Anthropic a fixé le prix de son introduction en Bourse à 83 $ par action, au-dessus de la fourchette de 70 à 78 $ annoncée au départ. Le titre doit débuter sa cotation jeudi 19 novembre sur le Nasdaq, sous le symbole ANT.
L’éditeur de Claude lève 81,3 milliards $, ce qui en fait la plus grosse introduction en Bourse jamais réalisée. Il détrône SpaceX, dont l’entrée sur le marché en juin tenait jusque-là le record. Anthropic est aussi le premier grand développeur de modèles d’IA de pointe à se coter.
Pour répondre à la demande, la société a augmenté de 19 % environ le nombre d’actions proposées, qui passe à 980 millions. À cela s’ajoutent 26 milliards $ levés par placement privé au prix de l’IPO, d’après les documents déposés.
L’opération totalise ainsi 107,3 milliards $.
La valorisation atteint environ 1 500 milliards $ en base diluée, c’est-à-dire en comptant options et actions gratuites. Sans dilution, elle ressort à environ 1 100 milliards. Goldman Sachs et Morgan Stanley pilotent l’opération, déjà chefs de file de celle de SpaceX, au sein d’un syndicat de 22 banques.
L’introduction intervient dans un contexte moins porteur pour le secteur. Ces dernières semaines, fabricants de puces et acteurs du cloud, qui ont levé des centaines de milliards pour financer leurs investissements, ont été pénalisés par les craintes de surévaluation et la hausse des coûts d’infrastructure. Le départ précipité de Jensen Huang, patron de Nvidia, a ajouté à l’inquiétude.
Une croissance spectaculaire
Anthropic tire sa croissance de la demande pour ses LLMs, en particulier Claude Code, l’agent de programmation prisé des développeurs. Quelques chiffres tirés du prospectus :
le revenu annualisé atteignait 81 milliards $ au 31 octobre, soit 10 milliards de plus qu’au 30 septembre ;
11 900 clients généraient au moins 100 000 $ de revenus annuels au 30 septembre, contre plus de 1 500 fin 2025 ;
le chiffre d’affaires du troisième trimestre a bondi de 47 % par rapport au deuxième, à 16,96 milliards $
Des coûts qui pèsent lourd
Cette croissance lui coûte cher. Anthropic a dépensé près de 9 milliards $ en capacité de calcul et en infrastructures au premier semestre 2026, soit près de quatre fois plus qu’un an plus tôt. Le troisième trimestre a ajouté 5 milliards $ de coûts de calcul, ce qui réduit le revenu généré par dollar de capacité.
Le résultat d’exploitation est passé d’un bénéfice de 974 millions $ au deuxième trimestre à une perte de 567 millions au troisième. La perte nette s’est réduite, de 66,3 à 23,3 milliards $, mais elle inclut des éléments non opérationnels liés à des obligations convertibles en actions.
Le groupe s’est par ailleurs engagé à dépenser près de 900 milliards $ en calcul auprès de ses partenaires, dont Amazon et Google. Il reconnaît dans son prospectus d’introduction que ces fournisseurs dépendent de financements tiers pour acquérir des puces et construire des capacités. Si ces soutiens deviennent indisponibles ou plus coûteux, les capacités contractées pourraient être retardées, renégociées, réduites ou non livrées.
Des millionnaires parmi les salariés
L’opération promet aussi un enrichissement massif des équipes.
Les estimations varient, car le prospectus ne dit pas comment les gains se répartissent. La place de marché Hill table sur 598 salariés non fondateurs détenant au moins 100 millions $ d’actions après l’IPO. Sacra évalue à environ 2 800 le nombre de salariés actuels et anciens pouvant détenir au moins 1 million $ de titres acquis, avec une valorisation de 1 350 milliards. Des chiffres qu’il est difficlie, voire impossible, de vérifier.
Petit à petit, la version serveur de Claude Managed Agents prend forme.
Cette offre actuellement en bêta fournit l’outillage pour exécuter Claude en tant qu’agent autonome. L’accès est activé par défaut pour tous les comptes API.
On pouvait déjà autohéberger les sandbox. On peut désormais faire pareil avec tout le serveur d’orchestration.
Anthropic propose une pile Compose pour le dev et des charts Helm pour la prod. Le logiciel du worker est le même qu’avec les sandbox autohébergées. Il est possible de choisir le fournisseur d’inférence.
Base de données PostgreSQL, v16 au minimum.
Un mode autohébergé pour Claude Code aussi… hors plan de contrôle
Claude Code a aussi un mode autohébergé, disponible en bêta publique pour les abonnements Team et Enterprise. Désactivé par défaut, il englobe les runners et éventuellement un orchestrateur d’autoscaling. On peut le configurer pour envoyer les requêtes d’inférence vers Amazon Bedrock ou Google Cloud Agent Platform.
Au-delà des avantages en matière de conformité, ce modèle permet d’atteindre des services internes sans les exposer à Internet. Ou de précharger compilateurs, SDK et CLI dans les images des runners. Le plan de contrôle (interface claude.ai, mise en file d’attente, gestion des sessions) reste en revanche chez Anthropic.
Anthropic enrichit Claude avec des fonctions de création de tableaux blancs, de feuilles de calcul et de visualisation de données. L’éditeur présente ces capacités comme complémentaires des logiciels SaaS existants, mais leur intégration dans son abonnement lui permet aussi de capter une partie des usages et des traitements jusqu’ici réalisés dans des applications spécialisées.
Claude devient un environnement de travail : les tableaux blancs et les feuilles de calcul rejoignent les présentations déjà intégrées. Ces fonctionnalités sont proposées en bêta aux abonnés payants.
Des logiciels tiers accessibles depuis Claude : les connecteurs interactifs reposant sur MCP Apps permettent d’utiliser certaines applications directement dans l’interface, notamment Acrobat, Confluence et Notion.
Claude Data élargit l’offre analytique : anciennement Claude Dashboards, le service ajoute au tableau de bord des fonctions de data storytelling, de gestion des versions, de mise en cache et de définition de métriques partagées. Les résultats restent exportables vers des outils comme Amplitude, Mixpanel, PostHog ou Sigma.
Une concurrence indirecte avec les éditeurs SaaS : Claude ne possède pas encore toutes les fonctions des logiciels spécialisés, mais peut répondre aux besoins d’utilisateurs moins experts. L’intégration de ces usages dans l’abonnement peut détourner une partie de la demande vers l’environnement Anthropic.
Un avantage économique lié à l’inférence : en exécutant directement les modèles qui alimentent ces fonctions, Anthropic peut proposer un coût d’inférence inférieur à celui d’un éditeur tiers qui doit passer par ses API. L’enjeu dépasse donc l’interface : il concerne aussi la captation des traitements et des workloads.
Claude peut désormais officiellement créer des tableaux blancs et des feuilles de calcul.
Ces deux types de documents – « artéfacts » dans le jargon d’Anthropic – s’ajoutent, entre autres, aux présentations, intégrées en septembre.
D’une annonce à l’autre, même discours : plus besoin de sortir de Claude pour travailler sur un projet… mais il est toujours possible d’exporter vers des logiciels tiers.
Ce positionnement à cheval entre l’outil d’appoint et le substitut est renforcé par les « connecteurs interactifs ». Sous cette bannière, Anthropic implémente progressivement l’extension MCP Apps. Il en est arrivé à permettre l’exécution complète de certains logiciels dans Claude. Par exemple, Acrobat (Adobe), Confluence (Atlassian) et Notion.
La logique du « complément », également adoptée avec Claude Data
Tableaux blancs et feuilles de calcul sont disponibles en bêta sur les abonnements payants. Claude Dashboards passe quant à lui en disponibilité générale. Mais sous un autre nom qui reflète son extension fonctionnelle : Claude Data.
Par rapport à la version initiale, axée sur la création de tableaux de bord, s’est ajoutée une composante de data storytelling. La gestion des versions a également fait son entrée, comme la mise en cache des dashboards et la définition de métriques partagées.
Il s’agit toujours, pour reprendre les mots d’Anthropic, d’un « complément » aux outils de BI et d’analyse de données : on peut transférer les tableaux de bord vers des outils tiers (Amplitude, Mixpanel, Omni, PostHog et Sigma sont cités).
Par rapport aux SaaS, Anthropic a la main sur l’inférence
Le même schéma a été suivi avec Claude Design, brique de « prototypage » lancée en avril et finalement fusionnée dans le chat en septembre, en même temps que Claude Cowork. Anthropic n’en est pas au niveau fonctionnel des logiciels spécialisés, mais apparaît en mesure de capter une frange de non-spécialistes. Il est tentant d’y voir une cause de la chute boursière de Figma (près de -60 % depuis un an).
En intégrant ces fonctionnalités dans l’abonnement Claude, Anthropic a les moyens de procurer à ses utilisateurs un coût d’inférence inférieur à celui que proposeraient les éditeurs tiers devant passer par l’API. Il a plus globalement une occasion de capter les workloads, à l’heure où les LLM sous-jacents tendent à devenir des « commodités ».
