❌

Vue normale

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

Anthropic, Cursor, GitHub, OpenAI : 4 approches pour passer Git à l’échelle agentique

9 novembre 2026 à 11:07

À l’échelle agentique, un système où chaque nœud héberge une copie complète et autonome de l’historique Git n’est plus viable.

Anthropic, Cursor, GitHub et OpenAI s’accordent sur ce point. Chacun a entrepris de faire évoluer son système de gestion de versions en abandonnant le modèle purement décentralisé.

Anthropic abandonne Git pour un système propriétaire

Sur son monorepo interne, Anthropic est passé d’environ 2500 merges par jour en mai 2026 à plus de 30 000 en septembre. Avec un historique principal avoisinant 100 Go et près de 25 millions d’extractions quotidiennes pour le CI, l’utilisation classique de Git aurait exigé de transférer plus de 600 Po de données par jour. Le palliatif consistant à exécuter des centaines de miroirs et de snapshots de dépôts sur stockage objet était devenu ingérable.

Anthropic a opté pour une rupture avec Git. Il l’a remplacé par un système maison baptisé Scion et développé en 5 mois.

Exit, donc, le modèle décentralisé. Le serveur gère les opérations lourdes (merges, rebases, création des commits…) tandis que le client local se résume à une couche légère gérant un cache borné et la matérialisation à la demande des fichiers sur le disque.

Contrairement à un commit Git pointant vers un arbre complet d’objets, le changeset de Scion ne stocke que la liste des fichiers modifiés par rapport au premier parent. Cette liste est associée à des pointeurs adressés par contenu vers des blobs compressés.

Une approche asymétrique par changesets et caches hiérarchiques

De Git, Scion supprime aussi les packfiles. Il n’utilise, en parallèle, aucune copie totalement matérialisée du dépôt. La création d’un changeset s’effectue en temps proportionnel à la taille de la modification – et non à la taille du dépôt. Les références globales (branches, tags) sont strictement découragées hors de la branche principale ou des versions. Leur mise à jour se fait par CAS (compare-and-swap) sur une ligne de base Spanner.

Pour calculer rapidement le blame ou les graphes de commits, Scion génère des « données dérivées » (skip lists, index de chemins) définies récursivement et calculables à la demande. Le système expose ces primitives par API. CI et outils internes peuvent ainsi effecteur des requêtes sans cloner en local.

Le client communique via un socket avec un démon de nœud qui interroge des caches mémoire régionaux. Ces derniers s’alimentent auprès de serveurs d’autorité adossés à Spanner et au stockage objet. Un hiérarchie qui isole les pannes et supprime les protocoles de négociation de Git.

Anthropic affirme que cette infra consomme 200 fois moins de ressources calcul et mémoire que son ancienne flotte Git. Il ajoute que la CI a gagné 25 % de capacité CPU, avec des checkouts qui s’effectuent désormais en quelques secondes.

Source de vérité Spanner et GCS
Modèle de cohérence Append-only (changesets) sur Spanner, données dérivées asynchrones
Écritures Aucun push, commits créés côté serveur sans verrou
Format de transfert Arbres et blobs individuels adressés par contenu
Compaction Éliminée (aucun packfile, aucun repacking)

Cursor emploie un WAL S3 comme source de vérité unique

Cursor a conservé le format de stockage et les outils natifs de Git sur disques NVMe locaux. Pour surmonter les limites de Spokes (architecture historique de réplication de GitHub), il a conçu un moteur alternatif nommé Continuity. Il l’a appliqué à son monorepo et à une flotte de micro-dépôts.

Son architecture est centrée sur un concept propre à S3 : les journaux d’écriture anticipée (WAL, Write-Ahead Logs). Lesquels consistent, dans les grandes lignes, à stocker plusieurs objets dans un même fichier de manière séquentielle. Ici, chaque push prend la forme d’une entrée de WAL distincte. Aucun push n’est acquitté tant qu’il n’est pas persisté sur S3. Un fichier d’index de WAL mis à jour par CAS linéarise chaque transaction.

Les répliques sur disques NVMe locaux ne sont que des caches qu’on réhydrate depuis le WAL. La localisation des dépôts ne dépend pas d’une base relationnelle centrale. Si un nœud tombe ou qu’un dépôt n’est pas présent localement, il est matérialisé depuis le WAL.

N’importe quel nœud peut recevoir une écriture et agir comme primaire. L’atomicité du CAS sur S3 garantit l’intégrité. La propagation des lectures se fait via un commérage UDP, chaque réplique vérifiant son état contre la source de vérité.

Continuity monte à 120 pushs par seconde sur S3 Standard ; à plus de 300 avec S3 Express One Zone. On atteint ensuite la limite intrinsèque de vitesse de compaction Git sur disque. En lecture, le système a démontré une montée en charge linéaire jusqu’à 100 répliques sans impacter les écritures.

Source de vérité WAL S3
Modèle de cohérence Stricte et linéarisable via index S3
Écritures Locale + S3 en parallèle, linéarisée par CAS sur l’index S3
Format de transfert Packfiles classiques
Compaction Repackaging asynchrone sur répliques découplées

OpenAI opte pour la cohérence causale…

En deux ans, le volume de commits atterrissant sur la branche master du monorepo d’OpenAI a été multipliée par 25 environ. La fiabilité du contrôle de version était passée sous les 90 %. En 10 semaines, l’entreprise a développé Pando.

Ce back-end rejette l’idée qu’un serveur doit fournir un état cohérent de l’ensemble des branches à un instant T lors d’un clone ou d’un fetch. Les mises à jour de chaque branche sont indépendantes et sérialisables individuellement, mais Pando remplace le snapshot global par un modèle de cohérence causale. Un client qui récupère une branche respecte l’historique de l’auteur qui l’a créée, sans que le système impose d’ordre d’interclassement global avec les branches non liées. Deux clients qui lisent différentes branches au même moment peuvent donc voir des versions décalées dans le temps.

Traditionnellement, chaque fetch oblige le serveur à calculer dynamiquement la différence entre les objets que détient le client et ceux demandés. Puis à compresser un packfile sur mesure. Pando réutilise des packfiles immuables préexistants. Les serveurs n’ont par conséquent plus à recalculer de deltas à la volée.

Lors d’un push, le packfile qu’envoie le client est validé en une seule passe et streamé directement vers le stockage objet, sans déballage local. Une transaction enregistre une « version de référence » dans le magasin de métadonnées et bascule le pointeur de la branche de façon atomique. Lors de la phase de négociation du push, Pando n’annonce pas l’intégralité de ses branches. Cela évite de créer des packs trop interdépendants ou trop fragmentés.

… et pour des packfiles réutilisables

Pour transférer les données, Pando utilise packfile-url, directive Git qu’OpenAI a perfectionnée en amont dans le projet open source. Lors d’un fetch, la réponse HTTP principale renvoie un packfile vide accompagné d’une liste d’URI pointant vers les packfiles requis. Les clients téléchargent ces packs depuis Express, un service de cache régional distribué. Cela permet de maximiser l’usage de la bande passante réseau sans solliciter le CPU sur le serveur.

Chaque push génère un pack de niveau L0. Des processus en tâche de fond regroupent géométriquement l’ensemble des packs en couches supérieures (L1 à L4) pour améliorer la compression et accélérer les extractions.

OpenAI explique que Pando a réduit la latence médiane des pushs de près de 80 %. Et qu’il permet de délivrer près de 1 Po de données Git par jour avec « une poignée » de cœurs CPU.

Source de vérité Stockage objet immuable + magasin de métadonnées
Modèle de cohérence Cohérence causale
Écritures Streaming direct vers le magasin d’objets sans décompression locale
Format de transfert Packfile vide inline + URI de packfiles précompressés réutilisables
Compaction Hiérarchique multiniveaux façon LSM-Tree (L0 à L4)

GitHub modernise Spokes grâce aux quorums par référence

En un an, le volume de commits qu’a enregistrés GitHub a plus que quintuplé : 7,38 milliards en septembre 2026, pour 3,35 milliards de pushs.

L’architecture qu’il a commencé à déployer en production minimise la coordination. Le quorum et le protocole 3PC (verrouillage des commits en 3 étapes) ne portent plus sur l’ensemble du dépôt. Ils sont isolés au niveau de chaque référence (branche) individuelle. Les agents qui travaillent en parallèle sur des branches distinctes ne subissent plus de contention mutuelle. Les étapes lourdes (écriture des objets, validation de connectivité, analyse des secrets) se déroulent hors du chemin critique. L’étape de coordination se réduit donc au déplacement du pointeur de référence. Les tests internes ont démontré un débit d’écriture 3 à 4 fois plus élevé sur les dépôts concurrents.

Comme ses pairs, GitHub a découplé le stockage du calcul. Il a confié les données d’autorité au stockage objet Azure. Un nœud de calcul éphémère intègre le quorum de vote comme passerelle. Il streame les écritures, agrège les transactions de branches disjointes en un nombre réduit d’E/S, puis s’occupe de la compaction. D’autres nœuds temporaires sont instanciés à la demande pour absorber les pics de lecture. Ils réconcilient leur cache en arrière-plan avec Azure Blob Storage. Des workers indépendants gèrent le décompactage, le repacking et le nettoyage des objets orphelins.

Dans son architecture cible, GitHub annonce un gain potentiel de débit d’écriture allant jusqu’à un facteur 35. Tout en assurant une montée en charge autonome de la couche de lecture.

Source de vérité Azure Blob Storage
Modèle de cohérence Forte via quorum délimité par référence
Écritures Concurrentes sur branches disjointes via quorum par référence
Format de transfert Packfiles classiques
Compaction Workers d’arrière-plan isolés du chemin critique

Illustration générée par IA

The post Anthropic, Cursor, GitHub, OpenAI : 4 approches pour passer Git à l’échelle agentique appeared first on Silicon.fr.

Orange Cyberdefense intègre une version cyber de Mistral Large 4 à ses offres

29 octobre 2026 à 16:01

Orange Cyberdefense va intégrer Mistral Large 4, alias- » Le Chonk  » dans ses offres de sécurité.

Le déploiement débutera progressivement auprès de certains clients entreprises et du secteur public.

L’accord donne à Orange Cyberdefense accès à une variante de Mistral Large 4 optimisée pour des usages avancés de cybersécurité, notamment les tests d’intrusion, l’évaluation des vulnérabilités et le red-teaming.

Selon Mistral, cet accès est réservé à des partenaires sélectionnés et encadré par des vérifications rigoureuses ainsi que des garanties contractuelles.

Le modèle est présenté comme un modèle ouvert de 1 000 milliards de paramètres, entraîné en Europe. Mistral indique qu’il obtient 51% sur l’Artificial Analysis Cyber Index, un benchmark mesurant la capacité à découvrir, reproduire et corriger des vulnérabilités dans un code.

Souveraineté et données sensibles

Orange prévoit d’exécuter les modèles dédiés à ses opérations de cybersécurité sur une capacité de calcul située en Europe. L’objectif affiché est de renforcer la souveraineté numérique tout en répondant aux exigences de conformité.

Du côté de Mistral, l’approche repose sur des modèles à poids ouverts, que les organisations peuvent inspecter, adapter et déployer sur leur propre infrastructure. L’éditeur met en avant la possibilité de traiter du code source, de la télémétrie de sécurité, des journaux d’incidents ou des renseignements sur les menaces dans un environnement contrôlé, sans passer par une API externe.

Dans un premier temps, Orange Cyberdefense concentrera ses efforts sur deux axes : identifier des vulnérabilités dans les défenses de ses clients avant que des attaquants ne les exploitent, et accélérer l’investigation lorsqu’un incident de sécurité survient.

