❌

Vue normale

Il y a de nouveaux articles disponibles, cliquez pour rafraîchir la page.
À partir d’avant-hierNUMERIQUE

Contre-espionnage ou bataille politique ? Le rôle de Marco Rubio dans la chute de Jensen Huang relance les soupçons autour de l’affaire Nvidia

14 novembre 2026 à 15:40

Selon le Washington Post, Marco Rubio a personnellement durci les conclusions du rapport de la CIA à l'origine du scandale Jensen Huang. De quoi relancer une question brûlante à Washington : la chute du patron de Nvidia relève-t-elle du contre-espionnage, d'un règlement de comptes politique autour des puces vendues à la Chine, ou des deux à la fois ?
 [Lire la suite]

Retrouvez un résumé du meilleur de l’actu tech tous les matins sur WhatsApp, c’est notre nouveau canal de discussion Frandroid que vous pouvez rejoindre dès maintenant !

Pour nous soutenir gratuitement, dites simplement à Google d’ajouter Frandroid à vos sources préférées en cliquant ici.

Apple HomeView : on a lu les premiers tests américains, faut-il regretter son absence en France ?

13 novembre 2026 à 18:25

Apple commercialise depuis ce 13 novembre son tout premier écran connecté, le HomeView, dans huit marchés anglophones mais dans aucun pays de l'Union européenne. Le verdict des premiers tests américains montre très exactement ce que les foyers français ratent, et surtout les frustrations qu'ils s'épargnent.
 [Lire la suite]

Utilisez-vous Google News (Actualités en France) ? Vous pouvez suivre vos médias favoris. Suivez Frandroid sur Google.

Pour nous soutenir gratuitement, dites simplement à Google d’ajouter Frandroid à vos sources préférées en cliquant ici.

115 moteurs de voitures électriques passés au crible : la Chine se distingue par ses matériaux

13 novembre 2026 à 17:52

Des chercheurs allemands ont passé au crible 115 moteurs de voitures électriques, en grande majorité chinoises. Si leur architecture ressemble à s'y méprendre à celle des modèles européens, le choix des matériaux révèle un rapport de force géopolitique implacable autour des mines.
 [Lire la suite]

Votre café et votre dose de tech vous attendent sur WhatsApp chaque matin avec Frandroid.

Pour nous soutenir gratuitement, dites simplement à Google d’ajouter Frandroid à vos sources préférées en cliquant ici.

Volant PlayStation, Steam Deck et Starlink pour voler à 90 km/h : j’ai embarqué sur un trimaran hors du commun

3 novembre 2026 à 18:41

Un mois avant le départ de la Route du Rhum, j'ai passé deux jours à Lorient avec le Team Actual, dans la cale, au bureau d'études et à bord d'Actual Ultim 4, l'un des huit maxi-trimarans engagés qui peuvent "voler" et filer à plus de 90 km/h. Quatre LiDAR, 350 mètres de fibre optique, un Starlink, un mini PC grand public… et, collé sous les yeux du skipper, un autocollant qui lui rappelle de décomposer ses manœuvres.
 [Lire la suite]

Téléchargez notre application Android et iOS ! Vous pourrez y lire nos articles, dossiers, et regarder nos dernières vidéos YouTube.

Pour nous soutenir gratuitement, dites simplement à Google d’ajouter Frandroid à vos sources préférées en cliquant ici.

Voici la liste de tous les iPhone sortis de 2007 à 2026

Par : Enzo Bonucci
29 octobre 2026 à 16:09

Plus de 19 années se sont écoulées depuis la sortie du premier iPhone. Depuis, chaque nouvelle version a contribué à améliorer la recette originale, tant au point de vue des performances, que du matériel et des fonctionnalités. Voici la liste de tous les modèles d'iPhone sortis jusqu'à présent.

L’article Voici la liste de tous les iPhone sortis de 2007 à 2026 est apparu en premier sur Toms Guide.

full

thumbnail

VPN : qu’est ce que c’est WireGuard, et à quoi ça sert ?

Par : Axel Savoye
27 octobre 2026 à 17:28

Dans le monde des VPN, WireGuard est aujourd'hui devenu une technologie essentielle en termes de performances et de sécurité. Mais WireGuard, qu'est-ce que c'est exactement ? Comment ça fonctionne ? Quels avantages pour quels inconvénients ? Réponse dans cet article.
 [Lire la suite]

Envie de retrouver les meilleurs articles de Frandroid sur Google News ? Vous pouvez suivre Frandroid sur Google News en un clic.

Pour nous soutenir gratuitement, dites simplement à Google d’ajouter Frandroid à vos sources préférées en cliquant ici.

AI Gateway : la bataille pour le contrôle de l’IA

26 août 2026 à 11:26

En observant les annonces des dix-huit derniers mois, un constat s’impose. Éditeurs de cybersécurité, spécialistes de l’API Management, plateformes de données, fournisseurs cloud et acteurs nés avec l’IA développent des fonctions qui répondent aux mêmes problématiques. Leur objectif : contrôler les appels aux modèles de langage, appliquer des politiques de sécurité, maîtriser les coûts et gouverner les agents, tout en traçant leurs interactions et en limitant la dépendance à un fournisseur unique.

Tous cherchent, avec des approches différentes, à devenir le point de contrôle entre le système d’information et l’IA.

Dans l’histoire des infrastructures IT, ce type de convergence a souvent annoncé l’émergence d’une nouvelle catégorie de logiciels. Mais elle peut aussi annoncer autre chose : une course où chaque acteur tente d’imposer son propre control plane, au risque de recréer, autour de l’IA, la fragmentation que les AI Gateways sont précisément censés résoudre.

Les éditeurs cyber veulent protéger les agents

Les plateformes de cybersécurité ont été conçues pour protéger des utilisateurs, des postes de travail, des serveurs ou des applications. L’essor des agents IA introduit une nouvelle catégorie d’entités numériques : elles disposent de droits d’accès, utilisent des identités techniques, consultent des données et exécutent des actions de façon autonome. Elles deviennent donc elles-mêmes une nouvelle surface d’attaque.

Le cas de Palo Alto Networks illustre bien cette bascule, avec un calendrier resserré. En mars 2026, l’éditeur lance Prisma AIRS 3.0, avec un module « AI Agent Gateway » alors en accès limité. Fin avril, il annonce son intention de racheter Portkey, l’un des éditeurs d’AI Gateway les plus établis ; l’acquisition est finalisée le 29 mai. Six semaines plus tard, le 22 juillet, il annonce la disponibilité générale de Prisma AIRS AI Gateway, qui intègre directement la technologie de Portkey.

Dans sa communication, Palo Alto Networks avance un chiffre destiné à illustrer l’accélération du phénomène. Selon les données observées par l’éditeur, la part du trafic réseau d’entreprise liée au protocole MCP serait passée de 11 % fin 2025 à plus de 41 % à la mi-2026. Un chiffre fourni par l’éditeur, à considérer comme un indicateur de tendance plutôt que comme une mesure indépendante du marché.

CrowdStrike suit une trajectoire différente, centrée sur l’identité des agents. En juin dernier, l’éditeur lance « Continuous Identity for AI Agents », une fonctionnalité de Falcon issue de la technologie de SGNL, rachetée pour 740 millions $. Le principe est de réévaluer en permanence les droits d’un agent, action après action, plutôt que de lui accorder un accès permanent. CrowdStrike ne cherche toutefois pas à devenir lui-même une AI Gateway. L’éditeur mise sur une stratégie d’écosystème, avec des intégrations à plusieurs gateways, dont Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry et Google Cloud

Cisco avance sur un terrain proche avec Duo, qui traite désormais l’agent comme un objet d’identité à part entière, avec ses propres règles d’authentification et son propre cycle de vie. Zscaler, enfin, a présenté en juin 2026 ce qu’il revendique comme la première plateforme Zero Trust complète pour l’IA agentique, avec un « AI Broker » pour l’accès aux agents et un « AI Access Graph » pour cartographier les liens entre identités, applications et données. Une extension directe de sa logique réseau historique aux flux agent-à-agent et aux appels MCP, plus difficiles à intercepter que du trafic utilisateur classique.

Ces trajectoires différentes traduisent une même logique : chaque cyberéditeur cherche à prolonger son point de contrôle historique jusqu’aux agents. L’AI Gateway devient ainsi l’une des nouvelles interfaces de la logique Zero Trust où l’on vérifie non seulement qui est autorisé à agir mais aussi ce que l’agent peut faire et dans quel contexte.

Les spécialistes des API veulent éviter d’être contournés

Pour les acteurs de l’API Management, la problématique est différente. Depuis quinze ans, les API Gateway occupent une place stratégique dans les systèmes d’information : une part importante des échanges applicatifs y transite, et les équipes d’architecture y définissent l’authentification, la limitation de débit, la supervision et le routage.

L’IA pourrait remettre en cause cette position. Si les développeurs appellent directement les modèles de langage sans passer par l’infrastructure existante, une partie croissante des échanges risque d’échapper aux plateformes de gouvernance déjà en place. Les spécialistes des API cherchent donc à étendre leur périmètre plutôt qu’à laisser une infrastructure parallèle émerger.

