Actualités IA — page 99

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

48

1961Next INpact 

La Norvège va interdire les chatbots IA aux écoliers

Le Premier ministre norvégien Jonas Gahr Støre a annoncé l'interdiction des chatbots d'intelligence artificielle pour les écoliers de 6 à 13 ans, une mesure qui entrera en vigueur dès la prochaine rentrée scolaire. Les élèves de 14 à 16 ans pourront y accéder uniquement sous supervision des enseignants, tandis que les 17-19 ans devront apprendre à les utiliser de manière responsable. « Nous devons donner la priorité à l'essentiel : les élèves doivent apprendre à lire, à écrire et à compter avant de se familiariser avec l'IA », a déclaré Støre lors d'une conférence de presse. La mesure s'accompagne d'un financement public pour l'achat de manuels scolaires imprimés, signal fort d'un retour partiel au papier après trois décennies de numérisation accélérée de l'enseignement. Cette décision touche directement plusieurs millions d'élèves et repositionne l'école comme espace de préservation des apprentissages fondamentaux face à des outils qui, selon Oslo, risquent de court-circuiter des étapes cognitives essentielles. L'interdiction s'inscrit dans un tournant plus large : depuis 2024, les smartphones sont déjà bannis des établissements scolaires norvégiens, et les réseaux sociaux vont être bloqués pour les moins de 16 ans. Une étude de Sara Abrahamsson, publiée dans The Journal of Human Resources, avait démontré les effets positifs de l'interdiction des téléphones dans plusieurs collèges entre 2010 et 2018, notamment chez les filles : moins de consultations pour problèmes psychologiques, moins de harcèlement signalé, de meilleures notes et une plus grande probabilité d'opter pour une filière générale au lycée. Ces résultats ont visiblement pesé dans la balance politique. La Norvège, pourtant pays pionnier en matière d'adoption technologique, ordinateurs en classe dès les années 1990, tablettes à partir de 2010, opère ainsi une forme de rétropédalage assumé, reconnaissant que la numérisation massive de l'enseignement a peut-être sacrifié des fondamentaux pédagogiques. D'autres pays observent cette trajectoire avec attention. La France, elle, a choisi une voie plus pragmatique : un cadre publié en mai 2025 par le ministère de l'Éducation nationale autorise l'IA à partir de la quatrième, laissant les enseignants expérimenter avec une large liberté d'interprétation sur le terrain. L'enjeu dépasse les frontières : alors que ChatGPT et ses concurrents s'imposent dans tous les foyers, les gouvernements doivent décider si l'école doit adopter ces outils ou les tenir à distance pour protéger la formation intellectuelle de base. La Norvège a tranché, et ses résultats seront scrutés par les chercheurs comme par les ministères de l'éducation du monde entier.

Régulation⚖Reglementation

1 source

49

1962FrenchWeb 

COMAND AI lève 32 millions d’euros : la défense européenne ne vise plus la souveraineté, mais la suprématie

La startup française Comand AI vient de boucler une série A de 32 millions d'euros, menée par le fonds britannique Blossom Capital. Le groupe suédois Saab, géant de la défense européenne, entre au capital à cette occasion. Cette levée intervient dix-huit mois seulement après un premier tour de 8,5 millions d'euros et un pré-seed de 3 millions, portant le financement total de la société à près de 44 millions d'euros. Comand AI développe des logiciels de commandement militaire destinés à moderniser la prise de décision opérationnelle sur le terrain. L'arrivée de Saab au capital n'est pas anodine : elle signale une validation industrielle forte, au-delà du simple apport financier. Pour les armées européennes, qui cherchent à réduire leur dépendance aux systèmes américains, disposer d'une solution souveraine de commandement et contrôle représente un enjeu stratégique majeur. Comand AI se positionne sur ce segment critique, où les logiciels déterminent la rapidité et la qualité des décisions en situation de conflit, avec des conséquences directes sur l'efficacité des forces. La levée s'inscrit dans un contexte de réarmement accéléré de l'Europe, dopé par la guerre en Ukraine et les incertitudes sur l'engagement américain au sein de l'OTAN. La France, via son écosystème de startups de défense, ambitionne de ne plus seulement préserver sa souveraineté technologique, mais d'atteindre une réelle supériorité opérationnelle face à des adversaires dotés de systèmes de commandement sophistiqués. Comand AI devrait utiliser ces fonds pour accélérer son déploiement auprès des armées européennes et renforcer ses équipes d'ingénierie.

