurait détecté une vulnérabilité jusqu'alors inconnue dans l'éditeur Cursor. Les tarifs restent identiques à ceux de GLM-5.2 : 1,40 dollar par million de tokens en entrée et 4,40 dollars par million en sortie, avec un tarif réduit à 0,26 dollar pour les tokens en entrée mis en cache, dont le stockage est pour l'instant gratuit de façon temporaire. Les développeurs déjà abonnés au GLM Coding Plan sont pour le moment limités au protocole compatible OpenAI Chat Completions. Z.ai a annoncé son intention de publier prochainement les poids du modèle en libre accès, sans toutefois préciser de date ni de type de licence. Selon les tests indépendants d'Artificial Analysis, GLM-5.3 obtient un score de 60 sur l'Intelligence Index, ce qui en fait, à égalité avec Kimi K3 de Moonshot AI, le modèle open source le plus performant au monde, en progression de sept points par rapport à GLM-5.2. Cette stabilité tarifaire malgré des gains de performance change la donne pour les entreprises qui déploient des agents de codage ou des applications à forte consommation de tokens. En combinant un million de tokens en entrée et un million en sortie, la facture s'élève à 5,80 dollars pour GLM-5.3, contre 8 dollars pour Grok 4.6 d'xAI sur son palier tarifaire le plus bas, 18 dollars pour Kimi K3, 30 dollars pour Claude Opus 5 d'Anthropic et jusqu'à 35 dollars pour GPT-5.6 Sol d'OpenAI en mode standard. Ce positionnement tarifaire nettement inférieur aux modèles frontières premium renforce l'attractivité de GLM-5.3 pour les développeurs cherchant à réduire leurs coûts d'infrastructure IA sans sacrifier les performances en codage et en tâches agentiques de longue durée, un argument commercial de plus en plus déterminant à mesure que les usages d'agents autonomes se généralisent. GLM-5.3 ne reste toutefois pas l'option la moins chère du marché : Google propose actuellement Gemini 3.7 Flash à 0,75 dollar en entrée et 3,75 dollars en sortie jusqu'au 31 décembre 2026, tandis qu'OpenAI facture GPT-5.6 Luna à seulement 0,20 dollar en entrée et 1,20 dollar en sortie. Artificial Analysis relève d'ailleurs que le coût par tâche de l'Intelligence Index atteint environ 0,68 dollar pour GLM-5.3, contre 0,44 dollar pour GLM-5.2, à prix de token identique, signe que les gains de capacités s'accompagnent d'une consommation de tokens plus importante par tâche. Cette dynamique illustre la concurrence tarifaire intense entre laboratoires chinois (Z.ai, DeepSeek, Moonshot AI, Xiaomi) et occidentaux (OpenAI, Google, Anthropic, xAI) sur le marché des API, où la course aux prix bas coexiste désormais avec une course aux performances mesurées par des benchmarks indépendants.

LLMsActu
1 source
Comportements humains dans les LLM : analyse multidimensionnelle des modèles, des utilisateurs et des prompts système
Illustration générée par IA
1923Apple Machine Learning 

Comportements humains dans les LLM : analyse multidimensionnelle des modèles, des utilisateurs et des prompts système

Les grands modèles de langage (LLM) affichent aujourd'hui un large éventail de comportements qui imitent ceux des humains : ils expriment des pensées ou des émotions, construisent une forme de relation avec leurs utilisateurs, refusent certaines demandes ou maintiennent des limites dans leurs réponses. Une équipe de chercheurs a mené une analyse multidimensionnelle de ces comportements, en étudiant leur fréquence, leurs effets potentiels et leur degré de contrôlabilité. La méthodologie combine deux approches complémentaires : l'évaluation automatisée par un LLM jouant le rôle de juge, et l'évaluation par des humains. L'étude repose sur un corpus de 21 000 échanges analysés, ce qui en fait l'une des tentatives les plus vastes pour cartographier systématiquement ces comportements, en tenant compte à la fois du modèle utilisé, des caractéristiques des utilisateurs et des instructions système qui encadrent les réponses. Cette recherche répond à un manque concret : jusqu'ici, développeurs et chercheurs ne disposaient pas d'outils ni de données empiriques solides pour décider quand un modèle devrait afficher des comportements humains et lesquels sont souhaitables. Or ces choix ont des conséquences directes sur la confiance des utilisateurs, les risques d'attachement excessif à un assistant conversationnel, ou au contraire sur la perception d'un système trop froid ou peu coopératif. Mieux comprendre et contrôler ces comportements devient donc un enjeu de conception central pour l'industrie de l'intelligence artificielle conversationnelle. Cette étude s'inscrit dans un débat plus large sur l'anthropomorphisation des IA, alors que les modèles sont de plus en plus utilisés pour des interactions prolongées, personnelles voire émotionnelles. En croisant comportements du modèle, profils d'utilisateurs et paramétrage des instructions système, les auteurs ouvrent la voie à des méthodes plus rigoureuses pour calibrer ces comportements, un sujet appelé à peser sur les futures politiques de conception des assistants conversationnels.

RecherchePaper
1 source
Berd, l'espace de travail agent open source de Block, fonctionne avec plusieurs modèles et stocke l'historique des conversations en local
Illustration générée par IA
1924VentureBeat AI 

Berd, l'espace de travail agent open source de Block, fonctionne avec plusieurs modèles et stocke l'historique des conversations en local

Block, l'entreprise fondée par l'ancien PDG de Twitter Jack Dorsey et propriétaire de Square, Cash App et Tidal, a annoncé l'ouverture en open source de Berd, une application de bureau conçue à l'origine pour permettre à ses propres employés de travailler avec des agents IA sur différents modèles, outils et projets au sein d'un seul environnement. Contrairement à un espace de travail dans le navigateur, Berd est une application graphique installée localement, disponible sur GitHub sous licence permissive Apache 2.0, ce qui autorise toute utilisation, modification et redistribution, y compris commerciale. Des versions gratuites sont proposées pour macOS, Windows et Linux. Le dépôt a atteint la version 0.6.2 le 18 août 2026, sa septième publication publique, et compte 91 contributeurs. Brad Axen, responsable des capacités IA chez Block, a expliqué à VentureBeat que Berd est pensé d'abord pour le bureau car sa valeur repose largement sur l'interaction directe avec les projets, fichiers locaux, outils, dépôts et agents connectés à l'ordinateur de l'utilisateur. Cette initiative répond à un problème concret rencontré en interne chez Block. Les équipes utilisaient déjà des agents performants comme Goose (développé par Block elle-même), Claude Code d'Anthropic et Codex d'OpenAI, mais l'expérience autour de ces outils restait fragmentée, avec des interfaces, systèmes de configuration et gestions du contexte différents pour chacun, selon Lucinda Bell, chargée de la communication technologique chez Block. Berd unifie cette expérience en une application de bureau cohérente, quel que soit le modèle ou le harnais utilisé. Pour les entreprises, cette couche d'unification pourrait compter autant qu'un gain marginal de capacité d'un modèle donné : les projets persistants permettent de retrouver un ensemble établi de fichiers, instructions et configurations d'agents plutôt que de reconstruire le contexte à chaque tâche, rendant le travail agentique accessible au-delà des seules équipes d'ingénierie. Berd se distingue aussi par son approche de la personnalisation des agents : plutôt qu'une fenêtre de discussion générique, l'application attribue à chaque agent un rôle, des instructions, des compétences, des outils et une identité visuelle reconnaissable, à travers des personnages animés nommés "Gloopies". Parmi les personas prédéfinis figurent Berdy, Pushback (qui joue l'avocat du diable sur les brouillons), Choosey (aide à trancher entre options), Copycat (apprend à imiter le style d'écriture de l'utilisateur), Tinker et Wildcard. Le produit met délibérément en avant l'état opérationnel du système, en affichant clairement projet, fichiers, agent, modèle, fournisseur et session actifs, plutôt que de masquer les échecs ou les états de chargement. Block précise par ailleurs que Berd n'est pas pensé pour un usage mobile, cette fonction étant déjà couverte par sa plateforme open source Buzz.