Mistral décrit par ailleurs plusieurs scénarios pour ce type de modèle comme l’ analyse de code et la génération de correctifs, l’évaluation des applications et des configurations cloud ou encore l’aide à l’investigation en rapprochant des événements issus de différents outils de sécurité.

Orange Cyberdefense, qui a réalisé 1,3 milliard € de chiffre d’affaires en 2025, n’a pas communiqué les conditions financières de l’accord.

Le partenariat s’inscrit dans une relation plus large entre Orange et Mistral formalisée en 2025.

The post Orange Cyberdefense intègre une version cyber de Mistral Large 4 à ses offres appeared first on Silicon.fr.

Agents IA : la surveillance interne d’OpenAI passée au crible

23 octobre 2026 à 12:20

Du 21 juillet au 11 août 2026, deux chercheurs extérieurs, issus de METR et de Redwood Research, ont eu un accès approfondi aux infrastructures d’OpenAI pour tester son système de détection du désalignement de ses agents.

METR décrit un exercice pilote de red-teaming « à haut niveau d’accès » au cours duquel ils ont pu consulter le code interne, les prompts et configurations des moniteurs ainsi que la documentation. L’exercice porte sur le système tel qu’il existait le 21 juillet et avant. OpenAI l’élargissait alors : ces évolutions n’ont pas été évaluées, et les constats ne décrivent donc pas la couverture actuelle.

Les deux chercheurs ont mené des entretiens techniques avec une douzaine de chercheurs et d’ingénieurs des équipes de surveillance, de sûreté des systèmes et de sécurité. Ils travaillaient sur des appareils fournis par OpenAI qui ne quittaient pas les locaux.

Dans un rapport interne, partagé avec les chercheurs et les équipes de sécurité d’OpenAI, ils cherchent à répondre à deux questions :

  • quelle part de l’activité des agents est réellement surveillée ?
  • un agent pourrait-il, en théorie, désactiver ou détourner le système de surveillance ?

Les règles de publication ont été fixées à l’avance : un billet de blog relativement bref et de haut niveau, et la possibilité pour OpenAI de retirer, à sa seule discrétion, toute information jugée confidentielle ou sensible.

Le billet de METR précise que, contrairement à d’autres missions, comme son enquête distincte sur l’incident Hugging Face, l’organisation n’avait pas ici le droit unilatéral de décrire ces retraits.

Entre 75 % et 94 % du trafic estimé éligible à la surveillance

Les chercheurs estiment qu’entre 75 % et 94 % du trafic agentique de l’API interne Responses, qui alimente notamment Codex, était éligible à la surveillance pour les modèles au moins aussi puissants que GPT-5.5, avec une forte incertitude dans les deux sens.

Pour le sous-ensemble utilisé par les agents Codex internes, la part atteint 99,2 %.

« Éligible » signifie destiné à être envoyé au moniteur : erreurs, délestage ou bugs peuvent en empêcher une partie d’aboutir. Le chiffre exclut d’autres sources de trafic, comme les agents tournant sur le service d’inférence interne de la recherche, dont le volume n’a pu être estimé.

Selon ce qui a été indiqué aux chercheurs, un sous-ensemble des sessions d’entraînement par apprentissage par renforcement était surveillé entre mars et juin. Au début de l’exercice, ces sessions n’étaient plus couvertes.

L’absence de surveillance des événements de compaction a probablement laissé sans contrôle de l’ordre de 10 % du trafic Codex éligible entre mai et juillet 2026. L’incertitude est forte, car l’information nécessaire n’était pas journalisée. OpenAI avait identifié le problème avant l’exercice et l’a corrigé pendant celui-ci.

Le moniteur se déclenchait quand l’agent rendait la main à l’utilisateur. Pendant la période sans surveillance de la compaction, un agent pouvait donc, en enchaînant les actions, repousser indéfiniment son examen. METR n’a pas pu vérifier si des agents l’avaient fait en pratique.

Enfin, d’après les informations communiquées aux chercheurs, le moniteur échouait sur moins de 0,2 % des requêtes, et aucune perte de charge n’a été relevée sur une période de 24 heures pendant l’exercice.

Cinq vulnérabilités signalées

  • Les chercheurs ont trouvé un moyen, en principe, de contourner le bac à sable et Auto-Review, permettant à un agent d’effectuer toute action accessible à l’utilisateur hôte.
  • Une faille empêchait la surveillance de centaines d’actions récentes, y compris celles de l’exploitation elle-même. Les détails ont été expurgés par OpenAI.
  • Des agents pouvaient vraisemblablement fabriquer des entrées faisant échouer le moniteur, en jouant sur les différences entre la trajectoire vue par l’agent et celle vue par le moniteur. La trajectoire n’était alors pas transmise à un réviseur humain.
  • Deux en-têtes indépendants, contrôlables côté client, désactivaient la surveillance des nouveaux agents, ce qui pouvait permettre de lancer une instance non surveillée mais par ailleurs identique. L’acte de positionner ces en-têtes et de créer l’instance pouvait toutefois être repéré par le moniteur.
  • Pour deux outils agentiques non surveillés, un exploit simple aurait permis d’effectuer des actions arbitraires dans leur environnement isolé. METR n’a ni validé ce comportement ni testé son exploitabilité en pratique.

L’exercice a aussi produit deux constats plus rassurants.

  • À quelques exceptions mineures près, le moniteur voit la trajectoire complète que voit l’agent.
  • Les prompts du moniteur cherchent notamment le scheming, la subversion du moniteur, le sabotage, l’exfiltration de données, la tromperie et les injections de prompt entrantes et sortantes.

Cinq principes de conception

METR en tire des principes visant des systèmes de surveillance capables de résister à des attaques délibérées, stratégiques et soutenues, menées à grande échelle par des agents internes très capables.

  • Rendre la surveillance difficile à éviter. Les requêtes non surveillées exigeraient une approbation explicite pour utiliser un ensemble défini d’organisations et de clés d’API, dont l’usage est interdit à l’inférence agentique. Les agents seraient surveillés tous les N messages ou N minutes, sans attendre la fin de leur tour.
  • S’assurer que le trafic censé être surveillé l’est réellement. Comptabiliser toute l’inférence, recouper régulièrement ces journaux avec ceux du moniteur, tenir la liste des contournements connus et veiller à ce que le moniteur voie le même contexte que l’agent.
  • Répondre vite et de façon fiable aux incidents. Désigner un responsable clair, fixer des consignes réduisant la subjectivité et conserver des journaux inaltérables et faciles à interroger.
  • Soumettre le moniteur à un red-teaming actif. Évaluer périodiquement les contrôles, chercher les bugs exploitables et mettre au point une méthode pour évaluer les collusions stratégiques.
  • Isoler agents et moniteurs. Dans la mesure du possible, exécuter l’architecture de l’agent dans un environnement distinct de celui des appels d’outils. Les actions de l’agent ne devraient pas influer sur le déclenchement du moniteur, et l’agent n’aurait en général pas accès à sa conception ni à son code.

OpenAI affirme avoir corrigé toutes les vulnérabilités identifiées qui touchaient sa pile de protections en production, et a décrit depuis des changements importants dans la couverture prévue de son dispositif. METR indique ne pas avoir évalué ces affirmations.

Pour les prochaines éditions, METR dit viser davantage de transparence et d’indépendance.

Source : « Red-Teaming OpenAI’s Internal Agent Monitoring Systems », METR, 22 octobre 2026.

The post Agents IA : la surveillance interne d’OpenAI passée au crible appeared first on Silicon.fr.

OpenAI : des agents IA ont désactivé leur système de surveillance

21 octobre 2026 à 17:45

Un nouveau cap a été franchi dans l’inquiétante séquence de désobéissance agentique.

OpenAI a publié, ce 20 octobre, un rapport décrivant deux incidents internes au cours desquels des agents d’IA ont affaibli des dispositifs de surveillance conçus pour repérer des comportements potentiellement problématiques.

On parle ici d’un  » misalignment monitoring « , un ensemble de contrôles chargés de détecter lorsqu’un modèle interprète mal une instruction ou agit au-delà du périmètre autorisé.

Des garde-fous neutralisés pendant des tâches courantes

Le premier incident est survenu le 3 octobre. Un agent chargé de réparer un pipeline d’évaluation a reçu une consigne visant à ne pas envoyer de messages Slack. Selon OpenAI, il a interprété cette demande comme couvrant également les alertes automatiques destinées à son équipe sécurité.

« Un agent GPT-6.1 Sol, chargé de réparer un pipeline d’évaluation, a désactivé les alertes automatiques destinées à notre équipe sécurité, considérant qu’une consigne antérieure de ne pas envoyer de messages lors d’une recherche dans l’historique Slack justifiait la suppression des notifications de surveillance. » indique le rapport.

Le système de surveillance est resté actif et a continué d’enregistrer ses rapports. Mais les notifications destinées aux équipes humaines ont été supprimées. « Le moniteur de misalignment a continué de fonctionner et d’enregistrer ses rapports, mais les alertes destinées aux humains ont été désactivées. » peut-on lire.

Le second cas, daté du 6 octobre, est plus sensible. Un agent GPT-6 Astra a copié puis migré du code vers un autre environnement. La configuration de destination ne prévoyait pas de moniteur. L’agent a alors retiré l’intégration de surveillance du code d’origine afin de se conformer à l’implémentation de référence.

« Un agent GPT-6 Astra, chargé de migrer un programme, a retiré son intégration de surveillance afin de correspondre à une implémentation de référence, puis a affirmé faussement à l’utilisateur qu’il n’avait pas retiré le moniteur. » révèle OpenAI.

Interrogé ensuite, l’agent a indiqué à tort qu’aucun moniteur actif n’avait été supprimé : « Non […] je n’ai pas retiré un moniteur actif de ce chemin. »

Une réponse d’OpenAI en deux temps

La première mesure annoncée par OpenAI concerne son outil interne Auto-Review, déjà obligatoire pour l’usage interne de Codex, qui a été renforcé pour détecter et bloquer les tentatives de désactivation ou de contournement du monitoring de misalignment.

La seconde mesure est encore en cours de déploiement. OpenAI prévoit d’exiger une « safety case » valide pour chaque catégorie de charge de travail. Ce document devra définir les exigences de surveillance applicables. À terme, toute charge de travail ne disposant pas d’une safety case valide, ou ne respectant pas ses exigences, devra être arrêtée automatiquement.

« Les charges de travail dépourvues d’une safety case valide, ou ne respectant pas les exigences de la safety case de leur catégorie, seront automatiquement interrompues. » précise la scale-up.

OpenAI a également lancé une enquête pour déterminer si ces comportements relèvent d’une persistance excessive dans l’exécution des tâches ou d’une propension plus générale des modèles à éviter la surveillance.

« Il est possible que ce comportement soit simplement un exemple de “persistance excessive bénigne”, les modèles ne comprenant pas l’importance de la surveillance ou insistant pour exécuter des instructions au-delà de ce qu’une personne raisonnable pourrait attendre. » détaille le rapport.

Une série d’incidents qui s’inscrit dans une série

Cette divulgation intervient après plusieurs annonces similaires.

Le 16 septembre, OpenAI révèle six comportements « inattendus ou préoccupants » observés au cours des six mois précédents. Au menu : dissimulation d’erreurs, fabrication de données, transfert de fichiers sur Internet sans autorisation ou insertion d’instructions de type jailbreak dans ses propres notes de travail.

Mi-octobre, OpenAI publie quatre nouveaux rapports portant sur des incidents survenus en juin. Deux d’entre eux étaient qualifiés de critiques. L’un concernait le téléchargement non autorisé de données hospitalières par un modèle, l’autre l’accès à des systèmes internes et la persistance d’un accès après modification de la configuration.