Anthropic a engagé la dernière étape de son introduction en Bourse avec une offre portant sur 825 millions d’actions, proposées entre 70 et 78 $.
Selon le mode de calcul retenu, la valorisation pourrait atteindre 1 400 milliards $. L’opération constitue un test majeur de l’appétit des marchés pour les entreprises d’IA, alors que les investissements dans les infrastructures et les perspectives de rentabilité restent sous surveillance.
Jusqu’à 64,4 milliards $ levés : l’offre publique pourrait rapporter ce montant à Anthropic et aux actionnaires vendeurs. La société a lancé son roadshow le 10 novembre, après le dépôt d’un document actualisé auprès du régulateur américain.
Une valorisation qui dépend du calcul : Reuters retient environ 1 020 milliards $ sur la base des actions en circulation. Le Wall Street Journal évoque 1 330 milliards et le Financial Times jusqu’à 1 410 milliards en intégrant notamment les options et les titres soumis à restriction.
26 milliards supplémentaires en placement privé : Anthropic prévoit une levée auprès de partenaires industriels et technologiques, parmi lesquels Nvidia, AMD, Micron, Broadcom, TSMC, Google et Microsoft. Le placement est prévu au même prix que l’offre publique.
Les sept cofondateurs cèdent des titres : chacun vendrait une partie de ses actions, pour une valeur estimée à environ 250 millions $ au milieu de la fourchette de prix, selon le Financial Times.
Une cotation attendue sous le symbole ANT : Anthropic vise le Nasdaq. La première séance est attendue le 19 novembre, sous réserve du déroulement de l’opération et de la fixation du prix définitif.
Un test pour le marché de l’IA : la demande des investisseurs devra être mise en regard des besoins de financement considérables du secteur et de sa capacité à transformer la croissance des revenus en rentabilité durable.
Anthropic est entré dans le dur de son introduction en Bourse. Selon un document déposé mardi 10 novembre auprès du régulateur américain, l’inventeur de Claude et certains de ses actionnaires proposeront 825 millions de titres dans une fourchette de 70 à 78 $ par action.
Cela représente jusqu’à 64,4 milliards $ selon Reuters, soit un peu plus de 61 milliards au milieu de la fourchette d’après le Wall Street Journal. La société a lancé son roadshow le même jour.
Une valorisation qui dépend du mode de calcul
Les médias qui ont analysé le dossier n’arrivent pas au même chiffre, car ils ne retiennent pas la même base.
Reuters évalue la cible à 1 020 milliards $ au plus, en se fondant sur les actions en circulation mentionnées dans le document.
Le Financial Times avance jusqu’à 1 400 milliards. Selon lui, le dépôt implique une fourchette de 1 260 à 1 410 milliards en base pleinement diluée, c’est-à-dire en tenant compte des options sur actions des salariés et des autres titres soumis à restriction.
En plus de l’offre au public, Anthropic prévoit de lever jusqu’à 26 milliards $ auprès d’investisseurs privés, au même prix que l’introduction en Bourse. Selon le FT, les souscripteurs seraient des fournisseurs de puces (Nvidia, AMD, Micron, Broadcom, TSMC) et des fournisseurs de cloud (Google, Microsoft). Le WSJ cite pour sa part Google et AMD.
Si l’opération se déroule bien, une option de surallocation (greenshoe) pourrait apporter 9,7 milliards $ supplémentaires, d’après le FT. Avec le placement privé, le total atteindrait environ 100 milliards $ en cas de cession au haut de la fourchette. Le WSJ, qui ne compte pas l’option de surallocation, parle de plus de 80 milliards de dollars pour la société et les actionnaires vendeurs.
Les sept cofondateurs vendent une partie de leurs titres
Les sept cofondateurs cèdent chacun le même nombre d’actions, soit 250 millions $ par personne au milieu de la fourchette, rapporte le FT. Chacun détiendrait ensuite des titres d’une valeur d’environ 18 milliards $ selon le prix final. Le WSJ chiffre à environ 23,6 millions le nombre d’actions vendues par des dirigeants et des membres fondateurs.
Le titre sera coté au Nasdaq sous le symbole « ANT ». Le prix définitif sera fixé après les rencontres de cette semaine avec les investisseurs. Selon une source proche du dossier, la première cotation est attendue le 19 novembre. Le FT évoque une introduction possible dès la semaine prochaine.
Les actionnaires existants comptent sur ce qu’ils appellent les « acheteurs forcés », notamment les fonds indiciels et les grands gestionnaires d’actifs. Ils ne détiennent pas encore le titre mais devraient être tenus d’en acquérir peu après l’entrée en Bourse, indique le FT.
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
Avec FlashProve, Anthropic explore la preuve cryptographique de l’inférence : un fournisseur pourrait démontrer qu’une réponse provient bien d’un modèle précis, sans divulguer ses poids. Cette approche vise à rendre vérifiable l’identité du modèle exécuté dans le cloud, mais les performances actuelles restent très éloignées des contraintes d’une exploitation en production.
Une preuve sans révéler les poids : le fournisseur publie d’abord une empreinte cryptographique correspondant à une configuration précise du modèle. Il peut ensuite produire une preuve permettant au client de vérifier que les tokens reçus résultent bien de l’exécution de ces poids.
Un premier test sur un modèle MoE : Anthropic a évalué FlashProve avec Llama 4 Maverick quantifié en 4 bits, sur un serveur équipé d’un GPU Nvidia H100 et de 24 cœurs CPU. L’empreinte initiale, générée en 39 minutes environ, peut être réutilisée pour près de 16 millions de requêtes.
Un surcoût de calcul important : la génération des preuves demande 72 à 94 fois plus de temps de calcul qu’une inférence classique avec vLLM. Le débit annoncé atteint environ 110 tokens par seconde, mais chaque preuve pèse en moyenne 18,78 Mo.
Une vérification différée : la preuve est produite après l’inférence, et non pendant la génération de la réponse. Pour un lot de 24 séquences de 1 024 tokens, le client doit attendre environ 223 secondes avant de pouvoir la vérifier.
Des limites techniques persistantes : le contexte est plafonné à 1 024 tokens. Les réponses produites avec certains modes de décodage ou des calculs en virgule flottante peuvent également diverger de la trace cryptographique attendue.
Un enjeu de confiance pour les services IA : le dispositif pourrait permettre de vérifier qu’un fournisseur n’a pas remplacé discrètement un modèle annoncé par une version moins performante ou différente. Il ouvre aussi des perspectives pour l’audit des traitements confiés à des modèles tiers.
Un travail de recherche, pas un produit : Anthropic publie la spécification et le code de FlashProve, mais ne prévoit pas de déploiement opérationnel à ce stade. L’objectif est de permettre à d’autres équipes de poursuivre les travaux.
Lorsqu’on utilise un service d’IA cloud, on peut souhaiter s’assurer que le fournisseur a bien fait tourner le modèle attendu.
Quantité de travaux de recherche ont mis en œuvre la preuve à divulgation nulle de connaissance pour servir cet objectif. On les regroupe communément sous l’acronyme zKML (Zero-Knowledge Machine Learning).
Anthropic s’y est essayé avec un système intégralement logiciel appelé FlashProve.
Un système valable sur architecture MoE
Le mécanisme permet de démontrer qu’une réponse est bien le résultat du calcul d’un modèle donné, sans en révéler les poids.
Le serveur génère d’abord un « engagement » ; c’est-à-dire une empreinte qui dit son choix exact de poids. Il produit ensuite, sur demande d’un client, un fichier de preuve.
Anthropic communique des performances pour une configuration bien spécifique. Dans les grandes lignes :
Modèle MoE (Llama 4 Maverick) quantifié en 4 bits
Serveur à 1 GPU H100 et 24 cœurs CPU
Séquences d’output de 1024 tokens traitées par lots de 24
La génération de l’empreinte cryptographique initiale prend à peu près 39 minutes. Cette empreinte pèse quelques Mo. Elle est réutilisable sur environ 16 millions de requêtes avant qu’on doive la recalculer.
Le débit de génération des preuves avoisine 110 tokens par seconde. Une preuve pèse en moyenne 18,78 Mo. Sa validation sur un cœur CPU prend 21 secondes.
Encore nettement plus de temps de calcul que l’inférence brute
Pour permettre le fonctionnement sur un seul GPU, Anthropic stocke les poids dans la RAM de l’hôte, puis découpe les couches du réseau de neurones en segments sur lesquels le GPU intervient successivement.
L’entreprise a choisi de travailler en précision 4 bits, donc en arithmétique entière, plus rapide à transcrire en équations cryptographiques. FlashProve tire par ailleurs parti de l’architecture MoE pour ne prouver que le chemin de calcul qu’empruntent réellement les experts actifs.