L’exemple de Kong est représentatif : l’éditeur présente son AI Gateway comme une extension de plugins sur sa plateforme Kong Konnect existante. Les flux applicatifs continuent de transiter par la même infrastructure, mais sont désormais aussi dirigés vers des modèles de langage, avec les mêmes mécanismes d’authentification et de quotas déjà en place pour les API classiques.

Google fait évoluer Apigee dans une direction similaire, en l’articulant à la nouvelle plateforme d’agents que le groupe a lancée en avril 2026 en rebaptisant Vertex AI en Gemini Enterprise Agent Platform. Un changement qui va au-delà du nom, puisqu’il absorbe aussi Agentspace et repositionne l’ensemble autour de la construction, du déploiement et de la gouvernance d’agents plutôt que du seul entraînement de modèles.

D’autres éditeurs d’API Management plus spécialisés, comme Gravitee, Tyk ou WSO2, suivent une trajectoire comparable en ajoutant des fonctions de routage LLM, de gouvernance MCP et de suivi des coûts d’inférence à leurs plateformes existantes.

Le principe reste le même dans tous les cas : réutiliser les mécanismes déjà déployés pour les API ( authentification, quotas, journalisation, observabilité ) plutôt que de les faire reconstruire par chaque équipe projet pour l’IA. L’IA ne crée pas une infrastructure parallèle ; elle prolonge l’architecture existante.

Les plateformes de données veulent rapprocher les agents des données

Une troisième famille avance avec une approche différente : les plateformes de données. La conviction est que la valeur de l’IA ne réside pas uniquement dans le modèle, mais surtout dans les données auxquelles il accède.

Snowflake en fournit une première illustration. Fin mai 2026, l’éditeur annonce l’acquisition de Natoma, spécialiste de la gouvernance du protocole MCP. Deux mois plus tard, il lance Cortex AI Gateway pour contrôler les interactions des agents avec les modèles, les outils, les serveurs MCP et les données de l’entreprise.

La solution s’adresse aussi bien aux agents natifs de Snowflake qu’à ceux développés sur des plateformes tierces comme Claude Code ou Cursor, et s’intègre notamment avec Okta, SailPoint et 1Password pour la gestion des identités.

Databricks suit une trajectoire comparable avec Unity AI Gateway. Construit sur Unity Catalog, le service transpose aux modèles et aux agents les mécanismes de gouvernance déjà appliqués aux données : permissions, traçabilité et audit. Il ajoute des fonctions spécifiques à l’IA, comme le contrôle des dépenses, le routage entre fournisseurs et la prévention des fuites de données personnelles.

Databricks revendique déjà plusieurs milliers de clients utilisant Unity AI Gateway, dont Rivian, Asana et Edmunds. Selon l’éditeur, plus d’un quadrillion de tokens ont transité par la gateway au cours des douze derniers mois.

L’éditeur a par ailleurs choisi une approche ouverte en intégrant à Unity AI Gateway des spécialistes de la sécurité, dont CrowdStrike, Palo Alto Networks et Zscaler. L’objectif est de permettre aux entreprises de conserver leurs outils de sécurité existants tout en les appliquant aux interactions avec les modèles, les agents et les outils. Une logique d’écosystème qui contraste avec les plateformes cherchant à intégrer l’ensemble des fonctions de sécurité en interne.

Les annonces successives de Snowflake et Databricks montrent que la gouvernance des agents est en train de devenir un nouveau terrain de concurrence pour les plateformes Data & IA. Leur avantage est de pouvoir prolonger vers les modèles et les agents les politiques de contrôle déjà appliquées aux données, sans nécessairement ajouter une couche de gouvernance indépendante.

Les hyperscalers avancent en ordre dispersé

Une quatrième famille d’acteurs, les hyperscalers, aborde le problème sous un angle différent : intégrer les fonctions de gouvernance de l’IA à leur propre environnement plutôt que de les vendre comme un produit autonome.

AWS a lancé Amazon Bedrock AgentCore Gateway, qui fournit un point d’accès unique aux agents pour accéder à des outils, des serveurs MCP et d’autres agents via A2A. La plateforme peut également router les requêtes vers différents fournisseurs de modèles et connecter des services comme Salesforce, Slack, Jira ou Asana.

Microsoft combine deux briques complémentaires. Azure API Management fournit les fonctions d’AI Gateway, tandis qu’Entra Agent ID, disponible généralement depuis mai 2026, attribue une identité propre aux agents et permet d’en contrôler les accès, y compris lorsqu’ils sont construits sur des plateformes tierces.

Google a choisi une approche plus intégrée. Avec le lancement de Gemini Enterprise Agent Platform, qui succède à Vertex AI, l’éditeur regroupe dans une même plateforme la construction, le déploiement et la gouvernance des agents, plutôt que de présenter l’AI Gateway comme une brique autonome.

L’avantage de cette approche est net pour une DSI déjà engagée sur un cloud donné : l’identité, la facturation et une partie de l’observabilité restent dans le même environnement, sans couche supplémentaire à opérer. La contrepartie l’est tout autant : dans un contexte multicloud, ces trois approches ne se substituent pas les unes aux autres, et une entreprise utilisant AWS, Azure et Google Cloud simultanément peut se retrouver avec trois mécanismes de gouvernance de l’IA distincts plutôt qu’une couche transverse unique.

Les acteurs AI-native : les pionniers de la gateway IA

Une dernière catégorie est née directement avec les applications d’IA. Des acteurs comme LiteLLM, Helicone, OpenRouter ou Portkey ont construit leurs offres autour de besoins apparus avec les LLM : router les requêtes entre plusieurs modèles et fournisseurs, suivre la consommation, gérer les clés et les coûts ou observer les interactions des agents.

Portkey illustre toutefois la difficulté pour ces spécialistes de conserver leur indépendance lorsque le marché se structure. Racheté par Palo Alto Networks en mai 2026, l’éditeur montre comment les fonctions développées par les acteurs AI-native peuvent être progressivement intégrées à des plateformes plus larges de cybersécurité, d’API Management, de données ou de cloud.

Ce que révèle cette convergence

Le rapprochement de ces cinq familles d’acteurs montre que l’AI Gateway devient une couche stratégique de contrôle de l’IA. Mais cette convergence ne conduira pas forcément à une gateway unique : le marché pourrait plutôt voir coexister plusieurs briques capables de coopérer.

Pour les DSI, la question sera donc de savoir où placer le point de contrôle principal et comment faire interagir les autres briques avec lui. Faute de coordination, la multiplication des offres pourrait paradoxalement recréer une nouvelle fragmentation de la gouvernance de l’IA.

The post AI Gateway : la bataille pour le contrôle de l’IA appeared first on Silicon.fr.

AI Gateway : la prochaine bataille des infrastructures IA

24 août 2026 à 10:43

Les entreprises déploient leurs premiers agents et découvrent aussi comment gouverner les interactions entre les modèles, les applications et les données ?

Une nouvelle catégorie de logiciels, les AI Gateways, ambitionne de devenir le point de contrôle de ces architectures. À l’image des API Gateways il y a vingt ans, cette couche pourrait redéfinir la manière dont les DSI construiront leurs infrastructures d’intelligence artificielle. A condition qu’elle tienne ses promesses.

L’histoire des systèmes d’information est jalonnée de ruptures technologiques qui ont progressivement fait apparaître de nouvelles couches d’infrastructure.

Au début des années 1990, la priorité était de connecter les réseaux tout en les protégeant : les pare-feu sont devenus le point de passage obligé entre l’entreprise et Internet.

Au début des années 2000, la généralisation des architectures orientées services puis des microservices a fait émerger une autre nécessité : contrôler les échanges entre applications. Les API Gateway se sont imposées pour authentifier les appels, appliquer des politiques de sécurité et fournir une visibilité centralisée.

Une décennie plus tard, l’explosion du cloud a donné naissance aux plateformes IAM modernes, aux CASB (Cloud Access Security Broker) aux solutions SASE et aux plateformes CNAPP (Cloud-Native Application Protection Platform, des outils de sécurisation des applications cloud) pour répondre à de nouveaux besoins de gouvernance.

L’IA générative semble suivre le même chemin. Après une première phase centrée sur le choix d’un modèle de langage performant, les entreprises découvrent qu’elles doivent désormais administrer un écosystème où plusieurs modèles coexistent, où des agents IA prennent des décisions, et où les interactions avec le système d’information deviennent plus nombreuses et plus dynamiques.

Du mono-modèle au multi-modèle

Entre 2023 et 2024, la plupart des expérimentations reposaient sur un seul fournisseur : une application appelait un modèle via une API, point final. Cette architecture reste simple.

En 2026, le changement d’échelle est net. Selon une analyse de Vercel portant sur les usages en production, la part des équipes exploitant cinq modèles ou plus est passée de 29 % à 37 % en un an. Un basculement structurel plutôt qu’un ajustement marginal.

Un assistant bureautique peut désormais mobiliser un modèle propriétaire pour la génération de texte, un modèle open source exécuté localement pour des traitements confidentiels, un modèle spécialisé pour l’analyse documentaire et un moteur multimodal pour l’image ou la vidéo.