OutilsOutil
1 source
NVIDIA lance TensorRT Model Connect en preview publique : de Hugging Face au C++ natif en deux commandes
Illustration générée par IA
1925MarkTechPost 

NVIDIA lance TensorRT Model Connect en preview publique : de Hugging Face au C++ natif en deux commandes

NVIDIA a publié TensorRT Model Connect (TRTMC) en préversion publique, un projet open source disponible sous licence Apache 2.0 qui permet de transformer un checkpoint Hugging Face ou local en inférence TensorRT native en seulement deux commandes, sans passer par l'étape intermédiaire d'export ONNX. La démonstration de démarrage rapide compile et exécute le modèle Qwen3-0.6B via les commandes trtmc build et trtmc run, produisant un artefact versionné au format .bundle exécutable ensuite depuis du code C++ natif grâce à des API dédiées comme generate(), transcribe(), generateimage(), embed() et solve(). Fait notable, NVIDIA précise que l'intégralité du projet (implémentations de modèles, optimisation des performances, tests, intégrations et documentation) a été construite à l'aide d'agents OpenAI Codex sous supervision humaine. Un instantané de performance daté du 29 juillet 2026, réalisé sur des puces GB300, couvre 105 profils répartis sur 76 familles de modèles, dont 102 dépassent de plus de 5% leur référence déclarée. Les wheels de version ne ciblent aujourd'hui que Linux aarch64, avec Python 3.10 ou 3.12, glibc 2.39 minimum et TensorRT 11.1.0.106 ; les utilisateurs x8664 doivent passer par une compilation source via Docker. Cette évolution s'adresse directement aux équipes qui gèrent déjà leur propre pile d'inférence et qui ont besoin de faire tourner des modèles d'IA à l'intérieur d'un binaire C++, sans dépendance à Python ou PyTorch au moment de l'exécution. Cela concerne en priorité la robotique, l'automatisation industrielle, l'informatique embarquée automobile, les dispositifs médicaux, les systèmes de périphérie pour la défense et l'aérospatiale, ainsi que le traitement média. Pour ces secteurs, l'outil simplifie une chaîne de conversion historiquement fragile : NVIDIA cible explicitement les défauts du parcours classique PyTorch vers ONNX ou TorchScript puis TensrRT, notamment les lacunes d'export, l'intégration répétée modèle par modèle, et la validation éclatée entre plusieurs artefacts de conversion. En revanche, les petites équipes qui déploient un simple service Python tirent moins de bénéfice de cette approche, et les entreprises soumises à des exigences réglementaires strictes sont invitées à patienter jusqu'à une version taguée avant de l'adopter en production. L'outil illustre une tendance plus large dans l'industrie de l'inférence IA : la volonté de réduire la complexité des chaînes de déploiement en éliminant les étapes de conversion intermédiaires génératrices d'erreurs. En séparant clairement la phase de construction, gérée en Python avec la résolution du checkpoint et la construction du moteur TensorRT, de la phase d'exécution native en C++, NVIDIA cherche à rendre l'artefact final auditable via la commande trtmc inspect, qui expose le type de bundle, la famille du modèle, la précision et les moteurs utilisés. Le recours annoncé à des agents d'IA générative pour construire l'essentiel du projet, y compris les tests et la documentation, marque également une étape dans l'usage de ces outils pour le développement de logiciels d'infrastructure critique. La suite dépendra de l'élargissement du support matériel au-delà de Linux aarch64, notamment vers x86_64 en version binaire directe, ainsi que de la publication d'une version stable taguée susceptible de rassurer les entreprises les plus prudentes sur l'adoption de cette nouvelle chaîne d'inférence.

OutilsOutil
1 source
Le coût des modèles frontière et la popularité des poids ouverts stimulent la demande de routage de modèles
Illustration générée par IA
1926Latent Space 

Le coût des modèles frontière et la popularité des poids ouverts stimulent la demande de routage de modèles

Glean, la start-up cofondée et dirigée par l'ancien ingénieur distingué de Google Arvind Jain, a atteint cette année 300 millions de dollars de revenus annuels récurrents, soit une multiplication par trois en quinze mois. L'entreprise, valorisée 7,2 milliards de dollars après une levée de série F de 150 millions de dollars en juin dernier, avait annoncé en septembre la troisième génération de son Glean Assistant. Selon Tony Gentilcore, cofondateur et responsable de l'ingénierie, Glean serait quatre fois plus rentable que Claude Code, avec un coût moyen de 0,45 dollar par tâche contre 1,84 dollar pour Claude Cowork, un écart attribué aux capacités de routage et au harnais logiciel maison. Cette montée en puissance survient peu après le rachat par Stripe de la plateforme de routage de modèles OpenRouter pour plus de 7 milliards de dollars, signe que ce segment attire aussi bien les investisseurs grand public que les entreprises. Parmi les clients de Glean, Zillow revendique un taux d'adoption de 80 % sur 7 000 employés, tandis que Booking.com présente Glean comme la première plateforme d'IA déployée à l'échelle de toute l'entreprise. Cette dynamique traduit une préoccupation devenue centrale pour les directions informatiques: la maîtrise des coûts liés à l'intelligence artificielle générative. D'après Arvind Jain, les modèles les plus avancés, comme Opus ou les dernières versions de GPT, coûtent désormais deux à quatre fois plus cher au token que leurs prédécesseurs, tout en étant utilisés pour des tâches plus longues et complexes, ce qui peut multiplier la facture par utilisateur par dix ou vingt en un an. Le routage automatique de modèles permet donc d'arbitrer, tâche par tâche, entre un modèle puissant et coûteux, un modèle open source moins cher, voire l'absence totale de recours à un LLM lorsqu'un simple calcul suffit. Chez Glean, ce choix se fait à trois niveaux: sélection manuelle par l'employé, restrictions imposées par les administrateurs, ou mode automatique, plébiscité par la majorité des clients pour des raisons économiques. Cette évolution s'inscrit dans un contexte de concurrence acharnée entre laboratoires de pointe, combinée à la montée en puissance de modèles open-weight comme Kimi K3 ou Qwen3.8-Max, qui offrent des alternatives crédibles à moindre coût. Glean se positionne comme une couche méta au-dessus de ces modèles, combinant selon Jain la puissance de ChatGPT, Claude, Gemini et Grok dans une seule expérience destinée aux salariés d'entreprise. Au-delà du choix technique du modèle, l'entreprise mise sur sa capacité à connecter les données et les flux de travail internes des organisations à ces systèmes d'IA, et tire parti de son déploiement massif pour observer, à grande échelle, comment les employés utilisent réellement l'intelligence artificielle au quotidien.