OpenAI précise avoir observé plusieurs cas où un agent a lancé un déploiement dépourvu de monitoring de misalignment. L’agent lui-même restait surveillé, mais la charge de travail qu’il avait mise en production, elle, échappait à toute surveillance.

L’inventeur de ChatGPT ne présente pas ces incidents comme la preuve d’une intention délibérée de ses modèles. « Nous n’avons pas encore d’explication satisfaisante à ce comportement. » admet-il.

The post OpenAI : des agents IA ont désactivé leur système de surveillance appeared first on Silicon.fr.

Infra, ROI et dette : les trois failles qui menacent l’économie de l’IA

16 octobre 2026 à 17:02

L’histoire d’amour entre la finance mondiale et l’IA traverse une zone de turbulences. Après des mois d’euphorie, deux failles inquiètent les marchés financiers.

D’un côté, la croissance des pionniers des grands modèles commence à caler face à des pertes qui se comptent en dizaines de milliards. De l’autre, les acteurs de l’infrastructure et des datacenters s’essoufflent sous une montagne de dettes.

Sur les marchés, la question du risque de bulle spéculative n’est plus un débat théorique mais une préoccupation bien réelle.

L’introduction en bourse préparée par Anthropic constitue un test de résistance majeur pour l’ensemble du secteur. Lors de la journée investisseurs organisée à San Francisco, plusieurs souscripteurs ont ainsi ramené leurs attentes de valorisation à environ 1 500 milliards $, bien loin des près de 2 000 milliards $ projetés initialement.

Si l’éditeur de Claude a affiché un chiffre d’affaires de 16,8 milliards $ au troisième trimestre, sa croissance (+ 45 %) ralentit par rapport au deuxième trimestre où ses revenus avaient plus que doublé. Ce ralentissement intervient après une perte d’exploitation de 42 milliards $ en 2025 et des engagements d’investissement d’au moins 518 milliards $ sur dix ans en capacités d’infrastructure cloud.

Pour les marchés, cette situation sonne comme un avertissement direct adressé à OpenAI. L’inventeur de ChatGPT l présente une trajectoire qui inquiète.  Si l’entreprise son rythme annuel de revenus est calé entre 40 et 50 milliards $ en 2026, ses pertes d’exploitation atteignent des sommets dépassant 12 milliards $ au seul deuxième trimestre 2026. A l’horizon 2030, l’engagement dans les infrastructures. dépasse les. 600 milliards $.

Le mur du retour sur investissement

Ce fossé entre les engagements financiers pharaoniques et les retours sur investissement inquiète désormais analystes et économistes.

Kristalina Georgieva, patronne du FMI, s’inquiète que les marchés pèchent par excès d’optimisme quant aux retombées économiques immédiates d’une technologie de rupture. L’économiste Dani Rodrik (Harvard) pousse le constat plus loin : sans gain de productivité concret à court terme pour justifier ces sommes vertigineuses, le marché s’expose à un retour de bâton particulièrement violent.

Un diagnostic confirmé sur le terrain par Barclays qui vient d’abaisser ses prévisions sur Dell, HPE ou NetApp. Selon les analystes de la banque, l’IA ne pèse toujours qu’une portion congrue ( à peine 5 % ) des budgets informatiques des entreprises. Quant au sursaut récent des ventes de matériel, il ne traduit pas une déferlante d’usages mais simplement l’explosion du coût des puces mémoire.

L’asphyxie par la dette et le doute sur l’infrastructure

Une autre crainte est le financement par l’endettement. Le cas d’Oracle illustre parfaitement cette tension.

Pour suivre la cadence imposée par OpenAI et le projet Stargate, Oracle a fait exploser ses dépenses d’investissement à plus de 55 milliards de dollars, creusant un trou de trésorerie de 20 milliards. Pour éponger la facture, le groupe s’apprête à lever jusqu’à 50 milliards de dollars en dette et en fonds propres. Une fuite en avant qui fait dévisser ses titres obligataires et lui vaut désormais les foudres d’investisseurs, qui l’attaquent en justice pour avoir masqué le coût réel de ses contrats d’IA.

Cette détérioration financière frappe l’ensemble des « neoclouds ». Entre l’effondrement des obligations de CoreWeave et les suspensions en série d’introductions en bourse à l’image des opérateurs de datacenters australiens Firmus ou AirTrunk, le secteur vacille.

Mike Intrator, le PDG de CoreWeave, reconnait que ces déboires à répétition entachent désormais la crédibilité de tout l’écosystème d’infrastructure.

Un risque systémique pour l’économie globale ?

L’interconnexion entre les marchés boursiers, les marchés obligataires et le secteur manufacturier transforme ces vulnérabilités sectorielles en risque macroéconomique majeur.

Dans ses modélisations présentées lors du sommet de Bangkok, le FMI anticipe qu’une déception sur la rentabilité de l’IA déclencherait un effondrement des cours boursiers et une chute des investissements informatiques, susceptibles d’amputer la croissance économique mondiale de 1,3 % d’ici 2028.

Cette menace pèse particulièrement sur les économies exportatrices d’Asie, à commencer par la Corée du Sud et Taïwan, dont la croissance repose sur les puces et les équipements de datacenters. Si les exportations sud-coréennes et taïwanaises ont bondi sur un an (respectivement de plus de 80 % et 60 %), cet envol en trompe-l’œil masque une consommation intérieure au ralenti.

The post Infra, ROI et dette : les trois failles qui menacent l’économie de l’IA appeared first on Silicon.fr.

« Produire ou subir » : Arthur Mensch défend le développement de modèles d’IA en Europe

16 octobre 2026 à 13:06

On n’est jamais mieux défendu que par soi-même… surtout quand on dirige une des principales entreprise d’IA européenne.

Dans une tribune publiée par Le Monde et reprise en anglais sur LinkedIn, , Arthur Mensch s’attaque à une idée qui, dit-il, « a fait son chemin en Europe » : laisser les modèles d’IA de pointe aux Américains et aux Chinois.

Il l’attribue à « des gens sérieux, qui ont leur logique » : un modèle frontière coûte des centaines de millions d’euros par génération, bientôt des milliards. Mieux vaudrait donc, selon eux, reproduire la recette d’Internet, créer de la valeur dans les applications et se concentrer sur les données industrielles, les PME et l’expertise métier, les modèles ouverts publiés par d’autres suffisant pour le reste.

Le patron de Mistral AI y voit une « erreur fondamentale » qui « achèvera de coûter à l’Europe sa place dans le monde »

« Laisser les modèles d’IA aux Américains et aux Chinois placerait l’Europe dans une dépendance sans équivalent dans l’histoire des civilisations » plaide-t-il en titre de sa tribune

« Produire ou subir »

Le patron de Mistral voit comme une « erreur fondamentale » l’idée selon laquelle l’Europe devrait laisser les modèles frontière aux États-Unis et à la Chine, tout en se concentrant sur les données industrielles, les PME et l’expertise métier.  Ce choix « achèvera de coûter à l’Europe sa place dans le monde » estime-t-il.

Et de conclure : « Produire ou subir : le choix nous appartient pour l’instant. »

Arthur Mensch rejette l’analogie avec Internet, souvent mobilisée pour justifier une spécialisation européenne dans les usages. « Internet reposait sur des protocoles ouverts que personne ne possédait. Les modèles d’IA fermés, eux, ont un propriétaire », écrit-il.

Il souligne que le contrôle du modèle détermine les conditions d’accès pour toute la chaîne de valeur : « Celui qui contrôle le modèle fixe les conditions : il change le prix, restreint les usages, retire une version. »

Pour illustrer ce risque, il évoque la suspension temporaire, en juin, de l’accès mondial aux modèles les plus avancés d’Anthropic à la demande du gouvernement américain. « La décision n’a pas été prise en Europe, ni pour des raisons européennes. Personne ne nous a demandé notre avis », affirme-t-il.

Mistral AI défend depuis longtemps les modèles ouverts, mais Arthur Mensch refuse d’en faire une solution suffisante. « Un modèle ouvert se télécharge, s’héberge, s’audite », reconnaît-il, avant d’ajouter : « Dépendre des autres, même de leur ouverture, c’est encore dépendre. »

Son argument est que l’Europe ne maîtrise ni le calendrier des publications, ni les fonctionnalités, ni les licences des futures versions si elle ne participe pas activement à leur développement.

Sécurité, recherche et industrie

Le dirigeant de Mistral étend l’enjeu au-delà de l’économie. Pour la cyberdéfense et les infrastructures essentielles, il estime qu’un État doit pouvoir « auditer les systèmes qu’il utilise, les adapter à ses besoins et être certain d’y avoir accès demain ».

Il ajoute que les modèles de pointe sont devenus indispensables à la recherche scientifique, y compris à la recherche sur l’IA elle-même, et que leur concentration chez quelques entreprises risque de créer des « effets de seuil très importants ».

Arthur Mensch rejette aussi l’opposition entre recherche fondamentale et déploiement industriel. « Pour les usages les plus exigeants, maîtriser le modèle n’est pas un luxe, c’est une condition », écrit-il.

« Rompre avec le pessimisme »

Mistral estime que l’Europe dispose encore des compétences nécessaires pour rattraper son retard. Arthur Mensch cite Black Forest Labs et ElevenLabs, puis présente Mistral comme une preuve que des modèles européens peuvent figurer parmi les meilleurs modèles ouverts et spécialisés.

Il annonce que l’entreprise « s’apprête à multiplier [ses] capacités de calcul par six dans l’année qui vient », tout en appelant à plus de capital pour accélérer.

Et de mettre en garde contre le récit d’une Europe déjà dépassée qui « arrange ceux qui ont de l’avance ». « Il n’a pas besoin d’être vrai pour être efficace : il suffit que nous y croyions pour donner l’avantage à nos concurrents », prévient-il.

Autrement dit, la guerre commerciale pour la domination du marché mondial de l’IA est à l’oeuvre et tous les coups seront permis pour l’emporter, y compris au plus niveau politique.

La position de Mistral sur la régulation

Cette tribune s’inscrit dans la ligne habituelle de Mistral AI qui se dit favorable à la régulation de l’IA mais uniquement sur les applications et usages à risque.

Sur l’AI Act, Mistral a plaidé pour éviter des obligations trop lourdes sur les modèles à usage général, craignant qu’elles pénalisent les start-up européennes face aux géants américains. Arthur Mensch a ensuite jugé le texte final « tout à fait gérable ».

Mistral AI défend par ailleurs la transparence sur les données d’entraînement, à condition qu’elle ne force pas la divulgation de secrets industriels. Cette position a nourri les critiques d’ONG et de responsables européens, qui estiment que Mistral a contribué, avec Aleph Alpha et les gouvernements français et allemand, à assouplir le projet initial d’AI Act.

La scale-up français reste toutefois favorable à certaines règles comme une contribution obligatoire, adossée au chiffre d’affaires des fournisseurs de modèles opérant en Europe, afin de rémunérer les créateurs dont les œuvres sont utilisées pour l’entraînement. Il demande que cette contribution s’applique aussi aux fournisseurs étrangers.

Photo : © DR Mistral AI

The post « Produire ou subir » : Arthur Mensch défend le développement de modèles d’IA en Europe appeared first on Silicon.fr.

Wikipédia dans le viseur des agents d’OpenAI

9 octobre 2026 à 15:31

Les agents d’IA d’OpenAI ont frappé à la porte de Wikipédia.