Cette diversification répond à trois logiques :

  • Économique : les tarifs varient fortement d’un fournisseur à l’autre, et le « race to the bottom » sur le prix au token pousse les DSI à arbitrer plutôt qu’à dépendre d’un seul acteur. Plusieurs gateways commerciales (Vercel, OpenRouter, Cloudflare, LiteLLM) ont d’ailleurs supprimé toute marge sur les tokens en 2026, déplaçant la concurrence vers la fiabilité et la gouvernance.
  • Réglementaire : avec l’entrée en application progressive de l’AI Act, certaines entreprises veulent conserver la maîtrise de traitements sensibles ou privilégier des fournisseurs offrant davantage de garanties sur la localisation des données.
  • Fiabilité opérationnelle : les incidents chez les grands fournisseurs de modèles ne sont plus anecdotiques. Selon des données citées par Vercel, les principaux fournisseurs de LLM ont chacun cumulé une vingtaine d’incidents et près de 180 heures d’indisponibilité sur le seul mois de décembre 2025. Un argument concret en faveur du multi-fournisseur et du failover automatique.

Cette évolution fait apparaître une difficulté nouvelle : comment administrer un environnement où plusieurs modèles sont utilisés simultanément par des centaines d’applications, sans multiplier les clés d’API et les intégrations ad hoc ?

Les agents IA changent la nature du système d’information

La généralisation des agents constitue un second facteur de rupture.

Un chatbot traditionnel répond à une question. Un agent peut planifier une série d’actions : consulter une base documentaire, interroger un ERP, créer un ticket dans un outil ITSM, envoyer un courriel, puis transmettre le résultat à un autre agent. Il ne produit plus seulement une réponse : il agit.

Pour les équipes d’architecture, cela change la nature des flux. Les échanges ne s’effectuent plus uniquement entre applications connues : ils impliquent des composants capables de choisir eux-mêmes quels outils utiliser selon le contexte.

Le protocole MCP (Model Context Protocol), qui standardise la façon dont un modèle accède à des outils externes et structure une bonne partie de ces échanges. Cependant, son adoption rapide crée aussi une nouvelle surface d’exposition, puisque chaque connecteur MCP est potentiellement une porte d’entrée vers un système interne.

Dans de nombreuses entreprises, chaque application dialogue encore directement avec le modèle retenu par son équipe de développement. Cette approche fonctionne tant que les projets restent peu nombreux mais elle devient difficile à maintenir dès que plusieurs dizaines d’applications utilisent plusieurs fournisseurs. Chaque équipe doit alors gérer séparément les clés d’API, les politiques de sécurité, les limites de consommation, la journalisation, les changements de version des modèles et les règles de conformité propres à chaque fournisseur.

Plus le nombre d’agents augmente, plus le nombre d’interactions explose, avec un risque bien connu : la multiplication incontrôlée de connexions point à point, que l’histoire des systèmes d’information a déjà vu se reproduire à chaque rupture technologique.

Une nouvelle couche apparaît : l’AI Gateway

Concrètement, une AI Gateway se place comme un proxy entre les applications et les fournisseurs de modèles (OpenAI, Anthropic, Google, Azure, modèles open source auto-hébergés).

Elle expose un point d’entrée unique et ajoute, selon les offres, du routage multi-modèle, du failover automatique en cas de panne d’un fournisseur, du cache sémantique pour réduire coûts et latence sur des requêtes similaires, des quotas et budgets par équipe ou par utilisateur, de la journalisation au niveau du token, ainsi que des fonctions de sécurité comme le masquage de données personnelles ou la détection de tentatives d’injection de prompt.

Le marché s’est structuré très vite en 2026, avec des positionnements différenciés :

Acteur Positionnement Point d’attention
LiteLLM Proxy Open Source auto-hébergé supportant +100 fournisseurs. Idéal pour garder le contrôle total des données. Charge d’exploitation interne élevée ; vulnérabilité supply chain identifiée début 2026.
Portkey Gouvernance, observabilité et sécurité avancées pour environnements très réglementés. Racheté par Palo Alto Networks (mai 2026) : évolution produit et politique tarifaire à suivre.
Cloudflare / Vercel Integration native à l’infrastructure edge existante avec très peu d’effort de déploiement. Couplage fort à leur écosystème cloud respectif (risque de vendor lock-in).
Kong AI Gateway Extension d’une API Gateway entreprise établie, unifiant trafic REST classique, IA et protocole MCP. Infrastructures parfois lourdes si l’entreprise ne possède pas déjà l’écosystème Kong.
TrueFoundry / Bifrost / Helicone Pure-players spécialisés sur des niches (souveraineté des données, ultra-basse latence, observabilité). Acteurs de taille plus modeste avec risque fort de consolidation ou de rachat à court terme.

Cette diversité montre que le terme « AI Gateway » recouvre encore des réalités différentes selon l’éditeur : certains sont d’abord des routeurs de coûts, d’autres des plateformes de gouvernance, d’autres des extensions d’API Gateway existantes.

Ce qu’en disent les analystes

Gartner a publié en 2025 et 2026 plusieurs travaux dédiés (Market Guide for AI Gateways et  Market Overview actualisé en 2026) qui positionnent cette couche comme un composant des futures architectures d’IA d’entreprise, chargé de gérer les connexions vers les services d’IA, d’appliquer des politiques de sécurité, de répartir les requêtes entre plusieurs modèles et d’améliorer la visibilité sur les coûts.

Le cabinet inscrit plus largement l’AI Gateway dans son cadre AI TRiSM (Trust, Risk and Security Management), dont il estimait le marché à environ 3,1 milliards $en 2025, avec une croissance annuelle projetée de l’ordre de 35 % jusqu’en 2030. Un chiffre à prendre comme un ordre de grandeur d’analyste plutôt qu’une certitude, la firme elle-même révisant régulièrement ses prévisions à mesure que le marché se consolide.

Le NIST AI Risk Management Framework converge sur le fond. Sans employer le terme « AI Gateway », il insiste sur la nécessité de mécanismes de gouvernance, de traçabilité et de surveillance continue tout au long du cycle de vie des systèmes d’IA. Des fonctions qu’une gateway peut techniquement porter, sans que le référentiel ne prescrive cette architecture en particulier.

La Cloud Security Alliance défend une lecture proche, estimant que la gouvernance de l’IA ne peut plus être traitée uniquement au niveau applicatif.

Ce que l’AI Act rend concrètement nécessaire

L’argument réglementaire mérite d’être précisé, car le calendrier a changé courant 2026.

Le paquet Digital Omnibus, adopté définitivement fin juin 2026, a reporté au 2 décembre 2027 la plupart des obligations pesant sur les systèmes à haut risque de l’annexe III (recrutement, crédit, éducation, justice, biométrie). Reste en vigueur au 2 août 2026 l’essentiel des obligations de transparence de l’article 50 : informer les utilisateurs qu’ils interagissent avec une IA, et identifier les contenus générés ou modifiés par IA.

Pour les systèmes qui resteront soumis au régime haut risque, l’article 12 impose une journalisation automatique et infalsifiable des événements, avec une conservation minimale de six mois (vingt-quatre mois pour la biométrie), et l’article 14 exige une supervision humaine effective.

Ce sont précisément les fonctions ( journalisation centralisée, traçabilité au niveau de chaque appel et points de contrôle humain ) qu’une AI Gateway peut industrialiser à l’échelle de dizaines d’applications, plutôt que de les faire reconstruire par chaque équipe projet. Le règlement précise aussi, dans ses considérants 99 et 100, que dans une chaîne d’agents IA, l’obligation de conformité s’étend à chaque agent exécutant une fonction à haut risque. Un argument de poids pour centraliser la gouvernance plutôt que de la disperser.

Le report ne change donc pas la logique de fond : il retire simplement l’urgence à très court terme, sans annuler la nécessité d’anticiper une architecture capable de produire ces preuves de conformité.

Les limites du concept

Cette convergence d’analyses ne doit pas masquer les zones d’incertitude.

Un marché encore jeune et instable. Le rachat de Portkey par Palo Alto Networks, l’incident de sécurité touchant LiteLLM et le nombre élevé d’éditeurs recensés (plus de 160 selon certains annuaires spécialisés) suggèrent une consolidation rapide plutôt qu’un marché mature. Une DSI qui adopte aujourd’hui une gateway prend un pari sur la pérennité de son éditeur.

Un nouveau point de défaillance unique. Concentrer tout le trafic IA sur une seule couche crée mécaniquement un single point of failure : si la gateway tombe, c’est l’ensemble des applications IA de l’entreprise qui s’arrête, même si les modèles sous-jacents fonctionnent normalement.

Une latence ajoutée, mais généralement marginale. Plusieurs comparatifs indépendants estiment le surcoût d’une gateway bien opérée à quelques millisecondes à quelques dizaines de millisecondes. Ceci est négligeable face à un appel de modèle qui dure plusieurs secondes, sauf en cas de mauvaise implémentation.

Une frontière floue avec l’existant. Une partie des fonctions revendiquées (authentification, quotas, logs) peut aussi être portée par une API Gateway classique déjà en place, ce qui pose la question : faut-il une brique dédiée ou une extension de l’infrastructure API existante ? Les offres de type Kong ou Zuplo, qui fusionnent les deux mondes, illustrent que la frontière entre « API Gateway » et « AI Gateway » n’est pas encore stabilisée.