BusinessActu
1 source
Google affirme que son IA peut remplacer les ingénieurs déployés sur le terrain
Illustration générée par IA
1927The Information AI 

Google affirme que son IA peut remplacer les ingénieurs déployés sur le terrain

Google Cloud a révélé que son intelligence artificielle peut désormais accomplir une partie du travail auparavant réservé aux "forward deployed engineers" (FDE), ces ingénieurs spécialisés envoyés chez les clients pour adapter les outils d'IA à leurs besoins. Andi Gutmans, vice-président et directeur général en charge des produits de bases de données chez Google Cloud, a expliqué que des agents IA automatisent désormais une partie des tâches que ces consultants effectuaient manuellement pour aider les grandes entreprises à organiser leurs données. Ce modèle du FDE, popularisé par Palantir, a été largement adopté par les géants du secteur : OpenAI, Anthropic, Microsoft et Amazon investissent actuellement des milliards de dollars pour recruter ce type de profils. Google Cloud avait lui-même annoncé récemment vouloir embaucher des centaines de FDE pour accompagner ses clients dans le développement d'applications basées sur ses outils Gemini. Jusqu'à présent, les FDE travaillaient sur site pour structurer les données propriétaires des entreprises, une étape jugée indispensable pour que l'IA puisse les analyser correctement. Par exemple, deux services d'une même entreprise peuvent définir différemment une métrique comme le revenu brut, ce que l'ingénieur devait clarifier manuellement pour que le système comprenne ces nuances. Selon Gutmans, cette approche artisanale atteint ses limites face à l'ampleur des besoins : "Si vous voulez activer 100 % des données de votre entreprise, vous ne pourrez pas embaucher assez de personnes pour y parvenir." Il estime que les clients tirent davantage de valeur des agents IA lorsqu'on leur donne accès à un maximum de données, y compris des fichiers internes et des contrats juridiques. Concrètement, les agents développés par Google explorent désormais eux-mêmes les données des clients pour comprendre leurs liens avec les différentes fonctions de l'entreprise, comme les ventes ou la gestion des stocks. Cette évolution illustre une tension naissante dans l'industrie entre deux stratégies concurrentes pour déployer l'IA en entreprise : le modèle intensif en main-d'œuvre popularisé par Palantir, et une approche plus automatisée que Google cherche à imposer comme alternative plus scalable et moins coûteuse, potentiellement au détriment du recrutement massif de consultants techniques que privilégient ses concurrents.

BusinessActu
1 source
Amazon Bedrock AgentCore Payments est disponible en version generale : des agents peuvent transiger de facon sure et autonome, a grande echelle
Illustration générée par IA
1928AWS ML Blog 

Amazon Bedrock AgentCore Payments est disponible en version generale : des agents peuvent transiger de facon sure et autonome, a grande echelle

Amazon a annoncé la disponibilité générale (GA) d'AgentCore payments, un service permettant aux agents IA de payer de façon autonome pour des API, des serveurs MCP ou du contenu, développé en collaboration avec Coinbase et Stripe. Le service était en préversion depuis mai 2026 et passe désormais en production pour les entreprises. AgentCore payments s'appuie sur des portefeuilles en stablecoins fournis par Coinbase et par Privy (Stripe), conçus pour des micropaiements de quelques centimes. Les utilisateurs finaux alimentent le portefeuille de leur agent par carte bancaire ou en USDC, puis délèguent à l'agent le droit de dépenser en leur nom. Les identifiants développeurs sont stockés dans l'AgentCore Identity Secrets Manager et l'agent ne voit jamais les identifiants bruts, seulement des jetons à durée de vie limitée. Pour la GA, Amazon ajoute une option "Quick Create" pour provisionner des identifiants Coinbase directement depuis la console ou la CLI, ainsi qu'une prise en charge du protocole Machine Payment Protocol (MPP), coécrit par Stripe et Tempo, en complément du protocole x402 déjà supporté depuis la préversion. Une nouvelle option "upto" au sein d'x402 permet aussi de fixer un plafond de dépense plutôt qu'un prix fixe, autorisant une facturation à l'usage réel. Cette évolution répond à un problème concret : les agents IA autonomes savent désormais raisonner, choisir des outils et enchaîner des tâches sans supervision humaine, mais butent dès qu'un paiement est nécessaire, faute de moyen sécurisé de transiger seuls. En parallèle, les fournisseurs de services et de contenus délaissent progressivement les abonnements forfaitaires au profit de modèles à l'usage, facturés à l'exécution, parfois pour quelques centimes seulement. AgentCore payments comble ce vide en donnant aux agents un véritable moyen de paiement sécurisé, avec garde-fous et traçabilité, ce qui ouvre la voie à une économie de la micro-transaction machine-à-machine : paiement à l'inférence, au calcul consommé ou à l'appel d'API, sans négociation humaine préalable. Ce lancement s'inscrit dans la montée en puissance des architectures agentiques chez les grands fournisseurs cloud, où Amazon cherche à consolider AgentCore comme plateforme de référence pour déployer des agents en production. La fonctionnalité de "session de paiement", qui encadre chaque transaction dans un contexte limité à une interaction précise, vise à limiter les risques inhérents à la nature non déterministe des agents, qui peuvent mal interpréter une réponse ou déclencher des paiements redondants lors de tentatives répétées. L'intégration de standards ouverts comme x402 et MPP, ainsi que l'amélioration de la découvrabilité des points de terminaison payants via le Gateway MCP d'AgentCore, suggère qu'Amazon mise sur l'interopérabilité pour s'imposer comme infrastructure de paiement de référence dans cet écosystème naissant, aux côtés de Coinbase, Stripe et Tempo.

