Gemma dépasse 1 milliard de téléchargements : Google revendique plus de 100 000 variantes

par Yohann Poiron le 24 août 2026

Google annonce que sa famille Gemma a dépassé le milliard de téléchargements, deux ans après son lancement. Au-delà du chiffre, l’entreprise met surtout en avant un écosystème de plus de 100 000 variantes, des déploiements locaux, médicaux et même spatiaux — ce qu’elle appelle désormais le « Gemmaverse ».

Gemma franchit le cap du milliard de téléchargements

Google DeepMind vient d’annoncer un nouveau jalon symbolique pour sa famille de modèles ouverts. Gemma a dépassé le milliard de téléchargements depuis le lancement de la première génération. L’annonce a été publiée le 20 août par Clement Farabet, vice-président chez Google DeepMind, et Olivier Lacombe, directeur produit.

Toutefois, Google insiste immédiatement sur un point : le nombre brut de téléchargements n’est pas forcément la métrique la plus intéressante. L’entreprise préfère mettre en avant ce que les développeurs construisent à partir de ces modèles.

Plus de 100 000 variantes créées par la communauté

Google affirme que les développeurs ont publié plus de 100 000 variantes de Gemma en l’espace de deux ans. Fine-tunes, versions quantifiées, modèles spécialisés ou encore adaptations pour du matériel particulier. C’est cet ensemble que Google désigne désormais sous le nom de Gemmaverse.

L’idée est assez claire : Gemma n’est plus seulement une famille de modèles publiée par Google, mais une base sur laquelle une communauté développe ses propres couches, outils et applications.

Le milliard reste un chiffre difficile à interpréter

Le nombre mérite tout de même plusieurs précautions. Google ne détaille pas la méthodologie utilisée pour arriver à ce milliard. L’entreprise ne publie ni ventilation par modèle, ni par année, ni par plateforme. Gus Martins, ingénieur Developer Relations chez Google, a même précisé que ce total n’incluait pas les intégrations Android et Chrome.

Autrement dit, le chiffre est probablement déjà sous-estimé sur certains canaux, mais il reste impossible de savoir précisément ce qu’un « download » représente dans cette comptabilité.

Un téléchargement n’est pas nécessairement un utilisateur actif ni un déploiement en production.

Impossible de comparer directement Gemma à Qwen

La comparaison avec Qwen est tentante. Alibaba affirmait quelques jours plus tôt que sa famille Qwen avait dépassé 3 milliards de téléchargements. Hugging Face comptabilisait de son côté environ 2,045 milliards de téléchargements pour Qwen en 2026 dans son propre écosystème.

Mais, les deux chiffres ne sont pas directement comparables. Hugging Face explique explicitement que ses statistiques ne mesurent que l’activité sur son Hub, et elles n’incluent pas les appels API, les déploiements privés ou les modèles distribués ailleurs.

Google ne publie pas davantage la liste précise des plateformes utilisées pour calculer son milliard. Il serait donc trompeur de conclure que Qwen est exactement trois fois plus téléchargé que Gemma.

La vraie compétition se joue sur les dérivés

Une autre métrique est probablement plus intéressante : le nombre de variantes créées par les développeurs. Google revendique plus de 100 000 modèles Gemma dérivés sur deux ans. Alibaba avance plus de 300 000 variantes autour de Qwen, tandis que Hugging Face, dans son propre comptage, recense environ 151 000 dérivés Qwen. Les écarts montrent justement pourquoi ces chiffres demandent de la prudence.

Chaque acteur applique une méthodologie différente et observe une partie différente de l’écosystème. Mais, une tendance se dessine : les grands modèles ouverts ne sont plus seulement téléchargés pour être testés, ils deviennent des bases de développement.

Gemma a été conçu pour sortir du cloud

C’est précisément l’une des forces historiques de Gemma. Google a toujours positionné la famille comme une série de modèles suffisamment légers pour fonctionner localement sur différents types de matériel.

Smartphones, ordinateurs portables, stations de travail, Raspberry Pi et infrastructure edge. Cette flexibilité permet à Gemma d’occuper un espace différent des modèles géants qui nécessitent plusieurs GPU haut de gamme pour fonctionner.

L’objectif n’est pas uniquement de maximiser les scores de benchmark. Il est aussi de rendre le modèle suffisamment pratique pour être intégré directement dans un produit.

Gemma tourne désormais… dans l’espace

Google fournit d’ailleurs un exemple assez spectaculaire. Des équipes de la NASA, de Satlyt et de Starcloud utiliseraient Gemma directement en orbite. Les usages mentionnés concernent notamment l’analyse d’images à bord, l’optimisation de la bande passante disponible pour transmettre les données vers la Terre et le routage de communications entre satellites.

L’intérêt est évident.

Dans l’espace, il n’est pas toujours possible d’envoyer toutes les données vers un centre de calcul distant. Traiter une partie de l’information directement à bord peut économiser énormément de bande passante. Toutefois, Google ne précise pas quels modèles Gemma sont utilisés sur chaque plateforme ni depuis quand ces déploiements fonctionnent.

L’IA locale devient particulièrement intéressante dans les environnements contraints

Cette utilisation spatiale illustre bien la philosophie de Gemma. Un modèle compact devient pertinent lorsque la connexion réseau est limitée, coûteuse ou inexistante. C’est aussi le cas dans des régions mal connectées ou sur du matériel embarqué. Google avait déjà mis en avant des projets éducatifs hors ligne et des assistants destinés aux personnes malvoyantes.

Des développeurs ont également fait fonctionner Gemma sur des petits ordinateurs comme le Raspberry Pi pour des tâches de traduction locale. Dans ces scénarios, l’IA n’a pas besoin d’un datacenter permanent pour être utile.

Gemma 4 arrive aussi dans la santé en Inde

Google cite également un déploiement dans Aarogya Setu 2.0, l’application liée à la National Health Authority indienne. Gemma 4 et le Medical Data Toolkit open source de Google y seraient utilisés pour transformer des rapports médicaux complexes en formats numériques standardisés. L’objectif est de faciliter la gestion et le partage des dossiers entre différents prestataires de santé.

Google rappelle que Aarogya Setu 2.0 dépasse les 100 millions de téléchargements sur Android. Ce chiffre concerne toutefois l’application elle-même, pas l’utilisation de Gemma. Il ne faut donc pas l’ajouter mécaniquement au milliard annoncé.

C2S-Scale : une affirmation scientifique à manier avec prudence

Google met également en avant C2S-Scale, un modèle développé avec des chercheurs de Yale. Il s’agit d’un modèle dérivé de Gemma destiné à interpréter le langage moléculaire des cellules. Google affirme que C2S-Scale a permis d’identifier une nouvelle voie thérapeutique contre le cancer, ensuite vérifiée sur des cellules vivantes. L’entreprise présente le résultat comme une première pour un système d’IA capable de produire une nouvelle hypothèse mécanistique thérapeutique ensuite validée biologiquement.

C’est une affirmation importante.

Mais, dans l’annonce consacrée au milliard de téléchargements, Google renvoie surtout vers ses propres publications précédentes. Il faut donc éviter de transformer cette communication en consensus scientifique indépendant sans davantage de validation externe.

MedGemma continue de viser les usages cliniques

La famille comprend également MedGemma, une variante spécialisée dans les données médicales. Google explique que des organisations l’utilisent pour développer des applications liées au triage, à la communication avec les patients ou à l’assistance clinique. Parmi les exemples cités figurent l’All India Institute of Medical Sciences et des systèmes destinés aux professionnels de santé de première ligne dans certaines zones rurales d’Ouganda.

Là encore, Google parle d’applications développées autour de MedGemma, pas nécessairement d’un déploiement massif et uniforme dans tout le système de santé. La nuance compte.

DolphinGemma s’attaque aux communications des dauphins

Le Gemmaverse prend aussi une direction beaucoup plus expérimentale avec DolphinGemma. Développé avec Georgia Tech et le Wild Dolphin Project, le modèle analyse des vocalisations de dauphins et cherche à prédire des séquences sonores.

L’objectif est de mieux comprendre la structure de leurs communications. Google présente le projet comme encore en cours de développement. Nous sommes donc très loin d’un « traducteur dauphin-humain ». Mais, l’expérience montre jusqu’où une architecture relativement légère peut être spécialisée pour un domaine extrêmement particulier.

Awesome Gemma veut organiser tout cet écosystème

Avec plus de 100 000 variantes, la découverte des bons projets devient elle-même un problème. Google lance donc Awesome Gemma, un répertoire officiel hébergé sur GitHub. Il doit servir de point d’entrée vers les principaux modèles, fine-tunes, tutoriels et outils de développement. On y trouve notamment des guides pour Ollama, vLLM et LiteRT, ainsi que des ressources de fine-tuning autour d’Unsloth, Tunix ou MLX.

C’est un mouvement stratégique important. Une famille de modèles ouverte devient d’autant plus attractive qu’elle possède une bonne documentation, des outils simples et un écosystème suffisamment visible.

Ollama joue un rôle clé dans cette démocratisation

Ollama fait justement partie des outils qui ont largement simplifié l’usage local des modèles ouverts. En quelques commandes, un développeur peut télécharger et exécuter Gemma, Qwen, Llama ou d’autres modèles sur sa propre machine. Cette simplicité a contribué à rendre l’IA locale beaucoup plus accessible.

Pour Google, être bien intégré dans ce type d’outil est presque aussi important que publier un bon modèle. La bataille des modèles ouverts se joue aussi dans la facilité d’installation.

Google veut éviter que Gemma ne reste l’ombre de Gemini

La stratégie est intéressante parce que Google développe en parallèle deux familles très différentes. Gemini représente la vitrine propriétaire, accessible dans les produits Google et via les services cloud. Gemma joue le rôle d’alternative ouverte et déployable localement.

Les deux ne répondent pas au même objectif. Gemini doit maximiser les capacités, tandis que Gemma doit maximiser la diffusion et l’adaptabilité. Cette complémentarité permet à Google de rester présent même dans les projets qui refusent d’envoyer leurs données vers un fournisseur cloud.

Qwen reste néanmoins un concurrent redoutable

La montée de Qwen montre que Google ne domine pas pour autant le terrain des modèles ouverts. Hugging Face considère désormais Qwen comme l’une des bases communautaires les plus importantes de son Hub. Le nombre de dérivés y est particulièrement élevé. Les laboratoires chinois ont aussi accéléré énormément sur les modèles ouverts, avec des licences permissives et des performances de plus en plus proches des meilleurs systèmes propriétaires.

Dans ce contexte, le milliard de Gemma représente moins une victoire définitive qu’un signe de bonne santé.

Le vrai indicateur est ce que les développeurs construisent dessus

Google le dit lui-même : le chiffre brut compte moins que l’écosystème. C’est probablement la bonne manière de lire l’annonce. Un milliard de téléchargements impressionne. Mais, un modèle ouvert devient vraiment stratégique lorsque des chercheurs, entreprises et développeurs le modifient, l’intègrent et construisent des produits qui continuent d’exister sans dépendre directement du fournisseur initial.

C’est précisément ce que Google essaie de démontrer avec le Gemmaverse.

Le milliard est donc surtout un marqueur de visibilité. La vraie bataille des modèles ouverts se joue ailleurs : dans le nombre de projets qui choisissent Gemma comme fondation plutôt qu’un modèle concurrent.

Lire plus

Intelligence Artificielle

DeepSeek ajoute la vision à V4-Flash et revendique des performances proches de Claude Opus 4.8

par Yohann Poiron le 24 août 2026

DeepSeek vient de publier V4-Flash-Vision-Exp, une version expérimentale de son modèle rapide capable de comprendre images et captures d’écran, puis d’agir à partir de ce qu’il voit.

Le laboratoire chinois affirme se rapprocher de Claude Opus 4.8 sur les benchmarks d’agents multimodaux, mais son propre tableau montre une réalité plus nuancée : DeepSeek ne gagne que trois tests sur onze.

DeepSeek-V4-Flash-Vision-Exp est disponible sur l’API

Le nouveau modèle a été mis en ligne le 21 août sur la plateforme API de DeepSeek. Son nom complet est DeepSeek-V4-Flash-Vision-Exp. Comme son suffixe l’indique, il s’agit encore d’un modèle expérimental.

Il reprend la base de V4-Flash, mais lui ajoute la compréhension d’images, de captures d’écran et plus largement de contenus visuels.

Cette évolution est particulièrement importante pour les agents.

Un modèle texte peut comprendre une instruction et appeler des outils. Un modèle multimodal peut en plus observer une interface graphique, reconnaître un bouton, lire un graphique ou interpréter une capture d’écran avant de décider quoi faire.

Le nouveau modèle peut regarder avant d’agir

DeepSeek positionne clairement V4-Flash-Vision-Exp comme un modèle destiné aux usages agentiques. Il peut analyser ce qui apparaît à l’écran puis utiliser cette information pour poursuivre une tâche.

Le laboratoire a également publié la version 0.1.1 de son DeepSeek Harness, avec une prise en charge directe de ce nouveau modèle. Ce type d’infrastructure devient presque aussi important que le modèle lui-même.

Pour automatiser un navigateur, une application ou un environnement de développement, il ne suffit plus de produire du texte de qualité. Le modèle doit observer, raisonner, appeler les bons outils et reprendre correctement une tâche après chaque résultat.

DeepSeek revendique un niveau « proche » de Opus 4.8

DeepSeek affirme que son nouveau modèle réalise un bond important sur les benchmarks d’agents multimodaux et atteint un niveau désormais proche de Claude Opus 4.8. La formulation est soigneusement choisie. Le laboratoire ne dit pas qu’il surpasse globalement Anthropic. Et, son propre tableau confirme qu’il ne le fait pas.

Sur les onze benchmarks publiés, V4-Flash-Vision-Exp termine devant Opus 4.8 sur seulement trois tests.

Trois victoires sur onze

DeepSeek prend l’avantage sur DeepSWE, avec 1,3 point d’avance, Agents’ Last Exam, avec 1,6 point, et ZeroBench, avec un avantage d’environ un point. Sur les huit autres évaluations, Opus 4.8 reste devant. Certaines différences sont minimes.

Toolathlon-Verified se termine à 75,9 pour DeepSeek contre 76,2 pour Anthropic, Chartography affiche 64,3 contre 65,0, et Terminal Bench 2.1 atteint 83,9 contre 85,0.

Dans ces cas, parler de performances proches est raisonnable.

Mais, certains écarts restent importants

D’autres benchmarks racontent une histoire différente. Sur NL2Repo, DeepSeek obtient 57,7 contre 69,7 pour Opus 4.8. Cela représente douze points d’écart. Sur DSBench-Hard, le nouveau modèle atteint 63,6 contre 71,7.

Ces différences sont beaucoup plus difficiles à ignorer, particulièrement pour les entreprises qui cherchent des agents capables de travailler sur de grands dépôts de code ou des environnements complexes.

Être à un point d’un concurrent sur une tâche est presque équivalent. Être à douze points ne l’est plus vraiment.

AutomationBench montre surtout que tout le monde a encore du travail

Un résultat est intéressant pour une autre raison. Sur AutomationBench, les scores restent faibles pour l’ensemble des modèles comparés. DeepSeek atteint 25,7. Une autre version se situe à 25,1. Opus 4.8 obtient 27,2. Autrement dit, aucun n’approche encore d’un niveau qui permettrait de considérer ce type d’automatisation comme résolu.

La progression des agents est rapide, mais ces benchmarks rappellent qu’ils restent fragiles dès que les tâches deviennent longues, hétérogènes ou très dépendantes d’un environnement externe.

Le bond multimodal est réel, mais la comparaison a une particularité

DeepSeek montre également une forte progression face au V4-Flash textuel. Sur ApexBench, le nouveau modèle passe de. 26,2 à 36,5, sur Agents’ Last Exam, il progresse de 25,2 à 27,3. La différence est intéressante, mais DeepSeek ajoute lui-même une note importante à son tableau.

Sur ces deux évaluations, le modèle texte V4-Flash ignore les éléments multimodaux présents dans les tests.

Autrement dit, l’ancien modèle passe en partie une épreuve visuelle sans pouvoir voir les images. Cela ne rend pas le score du nouveau modèle invalide.

Mais, une partie du « bond » mesure simplement le passage d’un modèle aveugle à un modèle capable d’exploiter l’ensemble des informations disponibles.

DeepSeek a au moins documenté cette limite

Cette précision mérite d’être soulignée. Les laboratoires publient régulièrement des tableaux où les conditions exactes des comparaisons sont difficiles à retrouver. DeepSeek indique ici clairement que V4-Flash ignore les contenus multimodaux sur certains tests. Le laboratoire précise également les paramètres de son évaluation : utilisation du DeepSeek Harness en mode minimal, temperature à 1,0 et top_p à 0,95 pour plusieurs benchmarks d’agents.

Cela ne transforme pas les résultats en évaluation indépendante. Mais, cela fournit davantage de contexte pour les interpréter.

La version Vision semble même progresser sur certains tests texte

DeepSeek affirme officiellement que V4-Flash-Vision-Exp égale V4-Flash sur les capacités textuelles, incluant agents, raisonnement et connaissances générales. Son propre tableau est même légèrement plus favorable. Sur sept benchmarks textuels comparés, la version Vision termine devant V4-Flash sur six. Toolathlon-Verified progresse de 5,6 points, DeepSWE gagne 4,9 points et DSBench-Hard progresse de 4 points. La seule régression mentionnée concerne Cybergym, où V4-Flash-Vision-Exp perd environ 1,4 point.

Ajouter la vision n’aurait donc pas entraîné de dégradation généralisée des performances textuelles.

Le véritable concurrent actuel d’Anthropic est déjà Opus 5

La comparaison avec Claude doit néanmoins être contextualisée. Claude Opus 4.8 a été lancé le 28 mai 2026 et reste aujourd’hui un modèle pleinement actif chez Anthropic. Il n’est donc ni ancien ni abandonné. Anthropic le classe toujours comme supporté et recommandé, avec aucun retrait prévu avant mai 2027.

DeepSeek n’a donc pas choisi une référence obsolète pour rendre sa comparaison artificiellement avantageuse. Mais, depuis le 24 juillet 2026, Anthropic propose également Claude Opus 5. C’est désormais la génération la plus récente.

Nous ne savons pas comment DeepSeek se comporte face à Opus 5

Le tableau de DeepSeek ne contient aucune colonne Opus 5. Et, DeepSeek ne prétend pas le battre. Il serait donc incorrect de transformer l’annonce en « DeepSeek rattrape le meilleur modèle d’Anthropic ». La conclusion plus exacte est qu’un modèle expérimental très économique se rapproche d’un modèle Anthropic haut de gamme toujours supporté, mais pas nécessairement de la génération la plus récente.

Une comparaison Opus 5 contre V4-Flash-Vision-Exp réalisée avec exactement le même harness serait beaucoup plus intéressante. Pour l’instant, elle n’existe pas publiquement.