Le risque de gouvernance en façade. Une gateway journalise et contrôle les flux, mais elle ne résout pas à elle seule les causes profondes des incidents d’IA en entreprise. Gartner estime qu’une large majorité des transactions IA non autorisées proviennent de mauvais usages internes plutôt que d’attaques malveillantes. Un problème davantage organisationnel que technique, qu’un outil ne suffit pas à traiter.

Ce que cela signifie pour les DSI

L’histoire des pare-feu, des API Gateway puis des CASB montre que ces couches d’infrastructure, une fois qu’elles s’imposent, deviennent difficiles à retirer.

Pour une DSI qui déploie aujourd’hui plusieurs modèles et commence à expérimenter des agents, la question n’est plus de savoir si une gouvernance centralisée sera nécessaire, mais quand l’introduire et avec quel degré de couplage à l’infrastructure existante.

Un point de départ raisonnable consiste à cartographier les usages IA actuels et à venir, à évaluer si une extension de l’API Gateway déjà en place suffit à court terme, et à ne s’engager sur un éditeur dédié qu’après avoir mesuré son modèle de sécurité, sa pérennité financière et le degré de lock-in qu’il introduit.

Dans un marché qui se consolide aussi vite qu’il grossit, la prudence sur le choix du fournisseur compte au moins autant que la décision d’adopter la brique elle-même.

Sources :
> Gartner (Market Guide for AI Gateways, 2025 ; Market Overview for AI Gateways, 2026 ; Market Guide for AI Trust, Risk and Security Management, 2025
> NIST AI Risk Management Framework 1.0
> Cloud Security Alliance
> Règlement (UE) 2024/1689 (AI Act)
> Paquet Digital Omnibus adopté fin juin 2026 

The post AI Gateway : la prochaine bataille des infrastructures IA appeared first on Silicon.fr.

AI Act : clés et ressources pour se mettre en conformité

31 juillet 2026 à 18:13

Au 2 août 2026, l’essentiel des dispositions de l’AI Act entreront en application.

C’était l’objectif de l’UE lorsqu’elle avait adopté le règlement, en juin 2024. Depuis, l’omnibus numérique est passé par là. Il a repoussé les principales échéances à 2027 et 2028.

En toile de fond, le retard pris sur deux fronts. D’une part, dans la mise en place des autorités nationales compétentes. De l’autre, dans l’élaboration de normes harmonisées et de spécifications communes. Le CENELEC (Comité européen de normalisation en électronique et électrotechnique) en a la charge. Il était initialement censé rendre sa copie pour août 2025.

Quelques obligations s’appliqueront tout de même à partir du 2 août 2026. Nous les récapitulons ici, ainsi que le reste du calendrier, en combinant la lecture de l’AI Act à celle des lignes directrices, des codes de bonnes pratiques et d’autres instruments que la Commission européenne a publiés.

Quelques concepts structurants de l’AI Act

Modèles d’IA vs systèmes d’IA

Une partie des dispositions de l’AI Act (articles 51 à 55) concernent spécifiquement les modèles d’IA à usage général.

Au-delà de la définition qu’en donne le règlement, les lignes directrices associées détaillent quelques critères indicatifs. Est réputé à usage général un modèle dont l’entraînement a nécessité au moins 1023 flops (seuil de puissance de calcul typique pour former des modèles d’échelle 1B, selon Bruxelles) et qui est capable de générer un langage ou de produire une image ou une vidéo à partir de texte.

Des exceptions sont possibles, typiquement en cas d’incapacité à exécuter un large éventail de tâches distinctes (modèle spécialisé dans l’accroissement de la résolution d’images, par exemple).

La définition que l’AI Act donne du « système d’IA » s’assortit elle aussi de lignes directrices. Elles reprennent in extenso chaque aspect-clé (autonomie, capacité d’adaptation, inférence, etc.). Et formulent quelques exclusions. Parmi elles, les systèmes destinés à accélérer les méthodes d’optimisation traditionnelles (comme la régression linéaire ou logistique), ceux fondés sur l’heuristique classique et ceux traitant des données de base (SGBD filtrant des données sur la base de critères spécifiques, outil de visualisation constituant un tableau de bord par l’emploi de méthodes statistiques…).

Fournisseurs vs déployeurs

Est fournisseur toute personne physique ou morale ou tout organisme qui développe ou fait développer un système ou un modèle et le met sur le marché ou le met en service sous son propre nom ou sa propre marque.

Est déployeur qui utilise un système sous sa propre autorité (les activités personnelles n’entrent pas dans le champ de l’AI Act).

Le règlement définit aussi les rôles d’importateur et de distributeur. Le premier met sur le marché un système qui porte le nom ou la marque d’une personne physique ou morale établie hors UE. Le second fait partie de la chaîne d’approvisionnement qui met un système à disposition dans l’UE.

Par « mise sur le marché », il faut entendre la première mise à disposition d’un système d’IA ou d’un modèle d’IA à usage général dans l’UE.
La mise en service ne concerne que les systèmes d’IA. Il s’agit de la fourniture d’un système en vue d’une première utilisation dans l’UE, directement au déployeur ou pour un usage propre.

Haut risque vs risque systémique

Le règlement définit quels systèmes d’IA sont à haut risque. Parmi eux, ceux qui figurent à l’annexe III. Domaines concernés, dans les grandes lignes :

  • Biométrie (identification à distance, catégorisation, reconnaissance des émotions)
  • Composants de sécurité d’infrastructures critiques
  • Éducation et formation professionnelles (admission, évaluation d’acquis, détection de tricherie…)
  • Emploi (recrutement, évolution professionnelle…)
  • Accès à des services privés et publics essentiels (aides sociales, évaluation de solvabilité, hiérarchisation des interventions d’urgence…)
  • Répression
  • Migration, asile, gestion des contrôles aux frontières
  • Administration de la justice et processus démocratiques (interprétation de la loi, influence sur le comportement électoral…)

Il existe, pour ces systèmes, des exceptions en cas d’absence de risque important de préjudice pour la santé, la sécurité ou les droits fondamentaux. Ce cas peut se présenter, par exemple,  lorsqu’il y a accomplissement d’une tâche procédurale étroite ou amélioration d’une activité humaine préalablement réalisée.

« Composants de sécurité » et « législation d’harmonisation »

Est également à haut risque un système qui remplit les deux conditions suivantes :

  • Destiné à être utilisé comme composant de sécurité d’un produit couvert par la législation d’harmonisation de l’UE (ou constitue lui-même un tel produit)
  • Ce composant, ou le système lui-même en tant que produit, est soumis à une évaluation de conformité par un tiers conformément à la législation d’harmonisation

Cette « législation d’harmonisation » regroupe des directives et règlements sectoriels. L’AI Act en liste, dans son annexe I, une vingtaine, qui ciblent les jouets, les ascenseurs, les dispositifs médicaux, les équipements marins, l’aviation civile, etc.

L’omnibus numérique a précisé la notion de « composant de sécurité » pour éviter que des systèmes d’IA soient faussement classés à haut risque. Il a, en particulier, exclu ceux destinés à remplir uniquement des fonctions liées à l’assistance aux utilisateurs, à l’optimisation des performances, à l’efficacité des services ou encore à l’automatisation.

Autre précision : l’intégration d’un système d’IA dans un produit soumis à la législation d’harmonisation ne signifie pas nécessairement qu’il est un composant de sécurité.

Caractériser le risque systémique sur les modèles d’IA

Des dispositions spécifiques s’appliquent aux modèles d’IA à usage général qui présentent un risque dit systémique. On peut l’atteindre en la présence de « capacités à fort impact ». En l’occurrence, au moins égales aux capacités enregistrées dans les modèles les plus avancés. Il y a risque systémique en l’existence d’effets négatifs réels ou raisonnablement prévisibles sur la santé publique, la santé et les droits fondamentaux et qu’ils peuvent se propager sur la chaîne de valeur.

Les lignes directrices sur les modèles d’IA à usage général donnent un critère indicatif : 1025 flops. Si l’entraînement a nécessité plus de puissance de calcul, on peut présumer un risque systémique. La Commission européenne peut aussi décider qu’il en existe un en examinant les critères listés à l’annexe XIII de l’AI Act (nombre de paramètres, qualité ou taille du jeu de données, modalités d’entrée et de sortie, nombre d’utilisateurs finaux…).

Pour estimer la quantité de calcul utilisée, Bruxelles propose deux approches. Elles se fondent respectivement sur l’architecture et le matériel. Elles imposent d’inclure les ressources utilisées pour générer des données synthétiques. Et pour s’entraîner avec si elles ne sont pas accessibles au public.

Les principales règles déjà en application

Former les utilisateurs

L’article 4 de l’AI Act a fait partie du premier paquet de dispositions à entrer en application (février 2025). Il impose aux fournisseurs et aux déployeurs de former leur personnel et les autres personnes chargées de l’exploitation et de l’utilisation de systèmes d’IA en leur nom. Cela inclut, pour exemple, les entreprises qui permettent à leurs employés d’utiliser ChatGPT.