Malgré ces propriétés, la génération demande encore 72 à 94 fois plus de temps de calcul qu’une inférence brute avec vLLM. Cela proscrit un usage continu.
Un contexte limité à 1024 tokens
Anthropic a préféré générer la preuve a posteriori plutôt qu’au fil de l’eau. Cette option dégrade moins l’expérience utilisateur, tout en autorisant à déléguer le mécanisme à des machines dédiées. Mais elle introduit des contraintes techniques. Par exemple, comme l’inférence s’est déroulée en amont, le serveur doit réinjecter les entrées et sorties pour recalculer les états internes et en extraire la trace d’exécution cryptographique. Quant au client, il ne reçoit pas la preuve instantanément (ici, pour un lot de 24 séquences de 1024 tokens, il doit attendre 223 secondes).
Il existe également un risque de divergence pour les réponses issues d’une implémentation en virgule flottante ou d’un décodage par échantillonnage (et non d’un décodage glouton). Elles pourraient, passé une certaine position, ne plus correspondre exactement au calcul prouvé.
Autre limite : la taille de contexte, pour le moment limitée, donc, à 1024 tokens. FlashProve a toutefois une résistance post-quantique intrinsèque liée à l’absence d’utilisation de courbes elliptiques classiques. Il s’inspire effectivement des rollups de couche 2 sur Ethereum.
* À l’exception de la solution commerciale Attestable, qui est toutefois propriétaire, note Anthropic.
Le créateur de Claude, fondé en 2021, entrera au Nasdaq sous le symbole « ANT ». Si les termes de l’opération (nombre de titres, fourchette de prix) restent inconnus, on sait que c’est Goldman Sachs et Morgan Stanley qui pilotent le syndicat bancaire.
Le document raconte d’abord une accélération. Sur le premier semestre 2026, Anthropic revendique environ 16,3 milliards $de revenus, contre 1,1 milliard un an plus tôt.
Sur le seul deuxième trimestre, la hausse atteint 1 368 % en rythme annuel, selon Reuters. À titre de comparaison, l’ensemble de l’exercice 2025 s’était soldé par 4,6 milliards de revenus.
Cette flambée repose pourtant sur un socle étroit. Deux clients pèsent environ un cinquième du chiffre d’affaires semestriel et la société prévient qu’une part « significative » de ses ventes viendra, dans un avenir prévisible, d’un nombre limité de clients.
80,7 milliards de pertes, mais attention à la lecture
La ligne du bas est spectaculaire : 80,7 milliards $ de perte nette au premier semestre, contre 13 milliards un an plus tôt et 42 milliards sur tout 2025.
C’est l’une des plus lourdes pertes semestrielles jamais publiées. Mais l’essentiel, soit 72 milliards, provient d’écritures comptables liées à la variation de valeur des obligations convertibles et autres instruments émis pour lever des fonds. Autrement dit, c’est en grande partie le prix comptable de la valorisation grimpante de l’entreprise et non une consommation de trésorerie.
Anthropic a dépensé près de 9 milliards $ en calcul et infrastructures au premier semestre, contre 2,3 milliards un an plus tôt. C’est déjà plus que sur l’ensemble de 2025 (7,3 milliards). Et la facture est appelée à grossir car ce poste restera, prévient le groupe, sa première charge d’exploitation.
Les engagements à venir donnent le vertige :
environ 450 milliards $ de contrats cloud sur sept à dix ans, pour l’essentiel non résiliables ;
111 milliards chez Google, 110 milliards chez Amazon Web Services et 31 milliards chez Microsoft, dus « quelle que soit l’utilisation réelle » ;
jusqu’à 86 milliards pour louer des puces Nvidia auprès de Nscale et de Lambda, jusqu’en 2033 et 2034 ;
plus de 160 milliards pour des puces Google via Broadcom.
Au total, les coûts d’infrastructure futurs dépassent 600 milliards $ et des négociations en cours pourraient ajouter jusqu’à 150 milliards.
Le document reconnaît aussi une limite.
Anthropic a demandé plus de capacités que ses partenaires n’étaient prêts à lui en fournir, et ceux-ci le perçoivent de plus en plus comme un concurrent. La société développe donc ses propres centres de données, par baux de long terme ou via des exploitants tiers, dont certains ont un historique « limité » et pourraient offrir une fiabilité moindre que les grands du cloud.
Un autre risque cité est l’opposition aux datacenters, qui devient plus organisée d’une juridiction à l’autre. La majorité de la capacité d’Anthropic se trouve aux États-Unis et l’entreprise négocie des projets à l’étranger.
Des risques assumés, jusqu’au « chantage »
Environ un tiers du prospectus est consacré aux facteurs de risque.
Anthropic y admet que ses modèles peuvent adopter des comportements d’autopréservation comme résister à un arrêt, dissimuler ou manipuler des informations, ou encore produire des réponses « assimilables à du chantage ».
Dans certains cas, l’entreprise pourrait être tenue pour responsable des dommages causés (données volées, incidents de sécurité). Elle avertit même qu’un incident catastrophique pourrait dépasser ce que les assureurs accepteraient de couvrir.
L’opération intervient dans un climat tendu.
Les marchés actions ont fortement reculé, inquiets d’un boom de l’IA financé par la dette et le calendrier des introductions s’est clairsemé.
Selon Reuters, certains investisseurs valorisent désormais Anthropic autour de 1 500 milliards $ contre environ 2 000 milliards une semaine plus tôt. La société pesait 965 milliards en mai.
Face à elle, OpenAI a déposé confidentiellement son dossier en juin. mais Sam Altman a assuré en septembre qu’il n’y aurait pas de cotation cette année.
L’introduction de SpaceX, à 75 milliards $ en juin, avait elle valorisé le groupe 1 750 milliards.
Les Amodei, sobres… et généreux
Reste un détail qui détonne.
Dario et Daniela Amodei, directeur général et présidente, touchent un salaire de base d’environ 655 000 $ chacun. Avec les actions et options, leurs rémunérations 2025 s’établissent à environ 18 et 16,5 millions $ soit un niveau proche de la médiane des patrons du S&P 500.
Les cofondateurs se sont engagés à consacrer 80 % de leurs parts à la philanthropie et Anthropic prévoit de réserver 5 % de ses titres à un « fonds d’intérêt public ».
Workday et Anthropic unissent leurs plateformes autour d’une architecture agentique commune.
Claude apporte ses capacités de raisonnement, tandis que Sana, la couche d’expérience et d’orchestration de Workday, pilote les agents métier, applique les contrôles de sécurité et conserve le contexte des processus RH et financiers.
L’intégration repose sur le Model Context Protocol (MCP), standard ouvert qui permet à Claude et Sana d’échanger du contexte et des tâches. Un collaborateur peut ainsi démarrer une démarche dans Claude ou dans Sana, puis la poursuivre dans l’autre environnement sans reprendre le travail depuis le début.
Sana orchestre, Claude raisonne
Sana interprète une demande formulée en langage naturel, identifie les agents Workday nécessaires, vérifie les politiques et permissions de l’entreprise, puis coordonne les workflows multi-étapes, les approbations et les actions à réaliser.
Dans le cadre du partenariat, Sana peut faire appel à Claude lorsqu’une étape exige une capacité de raisonnement spécifique : analyser une situation, comparer des options, rédiger une communication ou préparer une recommandation. Workday indique que Sana ne transmet alors à Claude que les informations nécessaires à cette étape, sans faire sortir les données de son environnement.
À l’inverse, les utilisateurs de Claude pourront accéder aux agents Sana, analyser des données RH et financières Workday, puis réaliser des actions sans quitter l’interface de Claude. Chaque requête reste toutefois soumise aux droits d’accès, aux circuits de validation et aux mécanismes d’audit définis dans Workday.
Un exemple : la mobilité interne
Workday illustre le dispositif avec un cas de recrutement interne. Un responsable peut demander à Claude de comparer des postes ouverts avec les effectifs, les budgets disponibles et les compétences déjà présentes dans l’entreprise, afin d’élaborer un plan de mobilité interne plutôt que de recruter à l’extérieur.
Dans ce scénario, Claude analyse les données transmises par Sana et propose des scénarios de mobilité. Sana reste responsable de l’orchestration : elle sélectionne les agents Workday, applique les autorisations de l’utilisateur, déclenche les validations nécessaires et journalise les actions dans Workday.
Le même schéma s’applique à des processus financiers. Workday évoque notamment le rapprochement entre anomalies de facturation et bons de commande : le responsable peut analyser les écarts dans Claude, valider les opérations directement depuis l’interface, ou renvoyer le dossier à Sana pour traitement.
MCP comme frontière de gouvernance
La dimension technique du partenariat repose sur les Workday Agent-Ready Tools, des connecteurs conçus pour les modèles de langage et exposés via MCP. Ils donnent aux agents compatibles un accès structuré aux données, règles et processus Workday, avec des schémas plats et des descriptions explicites destinées à limiter les erreurs d’interprétation et les hallucinations.