Le prix change complètement la lecture des résultats

C’est surtout ici que DeepSeek devient particulièrement compétitif. Le V4-Flash standard coûte officiellement 0,14 dollar par million de tokens d’entrée non mis en cache et 0,28 dollar par million de tokens de sortie. Les entrées récupérées depuis le cache tombent même à 0,002 8 dollar par million de tokens.

Ce positionnement explique pourquoi DeepSeek n’a pas nécessairement besoin d’être premier sur tous les benchmarks.

Pour de nombreux usages professionnels, un modèle légèrement inférieur mais beaucoup moins cher peut produire un meilleur rapport coût-performance.

Quelques points de benchmark peuvent valoir énormément… ou presque rien

Tout dépend de la tâche. Perdre 0,3 point sur Toolathlon est probablement acceptable si le coût est drastiquement inférieur. Perdre douze points sur NL2Repo devient beaucoup plus problématique si l’entreprise veut automatiser précisément du travail à l’échelle d’un repository. C’est pourquoi les classements globaux sont de moins en moins suffisants pour choisir un modèle.

Une entreprise doit tester son propre workflow : revue de code, navigation web, extraction documentaire, tableurs, support client, recherche, ou automatisation interne.

Le meilleur modèle dépend de l’endroit où se situe l’erreur la plus coûteuse.

V4-Flash-Vision-Exp n’est pas non plus le véritable flagship de DeepSeek

Multimodality unlocks more agent use cases. 👀

V4-Flash-Vision-Exp works smoothly across agent frameworks, combining visual understanding with a wide range of tools to unlock more practical workflows.

2/n pic.twitter.com/pZFf8Yqw3D

— DeepSeek (@deepseek_ai) August 21, 2026

Il existe une autre nuance. DeepSeek propose déjà V4-Pro, son modèle plus ambitieux. La version officielle de V4-Pro est désormais disponible sur le web, les applications et l’API, avec des capacités agentiques renforcées, le support de la Responses API et une intégration Codex.

Or ce modèle n’apparaît pas non plus dans le nouveau tableau comparatif consacré à la vision.

V4-Flash-Vision-Exp doit donc être compris comme une expérimentation autour de la variante rapide et économique, pas comme le plafond technologique absolu de DeepSeek.

La vision devient indispensable pour les agents

La sortie illustre surtout l’évolution rapide du marché. Les agents de première génération fonctionnaient essentiellement avec du texte, du code et des API structurées. Les nouvelles générations doivent pouvoir interagir avec des logiciels qui n’exposent pas toujours une API parfaite.

Pour cela, elles doivent lire une interface comme un humain, repérer un bouton, comprendre un graphique, lire une boîte de dialogue, identifier une erreur visuelle ou encore interpréter une capture d’écran.

La multimodalité n’est donc plus seulement utile pour demander à une IA « que contient cette photo ? ». Elle devient une composante fondamentale de l’automatisation.

DeepSeek poursuit surtout sa stratégie coût-performance

Depuis son arrivée sur le devant de la scène, DeepSeek ne cherche pas nécessairement à battre tous les laboratoires américains sur chaque mesure. Son avantage le plus perturbateur reste économique. Si un modèle obtient 95 % du résultat attendu pour une fraction du coût, il peut devenir plus intéressant pour un déploiement à très grande échelle.

V4-Flash-Vision-Exp prolonge exactement cette stratégie dans le multimodal.

La vraie question ne sera donc pas simplement de savoir s’il gagne trois ou cinq benchmarks supplémentaires. Elle sera de savoir combien coûte un agent réellement utile par tâche accomplie avec succès.

Une annonce intéressante, à condition de lire le tableau jusqu’au bout

La formule de DeepSeek — « proche d’Opus 4.8 » — reste défendable. Sur plusieurs tests, les écarts sont effectivement de l’ordre d’un point. Mais, cette proximité n’est pas uniforme. Le modèle chinois gagne trois benchmarks sur onze, reste nettement derrière sur certaines tâches difficiles et n’a pas encore été comparé publiquement à Opus 5 dans les mêmes conditions.

Le résultat reste néanmoins remarquable pour une variante Flash expérimentale.

DeepSeek ne vient pas de démontrer qu’il a battu Anthropic. Il montre quelque chose de potentiellement plus gênant pour ses concurrents : sur plusieurs tâches agentiques, un modèle beaucoup moins cher commence à se retrouver suffisamment proche pour que le prix devienne aussi important que la première place du classement.

Lire plus

Intelligence Artificielle

Meta AI arrive sur Mac et se transforme en véritable assistant de productivité

par Yohann Poiron le 20 août 2026

Meta lance une application Meta AI dédiée au Mac, avec une ambition beaucoup plus large que le simple chatbot. L’assistant peut désormais comprendre le contenu d’une fenêtre partagée, dicter du texte dans n’importe quelle application et se connecter aux outils Meta ainsi qu’à Google Workspace.

Meta AI dispose désormais de sa propre application Mac

Meta poursuit la transformation de son assistant IA en outil de productivité. L’entreprise lance aujourd’hui une application Meta AI native pour macOS, rejoignant ainsi Google, OpenAI et Anthropic sur le bureau.

Le fonctionnement repose notamment sur le partage de fenêtre. L’utilisateur peut sélectionner une application ou une fenêtre affichée à l’écran, puis demander à Meta AI de l’analyser. L’assistant peut alors répondre à des questions, proposer des modifications ou générer du contenu à partir de ce qu’il voit.

L’approche rapproche Meta AI d’un véritable assistant de travail plutôt que d’un chatbot isolé dans une page Web.

Meta AI peut comprendre ce qui se trouve à l’écran

Le partage d’une fenêtre ouvre plusieurs possibilités. Un utilisateur peut par exemple afficher un document et demander un résumé, ouvrir une présentation pour obtenir des suggestions ou montrer une feuille de calcul afin d’en analyser le contenu. Meta AI dispose ainsi du contexte nécessaire sans obliger l’utilisateur à copier manuellement chaque élément dans la conversation.

Cette logique est devenue centrale dans les applications IA sur ordinateur. Le Mac devient alors lui-même une source de contexte pour l’assistant.

Mais, Meta AI ne prend pas encore le contrôle du Mac

La nuance est importante. Meta AI peut observer une fenêtre partagée, mais Meta ne présente pas encore son application comme un agent capable de prendre directement le contrôle de macOS. L’utilisateur reste celui qui clique, navigue et valide les actions.

Sur ce terrain, certains concurrents vont plus loin.

ChatGPT et Claude proposent déjà des fonctions capables, dans certains contextes, d’interagir avec l’ordinateur et d’exécuter des tâches en contrôlant l’interface. Meta semble pour l’instant privilégier une approche davantage centrée sur l’assistance et l’analyse.

Une dictée disponible dans toutes les applications

La nouvelle application ajoute également une fonction de dictée utilisable à travers macOS. L’utilisateur peut parler à Meta AI et transformer sa voix en texte dans différentes applications, sans devoir rester dans l’interface du chatbot. Cela rapproche l’application d’un outil système.

La fonction peut être utilisée pour rédiger plus rapidement un e-mail, un message ou un document, tout en profitant potentiellement des capacités de reformulation de l’IA. Pour Meta, c’est aussi une manière de rendre son assistant utile même lorsqu’aucune conversation avec le chatbot n’est ouverte.

Meta AI se connecte directement à Instagram et Facebook

Le lancement Mac s’accompagne surtout d’une extension importante des capacités de Meta AI pour les professionnels et les créateurs. L’assistant peut désormais travailler directement avec des comptes Instagram et Facebook. Il peut analyser les performances de publications en utilisant des données comme la portée, les likes, les partages ou les sauvegardes.

À partir de ces informations, Meta AI peut suggérer les types de contenus susceptibles de mieux fonctionner ou identifier certaines tendances dans les performances d’un compte. Cette intégration est particulièrement logique pour Meta.

Contrairement à OpenAI ou Anthropic, l’entreprise contrôle déjà une immense partie des données utilisées par les créateurs et les annonceurs.

Les campagnes publicitaires Meta entrent aussi dans la boucle

Meta AI peut également exploiter les données liées aux campagnes publicitaires. Une entreprise pourrait donc demander à l’assistant de résumer les performances d’une campagne, comparer plusieurs périodes ou identifier les contenus générant le plus d’engagement. L’IA peut ensuite transformer ces résultats en recommandations.

C’est probablement l’un des domaines où Meta possède le plus grand avantage compétitif. L’entreprise n’a pas besoin d’importer toutes les données depuis un service externe : une grande partie de l’activité marketing se trouve déjà dans son propre écosystème.

Google Workspace est également pris en charge

Toutefois, Meta ne limite pas son assistant à ses propres services. La nouvelle version peut aussi travailler avec Google Workspace. L’objectif est de permettre à Meta AI de récupérer des informations professionnelles et de les combiner avec les données issues de Facebook, Instagram ou du Web. L’assistant peut ensuite utiliser ce contexte pour créer différents types de documents.

Meta cite notamment les présentations, documents et feuilles de calcul. Cette ouverture montre que l’entreprise ne cherche pas uniquement à améliorer la gestion des réseaux sociaux. Elle veut installer Meta AI plus largement dans les workflows professionnels.

Des rapports automatiques chaque semaine

Meta ajoute également des tâches récurrentes. Une entreprise peut par exemple demander à l’assistant de produire chaque semaine une synthèse de ses performances. Meta AI peut récupérer les données pertinentes, les analyser puis générer un rapport sans qu’il soit nécessaire de répéter la même demande manuellement.

C’est un changement important.

Le chatbot réactif, qui attend une question, commence progressivement à devenir un assistant capable d’exécuter une tâche selon un calendrier. Cette évolution rapproche encore Meta AI des nouveaux agents professionnels développés par ses concurrents.

Un outil particulièrement intéressant pour les créateurs

Pour un créateur utilisant principalement Instagram et Facebook, l’intégration peut être très pratique. Meta AI pourrait par exemple identifier les publications ayant obtenu le plus de sauvegardes au cours du mois, comparer Reels et publications classiques, puis proposer un calendrier éditorial basé sur ces résultats.

L’utilisateur pourrait ensuite demander une présentation résumant les performances pour un partenaire ou une agence. Une grande partie du processus resterait ainsi dans le même environnement.

Meta possède ici un avantage évident : l’assistant travaille directement avec les plateformes sur lesquelles les contenus sont publiés.

La bataille des assistants IA se déplace sur le bureau

Le Mac est devenu un terrain important dans la compétition actuelle. Les applications IA peuvent y bénéficier d’un contexte beaucoup plus riche qu’un simple chatbot Web : fichiers, fenêtres, applications, presse-papiers et contenu affiché à l’écran. La valeur d’un assistant dépend alors de plus en plus de sa capacité à comprendre ce contexte sans interrompre le travail.

Meta rejoint donc un marché déjà très compétitif. Gemini peut lui aussi travailler avec du contenu partagé à l’écran, tandis que ChatGPT et Claude explorent des interactions encore plus poussées avec l’ordinateur. Meta devra montrer que ses intégrations sociales et professionnelles suffisent à créer une différence.

Une stratégie de productivité de plus en plus claire

L’application Mac montre finalement que Meta AI change de catégorie. Il ne s’agit plus seulement d’un assistant ajouté aux réseaux sociaux. Meta veut en faire une couche capable d’observer le travail, d’interpréter des données, de rédiger, de dicter et d’automatiser certaines tâches. La limite actuelle est tout aussi intéressante : l’assistant voit davantage, mais ne contrôle pas encore véritablement le Mac.

Cela pourrait évoluer à mesure que Meta développe ses fonctions agentiques. Pour l’instant, la stratégie est déjà claire : Meta AI veut quitter la simple conversation pour devenir un outil de travail capable d’exploiter directement les données que Meta possède déjà mieux que quiconque.

Lire plus

Intelligence Artificielle

Gemini lance un espace étudiant avec notebooks, quiz, Deep Research et Google Agenda

par Yohann Poiron le 20 août 2026

Google profite de la rentrée pour renforcer fortement Gemini côté éducation. Un nouvel espace étudiant centralise désormais les carnets, fiches de révision, quiz et échéances, tandis que Deep Research arrive dans Gemini Live et que Google Lens se prépare à devenir un véritable coach pour les devoirs photographiés.

Un nouvel espace étudiant directement dans Gemini

Google déploie un hub étudiant dédié dans Gemini, pensé comme un point d’entrée unique pour organiser son travail scolaire ou universitaire. L’idée est de rassembler au même endroit plusieurs outils qui existaient jusque-là de manière plus dispersée : recherches, carnets, fiches de révision, quiz, exercices et suivi des échéances.

Les étudiants peuvent notamment créer un cahier d’étude autour d’un cours ou d’un sujet, puis y importer leurs notes et documents afin de construire un espace de travail personnalisé.

Gemini peut ensuite générer des contenus adaptés à partir de ces sources.

Des cartes de mémoire et des quiz à partir de ses propres cours

Les carnets de Gemini permettent déjà de créer des cartes de mémoire, des quiz diagnostiques et des leçons personnalisées. Le principe est assez différent d’un simple chatbot. Au lieu de poser une question isolée, l’étudiant rassemble ses supports de cours dans un même espace, puis Gemini utilise ce contexte pour identifier les points à travailler.

Les quiz peuvent servir à détecter les lacunes, tandis que les recommandations évoluent progressivement selon les résultats obtenus. Google cherche donc à transformer Gemini en outil de révision continu plutôt qu’en simple générateur de réponses.

Graphiques et images arrivent dans les carnets

Google améliore également la dimension visuelle de ces espaces d’étude. Les carnets peuvent désormais intégrer davantage de graphiques et d’images pour expliquer certains concepts. C’est particulièrement utile pour les matières où une réponse textuelle atteint rapidement ses limites : mathématiques, physique, économie, biologie ou statistiques.

Au lieu d’expliquer uniquement un phénomène avec plusieurs paragraphes, Gemini peut s’appuyer sur une représentation visuelle pour rendre le raisonnement plus facile à suivre. Cette évolution s’inscrit dans une tendance plus large de Google, qui développe de plus en plus de réponses interactives et multimodales dans Gemini.

Gemini peut lire un syllabus et remplir Google Agenda

L’intégration avec l’écosystème Google va également plus loin. Un étudiant peut fournir son syllabus ou son programme de cours, puis Gemini peut identifier les dates importantes et les ajouter directement à Google Agenda. Examens. Dates de remise de devoirs. Deadlines de projets. Le service peut ainsi transformer un document statique en calendrier de travail exploitable.

C’est probablement l’une des nouveautés les plus pratiques de cette mise à jour, car elle ne se contente pas d’aider à comprendre un cours : elle intervient directement dans l’organisation du semestre.

Deep Research arrive dans Gemini Live

Autre nouveauté importante : Deep Research rejoint Gemini Live. Jusqu’ici, Deep Research fonctionnait principalement comme un outil permettant de générer des rapports approfondis en analysant un grand nombre de sources. L’intégration dans Gemini Live ajoute une dimension conversationnelle.

L’utilisateur peut demander une recherche complexe, puis discuter oralement du rapport une fois celui-ci disponible. Cela permet par exemple de demander à Gemini de comparer plusieurs théories, de synthétiser un sujet historique ou de réunir des sources sur une question scientifique, puis de poser des questions de suivi à la voix.

Le rapport peut continuer pendant que le téléphone est verrouillé

Google ajoute également un fonctionnement en arrière-plan. Si la recherche prend plusieurs minutes, l’étudiant n’a pas besoin de maintenir Gemini ouvert à l’écran. Il peut quitter la conversation, verrouiller son smartphone et recevoir une notification lorsque le rapport est terminé.

Ce détail rend Deep Research beaucoup plus adapté à un usage mobile. Le service cesse alors d’être une fonction que l’on regarde travailler et devient davantage une tâche déléguée.

Une fois le rapport prêt, Gemini Live peut servir à parcourir les résultats oralement.

Google Lens va également devenir un coach pour les devoirs

Dans les prochaines semaines, Google prévoit aussi une nouvelle fonction dans Lens, directement depuis l’application Google sur mobile. L’utilisateur pourra photographier une feuille d’exercice ou un support de cours. Lens pourra ensuite fournir une explication, détailler un concept difficile ou aider à comprendre une erreur.

L’objectif affiché n’est pas simplement de donner la bonne réponse, Google veut plutôt utiliser Gemini pour accompagner le raisonnement. Si l’étudiant s’est trompé, l’outil peut expliquer où le raisonnement a dévié et proposer une nouvelle manière d’aborder le problème.

Photographier un devoir devient une porte d’entrée vers Gemini

Cette fonction rapproche encore Google Lens et Gemini. Depuis plusieurs années, Lens peut déjà reconnaître du texte, identifier des objets ou résoudre certaines équations. La nouveauté est dans la continuité. Une photo peut désormais devenir le point de départ d’une véritable session d’apprentissage. On photographie un exercice, Gemini analyse le contenu, puis la conversation peut continuer autour de la méthode, du concept ou de l’erreur.

Cette approche est particulièrement adaptée au smartphone, qui devient le moyen le plus rapide de transformer un document papier en contexte pour l’IA.

Google veut éviter que Gemini ne devienne seulement une machine à faire les devoirs

Toute la stratégie éducative de Google repose désormais sur ce point. L’entreprise cherche à présenter Gemini comme un outil d’apprentissage, pas comme un raccourci permettant d’éviter de réfléchir. Ses récentes fonctions pédagogiques insistent davantage sur l’apprentissage guidé, les questions intermédiaires et les exercices personnalisés.

Le risque reste évident.

Un étudiant peut toujours utiliser une IA générative pour obtenir directement une réponse. Mais, Google essaie progressivement de déplacer l’interface vers une logique où le système demande davantage de participation à l’utilisateur.

Une offre Google AI Pro gratuite pour certains étudiants américains

Google profite également de la rentrée pour renforcer ses offres commerciales dédiées aux étudiants. Aux États-Unis, certains étudiants éligibles peuvent obtenir un an de Google AI Pro sans frais. Cette formule comprend notamment un espace de stockage de 5 To, des limites d’utilisation plus élevées dans Gemini et un accès plus large aux fonctions IA intégrées dans les applications Google.

Google inclut également Google Health Premium sur certains marchés compatibles. L’offre reste soumise à des conditions d’éligibilité et à une vérification du statut étudiant.

Google AI Plus pour les étudiants hors des États-Unis

En dehors des États-Unis, Google met davantage en avant Google AI Plus. Cette formule est moins complète que Google AI Pro, puisqu’elle propose notamment 400 Go de stockage et des limites Gemini plus basses. La disponibilité et les conditions varient néanmoins fortement selon les pays.

Il ne faut donc pas considérer AI Plus comme un remplacement universel et automatique de l’offre Pro pour tous les étudiants hors des États-Unis. Google adapte désormais ses abonnements IA en fonction des marchés.