Le 3 août 2026, les autorités nationales compétentes commenceront officiellement leur surveillance du respect de cette obligation. Il est à noter que l’omnibus numérique a supprimé l’exigence de niveau spécifique (ou « suffisant ») par individu.

La Commission européenne tient un répertoire d’exemples de la manière dont les organisations diffusent une maîtrise de l’IA. Une quarantaine de cas y figurent, dont ceux de Booking.com, Criteo, IBM, Kaspersky, Palantir, SAS et Workday. Cette base a permis de produire un rapport avec l’Alliance pour les compétences en IA (projet financé par Erasmus+).

Pour les PME, Bruxelles recommande de se tourner vers le réseau des pôles européens d’innovation numérique (EDIH). Elle évoque aussi l’Académie des compétences en GenAI – un projet lancé en 2025 dans le cadre du programme pour une Europe numérique… et qui n’a pour le moment pas trouvé de concrétisation.

Pratiques interdites

L’autre « gros morceau » applicable depuis février 2025 est l’article 5. Son objet : les pratiques interdites. La Commission européenne y a là aussi assorti des lignes directrices.

Parmi les exceptions, la reconnaissance des émotions et la surveillance sur le lieu de travail et dans les milieux éducatifs, aussi longtemps que c’est pour des raisons médicales ou de sécurité.

Des exceptions existent aussi, entre autres, pour les œuvres artistiques. Notamment au niveau d’une pratique que l’omnibus numérique a ajoutée à la liste : les contenus à caractère sexuel.

Modèles d’IA à usage général

Après l’échéance de février 2025, il y eut celle d’août 2025. À cette occasion sont entrées en vigueur les dispositions relatives aux modèles d’IA à usage général. Elles touchent à :

  • Documentation technique
  • Communication d’informations aux fournisseurs de systèmes d’IA en aval
  • Politique de conformité au droit d’auteur
  • Résumé public du contenu des données d’entraînement

Il existe des exigences spécifiques en cas de risques systémiques (atténuation de ces risques, documentation des incidents graves, protection en matière de cybersécurité…).

Le 2 août 2026 marquera la fin de la « période de grâce » accordée aux fournisseurs pour se mettre en conformité.

En l’attente de normes harmonisées, le principal instrument de déclaration de conformité est le code de bonnes pratiques de l’IA à usage général. Il comporte trois chapitres : transparence ; droit d’auteur ; sûreté et sécurité. Ce dernier ne s’applique qu’aux modèles qui présentent un risque systémique.

Au dernier pointage, il sont une vingtaine à avoir signé ce code de bonnes pratiques. Nommément,  Accexible, AI Studio Delta, Aleph Alpha, Almawave, Amazon, Anthropic, Black Forest Labs, Bria AI, Cohere, Domyn, Dweve, Fastweb, Google, IBM, Lawise, LINAGORA, Microsoft, Mistral AI, Open Hippo, OpenAI, Pleias, ServiceNow et WRITER. xAI a signé uniquement le chapitre sûreté/sécurité.

Qui modifie un modèle peut devenir son fournisseur

En complément, la Commission européenne a publié des lignes directrices sur la portée des obligations incombant aux fournisseurs de modèles d’IA à usage général. On y apprend que quiconque modifie un modèle – y compris par fine-tuning – peut en devenir le fournisseur. La condition : une modification importante de la généralité, des capacités ou du risque systémique. Là encore, Bruxelles fournit un critère indicatif basé sur la puissance de calcul : plus d’un tiers de celle utilisée pour entraîner le modèle original.

Si le modificateur n’a pas connaissance de cette valeur, on considère le tiers de la puissance au-delà de laquelle un modèle est dit à usage général (soit 1023/3 flops). S’il présente un risque systémique, c’est 1025/3 flops.

En respect du principe de proportionnalité, les obligations du nouveau fournisseur se limitent aux modifications apportées. Et, pour ce qui est du droit d’auteur et de la divulgation du contenu d’entraînement, aux seules données utilisées pour la modification.

La Commission européenne admet que ce critère est essentiellement prospectif. Elle considère plus globalement qu’il est difficile de définir dans quelle mesure une modification produit un modèle distinct. C’est pourquoi en l’état, elle assimle à un unique modèle chaque version issue de la même formation de grande envergure dispensée par le même fournisseur.

Des modèles « anciens » doivent être mis en conformité

Les lignes directrices apportent quelques précisions sur le cas des modèles dont au moins les poids sont publiés sous licence libre et ouverte. Cela suppose des droits de consultation, de modification et de distribution, avec publication d’informations sur l’architecture.

En l’absence de risque systémique, ces modèles échappent aux exigences de documentation technique pour les autorités et d’information des fournisseurs en aval. Mais pas à la mise en œuvre d’une politique de droit d’auteur.

La publication d’une version d’un modèle ouvert peut constituer une mise sur le marché, précisent les lignes directrices. Même chose, de façon plus large, pour toute utilisation interne si elle est essentielle à la fourniture d’un produit ou d’un service à des tiers dans l’UE ; ou si elle porte atteinte aux droits de personnes physiques dans l’UE.

Pour les modèles d’IA à usage général, l’AI Act est rétroactif : ceux mis sur le marché avant le 2 août 2025 devront avoir été mis en conformité le 2 août 2027 au plus tard.

Il n’y a pas de régime comparable pour les systèmes d’IA qui auront été mis sur le marché ou mis en service avant décembre 2027 (pour ceux concernés) ou août 2028 (pour les autres). Sauf s’ils « subissent d’importantes modifications de leur conception ». Ou encore s’ils sont utilisés par des autorités publiques. Auquel cas ils devront être conformes à l’AI Act pour août 2030 au plus tard.
Il y a aussi une exception pour les systèmes d’IA intégrés dans quelques grands SI européens :

  • SI Schegen
  • SI visas
  • Eurodac (données biométriques)
  • Enregistrement des données relatives aux entrées et sorties de ressortissants de pays tiers
  • Information et autorisation concernant les voyages
  • Casiers judiciaires des ressortissants de pays tiers et des apatrides

Les règles qui s’appliquent au 2 août 2026

Transparence des systèmes d’IA et des contenus

Le 2 août 2026 marque l’entrée en application de l’article 50 de l’AI Act. Il établit diverses obligations de transparence aux fournisseurs et aux déployeurs de systèmes d’IA.

Le premier paragraphe concerne les systèmes d’IA destinés à interagir directement avec des personnes physiques. Il impose à leurs fournisseurs de veiller à la bonne information des utilisateurs.

Le deuxième paragraphe impose aux fournisseurs de systèmes génératifs d’associer aux outputs un marquage lisible par machine. En sont exemptés les systèmes qui remplissent une fonction d’assistance pour la mise en forme standard. Même chose pour ceux qui ne modifient pas substantiellement les inputs ou leur sémantique.

Les déployeurs de systèmes générant des deepfakes audio et vidéo (images fixes comprises) doivent indiquer que les contenus ont été générés ou manipulés par une IA. Idem pour les textes publiés dans le but d’informer le public sur des questions d’intérêt public.

Une période de grâce et des exceptions pour le marquage des contenus

La Commission européenne a publié un code de bonnes pratiques sur la transparence du contenu généré. Y adhérer n’équivaut pas à démontrer sa conformité.

Il y est confirmé, en conséquence de l’omnibus numérique, l’application d’une période de grâce jusqu’au 2 décembre 2026 pour le marquage machine dans les systèmes mis sur le marché avant le 2 août 2026.

Le code précise que certaines sorties sont hors du champ des obligations de transparence :

  • Courtes séquences de nombres, symboles ou lettres
  • Code source
  • Sorties traitées uniquement en machine-to-machine sans exposition à des humains
  • Sorties utilisées en boucle fermée dans un contexte industriel ou de développement produit (exemple : production d’un film)

Aucune technique ne marquage ne satisfait pour l’instant aux 4 critères qu’énonce l’AI Act (efficacité, interopérabilité, robustesse, fiabilité). Il faut donc en combiner. Le code de bonnes pratiques suggère d’associer métadonnées signées et filigrane invisible. Il ajoute le fingerprinting comme méthode optionnelle.

Le texte libre ne pouvant transporter de métadonnées, une couche unique est considérée comme suffisante. Même chose pour les systèmes génératifs embarqués dans des produits physiques intégrés dans un environnement fermé, techniquement contrôlé et de nature principalement instructive.

Détection des contenus : l’Europe impose la gratuité… avec des limites

Pour compenser la fiabilité potentiellement moindre des filigranes sur le texte libre, les fournisseurs concernés peuvent restreindre à des utilisateurs experts l’accès à la solution de détection correspondante. Dans tous les cas, ils implémenteront préférentiellement l’apposition du filigrane au niveau du processus d’inférence plutôt que par après. Objectif : faciliter la mise en conformité des fournisseurs de systèmes d’IA en aval.

Pour la mise à disposition de la solution de détection, trois possibilités : spécification, logiciel (exécutable ou bibliothèque) ou service par API. Elle se fera gratuitement… avec la possibilité de facturer des « frais raisonnables » pour les systèmes d’IA qui ont au moins 1 million d’utilisateurs actifs par mois, dans le cas où les requêtes d’un utilisateur dépasseraient un « seuil raisonnable ».