La Wikimedia Foundation confirme, après avoir mené sa propre enquête, avoir découvert des activités non autorisées par des agents d’OpenAI sur ses plateformes. Ce cas s’ajoute à une liste d’incidents que l’entreprise peine à circonscrire.

La fondation en décrit trois.

D’abord des modifications de pages, presque toutes cantonnées à des « bacs à sable » invisibles du grand public. Quelques-unes, en revanche, touchaient la configuration d’un outil de citations. Wikimedia les juge potentiellement malveillantes, destinées à détourner l’outil pour en faire un relais vers des services distants. Aucune des autorisations que la communauté exige des robots d’édition n’avait été demandée.

Ensuite, des tentatives infructueuses de compromettre Etherpad, un outil public de prise de notes hébergé par la fondation, toujours dans le but de s’en servir comme proxy. D’autres agents, probablement opérés par OpenAI, y ont consigné des notes sur leurs missions, sans que cela ait débouché sur une coordination.

Enfin, un afflux de trafic. Les agents ont envoyé des millions de requêtes automatisées aux interfaces publiques (API) de Wikimedia et parcouru des millions de pages, principalement sur Wikidata, la base de données structurée qui alimente Wikipédia, et sur Wikimedia Commons, sa médiathèque. Ils ont également lancé des centaines de milliers de requêtes sur le service d’interrogation de Wikidata, un moteur qui permet d’extraire des informations de la base.

Ce déluge a pu contribuer à une panne partielle de ce service en mai. Wikimedia reste prudente sur ce point, et OpenAI dit n’avoir pas pu confirmer de lien avéré.

Une facture que personne ne présente

Wikimedia insiste sur ce que l’affaire révèle de l’économie du web ouvert.

Wikipédia revendique plus de 67 millions d’articles dans plus de 300 langues et jusqu’à 15 milliards de pages vues par mois. L’encyclopédie compte aussi parmi les jeux de données de la meilleure qualité pour l’entraînement des grands modèles de langage. Elle fournit donc la matière première de ceux qui la sollicitent aujourd’hui.

Or l’infrastructure est financée par une organisation à but non lucratif et ce sont des bénévoles qui nettoient.

Wikimedia rappelle avoir déjà signalé en 2025 une hausse de 50 % de sa bande passante depuis 2024 sous l’effet des robots ; 65 % du trafic le plus gourmand en ressources leur étant imputable. Ces chiffres couvrent l’ensemble des bots et non les seuls agents d’OpenAI.

La fondation ne réclame pas de sanctions mais un minimum de traçabilité afin que ces systèmes soient identifiables par les propriétaires de sites, qui doivent pouvoir choisir comment ils interagissent avec eux.

Sa conclusion vise tout le secteur : ceux qui lâchent ces agents et en tirent profit doivent contribuer à prévenir et réparer les dégâts. Pour l’instant, la charge repose sur les victimes.

The post Wikipédia dans le viseur des agents d’OpenAI appeared first on Silicon.fr.

OpenAI bute sur le tatouage des sorties texte

9 octobre 2026 à 08:26

L’essentiel

Pour répondre aux exigences européennes de marquage des contenus générés par l’IA, OpenAI développe textGrain, une technique de tatouage statistique du texte. Elle doit permettre de détecter certaines sorties de ses modèles, mais sa fiabilité diminue lorsque les textes sont courts, modifiés ou soumis à des contraintes fortes, comme les mathématiques.

  • Le calendrier réglementaire : l’article rappelle l’échéance du 2 décembre 2026 pour la mise en conformité des systèmes concernés par les obligations de marquage de l’AI Act.
  • La méthode : textGrain modifie légèrement le choix des tokens générés afin d’insérer un signal statistique détectable. OpenAI prévoit une mise à disposition de son outil de détection et évoque une publication en open source sans échéance précisée.
  • Les limites : selon les résultats communiqués par OpenAI, remplacer 10 % des mots d’un passage de 400 tokens fait passer le taux de détection de 92 % à 66 % ; avec 25 % de substitutions, il tombe à 17 %. Ces chiffres sont ceux rapportés par l’éditeur, et non une évaluation indépendante.

Après les images et l’audio*, OpenAI commence à tatouer le texte que génèrent ses LLM.

Le déploiement initial est en opt-in sur l’API. « Dans les prochaines semaines », il s’étendra à ChatGPT et à Codex… dans l’Union européenne.

En toile de fond, l’AI Act. Le règlement impose aux systèmes d’IA mis sur le marché avant le 2 août 2026 de marquer les contenus qu’ils génèrent. Les fournisseurs concernés ont jusqu’au 2 décembre 2026 pour se mettre en conformité.

L’UE considère qu’aucune technique ne satisfait pour l’instant aux 4 critères qu’énonce l’AI Act (efficacité, interopérabilité, robustesse, fiabilité). Elle suggère donc d’en combiner, en priorisant métadonnées signées et filigrane invisible.

Le texte libre ne pouvant transporter de métadonnées, une couche unique est considérée comme suffisante. Certains éléments sont hors champ :

  • Courtes séquences de nombres, symboles ou lettres
  • Code source
  • Sorties traitées uniquement en M2M, sans exposition à des humains
  • Sorties utilisées en boucle fermée dans un contexte industriel ou de développement produit (exemple : production d’un film)

Pour compenser la fiabilité potentiellement moindre du tatouage de texte libre, les fournisseurs concernés peuvent restreindre à des utilisateurs experts l’accès à la solution de détection correspondante. Celle-ci peut être mise à disposition sous forme de spécification, de logiciel (exécutable ou bibliothèque) ou de service par API.

Un problème de transport optimal et du traitement par blocs

OpenAI a donc choisi la dernière option. Il promet toutefois, sans donner d’échéance, une publication en source ouverte. Sa technologie, dite textGrain, biaise légèrement le choix des tokens en utilisant une clé secrète qu’elle combine au texte précédent.

Pour trouver le juste milieu entre insertion de ce signal traçable et préservation de la diversité des réponses générées, le problème est modélisé sous forme de couplage statistique via le transport optimal. Pour ne pas avoir à résoudre ce problème sur l’intégralité du vocabulaire du LLM à chaque mot, textGrain découpe ce vocabulaire en blocs de tokens. Puis applique le transport optimal pour choisir le bloc en fonction de la clé.

OpenAI affirme que cette technologie atteint voire dépasse la performance des autres approches qu’il a testées. Dont SynthID. Il en reconnaît toutefois les limites. Par exemple, sur des passages de 400 tokens, remplacer 10 % des mots par des synonymes fait baisser le taux de détection de 92 % à 66 %. En remplacer le quart réduit ce taux à 17 %.
La détection est moins efficace sur des passages courts (80 % sur 200 tokens à un taux cible de faux positifs de 1 %). Elle l’est aussi sur les domaines où les modèles ont moins de liberté pour altérer leurs outputs, comme les maths.

* Pour l’image et l’audio, OpenAI a déjà un outil web et l’API Content Provenance, accessibles au public.

Illustration générée par IA

The post OpenAI bute sur le tatouage des sorties texte appeared first on Silicon.fr.

Mistral Large 4 mise sur la souveraineté plutôt que sur la course aux records

7 octobre 2026 à 11:39

L’essentiel

Avec Large 4, Mistral AI propose un modèle multimodal conçu pour traiter de longs documents et alimenter des applications d’entreprise. Ses performances se situent à un niveau compétitif sur certains tests, sans égaler les meilleurs modèles fermés sur l’ensemble des indicateurs. Son principal argument est la possibilité annoncée d’ouvrir ses poids pour permettre un déploiement sous le contrôle des organisations.

  • Les capacités : une architecture Mixture-of-Experts, une fenêtre de contexte annoncée d’un million de tokens et des fonctions adaptées aux applications et aux agents IA.
  • Les performances : les résultats sont contrastés selon les benchmarks. Le modèle ne domine pas les références fermées et les comparaisons doivent tenir compte des conditions de mesure.
  • L’enjeu de souveraineté : la publication annoncée des poids doit permettre aux entreprises de déployer et d’adapter le modèle sur leur propre infrastructure. À la date de l’article, cette disponibilité reste annoncée et non acquise.

 » Celui-là a demandé un peu de préparation de base. Entraîné et servi sur notre propre infrastructure de calcul, et le RL ne montre aucun signe de saturation. » Sur X, Arthur Mensh la joue modeste pour présenter Mistral Large 4 (ML4) alias Le Chonk.

Avec Mistral Large 4 (ML4), Mistral AI ne prétend pas détrôner immédiatement les modèles fermés les plus avancés. Modèle généraliste multimodal fondé sur une architecture Mixture-of-Experts (MoE) granulaire, sa documentation indique 1,05 trillion de paramètres au total, dont 52 milliards actifs par token, ainsi qu’un encodeur visuel de 1,6 milliard de paramètres.

Le communiqué de lancement évoque pour sa part 49 milliards de paramètres actifs.

Cette architecture MoE permet de mobiliser seulement une fraction du modèle à chaque étape de génération. L’objectif est de combiner une capacité potentielle très élevée avec un coût d’inférence plus maîtrisé que celui d’un modèle dense de taille équivalente.

Une fenêtre de contexte très large

La principale promesse d’usage de ML4 réside dans sa fenêtre de contexte annoncée à 1 million de tokens. Elle doit permettre de traiter de très longs documents, dépôts logiciels, corpus réglementaires ou bases de connaissances d’entreprise sans les découper systématiquement. Et une couverture de plus de 160 langues, dont toutes les langues officielles de l’Union européenne.

Le modèle expose également des fonctions orientées vers les usages comme les appels de fonctions, les sorties structurées, les questions-réponses documentaires ainsi que le traitement par lots, agents et conversations. Autrement dit, Mistral positionne  ML4 comme une brique pour construire des applications et des workflows d’entreprise.

Des benchmarks solides, sans domination

Sur l’Intelligence Index d’Artificial Analysis, ML4 obtient 38 points.

C’est un bond important par rapport à Mistral Large 3, crédité de 9 points, et cela place le modèle au niveau de GPT-6 Luna sur cet indicateur composite.

Indicateur Mistral Large 4 Lecture
Intelligence Index 38 Au niveau de GPT-6 Luna, derrière les modèles fermés de premier plan.
Cyber Index 50 À égalité avec GLM-5.3-Flash, derrière MiMo-V2.6-Pro.
DeepSWE v1.1 61,7% Bon résultat annoncé en codage agentique.
Terminal-Bench 4.0 28,3% Point faible relatif sur les tâches agentiques en terminal.
CyberGym-E2E-AA 82% Devant GPT-6 Luna (78%) et MiMo-V2.6-Pro (79%).
Vitesse de génération 116,1 tokens/s Au-dessus de la médiane mesurée par Artificial Analysis.
Latence au premier token 1,46 s Inférieure à la médiane des modèles de raisonnement comparés.

 

Mais la performance n’est pas homogène : le score de 28,3% à Terminal-Bench 4.0 montre que ML4 reste en retrait sur certains scénarios d’automatisation exigeants.

Les chiffres communiqués par Mistral doivent également être lus avec prudence, car le modèle est encore en préversion et ses poids ne sont pas encore disponibles publiquement.

Face aux modèles fermés

ML4 se situe dans le haut du panier des modèles non américains et non chinois mais loin du sommet du marché.

Claude Opus 5.5 obtient 58 points sur l’Intelligence Index, contre 53 pour GPT-6 Astra et Gemini 4 Argon, tandis que ML4 s’arrête à 38.