Business❧Opinion

1 source

48

1963NVIDIA AI Blog 

À 45°C, une percée pour refroidir les plus grandes machines de l'IA

La nouvelle génération de serveurs IA de NVIDIA, la plateforme Rubin, franchit un cap technologique en devenant la première infrastructure de calcul à atteindre 100 % de refroidissement liquide, chaque puce, chaque composant réseau, sans le moindre ventilateur. Le liquide de refroidissement circule dans un circuit fermé à une température pouvant atteindre 45 degrés Celsius, soit 13 degrés de plus que la température habituelle d'un jacuzzi. Cette architecture est formalisée dans le NVIDIA DSX AI Factory Reference Design, un guide de référence pour concevoir, construire et exploiter l'ensemble de la pile d'infrastructure d'une usine d'IA. Ali Heydari, directeur du refroidissement et de l'infrastructure de centres de données chez NVIDIA, résume l'ambition : « Nous avons éliminé d'énormes quantités de consommation électrique et pratiquement toute consommation d'eau. » L'enjeu économique et environnemental est considérable. Historiquement, le seul refroidissement représente jusqu'à 40 % de la consommation électrique d'un centre de données, l'un des postes où les gains d'efficacité ont le plus d'impact. Les estimations sectorielles indiquent qu'augmenter la température des systèmes de refroidissement d'un seul degré réduit les coûts énergétiques associés d'environ 4 %. À l'échelle d'une installation hyperscale de 50 mégawatts, le passage à une infrastructure entièrement refroidie par liquide génère plus de 4 millions de dollars d'économies annuelles sur les coûts d'énergie et d'eau. Plus frappant encore : les centres de données conventionnels à refroidissement par air consomment environ 2,6 millions de gallons d'eau par mégawatt et par an via leurs tours de refroidissement évaporatives. L'architecture à 45°C de NVIDIA ramène ce chiffre à zéro dans la plupart des conditions climatiques, grâce à des refroidisseurs à sec en circuit fermé qui n'ont pas besoin de chiller la majorité de l'année. Ce virage technologique s'inscrit dans une trajectoire inévitable. Pendant des décennies, l'industrie a cru qu'un centre de données froid était un centre de données efficace, une idée désormais caduque face à la densité de puissance des puces IA modernes. Richard Whitmore, président et PDG de Motivair, la division de refroidissement avancé de Schneider Electric, partenaire de longue date de NVIDIA, le dit sans détour : « Une fois que la consommation par puce a dépassé un certain seuil, le refroidissement liquide est devenu obligatoire. » Comme la plateforme Rubin impose le 100 % liquide à l'ensemble de l'écosystème, chaque opérateur de cloud et exploitant de centre de données qui s'y connecte adopte de facto cette nouvelle norme. L'ère du refroidissement par air pour l'IA de pointe touche à sa fin.

Infrastructure❧Opinion

1 source

37

1964MarkTechPost 

Les 7 types de mémoire des agents IA : guide technique pour les ingénieurs

Les grands modèles de langage sont sans mémoire par défaut : chaque appel à l'API repart de zéro, sans souvenir de l'échange précédent. Cette limitation, acceptable pour une simple question, devient un obstacle dès qu'on construit un agent capable de planifier, d'appeler des outils et d'opérer sur plusieurs étapes. Pour combler ce vide, les ingénieurs en IA ont identifié sept types de mémoire distincts, chacun répondant à un besoin précis. La mémoire de travail, ou mémoire en contexte, correspond à tout ce que le modèle voit dans sa fenêtre de contexte à un instant donné : le prompt système, les messages récents, les résultats d'outils. C'est la RAM de l'agent, rapide mais éphémère et limitée en taille. La mémoire sémantique stocke quant à elle des faits et préférences durables dans une base externe, comme "cet utilisateur préfère Python à JavaScript". La mémoire épisodique journalise les événements passés, les conversations entières et les résultats de tâches, permettant à des systèmes comme Reflexion ou ExpeL d'écrire des bilans post-tâche et d'en tirer des leçons pour les exécutions suivantes. Ces distinctions ne sont pas purement académiques : elles déterminent concrètement les performances et le coût des systèmes agentiques en production. La mémoire procédurale encode les savoir-faire, les workflows et les règles comportementales, ce qui évite à un agent de support de raisonner à nouveau chaque réinitialisation de mot de passe après en avoir traité cent. La mémoire externe ou de récupération repose sur une base vectorielle interrogée à l'inférence par similarité, c'est le principe du RAG appliqué à l'historique de l'agent : la qualité de la recherche devient rapidement le goulot d'étranglement. La mémoire paramétrique, elle, est figée dans les poids du modèle lors de l'entraînement, inaccessible à la mise à jour en temps réel. Enfin, la mémoire prospective gère les intentions futures et les objectifs planifiés mais non encore exécutés, indispensable pour les agents à planification longue qui, sans elle, oublient leurs propres engagements. Cette taxonomie émerge à mesure que les agents IA passent des démonstrateurs de laboratoire aux systèmes opérationnels dans les entreprises. Les frameworks comme LangChain, LlamaIndex ou AutoGPT intègrent désormais plusieurs de ces couches simultanément, mais sans architecture mémoire explicite, les agents accumulent les erreurs, répètent les mêmes échecs et perdent le fil sur des tâches longues. Le choix de la combinaison mémoire dépend du cas d'usage : un agent de service client n'a pas les mêmes besoins qu'un assistant de recherche scientifique multi-session. À mesure que les fenêtres de contexte s'allongent, certains types comme la mémoire de récupération externe pourraient fusionner avec la mémoire de travail, redessinant profondément l'architecture des agents de demain.