Les fournisseurs sont invités – sans y être obligés – à intégrer des informations de provenance (nom du système d’IA, modèle utilisé…). Et à donner aux déployeurs de quoi appliquer eux-mêmes, à la génération, des étiquettes visibles. Autre option mentionnée : un mécanisme de détection forensique des contenus dont on aurait supprimé le marquage.

L’étiquetage des deepfakes en pratique

La deuxième section du code de bonnes pratiques couvre l’étiquetage des deepfakes par les déployeurs.

Si une divulgation visuelle est possible, l’étiquette doit comprendre, comme élément principal, une icône « AI ». Sauf si l’usage de l’anglais est incompatible avec la législation nationale sur l’usage linguistique dans les affaires commerciales ou administratives. Les lettres auront la même dimension verticale. Bruxelles encourage à intégrer, dans l’icône ou à côté, des mentions de type « modifié » ou « généré ».

Pour les contenus audio, on intégrera un avertissement audio au début. Soit en anglais, soit dans la langue du contenu. En prévision des modifications en aval, on répétera cet avertissement régulièrement, au minimum après les interruptions.

Dans tous les cas, l’étiquette devra rester visible assez longtemps pour que l’utilisateur la remarque. On l’intégrera dans le contenu sauf si des mécanismes équivalents – type surcouche UI – sont disponibles. Pour les textes courts, il est possible d’utiliser une notification contextuelle afin d’éviter de dégrader le contenu.

Une boîte à outils pour préparer les échéances 2027-2028

Les exigences pour les systèmes d’IA à haut risque figurant à l’annexe III ne s’appliqueront qu’en décembre 2027. Ce sera en août 2028 pour les autres (composants de sécurité, en lien avec l’annexe I).

En attendant, la Commission européenne propose un outil dit « vérificateur de conformité ». En bêta et en anglais, il permet plus exactement de comprendre, en répondant à une série de questions, quelles règles sont susceptibles de s’appliquer à un modèle ou à un système d’IA donné.

La boîte à outils de Bruxelles comprend aussi l’AI Act Explorer. En fait un tableau de bord avec moteur de recherche, table des matières par chapitre et grilles de considérants et d’annexes.

S’y ajoutent une compilation de FAQ (à moitié traduite en français) et un service d’assistance (formulaire de contact avec le Bureau de l’IA, accessible avec un login UE).

On retrouve l’ensemble sur un guichet centralisé : la « plate-forme unique d’information sur l’AI Act ».

La compilation de FAQ fait référence aux agents IA. Un terme « pas défini juridiquement et utilisé pour plusieurs types d’artefacts ». Il faut toutefois considérer que les règles de l’AI Act s’y appliquent.

Parmi les autres références, les fameuses « small caps » (« petites entreprises à moyenne capitalisation »). Elles ne sont pas des PME au sens du droit européen, mais occupent moins de 750 personnes et affichent moins de 150 M€ de CA annuel et/ou moins de 129 M€ de bilan annuel. L’omnibus numérique les rend bénéficiaires de certains allégements que l’AI Act avait d’abord réservés aux PME. Par exemple, une documentation technique simplifiée.

L’omnibus numérique, de petits en grands allégements

L’omnibus numérique a eu comme autre effet d’exempter l’IA industrielle d’une bonne partie du règlement. Le levier : un basculement de la section A à la section B de l’annexe I. Cela l’exclut notamment de certains scénarios ou le fabricant d’un produit peut être considéré comme fournisseur du système d’IA embarqué.

Autre allègement : la limitation des obligations pesant sur les systèmes d’IA à haut risque dans le cas où la législation d’harmonisation (annexe I, section A) prévoit un niveau de protection de la santé, de la sécurité ou des droits fondamentaux au moins équivalent à celui que prévoit l’AI Act. Il appartient à la Commission européenne d’adopter, d’ici à août 2027, des actes délégués pour préciser les systèmes d’IA concernés.

Données sensibles et tests en conditions réelles : un accès élargi

L’omnibus numérique a aussi élargi l’autorisation exceptionnelle de traitement de données sensibles pour la détection et la correction de biais. Le texte d’origine l’octroyait aux fournisseurs de systèmes d’IA à haut risque. Amendé, il la confère désormais également aux fournisseurs et déployeurs d’autres systèmes et modèles d’IA. Reste la condition que les biais puissent attenter à la santé, à la sécurité ou aux droits fondamentaux.

Les déployeurs de l’essentiel des systèmes d’IA cités dans l’annexe III ont droit à un « coup de pouce » pour leurs analyses d’impact sur les droits fondamentaux. Ils peuvent dorénavant y inclure des renvois vers les analyses d’impact sur les données personnelles.
Dans le même esprit de simplification, les systèmes d’IA à haut risque qui remplissent certaines exigences du règlement cyberrésilience sont réputés conformes aux exigences de cybersécurité de l’AI Act.

L’omnibus numérique étend par ailleurs les possibilités d’essai de systèmes d’IA en conditions réelles hors des bacs à sable réglementaires. Ce qui était jusque-là autorisé aux fournisseurs des systèmes d’IA listés en annexe III le devient pour ceux de l’annexe I. Un test peut durer jusqu’à 12 mois (6 mois prolongeables).

Illustration générée par IA

The post AI Act : clés et ressources pour se mettre en conformité appeared first on Silicon.fr.

PC IA : le NPU, emblème d’un marché qui se cherche encore

6 juillet 2026 à 12:49

« PC IA ? Non, je ne sais pas ce que c’est. »

On l’aura – très – souvent entendu aux journées B2B du salon Viva Tech. Nous avions choisi l’événement pour « prendre la température » sur ce concept vieux comme ChatGPT ou presque.

Quelques semaines après le lancement du chatbot, le CES 2023 avait effectivement donné un premier élan. Par exemple avec l’annonce de Ryzen AI. Le mouvement s’était accéléré en 2024, lorsque Microsoft avait lancé le label « Copilot+ PC ». Pour en bénéficier, une machine doit, en particulier, embarquer un NPU suffisamment puissant.

AMD, Intel, Qualcomm : la bataille des TOPS

Les NPU (Neural Processing Units) sont des processeurs spécialisés dans les multiplications de vecteurs et de matrices, opérations fondamentales au sein des réseaux de neurones. Ils les traitent plus efficacement que les GPU, en contrepartie d’une moindre flexibilité et surtout d’un outillage encore bien moins mature.

Leurs performances sont traditionnellement communiquées en TOPS. C’est-à-dire en milliers de milliards d’opérations par seconde… en simple précision (entiers 8 bits), alors que les GPU travaillent généralement en virgule flottante. Le label « Copilot+ PC » impose un seuil à 40 TOPS. Au départ, seul Qualcomm l’atteignait, avec ses puces Snapdragon X. AMD et Intel s’aligneraient quelques mois plus tard avec, respectivement, Strix Point et Lunar Lake-V.

AMD à 60 TOPS avec les Ryzen AI 400

La famille Strix Point fut annoncée en juillet 2024. Elle comprend essentiellement la gamme Ryzen AI 300, destinée aux notebooks, avec un TDP de base de 28 W. AMD y a intégré la deuxième génération de ses NPU XDNA, basés sur la technologie de Xilinx (acquis en 2022). Il les annonce à 50 TOPS. Avec les Ryzen AI 400 (Gorgon Point, 28 W également), annoncés en janvier 2026, le seuil a été relevé à 60 TOPS.

AMD Ryzen AI 300
© AMD

Intel à 45 TOPS avec les Core Ultra 200V

La famille Lunar Lake-V, lancée en septembre 2024, cible aussi les notebooks (17-30 W), sous la marque commerciale Core Ultra 200V. Intel y a intégré un NPU à 45 TOPS également fruit d’une acquisition (Movidius, 2016). C’est pour le moment une exception à son catalogue. Ses autres processeurs Core Ultra Série 2 en restent à :

  • 12 TOPS NPU pour Arrow Lake-U (15 W)
  • 13 TOPS NPU pour Arrow Lake-H (28-45 W)
  • 13 à 36 TOPS NPU pour Arrow Lake-S (35-125 W)
Intel Core Ultra 200V
© Intel

Qualcomm à 45 TOPS avec les Snapdragon X… et 85 avec les X2

Avec les Snapdragon X (Elite annoncés en octobre 2023, puis Plus en avril 2024), Qualcomm est aussi à 45 TOPS, pour des TDP de base entre 23 et 35 W. Depuis, il est passé à 80 avec les Snapdragon X2 Plus (janvier 2026) et 85 avec les X2 Elite (septembre 2025).

Qualcomm Snapdragon X2 Elite
© Qualcomm

Récapitulatif sur les dernières générations de processeurs mobiles :

Plate-forme Puissance NPU maximale
Ryzen AI 300 50 TOPS
Ryzen AI 400 60 TOPS
Core Ultra 200V 45 TOPS
Snapdragon X 45 TOPS
Snapdragon X2 85 TOPS

La mémoire unifiée, adoptée mais pas systématisée sur les PC IA

Au-delà de la puissance pure du NPU, l’exécution des modèles d’IA est tributaire de la quantité de mémoire. Mais aussi de sa bande passante. Pour accroître cette dernière, des architectures unifiées ont émergé : à l’instar de ce qui se fait sur Apple Silicon, la RAM est placée sur le SoC et partagée entre tous les processeurs. AMD l’a implémenté dans les puces Halo ; pas dans les Point. Intel ne l’a intégré que dans les Lunar Lake-V… en attendant peut-être Razor Lake, destiné à concurrencer les Halo.