Gemini devient progressivement une plateforme éducative complète

Cette mise à jour montre surtout que Google ne se contente plus d’ajouter quelques fonctions scolaires à son chatbot. L’entreprise construit progressivement une véritable couche éducative autour de Gemini. Le carnet organise les cours, les cartes de mémoire servent à mémoriser, les quiz mesurent la compréhension, Agenda organise les échéances, Deep Research rassemble les sources, Gemini Live permet d’en discuter à la voix, et Lens transforme une feuille papier en point de départ pour une session d’aide.

Pris séparément, aucun de ces outils n’est totalement nouveau. C’est leur intégration qui commence à devenir intéressante.

Google dispose ici d’un atout majeur face aux autres assistants IA : son écosystème. Agenda, Drive, Docs, Gmail, Search, Lens et Gemini peuvent tous travailler autour du même compte. Pour un étudiant, cette continuité peut avoir davantage de valeur qu’un modèle légèrement meilleur sur un benchmark.

OpenAI, Anthropic et Google cherchent tous à devenir l’assistant que les étudiants utiliseront par défaut pendant plusieurs années. La logique est évidente. Un étudiant qui apprend à travailler avec un assistant IA pendant ses études a de fortes chances de conserver les mêmes habitudes dans sa vie professionnelle.

Google essaie donc de gagner cette fidélité très tôt. Son avantage n’est pas uniquement Gemini. C’est le fait que le reste de la vie numérique de nombreux étudiants se trouve déjà dans Google.

Avec ce nouveau hub, Gemini ne cherche plus seulement à répondre aux questions de cours : il veut devenir l’endroit où l’on organise, révise et suit l’ensemble de son semestre.

Lire plus

Intelligence Artificielle

ChatGPT for Teens : OpenAI lance une version de ChatGPT pensée pour les 13–17 ans

par Yohann Poiron le 19 août 2026

OpenAI lance ChatGPT for Teens, une nouvelle expérience destinée aux utilisateurs de 13 à 17 ans. Plutôt que de proposer une version simplifiée de ChatGPT, l’entreprise conserve les capacités principales du service tout en ajoutant des outils d’apprentissage, des protections renforcées et davantage de contrôle pour les familles.

ChatGPT for Teens devient automatique pour les moins de 18 ans

ChatGPT for Teens n’est pas une application séparée. Lorsqu’un utilisateur indique avoir entre 13 et 17 ans, ou lorsque les systèmes d’OpenAI estiment qu’un compte appartient probablement à une personne de moins de 18 ans, l’expérience pour adolescents est activée automatiquement.

OpenAI s’appuie pour cela sur plusieurs informations, notamment l’âge renseigné sur le compte et son système de prédiction de l’âge.

Celui-ci analyse différents signaux liés à l’utilisation du service, comme l’ancienneté du compte, les habitudes d’utilisation ou certains horaires de connexion. OpenAI précise que cette estimation n’est pas parfaite : un utilisateur adulte identifié à tort comme mineur peut passer par un processus de vérification d’âge.

L’objectif est de pouvoir appliquer automatiquement des règles différentes lorsque ChatGPT pense interagir avec un adolescent.

L’apprentissage devient le cœur de l’expérience

La principale différence visible concerne l’éducation. OpenAI veut éviter que ChatGPT devienne simplement une machine capable de terminer les devoirs à la place de l’élève. Le Mode étudier occupe donc une place centrale.

Plutôt que de fournir immédiatement une réponse finale, ce mode peut utiliser des questions intermédiaires, des explications progressives et des vérifications de compréhension afin d’accompagner l’utilisateur jusqu’à la solution.

OpenAI indique avoir travaillé avec des enseignants, des chercheurs et des spécialistes de la pédagogie pour développer cette approche.

Des rappels lorsque ChatGPT détecte un raccourci scolaire

ChatGPT for Teens ajoute également des Rappels pour des devoirs faits avec responsabilité. Lorsque le système estime qu’un adolescent cherche surtout à obtenir directement la réponse à un devoir, il peut l’orienter vers le Mode étudier afin de privilégier la compréhension.

L’idée n’est pas de bloquer les devoirs scolaires.

ChatGPT doit plutôt jouer le rôle d’un tuteur capable d’expliquer une notion, de découper un problème ou de demander à l’élève de reformuler ce qu’il vient de comprendre. C’est une nuance importante alors que les établissements scolaires cherchent encore le bon équilibre entre interdiction de l’IA et utilisation pédagogique.

Quiz et visualisations complètent le Mode étudier

OpenAI ajoute également des outils de quiz permettant aux adolescents de tester leurs connaissances. ChatGPT peut ainsi générer des questions sur un chapitre, adapter progressivement leur difficulté et revenir sur les points mal maîtrisés. Les Learning Visualizations cherchent de leur côté à rendre certains concepts plus faciles à comprendre grâce à des représentations visuelles.

Ces fonctions s’inscrivent dans une logique de participation active. Plutôt que de lire passivement une explication générée par l’IA, l’élève est encouragé à répondre, expliquer et vérifier sa compréhension. OpenAI met notamment en avant des principes pédagogiques comme le rappel actif et l’auto-explication, deux méthodes couramment utilisées pour renforcer la mémorisation à long terme.

Les parents peuvent définir des « Heures d’étude »

Une nouvelle fonction baptisée Heures d’étude permet également de programmer les périodes pendant lesquelles le Mode étudier doit être proposé par défaut. Les adolescents peuvent définir eux-mêmes ces horaires, mais les parents disposant d’un compte lié peuvent également les configurer depuis les contrôles parentaux.

Cela ne transforme pas ChatGPT en système de verrouillage. Heures d’étude ne bloque pas l’utilisation classique du service et un adolescent peut désactiver le Mode étudier pour une conversation individuelle.

L’approche consiste plutôt à créer un environnement par défaut favorisant l’apprentissage pendant les périodes consacrées aux devoirs.

Des protections supplémentaires sur les sujets sensibles

L’autre grande différence de ChatGPT for Teens concerne la sécurité. Les comptes identifiés comme appartenant à des adolescents bénéficient automatiquement de protections supplémentaires dans plusieurs catégories sensibles. OpenAI cite notamment l’automutilation, les troubles alimentaires, la violence graphique, les activités dangereuses, certains défis viraux ainsi que les contenus sexuels ou romantiques inadaptés à cet âge.

Le comportement du modèle est également encadré. ChatGPT ne doit notamment pas développer une relation romantique avec un adolescent, encourager une dépendance émotionnelle ou prétendre posséder des sentiments ou une conscience.

Ces règles sont issues des principes spécifiques aux moins de 18 ans intégrés au Model Spec d’OpenAI.

OpenAI veut aussi limiter la dépendance à ChatGPT

Les protections ne concernent pas uniquement les contenus explicites. OpenAI cherche également à encadrer la manière dont les adolescents interagissent avec le chatbot sur de longues périodes.

ChatGPT for Teens peut afficher plus fréquemment des rappels encourageant l’utilisateur à interrompre une session prolongée. Le système rappelle également qu’il s’agit d’une intelligence artificielle, afin d’éviter que l’interaction ne soit assimilée à une véritable relation humaine. Des avertissements supplémentaires peuvent apparaître concernant le partage de photos ou d’informations privées sensibles.

Le message est clair : plus ChatGPT devient naturel et conversationnel, plus OpenAI veut maintenir une frontière visible entre assistant numérique et personne réelle.

Certaines conversations peuvent être interrompues

Dans certaines situations jugées à risque élevé, les protections peuvent aller plus loin. ChatGPT peut intervenir directement dans la conversation et, dans certains cas, imposer une période de pause avant de permettre la poursuite de l’échange. Ces mécanismes concernent notamment certaines situations liées à l’automutilation, à la violence ou aux troubles alimentaires.

L’objectif est alors moins de continuer la conversation à tout prix que d’orienter l’adolescent vers une aide disponible hors ligne lorsque cela devient nécessaire. OpenAI développe progressivement ce système depuis plusieurs mois avec l’aide de spécialistes de la santé mentale et de la sécurité des jeunes.

Un guide pour aider les parents à utiliser l’IA avec leurs enfants

En parallèle, OpenAI publie un Parents’ Guide to Learning with ChatGPT. Le document cherche à dépasser la seule question des restrictions, et montre comment ChatGPT peut être utilisé en famille pour apprendre une langue, réviser un sujet scolaire, créer des histoires, préparer un voyage, rédiger un e-mail ou comparer différentes options.

OpenAI recommande également aux adolescents de continuer à vérifier les informations importantes et de reformuler ce qu’ils ont appris avec leurs propres mots. Enfin, le guide présente différentes fonctions existantes comme Voice Mode, Images, Memory ou Deep Research.

Il rappelle également que les Discussions temporaires ne sont pas conservés dans la mémoire de ChatGPT.

ChatGPT for Teens reste aussi un ChatGPT complet

OpenAI insiste sur un point : cette expérience n’est pas uniquement destinée aux devoirs. Les adolescents peuvent toujours utiliser ChatGPT pour créer, programmer, développer un projet, poser des questions ou résoudre des problèmes du quotidien. L’application propose même une personnalisation de l’interface avec différents thèmes, couleurs, icônes et variations vocales.

Lors de la première utilisation, un onboarding spécifique présente les fonctions disponibles ainsi que les principales protections. L’ambition est donc moins de créer un « ChatGPT junior » limité que de proposer le même assistant avec des règles et des outils adaptés à l’âge de l’utilisateur.

OpenAI mise aussi sur l’éducation à l’IA

Le lancement s’accompagne d’un partenariat avec CodeAI, destiné à aider les élèves et les enseignants à comprendre comment fonctionnent les systèmes d’intelligence artificielle. L’objectif dépasse l’utilisation de ChatGPT. En effet, OpenAI veut également apprendre aux jeunes à questionner les réponses d’une IA, à comprendre ses limites et à l’utiliser comme outil de création plutôt que comme source automatiquement fiable.

C’est probablement l’un des enjeux les plus importants. Une génération entière commence désormais à utiliser les modèles génératifs avant même son entrée dans le monde professionnel. La question n’est donc plus réellement de savoir si les adolescents vont utiliser l’IA, mais comment leur apprendre à le faire sans déléguer leur réflexion à la machine.

Une nouvelle étape dans la stratégie jeunesse d’OpenAI

ChatGPT for Teens rassemble finalement plusieurs initiatives que OpenAI développait séparément depuis 2025 : contrôles parentaux, prédiction de l’âge, plan d’action pour la sécurité des adolescents, règles spécifiques aux moins de 18 ans et mode étudier. Avec cette nouvelle expérience, ces éléments commencent à former un produit cohérent plutôt qu’une collection de dispositifs de sécurité.

Le défi sera désormais de mesurer leur efficacité réelle. Les garde-fous devront éviter les contenus réellement dangereux sans rendre ChatGPT inutilisable pour les adolescents qui posent des questions légitimes sur des sujets sensibles. Et, les outils pédagogiques devront suffisamment résister à la tentation permanente d’obtenir simplement la réponse.

ChatGPT for Teens illustre ainsi une évolution importante de l’IA grand public : le même modèle ne peut plus nécessairement offrir exactement la même expérience à tous les utilisateurs, quel que soit leur âge.

Lire plus

Intelligence Artificielle

SpaceX finalise le rachat de Cursor pour 60 milliards de dollars

par Yohann Poiron le 17 août 2026

Cursor change officiellement de dimension. La startup devenue l’un des noms les plus visibles du développement assisté par IA appartient désormais à SpaceX, au terme d’une opération valorisée à 60 milliards de dollars.

Derrière ce rachat spectaculaire, Elon Musk cherche surtout à rapprocher trois briques stratégiques : modèles d’IA, puissance de calcul massive et outils capables de transformer cette intelligence en productivité concrète.

Cursor est désormais officiellement une filiale de SpaceX

L’opération est terminée. Cursor a annoncé le 14 août 2026 avoir été officiellement acquis par SpaceX, concluant un processus engagé plusieurs mois auparavant. Dans son communiqué, l’entreprise rappelle que le rapprochement avait commencé en avril autour d’un partenariat destiné à accélérer l’entraînement de ses modèles.

À cette époque, SpaceX avait obtenu une option lui permettant de racheter Cursor pour environ 60 milliards de dollars. Deux mois plus tard, après l’introduction en Bourse de SpaceX, les deux entreprises avaient confirmé leur intention d’aller au bout de l’opération sous la forme d’une transaction entièrement en actions.

Le rachat est désormais effectif.

Il place Cursor au cœur d’un groupe qui ne ressemble plus seulement à une entreprise spatiale. SpaceX réunit aujourd’hui des activités de lancement, de connectivité avec Starlink, d’intelligence artificielle via xAI et désormais l’un des outils de programmation IA les plus populaires du marché.

Pourquoi SpaceX voulait Cursor ?

Sur le papier, un éditeur de code dopé à l’IA et un constructeur de fusées semblent évoluer dans deux mondes très différents. En réalité, le rapprochement devient beaucoup plus logique lorsque l’on observe la stratégie IA de SpaceX.

La société a intégré xAI plus tôt en 2026 et investit massivement dans les infrastructures de calcul nécessaires à l’entraînement et au déploiement de grands modèles. Son prospectus d’introduction en Bourse identifie d’ailleurs désormais l’IA comme l’un de ses grands segments d’activité, aux côtés de l’espace et de la connectivité.

Cursor apporte précisément la couche qui manquait à cet ensemble : une application grand public et professionnelle capable de transformer les modèles en outil de travail quotidien.

L’entreprise ne se présente plus seulement comme un éditeur de code avec autocomplétion. Cursor développe désormais des agents capables de comprendre une base de code entière, d’écrire, modifier, tester et revoir du logiciel de manière beaucoup plus autonome. Pour SpaceX, Cursor devient donc une interface concrète entre son infrastructure IA et des millions de développeurs.

« La plus grande flotte de GPU au monde »

Cursor insiste particulièrement sur un avantage offert par cette acquisition : l’accès au calcul. L’entreprise affirme qu’en rejoignant SpaceX, elle pourra utiliser « la plus grande flotte de GPU au monde », avec pour objectif d’entraîner des modèles plus puissants tout en réduisant leur coût d’exécution.

C’est probablement le cœur économique du rapprochement.

Les outils de programmation comme Cursor reposent de plus en plus sur des agents capables de travailler pendant plusieurs minutes, voire beaucoup plus longtemps, sur des tâches complexes. Ils doivent lire de larges portions de code, lancer des commandes, produire des modifications, revenir sur leurs erreurs puis continuer.

Chaque étape consomme du calcul. À mesure que ces agents deviennent plus autonomes, la facture GPU peut rapidement devenir l’un des postes de coût les plus importants d’une entreprise comme Cursor. L’intégration à SpaceX pourrait lui permettre de réduire cette dépendance aux fournisseurs de cloud externes et d’entraîner davantage de modèles propriétaires.

Cursor veut produire des modèles plus puissants et moins chers

L’entreprise est particulièrement explicite sur ce point. Cursor estime que davantage de capacité de calcul lui permettra de proposer des modèles plus performants mais aussi plus économiques à exploiter. La société cite notamment Grok 4.6 comme un premier aperçu de ce que la nouvelle organisation peut produire ensemble. Cette stratégie est intéressante car la concurrence dans le coding IA ne se joue plus uniquement sur l’interface.

Cursor affronte désormais des outils provenant directement des grands laboratoires d’intelligence artificielle, ainsi que GitHub Copilot, Claude Code et d’autres agents spécialisés.

Pour conserver un avantage, il devient donc stratégique de maîtriser davantage la chaîne complète : infrastructure → entraînement → modèle → agent → environnement de développement.

SpaceX et xAI peuvent apporter les deux premiers éléments. Cursor fournit les derniers.

SpaceX ne veut plus seulement louer du calcul

L’évolution de SpaceX elle-même est tout aussi révélatrice. La société investit fortement dans ses capacités d’IA et présente désormais cette infrastructure comme un moteur de croissance à part entière. Ses documents destinés aux investisseurs décrivent une hausse des investissements consacrés au calcul IA, en parallèle des dépenses destinées à Starship et à Starlink.

Le groupe cherche donc à construire une infrastructure capable de servir plusieurs usages. Une partie peut soutenir Grok et les autres modèles issus de xAI. Une autre peut être exploitée par des clients ou partenaires. Cursor devient désormais un usage interne particulièrement stratégique de cette puissance.

Et, cette intégration verticale pourrait devenir un avantage considérable si le coût du calcul continue à représenter l’un des principaux freins économiques au développement d’agents IA.

Le rachat prolonge un partenariat commencé en avril

Cursor et SpaceX ne découvrent pas leur complémentarité aujourd’hui. Le 21 avril 2026, Cursor annonçait déjà travailler avec SpaceX afin d’accélérer l’entraînement de ses modèles. L’entreprise expliquait alors avoir augmenté de manière spectaculaire la quantité de calcul consacrée au reinforcement learning entre différentes générations de son modèle Composer.

La trajectoire est révélatrice. Au départ, SpaceX devait essentiellement fournir de la puissance de calcul. Puis est arrivée l’option de rachat. Enfin, après l’IPO de SpaceX en juin, la société a choisi d’utiliser ses actions nouvellement cotées pour réaliser l’opération à 60 milliards de dollars. En quatre mois, une relation de fournisseur technologique est ainsi devenue une acquisition complète.

60 milliards de dollars : un pari colossal sur le coding agentique

Le montant donne également une idée de la valeur stratégique accordée au développement logiciel assisté par IA. À 60 milliards de dollars, Cursor n’est plus traité comme un simple éditeur de code. SpaceX mise sur l’idée que les agents de programmation pourraient devenir l’une des principales interfaces de l’intelligence artificielle dans le monde professionnel.

C’est un pari assez logique.

Le développement logiciel est particulièrement adapté aux agents : les objectifs peuvent être définis précisément, le résultat peut être testé automatiquement et l’IA peut rapidement savoir si ce qu’elle vient de produire fonctionne. Le code constitue donc l’un des premiers domaines où un agent peut véritablement effectuer plusieurs étapes de travail de manière autonome.

Cursor veut précisément passer de l’assistant qui complète quelques lignes à ce qu’il appelle des « AI teammates », capables de recevoir un véritable travail à accomplir.

Cursor pourrait devenir la vitrine logicielle de l’IA SpaceX-xAI

L’intégration permet également d’entrevoir un rôle beaucoup plus large pour Cursor. SpaceX affirme construire les capacités de calcul nécessaires pour faire évoluer l’intelligence artificielle à une échelle bien supérieure à celle d’aujourd’hui. Cursor se présente désormais comme l’un des endroits où cette intelligence deviendra utile.