LLMs⚒Outil

1 source

42

1965FrenchWeb 

A VIVATECH, quatre visions du futur se sont affrontées

VivaTech 2026, le grand salon technologique parisien, a rassemblé cette année entrepreneurs, investisseurs et chercheurs autour d'une thématique envahissante : l'intelligence artificielle. Mais si l'IA occupait chaque stand, chaque pitch et chaque discours institutionnel, c'est un sentiment inattendu qui a dominé les échanges, une fatigue croissante face à l'AI washing, cette tendance à apposer l'étiquette "intelligence artificielle" sur des produits et projets qui n'en justifient pas toujours le titre. Quatre visions distinctes du futur se sont affrontées lors de ces journées, révélant des fractures profondes sur la direction que doit prendre le secteur. Ce clivage a une signification concrète pour l'industrie : quand les acteurs eux-mêmes peinent à distinguer les vraies innovations des effets d'annonce, la confiance des clients et des financeurs s'érode. L'IA washing ne nuit pas seulement à la crédibilité individuelle des entreprises, il brouille les signaux pour les investisseurs qui cherchent à financer des projets à impact réel, et retarde l'adoption des solutions véritablement transformatrices. VivaTech incarne depuis sa création en 2016 la vitrine de la tech européenne, portée notamment par les groupes Les Échos et Publicis. L'édition 2026 s'inscrit dans un contexte de consolidation du marché de l'IA, après des années de croissance effrénée des valorisations. La multiplication des grandes conférences mondiales, NeurIPS, CES, Google I/O, crée une pression narrative permanente sur les entreprises pour afficher leur "tournant IA", même lorsque la réalité produit ne suit pas encore.

Société❧Opinion

1 source

38

1966The Decoder 

Sam Altman affirme que toute une génération de chercheurs a freiné l'IA en sous-estimant le potentiel du passage à l'échelle

Lors d'une conférence à Stanford, Sam Altman a pris la défense du scaling des grands modèles de langage et s'en est pris directement aux chercheurs sceptiques, affirmant qu'une génération entière de scientifiques a freiné l'avancement de l'IA en sous-estimant ce que l'augmentation de la puissance de calcul et des données pouvait produire. Pour étayer son propos, le PDG d'OpenAI a cité un résultat récent de son entreprise : la réfutation automatisée d'une conjecture mathématique, un type de raisonnement abstrait longtemps considéré hors de portée des systèmes actuels. Cette prise de position tranche dans un débat qui agite le monde de la recherche depuis plusieurs années. De nombreux académiciens et chercheurs avaient soutenu que le scaling seul ne suffirait pas à produire une intelligence générale, et que des approches fondamentalement différentes seraient nécessaires. Si Altman a raison, ces voix critiques n'ont pas seulement eu tort sur le plan technique : elles ont activement ralenti les investissements et les orientations de recherche vers une voie qui s'avère productive. L'enjeu dépasse la fierté intellectuelle, il touche à l'allocation de milliards de dollars en R&D. Le contexte est celui d'une période charnière pour OpenAI, qui multiplie les démonstrations de capacités avancées pour justifier sa valorisation dépassant les 300 milliards de dollars. Les lois de scaling, théorisées notamment par les chercheurs de DeepMind et OpenAI autour de 2020, avaient déjà divisé la communauté. La sortie de modèles comme o3 et GPT-4o relance la question : le scaling est-il un plafond ou une rampe, et qui avait vraiment raison ?

Recherche❖Paper

1 source

48

1967The Decoder 

AWS juge les agents IA insuffisants en contexte métier et sécurité, et lance deux services pour y remédier

Lors de son sommet à New York, AWS a dévoilé deux nouveaux services destinés à combler les lacunes des agents IA en entreprise. Le premier, baptisé Continuum, détecte automatiquement les vulnérabilités dans le code, les priorise et propose des correctifs sans intervention humaine. Le second, Context, construit un graphe de connaissances à partir des données internes de l'entreprise afin de fournir aux agents IA le contexte métier dont ils ont besoin pour opérer correctement. Ces deux services s'attaquent à un problème central qui freine l'adoption des agents IA dans les environnements professionnels : ces systèmes produisent du code rapidement, mais commettent trop souvent des erreurs, qu'il s'agisse de failles de sécurité ou de décisions inadaptées faute de comprendre le fonctionnement réel de l'organisation. Continuum réduit la surface d'attaque en automatisant la détection de vulnérabilités, tandis que Context évite les hallucinations et les erreurs de jugement en ancrant les agents dans la réalité de l'entreprise, ses processus, ses données, ses contraintes. Cette annonce intervient alors que les grands fournisseurs cloud rivalisent pour s'imposer comme l'infrastructure de référence pour les agents IA d'entreprise. Microsoft Azure, Google Cloud et AWS se disputent un marché en pleine expansion, où la promesse d'automatisation se heurte encore à des problèmes de fiabilité et de sécurité. En proposant des couches de correction et de contextualisation natives, AWS cherche à rassurer les DSI et RSSI qui hésitent encore à déployer ces agents en production sur des systèmes critiques.

Outils⚒Outil

1 source

44

1968MarkTechPost 

Cisco AI présente FAPO : optimisation des prompts par pipeline, attribution des erreurs par étape et orchestration Claude Code