Apple M5
En bande passante mémoire, Apple garde une longueur d’avance avec ses dernières puces (153 Go/s sur la M5 ; 307 Go/s sur la M5 Pro ; 614 Go/s sur la M5 Max). © Apple

Chez Qualcomm, tous les Snapdragon X ont de la mémoire unifiée. Au fil des générations, la bande passante théorique croît en conséquence de l’intégration de mémoire plus rapide. Les X Plus et Elite, avec leur LPDDR5X-8448, atteignent 135 Go/s sur le papier. La génération X2 passe à 152 Go/s avec sa LPDDR5X-9523. Les X2 Elite Extreme font même mieux (228 Go/s) grâce à un bus 192 bits.

En termes de capacité mémoire maximale, AMD a mis la barre à 128 Go sur Strix Halo, 192 Go sur Gorgon Halo et 256 Go sur Strix Point / Gorgon Point. Chez Intel, c’est 32 Go pour Lunar Lake-V et 96 Go sur les Arrow Lake. Qualcomm est à 32 Go pour le X Plus, 64 Go pour le X Elite et 128 Go pour les autres.

Pour l’ensemble de ces plates-formes, la quantité de mémoire exploitable en tant que VRAM varie en fonction des BIOS et des systèmes d’exploitation.

Récapitulatif :

Plate-forme Capacité mémoire maximale
Ryzen AI 300 / 400 256 Go
Lunar Lake-V 32 Go
Snapdragon X / X2 32 Go (X Plus)
64 Go (X Elite)
128 Go (X2 Plus et Elite)

OpenVINO, Ryzen AI, QAIRT… Autant de toolkits que de NPU

Ce qui varie aussi beaucoup, c’est le modèle de programmation des différents NPU : à chacun sa boîte à outils, là ou « GPU » est largement synonyme de « CUDA ».

Chez Intel, les NPU sont inclus aux côtés des CPU, des GPU et des FPGA dans le toolkit OpenVINO. Celui-ci a été doté d’extensions spécifiques aux modèles génératifs (quantification, encapsulation du cache clé-valeur, exécution spéculative…). Intel lui a adjoint un catalogue de modèles prêts à l’emploi sur ses NPU. On y trouve du ML classique (MobileNet pour détecter des objets, AlexNet pour classer des images…) et des LLM (généralement moins de 10B : Gemma 7B, Llama-3.2-1B, Phi 2…). En plus de la compatibilité Windows, un pilote Linux est disponible à partir du noyau 6.6.

Chez AMD, la pile Ryzen AI Software (pour Windows et Linux) s’appuie sur le runtime ONNX, là aussi doté d’extensions GenAI. Le SDK Lemonade offre une couche d’abstraction, avec une API Python et une interface serveur (API REST). À plus bas niveau, il y a une API C++ qui permet notamment l’exécution hybride des modèles génératifs (utilisation du NPU pour la phase de préremplissage et du GPU pour le décodage). AMD a également un catalogue de modèles prêts à l’emploi. Certains optimisés pour la longueur de contexte (fenêtre de 16k), d’autres pour la performance (en échange d’une fenêtre réduite à 4k). Au serveur Lemonade peut se greffer un back-end spécifique aux NPU XDNA : FastFlowLLM. Il gère Linux depuis peu.

Ryzen AI Software
© AMD

Qualcomm développe ses NPU sous la marque Hexagon, qu’il utilisait déjà depuis 2007 pour ses DSP (processeurs de traitement des signaux). Un choix pas anodin : pour lui, les premiers descendent des seconds. C’est simplement « l’architecture qui a changé » (fusion des unités de calcul scalaire, vectoriel et matriciel, avec mémoire partagée). Le toolkit pour les programmer s’appelle QAIRT (Qualcomm AI Runtime). Il comprend, au plus bas niveau de la pile, des interfaces C et C++. Au plus haut niveau, un SDK Neural Processing. Entre les deux, un autre SDK, plus granulaire avec par exemple des bibliothèques par accélérateur, mais qui abstrait des éléments comme le partitionnement réseau. Une passerelle avec Amazon SageMaker existe pour le fine-tuning avant déploiement local.

QAIRT

Foundry on Windows, promesse d’un socle commun pour l’IA locale

Microsoft tente d’unifier les choses avec Foundry on Windows (ex-Copilot Runtime). Sous cette bannière, il pousse trois options pour l’IA locale* : des API, des LLM prêts à l’emploi et le framework d’inférence Windows ML.

Les API – une dizaine – permettent la reconnaissance vocale, l’OCR, le traitement d’images (description, segmentation, upscaling…) et l’accès au LLM Phi Silica de Microsoft – avec des optimisations pour les NPU, comme la compression des requêtes. Principalement réservées aux Copilot+ PC, elles ont d’abord ciblé exclusivement les NPU. Elle commencent à s’ouvrir aux CPU (speech-to-text et upscaling vidéo) et aux GPU (Phi Silica). Les modèles correspondants sont téléchargés à l’exécution et ensuite partagés entre les applications. Lesquelles ne sont, par ailleurs, pas obligées de packager de runtimes ou de pilotes.

La deuxième option, dite Foundry Local, permet de surentraîner Phi Silica avec la méthode LoRA. Elle donne aussi accès, y compris sur les PC Windows 10, à quelques dizaines de LLM ouverts (pesant de 100 Mo à environ 10 Go) préoptimisés. Seuls quelques-uns le sont pour les NPU. Il s’agit essentiellement de modèles Phi (3 Mini, 4 Mini, 4), Qwen (Coder, Instruct) et DeepSeek (R1-Distill-Qwen-7B). Les autres s’exécutent sur (Web)GPU et éventuellement sur CPU (Ministral, Nemotron, Olmo…).

Windows ML est une distribution du runtime ONNX. Succédant à l’API DirectML, il automatise la sélection de la puce adéquate pour l’inférence, la récupération des fournisseurs d’exécution (abstractions des back-ends) et le maintien à jour de l’ensemble via Windows Update. L’exécution des modèles génératifs y est officiellement encore en preview.

Foundry on Windows

Forces et faiblesses des NPU

En 2024, peu après le lancement des premiers Copilot+ PC, une étude de l’université de Californie du Sud sur un SoC Intel avait mis en lumière les points forts et les points faibles des NPU. Elle les avait comparés aux CPU et aux GPU sur deux disciplines. D’un côté, l’algèbre linéaire (produit matriciel, produit scalaire et produit matrice-vecteur). De l’autre, les réseaux de neurones, avec classification de vidéos (MobileNetV2), analyse de séries chronologiques (réseau LTSM non spécifié) et traitement du langage naturel (TinyLlama).

L’accès direct à la mémoire a des avantages…

L’accès direct à la mémoire a donné au NPU une belle longueur d’avance dans le calcul des produits matrice-vecteur, la réutilisation de données étant minimale. Même situation pour les produits scalaires, a fortiori vu le poids de la synchronisation finale.

latence calcul matriciel
© Rakshith Jayanth, Neelesh Gupta, Viktor Prasanna

En revanche, sur les produits matriciels, le GPU a pris l’avantage au-delà d’une certaine taille de matrice, l’opération devenant de plus en plus dépendante de la capacité de calcul.

latence matrice-vecteur
© Jayant et al.

… et des inconvénients

Pour la classification vidéo, en précision simple ou double (INT8 ou FP16), le NPU a l’avantage lorsqu’on est sur du traitement séquentiel. Par lots, le rapport s’inverse à partir d’un batch size de 8.
Avec le LTSM, le GPU est nettement meilleur. L’irrégularité des accès mémoire handicape le NPU, qui doit rafraîchir à chaque fois son mapping DMA.

MobileNetV2
© Jayanth et al.

Le NPU reprend l’avantage avec TinyLlama. Il n’est pas à son aise sur la phase de préremplissage, dominée par des multiplications matricielles. Mais le gros des opérations se trouve sur la phase de décodage, quant à elle riche en produits matrice-vecteur.

Les NPU, pas fans du traitement par lots

Le problème des accès mémoire irréguliers se retrouve dans un comparatif plus récent (juin 2026). Support de test : un système embarqué avec NPU Hexagon et GPU Ada. On y a fait tourner Qwen-2.5-7B et Llama-3-8B (ainsi qu’une variante 3B distillée).

Tant qu’on traite des inputs fixes, le NPU est plus performant. Ou plus économique, selon le point de vue (- 60 % d’énergie par rapport au GPU à débit égal). Les choses changent quand on passe sur des entrées de longueur variable (32 à 2048). En INT8, la performance du GPU baisse de 12 %… contre 41 % pour le NPU. Un effet accentué quand on ajoute l’aspect traitement par lots : avec un batch size de 16, le GPU conserve 78 % de son débit séquentiel, tandis que le NPU tombe à 34 %. La faute notamment à une mauvaise gestion du padding : face à des tenseurs hétérogènes, l’exécution passe en séquentiel, avec reconfiguration interne entre les requêtes.