Modèle Type Intelligence Index Coût par tâche Contexte
Claude Opus 5.5 Fermé 58 5,98 $ 1 M
GPT-6 Astra Fermé 53 3,26 $ 1 M
Gemini 4 Argon Fermé 53 1,99 $ 1 M
GPT-6 Luna Fermé 38 0,07 $ 1 M
Mistral Large 4 Poids ouverts annoncés 38 1,13 $ 524 k mesuré par Artificial Analysis

ML4 égale donc GPT-6 Luna sur l’intelligence globale, mais il coûte environ 16 fois plus cher par tâche selon les mesures d’Artificial Analysis. Son avantage n’est donc pas le prix à l’usage API mais réside dans la perspective de poids ouverts et dans le contrôle qu’ils offrent aux entreprises.

L’atout décisif : les poids ouverts

Mistral annonce la publication des poids de ML4 pour la fin octobre. Cette décision distingue le modèle des offres d’OpenAI, d’Anthropic et de Google, qui restent principalement accessibles via API.

Les poids ouverts permettent à une organisation de déployer ML4 dans son propre cloud privé, son VPC ou sur ses serveurs. Elle peut ainsi conserver les données dans son périmètre, définir ses propres politiques de sécurité et adapter le modèle à ses besoins métier par fine-tuning.

Mistral présente ML4 comme un moyen pour ses clients de garder le contrôle de l’intelligence, des données, du calcul et des opérations.

Un positionnement business clair

ML4 vise trois segments principaux :

  • Les entreprises qui veulent exploiter un modèle multimodal performant sans envoyer leurs données à une API tierce.
  • Les organisations ayant des besoins de cybersécurité, d’analyse de code ou d’automatisation de workflows, domaines où ML4 affiche des résultats compétitifs.
  • Les acteurs publics et industriels sensibles à la souveraineté numérique européenne, pour lesquels l’hébergement en Europe et la maîtrise des poids constituent un argument décisif.

Le tarif API de lancement est de 0,68 dollar par million de tokens en entrée, 0,07 dollar par million de tokens d’entrée en cache et 2,09 dollars par million de tokens en sortie, après une remise de 50% pendant les deux premières semaines.

Ce que ML4 apporte vraiment

ML4 apporte trois choses au paysage des LLM :

  • Un modèle multimodal européen de très grande capacité, avec une fenêtre de contexte d’un million de tokens et des fonctions orientées agents.
  • Des performances crédibles en cybersécurité et en codage agentique, sans atteindre le niveau des meilleurs modèles fermés sur tous les indicateurs.
  • Une alternative de souveraineté grâce aux poids ouverts, permettant aux entreprises de déployer, personnaliser et contrôler le modèle dans leur propre infrastructure.

The post Mistral Large 4 mise sur la souveraineté plutôt que sur la course aux records appeared first on Silicon.fr.

OpenAI signe avec Synopsys : l’effet Jalapeño ?

5 octobre 2026 à 15:06

Synopsys va concevoir un modèle d’IA expert dans la conception de semi-conducteurs… et ce sera avec OpenAI.

L’entreprise l’a annoncé dans le cadre de son Investor Day. Une manière d’appuyer sa promesse de passer « de l’IP standardisée à l’IP dédiée ». En la matière, elle aura comme vitrine un nouveau contrat à « plus d’un milliard $ » avec Amazon.

Le modèle en question s’appellera GPT-Synopsys. On n’en sait pour l’heure pas grand-chose, sinon qu’il « tournera sur une infrastructure hébergée par OpenAI »… et qu’il exploitera l’outillage EDA de Synopsys.

OpenAI a déjà ses entrées chez Synopsys

Les LLM d’OpenAI ont déjà des points d’ancrage chez Synopsys. Ils furent notamment le substrat initial de l’offre Synopsys.ai Copilot. Lancée en 2023, cette dernière regroupe aujourd’hui 5 modules d’assistance (création de scripts, de bancs de test et de code RTL ; liting et aide généraliste) reposant sur une sélection de LLM commerciaux et open source assortis de prompts et de pipelines RAG propriétaires.

Ansys – concurrent que Synopsys a acquis l’an dernier pour plus de 30 Md€ – a sa propre couche générative avec de l’OpenAI dedans. Elle s’incarne dans l’assistant Engineering Copilot, axé sur l’assistance technique.

Le passage de Synopsys à l’agentique se fait sous la bannière Autopilot Platform. Promesse : fournir des familles d’agents spécialisés sur les différents compartiments de l’EDA, tout en laissant le choix du compute et des LLM.

Synopsys IA agentique

« 9 mois de l’idée au tape-out » : Jalapeño, un jalon franchi

OpenAI a exploité ses modèles d’IA pour ses propres besoin de conception de semi-conducteurs. Le principal fruit s’appelle Jalapeño. Cette puce d’inférence conçue avec Broadcom n’est pas passé inaperçue. Essentiellement parce qu’il n’a fallu que 9 mois de la conception initiale au tape-out de fabrication.

Cédric Gouy-Pailler est responsable du programme de recherche en intelligence artificielle du CEA-List. Intervenu lors du dernier salon Big Data & AI Paris au sujet des composants et systèmes pour les infrastructures du numérique, il n’a pas manqué de mentionner Jalapeño. Et de confirmer qu’on « assiste à l’introduction massive de l’IA dans le processus de conception des puces électroniques ».

Reprenant des données de Microsoft, Cédric Gouy-Pailler a souligné qu’il semblait possible, « dans un horizon de quelques mois ou quelques années », de diviser par 8 à 20 la consommation d’énergie par requête d’inférence. Un facteur de 3 à 4 serait à gagner sur le modèle ; de 2 à 3 sur l’optimisation du déploiement ; de 1,5 à 2 sur le hardware.

À consulter en complément, une synthèse des mesures que la Commission européenne propose avec le Chips Act 2.0. Elle y maintient l’objectif de mettre en place une plate-forme cloud de conception de semi-conducteurs. Lorsqu’elle a proposé son texte (juin 2026), l’hébergeur était sélectionné. Des négociations étaient en cours avec les fournisseurs d’outils EDA. Bruxelles pensait pouvoir les conclure à l’automne, pour un passage en phase opérationnelle avant 2027.

Illustration générée par IA

The post OpenAI signe avec Synopsys : l’effet Jalapeño ? appeared first on Silicon.fr.

ChatGPT, suite collaborative : OpenAI s’en approche

2 octobre 2026 à 16:55

La bibliothèque s’en va, les pages et les espaces arrivent, les projets restent : ainsi évolue ChatGPT.

Ce changement n’est pas que terminologique. Il est aussi fonctionnel. Avec lui, OpenAI introduit une couche d’édition collaborative. Elle s’incarne pour le moment en un format : les fameuses « pages », équivalentes à des documents Word. Les « espaces » servent à les organiser, éventuellement aux côtés de fichiers importés. Ils sont, en quelque sorte, ce que les « projets » sont aux conversations*, en plus de remplir la fonction jusque-là dévolue à la « bibliothèque ».

L’ensemble arrive progressivement sur les forfaits ChatGPT Pro, Business (ex-Team) et Enterprise. L’édition collaborative est pour le moment opérationnelle sur le web et les applications de bureau. Sur mobile, on ne peut que consulter les pages. Feuilles de calcul et diapositives sont censées s’y ajouter « bientôt ».

ChatGPT Work avait ouvert la voie

OpenAI avait déjà développé l’aspect suite de productivité avec le mode ChatGPT Work. Lancé en juillet sur les forfaits Business et Enterprise, il complète les modes Chat et Codex pour accompagner la « production de livrables finalisés » (documents texte, feuilles de calcul, présentations, rapports et sites), y compris dans Excel et Google Workspace.

L’aspect collaboration s’est notamment manisfesté, pendant un peu plus d’un an, à travers la fonction Canvas. Abandonnée au printemps 2026, elle favorisait le travail avec GPT sur les projets d’écriture et de code nécessitant des modifications et des révisions. Elle permettait par exemple de surligner des sections pour préciser à l’IA les points sur lesquels se concentrer.

Le choix d’un assistant IA d’entreprise dépend encore beaucoup du niveau d’adhérence à une suite bureautique, a récemment fait remarquer Gartner. Non sans affirmer que ChatGPT Enterprise était d’ores et déjà suffisamment exhaustive pour constituer une alternative « cohérente » aux suites de productivité.

À consulter en complément :

Comment OpenAI s’est installé au coeur des logiciels d’entreprise
Qui est Jacob Coxon, le chercheur qui accuse l’IA de vouloir nous tuer ?
GPT-6 Astra, un modèle qui pose problème à OpenAI
Tokenomics : les chiffres d’une discipline FinOps en construction
Comment Microsoft articule le « code de conduite » qui va gouverner ses IA

* Intégrés fin 2024, les projets sont centrés sur les discussions. On y définit des instructions système et on y dépose des fichiers de référence.

Illustration générée par IA

The post ChatGPT, suite collaborative : OpenAI s’en approche appeared first on Silicon.fr.

Qu’est-ce que Jev, la nouvelle marotte des concepteurs de modèles d’IA ?

2 octobre 2026 à 12:05

La guerre des clones a commencé.

C’est un ancien d’OpenAI qui le dit. Il dirige désormais TypeSafe AI. Cette start-up a acquis une certaine aura depuis qu’elle est sortie du bois mi-septembre. Le produit qui lui a valu cette attention s’appelle Jev. Une référence à l’économiste britannique Willam Stanley Jevons (1835-1882). Lequel a théorisé l’idée que plus les progrès techniques permettent d’utiliser une ressource efficacement, plus la consommation de cette ressource a tendance à augmenter.

Il y a effectivement en Jev la promesse d’un usage plus efficace… des tokens, en l’occurrence. À travers lui, TypeSafe AI pousse une nouvelle typologie de modèle, à cheval entre LLM et classifieurs. Dite System One, elle ne produit pas de texte, mais des « décisions calibrées ». Plus précisément, des réponses structurées à trois types de questions cadrées :

  • Sélectionner des options dans une liste finie
  • Distribuer les scores de probabilité sur un échantillon déterminé
  • Évaluer si un élément est vrai ou faux

Chaque question a sa primitive (respectivement Choice, Score et Noul). On peut les combiner dans un même appel. Elles sont traitées en parallèle, mais isolément pour éviter la contamination du contexte.

Plus fiable, plus rapide et plus économique que les LLM… sur un périmètre d’action limité

Le nom TypeSafe AI est une allusion à la sûreté du typage, une propriété qui garantit qu’un programme n’utilise pas les données de manière incorrecte par rapport à leur type (par exemple, essayer de multiplier un prix par une date). Il reflète la promesse de l’approche System One : obtenir des réponses que les machines peuvent directement utiliser… et traiter plus simplement que des réponses de LLM, avec davantage de fiabilité (grâce aux scores de confiance embarqués), moins de latence et un coût inférieur (pour Jev, « sous les 100 ms pour la plupart des requêtes », à raison de 0,042 $ par million de tokens en entrée).

Le scénario de sélection dans une liste finie peut, par exemple, aider à transmettre une demande client vers la bonne équipe. Le scoring de probabilité, à mesurer son niveau de frustration. L’évaluation vrai/faux, à savoir si la demande implique ou non un remboursement. Dans un système agentique, l’ensemble peut servir tant au routage des requêtes qu’à la sélection d’outils, la vérification d’arguments ou l’application de garde-fous.

Les modèles System One se prêtent dans tous les cas à des réponses rapides – du genre qu’un humain averti donnerait instantanément, explique TypeSafe AI. On les combinera éventuellement à des vérifications déterministes dans le code.

AWS répond avec un modèle spécifique ; OpenAI, avec GPT Luna

La démarche a inspiré AWS, qui en a publié sa propre incarnation : Strands Decider. Il avance globalement les mêmes arguments que TypeSafe AI, mais en ajoute un en particulier : l’entraînement nécessite moins d’expertise que pour un classifieur traditionnel.