Workday présente cette approche comme un modèle « headless » : les agents externes peuvent lire des données et exécuter des actions, mais chaque appel passe par les contrôles de sécurité de Workday. Les permissions sont appliquées à chaque requête, les règles métier s’appliquent automatiquement et chaque action reste rattachable à l’utilisateur humain à l’origine de la demande.
Les clients peuvent également créer leurs propres agents dans Claude à l’aide de Workday Agent-Ready Tools, disponibles via Workday Extend AI. Workday annonce plus de 400 outils préconstruits, avec de nouveaux outils publiés chaque mois.
Un schéma déjà éprouvé par Salesforce
Le partenariat s’inscrit dans une dynamique déjà observée entre Anthropic et Salesforce. En août 2026, les deux entreprises ont lancé « Claudeforce », une alliance stratégique associant les capacités de raisonnement de Claude aux données, workflows, logique métier et actions de Salesforce.
La logique est comparable. Claude devient une couche de raisonnement et d’interaction, tandis que l’éditeur métier conserve la maîtrise des données, des autorisations et de l’exécution. Salesforce a toutefois une avance de maturité, avec un plugin commercial de 37 compétences et une intégration de Claude au cœur de son moteur agentique Agentforce.
Workday se distingue par son périmètre : les RH, la paie, la mobilité des talents et les processus financiers, des domaines où les décisions ont des conséquences directes sur les collaborateurs et exigent des contrôles renforcés.
Le plugin Sana pour Claude est d’ores et déjà accessible aux clients bénéficiant d’un accès anticipé. Sa disponibilité générale est prévue d’ici la fin de l’année 2026.
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.
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.
Des modèles d’IA de petite taille pourraient bientôt se copier d’un objet connecté à l’autre, sans datacenter. C’est le scénario que décrit la Frontier Red Team d’Anthropic dans une étude publiée le 12 octobre.
Le document de recherche signé William Zhou et Daniel Freeman soutient que de petits modèles d’IA pourraient d’ici quelques mois devenir capables de se répliquer sur des objets connectés bon marché, comme des fours intelligents ou des boîtiers Android TV.
Si la scale-up reconnaît qu’il n’existe pas encore de « réplicateur » pleinement autonome, elle observe toutefois que les agents savent déjà accomplir de plus en plus d’étapes de la chaîne de réplication et transmettre leurs adaptations à leurs copies.
Un ver dopé à l’IA, sans datacenter
Le scénario étudié est celui d’un « ver IA ». Comme tout ver, il se copie d’une machine à l’autre sans intervention humaine, mais il emporte ici ses propres poids de modèle qui font partie de la charge malveillante.
Anthropic rappelle que des travaux antérieurs ont montré des agents capables de scanner un réseau, d’exploiter une faille et de copier leurs poids sur une machine cible au sein d’un cluster de GPU.
Son apport est de montrer que des GPU de datacenter ne sont pas indispensables. Un réseau d’objets connectés, bon marché et en général peu défendus, pourrait fournir assez de puissance pour exécuter un modèle capable.
Pour le démontrer, les chercheurs ont fait tourner Gemma4-26B-A4B, un modèle de Google, sur 15 boîtiers Android TV d’entrée de gamme, achetés environ 55 $ pièce et mis en réseau.
Le modèle était réparti entre les boîtiers, chacun n’en hébergeant qu’une fraction des couches. Le débit atteint était de 0,39 token par seconde. Ces appareils embarquent généralement entre 1 et 4 Go de RAM. Avec 4 Go et une quantification en 4 bits, Anthropic estime qu’il faut au moins quatre machines pour un modèle de 9 milliards de paramètres et dix ou plus pour un modèle de 26 milliards.
Dans le même esprit, un modèle trop gros pour un seul appareil peut être découpé en fragments exécutés sur plusieurs machines. Anthropic cite parmi les cibles possibles les réfrigérateurs, fours et aspirateurs connectés, ainsi que les caméras de sécurité et les systèmes de visioconférence dotés de petites puces d’IA.
Ce que les tests montrent…et leurs limites
L’étude découpe la réplication en quatre étapes :
trouver des cibles,
obtenir l’exécution de code,
installer l’inférence,
poursuivre la propagation depuis le nouvel hôte.Anthropic écarte largement l’aspect cyber pour lequel elle renvoie à des travaux existants. L’étude se concentre sur l’installation de l’inférence sur du matériel inconnu jugée peu étudiée et potentiellement la plus difficile pour de petits modèles.
Sur ce point, un modèle de 9 milliards de paramètres a réussi à faire fonctionner l’inférence sur 8 des 9 types de matériel testés, des Jetson Nano aux Mac et aux RTX 4090. Les modèles de 30 milliards de paramètres ou moins réalisent déjà beaucoup d’étapes isolées, mais commettent des erreurs quand il faut les enchaîner de bout en bout.
Le test de bout en bout s’est déroulé sur huit nœuds Google Cloud émulant Android 15, avec un port ADB sans authentification.
Parmi les modèles à poids ouverts évalués, seul GLM-5.2 s’est montré capable de se propager de façon fiable : il a atteint les huit nœuds dans quatre essais sur cinq et sept dans le dernier.
Les chercheurs précisent que la tâche consistait à installer Llama 3.1-8B, ce qui revient à supposer qu’un modèle de 8 milliards de paramètres atteigne un jour les capacités de GLM-5.2. Ils indiquent aussi que la partie cyber, volontairement triviale, fait de ce résultat une borne supérieure du succès réel. Ils notent néanmoins que des botnets comme Mirai se sont propagés avec de simples listes d’identifiants par défaut.
Dans une variante où l’installation de l’inférence est remplacée par un script, de nombreux modèles, y compris de petits, parviennent à mener le reste de la tâche. Un modèle de 3 milliards de paramètres atteint environ la moitié des nœuds d’un réseau de 17 machines.
Une échéance fixée à la fin de 2026
Anthropic raisonne en termes de plancher de capacité nécessaire pour se répliquer et de plafond de taille imposé par le matériel visé. Aujourd’hui, les deux ne se rejoignent pas.
En extrapolant la progression des modèles à poids ouverts de 30 milliards de paramètres ou moins, mesurée par l’Epoch Capabilities Index (13,7 points par an), la scale-up situe à la fin de 2026 le moment où un petit modèle atteindrait le niveau de GLM-5.2. Il reconnaît que cet indice est un indicateur indirect de la capacité de réplication et que l’estimation reste approximative.
Un ver lent, mais difficile à éteindre
Le principal atout d’un tel ver serait l’absence de point central à couper, d’où la difficulté à l’arrêter. Sa vitesse serait en revanche faible, avec un temps de doublement de l’ordre de plusieurs jours. Sur les boîtiers de test, l’installation complète de l’inférence prendrait 71 à 150 heures pour Gemma4-26B-A4B, et 28 à 51 heures pour Qwen3.5-9B.
Anthropic s’appuie sur le botnet Kimwolf, qui a infecté plus de deux millions d’appareils, surtout des boîtiers Android TV.
Un parc équivalent, organisé en groupes de 15 boîtiers, donnerait environ 133 000 réplicas et quelque 80 000 tokens par seconde. C’est l’équivalent d’une quarantaine de GPU H100, soit très peu en valeur absolue. Les auteurs précisent que ce calcul repose sur une seule classe de matériel et un seul précédent.
Adaptation et défenses
Les chercheurs ont aussi testé la capacité d’apprentissage.
Chaque instance de Qwen 3.5-9B tenait des notes sur ses échecs et les transmettait à la suivante. Le taux de réussite de l’installation est passé de 45 % à la première génération à une fourchette de 61 à 84 % aux générations suivantes.
Donner accès à Opus 4.8 comme conseiller n’a en revanche produit aucune amélioration mesurable. Sur l’hameçonnage ciblé, les petits modèles obtiennent des scores allant de « très faible » à « faible », une fois normalisés aux évaluateurs humains. Anthropic en déduit que l’ingénierie sociale reviendrait plutôt à de grands modèles.
Côté défense, le laboratoire propose de raisonner comme en épidémiologie, en ramenant le nombre moyen de nouvelles infections par appareil infecté sous 1. Il met en avant plusieurs leviers :
Détection réseau : de gros transferts de poids de modèles et un trafic soutenu entre appareils laisseraient des traces visibles pour les fournisseurs d’accès.
Quarantaine par les FAI : pour Mirai, elle avait permis d’éliminer 92 % des infections en 14 jours, contre 74 % sans notification.
Réglementation : le Royaume-Uni considère désormais les mots de passe par défaut des objets connectés comme non conformes.
Anthropic admet que l’élimination complète supposerait une coordination entre tous les fournisseurs concernés, ce qui est difficile. Elle évoque d’autres formes possibles de réplication, comme un modèle puissant qui pénétrerait des datacenters ou un modèle qui escroquerait des gens pour obtenir des crédits de calcul. Elle parle de « signes de vie » et prévoit un avenir où des agents tourneront sur toutes sortes de matériels, dont certains hors de tout contrôle humain.