Cisco AI a dévoilé FAPO, pour Fully Automated Prompt Optimization, un système d'optimisation automatisée des pipelines LLM orchestré par des agents Claude Code. Le principe est simple : l'utilisateur fournit un jeu de données et une première ébauche de prompt, et FAPO prend en charge le reste, évaluation, classification des erreurs, proposition de variantes, validation et itération, jusqu'à atteindre un seuil de précision cible. Le projet est publié en open source sous licence Apache 2.0 et supporte également Codex comme agent d'optimisation alternatif. Dans les évaluations internes de Cisco, FAPO surpasse GEPA, l'optimiseur de prompts de référence, sur 15 des 18 combinaisons modèle-benchmark testées, avec un gain moyen de 14,1 points de pourcentage. Sur les benchmarks HoVer et IFBench, où FAPO a escaladé jusqu'à modifier la structure du pipeline, l'écart atteint +33,8 points de pourcentage sur six paires comparées. Ce que FAPO change concrètement, c'est la façon dont les équipes d'ingénierie déboguent des pipelines multi-étapes. Jusqu'ici, lorsqu'un pipeline LLM renvoie une mauvaise réponse, identifier quelle étape a fauté exige d'inspecter manuellement les sorties intermédiaires, un travail fastidieux et peu fiable. FAPO introduit une attribution d'échec au niveau de chaque étape, classant les pannes en quatre catégories : défaillances de récupération, défaillances en cascade, défaillances de format, et défaillances de raisonnement. Cette granularité permet au système de cibler précisément ce qui doit changer. L'optimisation procède par paliers croissants, d'abord les formulations de prompts, puis les paramètres comme la température ou le retrieval_k, enfin la topologie du pipeline lui-même, par exemple en ajoutant un nœud de réflexion ou en adoptant un pattern ReAct. Chaque proposition est validée par un agent indépendant, avec des garde-fous contre le surapprentissage : inspection limitée au jeu d'entraînement, fichiers de variantes immuables, et un ensemble de test réservé à une évaluation finale en une seule passe. Ce lancement s'inscrit dans une dynamique plus large d'industrialisation de l'ingénierie des prompts. Small wording changes can swing accuracy by 20 percent, note Cisco, un constat qui illustre à quel point l'optimisation manuelle reste fragile et non scalable. FAPO est construit autour d'un moteur central nommé Hephaestus, agnostique au domaine, qui exécute des chaînes modélisées comme des graphes d'état LangGraph. L'architecture multi-tenant permet d'optimiser plusieurs tâches en parallèle sans interférence. Les trois fournisseurs supportés nativement sont OpenAI, Baseten et SageMaker. En positionnant Claude Code comme chef d'orchestre de ce cycle fermé, Cisco propose une vision où l'agent IA ne génère plus seulement du code, mais optimise activement d'autres systèmes IA, une étape vers des pipelines capables de s'améliorer de façon autonome.

Outils⚒Outil

1 source

40

1969MarkTechPost 

Nous Research met à jour Hermes Agent avec un mode page vierge pour épingler des ensembles d'outils

Nous Research a introduit une troisième option de configuration dans son framework d'agent open-source Hermes Agent : le mode « Blank Slate », annoncé le 20 juin 2026. Là où les deux modes existants, Quick Setup et Full Setup, proposent respectivement un démarrage clé en main via le portail Nous (avec authentification OAuth gratuite) ou une configuration manuelle exhaustive, Blank Slate adopte la logique inverse : l'agent démarre avec le strict minimum. Seuls trois éléments sont activés d'emblée, le fournisseur et le modèle de langage, les opérations sur les fichiers, et l'accès au terminal. Tout le reste est désactivé explicitement : navigation web, exécution de code, vision, mémoire, délégation, cron, plugins, serveurs MCP, compression et points de sauvegarde. Ce qui distingue ce mode d'un simple interrupteur est la manière dont la configuration est persistée. Blank Slate écrit deux clés dans les fichiers de configuration locaux : une liste platformtoolsets.cli et un champ agent.disabledtoolsets. Ce choix est ancré sur disque, ce qui signifie qu'une mise à jour via hermes update ne peut pas réactiver silencieusement un outil que l'utilisateur a délibérément laissé de côté. Pour des équipes travaillant sur plusieurs machines ou pour des environnements à contraintes de sécurité strictes, cette garantie de reproductibilité est concrète : la surface d'exposition de l'agent reste exactement celle qui a été choisie, sans dérive entre les versions. Les secrets (tokens) restent séparés des paramètres dans ~/.hermes/.env, tandis que la configuration non sensible va dans ~/.hermes/config.yaml. Hermes Agent est le framework d'auto-amélioration de Nous Research, conçu pour tourner en local sur la machine de l'utilisateur. Dans un contexte où les agents IA accumulent de plus en plus de capacités par défaut, accès réseau, mémoire persistante, exécution de code arbitraire, la question du contrôle de surface devient centrale pour les déploiements professionnels et sensibles. Blank Slate s'inscrit dans une tendance plus large de l'outillage agent vers le principe du moindre privilège : n'activer que ce dont un workflow précis a besoin, et rien d'autre. Après la configuration minimale, l'utilisateur peut choisir de rester sur cette base réduite ou de parcourir manuellement les options disponibles pour activer outil par outil ce qui est nécessaire, via les commandes hermes tools, hermes skills opt-in --sync ou hermes setup agent.

Outils⚒Outil

1 source

50

1970The Decoder 

Le flou de l'UE sur la définition du deepfake pose problème au commerce de détail

Eurocommerce, l'association professionnelle qui représente des géants du commerce comme Amazon, H&M et IKEA, réclame auprès des institutions européennes une exemption pour les visuels publicitaires générés par intelligence artificielle. L'enjeu : ces images ne devraient pas, selon elle, tomber sous le coup des obligations de transparence du règlement européen sur l'IA (AI Act). Zalando, l'un de ses membres les plus influents, a révélé que 90 % du contenu marketing diffusé sur sa plateforme est déjà produit par IA. L'argument central est simple : une image de salon générée par IA pour vendre un canapé n'est pas un deepfake. La distinction n'est pas anodine. Si le règlement européen impose d'étiqueter tout contenu synthétique susceptible d'induire en erreur, les retailers craignent d'avoir à signaler chaque photo de produit retouchée ou composée par algorithme. Pour des plateformes où l'IA gère l'essentiel de la production visuelle, l'obligation deviendrait un fardeau opérationnel considérable, sans bénéfice clair pour le consommateur. Cela pourrait aussi fragiliser la compétitivité des entreprises européennes face à des acteurs hors UE non soumis aux mêmes contraintes. Le problème de fond est que l'AI Act, entré en vigueur en 2024, n'a jamais vraiment défini ce qu'est un deepfake avec suffisamment de précision pour le contexte commercial. Le texte visait avant tout les contenus trompeurs à caractère politique ou pornographique. Son application au e-commerce crée une zone grise juridique que les lobbyistes du retail exploitent aujourd'hui activement. La Commission européenne devra trancher, et la décision servira de précédent pour l'ensemble de l'industrie publicitaire à l'ère de l'IA générative.