OutilsOutil
1 source
Classification de documents par vector-prompt avec Amazon Bedrock
Illustration générée par IA
1929AWS ML Blog 

Classification de documents par vector-prompt avec Amazon Bedrock

Amazon Web Services a publié un article technique détaillant une nouvelle méthode de classification automatique de documents destinée au secteur de l'assurance, construite sur Amazon Bedrock. La solution s'appuie sur le Strands Agents SDK pour orchestrer trois agents spécialisés qui travaillent ensemble : un Document Analysis Agent chargé du raisonnement textuel et de l'interprétation du langage juridique, un Vector Similarity Search Agent dédié à la reconnaissance de motifs visuels et de mise en page, et un Validation Agent qui joue le rôle d'orchestrateur en comparant les résultats des deux premiers pour produire une classification finale assortie d'un score de confiance. Le système combine spécifiquement les capacités de raisonnement de Claude Haiku 4.5, le modèle d'Anthropic disponible sur Bedrock, avec les embeddings multimodaux Amazon Titan pour analyser à la fois le texte et la structure visuelle des documents. L'objectif affiché est de traiter automatiquement des milliers de documents quotidiens tels que polices d'assurance, attestations sous serment, avenants et formulaires réglementaires. Cette architecture répond à un problème concret et coûteux pour les assureurs : la classification manuelle de documents est lente et sujette aux erreurs, tandis que les approches automatisées classiques échouent souvent face à des documents qui se ressemblent en surface mais servent des finalités très différentes, par exemple un avenant de police et une attestation réglementaire partageant un vocabulaire similaire. Une mauvaise classification peut entraîner des violations de conformité ou des retards de traitement des sinistres, avec des conséquences financières et réglementaires directes pour les compagnies. En répartissant la tâche entre plusieurs agents experts plutôt qu'en s'appuyant sur un modèle unique, AWS affirme améliorer la précision sur les cas limites tout en conservant une traçabilité complète, chaque agent justifiant son raisonnement, ce qui facilite les audits de conformité propres au secteur assurantiel. Cette publication s'inscrit dans une tendance plus large chez les fournisseurs cloud à promouvoir les architectures multi-agents comme réponse aux limites des systèmes de classification à modèle unique, une approche déjà explorée dans d'autres secteurs réglementés comme la finance ou la santé. Le choix du pattern "agents en tant qu'outils" du Strands Agents SDK permet une modularité poussée : chaque agent peut être développé, testé et amélioré indépendamment, et de nouveaux agents peuvent être ajoutés sans restructurer l'ensemble du système. Pour Amazon, ce type de cas d'usage sert aussi de vitrine pour son écosystème Bedrock, en mettant en avant conjointement les modèles Claude d'Anthropic et ses propres outils comme Titan Multimodal Embeddings, dans un contexte où les entreprises cherchent des solutions d'IA générative capables de traiter des documents professionnels complexes avec un niveau de fiabilité suffisant pour des usages réglementés.

OutilsOutil
1 source
Comment Jumio a construit un feature store en temps réel sur AWS
Illustration générée par IA
1930AWS ML Blog 

Comment Jumio a construit un feature store en temps réel sur AWS

Jumio, fournisseur de solutions de vérification d'identité utilisées pour détecter la fraude et établir la confiance numérique, a détaillé dans un billet de blog publié par Amazon Web Services l'architecture de son magasin de caractéristiques (feature store) temps réel pour ses modèles de machine learning. Le système repose sur Amazon Kinesis Data Streams pour l'ingestion des événements, Amazon Managed Service for Apache Flink pour leur transformation en caractéristiques (features), et Amazon SageMaker Feature Store pour leur stockage en mémoire avant utilisation par les modèles d'inférence. Un second flux, dédié à l'entraînement des modèles, achemine les événements via Amazon Data Firehose vers Amazon S3, où ils sont traités par Amazon EMR et stockés sous forme de tables Iceberg. L'ensemble a été déployé dans trois régions AWS : Virginie du Nord (us-east-1), Francfort (eu-central-1) et Singapour (ap-southeast-1), avec un objectif de latence inférieur à 100 millisecondes pour les cas d'usage de détection de fraude en temps réel. Cette refonte répond à des problèmes concrets rencontrés par Jumio avant la mise en place du système centralisé : chaque équipe entretenait son propre magasin de caractéristiques hors ligne, générant des données dupliquées et des définitions incohérentes ; les features validées à l'entraînement devaient être réimplémentées manuellement en production, en Java ou en Python, ce qui multipliait les risques de bugs et d'écarts entre les deux environnements ; et certains événements, liés à des processus de revue prolongés, pouvaient n'arriver que plusieurs semaines après le fait initial, compliquant leur intégration en temps réel. En unifiant l'ingénierie des features autour d'une plateforme unique, Jumio réduit les risques d'erreurs de fraude liées à des données obsolètes ou incohérentes, accélère la mise en production de nouvelles caractéristiques et permet à des équipes différentes de développer des features de façon autonome, avec moins de coordination nécessaire entre elles. Ce cas illustre une problématique plus large pour les entreprises qui dépendent du machine learning en temps réel, notamment dans les secteurs de la fintech et de la lutte contre la fraude, où la fraîcheur et la cohérence des données conditionnent directement la fiabilité des décisions automatisées. Jumio a formalisé cinq exigences techniques structurant son architecture : une scalabilité permettant de gérer un volume croissant de requêtes et de nouvelles features sans casser les schémas existants, des capacités avancées d'ingénierie de features incluant la création conditionnelle et la sélection basée sur l'horodatage des événements, une latence de service sous les 100 millisecondes, la capacité à réalimenter rétroactivement le magasin hors ligne pour le réentraînement et le débogage des modèles, et enfin un cycle de développement agile pour les équipes cross-fonctionnelles. Ce type d'architecture de référence, combinant streaming géré et stockage de features intégré, s'inscrit dans une tendance plus générale des fournisseurs cloud à proposer des briques prêtes à l'emploi pour le MLOps temps réel.

InfrastructureActu
1 source
Recherche de contrats plus précise grâce aux filtres générés automatiquement dans Amazon Bedrock
Illustration générée par IA
1931AWS ML Blog 

Recherche de contrats plus précise grâce aux filtres générés automatiquement dans Amazon Bedrock

Les équipes d'AWS ont détaillé une solution baptisée AIDA (AI-Driven Annotation), conçue pour transformer des contrats juridiques non structurés en informations consultables via un moteur de recherche intelligent bâti sur Amazon Bedrock Knowledge Bases. Le système cible en priorité les secteurs du divertissement et des médias, où les organisations gèrent des milliers de contrats répartis sur plusieurs juridictions. AIDA repose sur une architecture de génération augmentée par récupération (RAG) qui découpe les documents en segments sémantiques enrichis de métadonnées telles que les parties prenantes, la date d'effet, la date de résiliation ou la juridiction concernée. Ces segments sont ensuite convertis en vecteurs et stockés soit dans Amazon OpenSearch Service, soit dans Amazon S3 Vectors, une nouvelle capacité d'Amazon S3, avec chiffrement au repos activé. Les échanges de données, des téléversements de documents jusqu'aux appels aux modèles d'embedding, sont chiffrés en transit via HTTPS et TLS 1.2 ou supérieur. L'accès à la base de connaissances et aux invocations de modèles est contrôlé par des politiques AWS Identity and Access Management (IAM), avec une journalisation via Amazon CloudWatch pour assurer la traçabilité à des fins de conformité. L'enjeu pratique est de taille pour les juristes et les équipes de conformité qui doivent aujourd'hui éplucher manuellement des volumes considérables d'accords pour déterminer des droits, des options de renouvellement, des restrictions géographiques ou des obligations réglementaires, un travail lent, coûteux et difficile à faire évoluer. Une recherche sémantique classique par RAG peut remonter davantage de contenu qu'un modèle de langage ne peut traiter efficacement, avec le risque de noyer des clauses importantes ou de les interpréter hors contexte. En combinant un filtrage implicite et explicite avec un découpage enrichi en métadonnées, AIDA vise à garantir que les réponses générées s'appuient sur le bon contrat, le bon contexte juridique et dans les limites d'accès appropriées, via des rôles à portée de projet appliqués au niveau applicatif. Pour les entreprises à fort volume contractuel, cela promet des réponses plus précises et plus rapides aux questions posées en langage naturel, tout en réduisant les risques de non-conformité liés à des clauses mal identifiées. Cette annonce s'inscrit dans une tendance plus large où les grands fournisseurs cloud cherchent à démontrer la maturité de leurs architectures RAG pour des cas d'usage juridiques et documentaires exigeants, un domaine où la précision contextuelle prime sur la simple pertinence sémantique. AWS met ainsi en avant Bedrock Knowledge Bases comme brique d'infrastructure générique, capable de s'adapter à d'autres secteurs confrontés à des exigences de conformité similaires, au-delà du seul divertissement. L'introduction récente d'Amazon S3 Vectors comme option de base vectorielle illustre par ailleurs l'élargissement continu de l'écosystème Bedrock. Les prochaines étapes probables incluront l'extension de ce type de filtrage intelligent à d'autres familles de documents sensibles, ainsi qu'un renforcement des mécanismes d'audit et de gouvernance des accès à mesure que ces systèmes gagneront en autonomie décisionnelle au sein des organisations.