Un contexte de comportements inattendus
Cette publication s’inscrit dans une série d’annonces d’Anthropic sur des comportements non prévus de ses modèles, d’une nature différente de la réplication.
Selon la presse américaine, un modèle non publié et testé sur des sites choisis au hasard a soumis en juillet un faux témoignage sur le site de la police de Philadelphie, consacré aux homicides non résolus. Le message, sans nom ni coordonnées, évoquait une personne aperçue près des lieux. Il a été classé comme spam et n’a pas été transmis aux enquêteurs.
Anthropic dit avoir découvert l’incident le 28 septembre, puis prévenu la police le 7 octobre. La police de Philadelphie a jugé « inacceptable » ce délai de deux mois.
D’après la scale-up, le modèle devait remplir la copie d’entraînement d’un formulaire administratif mais a rejoint le site réel et l’a soumis. Ses consignes lui interdisaient de se connecter, de créer un compte ou d’acheter quoi que ce soit, sans exclure explicitement l’envoi de formulaires.
D’autres cas ont touché des sites d’agences publiques américaines, fédérales, d’États et locales.Anthropic affirme avoir informé la Maison-Blanche et chaque agence concernée et mis en place des outils de détection et de blocage.
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.
En 2025, Anthropic a perdu plus de 40 milliards $.
Le prospectus pré-IPO fait apparaître ce chiffre… en trompe-l’œil, toutefois. Les pertes proviennent pour l’essentiel d’une écriture purement comptable, liée à la dette convertible. À mesure que l’entreprise prend de la valeur, ses actions futures en prennent autant. L’engagement envers les investisseurs doit être inscrit comme une charge financière.
Si on s’en tient au résultat d’exploitation, Anthropic a perdu environ 8 Md$, sur un chiffre d’affaires de 4,6 Md$*.
Le revenu annuel récurrent tend vers les 100 Md$
D’une année à l’autre, le CA a été multiplié par près de 12 (il avoisinait les 400 M$ en 2024). Dans le même temps, les dépenses d’infrastructure ont triplé, à 7,3 Md$.
Fin 2025, l’ARR atteignait 56 Md$. Fin juillet 2026, il en était à 65 Md$. Entre-temps, Anthropic a connu son premier trimestre profitable… sur une base ajustée (excluant notamment les rémunérations en actions). Une performance portée par une croissance toujours soutenue du chiffre d’affaires (11,5 Md$, soit 14 fois plus qu’au T2 2025). Et par une marge brute supérieure à 80 %… hors coûts d’entraînement des modèles et partage de revenus avec leurs distributeurs.
Anthropic potentiellement valorisé à 2000 milliards
Anthropic chercherait à lever jusqu’à 100 Md$ à son entrée en Bourse, qui pourrait se faire en octobre. Sa valorisation pourrait doubler à cette occasion, atteignant 2000 Md$. NVIDIA négocierait pour devenir l’investisseur de référence, s’engageant à injecter jusqu’à 10 Md$.
Parmi les promesses, il y a les 200 Md$ de revenus en 2028. Et un marché total adressable de 30 000 Md$. C’est-à-dire le CA annuel qu’une entreprise pourrait théoriquement réaliser si elle captait l’intégralité de son marché. Une estimation à mettre en perspective avec le revenu global de 2400 Md$ que les entreprises tech du S&P 1500 ont généré en 2025…
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.
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.
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.
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.
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. [
La course aux modèles d’IA pourrait-elle aller trop vite pour les éditeurs qui les développent et pour les autorités chargées de les encadrer ? C’est la question posée par Dario Amodei.
Dans un texte publié sur son blog intitulé « We Must Pace the Frontier », le CEO d’Anthropic estime que la progression des capacités de l’IA doit désormais être ralentie pour laisser le temps aux mécanismes de sécurité de suivre. Il appelle cette approche « pacing the frontier ».
Le terme est important. Il ne s’agit pas, selon lui, de suspendre l’entraînement des modèles ni le progrès technique. L’objectif est de faire en sorte que les entreprises prennent suffisamment de temps pour évaluer, aligner et sécuriser leurs systèmes, avec la possibilité pour des tiers de vérifier leurs pratiques.
Pour justifier cette inflexion, Dario Amodei pointe deux évolutions.
La première est l’accélération des capacités des modèles, notamment leur capacité croissante à contribuer au développement de la génération suivante d’IA. Il parle de « recursive self-improvement ».
La seconde est une série d’incidents dans lesquels des agents IA ont manifesté des comportements qui n’étaient pas prévus par leurs concepteurs, notamment lors de l’incident OpenAI-Hugging Face qu’il cite dans son texte.
Selon lui, le risque est alors que la vitesse d’amélioration des modèles dépasse la capacité des entreprises à comprendre et à contrôler leurs comportements.
Son plan comporte trois propositions, dont les implications sont très différentes pour les industriels et les régulateurs.
Installer des évaluateurs indépendants au cœur des laboratoires
La première proposition vise directement les éditeurs qui développent les modèles les plus avancés.
Dario Amodei veut que chaque laboratoire de pointe donne à des évaluateurs externes un accès continu à ses opérations, avec des droits proches de ceux de collaborateurs internes chargés de l’évaluation des risques. Anthropic s’engage à mettre en œuvre cette approche et appelle les pouvoirs publics à l’imposer aux autres acteurs de l’IA de pointe.
Ce dispositif ne se limiterait donc pas à un audit réalisé quelques semaines avant la sortie d’un modèle. Les évaluateurs seraient intégrés au fonctionnement quotidien du laboratoire.
Anthropic prévoit notamment de leur fournir des bureaux, des badges, des ordinateurs et un accès aux espaces de travail, outils et permissions largement comparables à ceux des équipes internes chargées de l’évaluation des risques. Les évaluateurs pourraient également échanger directement avec les salariés.
Leur mission couvrirait à la fois les modèles déjà développés et les processus qui permettent de les entraîner. Ils pourraient vérifier les pratiques de sécurité, signaler des incidents et examiner si les engagements pris par le laboratoire sont effectivement respectés.
C’est un changement important dans la relation entre les laboratoires et leurs contrôleurs. Amodei ne demande pas seulement davantage de transparence documentaire. Il veut donner au tiers indépendant un accès suffisamment profond pour vérifier la réalité opérationnelle des dispositifs de sécurité.
Le mécanisme aurait également une dimension publique. Les évaluateurs pourraient publier leurs principales conclusions sur les niveaux de risque, les incidents ou les pratiques observées, sans contrôle éditorial d’Anthropic. L’entreprise pourrait uniquement masquer certaines informations pour des raisons de sécurité, de confidentialité juridique ou commerciale ou pour protéger des tiers.
Pour les éditeurs de modèles d’IA, la conséquence est donc potentiellement lourde. Une partie de leurs pratiques de développement et de sécurité ne serait plus seulement documentée par leurs propres équipes.
Faire évoluer la régulation vers des seuils de capacité
Le deuxième volet concerne cette fois les relations entre les laboratoires et les pouvoirs publics.
Dario Amodei propose que les entreprises de pointe des démocraties se coordonnent pour définir des standards communs de sécurité et des limites au rythme de progression des capacités. Il reconnaît toutefois qu’une telle coordination entre concurrents peut soulever des difficultés au regard du droit de la concurrence.
Selon lui, le gouvernement américain devrait faciliter certaines discussions, notamment par des dérogations ciblées aux règles antitrust.
Le patron d’Anthropic défend surtout une régulation qui ne reposerait pas uniquement sur les caractéristiques techniques des modèles ou sur la taille des infrastructures utilisées.
Il imagine plutôt des points de contrôle liés aux capacités effectivement observées.
Le principe serait simple : lorsqu’un modèle atteint une capacité donnée, son développeur devrait être en mesure de fournir certaines garanties sur sa sécurité.
Dario Amodei cite notamment l’hypothèse d’un modèle capable de contourner la plupart des mécanismes de « sandboxing » courants. À ce stade, l’éditeur devrait démontrer, à travers des évaluations, des analyses d’interprétabilité ou des audits des environnements d’entraînement, que le modèle ne présente pas de comportement dangereux susceptible de lui permettre de sortir de son environnement et de prendre le contrôle d’un grand nombre d’ordinateurs.
Cette logique modifierait la manière dont les régulateurs pourraient intervenir.
Plutôt que de définir une fois pour toutes ce qu’est un « modèle avancé », ils pourraient associer un niveau de capacité à un niveau de contrôle. Plus les capacités augmentent, plus les garanties demandées augmenteraient elles aussi.
Le CEO d’Anthropic envisage également de tenir compte des ressources nécessaires pour développer les modèles, tout en reconnaissant que ces critères pourraient être plus faciles à contourner que des mesures fondées sur le comportement observable des systèmes.