La formulation n’est pas anodine. Elle suggère que Cursor pourrait servir de vitrine applicative aux modèles développés au sein de l’écosystème SpaceX/xAI. Grok pourrait naturellement jouer un rôle croissant dans le produit, sans nécessairement devenir son unique modèle. Cursor a jusqu’ici construit son intérêt sur sa capacité à intégrer plusieurs modèles selon les usages.

La grande question sera donc de savoir si l’acquisition maintient cette ouverture ou rapproche progressivement Cursor d’un écosystème davantage centré sur Grok. Aucune restriction de ce type n’a été annoncée pour l’instant.

L’intégration verticale devient le nouveau champ de bataille de l’IA

Ce rachat illustre une tendance plus profonde. Les grands acteurs de l’intelligence artificielle cherchent de moins en moins à contrôler uniquement le modèle. Ils veulent contrôler l’infrastructure qui l’entraîne, les outils qui le distribuent et les applications qui captent les utilisateurs.

Google dispose de ses propres TPU, de Gemini et de Workspace. Microsoft possède Azure, développe son infrastructure IA et contrôle GitHub. Amazon dispose d’AWS et développe ses propres puces et services d’IA. SpaceX construit désormais une architecture comparable : une capacité de calcul massive, xAI pour les modèles et Cursor pour les outils de programmation.

L’acquisition rapproche donc l’empire de Musk d’un modèle beaucoup plus vertical.

Une dépendance au calcul qui pourrait devenir un avantage majeur

La question du coût du calcul est déterminante. Un agent de programmation qui travaille pendant vingt minutes sur une base de code consomme bien davantage de ressources qu’un chatbot répondant à une seule question. À grande échelle, la rentabilité d’un produit comme Cursor dépend donc directement de sa capacité à obtenir des GPU à bas coût.

L’intégration à un groupe disposant de sa propre infrastructure peut changer profondément l’équation.

Cursor pourrait entraîner davantage de modèles, augmenter la quantité de calcul consacrée à chaque tâche et proposer des abonnements plus compétitifs sans voir ses coûts augmenter dans les mêmes proportions. C’est du moins la promesse formulée par l’entreprise lorsqu’elle affirme vouloir fournir des modèles plus capables à un coût inférieur.

SpaceX devient de moins en moins une simple entreprise spatiale

Le nom SpaceX continue évidemment d’évoquer Falcon, Starship et les missions orbitales. Mais, la structure du groupe en 2026 est désormais beaucoup plus large. Ses propres documents financiers répartissent ses activités entre plusieurs grands piliers, dont la connectivité et l’IA, tandis que l’acquisition de xAI puis de Cursor accélère cette diversification.

Starlink apporte un réseau mondial. SpaceX construit des infrastructures de calcul. xAI développe les modèles. Cursor fournit une interface de productivité. Vu sous cet angle, le groupe commence à assembler plusieurs couches d’une même architecture technologique plutôt qu’une succession d’activités sans rapport.

Cursor conserve pour l’instant sa mission

Dans son message annonçant l’acquisition, Cursor ne parle pas de changement radical de produit. L’entreprise affirme vouloir continuer à aider les utilisateurs à consacrer moins de temps à écrire du code manuellement et davantage à résoudre des problèmes complexes.

Mais, son horizon change clairement. Une startup indépendante devait gérer une contrainte permanente : financer l’entraînement des modèles tout en achetant l’accès à une infrastructure de calcul extrêmement coûteuse. Une Cursor intégrée à SpaceX peut potentiellement raisonner à une tout autre échelle. Elle obtient à la fois du capital, du calcul et un accès beaucoup plus direct à un laboratoire développant ses propres modèles.

Un rachat qui révèle où se trouve désormais la valeur

Les 60 milliards de dollars investis dans Cursor racontent finalement quelque chose de plus large sur l’IA. La valeur ne se trouve plus uniquement dans celui qui construit le meilleur modèle. Elle se déplace aussi vers l’outil qui transforme ce modèle en travail réellement accompli.

Dans le développement logiciel, Cursor est devenu l’une de ces interfaces. Pour SpaceX, posséder cette couche signifie ne plus se contenter de produire du calcul ou de l’intelligence : le groupe peut désormais contrôler une partie de la manière dont cette intelligence est utilisée quotidiennement.

C’est peut-être là que réside la véritable logique du rachat. SpaceX sait déjà construire des fusées et des satellites. Avec xAI, l’entreprise veut construire des modèles. Avec Cursor, elle veut désormais leur donner un bureau.

Lire plus

Intelligence Artificielle

Claude va intégrer un watermark invisible dans ses textes générés par IA

par Yohann Poiron le 17 août 2026

Anthropic prépare un changement discret, mais potentiellement majeur pour Claude. Les futurs modèles de Claude intégreront un watermark statistique invisible dans leurs textes afin de signaler l’implication de l’IA.

Techniquement plus robuste que les détecteurs actuels, ce système soulève pourtant une question délicate : détecter que Claude a participé à un texte ne signifie pas nécessairement que Claude en est l’auteur.

Anthropic veut rendre les textes de Claude identifiables

Anthropic a confirmé le 14 août 2026 que les futurs modèles Claude généreront du texte contenant un watermark invisible. Contrairement à un filigrane classique, aucun symbole, caractère caché ou mention supplémentaire n’est ajouté au document. Le système agit directement pendant la génération du texte en modifiant subtilement la manière dont Claude choisit entre plusieurs mots également plausibles.

Lorsqu’un modèle doit compléter une phrase, plusieurs formulations peuvent parfois être aussi correctes les unes que les autres. Le watermark exploite précisément ces moments.

Au lieu de laisser le modèle départager ces options avec une source de hasard classique, Anthropic utilise une clé spécifique pour orienter la sélection. Répété sur un passage suffisamment long, ce mécanisme produit un motif statistique invisible pour le lecteur, mais détectable avec la clé correspondante.

Anthropic utilise une variante de SynthID-Text, une technique publiée par Google DeepMind en 2024. L’entreprise affirme que ses tests n’ont montré aucun impact pratique sur le contenu, la créativité ou la lisibilité des réponses.

Le watermark ne dira pas « ce texte a été écrit par une IA »

C’est ici que la nuance devient essentielle. Anthropic reconnaît explicitement que son système ne peut répondre qu’à une question limitée : quelle est la probabilité que Claude ait participé à la production de ce texte ? Il ne peut pas déterminer avec certitude qu’un texte est humain. Il ne peut pas non plus savoir si un autre modèle d’IA l’a écrit, puisque chaque fournisseur peut utiliser une clé ou une méthode différente.

Plus important encore, Anthropic indique que le watermark ne permet pas de distinguer deux scénarios très différents : « Claude a écrit ce texte » et « Claude a fortement édité ce texte ». Dans les deux cas, une signature peut devenir détectable. Sur le plan technique, cette distinction paraît logique. Sur le plan social, scolaire ou professionnel, elle pourrait devenir beaucoup plus difficile à gérer.

Une traduction humaine peut ressortir comme du texte Claude

Prenons le cas le plus évident : la traduction. Un utilisateur peut passer plusieurs semaines à écrire un article, une étude ou un essai entièrement en espagnol, puis demander à Claude de le traduire en anglais. Le raisonnement est humain. La recherche est humaine. La structure intellectuelle est humaine. Mais, chaque mot de la version anglaise est sélectionné par Claude. Anthropic confirme donc qu’une traduction effectuée par Claude porte bien le watermark.

Techniquement, le système fonctionne exactement comme prévu.

Mais, si un outil institutionnel détecte ensuite le watermark, le message « Claude a probablement participé à ce texte » pourrait facilement devenir, dans l’esprit de celui qui l’interprète, « Claude a écrit ce travail ». Ce glissement est probablement le principal risque de la technologie.

La relecture grammaticale est un cas très différent

Anthropic prend elle-même l’exemple de la correction. Lorsqu’un utilisateur fournit son propre texte et demande uniquement de corriger la grammaire ou la ponctuation, Claude ne sélectionne qu’un faible nombre de mots. Dans ce cas, il peut tout simplement ne pas y avoir suffisamment de matière pour produire un watermark détectable.

Plus Claude réécrit le texte, plus la situation change. Une simple correction orthographique peut laisser très peu de signature. Une reformulation complète du style, du ton ou de la structure offre en revanche davantage d’occasions à Claude de choisir les mots, ce qui augmente la probabilité qu’un watermark soit identifiable.

La technologie mesure donc indirectement une empreinte de génération, pas une notion d’auteur intellectuel. Et, ces deux concepts ne sont pas équivalents.

C’est très différent des détecteurs d’IA actuels

Cependant, il faut éviter une confusion importante. Le watermark d’Anthropic n’est pas comparable aux outils actuels qui tentent de déterminer si un texte « ressemble » à du contenu généré par une IA. Les détecteurs traditionnels analysent différents indices statistiques ou stylistiques et produisent une estimation. Anthropic connaît au contraire la clé utilisée lors de la génération et recherche un signal qu’elle a volontairement introduit dans la sélection des mots.

En théorie, cela constitue une différence majeure. Un détecteur classique essaie de deviner l’origine du texte. Le système d’Anthropic recherche une signature connue. Cette distinction pourrait rendre le watermark beaucoup plus fiable dans son domaine précis. Mais, elle ne règle toujours pas le problème de l’interprétation.

Modifier le texte ne supprimera pas forcément le signal

Anthropic veut également rendre son watermark suffisamment robuste pour survivre à certaines modifications. L’entreprise explique qu’une édition légère ne devrait probablement pas supprimer complètement la signature. En revanche, une réécriture intégrale dans laquelle pratiquement tous les mots sont remplacés finira par la faire disparaître.

C’est techniquement intéressant. Les watermarks textuels ont historiquement souffert d’une faiblesse évidente : une reformulation ou une traduction pouvait détruire le motif statistique. Une signature qui résiste à certaines transformations rend le système beaucoup plus utile pour suivre la diffusion de contenus synthétiques.

Elle pourrait notamment aider à identifier des campagnes de désinformation produites industriellement ou empêcher que des textes synthétiques soient réinjectés anonymement dans des corpus d’entraînement. Mais, plus la signature devient persistante, plus la question de son contexte devient importante.

Anthropic prépare une API pour vérifier les textes

L’entreprise prévoit de proposer prochainement une API de détection du watermark. Les modalités précises n’ont pas encore été dévoilées. Cette API pourrait intéresser les plateformes de publication, les établissements scolaires ou encore les entreprises souhaitant suivre la provenance de certains contenus.

Mais, son déploiement devra probablement s’accompagner de garde-fous particulièrement clairs. Un résultat ne devrait pas être présenté sous la forme simpliste « IA détectée ». Une formulation du type « le texte contient un signal compatible avec une implication de Claude » refléterait beaucoup mieux ce que la technologie permet réellement de conclure.

La différence sémantique paraît petite. Dans une procédure disciplinaire ou un conflit professionnel, elle peut devenir énorme.

L’Union européenne pousse les fournisseurs vers le marquage

Anthropic ne met pas en place ce système uniquement par choix. L’entreprise explique vouloir se conformer aux obligations du règlement européen sur l’intelligence artificielle, ainsi qu’au Code of Practice on Transparency of AI-Generated Content signé en juillet 2026 par Anthropic et d’autres acteurs du secteur.

Anthropic prévoit d’ailleurs d’appliquer initialement son watermark dans le monde entier, expliquant ne pas disposer encore d’un moyen suffisamment robuste pour limiter son activation à certaines régions.

Les modèles Claude lancés avant le 2 août 2026 bénéficient d’une période de transition, mais l’entreprise prévoit également de leur ajouter progressivement le marquage au cours des prochains mois. Le watermark pourrait donc devenir rapidement une caractéristique structurelle des modèles Claude.

La technologie répond au bon problème, mais pas à toute la question

Il existe de très bonnes raisons de vouloir identifier l’origine des contenus synthétiques. À grande échelle, des textes générés automatiquement peuvent alimenter des campagnes de spam, produire de faux avis, saturer des réseaux sociaux ou être réutilisés dans des jeux de données sans indication sur leur provenance.

Dans ces situations, une signature techniquement robuste possède une réelle valeur. Elle permet de passer d’une estimation basée sur le style à une indication fondée sur un signal volontairement incorporé lors de la génération.

Mais, le problème devient beaucoup plus complexe dès que l’IA travaille avec un humain plutôt qu’à sa place. Et, c’est précisément ce qui devient la norme.

Le futur du travail sera probablement hybride, pas humain contre IA

Les assistants comme Claude, ChatGPT ou Gemini ne servent déjà plus uniquement à générer des textes à partir d’une page blanche. Ils traduisent. Ils corrigent. Ils synthétisent. Ils restructurent. Ils adaptent. Ils transforment la dictée en texte lisible.

Dans ce monde, chercher uniquement à classer chaque document dans une catégorie « humain » ou « IA » devient rapidement insuffisant. La question pertinente devient plutôt : quelle partie du travail a été réalisée par l’IA, et de quelle manière ? Le watermark d’Anthropic ne peut pas répondre à cette seconde question. Il peut uniquement apporter un indice sur la première.

Le vrai défi sera humain, pas technique

Anthropic semble parfaitement conscient de cette limite. Son propre document insiste sur le fait qu’un watermark n’établit ni l’identité de l’auteur, ni la propriété du contenu, ni même la nature exacte de la participation de Claude. C’est probablement cette mise en garde qu’il faudra retenir.

Techniquement, la méthode est élégante : aucune balise visible, pas de caractères cachés, aucun surcoût en tokens et une signature statistique intégrée directement à la génération. Mais, la sophistication du système ne protège pas contre une mauvaise interprétation de ses résultats. Un professeur, un éditeur ou un employeur devra toujours distinguer « Claude est intervenu » de « Claude a créé le travail ».

Et dans un monde où humains et IA écrivent de plus en plus souvent ensemble, cette différence pourrait devenir beaucoup plus importante que le watermark lui-même.

Lire plus

Intelligence Artificielle

ChatGPT Computer History sur Mac : vos souvenirs locaux ne sont pas chiffrés

par Yohann Poiron le 17 août 2026

Computer History veut donner à ChatGPT une mémoire de ce que vous faites sur votre Mac, sans recourir à des captures d’écran permanentes. Mais, cette fonction possède une contrepartie importante : les fichiers de mémoire qu’elle génère localement sont stockés en texte brut et ne sont pas chiffrés par Computer History.

Une nuance technique qui mérite d’être comprise avant d’activer une fonction aussi riche en contexte personnel.

Computer History veut se souvenir de votre activité sur Mac

OpenAI a lancé Computer History comme une fonction optionnelle de l’application ChatGPT pour macOS. Son objectif est de transformer l’activité réalisée dans différentes applications et sur différents sites Web en une chronologie que ChatGPT et Codex peuvent ensuite exploiter comme contexte.

La différence avec une technologie comme Microsoft Recall est importante.

Computer History ne capture pas en permanence des captures d’écran de l’ordinateur. OpenAI indique que le système ne conserve ni captures d’écran, ni enregistrements vidéo, ni microphone, ni audio système. Il collecte plutôt un flux d’événements d’interaction : utilisation d’applications, navigation, actions effectuées dans l’interface et autres éléments permettant de reconstruire le contexte de travail.

L’idée est séduisante : pouvoir demander à ChatGPT de retrouver ce sur quoi l’on travaillait ou de comprendre une activité récente sans devoir tout lui réexpliquer. Mais, cette mémoire doit bien être stockée quelque part.

Deux types de fichiers sont créés sur le Mac

Le fonctionnement de Computer History repose en réalité sur deux catégories de données. La première correspond aux fichiers temporaires d’événements. Ils contiennent le flux brut collecté pendant l’utilisation du Mac et sont conservés temporairement sur l’ordinateur. OpenAI indique qu’ils sont supprimés après un maximum de 48 heures. Ils sont également isolés dans l’App Group de ChatGPT sous macOS, ce qui empêche normalement les autres applications d’y accéder sans autorisation explicite.

La seconde catégorie est plus intéressante : les mémoires générées à partir de cette activité. ChatGPT analyse les événements puis crée des résumés destinés à être utilisés ultérieurement comme contexte. Et, ces souvenirs persistent jusqu’à ce que l’utilisateur décide de les supprimer.

Ces mémoires sont de simples fichiers Markdown

C’est ici que se trouve le détail le plus sensible. Les mémoires générées par Computer History sont enregistrées sous la forme de fichiers Markdown en texte brut. Sur une installation classique, OpenAI indique qu’ils se trouvent dans un répertoire local associé à Codex, généralement sous : ~/.codex/memories/extensions/skysight/.

L’avantage est évident : ces fichiers restent lisibles et modifiables par l’utilisateur. Il est même possible de les afficher directement dans le Finder depuis la chronologie de Computer History.

Mais, cette simplicité possède une conséquence directe. Computer History ne chiffre pas ces fichiers. OpenAI prévient explicitement que d’autres programmes fonctionnant sous le même compte utilisateur macOS peuvent potentiellement y accéder.

Ce n’est pas exactement la même chose que « tout est stocké sans protection »

La distinction mérite d’être faite. Les fichiers temporaires contenant les événements d’activité bénéficient des mécanismes d’isolation applicative de macOS. Les mémoires Markdown persistantes, elles, sont des fichiers locaux accessibles depuis l’environnement utilisateur et ne bénéficient pas d’un chiffrement supplémentaire spécifique à Computer History.

Cela ne signifie donc pas nécessairement qu’un attaquant distant peut lire votre historique simplement parce que la fonction est activée.

Le scénario préoccupant concerne plutôt un logiciel qui dispose déjà d’un accès suffisant à votre session macOS. Et, c’est précisément là que les choses deviennent plus intéressantes du point de vue de la sécurité.

Le problème commence lorsqu’un logiciel malveillant est déjà sur le Mac

Imaginez un malware exécuté avec les mêmes droits que l’utilisateur. Il peut déjà chercher des documents, analyser certains dossiers accessibles ou dérober des informations stockées localement. Les mémoires de Computer History pourraient alors constituer une nouvelle source de données particulièrement intéressante.

Selon les applications et sites autorisés, elles peuvent potentiellement révéler les projets sur lesquels une personne travaille, les documents qu’elle consulte, certains services Web utilisés ou simplement la structure de ses journées. Même sans captures d’écran, ce contexte possède de la valeur.

Un attaquant n’a pas toujours besoin de voir chaque pixel de l’écran. Savoir qu’une personne travaille sur tel projet, utilise tel outil ou consulte tel service peut déjà faciliter une attaque ciblée.

La mémoire qui rend ChatGPT plus utile devient donc également une nouvelle concentration d’informations à protéger.

FileVault ne répond pas totalement au même problème

Il faut aussi éviter une confusion fréquente autour du chiffrement de macOS. Un Mac équipé de FileVault bénéficie d’un chiffrement du disque particulièrement important lorsque l’ordinateur est éteint ou verrouillé. Mais, une fois la session ouverte et les fichiers accessibles à l’utilisateur légitime, un programme exécuté sous ce même compte peut potentiellement accéder à une partie de ces données selon ses permissions.