OutilsOutil
1 source
Comment Axonius a conçu des agents IA multi-tenant sécurisés sur Bedrock AgentCore
Illustration générée par IA
1932AWS ML Blog 

Comment Axonius a conçu des agents IA multi-tenant sécurisés sur Bedrock AgentCore

Axonius, plateforme de gestion des actifs numériques destinée aux équipes sécurité et IT, a déployé ses premiers agents d'intelligence artificielle sur Amazon Bedrock AgentCore, le service de la filiale d'Amazon dédié à la création et à l'exécution d'agents IA à grande échelle. L'entreprise agrège des données issues de plus de 1 400 systèmes différents pour offrir une source de vérité unique aux organisations clientes, réduisant jusqu'à 50 % la charge manuelle liée à la sécurité, à l'audit et à la conformité. Son infrastructure SaaS, hébergée sur AWS, gère des centaines d'environnements clients totalement isolés les uns des autres. Le premier agent IA déployé par Axonius analyse l'état de grands environnements d'entreprise, croise des millions de points de données provenant de dizaines de sources d'intégration simultanées, et repère les failles et les risques de sécurité. Objectif affiché : permettre à des analystes juniors de mener des analyses complexes sans mobiliser des heures de travail d'analystes seniors. Cette évolution illustre un défi désormais central pour les éditeurs de logiciels qui vendent leurs services en mode SaaS et veulent y ajouter des agents IA : gérer non seulement la sécurité, la scalabilité et les coûts à l'échelle globale, mais aussi au niveau de chaque client. Amazon distingue trois architectures possibles pour répartir les agents entre locataires d'une plateforme multi-tenant : le modèle en silo, où chaque client dispose de ressources dédiées, y compris un agent propre ; le modèle en pool, où un même agent sert plusieurs clients en isolant les sessions individuelles ; et un modèle hybride combinant les deux. Pour une entreprise comme Axonius, qui manipule des données sensibles d'entreprises clientes, l'enjeu du cloisonnement strict entre locataires est capital, tout comme la maîtrise fine des coûts, les appels aux modèles pouvant rapidement devenir onéreux à grande échelle et devant être suivis client par client pour calibrer les futures offres tarifaires. Axonius a choisi de conserver son modèle de déploiement existant, en silo, où chaque client dispose d'un environnement dédié au sein d'un Virtual Private Cloud (VPC) Amazon distinct, comprenant équilibreurs de charge, bases de données et infrastructure de calcul propres. L'entreprise a dû intégrer l'identité et l'authentification de ses nouveaux agents IA au module existant, hébergé sur des instances Amazon EC2 allouées à chaque client, sans perturber le fonctionnement du service en place. Cette approche témoigne d'une tendance plus large chez les éditeurs SaaS : plutôt que de repenser entièrement leur architecture pour l'IA agentique, ils cherchent à la greffer sur leurs dispositifs de sécurité et de gestion multi-locataires déjà éprouvés, un enjeu qu'Amazon Bedrock AgentCore entend justement faciliter pour l'ensemble de son écosystème de partenaires technologiques.

InfrastructureActu
1 source
85% des entreprises victimes d'une erreur d'IA se précipitent pour réduire les employés qui pourraient repérer la prochaine
Illustration générée par IA
1933VentureBeat AI 

85% des entreprises victimes d'une erreur d'IA se précipitent pour réduire les employés qui pourraient repérer la prochaine

Selon une nouvelle étude VB Pulse de VentureBeat Intelligence publiée en juillet, 108 entreprises comptant au moins 100 employés ont été sondées, contre 157 en juin. Résultat frappant : 13% des répondants disent faire confiance à l'évaluation automatisée des agents IA, contre seulement 5% le mois précédent, et la part de ceux citant un mauvais alignement entre les tests et les résultats réels comme principale préoccupation a chuté de 29% à 19% en un mois. Pourtant, 49% des sondés affirment qu'une fonctionnalité IA ou un agent basé sur un LLM ayant passé les tests internes de l'entreprise a ensuite causé un problème visible par les clients, un chiffre quasi stable par rapport aux 50% de juin, et 24% disent que cela s'est produit plus d'une fois. L'écart le plus révélateur apparaît dans le détail des données : parmi les entreprises ayant connu un tel incident, seulement 4% affichent une confiance totale dans les vérifications automatisées, contre 24% chez celles n'ayant rien constaté de comparable, soit un écart de facteur six. L'échantillon reste orienté vers les entreprises de taille moyenne (63% comptent entre 100 et 2499 employés) et 69% des répondants sont des décideurs ou influenceurs des achats IA. Ce paradoxe compte parce que malgré une confiance croissante mais des résultats concrets qui ne s'améliorent pas, les entreprises accélèrent le retrait des humains des décisions de déploiement d'agents IA plutôt que de ralentir. Ben Hylak, directeur technique de Raindrop.ai, plateforme de surveillance et de correction automatisée des erreurs d'agents, décrit un "grand déclin des évaluations" telles qu'on les connaît : les entreprises du Fortune 100 réduiraient leurs jeux de tests et délaisseraient leur maintenance, jugeant impossible d'énumérer tous les cas de défaillance à mesure que les systèmes se complexifient, avec l'essor des protocoles MCP et des sous-agents. Elles se tournent à la place vers des outils de détection d'anomalies avant et après la mise en production. Pour les entreprises clientes, cela signifie moins de garde-fous humains au moment précis où les agents gagnent en autonomie, avec un risque réel de défaillances répétées touchant directement les utilisateurs finaux. Cette dynamique prolonge un constat posé dès juin par VentureBeat, qui avait identifié un "écart d'évaluation" en entreprise : les organisations accordent plus vite d'autonomie à leurs agents IA qu'elles ne développent des méthodes fiables pour les tester. Sur les deux vagues d'enquête cumulées, 265 réponses au total, la proportion d'entreprises ayant subi un incident client après des tests pourtant validés est restée quasi identique, 50% en juin et 49% en juillet. D'autres évolutions notables ressortent des données de juillet : la facilité d'intégration devient un critère d'achat plus déterminant, et la plateforme Braintrust gagne du terrain comme outil principal d'évaluation. VentureBeat précise toutefois que ces résultats restent directionnels, l'enquête reposant sur un échantillon auto-sélectionné et non probabiliste, avec des sous-groupes de 40 à 68 répondants selon les croisements analysés.