Régulation⚖Reglementation

1 source

39

1971The Information AI 

Le professeur de droit derrière l'idée de fonds souverain IA de Bernie Sanders

Le 7 juin dernier, Sarah Polcz, professeure de droit à l'Université de Californie à Davis, et son mari Adam Brown, scientifique de haut rang chez DeepMind de Google, organisaient une fête dans leur maison de Portola Valley, en Californie. La soirée avait tout d'une réunion de l'élite tech : un invité faisait pleuvoir des glaces depuis un drone sur les enfants, un autre arrivait avec une minimaison flottante de sa propre fabrication, et quelqu'un avait amené un robot humanoïde arborant le chiffre « 6 7 » sur la poitrine, clin d'œil à un mème internet du moment. L'investisseur Steve Jurvetson, présent ce soir-là, a partagé une vidéo du robot sur X auprès de ses 110 000 abonnés. Parmi les habitués de ces rassemblements figure Sergey Brin, qui avait attribué à une discussion lors d'une précédente fête chez Polcz et Brown sa décision de sortir de sa retraite chez Google. Derrière cette ambiance festive, Polcz cachait une certaine nervosité. Ces derniers mois, elle a joué un rôle discret mais décisif dans l'élaboration d'une proposition politique à Washington susceptible de remodeler en profondeur le secteur de l'intelligence artificielle : la création d'un fonds souverain national dédié à l'IA, une idée portée notamment par le sénateur Bernie Sanders. Son implication dans ce projet commence tout juste à être connue du public, y compris de certains de ses propres invités dont les emplois et investissements pourraient être directement affectés. Adam Brown, qui dirige l'équipe Blueshift de DeepMind, consacrée à renforcer les capacités scientifiques, mathématiques et de raisonnement des modèles d'IA de Google, incarne à lui seul la tension entre le monde académique et l'industrie privée que cette proposition cherche précisément à réguler. L'idée d'un fonds souverain IA s'inscrit dans un débat plus large sur la répartition des richesses générées par l'automatisation et sur la capacité des États à peser face aux géants technologiques. Le rôle exact de Polcz dans la formulation de cette politique et ses contours précis restent à détailler, mais sa position, à l'intersection du droit, de l'académie et des cercles les plus influents de la Silicon Valley, lui confère une crédibilité rare dans ce débat.

Régulation⚖Reglementation

1 source

33

1972Frandroid 

Qu’est ce qu’un Prompt IA ? Comment en réaliser un pertinent et comment le maintenir à jour ?

Le terme « prompt » s'est imposé comme le vocabulaire incontournable de l'intelligence artificielle générative, sans que sa définition soit toujours clairement posée. Un prompt désigne l'instruction textuelle qu'un utilisateur soumet à un modèle d'IA pour obtenir une réponse : une question, une consigne, un contexte ou une combinaison des trois. Sa qualité détermine directement la pertinence du résultat produit par des outils comme ChatGPT, Claude ou Gemini. Plus l'instruction est précise, structurée et contextualisée, plus la réponse générée sera utile et adaptée au besoin réel. Maîtriser l'art du prompt devient un avantage concret pour les professionnels qui intègrent l'IA dans leur quotidien. Un prompt efficace précise le rôle attendu du modèle, le format de sortie souhaité, le niveau de détail et l'audience cible. L'absence de ces éléments produit des réponses génériques, vagues ou hors sujet, ce qui oblige à multiplier les échanges et réduit le gain de productivité escompté. À l'inverse, une instruction bien construite peut transformer un outil généraliste en assistant expert adapté à un métier ou une tâche précise. La pratique du prompting n'est pas figée : les modèles évoluent régulièrement, leurs capacités changent, et les prompts qui fonctionnaient bien il y a six mois peuvent devenir sous-optimaux après une mise à jour. Il est donc recommandé de documenter ses prompts les plus utiles, de les tester à intervalles réguliers et de les ajuster en fonction des nouvelles versions des modèles. Cette discipline, parfois appelée « prompt engineering », commence à faire l'objet de formations et de rôles dédiés au sein des entreprises.