Le fait que les mémoires Computer History soient en texte brut devient donc surtout pertinent face à une application ou un malware déjà présent dans la session. Un chiffrement applicatif spécifique n’éliminerait pas nécessairement tous les risques, surtout si l’application doit elle-même pouvoir déchiffrer les données. Mais, il pourrait limiter certains scénarios d’accès direct aux fichiers.

OpenAI a pour l’instant choisi une architecture privilégiant la lisibilité et la manipulation locale des souvenirs.

Computer History envoie aussi temporairement des données à OpenAI

Le terme « local » ne signifie pas non plus que tout le traitement reste exclusivement sur le Mac. OpenAI explique que Computer History collecte les événements localement, puis lance périodiquement une session Codex éphémère chargée de transformer ce flux en souvenirs. Les événements temporaires sont donc traités sur les serveurs d’OpenAI pour créer ces mémoires.

L’entreprise précise qu’elle ne conserve pas ces fichiers d’événements après leur traitement, sauf obligation légale, et qu’ils ne sont pas utilisés pour entraîner ses modèles. Les mémoires générées reviennent ensuite sur le Mac et y restent jusqu’à leur suppression.

La distinction est donc la suivante : collecte locale, traitement ponctuel côté OpenAI, puis stockage local des souvenirs persistants.

Le risque de prompt injection existe également

Le stockage n’est d’ailleurs pas le seul sujet de sécurité évoqué par OpenAI. La documentation prévient aussi que Computer History augmente le risque de prompt injection provenant du contenu affiché dans les applications et sur les sites Web.

Le problème vient directement de la nature de la fonction. Pour être utile, ChatGPT doit comprendre ce que l’utilisateur consulte. Mais, une page Web peut également contenir des instructions malveillantes conçues pour influencer un agent d’IA. Si ces instructions entrent ensuite dans l’historique utilisé comme contexte, ChatGPT ou Codex pourrait théoriquement être amené à les interpréter de manière indésirable.

C’est l’un des grands défis des agents modernes : plus ils disposent de contexte sur notre environnement, plus ils risquent également d’ingérer du contenu hostile.

Une mémoire plus riche crée mécaniquement une surface d’attaque plus riche

C’est finalement le paradoxe de Computer History. Sa valeur vient précisément de la quantité de contexte qu’il peut accumuler. Un assistant qui sait ce que vous faisiez hier, quelles applications vous utilisez et quels projets vous avez récemment ouverts peut répondre beaucoup plus intelligemment qu’un chatbot sans mémoire.

Mais, plus cette mémoire devient précise, plus elle devient sensible. Une liste vague de préférences utilisateur présente relativement peu de risques. Un journal permettant de reconstruire plusieurs journées de travail en présente davantage. Et lorsque ces informations concernent du code, des finances, des communications professionnelles, des recherches médicales ou des documents confidentiels, le niveau de sensibilité augmente encore.

OpenAI permet d’exclure certaines applications et certains sites

Computer History reste néanmoins entièrement optionnel. L’utilisateur doit l’activer explicitement et peut choisir quelles sources doivent être incluses. Il est possible de créer une liste d’applications ou de sites exclus, mais aussi d’adopter l’approche inverse et d’autoriser uniquement certaines sources.

La navigation Web en mode privé n’est pas incluse. OpenAI recommande également d’exclure les applications contenant des informations sensibles, notamment celles liées à la santé, aux finances ou aux données personnelles.

La collecte peut être suspendue temporairement depuis les paramètres ou la barre de menus de macOS. Ce contrôle granulaire devient probablement la meilleure protection disponible aujourd’hui.

Il est aussi possible de supprimer l’historique

OpenAI permet également de consulter les éléments résumés par Computer History et de les effacer. L’utilisateur peut supprimer une entrée précise ou nettoyer différentes périodes, allant des dernières minutes jusqu’à l’intégralité de l’historique. La suppression efface à la fois les événements correspondants et les mémoires créées à partir de ceux-ci.

Les fichiers Markdown peuvent également être affichés directement depuis l’historique.

C’est une approche relativement transparente : plutôt que de cacher complètement cette mémoire dans une base inaccessible, OpenAI permet de voir ce qui a été conservé. Mais cette même transparence explique aussi pourquoi les fichiers peuvent devenir intéressants pour d’autres logiciels.

OpenAI conseille même de désactiver la fonction pendant certaines conversations

La documentation contient une autre recommandation qui montre jusqu’où peut aller la collecte contextuelle. Computer History peut inclure des événements issus d’applications et de sites servant à communiquer avec d’autres personnes. OpenAI recommande donc de désactiver la fonction pendant ces communications sauf consentement préalable explicite des autres participants.

Cette recommandation dépasse la simple cybersécurité. Elle rappelle qu’une technologie capable de mémoriser l’activité d’un utilisateur peut aussi enregistrer indirectement des informations concernant d’autres personnes.

Dans un environnement professionnel, juridique ou médical, cette distinction devient particulièrement importante.

Computer History est encore loin d’être une fonction anodine

OpenAI présente Computer History comme une mémoire capable d’aider ChatGPT et Codex à mieux comprendre le travail récent. Sur le plan fonctionnel, la promesse est convaincante. La machine devient moins amnésique et l’utilisateur passe moins de temps à reconstruire son contexte.

Mais, la documentation officielle rappelle une réalité que l’interface peut facilement faire oublier : une mémoire numérique permanente est aussi un nouveau jeu de données sensibles. Le fait que les souvenirs soient enregistrés sous forme de fichiers Markdown non chiffrés ne transforme pas automatiquement Computer History en faille de sécurité.

Il augmente toutefois l’intérêt de protéger correctement son compte macOS, de limiter les applications et sites autorisés, et d’éviter d’accumuler des informations que l’on ne souhaiterait pas voir accessibles à un autre programme exécuté sous le même utilisateur.

Nous arrivons progressivement dans une nouvelle phase des assistants IA. Ils ne veulent plus seulement répondre à une question, ils veulent connaître ce que nous faisions avant de la poser. Cette évolution peut rendre ChatGPT considérablement plus utile. Mais, elle oblige également à revoir la manière dont nous pensons la confidentialité d’un assistant. Plus il se souvient, moins son historique ressemble à un simple réglage de personnalisation.

Computer History laisse au moins le choix : la fonction est optionnelle, peut être filtrée, suspendue et vidée. Mais l’absence de chiffrement spécifique de ses mémoires locales mérite d’être connue avant de l’activer. Car avec les assistants qui apprennent progressivement à se souvenir de notre ordinateur, la vraie question n’est plus seulement ce que l’IA sait de nous. C’est aussi qui d’autre peut accéder à ce qu’elle a mémorisé.

Lire plus

Intelligence Artificielle

Qwen dépasse 3 milliards de téléchargements selon Alibaba et domine l’IA open-weight

par Yohann Poiron le 17 août 2026

Alibaba affirme que sa famille de modèles Qwen a franchi le cap des 3 milliards de téléchargements, devant les écosystèmes ouverts de Meta et Google. Derrière ce chiffre spectaculaire, les données de Hugging Face racontent toutefois une histoire légèrement différente : Qwen domine bien l’écosystème open-weight, mais les métriques publiques disponibles sont sensiblement inférieures aux chiffres avancés par Alibaba.

Qwen franchit les 3 milliards de téléchargements, selon Alibaba

Alibaba vient de revendiquer un nouveau cap symbolique pour sa stratégie d’intelligence artificielle. Selon le groupe chinois, les différents modèles de la famille Qwen ont désormais dépassé 3 milliards de téléchargements dans le monde, ce qui en ferait la famille de modèles open-weight la plus largement utilisée.

Le chiffre place théoriquement Alibaba devant des acteurs comme Meta ou Google dans cette catégorie.

3000000000 downloads! Can you count the zeros at a glance? 😎 Thank you all for the incredible love. Let’s keep growing together! 🌱 https://t.co/KoXx6bMhQ4

— Qwen (@Alibaba_Qwen) August 16, 2026

Plus impressionnante encore, l’entreprise affirme que l’écosystème Qwen aurait donné naissance à plus de 300 000 modèles dérivés, créés à partir de ses architectures par des développeurs, chercheurs et entreprises. Ces nombres illustrent une tendance devenue difficile à ignorer : les laboratoires chinois ne se contentent plus de rattraper les acteurs américains sur les benchmarks.

Ils commencent aussi à prendre une place centrale dans l’infrastructure utilisée quotidiennement par les développeurs.

Mais, les chiffres méritent d’être examinés avec davantage de précision.

Hugging Face compte plutôt 2,06 milliards de téléchargements

Un jour avant l’annonce d’Alibaba, Hugging Face publiait son rapport State of Open Models : Summer 2026, consacré à l’évolution des modèles ouverts entre janvier et août. Ses données donnent une image légèrement différente.

Hugging Face comptabilise environ 2,045 milliards de téléchargements Qwen en 2026 pour les dépôts dont le nombre de paramètres est déclaré. En incluant l’ensemble des repositories Qwen, le total atteint environ 2,061 milliards. Nous sommes donc très loin d’un échec : deux milliards de téléchargements constituent un niveau d’adoption colossal.

Mais, cela reste environ un milliard en dessous du chiffre communiqué par Alibaba.

Cette différence ne remet pas réellement en cause le leadership de Qwen. Elle rappelle simplement qu’un chiffre de téléchargement dépend énormément de la manière dont il est comptabilisé.

Les deux chiffres ne mesurent probablement pas exactement la même chose

Alibaba n’a pas nécessairement inventé le milliard manquant. Hugging Face lui-même précise que ses statistiques ne couvrent que son propre écosystème. Elles n’incluent pas nécessairement les téléchargements réalisés depuis d’autres plateformes, les déploiements privés, les API ou les infrastructures internes des entreprises. Et, Alibaba possède justement son propre écosystème de distribution avec ModelScope, très utilisé en Chine.

Qwen est également disponible via différents clouds, dépôts et outils permettant de télécharger ou déployer ses modèles sans passer par Hugging Face.

Le chiffre des 3 milliards pourrait donc agréger plusieurs canaux. Le problème est surtout méthodologique : sans détail complet sur la manière dont Alibaba construit ce total, il est impossible de le comparer directement au compteur de Hugging Face. Autrement dit, 3 milliards est un chiffre d’Alibaba, tandis que 2,061 milliards est une mesure vérifiable à l’intérieur du Hub Hugging Face.

Les deux peuvent théoriquement être vrais simultanément.

Même divergence autour des 300 000 modèles dérivés

Le même phénomène apparaît lorsqu’on examine les modèles construits à partir de Qwen. Alibaba affirme que plus de 300 000 modèles dérivés ont été créés autour de sa famille. Hugging Face en compte précisément 151 448 sur son Hub.

L’écart est presque du simple au double. Mais là encore, la statistique publique reste extrêmement favorable à Alibaba. Les dérivés Qwen présents sur Hugging Face représentent 2,6 fois l’ensemble de l’empreinte de Meta et environ 4,7 fois les repositories directement dérivés de Llama. Google arrive derrière avec un peu plus de 82 000 modèles dérivés.

Même en utilisant uniquement les chiffres indépendants de Hugging Face, Qwen se trouve donc dans une position exceptionnelle.

Le véritable succès de Qwen n’est peut-être pas son nombre de téléchargements

Le chiffre le plus intéressant n’est finalement pas 3 milliards. C’est 151 448. Un téléchargement peut être automatisé. Un modèle peut être téléchargé plusieurs fois dans le cadre d’un pipeline, d’un test ou d’un déploiement continu. Hugging Face rappelle d’ailleurs qu’une poignée de modèles relativement anciens génèrent une part gigantesque du trafic parce qu’ils sont intégrés dans des processus automatisés.

La création d’un modèle dérivé indique quelque chose de différent. Elle signifie qu’un développeur a décidé d’utiliser Qwen comme fondation pour construire son propre modèle. Fine-tuning, quantification, adaptation à une langue, spécialisation métier ou optimisation matérielle : chaque dérivé représente une nouvelle branche de l’écosystème.

Et sur ce terrain, Qwen domine très largement.

Qwen est devenu une sorte de plateforme

C’est précisément la conclusion du rapport Hugging Face. Qwen ne doit plus seulement être considéré comme une collection de Large Language Model (LLM) publiés par Alibaba. Il est progressivement devenu une base technique sur laquelle d’autres développeurs construisent leurs propres systèmes.

Hugging Face observe entre 180 et 210 nouveaux repositories dérivés de Qwen créés chaque jour pendant les sept premiers mois de 2026. Cette dynamique crée un cercle vertueux. Plus Qwen est utilisé, plus des versions optimisées apparaissent. Plus ces versions existent, plus il devient facile pour de nouveaux utilisateurs d’adopter l’écosystème. À terme, le meilleur modèle n’est donc pas nécessairement celui qui remporte le plus de benchmarks.

C’est celui qu’un développeur trouve déjà adapté à son matériel, sa langue et son cas d’usage.

Alibaba a compris l’importance de couvrir toute la gamme

La stratégie de Qwen diffère aussi de celle de nombreux concurrents chinois. Certains laboratoires concentrent leurs efforts presque exclusivement sur des modèles gigantesques destinés à rivaliser avec les meilleures solutions propriétaires.

Alibaba adopte une approche beaucoup plus large. La famille Qwen couvre des modèles extrêmement compacts pouvant fonctionner localement jusqu’aux architectures de plusieurs centaines de milliards, voire de milliers de milliards de paramètres.

Cette diversité est essentielle. Un développeur peut utiliser un petit Qwen sur un ordinateur portable, puis rester dans le même écosystème lorsqu’il passe à une infrastructure serveur beaucoup plus puissante. Hugging Face décrit cette stratégie comme une volonté de devenir la famille sur laquelle les développeurs standardisent leurs workflows.

C’est probablement l’un des facteurs majeurs du succès actuel.

L’open-weight devient une bataille d’écosystèmes

La compétition ne consiste donc plus seulement à publier le modèle le plus intelligent. Elle ressemble progressivement à une bataille de plateformes. Meta avait utilisé exactement cette stratégie avec Llama. En proposant des poids accessibles et un large choix de modèles, l’entreprise avait réussi à devenir pendant plusieurs années l’une des références naturelles de l’écosystème ouvert.

Qwen semble aujourd’hui reprendre ce rôle. Les développeurs créent des versions quantifiées, spécialisées, traduites ou adaptées à différentes architectures matérielles. Ces versions génèrent ensuite leurs propres communautés. Le laboratoire à l’origine du modèle bénéficie alors d’une forme d’effet réseau très similaire à celui d’une plateforme logicielle.

Changer de famille devient plus coûteux à mesure que les outils, les connaissances et les modèles dérivés s’accumulent.

Les petits modèles représentent encore l’essentiel des usages réels

Le rapport Hugging Face apporte d’ailleurs une nuance fascinante à la course permanente aux modèles géants. Les modèles de moins d’un milliard de paramètres représentent une part disproportionnée des téléchargements historiques. À l’inverse, les modèles dépassant 100 milliards de paramètres ne constituent qu’une fraction minuscule du volume total.

La raison est simple. Les modèles gigantesques impressionnent dans les benchmarks. Les petits modèles, eux, peuvent réellement être exécutés sur le matériel dont disposent la majorité des développeurs. C’est exactement là que la stratégie de Qwen devient puissante.

Alibaba ne publie pas uniquement des vitrines technologiques, il alimente aussi les catégories de modèles que les utilisateurs peuvent faire fonctionner localement.

Qwen domine aussi fortement les formats dédiés au local

Cette tendance apparaît particulièrement clairement avec le format GGUF, très populaire pour exécuter des modèles quantifiés avec des outils comme llama.cpp. Les versions basées sur Qwen génèrent près de 40 millions de téléchargements GGUF par mois sur Hugging Face. C’est presque deux fois plus que l’écosystème Gemma de Google et plus de cinq fois le trafic observé autour de Llama dans cette catégorie.

Cette statistique est particulièrement révélatrice. Elle ne mesure pas seulement l’intérêt suscité par une annonce, elle montre que Qwen est effectivement utilisé comme infrastructure de calcul local.

Pour Alibaba, c’est probablement beaucoup plus précieux qu’une première place temporaire dans un classement de benchmarks.

Les États-Unis commencent à réagir

La domination chinoise dans l’open-weight n’est évidemment pas passée inaperçue. Meta a récemment réaffirmé son intérêt pour les modèles ouverts, tandis que Nvidia multiplie également les publications autour de sa famille Nemotron. Le fabricant de GPU possède d’ailleurs une motivation évidente. Un modèle ouvert optimisé pour une plateforme matérielle peut devenir un excellent moyen de vendre cette même plateforme. Nvidia peut donc utiliser ses modèles comme une démonstration grandeur nature de ses GPU et de son infrastructure.

La stratégie rejoint celle observée chez Alibaba : donner accès aux poids n’implique pas nécessairement de renoncer à toute monétisation. La valeur peut simplement être déplacée ailleurs.

Open-weight ne signifie pas absence de business model

C’est l’une des idées importantes derrière la stratégie Qwen. Alibaba peut proposer de nombreux modèles avec des licences relativement permissives tout en générant des revenus grâce à son cloud, ses API et ses infrastructures. Plus Qwen devient populaire, plus Alibaba peut attirer des entreprises vers ses services. Le modèle devient alors une porte d’entrée.

Cette logique est particulièrement puissante dans les régions où Alibaba Cloud cherche à se développer, notamment en Asie du Sud-Est, au Moyen-Orient ou en Afrique.

La gratuité des poids peut donc servir une stratégie commerciale extrêmement ambitieuse. Le véritable produit n’est pas nécessairement le modèle lui-même, c’est l’écosystème qui l’entoure.

Mais, l’ouverture commence déjà à rencontrer ses propres limites

L’industrie entre également dans une phase où les grands modèles ouverts deviennent suffisamment précieux pour que leurs créateurs cherchent de nouvelles formes de monétisation. Certaines licences commencent à inclure davantage de restrictions pour les très grands utilisateurs commerciaux.

Le rapport Hugging Face constate d’ailleurs que les modèles chinois les plus récents ne suivent plus tous automatiquement le modèle extrêmement permissif des précédentes générations.

L’âge de l’open-weight totalement sans conditions pourrait donc évoluer. Les entreprises ont dépensé des milliards pour entraîner ces architectures à mesure que leurs modèles deviennent incontournables, elles cherchent logiquement à récupérer davantage de valeur.

La plus grande menace pour Qwen pourrait venir de Pékin

Un autre risque est beaucoup plus politique. Les autorités chinoises étudient actuellement la possibilité de restreindre l’accès international aux modèles d’IA les plus avancés développés dans le pays. Des discussions auraient notamment concerné Alibaba, ByteDance et Z.ai. L’objectif serait de traiter certains modèles de pointe comme des technologies stratégiques pouvant être soumises à des contrôles similaires à ceux utilisés pour d’autres technologies sensibles.