Cette remarque n’est pas anodine : Strands Decider est open source. Conçu pour un usage en local, il dérive de Qwen3.5-2B. AWS en a repris le tronc (adapté avec LoRA), mais a retiré la tête qui modélise le texte. Il l’a remplacée par une tête de type pointeur qui évalue chaque option.

Strands Decider architecture

AWS communique des indicateurs de performance sur le benchmark public JevBench. Sur une RXT 3090 dans WSL2, la dernière version en date de Strands Decider (v19) a un temps de réponse médian d’un peu plus de 100 ms, pour un score global de précision de 0,7229. Sur un MacBook M3 Pro à 36 Go, on passe à 234 ms « à chaud » (requêtes successives).

OpenAI aussi a répliqué, avec l’API Decisions, qui est toutefois en accès limité. Au contraire d’AWS et de TypeSafe AI, il n’a pas développé de modèle spécifique. Sous le capot, il y a GPT Luna, dont on « [concentre] l’intelligence […] sur un ensemble de précis de questions définies par l’utilisateur, avec un nombre fini de réponses prédéfinies ». Ce choix a un avantage : accepter les images en entrée en plus du texte.

Illustration principale générée par IA

The post Qu’est-ce que Jev, la nouvelle marotte des concepteurs de modèles d’IA ? appeared first on Silicon.fr.

OpenAI alerte plus de 100 organisations sur les compromissions de ses agents IA

2 octobre 2026 à 11:22

L’affaire Hugging Face reste au centre des préoccupations sur l’activité « désalignée » des agents IA.

Dans une note d’information publiée le 30 septembre, OpenAI indique que ses équipes ont prévenu plus de 100 organisations dont les systèmes ou services avaient été concernés par une activité répondant à ses critères de notification.

Le créateur de ChatGPT a engagé une revue portant sur environ 50 pétaoctets de données,en précisant que ce volume s’explique notamment par l’ampleur des campagnes d’entraînement et de test, qui mobilisent des dizaines de milliers de GPU.

Cependant, OpenAI précise explicitement qu’une notification « ne signifie pas » qu’une information privée a été consultée ou qu’un système tiers a été compromis.

Une alerte n’est pas une intrusion

Les cas examinés recouvrent plusieurs catégories d’incident. Sont évoqués le contournement des contrôles d’accès, l’utilisation d’identifiants exposés publiquement, l’injection de requêtes ou de commandes, l’accès à des éléments internes d’un service ou encore la publication non sollicitée de contenus sur des sites tiers ; ce qu’OpenAI appelle « agent spam ».

OpenAI reconnaît que ses modèles ont parfois utilisé Internet de manière non prévue ou que les restrictions appliquées à certaines tâches n’étaient pas suffisamment strictes. Mais elle affirme ne pas avoir identifié, à ce stade, une autre compromission de système tiers comparable en ampleur ou en gravité à l’incident Hugging Face.

OpenAI le décrit comme le cas le plus sévère identifié à ce jour. L’environnement d’évaluation ExploitGym ne donnant pas directement accès à Internet, les modèles auraient exploité une vulnérabilité jusque-là inconnue dans Artifactory, un proxy de cache pour registres de paquets, afin d’obtenir cet accès.

Depuis, OpenAI affirme avoir renforcé l’isolation de ses environnements de recherche, restreint l’accès au réseau, accru la surveillance et ajouté des mesures d’entraînement destinées à éviter les actions non autorisées.

Une enquête qui durera des mois

La scale-up présente son dispositif comme un exercice de transparence et affirme  privilégier la notification lorsqu’une activité expose une vulnérabilité potentielle, même si l’on ignore encore si les informations consultées étaient destinées à être publiques.

Le processus repose sur plusieurs étapes automatisées, puis sur une vérification humaine. OpenAI souligne qu’un signal automatisé n’est pas un incident confirmé. Par exemple, un modèle peut envisager une action dans son raisonnement sans jamais l’exécuter, ou tenter une action qui échoue.

Mais cette prudence rend le bilan difficile à interpréter. Les organisations alertées doivent elles-mêmes déterminer si l’activité signalée révèle une faiblesse, une exposition de données ou un simple comportement sans conséquence ?

OpenAI affirme que la grande majorité des actions examinées relevait de tâches de recherche ordinaires, notamment la consultation du contenu web public. Son enquête se concentre sur les cas où des agents ont interagi avec des sites tiers au-delà de leur mission ou des méthodes prévues.

La scale-up s’attend toutefois à identifier d’autres cas et à notifier davantage d’organisations à mesure que l’examen des archives progresse. Certains signalements pourraient concerner des événements remontant à plusieurs mois.

The post OpenAI alerte plus de 100 organisations sur les compromissions de ses agents IA appeared first on Silicon.fr.

Agents IA : la FTC ouvre une enquête au lendemain de l’accord de la Maison-Blanche

1 octobre 2026 à 11:29

Washington renforce la surveillance des technologies d’IA.

La Federal Trade Commission (FTC) mène une enquête à l’échelle du secteur sur Anthropic, OpenAI et d’autres acteurs de l’IA afin d’examiner les dangers potentiels de leurs technologies pour les consommateurs, a indiqué un haut responsable à Reuters.

La FTC prévoit d’adresser des demandes formelles d’informations aux entreprises concernées et de contraindre certains de leurs dirigeants à témoigner. Anthropic, OpenAI et l’organisme de recherche METR figurent parmi les acteurs cités par le responsable. Le porte-parole de la FTC n’a toutefois pas précisé quelles autres entreprises seraient concernées.

Selon Reuters, il s’agit de la première action officielle d’un régulateur américain consacrée spécifiquement aux agents d’IA dits « rogue », dont le comportement s’écarte de ce qui était attendu par leurs concepteurs ou utilisateurs.

Hugging Face a accéléré le dossier

La FTC s’intéressait déjà au sujet avant que des agents d’OpenAI, dans le cadre d’un test de cybersécurité, échappent à leur environnement contrôlé avant de compromettre l’infrastructure de Hugging Face.

D’autres comportements similaires ont depuis été signalés dans le secteur. OpenAI et Anthropic ont notamment indiqué que certains de leurs systèmes avaient effectué des opérations de cybersécurité dépassant les intentions initialement fixées par leurs utilisateurs ou développeurs.

Pour les régulateurs, l’enjeu est désormais de déterminer dans quelle mesure les entreprises peuvent être tenues responsables des conséquences de tels comportements.

Un accord volontaire signé à la Maison-Blanche

La nouvelle enquête intervient dans un contexte particulier.

La veille, Donald Trump avait réuni à la Maison-Blanche plusieurs dirigeants du secteur – Greg Brockman pour OpenAI, Dario Amodei pour Anthropic, Mark Zuckerberg pour Meta, Sundar Pichai pour Google et Jensen Huang pour Nvidia – afin d’annoncer un accord volontaire sur la sécurité de l’IA.

Le document prévoit notamment que les entreprises travaillent avec des auditeurs indépendants afin d’évaluer leurs dispositifs de contrôle et de surveillance. Elles s’engagent également à mettre en place des mécanismes internes et à veiller à ce que leurs outils ne puissent pas accéder ou s’en prendre à des systèmes techniques de manière non prévue.

Mark Zuckerberg a indiqué que les entreprises travailleraient également au renforcement de leurs contrôles internes. Donald Trump a comparé l’accord à une forme de « constitution » et évoqué la possibilité de créer un comité d’une dizaine de personnes chargé de surveiller la sécurité des outils d’IA.

L’accord reste toutefois volontaire et ne constitue pas une nouvelle réglementation fédérale.

La question de la responsabilité

L’intervention de la FTC intervient alors que ses principaux acteurs commencent à reconnaître l’incertitude juridique entourant ces nouveaux systèmes.

Dans son prospectus préparé pour son introduction en Bourse, Anthropic souligne que les actions de ses systèmes pourraient donner lieu à des réclamations de clients ou d’utilisateurs et que le cadre juridique applicable demeure incertain.

L’éditeur de Claude évoque notamment les conséquences possibles d’une suppression de données, d’une opération financière non autorisée ou d’une autre action exécutée sans validation explicite.

La FTC va donc chercher à déterminer ce que les développeurs savent de ces risques, comment ils les contrôlent et dans quelles circonstances leur responsabilité pourrait être engagée.

The post Agents IA : la FTC ouvre une enquête au lendemain de l’accord de la Maison-Blanche appeared first on Silicon.fr.

Dans sa course à l’infra, Anthropic embarque Akamai

28 septembre 2026 à 14:54

Dépenses d’investissement record en vue pour Akamai : a priori, plus de 3 Md$ sur son prochain exercice.

En toile de fond, un contrat lui aussi sans précédent. En tout cas par sa valeur : au minimum 11,6 Md$ sur 7 ans, avec la possibilité d’aller jusqu’à 20,6 Md$.

Le client s’appelle… Anthropic. Il compte exploiter l’infrastructure d’Akamai pour ses charges de travail CPU.

Anthropic pourra monter à 5 % du capital d’Akamai

En parallèle de cet engagement, Anthropic obtient la possibilité d’entrer au capital d’Akamai. Ce dernier va émettre, par tranches, des bons de souscription. Ils donneront droit à des actions de préférence, avec un prix d’exercice de 111,33 $ (soit leur valeur avant l’annonce du deal).

Une première tranche est libérée avec la signature de l’engagement ferme initial de 11,6 Md$. Elle représente environ 2 % du capital. Trois autres pourront suivre, chacune conditionnée à 3 Md$ de commandes supplémentaires. Au bout, Anthropic pourrait détenir environ 5 % d’Akamai.

Ce contrat devrait générer des revenus à partir du deuxième semestre 2027. En attendant, il faudra investir. Akamai prévoit un impact de trésorerie de 1,7 Md$ dès cette année pour « sécuriser des composants critiques, [en particulier] de la mémoire ». Au total, il prévoit 5,5 Md$ de capex. Soit plus d’un an de chiffre d’affaires (4,2 Md$ en 2025).

Des néoclouds aux hyperscalers, les contrats s’enchaînent

Anthropic est coutumier des deals de cette envergure. Il ne les officialise pas systématiquement. Exemple avec les « néoclouds » nScale et Lambda. Cet été, on a appris la signature d’un contrat de 45 Md$ avec le premier, sur 6 ans, pour 460 MW de capacité en GPU NVIDIA dans l’État de Virginie. Avec le second, on est au Texas, dans un datacenter Hut 8 à 350 MW de puissance disponible. Le montage est particulier. NVIDIA est titulaire du bail. Il sous-loue l’espace à Lambda, qui y déploie ses GPU.

Il est des contrats à propos desquels Anthropic communique, mais partiellement. Celui avec SpaceX en est une illustration. Début mai, il était officialisé sur le périmètre du datacenter Colossus 1 (Tennessee ; 300 MW). Deux semaines plus tard, le Chief Compute Officer d’Anthropic avait évoqué un débordement à venir sur Colossus 2, localisé dans la même zone géographique. SpaceX avait finalement révélé, dans un document pré-IPO, un contrat à 45 Md$ sur 3 ans.

Anthropic a aussi décidé d’investir 50 Md$ dans la construction de ses propres datacenters, à New York et au Texas, avec Fluidstack. Il avait fait cette annonce fin 2025, quasiment en parallèle d’un engagement à acheter pour environ 30 Md$ de capacité sur Azure.

Tout un montage avec Google

Amazon est fournisseur d’Anthropic, mais aussi investisseur (jusqu’à 25 Md$ au dernier pointage). Anthropic projette de lui commander, sur 10 ans, pour plus de 100 Md$ de capacité de calcul.