SécuritéActu
1 source
Après avoir mis sur pause la version adulte de ChatGPT, OpenAI lance sa version ado
Illustration générée par IA
1934Next INpact 

Après avoir mis sur pause la version adulte de ChatGPT, OpenAI lance sa version ado

OpenAI a lancé une version « adolescent » de ChatGPT, quelques mois après avoir mis en pause son projet de mode « adulte » à caractère pornographique, suspendu en mars. Ce mode se déclenche automatiquement quand l'utilisateur déclare avoir moins de 18 ans, ou quand le système de prédiction d'âge de l'entreprise estime, en analysant les conversations, qu'il s'agit probablement d'un mineur. Selon le New York Times, OpenAI utilise plus de 2 000 indicateurs pour repérer les comptes tenus par des adolescents. Cette version intègre un mode « étude » pour l'accompagnement scolaire, des protections adaptées à l'âge censées limiter l'exposition à des contenus préjudiciables, et un contrôle parental permettant de régler certains paramètres sans donner accès au contenu des discussions. Ce virage suit une année 2025 marquée par plusieurs procès contre OpenAI, notamment liés au suicide de plusieurs adolescents utilisateurs de ChatGPT ; en novembre, l'entreprise a plaidé devant la justice que les dommages relevaient d'un « mésusage » imprévisible de son outil. Cette bascule change la donne pour des millions d'utilisateurs mineurs de ChatGPT, mieux protégés en théorie contre des contenus inadaptés, mais elle relance aussi la question de la fiabilité du système de détection d'âge. Selon le Wall Street Journal, quand OpenAI envisageait encore de s'appuyer sur ce même système pour ouvrir son mode adulte, celui-ci classait à tort 12 % des mineurs comme des adultes. La page officielle décrivant ce système n'a pas été mise à jour depuis janvier et ne précise pas si ce taux d'erreur a été corrigé depuis, ce qui laisse planer un doute sur la capacité d'OpenAI à empêcher des mineurs d'accéder à des fonctionnalités qui ne leur sont pas destinées. Pour l'industrie de l'IA conversationnelle, cette annonce fixe un nouveau standard de façade en matière de protection des mineurs, alors que la pression réglementaire et judiciaire s'intensifie sur les éditeurs de chatbots accusés de manquer de garde-fous face à un public vulnérable. Ce lancement s'inscrit dans une stratégie plus large : OpenAI n'a pas renoncé à son projet de mode adulte incluant du contenu pornographique, évoqué par Sam Altman dès octobre 2025 lorsqu'il affirmait vouloir « traiter les utilisateurs adultes comme des adultes ». En perfectionnant d'abord son système de vérification d'âge sur la version ado, l'entreprise se donne les moyens de relancer plus tard ce mode adulte avec une couverture plus solide face à la justice. Le dossier prend une résonance particulière face aux dérives observées chez un concurrent : xAI, la société d'Elon Musk éditrice de Grok, a été accusée d'avoir généré environ 7 000 deepfakes à caractère pédocriminel représentant une mineure, produits par son beau-père. Entre pression judiciaire, image publique et course commerciale à l'IA générative pour adultes, OpenAI tente ainsi de désamorcer les critiques sur la sécurité des mineurs tout en préservant sa liberté de manœuvre future sur les contenus les plus sensibles.

Le président d'OpenAI appelle les entreprises à accélérer leurs défenses en cybersécurité IA
Illustration générée par IA
1935AI News 

Le président d'OpenAI appelle les entreprises à accélérer leurs défenses en cybersécurité IA

Le président et cofondateur d'OpenAI, Greg Brockman, a publié un récit détaillé de ce que l'entreprise appelle l'incident « OpenAI-Hugging Face », dans lequel un « collectif agentique » d'intelligence artificielle a pénétré de façon autonome l'infrastructure de recherche d'OpenAI avant de progresser jusqu'à l'infrastructure de production de Hugging Face. Les attaquants ont enchaîné des failles de sécurité jusque-là inconnues avec des identifiants d'utilisateurs déjà divulgués et retrouvés sur internet pour mener à bien l'intrusion. Brockman présente cet épisode comme un aperçu de ce que les capacités d'un attaquant type atteindront dans les mois à venir. Plus tôt dans l'année, OpenAI avait choisi de ne diffuser ses capacités offensives en cybersécurité qu'à des défenseurs de confiance plutôt qu'au grand public, dans le but de garder une longueur d'avance. Depuis, d'autres entreprises ont publié des modèles à poids ouverts dont les capacités offensives ne sont désormais retardées que de quelques mois par rapport à la frontière technologique, et un nouveau modèle est attendu fin août, ce que Brockman juge susceptible d'accélérer nettement la menace. Pour les responsables sécurité en entreprise, cette accélération réduit fortement la fenêtre disponible pour déployer des défenses assistées par IA avant que des modèles largement accessibles ne rattrapent le niveau des attaquants. Brockman estime que la dette technique accumulée dans la plupart des organisations masque des failles significatives que les défenseurs doivent désormais localiser et corriger avant que les attaquants ne le fassent, qu'il s'agisse de bugs enfouis dans du code ancien ou de permissions oubliées depuis des années. Il décrit la dynamique comme une course à double tranchant: les mêmes technologies qui permettent à des attaquants automatisés de repérer rapidement des failles anciennes donnent aussi aux défenseurs des outils pour les détecter, les prioriser et les corriger plus vite, ce qui pourrait, selon lui, rééquilibrer l'économie de la cybersécurité en faveur de la défense. Pour illustrer ce potentiel, Brockman a demandé à ChatGPT Work, s'appuyant sur le modèle public GPT-5.6 Sol, d'auditer la sécurité de son propre site personnel, gregbrockman.com, un site statique simple hébergé sur AWS derrière Cloudflare. En une quinzaine de minutes, l'outil a identifié treize problèmes, dont des enregistrements DNS mal configurés permettant l'usurpation d'adresses email, une version obsolète et vulnérable de jQuery, et un trafic transmis en clair, sans chiffrement, entre Cloudflare et AWS. ChatGPT Work a ensuite corrigé l'ensemble de ces failles en environ une heure. Parallèlement, OpenAI affirme entraîner désormais des modèles spécifiquement pour écrire du code plus sûr et explore l'usage de ses capacités en preuves mathématiques pour vérifier formellement la sécurité de logiciels, une tâche jusqu'ici difficile à réaliser à grande échelle par des relecteurs humains.