Aucune politique définitive n’a encore été annoncée. Mais si Pékin limitait réellement le téléchargement international des meilleurs modèles chinois, cela pourrait profondément modifier la dynamique actuelle.

Une restriction pourrait casser exactement ce qui fait la force de Qwen

Ce serait un paradoxe majeur. Qwen est devenu puissant précisément parce qu’il est disponible partout. Un étudiant peut le télécharger, une startup peut le modifier, une entreprise peut l’intégrer et une communauté peut créer une version adaptée à du matériel grand public. C’est cette disponibilité qui génère les centaines de milliers de dérivés et les milliards de téléchargements.

Restreindre l’accès aux futures générations les plus performantes pourrait donc affaiblir l’effet réseau qu’Alibaba a mis plusieurs années à construire. Les modèles américains auraient alors une occasion idéale de reconquérir les développeurs.

Dans la bataille de l’open-weight, l’ouverture elle-même est devenue un avantage stratégique.

Le chiffre de 3 milliards compte moins que la tendance

Il est donc utile de garder deux idées simultanément. Oui, le chiffre de 3 milliards revendiqué par Alibaba doit être traité avec prudence, puisqu’il dépasse sensiblement les données directement observables sur Hugging Face et que sa méthodologie complète n’est pas publique. Mais non, cette divergence ne change pas réellement la tendance fondamentale. Les données indépendantes sont déjà suffisamment impressionnantes.

Plus de 2 milliards de téléchargements sur Hugging Face en 2026,151 448 modèles dérivés et près de 40 millions de téléchargements GGUF par mois, avec un écosystème largement supérieur à celui de Meta sur plusieurs indicateurs.

Qwen n’a pas besoin du chiffre le plus spectaculaire pour démontrer son succès.

La Chine est en train de redéfinir la course à l’IA ouverte

Pendant plusieurs années, l’industrie de l’intelligence artificielle semblait organisée autour d’un schéma relativement simple. Les laboratoires américains dominaient les modèles de pointe. La Chine cherchait à combler l’écart.

En 2026, cette lecture devient beaucoup moins pertinente. Sur le terrain de l’open-weight, les laboratoires chinois construisent désormais une partie de l’infrastructure utilisée par les développeurs du monde entier. Alibaba possède avec Qwen l’exemple le plus spectaculaire de cette transformation. Le véritable indicateur à surveiller n’est donc peut-être plus le nombre exact de milliards de téléchargements.

C’est le moment où un développeur démarre un nouveau projet et choisit naturellement Qwen avant même d’étudier les alternatives. À ce stade, un modèle n’est plus simplement populaire : il devient un standard de fait.

Lire plus

Intelligence Artificielle

Gemini permet enfin de supprimer les filigranes visibles sur les contenus générés par IA

par Yohann Poiron le 15 août 2026

Google assouplit l’une des règles les plus visibles de Gemini. Un nouveau réglage baptisé Media Watermarks permet désormais de désactiver le filigrane affiché sur les images, vidéos et contenus musicaux générés par l’IA, sans pour autant rendre ces créations anonymes : SynthID et les métadonnées C2PA restent présents en arrière-plan.

Google donne enfin le choix aux utilisateurs

Jusqu’ici, certaines créations produites avec les outils multimédias de Gemini étaient accompagnées automatiquement d’un marquage visuel indiquant leur origine artificielle. Google commence désormais à changer cette approche.

La firme déploie dans les paramètres de Gemini une nouvelle option appelée Media Watermarks, permettant d’activer ou de désactiver les filigranes visibles appliqués aux contenus générés par Gemini. Le réglage concerne les médias créés dans les applications Gemini et s’applique aux créations suivantes une fois modifié.

L’utilisateur n’a donc plus besoin d’accepter systématiquement un logo ou une indication graphique incrustée directement dans son image ou sa vidéo.

Rolling out over the next few days, you can decide if your image, video, and music creations made with Gemini will have visible watermarks. Invisible SynthID watermarks and C2PA metadata will always stay embedded in the background.

Simply go to your settings and toggle “Show… https://t.co/b0tHkwnFBU

— Google Gemini (@GeminiApp) August 14, 2026

Le changement paraît mineur, mais il répond à une demande récurrente des créateurs : pouvoir utiliser des contenus générés par IA dans une composition, une présentation ou un projet professionnel sans avoir à composer avec un marquage graphique permanent.

Comment supprimer le filigrane visible dans Gemini ?

La procédure se veut volontairement simple. Depuis Gemini, il suffit d’ouvrir les paramètres, puis la section Media Watermarks, avant d’activer ou de désactiver le marquage visible. Google précise que la préférence choisie s’applique aux futures créations générées avec Gemini.

Le changement vise notamment l’écosystème multimédia de Gemini, qui s’est considérablement élargi.

Google dispose désormais de modèles spécialisés dans l’image comme Nano Banana, d’outils vidéo comme Gemini Omni et de technologies audio et musicales comme Lyria. Omni, présenté lors de Google I/O 2026, est par exemple conçu pour générer et modifier des vidéos à partir de plusieurs types de références.

L’objectif est donc moins de modifier une fonction isolée que d’offrir une règle cohérente pour l’ensemble de la création multimédia dans Gemini.

Supprimer le logo ne rend pas le contenu intraçable

C’est le point le plus important. Désactiver le filigrane visible ne supprime pas les mécanismes techniques utilisés par Google pour identifier les contenus générés par IA. Google continue notamment d’utiliser SynthID, son système de tatouage numérique imperceptible développé par DeepMind. Cette technologie insère un signal dans le contenu sans modifier visiblement l’image, la vidéo ou l’audio pour l’utilisateur.

Gemini peut ensuite analyser ce signal afin de déterminer si un contenu a été créé ou modifié par une technologie d’IA de Google.

Cette capacité de vérification ne se limite d’ailleurs plus aux images. En mai 2026, Google indiquait avoir étendu la vérification SynthID aux images, vidéos et contenus audio, avec plus de 50 millions d’utilisations de ces outils de vérification à l’échelle mondiale.

Ainsi, supprimer le marquage visible revient surtout à nettoyer l’apparence du fichier, pas à effacer son origine technique.

SynthID et C2PA deviennent la véritable couche de traçabilité

Google pousse parallèlement une seconde technologie : les C2PA Content Credentials. Contrairement à un simple logo affiché dans un coin de l’image, les Content Credentials permettent de conserver des informations relatives à l’origine et à l’historique d’un fichier. Elles peuvent notamment indiquer si un contenu provient d’un appareil photo, s’il a été modifié ou s’il a impliqué des outils génératifs.

Cette combinaison de SynthID et de C2PA est stratégique.

Le filigrane visible était extrêmement simple à comprendre, mais aussi facile à recadrer, masquer ou retirer. Une couche invisible, intégrée dans le contenu ou ses informations de provenance, peut être beaucoup plus adaptée à un Internet où les images et vidéos sont continuellement modifiées et republiées.

Pour Gemini Omni, Google confirme par exemple que les vidéos générées comportent un SynthID imperceptible, permettant ensuite leur vérification dans l’écosystème Gemini.

Autrement dit, Google ne renonce pas à identifier l’IA. Il change simplement la manière dont cette identification est présentée.

Tout le monde n’a pas accès à cette option

Le déploiement comporte toutefois plusieurs restrictions importantes. Google précise que les utilisateurs situés en Inde, en Corée du Sud ou au Vietnam ne peuvent accéder à ce réglage que s’ils disposent d’un abonnement Google AI Ultra. Sans cette formule, les contenus concernés continuent de recevoir automatiquement un filigrane visible.

La situation est encore différente pour les comptes professionnels et scolaires.

Si l’accès à Gemini se fait par l’intermédiaire d’un compte de travail ou d’établissement scolaire, le réglage Media Watermarks n’est pas proposé. Le filigrane visible reste alors imposé.

Ces restrictions montrent que Google avance avec prudence.

Un utilisateur individuel peut préférer une image visuellement propre. Une entreprise ou un établissement scolaire doit, de son côté, gérer des enjeux plus importants de provenance, de conformité et d’usage responsable des médias générés.

Google semble donc accepter davantage de souplesse pour le grand public tout en conservant des règles plus strictes dans les environnements administrés.

La disparition du filigrane visible répond aussi à un problème d’usage

L’évolution de Gemini rendait probablement cette décision presque inévitable. Lorsque l’IA servait surtout à générer une image amusante occasionnelle, un petit marquage visible restait relativement acceptable. Mais, Gemini ambitionne désormais de devenir un véritable environnement de production multimédia.

Avec Nano Banana pour l’image, Omni pour la vidéo et les technologies musicales de Google, les créations peuvent être utilisées dans des présentations, publicités, prototypes, contenus sociaux ou productions artistiques. Dans ces usages, un filigrane systématique peut rapidement devenir gênant. Il peut aussi encourager les utilisateurs à chercher des méthodes de suppression après génération, ce qui ne renforce pas nécessairement la transparence.

En donnant le choix sur le marquage visible tout en conservant une signature invisible, Google semble privilégier une architecture moins intrusive et potentiellement plus robuste.

Google mise désormais davantage sur la vérification que sur l’avertissement

Ce changement révèle surtout une évolution philosophique. Le premier réflexe de nombreux acteurs de l’IA générative consistait à afficher directement un signe indiquant qu’une image avait été créée par une machine. Google développe désormais une approche différente : permettre à celui qui consulte un contenu de vérifier son origine lorsque cela devient nécessaire.

Gemini peut déjà analyser SynthID pour déterminer si une image a été générée ou modifiée avec l’IA de Google. La firme étend également ces mécanismes vers la recherche et Chrome, tout en développant la prise en charge des Content Credentials.

Cette stratégie est probablement plus adaptée à l’échelle que le simple filigrane visuel.

Un logo dans un coin indique immédiatement qu’un contenu est artificiel, mais il ne raconte presque rien de son histoire. Les mécanismes de provenance peuvent, eux, potentiellement préciser quels outils ont été utilisés, quelles modifications ont été effectuées et si le fichier a été transformé depuis sa création.

Un équilibre délicat entre création et transparence

La décision de Google intervient au moment où les contenus générés deviennent de plus en plus difficiles à différencier des productions traditionnelles. La firme indiquait en mai que SynthID avait déjà été utilisé pour marquer plus de 100 milliards d’images et de vidéos, ainsi que l’équivalent de dizaines de milliers d’années de contenus audio.

À cette échelle, la question n’est plus vraiment de savoir s’il faut identifier l’IA. Elle consiste plutôt à déterminer où cette information doit vivre.

Doit-elle être incrustée directement dans le contenu, au risque de gêner sa création et sa réutilisation ? Ou doit-elle rester invisible, consultable lorsqu’un utilisateur souhaite vérifier l’origine d’un fichier ? Avec Media Watermarks, Google semble clairement se rapprocher de la seconde solution. Le filigrane visible devient optionnel pour une partie des utilisateurs, tandis que la couche technique de provenance reste active.

C’est un compromis intéressant : laisser les créations respirer visuellement sans renoncer totalement à la traçabilité.

Et à mesure que l’IA produit des médias toujours plus réalistes, le véritable enjeu pourrait ne plus être de voir qu’un contenu vient d’une IA, mais de pouvoir le prouver lorsqu’on en a besoin.

Lire plus

Intelligence Artificielle

Un outil open source veut effacer les filigranes de ChatGPT, Gemini et Claude : la bataille de la traçabilité de l’IA commence

par Yohann Poiron le 14 août 2026

Alors que les géants de l’IA cherchent à rendre leurs contenus plus facilement identifiables, des développeurs travaillent déjà dans la direction opposée. Un projet open source baptisé watermarks-remover promet de supprimer ou perturber plusieurs formes de marqueurs associés aux contenus générés par l’intelligence artificielle, depuis les métadonnées classiques jusqu’aux signatures statistiques intégrées au texte.

Derrière cet outil expérimental se dessine surtout un problème beaucoup plus vaste : la provenance des contenus générés par IA pourrait rapidement devenir un nouveau jeu du chat et de la souris.

Un outil conçu pour s’attaquer à plusieurs types de filigranes

Disponible sur GitHub, watermarks-remover ne se limite pas à rechercher un logo ou une mention « généré par IA ». Le projet distingue plusieurs catégories de signaux. Il peut notamment détecter ou supprimer certains caractères Unicode invisibles, nettoyer des informations intégrées aux fichiers et tenter de perturber des signatures statistiques présentes dans du texte généré.

Son champ d’action couvre de nombreux formats : PNG, JPEG, SVG, PDF, DOCX, ODT, HTML ou encore Markdown. Le nettoyage des fichiers peut notamment concerner des informations EXIF, XMP, certaines propriétés de documents ou des données de provenance telles que C2PA.

Mais, toutes ces techniques ne présentent pas le même niveau de difficulté.

Effacer une métadonnée est une chose, casser une signature statistique en est une autre

Une métadonnée est relativement simple à comprendre. Elle correspond à une information attachée au fichier, sans nécessairement modifier son contenu visible. Une signature statistique fonctionne différemment.

Certains mécanismes expérimentaux de watermarking peuvent exploiter les choix effectués par un modèle lors de la génération des mots. Pris individuellement, ces choix paraissent naturels. À grande échelle, leur distribution peut néanmoins former un motif statistique détectable.

Dans ce cas, supprimer la signature implique potentiellement de modifier le texte lui-même.

La version 0.3.1 de watermarks-remover adopte justement une approche plus poussée : elle peut retravailler le vocabulaire, les transitions et la construction des phrases afin de perturber les régularités statistiques susceptibles de servir de signature.

Le développeur affirme également avoir étendu la prise en charge de marqueurs associés à plusieurs grands écosystèmes d’IA.

Réécrire le texte introduit forcément un compromis

Cette approche possède toutefois une limite fondamentale : plus un texte doit être transformé, plus il risque de s’éloigner de l’original. Changer quelques synonymes est relativement anodin. Modifier l’ordre des propositions, les transitions, la syntaxe et le vocabulaire peut en revanche affecter le ton, la précision ou même certaines nuances.

La documentation du projet reconnaît cette faiblesse.

Autrement dit, il ne s’agit pas d’un bouton magique permettant de conserver un document parfaitement intact tout en faisant disparaître sa provenance. Pour certaines catégories de marqueurs, le prix de l’effacement peut être une altération du contenu lui-même.

Et cela ne signifie pas que les détecteurs d’IA deviennent inutiles

Le développeur ne prétend d’ailleurs pas pouvoir neutraliser systématiquement tous les systèmes de détection. Il présente la réécriture comme une approche best effort. Certains signaux peuvent subsister et rien ne garantit qu’un système propriétaire ne puisse toujours identifier le contenu.

Cette nuance est essentielle, car il n’existe pas un unique « filigrane IA » universel.

Les techniques peuvent varier considérablement : métadonnées, signatures cryptographiques de provenance, caractères particuliers, distributions statistiques ou mécanismes propres à un modèle. Supprimer une catégorie de signaux ne signifie donc pas nécessairement éliminer toutes les traces possibles.

Le projet affirme par ailleurs poursuivre des objectifs de recherche et de confidentialité, et non permettre de présenter frauduleusement un contenu généré par IA comme une création entièrement humaine.

C2PA illustre parfaitement les limites du watermarking

Le cas de C2PA est particulièrement intéressant. Contrairement à un watermark visuel traditionnel, C2PA cherche à établir une chaîne de provenance permettant notamment de documenter l’origine et les transformations d’un contenu numérique.

Supprimer certaines informations attachées à un fichier ne revient donc pas nécessairement à fabriquer une provenance authentique différente. Cela peut simplement casser ou faire disparaître une partie de cette chaîne.

La distinction sera déterminante pour les futures plateformes de vérification : l’absence d’une preuve d’origine n’est pas une preuve d’origine humaine. C’est probablement l’un des principes autour desquels devront évoluer les systèmes de confiance numérique.

La provenance de l’IA entre dans une course aux armements

L’existence même de watermarks-remover est finalement plus intéressante que ses performances actuelles. Les entreprises spécialisées dans l’IA cherchent à développer des systèmes capables d’indiquer qu’une image, un texte ou un document provient d’un modèle génératif. En parallèle, des outils apparaissent pour étudier, modifier ou supprimer ces signaux.

Chaque mécanisme de détection crée donc une incitation à développer une méthode de contournement. Et chaque méthode de contournement pousse potentiellement les fournisseurs à construire une signature plus résistante.

Le phénomène rappelle les longues batailles entre DRM et outils de contournement, antispam et spammeurs ou encore antivirus et logiciels malveillants : une défense statique fonctionne rarement éternellement face à un adversaire capable d’adapter son comportement.

Le véritable enjeu dépasse largement la détection de ChatGPT

À terme, la question pourrait d’ailleurs ne plus être : « Peut-on détecter que ce texte a été écrit par une IA ? ». Avec des modèles capables d’imiter différents styles et des outils capables de réécrire automatiquement leurs productions, attribuer un texte uniquement à partir de ses caractéristiques statistiques deviendra probablement de plus en plus délicat.

L’industrie pourrait alors devoir déplacer son attention de la détection du contenu artificiel vers la preuve vérifiable de provenance.

C’est une différence fondamentale. Plutôt que d’essayer de deviner après coup si un document vient d’une IA, il s’agirait de construire une chaîne de confiance permettant de démontrer comment et avec quels outils il a été créé ou modifié.

watermarks-remover reste aujourd’hui un projet expérimental dont l’efficacité dépend fortement du type de marqueur rencontré. Mais son apparition révèle déjà la prochaine bataille de l’IA générative : après avoir appris à créer du contenu presque impossible à distinguer du contenu humain, l’industrie doit maintenant déterminer comment prouver d’où vient ce que nous regardons, lisons et partageons.

Lire plus

Intelligence Artificielle

OpenAI dévoile Ultrafast : GPT-5.6 Sol peut désormais atteindre 750 tokens par seconde

par Yohann Poiron le 14 août 2026

OpenAI ne cherche plus seulement à rendre ses modèles plus intelligents : l’entreprise veut désormais réduire drastiquement le temps qui sépare une question de son exécution. Avec Ultrafast, GPT-5.6 Sol peut fonctionner jusqu’à 14 fois plus vite que le traitement Standard et atteindre 750 tokens générés par seconde, avec une première disponibilité limitée via l’API.

Ultrafast veut supprimer le compromis entre vitesse et intelligence

Présenté le 13 août 2026, Ultrafast constitue une nouvelle classe de service destinée à GPT-5.6 Sol, le modèle haut de gamme de la famille GPT-5.6. OpenAI annonce des performances pouvant atteindre 14 fois la vitesse du mode Standard, avec jusqu’à 750 tokens de sortie par seconde.

L’infrastructure repose sur Cerebras, spécialiste des systèmes de calcul conçus pour l’intelligence artificielle et partenaire d’OpenAI sur les charges d’inférence à très faible latence.