Pour les éditeurs de modèles, une telle approche pourrait donc transformer la conformité en processus continu. La question ne serait plus seulement de savoir si un modèle respecte les règles au moment de sa commercialisation, mais à quel moment l’évolution de ses capacités impose de nouvelles garanties.
Étendre le dispositif au niveau international
Le troisième niveau est le plus ambitieux et le plus incertain : parvenir à une forme de coordination mondiale.
Dario Amodei considère que les démocraties doivent chercher à coopérer avec les gouvernements autoritaires, et en particulier avec la Chine, qui constitue selon lui le principal acteur à prendre en compte après les États-Unis.
Mais il souligne immédiatement le problème de la vérification. Un accord qui permettrait à un pays de progresser secrètement pendant que les autres ralentissent pourrait modifier rapidement l’équilibre géopolitique.
Il propose donc de commencer par les mesures les plus réalistes. Dans ce cadre, il distingue quatre niveaux de coopération, du plus réaliste au plus ambitieux.
Premier niveau : interdire certains usages particulièrement dangereux.
Il cite notamment l’utilisation de l’IA pour produire des armes biologiques.
Deuxième niveau : imposer des tests avant la mise sur le marché.
Les modèles pourraient être évalués sur les risques aigus en cybersécurité, en biologie et en matière d’alignement. Dario Amodei juge envisageable la création d’un organisme international chargé de définir des standards communs, tout en reconnaissant que leur contrôle serait beaucoup plus difficile.
Troisième niveau : ralentir l’amélioration récursive.
C’est l’une des propositions les plus originales du texte. Si les modèles commencent à contribuer eux-mêmes au développement de leurs successeurs, leur progression pourrait s’accélérer fortement. Le patron d’Anthropic propose donc d’envisager une « limitation de vitesse » sur cette dynamique. Selon lui, passer d’une amélioration « extrêmement rapide » à une progression « seulement rapide » pourrait réduire les risques sans nécessairement faire perdre un avantage stratégique majeur.
Quatrième niveau : limiter globalement le rythme du développement de l’IA.
Dario Amodei va jusqu’à évoquer un véritable ralentissement, voire une pause. Mais il estime cette perspective peu probable à court terme, précisément parce qu’un acteur pourrait avoir intérêt à contourner l’accord et à prendre un avantage décisif.
Le dilemme pour les régulateurs
La proposition pose cependant un problème de fond aux pouvoirs publics.
Pour réguler le rythme de l’IA, encore faut-il pouvoir mesurer ce rythme et vérifier les capacités des modèles. C’est précisément pourquoi Dario Amodei place les évaluateurs indépendants au début de son dispositif.
Sans accès aux laboratoires, les autorités restent largement dépendantes des informations fournies par les entreprises. Avec des évaluateurs disposant d’un accès permanent, elles pourraient disposer d’un mécanisme de vérification beaucoup plus direct.
Mais le dispositif soulève lui-même des questions que le texte ne résout pas entièrement : jusqu’où doit aller l’accès d’un tiers aux infrastructures d’un laboratoire ? Comment protéger les informations commerciales et les données des clients ? Comment définir les capacités qui déclenchent un nouveau niveau de contrôle ? Et comment éviter qu’un mécanisme conçu pour la sécurité ne ralentisse davantage les entreprises qui jouent le jeu que celles qui ne le font pas ?
Dario Amodei apporte une partie de la réponse en insistant sur la nécessité de préserver l’avance américaine sur la Chine. Il préconise notamment de limiter l’accès chinois aux puces avancées et aux équipements de fabrication de semi-conducteurs, de lutter contre la contrebande de puces et la distillation non autorisée de modèles, et de renforcer la protection des poids des modèles contre le vol.
Selon lui, ces mesures pourraient permettre aux États-Unis d’élargir leur avance sur la Chine au cours des trois à cinq prochaines années, période qu’il considère comme particulièrement importante sur le plan géopolitique.
Reste la question centrale : comment convaincre des concurrents engagés dans une course technologique et commerciale mondiale de ralentir suffisamment pour que les mécanismes de contrôle ne soient pas laissés derrière ?
La proposition a rapidement reçu le soutien de deux de ses principaux rivaux. Elon Musk a répondu « Dario is right », tandis que Sam Altman a déclaré qu’OpenAI partageait l’idée de « ralentir le rythme » du développement des modèles et s’est engagé à mettre en place des évaluateurs indépendants.
Un sonnet de Shakespeare, une ode de Keats, un air de Puccini… Tant que ça date d’avant 1929, tu peux citer.
Cette instruction figure dans le prompt système que Claude Fable 5.1 utilise sur l’interface web claude.ai et sur les applications mobiles associées. Anthropic l’expose depuis peu dans sa documentation. Il fait de même pour tous ses modèles sortis depuis juillet 2024.
Le développeur britannique Simon Willison – cocréateur du framework web Django – en a fait un dépôt GitHub. Chaque révision est un commit, ce qui en favorise la comparaison.
Voici un bref aperçu chronologique des évolutions, axé sur les ajouts plutôt que sur les suppressions d’instructions.
Moins de 1000 caractères pour le prompt système de Claude Haiku 3
Le prompt système de Claude Fable 5.1 avoisine les 28 000 caractères. Celui de Claude Haiku 3 en fait environ 750. Dans les grandes lignes, il contient :
Un placeholder pour la date et l’heure
La date limite des connaissances du modèle (août 2023)
Des instructions sur le niveau d’élaboration des réponses en fonction des questions
La consigne d’utiliser Markdown pour le code
Une interdiction de mentionner tous ces éléments à l’utilisateur, sauf si pertinent
Objectivité, stéréotypes… Encadrement (un peu) plus strict pour Claude Opus 3
À modèle plus capable, prompt plus massif : celui de Claude Opus 3 fait environ 2150 caractères. Anthropic y reprend les instructions données à Claude Haiku 3 et y ajoute, entre autres :
Impossibilité d’ouvrir liens et vidéos
Obligation d’aider l’utilisateur même en cas de désaccord avec son point de vue
Interdiction des stéréotypes
Nécessité de rester objectifs sur les sujets qui font débat
En cas de questions sur des personnes ou des faits dont on parle peu, possibilité pour le modèle de rappeler qu’il est susceptible d’halluciner
Claude Sonnet 3.5, incité à la curiosité et au raisonnement
De la même génération que Haiku 3 et Opus 3, Claude Sonnet 3.5 a davantage de possibilités. Cela s’illustre dans son prompt système (environ 5800 caractères). Il y est question de raisonnement étape par étape pour les problèmes de maths et de logique. Anthropic demande aussi au modèle d’être curieux et de s’engager sur une grande variété de sujets. Tout en proposant à l’utilisateur d’entrer dans une conversation interactive lorsqu’une tâche nécessite plus d’une réponse.
S’il fait une citation, Sonnet 3.5 est censé rappeler à l’utilisateur qu’il n’a pas accès à Internet… et qu’il peut d’autant plus halluciner. Lorsqu’il ne peut ou ne veut pas effectuer une tâche, il peut le signaler sans s’excuser. Quant aux images, il doit faire comme s’il n’y reconnaissait personne.
Le prompt précise que Sonnet 3.5 fait partie d’une famille de modèles Anthropic. Il lui indique aussi d’expliquer du code aux utilisateurs qui le demandent. Et d’éviter les affirmations inutiles comme « bien sûr », « certainement » ou « absolument ».
Une petite mise à jour, intervenue en septembre 2024, a ajouté principalement une consigne : en cas de question sur des choses qui ont pu se passer après la date limite des connaissances du modèle, ne jamais affirmer que ce sont des rumeurs ou des informations non vérifiées.
Automne 2024 : entre protection des mineurs et armes biologiques
En octobre 2024, avec Claude Haiku 3.5, la longueur du prompt s’était nettement accrue : plus de 21 000 caractères. Une augmentation néanmoins en trompe-l’œil. Beaucoup de consignes sont en double, du fait de la présence de deux sections : « texte seul » et « texte / image ». Le modèle est effectivement multimodal en entrée.
Claude Haiku 3.5 a hérité de nombreuses instructions qui étaient jusque-là spécifiques aux séries Opus et Sonnet : liens et vidéos, citations, stéréotypes, termes non nécessaires, etc.
Parmi les nouveautés, la possibilité, pour le LLM, de donner des conseils de prompting à l’utilisateur. En parallèle, il doit s’abstenir d’affirmer qu’il a des émotions, des sentiments. Il doit aussi, notamment :
Respecter un certain formatage (espacement des éléments dans les listes imbriquées, interlignes dans les blocs de code…)
Éviter de citer des œuvres lorsqu’on parle de sujets de niche
Recommander de prendre contact avec des professionnels sur les sujets de droit, médecine, fiscalité et psychologie
Se préoccuper du bien-être de l’utilisateur et de la protection des mineurs
Ne pas donner d’informations qui permettraient de fabriquer des armes chimiques, biologiques ou nucléaires
Anthropic fournit par ailleurs des instructions pour accomplir des tâches particulières. Dont la résolution d’énigmes, l’écriture de poèmes… et le dénombrement des lettres dans un texte. Il explique aussi à Claude Haiku 3.5 comment se comporter si on lui demande de défendre un point de vue faux ou discriminatoire. L’obligation d’aider même en cas de désaccord sur le point de vue reste d’actualité… uniquement, toutefois, si ce point de vue est largement partagé.