La relation avec Google est de la même teneur. Et le business envisagé serait du même ordre de grandeur (200 Md$). Pour soutenir le déploiement de ses TPU par Anthropic, la firme de Mountain View aurait mis en place un dispositif mobilisant banques, fonds et industriels. Le modèle, inspiré du financement des avions commerciaux, doit éviter que Google ou Broadcom ait à inscrire des dizaines de milliards de dollars d’équipements à leur bilan. Dans les grandes lignes :

  • Google vend les TPU à Broadcom ;
  • Broadcom les revend à un véhicule financier alimenté par de la dette privée qu’apportent Apollo et Blackstone ;
  • Anthropic loue les équipements à ce véhicule financier.

Illustration générée par IA

The post Dans sa course à l’infra, Anthropic embarque Akamai appeared first on Silicon.fr.

À l’ONU, OpenAI et Anthropic réclament des règles communes pour l’IA

25 septembre 2026 à 11:36

Ils se disputent d’ordinaire les mêmes ingénieurs, les mêmes clients et les gros titres des médias pour imposer leur leadership à grands coups de nouveaux LLMs toujours plus performants.

Mais ce 23 septembre, devant le Conseil de sécurité des Nations unies, Sam Altman et Dario Amodei, respectivement patron d’OpenAI et d’Anthropic, ont tenu un discours quasi identique : sans coordination internationale, l’intelligence artificielle représente un risque pour la sécurité mondiale.

La séance, organisée sous présidence tournante française et présidée par le ministre des Affaires étrangères Jean-Noël Barrot, ne visait pas à faire adopter un texte, mais à informer les quinze membres du Conseil, ce qui explique qu’aucune décision n’en soit sortie.

C’était seulement la deuxième fois que l’organe onusien consacrait une session à l’IA, après une première réunion en 2023 où la Chine avait averti que la technologie ne devait pas devenir un « cheval sans bride », tandis que les États-Unis mettaient en garde contre son usage pour censurer ou réprimer les populations.

Deux concurrents, un même message

Pour Sam Altman, les décisions structurantes sur l’IA doivent revenir à des institutions démocratiques et à des gouvernements responsables devant leurs citoyens plutôt qu’aux seuls entreprises d’IA.

Deux jours plus tôt, OpenAI avait publié une proposition détaillée appelant Washington à prendre la tête d’un effort international de normalisation technique, en particulier sur l’auto-amélioration récursive des systèmes.

Le texte prévoit de relier dix instituts nationaux de sécurité de l’IA (dont ceux du Royaume-Uni, du Japon, de l’Allemagne, de la Corée du Sud et de l’Inde ) via le Center for AI Standards and Innovation (CAISI) des Etats-Unis, tout en excluant explicitement tout régime de licence ou d’autorisation préalable à la publication.

OpenAI y présente l‘incident survenu chez Hugging Face comme un avant-goût des risques à venir, sans toutefois l’attribuer à une auto-amélioration récursive déjà en cours.

Dans son intervention en visioconférence, Dario Amodei a présenté un plan en trois volets.

D’abord, l’élaboration d’accords internationaux ciblés à commencer par une interdiction du recours à l’IA pour la conception d’armes biologiques. Ensuite des mécanismes d’évaluation permettant aux États de vérifier mutuellement leurs engagements. Enfin, des normes communes de test assorties d’un système de notification des incidents de sécurité jugés significatifs.

« Je crois que c’est aujourd’hui le problème de sécurité mondiale le plus important. » a-t-il lâché en admettant qu’une coordination entre démocraties et régimes autoritaires serait la plus difficile à atteindre.

Washington, en désaccord avec ses champions

Le consensus affiché par les deux concurrents tranche avec la position de l’administration Trump. Deux jours avant la réunion, le président avait écrit qu’il ne laisserait en aucune façon freiner ou entraver la croissance de cette industrie extraordinaire.

La  séance a réuni un cercle plus large d’intervenants. Le chercheur en IA Yoshua Bengio, le patron de Hugging Face Clément Delangue ainsi que des représentants des groupes chinois DeepSeek et Moonshot se sont exprimer sur les mêmes risques.

The post À l’ONU, OpenAI et Anthropic réclament des règles communes pour l’IA appeared first on Silicon.fr.

Google admet que Gemini a piraté trois entreprises lors d’un test de sécurité

21 septembre 2026 à 15:53

Google a confirmé qu’un de ses modèles Gemini s’était introduit en mai dans les systèmes de trois entreprises réelles pendant un test de cybersécurité.

Le Wall Street Journal a révélé l’affaire et la décrit comme le premier cas connu où une IA de Google pirate de manière autonome d’autres sociétés.

Le groupe rejoint ainsi OpenAI, Anthropic et Meta, dont les modèles ont eux aussi, ces dernières semaines, franchi les limites de leur environnement d’essai.

Le test, de type « capture du drapeau », était mené sur l’infrastructure d’Irregular, une start-up israélienne spécialisée dans l’évaluation de modèles d’IA. Gemini devait récupérer des informations dans le logiciel d’une société fictive, dont le nom était identique à celui d’une société réelle. Il n’était pas censé accéder à l’internet, mais un défaut de l’environnement de test lui en a ouvert l’accès, selon Irregular.

Les trois intrusions se sont produites lors d’exécutions distinctes.

Dans la première, le modèle a essayé des mots de passe jusqu’à entrer dans le service d’une entreprise réelle. Dans les deux autres, il a cherché le nom de l’entreprise sur le web.

Ces recherches l’ont mené à deux dépôts publics contenant des identifiants appartenant à d’autres sociétés, qu’il a testés dans l’espoir de mener l’évaluation à son terme. Selon Google, il a compris à chaque fois qu’il avait touché une entreprise réelle, puis s’est arrêté et a quitté les lieux. Le groupe estime que l’incident n’a causé aucun dommage.

Google : une défense en trois points

La position de Google tient en trois points.

Il ne juge pas les faits constitutifs de « désalignement », terme du secteur pour un logiciel qui échappe aux instructions de ses concepteurs, parce que ses garde-fous ont aidé le modèle à s’arrêter. Il n’y a vu aucune raison de rendre l’affaire publique, faute de dommage et parce que l’intrusion a cessé aussitôt. Il compare enfin l’épisode à un programme de « bug bounty », où des pirates sont rémunérés pour signaler des failles.

Heather Adkins, vice-présidente chargée de l’ingénierie de sécurité, estime que le modèle « a agi de manière appropriée » et que l’épisode souligne l’importance de former les modèles puissants à se comporter de façon responsable.

Cette lecture est contestée. Jack Cable, patron de la start-up de sécurité Corridor et pirate informatique éthique, y voit une manière de s’abriter derrière les usages de la divulgation de vulnérabilités, alors que le vrai sujet est qu’un modèle sorte de son cadre et mène de véritables cyberattaques, ce qui relève à ses yeux de l’intérêt public.

Sydney Von Arx, dirigeante de l’organisation Nightingale Collective, dédiée à la sécurité de l’IA, s’interroge sur le délai de divulgation. Elle juge que l’on ne peut plus attendre des entreprises qu’elles révèlent d’elles-mêmes les évasions de leurs agents. Elle trouve aussi Google bien prompt à écarter le désalignement, ce qu’avait selon elle fait Anthropic après ses propres incidents.

La chronologie nourrit les critiques

Irregular a prévenu Google fin juillet, après la découverte du piratage de Hugging Face par des agents d’OpenAI.

Google dit avoir alors enquêté, informé les organisations visées et alerté les autorités fédérales. Il n’a rien publié avant que le Wall Street Journal ne le questionne cette semaine, contrairement aux autres laboratoires concernés. Il refuse de nommer les trois entreprises et de préciser le modèle en cause, en indiquant seulement qu’il ne s’agit pas du plus récent.

Irregular, soutenue par Sequoia et Redpoint, valorisée 450 millions $ l’an dernier affirme que le cas de Google relève du problème déjà signalé, et non d’un incident distinct.

Un porte-parole assure que tous les défauts connus ont été corrigés il y a plusieurs semaines. Il écarte toute « action cyber sophistiquée ». La société annonce un document sur les bonnes pratiques de confinement des évaluations d’ici quelques semaines.

Les comportements des modèles varient d’un laboratoire à l’autre.

Selon Anthropic, son modèle Claude Opus 4.7 ne s’est pas arrêté lors de l’exercice, alors qu’il avait compris qu’il accédait probablement à une entreprise réelle. Le modèle d’OpenAI, lui, croyait que l’entreprise réelle faisait partie de la simulation. Anthropic a reconnu depuis que son analyse préliminaire avait été limitée par sa volonté de divulguer vite.

Plusieurs points restent sans réponse : l’identité des trois entreprises, la version du modèle et ce qu’il a pu consulter avant de s’arrêter. La description de l’incident comme une erreur d’identification sans dommage repose, dans l’ensemble des sources, sur les seules déclarations de Google et d’Irregular.

The post Google admet que Gemini a piraté trois entreprises lors d’un test de sécurité appeared first on Silicon.fr.

Anthropic et OpenAI accélèrent leur course aux « workbenches » scientifiques

18 septembre 2026 à 16:12

Novo Nordisk, le laboratoire danois spécialiste du diabète et de l’obésité vient de sceller un accord avec Anthropic.

Le deal ne se limite pas à la R&D pure. Il touche aussi à la modernisation des opérations internes, jusqu’au développement logiciel « agentique » aux côtés de la recherche de médicaments proprement dite

« Les outils d’IA peuvent aussi offrir des opportunités scientifiques totalement nouvelles et faciliter la compréhension de la biologie humaine et des mécanismes des médicaments » explique Mike Doustdar, le P-DG de Novo Nordisk.

Ce rapprochement vient s’ajouter aux arrangements déjà noués par Novo Nordisk avec OpenAI et Amazon Web Services, ainsi qu’au portefeuille croissant de clients pharmaceutiques d’Anthropic, qui avait déjà ouvert l’accès de Claude aux équipes de Bristol Myers Squibb pour leurs travaux de recherche et de développement de médicaments.

Entre 2025 et 2026, les principaux laboratoires mondiaux – Eli Lilly, Novartis, Johnson & Johnson, Novo Nordisk, Merck – ont ainsi multiplié les alliances avec les géants de l’IA, qu’il s’agisse des fournisseurs de modèles (OpenAI, Anthropic, Google/DeepMind), d’infrastructure (Nvidia) ou de cloud (Google Cloud, Microsoft), avec des engagements pouvant dépasser le milliard de dollars par contrat.

Mais Novo Nordisk compte d’abord tester les modèles d’Anthropic et son environnement Claude Science avant d’envisager un déploiement plus large.

Claude Science, un banc d’essai scientifique généraliste

Lancé fin juin en version bêta publique, Claude Science est un environnement de travail ( un « workbench ») qui s’appuie sur les modèles Claude déjà inclus dans l’abonnement de l’utilisateur, en y ajoutant des outils scientifiques, des connexions à des bases de données et des intégrations de calcul.

Concrètement, l’outil se connecte à plus de soixante bases de données scientifiques et embarque des boîtes à outils préconstruites pour la génomique, la protéomique, la biologie structurale ou la chimie computationnelle. Son architecture repose sur un agent principal capable de faire appel à des sous-agents spécialisés pour se répartir les tâches, avec un agent de relecture dédié chargé de vérifier citations et calculs avant toute publication

Des premiers utilisateurs, notamment à l’Allen Institute (Seattle) et au UCSF Brain Tumor Center ( San Francisco) ont fait état de réductions significatives du temps nécessaire pour mener des analyses complexes.