Outils≡Tuto

1 source

46

1973The Decoder 

Data2Story transforme un fichier CSV en article de presse interactif et vérifié grâce à sept agents IA

Des chercheurs des universités d'Oxford et de Stanford ont développé Data2Story, un système de sept agents IA qui collaborent comme une rédaction pour transformer un fichier CSV en article interactif complet. Baptisé "Data Journalist Agent", le système génère automatiquement des graphiques, effectue des recherches web et attribue des liens sources vérifiables à 93 % des affirmations de l'article produit. Lors d'une étude auprès de lecteurs, 74 % ont préféré le résultat de l'agent à l'article original rédigé par un journaliste humain, même si, face à des reportages longs et minutieusement construits, l'agent n'obtient qu'un résultat équivalent. Ce niveau de performance marque une avancée notable pour l'automatisation du journalisme de données, domaine jusqu'ici réservé à des équipes spécialisées. La capacité à sourcer presque toutes les affirmations répond à l'un des griefs majeurs contre l'IA générative : le manque de transparence et de vérifiabilité. Pour les rédactions aux ressources limitées, un tel outil pourrait démocratiser le data journalism, en permettant de produire des analyses rigoureuses à partir de données brutes sans expertise technique approfondie. Data2Story illustre une tendance plus large : faire évoluer les systèmes IA de modèles généralistes vers des architectures multi-agents où chaque composant remplit un rôle précis, reproduisant la division du travail en rédaction. Ce travail d'Oxford et Stanford s'inscrit dans une réflexion croissante sur l'intégration de l'IA dans les pratiques journalistiques, à l'heure où médias et chercheurs débattent des limites éthiques de cette automatisation et de son impact sur la profession.

Recherche❖Paper

1 source

51

1974Numerama 

Emmanuel Macron appelle à un sursaut européen pour ne pas être « consommateurs d’une technologie faite par d’autres »

Emmanuel Macron a clôturé la dixième édition de VivaTech avec un discours offensif sur la souveraineté technologique européenne, appelant la France et ses partenaires à ne pas se contenter d'être « consommateurs d'une technologie faite par d'autres ». Intervenant après une semaine particulièrement dense pour l'écosystème tech français, le président a évoqué plusieurs décisions concrètes : le déploiement d'un assistant IA au sein de la fonction publique française, un nouvel investissement dans le secteur numérique national, et la coupure du modèle Claude Fable d'Anthropic sur le territoire européen, illustrant la fragilité de la dépendance aux plateformes étrangères. L'enjeu est directement celui de la compétitivité industrielle du continent. En pointant le double risque d'une vassalité technologique vis-à-vis des États-Unis et de la Chine, Macron fixe un cap politique clair : investir dans des alternatives européennes, notamment en s'appuyant sur les modèles open source, pour ne pas abandonner aux acteurs étrangers la maîtrise des infrastructures numériques qui structureront l'économie et les services publics de demain. Ce discours intervient à quelques mois de la fin du second mandat de Macron, ce qui lui confère un caractère testamentaire. La France a multiplié les signaux volontaristes ces dernières années, soutien à Mistral AI, plan France 2030, accueil du Sommet pour l'action sur l'IA en février 2025, mais la course reste serrée face à des acteurs américains aux moyens sans commune mesure. Le choix de l'open source comme levier d'indépendance résume la tension entre ambition souveraine et réalisme économique qui traverse l'ensemble de la stratégie numérique européenne.

Régulation⚖Reglementation

1 source

28

1975Frandroid 

Les meilleurs mini PC pour l’IA en local : faire tourner un LLM chez soi sans cloud

L'article fourni est un simple teaser, il se coupe après l'introduction avec "[Lire la suite]" et ne contient aucun contenu réel : aucun mini PC mentionné, aucun prix, aucune spec technique, aucune recommandation concrète. Écrire un article autonome de 200-250 mots à partir de ça reviendrait à inventer des faits, ce que je ne ferai pas. Options : 1. Fournis le contenu complet de l'article (colle le texte intégral après le "[Lire la suite]"), je le résume immédiatement. 2. Fournis l'URL, je peux tenter de récupérer la page si tu me la donnes.

Infrastructure≡Tuto

1 source

39

1976MarkTechPost 

Construire un pipeline de prévision avec TimeCopilot : modèles de fondation et détection automatique d'anomalies

TimeCopilot, une librairie Python open source dédiée à la prévision de séries temporelles, propose un pipeline complet combinant modèles statistiques classiques, modèles de fondation et détection automatique d'anomalies. Un tutoriel récent détaille comment construire un tel workflow de bout en bout : après installation via pip, l'utilisateur charge le jeu de données AirPassengers (série mensuelle historique de passagers aériens) et y adjoint une série synthétique saisonnière dans laquelle trois anomalies ont été artificiellement injectées aux indices 30, 75 et 120 en multipliant les valeurs par 2,2. Le panel ainsi constitué est soumis à une batterie de modèles : les statistiques AutoARIMA, AutoETS, Theta et SeasonalNaive, le modèle Prophet de Meta, et les modèles de fondation Chronos d'Amazon (versions chronos-bolt-small ou chronos-bolt-tiny selon la disponibilité d'un GPU) et TimesFM 2.0 de Google (500 millions de paramètres, activé uniquement en présence d'un GPU). Un agent LLM intégré à TimeCopilot peut ensuite sélectionner automatiquement le meilleur modèle et restituer les prédictions dans un format analytique accessible à un non-spécialiste. L'intérêt de cette approche réside dans la mise en compétition automatisée de plusieurs familles de modèles via une validation croisée glissante assortie de plusieurs métriques d'erreur, ce qui permet d'identifier objectivement le modèle le plus performant sur chaque série. TimeCopilot unifie dans une seule interface des approches radicalement différentes, des méthodes statistiques légères tournant sur CPU aux grands modèles de fondation pré-entraînés sur des milliards de points de données, sans obliger l'utilisateur à jongler entre bibliothèques hétérogènes. La génération d'intervalles de prédiction probabilistes et la visualisation des tendances futures permettent de quantifier l'incertitude, une exigence critique en planification opérationnelle. La détection d'observations inhabituelles intégrée au même pipeline réduit le risque de biais causé par des événements exceptionnels non filtrés. Ce tutoriel s'inscrit dans une tendance plus large : depuis 2023, les modèles de fondation pour séries temporelles cherchent à reproduire pour la prévision ce que les grands modèles de langage ont accompli pour le texte, c'est-à-dire des modèles pré-entraînés capables de généraliser sans réentraînement spécifique. Chronos d'Amazon, TimesFM de Google et Moirai de Salesforce se livrent une concurrence directe sur ce créneau. TimeCopilot se positionne comme une couche d'orchestration neutre, permettant de comparer ces nouveaux modèles aux méthodes classiques dans des conditions équivalentes. L'ajout d'un agent LLM capable d'interpréter les prévisions en langage naturel signale une convergence entre prévision quantitative et IA générative qui commence à séduire les équipes data souhaitant rendre leurs analyses accessibles à des décideurs non techniques.