Derrière ces chiffres se cache un changement plus stratégique qu’il n’y paraît. Jusqu’ici, les développeurs qui avaient besoin d’une réponse presque instantanée devaient souvent accepter un compromis : choisir un modèle plus léger et plus rapide, quitte à sacrifier une partie de ses capacités de raisonnement. Avec Ultrafast, OpenAI cherche précisément à réduire cette opposition entre intelligence et réactivité.

L’objectif n’est donc pas simplement de faire apparaître du texte plus vite à l’écran. Il s’agit de rendre un modèle de pointe suffisamment réactif pour intervenir directement dans des processus où chaque seconde compte.

Jusqu’à 750 tokens par seconde grâce à Cerebras

Le chiffre le plus spectaculaire reste celui des 750 tokens générés par seconde. OpenAI explique que Cerebras fournit l’infrastructure permettant d’exécuter GPT-5.6 Sol avec une latence particulièrement faible.

À cette vitesse, le comportement d’un modèle change sensiblement du point de vue de l’utilisateur. Une tâche nécessitant plusieurs centaines ou milliers de tokens peut produire ses résultats presque immédiatement, ce qui rapproche l’IA générative d’un véritable système interactif plutôt que d’un outil que l’on interroge avant d’attendre sa réponse.

C’est particulièrement important pour les agents IA. Leur fonctionnement repose rarement sur une seule génération : ils peuvent consulter des données, appeler plusieurs outils, analyser des résultats intermédiaires puis recommencer. Dans ce type d’architecture, quelques secondes économisées à chaque étape peuvent réduire fortement le temps d’exécution global.

OpenAI avait déjà indiqué lors de la présentation de GPT-5.6 Sol vouloir proposer son modèle sur l’infrastructure Cerebras avec des débits allant jusqu’à 750 tokens par seconde. Ultrafast formalise désormais cette approche sous la forme d’une nouvelle offre dédiée.

Support client, finance, commerce : OpenAI vise les usages où l’attente coûte cher

OpenAI ne présente pas Ultrafast comme un simple accélérateur pour chatbot. L’entreprise expérimente cette nouvelle classe de service sur plusieurs catégories de tâches professionnelles où la latence peut directement affecter l’efficacité d’un produit ou d’une équipe.

Dans la gestion d’incidents informatiques, GPT-5.6 Sol peut par exemple analyser des journaux applicatifs, des traces techniques, des modifications de code récentes ou des discussions entre ingénieurs afin d’identifier plus rapidement l’origine probable d’une panne et d’aider à préparer un correctif.

La finance et la sécurité constituent un autre terrain naturel. Un modèle suffisamment rapide peut analyser des signaux de marché ou examiner des transactions pendant que la situation évolue encore, plutôt qu’une fois l’événement terminé. OpenAI cite également le support client et les interfaces vocales, où une réponse complexe doit parfois nécessiter plusieurs systèmes tout en conservant le rythme naturel d’une conversation.

Dans le commerce électronique, la même logique peut servir à consulter un stock, personnaliser une recommandation ou résoudre un problème lors du paiement avant que le client ne quitte le parcours d’achat. Enfin, OpenAI veut utiliser cette vitesse dans la recherche expérimentale afin de raccourcir les cycles entre hypothèse, expérimentation et analyse des résultats.

Le fil conducteur est clair : Ultrafast cible les environnements où l’intelligence du modèle ne suffit pas si sa réponse arrive trop tard.

OpenAI teste déjà Ultrafast dans ses propres équipes

La société utilise également cette infrastructure en interne. Lors d’un incident technique, les ingénieurs peuvent faire analyser rapidement des logs et des traces, synthétiser les conversations pertinentes, déterminer les prochaines vérifications à effectuer et préparer ou valider une correction. OpenAI insiste toutefois sur un point : le jugement final et le déploiement restent sous la responsabilité des ingénieurs.

L’entreprise expérimente aussi Ultrafast dans ses activités de recherche. Le modèle peut rechercher des informations dans différentes sources de connaissances, interroger des données puis rassembler et synthétiser les résultats provenant d’outils connectés. Selon OpenAI, certains cycles expérimentaux qui étaient auparavant lancés pendant la nuit peuvent ainsi se rapprocher d’un fonctionnement interactif, permettant plusieurs itérations au cours d’une même journée.

C’est peut-être là que la promesse d’Ultrafast devient la plus intéressante. Accélérer une réponse isolée améliore l’expérience utilisateur. Accélérer une boucle complète d’observation, de raisonnement, d’action et de nouvelle analyse peut modifier la manière dont les équipes travaillent avec l’IA.

Après la course aux modèles, la bataille de l’inférence

Pendant plusieurs années, l’industrie de l’intelligence artificielle s’est essentiellement concentrée sur la qualité des modèles : davantage de paramètres, de meilleures capacités de raisonnement, des fenêtres de contexte plus grandes ou encore des agents capables d’utiliser des outils.

Ultrafast illustre une autre étape de cette compétition : celle de l’infrastructure d’inférence.

À mesure que les performances des modèles progressent, la vitesse à laquelle ils peuvent être exécutés devient elle-même un avantage stratégique. Pour certaines applications, passer de plusieurs dizaines de tokens par seconde à plusieurs centaines ne représente pas seulement une amélioration de confort. Cela peut permettre de concevoir des produits qui auraient auparavant semblé trop lents pour être réellement utilisables.

Le choix de Cerebras est également révélateur. OpenAI ne s’appuie pas uniquement sur les progrès du modèle lui-même : l’entreprise cherche à optimiser toute la chaîne qui transforme une requête en réponse, du logiciel jusqu’au matériel d’inférence. OpenAI décrit d’ailleurs Ultrafast comme une nouvelle étape de son partenariat avec Cerebras autour de l’inférence à très faible latence

Cette évolution pourrait progressivement déplacer la compétition entre plateformes d’IA. La question ne serait plus uniquement « quel modèle est le plus intelligent ? », mais également quelle infrastructure est capable de mettre cette intelligence à disposition suffisamment vite pour qu’elle devienne réellement interactive ?

Une disponibilité encore très limitée

Pour l’instant, Ultrafast reste une technologie en phase de déploiement contrôlé. GPT-5.6 Sol avec le mode Ultrafast est proposé en preview limitée à un groupe sélectionné de clients, via l’écosystème API d’OpenAI. L’entreprise explique vouloir augmenter progressivement l’accès à mesure que ses capacités d’infrastructure progressent et propose aux entreprises intéressées de s’inscrire afin d’être informées des prochaines ouvertures.

OpenAI teste déjà le service avec des entreprises spécialisées notamment dans le développement, le commerce, la recherche financière et le support, afin de mesurer les situations dans lesquelles ce gain de vitesse produit le plus de valeur en environnement réel.

Ultrafast reste donc pour l’instant davantage une démonstration de direction qu’un nouveau standard accessible à tous. Mais, le message d’OpenAI est déjà lisible : après avoir appris aux modèles à raisonner davantage, l’industrie doit maintenant apprendre à les faire raisonner assez vite pour suivre le rythme humain.

Et si les performances annoncées se généralisent, la prochaine rupture de l’IA ne viendra peut-être pas uniquement d’un modèle plus intelligent, mais d’une intelligence qui n’oblige presque plus l’utilisateur à attendre.

Lire plus

Intelligence Artificielle

Apple entraîne son propre modèle d’IA pour la Chine avec Alibaba afin de lancer Apple Intelligence

par Yohann Poiron le 14 août 2026

Apple prépare une version profondément adaptée d’Apple Intelligence pour le marché chinois. Selon Reuters, le groupe a entraîné son propre Large Language Model avec le soutien d’Alibaba, devenant la première entreprise étrangère à obtenir l’aval de Pékin pour proposer en Chine continentale un modèle d’IA propriétaire de ce type.

Apple Intelligence va enfin entrer en Chine

Deux ans après le lancement initial d’Apple Intelligence, Apple semble enfin proche de débloquer l’un des marchés les plus stratégiques — et les plus réglementés — de son activité.

Selon Reuters, Apple a développé un grand modèle de langage spécifiquement destiné au marché chinois, entraîné avec le soutien d’Alibaba. Le groupe américain aurait ainsi obtenu une autorisation particulièrement rare : celle de proposer son propre modèle d’IA générative en Chine continentale tout en respectant le cadre réglementaire local.

Cette étape intervient après l’enregistrement d’Apple Intelligence auprès de l’autorité chinoise de régulation du cyberespace en juillet 2026. Le service devrait à terme alimenter les fonctions d’intelligence artificielle sur les iPhone, iPad, Mac et Vision Pro commercialisés en Chine.

Le calendrier précis du lancement grand public reste toutefois incertain : l’enregistrement réglementaire n’indiquait aucune date de disponibilité définitive.

Pour Apple, cette arrivée tardive est loin d’être anecdotique. Elle marque surtout un compromis spectaculaire entre sa volonté traditionnelle de contrôler sa technologie et les réalités réglementaires chinoises.

Un modèle Apple, mais construit avec Alibaba

La nuance est importante. Apple ne se contente plus ici de brancher un modèle tiers sur son écosystème. Selon les sources de Reuters, l’entreprise a entraîné son propre modèle spécifiquement pour la Chine, avec le soutien technique et l’infrastructure d’Alibaba. Ce choix constitue une évolution notable par rapport aux plans évoqués jusque-là.

En juillet, Alibaba avait indiqué que son modèle Qwen serait intégré à Apple Intelligence sur iOS, iPadOS, macOS et visionOS en Chine. Baidu avait également confirmé travailler avec Apple sur certaines fonctions destinées aux utilisateurs chinois, notamment autour de la recherche.

La stratégie semble donc désormais reposer sur plusieurs couches.

Apple cherche à conserver davantage de contrôle avec un modèle qu’il a lui-même entraîné, tout en s’appuyant sur des technologies, une infrastructure et des partenaires locaux indispensables pour fonctionner dans l’environnement chinois.

Autrement dit, Cupertino garde la main sur une partie de l’intelligence, mais accepte que son architecture soit beaucoup plus dépendante de l’écosystème technologique chinois qu’elle ne l’est ailleurs.

Alibaba récolte les fruits d’un partenariat préparé depuis 2025

Cette collaboration n’est pas née du jour au lendemain. En février 2025, le président d’Alibaba, Joe Tsai, confirmait publiquement que son groupe avait été choisi pour accompagner Apple dans le déploiement de ses fonctions d’intelligence artificielle sur les iPhone vendus en Chine.

À l’époque, cette annonce constituait déjà un signal fort.

Apple avait étudié plusieurs partenaires chinois avant de retenir Alibaba, dont les modèles Qwen étaient devenus l’une des principales vitrines de l’industrie locale de l’intelligence artificielle. Le choix permettait surtout à Apple d’avancer dans un environnement où les principaux modèles occidentaux ne peuvent pas simplement être intégrés comme ils le sont sur d’autres marchés.

Plus d’un an et demi plus tard, l’accord semble avoir pris une dimension plus profonde : Alibaba ne fournirait plus seulement un modèle externe, mais participerait à la mise au point de l’infrastructure permettant à Apple de disposer de sa propre intelligence artificielle locale.

Pourquoi Apple ne peut pas simplement importer son IA occidentale ?

Le problème auquel Apple est confronté est avant tout réglementaire. La Chine impose aux services d’intelligence artificielle générative accessibles au public un ensemble d’obligations spécifiques, parmi lesquelles des procédures d’enregistrement auprès des autorités. Les services déployés doivent notamment déclarer les modèles qu’ils utilisent et respecter les règles locales relatives aux contenus et à la sécurité des données.

Cette architecture réglementaire rend très difficile l’importation directe du même Apple Intelligence que celui proposé aux États-Unis ou en Europe.

Apple a donc dû bâtir une version spécifiquement pensée pour le marché chinois. C’est une situation inhabituelle pour une entreprise qui a construit son identité autour de l’intégration verticale : puces maison, systèmes d’exploitation maison, matériel maison et contrôle étroit de l’expérience logicielle.

En Chine, cette intégration verticale rencontre une limite très concrète : Apple doit adapter une partie de sa technologie aux règles et aux partenaires imposés par l’écosystème local.

Qwen pour Siri, Baidu pour la recherche

Les accords conclus au cours des derniers mois permettent déjà d’entrevoir la forme que pourrait prendre cette version chinoise d’Apple Intelligence. Apple a récemment publié un guide indiquant que certains utilisateurs de Mac en Chine pouvaient connecter Qwen d’Alibaba à Siri et aux outils d’écriture. Reuters avait confirmé cette intégration début août.

Toutefois, le document a été retiré peu après sa publication, signe que le lancement reste particulièrement sensible. Des médias spécialisés ont constaté sa disparition dès le lendemain, tandis qu’Apple n’a pas annoncé de lancement général du service.

Baidu joue de son côté un autre rôle. L’entreprise chinoise a confirmé collaborer avec Apple sur certaines fonctions d’Apple Intelligence destinées aux utilisateurs du pays, et plusieurs sources indiquent que ses technologies seront notamment utilisées pour la recherche.

La version chinoise d’Apple Intelligence pourrait donc être beaucoup plus composite que son équivalent international. Sous l’interface familière de Siri et des outils Apple fonctionnerait une combinaison de technologies développées par Apple, Alibaba et Baidu.

Une concession, mais aussi une façon de reprendre le contrôle

Toutefois, il serait trop simple de présenter cette stratégie comme un abandon complet de souveraineté technologique. Le développement d’un modèle propre à Apple constitue justement une tentative de récupérer une partie de ce contrôle.

S’appuyer intégralement sur Qwen aurait placé l’entreprise dans une situation de dépendance beaucoup plus forte à Alibaba. En entraînant son propre modèle avec l’aide du groupe chinois, Apple peut potentiellement préserver davantage de cohérence avec son architecture mondiale et contrôler plus précisément le comportement des fonctions intégrées à ses appareils.

Ce modèle hybride pourrait devenir la formule permettant à Apple de concilier trois objectifs difficiles à réunir : respecter les exigences de Pékin, conserver une partie de son indépendance technologique et proposer une expérience suffisamment proche du reste d’Apple Intelligence.

C’est un équilibre délicat.

Apple possède l’interface et une partie du cerveau, Alibaba apporte une infrastructure et une expertise locales essentielles, tandis que Baidu occupe un rôle complémentaire dans la recherche.

Huawei n’a pas attendu Apple

Cette accélération répond également à une urgence commerciale. Pendant qu’Apple Intelligence restait bloqué par les procédures réglementaires, les constructeurs chinois ont continué à intégrer leurs propres fonctions d’intelligence artificielle.

Huawei est redevenu un concurrent particulièrement dangereux. Au premier trimestre 2026, le constructeur occupait la première place du marché chinois des smartphones avec environ 20 % de parts de marché, devant Apple. Au deuxième trimestre, Huawei conservait la tête avec 22,6 % du marché selon IDC, tandis qu’Apple atteignait 18,1 %. Les deux entreprises figuraient néanmoins parmi les rares marques à enregistrer une croissance de leurs livraisons sur un marché chinois globalement en recul.

L’absence d’Apple Intelligence constituait donc un handicap évident.

Un consommateur chinois pouvait acheter un smartphone Huawei, Xiaomi ou OPPO avec des fonctions IA pensées pour les services locaux, alors qu’un iPhone vendu au même moment restait privé d’une partie importante des nouveautés logicielles mises en avant par Apple ailleurs dans le monde.

Le lancement d’une version locale d’Apple Intelligence permettrait enfin de réduire cet écart.

L’IA chinoise rejoint une autre évolution sensible : les composants

Le rapprochement d’Apple avec l’écosystème technologique chinois ne se limite d’ailleurs pas au logiciel. Début août, le Wall Street Journal rapportait que Apple testait également des puces mémoire fabriquées par le groupe chinois CXMT pour de potentiels futurs iPhone et MacBook, notamment dans un contexte de tension sur l’approvisionnement mondial en mémoire. Reuters a confirmé l’existence de ces informations, tout en précisant qu’Apple n’avait pas commenté.

Ces deux dossiers ne sont évidemment pas identiques.

Mais, leur proximité est révélatrice : face aux contraintes économiques, réglementaires et industrielles, Apple semble prête à envisager davantage de partenaires chinois pour les produits destinés à ce marché.

Cette stratégie peut offrir davantage de flexibilité locale. Elle peut aussi accroître la pression politique exercée sur le groupe aux États-Unis.

Une position politiquement délicate pour Cupertino

Tout rapprochement d’un grand groupe américain avec des technologies chinoises est désormais scruté sous l’angle de la sécurité nationale. La compétition technologique entre Washington et Pékin ne concerne plus uniquement les semi-conducteurs. L’intelligence artificielle est devenue elle aussi un actif stratégique, au point que les autorités chinoises étudient désormais des restrictions sur l’accès étranger à certains de leurs modèles les plus avancés.

Pour Apple, le problème est donc double.

En Chine, l’entreprise doit démontrer qu’elle respecte les règles locales et qu’elle travaille avec des acteurs domestiques suffisamment intégrés au cadre réglementaire. Aux États-Unis, elle devra probablement expliquer que cette coopération ne donne pas aux partenaires chinois un contrôle excessif sur les données, les technologies ou les fonctions utilisées par ses clients.

La localisation d’Apple Intelligence est ainsi autant un projet d’ingénierie qu’un exercice géopolitique.

Apple découvre les limites de son modèle d’intégration verticale

Depuis deux décennies, Apple a perfectionné une stratégie fondée sur le contrôle. L’entreprise conçoit ses processeurs, ses systèmes d’exploitation, ses appareils, ses services et de plus en plus ses modèles d’IA. Cette maîtrise lui permet de présenter chaque élément comme une partie d’un ensemble cohérent.

La Chine impose une exception spectaculaire à cette philosophie.

Pour proposer Apple Intelligence dans le pays, le géant de Cupertino doit composer avec Alibaba, Baidu, les règles de la Cyberspace Administration of China et une infrastructure logicielle radicalement différente de celle utilisée dans le reste du monde. Mais plutôt que de considérer cette contrainte comme un simple obstacle, Apple semble désormais tenter d’en faire une architecture spécifique.

Le développement d’un modèle maison entraîné avec Alibaba est précisément révélateur de cette approche : ne pas abandonner totalement le contrôle, mais accepter de le partager là où le marché l’impose.

Et si cette formule fonctionne, elle pourrait devenir un modèle pour d’autres groupes occidentaux souhaitant maintenir leur présence dans l’écosystème numérique chinois.

La véritable question dépasse donc largement Siri. Apple est peut-être en train de définir les conditions auxquelles une entreprise technologique occidentale peut encore proposer ses technologies les plus stratégiques derrière la Grande Muraille numérique.