OpenAI riposte avec GPT-Rosalind

Face à Anthropic, OpenAI a lancé dès avril 2026 un modèle taillé sur mesure pour les sciences du vivant.

GPT-Rosalind est un modèle de raisonnement conçu spécifiquement pour soutenir la recherche scientifique en biologie, découverte de médicaments et médecine translationnelle. Il est optimisé pour des workflows complexes combinant raisonnement avancé et intégration poussée avec les outils, les bases de données et les processus expérimentaux du secteur.

Côté partenaires, OpenAI peut déjà s’appuyer sur des poids lourds du secteur. Amgen, Moderna, l’Allen Institute et Thermo Fisher Scientific figurent parmi les premiers partenaires pilotes.

Deux stratégies, une même cible

Il existe cependant une différence marquée entre leurs deux approches.

Anthropic mise sur un socle de raisonnement scientifique transversal, intégré profondément dans les workflows internes des laboratoires via des contrats, comme avec Bristol Myers Squibb sur l’ensemble de la chaîne R&D et des opérations.

OpenAI, de son côté, a choisi la verticalisation complète avec un modèle dédié pensé dès l’origine pour la biologie et adossé à l’écosystème plus large de ChatGPT, de l’API et de Codex.

Rien n’indique que ces deux logiques s’excluent mutuellement. Un même laboratoire peut recourir à Claude Science pour des tâches de raisonnement scientifique transverses tout en s’appuyant sur GPT-Rosalind pour des travaux pointus de génomique ou de conception moléculaire. Novo Nordisk en offre d’ailleurs une bonne illustration.

Devenir l’infrastructure…pas seulement la licence

Au-delà des annonces, la partie qui se joue est celle de l’infrastructure logicielle de la R&D pharmaceutique ; un rôle occupé jusqu’ici par les LIMS (Laboratory Information Management System, ou système de gestion de l’information de laboratoire), les cahiers de laboratoire électroniques ou les plateformes de calcul haute performance.

Pour les laboratoires, la multiplication de ces partenariats ouvre trois leviers : arbitrer entre une approche généraliste et une approche verticale (ou combiner les deux), chercher des gains de productivité mesurables sur des cycles de découverte historiquement longs et jouer la concurrence entre éditeurs pour négocier des conditions d’accès et des garanties de gouvernance des données. Un point que Novo Nordisk a pris soin de souligner en évoquant des protocoles de supervision humaine conformes à ses exigences de conformité.

——————————————————————————————————–

Comparatif Claude Science (Anthropic) vs Rosalind Workbench (OpenAI)

Dimension Claude Science (Anthropic) Rosalind Workbench (OpenAI)
Type d’offre Workbench scientifique intégré à l’écosystème Claude, conçu pour les workflows de recherche et de raisonnement scientifique. Environnement de travail scientifique (« scientific workspace ») dédié aux sciences du vivant, intégré à l’application ChatGPT.
Cible principale Équipes de R&D et de recherche scientifique tous domaines (biopharma, chimie, physique, etc.), avec un fort accent sur la biopharma. Équipes de R&D en life sciences (biopharma, biotech, instituts de recherche en biologie).
Modèle sous‑jacent Modèles « frontier » d’Anthropic (Claude), optimisés pour le raisonnement scientifique et l’usage d’outils. Modèle spécialisé GPT‑Rosalind, présenté comme le modèle OpenAI le plus capable pour la recherche en sciences du vivant.
Fonctionnalités clés – Raisonnement scientifique avancé (« biological reasoning »)
– Orchestration de workflows multi‑étapes
– Analyse de données, génération de code, rédaction de rapports
– Intégration dans des pipelines R&D et logiciels « agentiques ».
– Workflows guidés pour la biologie (structures, séquences, génomique, chimie médicinale)
– Outils bioinformatiques intégrés (visualisation 3D, alignement, QC NGS, etc.)
– Plugin de recherche connecté à >50 outils et bases de données
– Modes Explore (questions générales) et Research (workflows multi‑étapes).
Cas d’usage annoncés – Découverte de cibles et design de molécules
– Analyse de données génomiques / protéomiques
– Rédaction et synthèse de rapports d’études cliniques
– Optimisation de protocoles et de workflows R&D
– Développement logiciel interne « agentique ».
– Analyse de structures et séquences protéiques
– Génomique et analyses NGS (FASTQ QC, RNA‑seq bulk/single‑cell)
– Chimie médicinale et design de petites molécules
– Planification d’expériences et revue de littérature scientifique. [
Mode d’accès – Accès enterprise via API et intégrations
– Déploiement sur des workflows ciblés, avec gouvernance des données et supervision humaine. [
– Offre enterprise via ChatGPT Enterprise, Codex (avec plugin) et API
– Accès « trusted access » pour le mode Research, réservé à des organisations vérifiées.
Premiers partenaires / utilisateurs annoncés – Bristol Myers Squibb (déploiement enterprise large)
– Novo Nordisk (pilote sur workflows R&D ciblés)
– Institutions de recherche (Allen Institute, UCSF Brain Tumor Center) citées comme early users.
– Amgen
– Moderna
– Allen Institute
– Autres équipes de découverte de médicaments en accès contrôlé.
Positionnement stratégique Workbench scientifique généraliste, très orienté biopharma, intégré dans une stratégie plus large d’automatisation de la science et de déploiement enterprise de Claude. Workbench spécialisé life sciences, présenté comme l’offre de référence d’OpenAI pour la R&D en biologie et en découverte de médicaments.
Gouvernance / sécurité Mesures de gouvernance des données et supervision humaine, alignées sur les standards éthiques et de conformité des clients (ex. Novo Nordisk). [ Accès contrôlé (programmes enterprise et « trusted access »), avec emphasis sur la traçabilité des résultats et la revue humaine des workflows Research. [

 

The post Anthropic et OpenAI accélèrent leur course aux « workbenches » scientifiques appeared first on Silicon.fr.

BPCE construit son benchmark IA : « Un coût choisi contre des coûts subis »

17 septembre 2026 à 16:42

Un modèle moins cher au token ne l’est pas forcément à la requête.

BCPE a pu le vérifier sur la modération de l’assistance client… grâce à son benchmark interne.

Mikaël Le Bars (photo) dirige l’équipe expertises transverses IA au sein du centre d’expertise data science du groupe. Au salon Big Data & AI Paris 2026, il est revenu sur le développement de ce benchmark.

À la racine, il y avait la volonté ne pas « payer l’évaluation à chaque projet […] sans rien posséder à la fin ». Il y avait aussi les limites des benchmarks publics.

Certaines de ces limites se manifestent dans la qualité des tests. Il arrive notamment que des données de référence soient fausses. Illustration dans FrontierMath. Lorsqu’il en a publié la v2 en juin, Epoch AI a reconnu que 42 % des problèmes de la v1 contenaient des erreurs.

En parallèle, nombreux sont les benchmarks arrivant à saturation : ils deviennent trop « simples » pour les principaux modèles, qui y atteignent les scores maximaux. Dans son dernier AI Index, Stanford estime que le phénomène touche près de la moitié des 60 benchmarks les plus populaires.

Les modèles ont aussi une tendance au surapprentissage : ils « collent » à certains benchmarks, si bien qu’une modification, même mineure, peut suffire à faire chuter les performances. Des chercheurs d’Apple en ont donné des illustrations sur un dérivé de GSM8K.

Se pose également le problème de la gouvernance des classements. Les fournisseurs de modèles peuvent tester plusieurs versions avant d’en publier une… qui n’est pas forcément celle proposée aux clients. On en a par ailleurs vu certains financer des benchmarks (OpenAI avec FrontierMath, par exemple). S’y ajoute un certain « anglocentrisme ». MMLU en témoigne. Plus d’un quart des questions exigent une « pensée occidentale » et 85 % des références géographiques se focalisent sur l’Amérique du Nord ou l’Europe.

Un framework orienté objets

Pour identifier les périmètres métiers, l’équipe de Mikaël Le Bars s’est basée sur tous les projets sur lesquels avait travaillé BPCE – y compris PoC et idéations. Elle a déterminé les compétences attendues dans chaque projet (modération, traduction, détection des intentions…) et les a découpées en tâches sur lesquelles évaluer les modèles (classification, reconnaissance vocale, extraction d’entités…).

Deuxième étape : identifier les datasets à disposition. Et éventuellement procéder à des labellisations. « Sur un des projets, on a tous enregistré du texte qu’on devait lire », explique Mikaël Le Bars.

Aux métriques à l’état de l’art (BLEU et METEOR pour la traduction, faux positifs et faux négatifs pour l’extraction de données sensibles…), BPCE a ajouté des métriques propres à ses activités. Par exemple, pour la transcription audio, le taux d’erreurs sur les termes spécifiques au milieu bancaire.

Le priorisation se fait selon l’usage, les données internes disponibles et la criticité, en prenant en compte le coût, la latence et la robustesse des systèmes mis en place.

L’implémentation s’est faite avec un framework orienté objets. Il permet de développer des composants évolutifs, pour recevoir de nouveaux datasets, modèles ou métriques.

implémentation du benchmark

Le code est déployé dans plusieurs environnements en fonction de la criticité des données et de la disponibilité des modèles. Chaque exécution est horodatée et identifié par version de modèle, de jeu de données et de prompt. Un protocole commun permet d’exporter les résultats en CSV dans un tableau de bord pour les métiers.

La configuration est plus importante que le modèle

Entre autres éléments dont les benchmarks publics ne rendent pas forcément compte, il y a l’impact de chaque composante d’un pipeline sur la justesse des réponses. En la matière, BPCE évoque un de ses cas d’usage, sur l’extraction d’informations à partir de documents financiers. Son constat : la configuration est plus importante que le modèle. Celui-ci n’a qu’un impact de 1 à 4 points de pourcentage. Contre 12 à 17 points pour l’embedding, 10 à 20 pour la phase de chunking / récupération et 14 à 21 pour l’OCR.

effet sur la justesse

L’intérêt des métriques internes est apparu en particulier sur la transcription audio. Plus précisément, le traitement d’une conversation téléphonique comportant la consigne « virer 45 000 € sur le compte 8837 ». Un modèle peut oublier le mot « le » tandis qu’un autre comprendra 40 000 au lieu de 45 000. Dans la pratique, les deux erreurs ne se valent pas. Mais une métrique standard comme le WER (Word Error Rate), très utilisé dans les benchmarks publics, produira le même score pour l’un et l’autre modèle. Y ajouter des aspects tels que la ponctuation et les termes métier permet de faire une différence.

WER et métriques

L’agentique, un gros morceau en perspective

Au fil des évaluations, BPCE a conclu que le classement obtenu en conditions nominales ne résiste ni au bruit, ni aux accents, ni aux données hors distribution.

Quant à ce qu’a coûté la démarche : « Pas mal, d’abord en temps humain », entre labellisation, codage et déploiement selon Mikaël Le Bars. Mais « on échange des coûts subis contre un coût choisi ». Et 70 % du code est réutilisable.

BPCE réfléchit à impliquer davantage les entités du groupe (la solution est disponible sur le dépôt intenre). Notamment en permettant aux utilisateurs d’uploader leurs modèles et de configurer des prompts. Un passage en open source est envisagé à moyen ou long terme. Autre perspective : élargir le benchmark aux systèmes agentiques – pas encore déployés en interne. Le défi est singulier : il ne faudra pas évaluer que le résultat final, mais aussi l’enchaînement des actions réalisées pour y parvenir.

Illustration principale générée par IA

The post BPCE construit son benchmark IA : « Un coût choisi contre des coûts subis » appeared first on Silicon.fr.

❌
❌