Génération de texte sur NPU : combien de tokens par seconde ?

FastFlowLLM a fait ses propres mesures, en génération de texte, sur une APU Ryzen AI 350 à 32 Go de RAM. Les fenêtres de contexte ont été limitées par le fait que le NPU ne pouvait pas accéder à plus de 50 % de la mémoire système. On rappellera qu’un token = ¾ de mot, d’après le décompte d’OpenAI.

Les résultats sur la phase de décodage :

Modèle Débit maximal (fenêtre de contexte) Débit minimal (fenêtre de contexte)
LLaMA 3 1B 64,5 tokens/seconde
(1k)
13,6 tokens/seconde
(128k)
LLaMA 3 3B 26,3 tokens/seconde
(1k)
9 tokens/seconde
(64k)
LLaMA 3 8B 12,8 tokens/seconde
(1k)
8,5 tokens/seconde
(32k)
Gemma 4 E2B 22,6 tokens/seconde
(1k)
10,1 tokens/seconde
(32k)
Gemma 4 E4B 12,6 tokens/seconde
(1k)
9 tokens/seconde
(32k)
Qwen-3.5-0.8B 39,2 tokens/seconde
(1k)
21,6 tokens/seconde
(32k)
Qwen-3.5-2B 26,8 tokens/seconde
(1k)
17 tokens/seconde
(32k)
Qwen-3.5-4B 15 tokens/seconde
(1k)
9,6 tokens/seconde
(32k)
Qwen-3.5-9B 9,3 tokens/seconde
(1k)
6,9 tokens/seconde
(32k)
gpt-oss-20b 18,2 tokens/seconde
(1k)
5,7 tokens/seconde
(128k)
Phi-4-mini 21,8 tokens/seconde
(1k)
11,2 tokens/seconde
(32k)

Audio, graphisme, cybersécurité, accessibilité… Les logiciels s’emparent des NPU

Tous ces résultats en témoignent : avec leur pipeline plus rigide que celui des GPU, les NPU se prêtent avant tout aux charges de travail dont les patterns sont prévisibles. Les éditeurs de logiciels ont œuvré dans ce sens. Par exemple :

  • Norton pour la détection des deepfakes audio
  • Adobe pour la catégorisation des contenus audio dans Premiere Pro
Adobe
© Adobe
  • Moises pour la séparation de voix et d’instruments
Moises
© Moises
  • CapCut pour le sous-titrage, la synthèse vocale et la suppression d’arrière-plan
  • Blender pour un plug-in de conversion 2D <-> 3D

Blender

  • Capture One pour le détourage, la retouche de visage et l’étalonnage des couleurs
  • Cephable pour ses technologies d’assistance (contrôle vocal et gestuel)

Microsoft a suivi la même logique, en se concentrant sur des tâches « temps réel », sensibles à la latence. Tout particulièrement pour la communication (« effets Windows Studio »). Certaines fonctionnalités sont réservées aux Copilot+ PC (flou de portrait, focus vocal, filtres créatifs…). D’autres sont disponibles avec les NPU de la « génération 10 TOPS » (floutage d’arrière-plan, cadrage automatique, correction du regard…).

Windows Studio Effects
© Microsoft

Les fabricants de PC IA intègrent leurs propres services – parfois à base de NPU

Les principaux fabricants de PC ont leur propre déclinaison de ces fonctionnalités. Illustration chez Acer, qui les propose sous les marques Purified View et Purified Voice. Il tire aussi parti de l’efficacité énergétique des NPU pour effectuer une tâche continue en arrière-plan : la détection de présence (User Sensing). Avec trois usages : verrouiller/déverrouiller automatiquement le PC, rappeler à l’utilisateur de prendre une pause après un certain temps passé devant l’écran et l’avertir s’il n’est pas à bonne distance.

Acer User Sensing
© Acer

Le catalogue « IA locale » d’Acer inclut aussi de la création d’images et un assistant généraliste à base de LLM. Mais ces fonctionnalités exigent un GPU.

Acer Creator Space
© Acer

ASUS a opéré une segmentation similaire. Des fonctionnalités comme la suppression de bruit, la luminosité adaptative se contentent du NPU. Alors que StoryCube (gestion multimédia) et MuseTree (génération d’images) nécessitent au minimum une carte GeForce RTX 4050.

ASUS StoryCube
© ASUS

Des studios de développement…

Sur son microsite dédié aux PC IA, ASUS communique d’ailleurs les TOPS GPU en plus de ceux du NPU. Il met aussi en avant son toolkit d’inférence AI SuperBuild, développé avec Intel et validé sur ses NUC. Permettant de convertir, de déployer et d’évaluer des modèles, il inclut la gestion de bases de connaissances et une marketplace de serveurs MCP.

ASUS AI SuperBuild
© ASUS

Dell a aussi son toolkit : Dell Pro AI Studio. Il expose des API compatibles OpenAI et donne accès à un catalogue de modèles optimisés. Certains pour les GPU (Devstral Small, Gemma 3, Granite 4…), d’autres pour les NPU (CLIP, Whisper, Phi 4…). S’y ajoignent deux guides de référence pour développer sur NPU. L’un traite de la recherche vocale d’images avec CLIP et Whisper. L’autre, du RAG avec LLaMA, LangChain, Chroma et Nomic.

Dell Pro AI Studio
© Dell

… et des « ChatGPT locaux »

Pas de tel attirail chez HP. Mais, pour l’utilisateur final, un service référent : AI Companion. Il réunit trois briques : chatbot à usage général, gestion de connaissances et optimiseur de performance (accompagné d’une assistance à l’ajustement des paramètres et au dépannage). Réservé aux Copilot+ PC, il a un mode cloud (GPT-4o) et un mode local (Phi 3.5) qui nécessite 32 Go de RAM.

HP AI Companion
© HP

Depuis cette année se diffuse, sous la marque HP IQ, une approche moins liée aux Copilot+ PC. Elle reprend l’aspect chatbot et analyse de fichiers, y ajoutant une composante de prise de notes, une « mémoire organisée » fondée sur l’historique des interactions… et plus globalement une forme d’orchestration. Celle-ci se manifeste en une UI censée faire remonter les « actions et contrôles pertinents », avec gpt-oss-20b en back-office.

HP IQ
© HP

Chez Lenovo, le « compagnon IA » s’appelle AI Now. Reposant sur LLaMA 3 pour la partie locale, il nécessite un GPU (intégré avec 24 Go de VRAM ou dédié avec 16 Go). Il reprend le triptyque chat / base de connaissances / paramétrage du PC. Plusieurs services IA plus « spécialisés » en dépendent. Par exemple Learning Zone (aide à l’apprentissage : transcription, synthèse, création de quiz…).

Lenovo AI Now
© Lenovo

NVIDIA, un quatrième larron attendu à l’automne dans les PC IA

Le serveur d’inférence Llama.cpp gère depuis peu les NPU Intel à travers le back-end OpenVINO. La prise en charge des NPU de Qualcomm reste expérimentale. Elle est au contraire effective sur AnythingLLM, à commencer par le modèle d’embedding utilisé par défaut.

NVIDIA travaille avec llama.cpp pour activer des optimisations spécifiques de type décodage spéculatif (prédiction multitoken)… en vue de son arrivée sur le segment des PC IA. Ce devrait être à l’automne 2026, avec la puce RTX Spark. Issue d’une collaboration avec MediaTek, elle associe CPU Grace, GPU Blackwell RTX et mémoire unifiée (jusqu’à 128 Go). Pas de NPU à proprement parler, donc. Ce mouvement fait écho à celui d’Apple, qui, pour ses puces M5, a intégré un accélérateur neuronal dans chaque cœur GPU.

NVIDIA RTX Spark
© NVIDIA

Revendiquant une puissance théorique d’un pétaflops (en précision 4 bits), NVIDIA promet une « IA agentique locale ». Dans cette optique, il a associé des primitives de sécurité à son runtime OpenShell. Et étendu la disponibilité de son blueprint NemoClaw.

Copilot, mais pas que : Microsoft décentre (un peu) sa vision
L’évolution de Copilot Runtime vers Foundry on Windows marque une certaine ouverture, à la fois à d’autres machines que les Copilot+ PC et à d’autres services IA que ceux de Microsoft.

Ce dernier a même commencé à supprimer, sur Windows, des points d’entrée vers Copilot (bloc-notes et outil de capture d’écran, par exemple). Et fourni aux entreprises une GPO pour désinstaller l’assistant.

Il a aussi promis une mise à jour qui permettra de remapper la touche Copilot sans avoir à passer par des outils tiers comme PowerToys ou AutoHotKey.

* Microsoft pousse aussi, avec Intel, l’API WebNN. Elle utilise ONNX Runtime Web ou LiteRT.js. Configuration minimale : un processeur Core de 11e génération (Tiger Lake) et 8 Go de mémoire.

Illustration principale générée par IA

The post PC IA : le NPU, emblème d’un marché qui se cherche encore appeared first on Silicon.fr.

❌
❌