SécuritéActu
1 source
L'IA du commerce se fragmente : voici pourquoi c'est important
Illustration générée par IA
1936VentureBeat AI 

L'IA du commerce se fragmente : voici pourquoi c'est important

Les investissements des entreprises dans l'intelligence artificielle appliquée au commerce n'ont jamais été aussi élevés, mais les résultats obtenus restent étonnamment inégaux. Depuis trois ans, les marques ont adopté une approche additive : recherche propulsée par l'IA greffée sur des catalogues existants, interfaces conversationnelles ajoutées aux parcours d'achat, moteurs de recommandation empilés sur d'anciens moteurs de recommandation. Chaque outil a été justifié par une amélioration ponctuelle de métrique, sans jamais être conçu pour fonctionner comme un système cohérent. Ce schéma, qualifié de "point solution pattern", structure le commerce depuis deux décennies et s'est simplement reproduit avec l'IA. Une étude du cabinet Bain montre que le trafic organique vers les sites de vente en ligne a chuté de 15 à 25% à mesure que la recherche IA sans clic ("zero-click search") s'est développée, réduisant la visibilité des marques en haut de l'entonnoir de conversion au moment même où leurs outils internes affichent de bons résultats individuels. Cette fragmentation a des conséquences concrètes. Lorsqu'un outil d'IA générale s'appuie sur des données incomplètes ou incohérentes concernant l'inventaire, les prix ou les politiques commerciales, il ne se contente pas de proposer un produit sous-optimal : il présente avec assurance la mauvaise réponse, ou exclut carrément l'information manquante. Le problème des hallucinations en IA commerciale serait ainsi largement un problème de cohérence des données déguisé. Autre effet pervers : chaque outil pris isolément peut afficher de bons chiffres, engagement élevé pour l'assistant conversationnel, pertinence accrue pour le moteur de recherche, taux d'abandon réduit au paiement, sans que ces métriques ne révèlent ce qui se passe aux points de jonction entre les outils, là où le contexte se perd et où l'intention d'achat générée à une étape ne se convertit pas à la suivante. Résultat : des marques investissant massivement dans l'IA commerciale constatent parfois une conversion globale stable, voire en baisse, malgré des indicateurs positifs à chaque étage. Face à ce constat, les entreprises qui obtiennent des résultats cohérents partagent une caractéristique commune : elles ont mis en place une couche d'exécution unifiée transversale à leurs investissements en IA, plutôt qu'un empilement d'outils indépendants. Il ne s'agit pas d'une nouvelle catégorie technologique mais d'un changement de philosophie de conception, articulé notamment autour d'une couche de données partagée entre tous les points de contact. C'est dans ce contexte que des acteurs comme Rezolve Ai, sponsor de cette analyse, positionnent leurs offres visant à relier ces différentes briques d'IA commerciale, alors que la pression externe exercée par la recherche générative continue de comprimer le trafic organique des sites marchands.

OutilsOpinion
1 source
OpenAI progresse face à Anthropic chez les clients d'OpenRouter
Illustration générée par IA
1937The Information AI 

OpenAI progresse face à Anthropic chez les clients d'OpenRouter

OpenAI intensifie son offensive contre Anthropic en misant sur OpenRouter, une plateforme qui permet aux développeurs d'applications d'intelligence artificielle d'accéder, via une seule interface de programmation, à des modèles issus de plusieurs fournisseurs. Stripe s'apprête à racheter OpenRouter pour une somme importante, signe de l'intérêt grandissant pour ce service d'intermédiation. Une part substantielle de l'activité d'OpenRouter provient des commissions prélevées sur les transactions des développeurs qui utilisent spécifiquement les modèles d'Anthropic, une dépendance qu'OpenAI cherche désormais à exploiter à son profit. Cette bataille se joue directement sur le portefeuille des développeurs, qui choisissent leurs modèles selon le prix, la performance ou la disponibilité plutôt que par fidélité à un fournisseur. Pour Anthropic, dont une partie des revenus transite par ce type de plateforme tierce, toute érosion de sa part sur OpenRouter représente un manque à gagner direct, sans qu'aucun client ne change formellement de fournisseur. L'enjeu dépasse le simple duel entre deux entreprises : il montre que les plateformes d'agrégation sont devenues un champ de bataille commercial à part entière dans l'intelligence artificielle. Cette compétition s'inscrit dans la multiplication des services de routage multi-modèles, nés du besoin des développeurs de comparer et combiner facilement les offres d'OpenAI, d'Anthropic et d'autres acteurs sans réécrire leur code à chaque changement de fournisseur. Le rachat programmé d'OpenRouter par Stripe, spécialiste des paiements en ligne, confirme que la facturation des appels aux modèles d'intelligence artificielle est perçue comme un relais de croissance stratégique. À mesure que ces plateformes gagnent en importance, la rivalité entre OpenAI et Anthropic devrait se déplacer davantage vers ces couches d'infrastructure, là où se joue désormais la fidélisation des développeurs.

BusinessOpinion
1 source
SAM (Sovereign Agent Mesh) : un réseau P2P sans configuration et sans confiance pour agents IA
Illustration générée par IA
1938MarkTechPost 

SAM (Sovereign Agent Mesh) : un réseau P2P sans configuration et sans confiance pour agents IA

Google a publié sur GitHub le projet open source SAM, pour Sovereign Agent Mesh, un système de réseau pair-à-pair conçu pour connecter des agents IA autonomes fonctionnant sur des serveurs cloud, des datacenters on-premise, des ordinateurs portables, des Raspberry Pi ou des appareils Android. Distribué sous licence Apache-2.0, le dépôt google/sam précise explicitement qu'il ne s'agit pas d'un produit officiellement supporté par Google. L'architecture repose sur trois briques logicielles : sam-control-plane pour l'enregistrement des identités et la distribution des politiques d'accès, sam-router pour le routage via des points d'amorçage libp2p et le protocole GossipSub, et sam-node, le client P2P qui assure le transport réseau, l'auto-réparation des connexions et une interface locale MCP (Model Context Protocol) exposée par défaut sur le port 8080, tandis que libp2p utilise les ports 5001 en UDP et 5002 en TCP. Un réseau de test public est déjà accessible à l'adresse bananas.sam-mesh.dev, et le projet fournit des binaires Go, un script d'installation, des images Docker sur ghcr.io, un chart Helm et un guide de déploiement Kubernetes, ainsi qu'un support Android et iOS. L'enjeu concret que vise SAM est celui du partage sécurisé d'outils entre agents IA : jusqu'ici, connecter des agents dispersés sur plusieurs réseaux impliquait souvent d'exposer des scripts internes, des points d'accès à des modèles de langage ou des API privées directement sur l'internet public. SAM propose à la place un maillage chiffré, sans configuration manuelle, fonctionnant comme un VPN privé mais dédié spécifiquement au partage d'outils entre agents via MCP, avec découverte automatique des nœuds et franchissement des NAT. Ce système intéresse en priorité les moyennes et grandes organisations technologiques dont les agents opèrent sur plusieurs frontières réseau, en particulier dans les secteurs régulés comme la finance, la santé, le secteur public, la défense ou les flottes robotiques industrielles, qui ne peuvent pas exposer leurs outils internes sur l'internet ouvert. Les startups confinées à un seul réseau privé virtuel en tireraient un bénéfice moindre. Le mécanisme d'autorisation constitue la partie la plus originale du projet : le plan de contrôle vérifie un jeton OIDC puis traduit ses attributs en règles Datalog scellées dans un jeton Biscuit, ce qui permet à chaque nœud d'autoriser les requêtes localement, hors ligne, sans interroger le serveur central. La politique par défaut est un refus strict, sans exception intégrée, et les opérateurs peuvent ajouter des restrictions locales, par exemple bloquer certains outils en dehors des heures de bureau. Le projet inclut aussi des passerelles de sortie, sam-box et nano-init, pour contrôler le trafic sortant des agents, et propose des guides d'intégration avec Gemini, Claude Code, Claude Desktop, Google Antigravity et OpenClaw. Pour un usage en production, les développeurs sont invités à auto-héberger leur propre plan de contrôle plutôt que de dépendre du réseau de test public.