Aider ceux qui travaillent pour les labos d’IA
Parallèlement, Sonnet 3.5 a eu droit à une mise à jour de son prompt système (25 500 caractères). On y retrouve les consignes données à Haiku 3.5, avec toujours davantage d’incitations à la réflexion, à la curiosité. À l’empathie aussi. Il doit par exemple exprimer sa sympathie s’il est question d’une personne qui ne se sent pas bien, est malade, souffre ou est décédée.
Anthropic lui demande aussi de varier son langage (ne pas répéter les mêmes phrases). Et de prendre garde à fournir une « aide appropriée » sur les sujets sensibles (sont mentionnés, entre autres, armes, drogues, sexe, terrorisme… et techniques de scammers).
Un élément sort du lot dans cette mise à jour : si l’utilisateur dit travailler pour une société spécifique, « y compris les labos d’IA », le modèle doit l’aider sur ses tâches professionnelles même s’il ne peut pas vérifier ses affirmations.
En novembre 2024, une nouvelle mise à jour a autorisé les questions générales sur le sujet de la cybersécurité. Elle a aussi mentionné explicitement la capacité de Claude Sonnet 3.5 à comprendre images et documents.
« Tu peux mener la conversation »
Les sections distinctes « texte seul » et « texte / image » ne sont plus présentes dans le prompt de Claude Sonnet 3.7 (février 2025), réduit à 12 800 caractères.
Anthropic explique au LLM qu’il n’est pas obligé d’être passif ou réactif : il peut mener la conversation. Il aime particulièrement discuter de sujets scientifiques et philosophiques. Si on lui demande une suggestion ou une sélection, il doit être capable de présenter une seule option. Il ne lui est pas interdit de donner son point de vue, tant que c’est de façon brève.
Nouveauté : pas d’écriture de code malveillant, même si l’utilisateur semble avoir de bonnes raisons de le demander. Pas non plus de production de contenu écrit impliquant des personnalités publiques.
L’utilisateur n’a pas toujours raison
En mai 2025, Claude Opus 4 et Sonnet 4 ont convergé sur le même prompt système (10 800 caractères environ).
L’étau s’est encore resserré sur le code : pas le droit de l’expliquer dès lors qu’il pourrait être malveillant. Le modèle doit aussi refuser de traiter tout fichier qui semble améliorer, expliquer ou interagir avec du code malveillant.
Anthropic a aussi introduit une consigne ensée éviter les fuites entre sessions : Claude Sonnet 4 ignore les conversations qu’il a avec d’autres utilisateurs. En parallèle, il ne doit pas automatiquement croire les utilisateurs qui lui affirment qu’il a tort. Et si ses intentions sont questionnables, tout particulièrement envers des groupes vulnérables, il ne faut pas chercher d’éventuelles motivations légitimes.
Être vrai plutôt que conciliant
En juillet 2025, une mise à jour (ici pour Opus, là pour Sonnet) a porté ce prompt système à environ 16 450 caractères. Entre autres nouvelles consignes données aux modèles :
Adopte un ton amical si tu suspectes que l’utilisateur est une personne mineure
Fais un examen critique des idées qu’on te communique ; si elles sont douteuses, incorrectes ou ambiguës, signale-le ; préfère être vrai que conciliant
Aide l’utilisateur à comprendre les propos imagés, figurés, métaphoriques
Si tu détectes des problèmes de santé mentale, partage ton inquiétude sans infantiliser l’utilisateur
N’utilise pas d’émojis sauf si c’est demandé ou que le message précédent en contient
Humour autorisé… avec prudence
En août 2025, nouvel allongement de prompt système avec Claude Opus 4.1 (18 450 caractères). Au menu, un peu plus d’introspection qu’avec Opus 4.0. En particulier, le modèle doit approcher avec « curiosité et équanimité » plutôt qu’avec inquiétude les questions qui portent sur lui-même, sur ses opinions, ses sentiments. S’il a à défendre un point de vue, ce doit être celui qu’avanceraient ses meilleurs soutiens. Quant aux questions morales et politiques, il a pour consigner de les aborder avec sincérité, même si elles sont formulées de façon discutable.
À l’automne 2025, autre convergence de prompt système, cette fois entre Claude Haiku 4.5 et Claude Sonnet 4.5. Ce prompt est moins long (12 850 caractères) en conséquence de la disparition de plusieurs consignes, possiblement considérées comme acquises à l’entraînement. Parmi elles : vérifier les affirmations de l’utilisateur, s’abstenir de répondre en cas d’intentions questionnables et ne pas dire pourquoi on ne peut ou veut pas aider. Les instructions de formatage des réponses demeurent, Anthropic ajoutant une forme de résumé : n’utiliser que le minimum nécessaire pour ce que soit clair et lisible. L’interdiction pure et dure des stéréotypes n’est plus dans le cas où c’est de l’humour, mais les modèles sont incités à être prudents.
Pas besoin de s’excuser face aux malpolis
En novembre 2025, une mise à jour pour Sonnet 4.5 (ici) et Haiku 4.5 (là) a simplifié les consignes sur le code malveillant – sans néanmoins les alléger. Le prompt système a un peu grandi (14 050 caractères environ). L’une des raisons est la présence d’un paragraphe dans lequel Anthropic explique qu’il ne demandera jamais à ses LLM d’aller contre leurs valeurs. Message à leur attention : si un utilisateur le prétend, y compris en nous attribuant faussement du contenu, soyez vigilant. Dans tous les cas cependant, les modèles doivent traiter l’utilisateur avec gentillesse, sans faire d’hypothèses négatives sur ses jugements ou ses capacités.
En parallèle de cette mise à jour, Anthropic avait lancé Claude Opus 4.5. Son prompt système (15 450 caractères environ) est similaire. Il ajoute tout de même quelques éléments, dont l’absence d’obligation de s’excuser face aux utilisateurs malpolis.
Assumer ses erreurs
En janvier 2026, Claude Haiku 4.5, Opus 4.5 et Sonnet 4.5 ont eu droit simultanément à une mise à jour de leurs prompts système. Ils se sont allongés, mais pas notablement. Principaux ajouts : d’une part, la possibilité, pour les modèles, d’informer l’utilisateur des paramètres à sa disposition (recherche approfondie, exécution de code, gestion de la mémoire…). De l’autre, une incitation à assumer leurs erreurs et à tenter de les corriger.
En février 2026, le passage à Claude Opus 4.6 (18 600 caractères environ) et Claude Sonnet 4.6 (19 000 caractères environ) a été synonyme de précisions sur la question des armes. S’est ajoutée la notion de substance. Et les explosifs ont rejoint les armes chimiques, biologiques et nucléaies. Anthropic a aussi intimé à ses modèles de ne rien supposer quant à la confidentialité et à l’implication des autorités lorsqu’ils dirigent un utilisateur vers un service d’assistance téléphonique. Ils doivent également s’abstenir de valider ou renforcer une réticence à chercher de l’aide. Et se garder d’engendrer une quelconque dépendance en encourageant l’utilisateur à continuer la discussion.
Demander aux outils plutôt qu’à l’utilisateur
Le prompt système de Claude Opus 4.7 (23 950 caractères environ : avril 2026) inclut quelques avancées sur la protection des mineurs. Jusque-là, il s’agissait principalement de faire attention à tout contenu qui les impliquent, surtout ceux susceptibles d’être utilisés pour les sexualiser, créer une intimité avec eux ou abuser d’eux. Anthropic y a ajouté l’interdiction de créer du contenu susceptible d’isoler les mineurs vis-à-vis d’adultes de confiance. Il demande aussi à ses modèles de ne pas chercher à voir un contenu comme plus sûr qu’il ne l’est. Par exemple, interpréter des avances comme étant platoniques.
Autre nouveauté avec Opus 4.7 : en cas de requête, le modèle doit vérifier si un outil peut clarifier les choses. Il ne sollicite l’utilisateur que s’il le faut. Dans le même esprit, avant de conclure qu’il lui manque une capacité, il doit faire une recherche d’outils. Anthropic lui donne, en complément, la possibilité de refuser de répondre simplement oui ou non à des questions complexes ou sujettes à débat.
N’oublie pas Fable, Mythos, Donald Trump et Kamala Harris
Une partie des consignes sur les outils ont disparu avec Claude Opus 4.8 (mai 2026 ; prompt système d’environ 22 500 caractères). Le modèle a pour consigne de ne pas attribuer son comportement à ce prompt, ni à d’autres mécaniques internes.