Outils⚒Outil

1 source

42

1977The Decoder 

ChatGPT renforce ses fonctions d'assistant personnel avec de nouveaux contrôles de tâches planifiées

OpenAI renforce les capacités de planification de ChatGPT avec une mise à jour qui introduit une nouvelle page dédiée, intitulée "Scheduled", accessible depuis la barre latérale de l'interface. Cette section centralise toutes les tâches actives en un seul endroit, permettant aux utilisateurs de les consulter, de les mettre en pause, de les modifier ou de les supprimer. Les tâches de recherche peuvent désormais interroger le web et les applications connectées au compte, puis envoyer une alerte uniquement lorsqu'un changement pertinent est détecté. En parallèle, la fonctionnalité "Pulse", qui proposait des résumés proactifs, est officiellement abandonnée au profit de ce nouveau système. Cette évolution marque un glissement significatif dans la manière dont OpenAI positionne ChatGPT : non plus seulement comme un assistant réactif qu'on sollicite à la demande, mais comme un agent autonome capable de surveiller des informations et d'agir de façon proactive. Pour les utilisateurs professionnels, cela représente un gain réel en automatisation légère, avec des alertes ciblées plutôt qu'un flux continu de notifications. Le filtrage intelligent, qui ne déclenche une alerte qu'en cas de changement réel, réduit le bruit et augmente la valeur pratique du système. Cette mise à jour s'inscrit dans une course plus large entre les grandes plateformes tech pour imposer leur assistant IA comme point de contact central du quotidien numérique. Google avec Gemini, Apple avec Apple Intelligence et Microsoft avec Copilot misent tous sur la dimension proactive et agentique. OpenAI, en dotant ChatGPT de tâches planifiées et de surveillance automatisée, cherche à transformer son produit phare en véritable assistant personnel, capable de travailler en arrière-plan sans intervention constante de l'utilisateur.

Outils⚒Outil

1 source

45

1978The Decoder 

OpenAI triple son chiffre d'affaires à 5,7 milliards de dollars au premier trimestre, mais dépense 3,7 milliards pour y parvenir

Au premier trimestre 2026, OpenAI a enregistré 5,7 milliards de dollars de revenus, soit un triplement en glissement annuel. Dans le même temps, la société a brûlé environ 3,7 milliards de dollars de trésorerie sur la même période, là aussi trois fois plus qu'un an auparavant. La rémunération en actions des employés représente à elle seule plus de 2,3 milliards de dollars de ces dépenses, révélant l'ampleur des engagements salariaux contractés pour attirer et retenir les meilleurs talents de l'IA. Ces chiffres illustrent un paradoxe frappant : OpenAI croît à une vitesse rare dans l'histoire de la tech, mais ses coûts s'emballent au même rythme que ses revenus. Avec 73 milliards de dollars de réserves, l'entreprise n'a pas besoin de lever des fonds à court terme. Mais la rentabilité reste hors de portée, et la moindre pression supplémentaire sur les prix pourrait fragiliser cette position confortable. Une guerre tarifaire avec Anthropic, dont les modèles Claude gagnent du terrain auprès des entreprises, pourrait contraindre OpenAI à rogner ses marges et à consumer ses réserves bien plus vite que prévu. OpenAI a réalisé sa dernière grande levée de fonds début 2025, à une valorisation de 157 milliards de dollars, puis a amorcé une transformation en société à but lucratif. La concurrence s'est depuis intensifiée : Anthropic, Google avec Gemini, et Meta avec ses modèles open source exercent une pression croissante. Le modèle économique de l'IA générative repose toujours sur des coûts d'inférence et d'entraînement colossaux, et aucun acteur majeur n'a encore démontré qu'il pouvait scaler sans perdre de l'argent à grande échelle.