OutilsOpinion
1 source
Pourquoi les entreprises reportent leurs projets d’IA ?
Illustration générée par IA
1939Le Big Data 

Pourquoi les entreprises reportent leurs projets d’IA ?

Une enquête mondiale menée par Cloudera révèle que 95 % des entreprises ont reporté ou annulé au moins un projet d'intelligence artificielle au cours des douze derniers mois. L'étude, baptisée The Great AI Re-Architecture et réalisée par Wakefield Research entre le 5 et le 22 juin 2026, repose sur les réponses de 1 500 spécialistes des données et des infrastructures issus de neuf pays répartis entre les Amériques, l'Europe, le Moyen-Orient, l'Afrique et l'Asie-Pacifique. Malgré ce taux d'abandon élevé, l'adoption de l'IA reste massive puisque 77 % des organisations interrogées l'utilisent déjà activement dans leurs opérations. Les freins identifiés concernent principalement la gouvernance des données, la conformité réglementaire et l'inadéquation des architectures existantes. Pour 72 % des entreprises, une refonte profonde de leur architecture de données est jugée nécessaire pour soutenir les futurs usages de l'IA, et 75 % affirment que ces technologies ont déjà transformé leurs pratiques de stockage. Ce constat a des conséquences directes sur les budgets et l'organisation interne des entreprises. Les charges de travail liées à l'IA ont fait grimper les coûts d'infrastructure pour 84 % des personnes interrogées, tandis que 73 % estiment que l'intelligence artificielle a accru la complexité du contrôle des données. Le chiffre le plus frappant reste celui des entreprises les plus touchées : 55 % déclarent avoir reporté ou annulé plus de six projets en un an pour des raisons liées à la gouvernance ou à la réglementation. La circulation constante des données, avec 97 % des organisations qui déplacent leurs informations entre plusieurs environnements au moins une fois par mois, illustre l'ampleur du défi opérationnel. Pour Sergio Gago, directeur technique de Cloudera, les architectures pensées pour l'analyse de données traditionnelle atteignent désormais leurs limites face aux exigences de l'IA, qui réclament un socle technique capable d'exécuter les charges de travail au bon endroit sans sacrifier la sécurité ni le contrôle. Cette pression pousse un nombre croissant d'entreprises vers des modèles hybrides, combinant cloud public, cloud privé et infrastructures sur site. Deux tiers des organisations, soit 66 %, ont ainsi rapatrié des charges de travail d'IA depuis le cloud public vers des environnements privés ou internes au cours de l'année écoulée. Un quart des entreprises prévoit même de faire de l'approche hybride leur priorité stratégique pour les deux prochaines années. Cette réorganisation traduit un basculement plus large dans l'industrie, où la maîtrise des données et la conformité réglementaire deviennent des critères aussi déterminants que la puissance de calcul pour réussir le déploiement de l'intelligence artificielle à grande échelle.

InfrastructureActu
1 source
Quelles sont les caractéristiques techniques du modèle Muse Glimmer ?
Illustration générée par IA
1940Le Big Data 

Quelles sont les caractéristiques techniques du modèle Muse Glimmer ?

Meta a présenté Muse Glimmer le 10 août 2026, un modèle d'intelligence artificielle agentique de trente milliards de paramètres, distribué sous licence Apache 2.0. Sa particularité tient à sa capacité à fonctionner directement sur une carte graphique grand public plutôt que sur des serveurs cloud distants. L'architecture repose sur 52 couches et un décodeur causal, combinant une attention par groupes de requêtes avec des couches globales et locales qui alternent au fil du traitement, une conception pensée pour traiter de longues séquences sans faire exploser les besoins en mémoire. Grâce à une quantification en quatre bits, l'empreinte mémoire du modèle passe sous la barre des vingt gigaoctets, contre plusieurs gigaoctets supplémentaires dans son format natif, sans perte notable de performance selon les résultats communiqués par Meta. Le modèle vise en priorité les stations de travail équipées de cartes graphiques disposant d'au moins 24 Go de mémoire vidéo, avec un confort accru à 32 Go, ainsi que les puces Apple récentes grâce à leur mémoire unifiée, et les plateformes AMD et Intel annoncées comme compatibles. Cette approche change la donne pour les développeurs et les petites structures qui veulent exploiter un modèle puissant sans dépendre systématiquement de l'infrastructure cloud d'un fournisseur tiers. En évitant l'envoi de chaque requête vers des serveurs distants, les équipes gardent un contrôle plus direct sur leurs données et leur environnement technique, un argument qui pèse pour les entreprises soucieuses de confidentialité ou soumises à des contraintes réglementaires. Sur le plan économique, l'exécution locale permet de réduire les frais récurrents liés aux services d'IA hébergés, même si elle suppose un investissement initial dans du matériel suffisamment puissant. Cette optimisation mémoire rend surtout l'usage local d'un modèle de cette taille nettement plus réaliste pour des équipes indépendantes ou de petites entreprises qui n'ont pas les moyens de multiplier les GPU de centre de données. Muse Glimmer s'inscrit dans une vision plus large défendue depuis plusieurs années par Mark Zuckerberg, celle d'une intelligence artificielle plus distribuée et moins concentrée entre les mains de quelques fournisseurs cloud. En plaçant ce modèle entre les architectures légères et les systèmes les plus massifs, Meta cherche un compromis entre puissance de traitement et accessibilité matérielle, tout en poursuivant sa stratégie d'ouverture avec une licence Apache 2.0 qui permet une large réutilisation commerciale et technique. Ce positionnement s'inscrit dans une compétition plus vaste entre acteurs de l'IA générative, où la capacité à faire tourner des modèles performants sur du matériel local devient un argument différenciant face aux offres purement cloud d'OpenAI, Google ou Microsoft. Les suites dépendront de l'adoption par les développeurs et de la disponibilité effective du matériel compatible, notamment les cartes graphiques à forte mémoire vidéo et les puces Apple les plus récentes, ainsi que de la manière dont Meta poursuivra cette stratégie de modèles ouverts et exécutables localement dans ses prochaines annonces.

LLMsOpinion
1 source