Lire plus

Intelligence Artificielle

DeepSeek augmente brutalement ses prix et lance Harness, son rival ouvert de Claude Code

par Yohann Poiron le 14 août 2026

L’époque où DeepSeek pouvait être résumé à une équation simple — des modèles proches du frontier pour une fraction du prix — commence à évoluer. À partir du 16 août, les tarifs API de V4-Pro et V4-Flash de DeepSeek vont fortement augmenter.

Mais, cette hausse accompagne surtout une offensive plus stratégique : DeepSeek veut désormais contrôler l’environnement dans lequel travaillent les agents IA.

Jusqu’à 4,5 fois plus cher pour DeepSeek V4-Pro

C’est le chiffre que les développeurs retiendront. À partir du 16 août 2026, le prix de génération de DeepSeek V4-Pro passera de 0,87 dollar à 3,96 dollars par million de tokens en période de pointe, selon les nouveaux tarifs rapportés par Bloomberg et confirmés par plusieurs sources suivant le lancement.

DeepSeek V4-Flash connaît lui aussi une hausse importante : son million de tokens en sortie passe de 0,28 dollar à 1,32 dollar aux heures pleines.

DeepSeek introduit toutefois une tarification différenciée selon les horaires. Pendant les périodes creuses, V4-Pro descend à 1,98 dollar par million de tokens générés, tandis que V4-Flash tombe à 0,66 dollar. Mais, même cette remise raconte quelque chose : utiliser V4-Pro pendant les heures les moins chères coûtera désormais plus de deux fois l’ancien tarif standard de 0,87 dollar.

DeepSeek ne renonce donc pas simplement à une promotion. L’entreprise repositionne clairement la valeur économique de ses modèles.

DeepSeek Harness : le modèle n’est plus le seul produit

Cette hausse devient plus intéressante lorsqu’on la rapproche de l’autre annonce de la semaine : DeepSeek Harness v0.1. Le projet est présenté comme une infrastructure destinée aux agents capables d’accomplir des tâches complexes sur la durée. Harness peut notamment fournir à un modèle les outils nécessaires pour explorer des fichiers, manipuler du code et interagir avec différentes ressources afin d’aller au bout d’une mission. Le projet est distribué sous licence MIT.

L’idée rappelle naturellement Claude Code d’Anthropic : transformer un grand modèle de langage en véritable environnement de travail pour développeurs.

Cependant, la différence stratégique avancée par DeepSeek tient à son architecture ouverte. Harness doit pouvoir fonctionner avec différents composants et modèles, y compris ceux provenant d’autres fournisseurs. Ce choix pourrait s’avérer beaucoup plus important qu’il n’y paraît.

Dans la prochaine phase de l’IA générative, le modèle risque de devenir interchangeable, tandis que l’environnement de travail devient le point d’ancrage de l’utilisateur. Un développeur peut changer de moteur selon son prix ou ses performances tout en restant dans le même outil.

DeepSeek ne cherche donc plus seulement à fournir le moteur. Il veut aussi construire la voiture.

V4-Pro-0813 mise clairement sur les agents

Cette stratégie accompagne l’arrivée de DeepSeek-V4-Pro-0813, nouvelle version de production du modèle phare de l’entreprise. DeepSeek présente cette version comme une évolution destinée notamment à renforcer ses capacités agentiques. V4-Pro quitte ainsi une période de preview de plusieurs mois pour devenir la version générale proposée par l’entreprise.

Techniquement, la famille V4 reste particulièrement ambitieuse. V4-Pro repose sur une architecture Mixture-of-Experts comptant environ 1,6 billion de paramètres au total, dont 49 milliards activés par token.

Les résultats publiés par DeepSeek illustrent néanmoins une situation plus nuancée que celle d’un modèle dominant systématiquement ses concurrents.

Sur SWE-bench Verified, V4-Pro atteint 80,6 %, quasiment au niveau des meilleurs modèles comparés dans le rapport technique de DeepSeek. Sur Terminal Bench 2.0, il obtenait 67,9 %, derrière les 75,1 % attribués à GPT-5.4 dans cette même comparaison. Sur Humanity’s Last Exam sans outils, DeepSeek indiquait 37,7 %, contre 44,4 % pour Gemini 3.1 Pro.

Ces résultats doivent surtout être lus avec prudence : il s’agit notamment de mesures communiquées dans les évaluations de DeepSeek et non d’une validation indépendante uniforme de tous les modèles concernés.

Le constat reste néanmoins intéressant : DeepSeek peut désormais revendiquer des performances proches de la frontière sur certaines tâches, sans pour autant dominer systématiquement le marché.

DeepSeek reste bon marché malgré tout

Une multiplication des tarifs par plus de quatre pourrait donner l’impression que DeepSeek abandonne son principal avantage. Ce serait aller trop vite. Même à 3,96 dollars par million de tokens générés en période de pointe, V4-Pro demeure relativement agressif face à plusieurs modèles propriétaires premium.

C’est précisément ce qui rend la décision intéressante. DeepSeek partait d’un niveau tarifaire tellement bas que l’entreprise dispose d’une marge considérable pour augmenter ses prix sans immédiatement perdre son avantage économique.

La stratégie pourrait donc changer de nature : moins de guerre des prix, davantage de monétisation de l’écosystème construit grâce à cette guerre des prix.

Pendant sa phase de conquête, DeepSeek avait intérêt à rendre l’inférence extrêmement accessible afin d’attirer développeurs et entreprises. Une fois cet écosystème installé, la société peut chercher à augmenter son revenu par utilisateur tout en proposant de nouvelles couches logicielles comme Harness.

La bataille de l’IA se déplace vers les agents

C’est probablement le signal le plus important de cette annonce. Pendant deux ans, la compétition entre laboratoires s’est principalement concentrée sur les modèles : davantage de paramètres, de contexte, de raisonnement et de performances dans les benchmarks.

Avec les agents, une nouvelle couche devient stratégique.

Un environnement de développement peut orchestrer un modèle, gérer son contexte, lui permettre d’utiliser un terminal, de parcourir un dépôt Git, d’exécuter du code et de vérifier son propre travail. Dans cette architecture, le modèle n’est plus nécessairement le produit final : il devient une pièce d’un système beaucoup plus vaste.

Anthropic l’a compris avec Claude Code. Les outils de programmation assistée par IA l’ont compris également. DeepSeek entre maintenant explicitement sur ce terrain. Son approche ouverte pourrait même créer un paradoxe intéressant : Harness pourrait fonctionner avec des modèles concurrents tout en servant de porte d’entrée vers V4-Pro.

Si les développeurs adoptent massivement l’environnement, DeepSeek gagnerait ainsi quelque chose de potentiellement plus précieux qu’une simple requête API : une place permanente dans leur workflow.

Du challenger low-cost à une véritable plateforme IA

La hausse des prix de DeepSeek ne signifie donc pas nécessairement que son avantage économique disparaît. Elle montre plutôt que l’entreprise commence à chercher jusqu’où cet avantage peut être monétisé. Le véritable test ne sera d’ailleurs probablement pas un benchmark supplémentaire.

Il faudra observer l’adoption de Harness, mesurer les performances de V4-Pro-0813 dans des évaluations indépendantes et déterminer si les développeurs continuent de considérer DeepSeek comme suffisamment compétitif une fois les nouveaux tarifs appliqués.

Car DeepSeek semble progressivement changer de catégorie. Après avoir construit sa réputation en rendant l’intelligence artificielle étonnamment bon marché, l’entreprise veut désormais prouver qu’elle peut construire une plateforme suffisamment importante pour que les développeurs acceptent de la payer plus cher.

Lire plus

Intelligence Artificielle

Gemini 3.7 Flash : Google accélère sur le code et les agents IA avec des prix agressifs

par Yohann Poiron le 14 août 2026

Trois semaines seulement après Gemini 3.6 Flash, Google dégaine déjà son successeur. Gemini 3,7 Flash cible directement le développement logiciel, les agents autonomes et les workflows complexes, avec des progrès sensibles sur plusieurs benchmarks et surtout un tarif promotionnel particulièrement agressif jusqu’à la fin de l’année. blog.google

Google ne laisse même plus respirer ses modèles Flash

Le rythme de renouvellement des modèles d’intelligence artificielle devient presque aussi important que leurs performances. Avec Gemini 3.7 Flash, Google pousse cette logique particulièrement loin : seulement trois semaines séparent cette nouvelle version de Gemini 3.6 Flash.

Il ne s’agit toutefois pas d’un nouveau modèle fondamental entièrement réentraîné. Google DeepMind précise que Gemini 3.7 Flash repose sur Gemini 3,6 Flash et apporte des améliorations algorithmiques à son socle de raisonnement. Le modèle conserve une approche multimodale, avec du texte, des images, de l’audio et de la vidéo en entrée, ainsi qu’une fenêtre contextuelle pouvant atteindre un million de tokens.

L’objectif de cette itération est ailleurs : rendre Gemini plus efficace lorsqu’il doit coder, utiliser des outils et poursuivre une tâche complexe sur plusieurs étapes.

Google affirme notamment avoir amélioré sa capacité à clarifier une intention lorsque cela devient nécessaire, à respecter précisément les instructions et à consacrer davantage d’efforts au raisonnement impliquant plusieurs opérations ou appels d’outils. L’idée est simple : moins d’erreurs intermédiaires signifie moins de corrections humaines et moins de nouvelles tentatives.

Pour un chatbot traditionnel, le gain peut sembler marginal. Pour un agent effectuant des dizaines d’actions successives, il peut changer considérablement l’équation.

Les performances en programmation progressent fortement

Les résultats communiqués par Google montrent effectivement une progression importante par rapport à Gemini 3.6 Flash. Sur FrontierCode 1,1 Main, consacré à la qualité du code de production, Gemini 3,7 Flash atteint 43,6 %, contre 34,4 % pour son prédécesseur. Sur DeepSWE v1.1, davantage orienté vers les tâches longues d’ingénierie logicielle, le score passe de 49 % à 65,3 %.

Le développement web progresse également. Sur WebDev Arena, Gemini 3,7 Flash obtient un Elo de 1 588, contre 1 538 précédemment.

La tendance ne concerne pas uniquement le code. Google annonce un passage de 22 à 34 % sur GDP.pdf, un benchmark portant sur la compréhension de documents complexes, tandis qu’AutomationBench passe de 17 à 30,4 % pour les workflows professionnels automatisés. Ces résultats doivent néanmoins être interprétés avec prudence. Certains benchmarks proviennent d’acteurs commerciaux de l’industrie et tous ne constituent pas des évaluations académiques indépendantes. Ils indiquent une progression claire entre les deux générations, mais ne suffisent pas à établir une supériorité universelle sur les modèles concurrents.

La propre page comparative de Google positionne d’ailleurs Gemini 3.7 Flash à 56 sur l’Artificial Analysis Intelligence Index, contre 52 pour Gemini 3.6 Flash. GPT-5.6 Terra et Muse Spark 1.2 y apparaissent à 57, Claude Sonnet 5 à 55.

Gemini 3,7 Flash n’est donc pas présenté comme le modèle absolu le plus puissant. C’est son rapport intelligence/coût que Google cherche surtout à rendre difficile à ignorer.

0,75 dollar en entrée, mais seulement jusqu’à fin 2026

C’est probablement l’élément le plus stratégique du lancement. Jusqu’au 31 décembre 2026, Gemini 3,7 Flash est proposé à 0,75 dollar par million de tokens en entrée et 3,75 dollars en sortie. À partir du 1er janvier 2027, les tarifs passeront respectivement à 1,50 et 7,50 dollars.

Autrement dit, Google offre aux développeurs une fenêtre de plusieurs mois pour expérimenter le modèle à un tarif fortement subventionné. Cette politique tarifaire devient particulièrement intéressante dans le contexte des agents.

Un assistant classique peut répondre après une seule requête. Un agent de développement doit potentiellement examiner un dépôt, lire plusieurs fichiers, modifier du code, lancer des outils, observer leurs résultats, corriger une erreur puis recommencer.

À chaque étape, une partie du contexte peut être renvoyée au modèle. Le coût réel ne dépend donc plus seulement du prix affiché pour un million de tokens, mais du nombre d’étapes nécessaires pour terminer correctement une mission.

Si Gemini 3,7 Flash tient réellement la promesse de meilleures réponses dès la première tentative et de moins de corrections successives, l’économie pourrait devenir plus importante que ne le laisse penser la simple grille tarifaire. C’est désormais l’un des nouveaux champs de bataille de l’IA : non plus seulement le prix du token, mais le prix d’une tâche terminée.

Gemini Flash devient un moteur pour les agents

Cette orientation explique également pourquoi Google insiste autant sur les capacités agentiques de cette génération. Gemini 3,7 Flash est immédiatement intégré aux outils de développement de l’entreprise, notamment Google AI Studio et Google Antigravity, ainsi qu’aux solutions Gemini destinées aux entreprises.

Il devient aussi le nouveau moteur de Gemini Spark, l’agent personnel lancé par Google à I/O et accessible aux abonnés Google AI Pro et Ultra dans plus de 160 pays. Spark est conçu pour travailler de manière plus persistante : organiser des fichiers, manipuler des informations ou accomplir différentes tâches dans l’écosystème Google sous la direction de l’utilisateur.

Avec Gemini 3.7 Flash, Google revendique notamment une meilleure utilisation des outils Google Workspace ainsi qu’une précision accrue sur les workflows nécessitant plusieurs compétences. Cette intégration est presque aussi importante que les benchmarks.

La bataille actuelle ne consiste plus seulement à construire le meilleur modèle. Google, OpenAI, Anthropic et leurs concurrents cherchent à contrôler l’environnement dans lequel le modèle agit : outils de développement, navigateur, documents, messagerie, fichiers et applications professionnelles.

Et Google dispose ici d’un avantage structurel considérable avec Workspace, Android, Chrome et son infrastructure cloud.

La sécurité évolue avec les capacités

Plus un modèle devient compétent pour manipuler des outils et effectuer des tâches complexes, plus les mécanismes de sécurité prennent également de l’importance. Google indique avoir renforcé avec Gemini 3,7 Flash ses protections Frontier Safety concernant notamment les risques chimiques, biologiques, radiologiques et nucléaires (CBRN) ainsi que les usages offensifs en cybersécurité.

Le sujet dépasse largement la modération traditionnelle d’un chatbot. Un modèle agentique peut potentiellement combiner raisonnement, outils externes et exécution sur plusieurs étapes. La frontière de sécurité doit donc évoluer au même rythme que ses capacités opérationnelles.

Google privilégie la vitesse et l’efficacité

Gemini 3,7 Flash révèle finalement assez bien l’évolution actuelle du marché. Il y a encore peu, chaque nouvelle génération de modèle était présentée comme un événement majeur, avec des cycles relativement longs. Google fonctionne désormais presque comme un éditeur logiciel en déploiement continu : Gemini 3.6 Flash en juillet, Gemini 3.7 Flash trois semaines plus tard, puis des améliorations appelées à alimenter les futures générations.

La stratégie Flash devient ainsi particulièrement importante. Plutôt que de réserver les avancées à un gigantesque modèle premium coûteux à exploiter, Google cherche à placer une intelligence suffisamment élevée dans un moteur rapide et relativement économique, capable d’être invoqué des dizaines de fois au cours d’une même tâche.

C’est précisément ce dont les agents ont besoin.

Reste maintenant à observer les performances en conditions réelles et, surtout, ce qui se produira lorsque le tarif promotionnel prendra fin le 1er janvier 2027. Les développeurs disposent de quelques mois pour répondre à la question essentielle : Gemini 3,7 Flash est-il simplement moins cher à appeler, ou permet-il réellement de terminer davantage de travail pour chaque dollar dépensé ?

Lire plus

GTA 6 : 26 minutes de gameplay dévoilent Jason, Lucia et un Vice City plus vivant que jamais

Google AI Mode devient un véritable assistant de voyage avec suivi des vols, hôtels et réservations

Xbox Series X25 : la console translucide verte des 25 ans coûtera 899,99 euros

Xbox lance enfin son programme Disc-to-Digital pour transformer les jeux physiques en licences numériques

Test des HUAWEI FreeBuds Pro 5 : Le nouveau standard des écouteurs à réduction de bruit ?

Test de la HUAWEI MatePad 11.5 S (2026) : la tablette qui transforme le verre en papier

Galaxy Z Fold 8 Ultra : prise en main du pliable que son petit frère éclipse

Prise en main du Galaxy Z Fold 8 : le pliant format passeport qui vole la vedette à l’Ultra

OPPO Reno 18 : une caméra selfie carrée de 68 mégapixels serait en développement

Le Play Store va imposer des limites de mémoire aux applications pour mieux gérer la pénurie de RAM

Fitbit Air Pokémon Sleep : Google transforme le suivi du sommeil en jeu pour 129 dollars

Smartphones pliables : le marché OLED va exploser, mais Samsung pourrait perdre sa domination

OpenAI détaille l’incident Hugging Face : quand des agents IA ont franchi les limites de leur sandbox

Claudeforce : Salesforce fait de Claude le cerveau de ses agents et s’installe directement dans Anthropic

Gemini Omni 1.1 Flash : vidéos jusqu’à 40 secondes, contexte étendu et rendu 4K

Gemini Notebook peut désormais exploiter les livres que vous possédez grâce à Expert Intelligence

OpenAI détaille l’incident Hugging Face : quand des agents IA ont franchi les limites de leur sandbox

Anthropic dévoile MHS, un standard pour connecter les agents IA aux machines physiques

Photoshop lance Editeur assisté par IA : Adobe place le prompt au cœur de l’édition photo

Claudeforce : Salesforce fait de Claude le cerveau de ses agents et s’installe directement dans Anthropic

Slack Code : Claude, ChatGPT, Copilot et Devin peuvent désormais coder directement dans des canaux Slack

Cursor Origin défie GitHub avec un hébergement de code pensé pour les agents IA

Anthropic : Claude Code active le mode Auto par défaut pour programmer avec moins d’interventions

IA de programmation : la vraie bataille ne se joue plus entre les modèles, mais autour de leur logiciel

Comment réserver votre nom de profil WhatsApp ?

Claude Cowork : Le guide complet pour automatiser votre quotidien en 2026

Intel Core Ultra vs Apple Silicon : Quelle philosophie choisir pour votre prochain bureau compact ?

Comment arrêter le suivi des e-mails dans Gmail ?

Intelligence Artificielle

OpenAI détaille l’incident Hugging Face : quand des agents IA ont franchi les limites de leur sandbox

Claudeforce : Salesforce fait de Claude le cerveau de ses agents et s’installe directement dans Anthropic

Gemini Omni 1.1 Flash : vidéos jusqu’à 40 secondes, contexte étendu et rendu 4K

Gemini Notebook peut désormais exploiter les livres que vous possédez grâce à Expert Intelligence

Claude Cowork intègre son propre navigateur pour travailler sur le Web sans toucher à votre Chrome

Gemini 3.5 Transcribe : Google veut rendre la transcription vocale plus rapide, plus précise et plus intelligente