Business❧Opinion

1 source

46

1979MarkTechPost 

NVIDIA présente SpatialClaw : un agent sans entraînement qui utilise le code comme interface pour le raisonnement spatial

Les chercheurs de NVIDIA ont publié SpatialClaw, un framework d'agent pour le raisonnement spatial qui ne nécessite aucun réentraînement des modèles. Testé sur 20 benchmarks couvrant cinq catégories de tâches visuelles (image unique, multi-vues, vidéo, 4D et compréhension vidéo générale), le système atteint 59,9 % de précision moyenne, soit 11,2 points de plus que SpaceTools, le précédent agent spatial de référence. SpatialClaw fonctionne comme une boucle agentique enveloppant un noyau Python persistant, pré-chargé avec les images d'entrée et un ensemble de primitives de perception. Deux outils sont au cœur du système : Reconstruct, qui s'appuie sur Depth Anything 3 pour produire cartes de profondeur, géométrie caméra et nuages de points, et SAM3, qui exploite SAM 3 pour générer des masques vidéo ou image à partir de texte ou de coordonnées. Le système a été évalué sur six architectures de modèles allant de 26 à 397 milliards de paramètres, issues des familles Qwen3 et Gemma4. Le vrai apport de SpatialClaw est moins dans ses outils que dans la manière dont l'agent les utilise. NVIDIA a comparé trois interfaces d'action sur les mêmes outils et le même prompt : code en passe unique (+1,8 point sur la baseline sans outil), appels structurés via schéma JSON (+3,3 points), et l'interface de SpatialClaw où le code lui-même est l'interface d'action (+6,5 points). La différence tient à la capacité d'inspection intermédiaire : plutôt que de soumettre un programme complet sans retour, l'agent observe les résultats partiels et révise sa stratégie en cours de route. Sur un exemple concret, mesurer la distance minimale entre un radiateur et une porte, l'agent corrige son premier calcul de centroïde en basculant vers scipy.spatial.KDTree, obtenant 0,9439 m contre une vérité terrain à 0,9 m. Les gains les plus importants apparaissent sur les tâches dynamiques : +17,6 points sur DSI-Bench et +15,3 sur MindCube avec le backbone Gemma4-31B. Le raisonnement spatial reste l'un des talons d'Achille des grands modèles vision-langage : localiser précisément des objets, estimer leurs relations géométriques et suivre leurs trajectoires dans un espace 3D dépasse les capacités actuelles de la plupart des VLM, quelle que soit leur taille. Les approches existantes comme VADAR ou pySpatial utilisaient toutes du code en passe unique ou des appels d'outils structurés, avec des résultats limités à respectivement 40,5 % et 47,8 % de moyenne. En traitant le code comme interface d'action native plutôt que comme sortie figée, NVIDIA propose une solution qui s'applique à n'importe quel modèle sans modifier ses poids, ce qui facilite l'adoption. Le framework est documenté sur le site du projet et représente un signal fort pour les applications robotiques, les véhicules autonomes et les systèmes d'assistance visuelle, où la précision géométrique est non négociable.

Recherche❖Paper

1 source

49

1980MarkTechPost 

VibeThinker-3B : modèle de raisonnement dense basé sur Qwen2.5-Coder-3B via le pipeline Spectrum-to-Signal

Des chercheurs de Sina Weibo Inc, le géant chinois des réseaux sociaux, ont publié VibeThinker-3B, un modèle de raisonnement de seulement 3 milliards de paramètres qui rivalise avec des géants cent fois plus lourds. Construit sur la base Qwen2.5-Coder-3B et distribué sous licence MIT, le modèle atteint 94,3 sur le benchmark AIME26, soit un score comparable à DeepSeek V3.2 (671 milliards de paramètres) et à Kimi K2.5 (1 000 milliards de paramètres). Sur LiveCodeBench v6, il affiche 80,2 en Pass@1, et sur des concours LeetCode récents non vus lors de l'entraînement, entre avril et mai 2026, il a réussi 123 soumissions Python sur 128 en première tentative, soit un taux d'acceptation de 96,1 %. Les poids du modèle pèsent environ 6 Go en BF16, ce qui le rend utilisable sur un seul GPU grand public avec les frameworks vLLM 0.10.1 ou SGLang. Ce résultat remet en question un dogme dominant dans le domaine de l'IA : l'idée que les performances de raisonnement avancé nécessitent impérativement des dizaines ou centaines de milliards de paramètres. Un modèle de 3 milliards entraînable sur une machine accessible, capable de tenir tête à des systèmes nécessitant des clusters entiers pour l'inférence, représente un changement structurel pour les équipes qui cherchent à déployer des capacités de raisonnement à faible coût. La limite est réelle : sur GPQA-Diamond, un benchmark à dominante de connaissances encyclopédiques, l'écart reste significatif face aux grands modèles (70,2 contre 82 à 87 pour les modèles de 700B+). VibeThinker-3B est conçu comme un spécialiste des tâches vérifiables, et les auteurs le recommandent explicitement pour les mathématiques, le code et les STEM, mais pas pour les questions à large domaine ouvert. Le modèle n'est pas pré-entraîné depuis zéro : il repose entièrement sur un pipeline de post-entraînement en quatre étapes baptisé Spectrum-to-Signal (SSP), dont la version précédente avait été appliquée au modèle VibeThinker-1.5B. La première phase est un SFT en deux temps progressifs, du général vers le difficile, qui construit un large espace de trajectoires de raisonnement valides. La deuxième phase applique du renforcement multi-domaine via MGPO (MaxEnt-Guided Policy Optimization), ciblant les exemples à la frontière des capacités actuelles du modèle. Une étape Long2Short redistribue ensuite la récompense en favorisant les réponses correctes les plus courtes, forçant le modèle à ne pas verbaliser inutilement. Fait notable : les chercheurs ont abandonné l'expansion progressive du contexte, qui dégradait le raisonnement long à cette échelle, et utilisent une fenêtre fixe de 64 000 tokens tout au long du RL. L'ensemble du pipeline est publié en open source, ce qui permet à d'autres équipes de reproduire ou d'étendre l'approche.

LLMs❧Opinion

1 source