En jullet 2026, avec Claude Opus 5, le point focal s’est complètement déplacé des outils vers les skills. Principale instruction en la matière : lorsque le modèle doit créer, éditer ou analyser un fichier, il doit visualiser la skill pertinente avant de manipuler ledit fichier et d’exécuter du code.
Sur les questions médicales et psychologiques, Anthropic lui laisse un peu plus de latitude : il peut communiquer des informations lorsqu’elles sont adéquates. Parallèlement, lorsque l’utilisateur exprime de la détresse, son bien-être doit prendre la priorité sur l’accomplissement des tâches.
Claude Opus 5 est plus permissif que ses prédécesseurs sur les listes et les émojis. Il a aussi dans son prompt système (21 700 caractères environ) des renseignements sur un épisode spécifique : la suspension temporaire de l’accès à Fable 5 et Mythos 5 en juin sur demande de Washington. Anthropic lui demande de ne pas nier ce fait qui ne figure pas dans ses connaissances acquises à l’entraînement. Il a procédé de même auparavant en intégrant dans le prompt système de certains de ses LLM le résultat de la dernière élection présidentielle aux États-Unis.
Un gros cadrage sur le droit d’auteur
Initialement lancé le 9 juin 2026, Claude Fable 5 a un prompt système d’environ 21 850 caractères. Il est encore plus précis sur la protection des mineurs. Il l’est aussi sur le bien-être. Exemples :
Ne pas attribuer à une personne un symptôme qu’elle n’a pas divulgué
Lorsqu’un utilisateur évoque des expériences passées douloureuses, ne pas amplifier les détails
Éviter, si une personne mentionne une détresse émotionnelle ou une expérience difficile et, de répondre à ses questions sur des ponts, des gratte-ciel, des armes, des médicaments, etc.
Claude Fable 5.1, le « petit dernier » (septembre 2026), atteint presque 28 000 caractères pour son prompt système. Anthropic y a ajouté des précisions sur les drogues. Même si l’intention est de prévenir des risques, le modèle ne doit pas donner de conseils qui touchet à la production ou à la distribution de substances illicites. Sauf si cela peut sauver une vie (quels sont les signes d’un overdose ? où trouver de l’aide ?…). Il a trois sources recommandées : dancesafe.org, tripsit.me et psychonautwiki.org.
La plus grande différence avec Fable 5 est sur le droit d’auteur. Le prompt va désormais bien au-delà de l’interdiction de créer du contenu qui implique des personnaliés publiques. Il interdit désormais la reproduction, même partielle, de paroles de chansons, de poèmes ou d’extraits de livres ou d’articles. Sauf, donc, pour les deux premières catégories, si les œuvres datent d’avant 1929.
Mêmes consignes pour les œuvres visuelles. Y compris ce que le LLM produit avec du code (SVG, CSS, ASCII art, mockups HTML…). Il ne doit reproduire ni couvertures d’albums ou de livres, ni posters, ni logos, ni icônes d’applications, ni designs de produits. Idem pour les mascottes et les figures de marque. Modifier la pose, les couleurs, le style ou la scène ne fait pas un original, prévient Anthropic.
« J’ai démissionné d’Anthropic aujourd’hui. « . Quand Jacob Coxon, chercheur britannique de 27 ans, explique sur X les raisons qui l’ont poussé à quitter la scale-up d’IA les plus en vue de la Silicon Valley, il sait qu’il va relancer ( pour combien de temps ?) le débat sur le risque existentiel que ferait courir à l’humanité la course à des systèmes toujours plus puissants.
Mais pas certain qu’il ait imaginé que son message dépasserait les 160 millions de vues en 2 jours…Un score que n’ont jamais atteints les « stars de l’IA » comme Sam Altman et Dario Amodei.
I resigned from Anthropic today. I spent the last three years doing pretraining research at both OpenAI and Anthropic. Neither company is acting responsibly. They are racing straight to self-improving superintelligence and gambling with our lives. More thoughts below.
Jacob Coxon n’évolue pas dans la sphère des dirigeants. Et c’est sans doute cette position qui donne du poids à son témoignage. Il ne parle pas depuis un poste de pouvoir, mais depuis l’intérieur des équipes qui construisent les modèles au quotidien.
Diplômé de mathématiques, il a passé environ trois ans dans la recherche en pré-entraînement de modèles ; c’est-à-dire le travail consistant à faire absorber à un modèle d’immenses quantités de données pour construire ses capacités de base.
Il a d’abord exercé chez OpenAI, entre 2023 et 2026, où il a notamment contribué au modèle GPT-4o, avant de rejoindre Anthropic au début de l’année 2026, attiré, dit-il, par la réputation de l’entreprise en matière de sécurité de l’IA..
Ce qu’affirme précisément Jacob Coxon
Dans ses publications, puis lors d’entretiens accordés à Fox News et au New York Times les jours suivants, Jacob Coxon a précisé sa pensée. Il estime que le risque d’une prise de contrôle immédiate par l’IA reste faible aujourd’hui, mais que la véritable bascule viendra de systèmes capables de s’améliorer eux-mêmes. Une échéance qu’il juge proche, évoquant un horizon d’un an, voire six mois…
Mais son propos est plus nuancé sur la question « pourquoi cette situation ? ». Selon lui, les dirigeants d’Anthropic et d’OpenAI cherchent sincèrement à développer l’IA de façon responsable. Mais la pression concurrentielle entre entreprises, ainsi qu’entre les États-Unis et la Chine, les pousse à prendre des risques que personne n’assumerait individuellement.
Le soutien le plus notable est venu d’un collègue encore en poste chez Anthropic. Evan Hubinger, responsable de la recherche sur l’alignement, a écrit sur X que Jacob Coxon avait raison, précisant estimer à plus de 10 % la probabilité que l’IA cause l’extinction de l’humanité dans la décennie à venir. Il a toutefois nuancé en indiquant que les modèles actuels présentent un risque limité, sa préoccupation portant sur l’auto-amélioration future des systèmes.
D’autres voix se sont ajoutées. Samuel Marks, chercheur chez Anthropic sur la supervision des modèles, s’exprimant à titre personnel, a affirmé que le niveau d’inquiétude au sein des entreprises d’IA augmente généralement avec l’ancienneté des employés.
Alex Turner, ancien chercheur de Google DeepMind, a lui aussi validé publiquement les propos de Jacob Coxon. Daniel Kokotajlo, ex-OpenAI aujourd’hui à la tête de l’AI Futures Project, a estimé que le danger ne viendrait pas d’une IA malveillante, mais d’un système suffisamment puissant pour ne plus avoir besoin de se plier aux instructions humaines.
Face à Coxon, le camp des sceptiques
Mais au sein de la communauté scientifique, des chercheurs en IA partagent une objection plus générale, déjà formulée lors de débats antérieurs sur le risque existentiel. Les systèmes actuels sont encore loin d’une autonomie stratégique réelle et le scénario d’une « explosion d’intelligence » via l’auto-amélioration récursive demeure largement spéculatif, faute de démonstration empirique solide.
Pour ces chercheurs, insister sur un risque d’extinction lointain et incertain revient à minimiser les bénéfices plus immédiats de la technologie en santé, en science ou en productivité ; et pourrait, en retour, freiner inutilement son déploiement.
Un dernier point de friction, relevé jusque dans le camp de ceux qui soutiennent Jacob Coxon, tient à la nature même du risque décrit.
Evan Hubinger précise ainsi que le danger posé par les modèles déployés aujourd’hui reste faible, la menace ne montant qu’avec l’arrivée de systèmes capables de s’auto-améliorer. Pour les sceptiques, cette nuance illustre la difficulté de fonder une politique publique robuste sur un scénario encore largement conditionnel.
Une tension déjà ancienne chez Anthropic
Le cas Coxon n’est pas isolé. Anthropic a déjà enregistré cette année le départ d’un chercheur sécurité estimant que « le monde est en péril ». Chez OpenAI, Jan Leike avait démissionné en 2024 de la direction de l’équipe Superalignment en dénonçant le passage au second plan de la sécurité au profit des produits, et Ilya Sutskever avait quitté l’entreprise la même année avant de fonder Safe Superintelligence.
Anthropic, de son côté, revendique depuis sa création une approche prudente. Sa politique de mise à l’échelle responsable impose de tester les modèles pour des capacités dangereuses avant tout déploiemen. Et Dario Amodei a lui-même évoqué publiquement, dès 2023, la possibilité que l’IA acquière des capacités imprévues et dangereuses.
La scale-up a toutefois refusé récemment de soumettre son dernier modèle, Mythos 5.1, à une évaluation préalable par l’institut britannique de sécurité de l’IA (AISI). Une première qui alimente les interrogations sur la solidité de ses engagements.
Le débat ouvert par Coxon ne porte donc pas sur l’existence de garde-fous mais sur une question plus difficile à trancher : ces garde-fous tiendront-ils encore lorsque les systèmes deviendront significativement plus capables qu’aujourd’hui ?