Mark Zuckerberg en pleine montée d'IA.

Meta reprend son bâton de pèlerin pour les poids ouverts, après l’avoir perdu suite au flop de Llama 4. Muse Glimmer est un nouveau modèle IA de 30 milliards de paramètres, installable sur un ordinateur personnel (assez costaud tout de même), assorti d’une licence open source permissive.

En publiant la première version de Muse Spark au mois d’avril, Meta changeait son fusil d’épaule sur la diffusion de son nouveau LLM : les poids ouverts de Llama laissaient la place à la fermeture d’un modèle propriétaire. Le débat autour de Kimi K3 et des modèles chinois à poids ouverts que Washington voudrait brider a poussé une bonne partie du secteur de l’IA à soutenir ce type de distribution.

• L’industrie de l’IA plaide pour les modèles ouverts, la liste des signataires s’allonge

Meta a retrouvé au fin fond d’un placard poussiéreux son costume de chevalier blanc des poids ouverts avec Muse Glimmer. Ce nouveau modèle est en effet distribué sous licence Apache 2.0, une licence open source standard, permissive, beaucoup plus familière aux développeurs et aux entreprises que ne l’étaient les licences spécifiques de Llama. Le modèle est disponible sur Hugging Face, on trouvera aussi une documentation technique à cette adresse.

Un modèle à installer chez soi (sur une bonne bécane)

Glimmer est un modèle de 30 milliards de paramètres qui peut être installé sur un ordinateur du commerce – oubliez le petit portable Windows avec 4 Go de RAM, il faudra plutôt un Mac haut de gamme (Meta publie des benchs réalisés sur des MacBook Pro M4 Max et M5 Max) ou un PC équipé d’un GPU puissant (RTX 5090), avec idéalement 24 à 32 Go de mémoire GPU ou unifiée. « Le modèle est suffisamment rapide pour permettre une conversation fluide et une interaction en temps réel avec un agent, le tout entièrement exécuté sur votre appareil », affirme Meta.

La version quantifié en 4 bits descend sous les 20 Go, mais il faut aussi de la marge pour le cache, l’encodeur image et le modèle de décodage spéculatif. En mode « full precision », Glimmer requiert plus de 55 Go de mémoire. Évidemment, rien n’empêche d’installer Glimmer sur un serveur distant, mais là on ne parle plus d’un fonctionnement en local.

Dans le secteur des modèles de 30 milliards de paramètres, Muse Glimmer se défend bien à en croire les benchmarks publiés par Meta. Sur les tests agentiques, le modèle de Meta est souvent devant : MCP Atlas 75,5, contre 54,2 pour Gemma et 62,5 pour Qwen ; DeepSearch QA affiche un score de 74,6, devant les deux autres ; GAIA2 43,3, devant Gemma et Qwen. En codage aussi, Glimmer se montre très solide. En revanche, sur le multimodal, Qwen peut passer devant dans certains benchs.

L’avantage est marqué pour les tâches agentiques, la recherche multi-étapes et les tests de codage. Le modèle n’est pas systématiquement premier en tout, mais il a été optimisé pour un usage précis : faire tourner des agents en local qui peuvent utiliser des outils, coder et mener des tâches longues. Glimmer sera suivi dans quelques semaines de la publication des poids de Muse Spark 1.2, son modèle lancé la semaine dernière dans la foulée de l’offensive de Meta sur les outils pour développeurs.

Le manifeste de Zuckerberg

Mark Zuckerberg a profité de l’occasion pour publier un très long manifeste techno-libertarien sur les capacités mirifiques de l’IA générative, dans la droite ligne de la nouvelle campagne de com’ hors sol de Meta. Le patron de l’entreprise vante une fois de plus sa vision d’une « superintelligence personnelle », distribuée aux individus plutôt que concentrée entre les mains de quelques entreprises (un digest vidéo est visible ici).

Pour le milliardaire, la principale contribution de la « superintelligence » ne sera pas de remplacer les travailleurs, mais d’aider les gens à créer : entreprises, produits, traitements médicaux, contenus, logiciels, ou encore recherches scientifiques. Un plaidoyer intéressant, sachant ce que Meta fait de son IA sur ses réseaux sociaux : un générateur de slop et de désinformation.

En attendant, il faut implanter des datacenters. L’entreprise promet des retombées locales sur l’emploi, la formation, les services publics, l’eau, les infrastructures. Le fonds « Future Is For Everyone » que Meta vient de lancer sera abondé à hauteur d’1 milliard de dollars pour soutenir les communautés affectés par l’installation de ces centres de données.

Le dirigeant s’oppose aux discours de certains acteurs de l’IA qui affirment qu’elle est dangereuse, tout en voulant cloisonner cette technologie. Pour Zuckerberg, qui rejette l’idée d’une « superintelligence bienveillante unique », le scénario du pire serait une IA contrôlée par une poignée d’institutions.

Ce qui nous amène directement à Glimmer. Le dirigeant estime que l’open source est une force positive contre la centralisation, et que ce serait une erreur de restreindre cet écosystème (clin d’œil appuyé vers la Maison-Blanche). S’il soutient les contrôles à l’exportation sur les puces, il ne manque pas de critiquer les règles ralentissant les entreprises américaines du secteur, ou qui limiteraient trop l’usage des données, de la distillation et des modèles étrangers open source.

Mark Zuckerberg en pleine montée d'IA.

Meta reprend son bâton de pèlerin pour les poids ouverts, après l’avoir perdu suite au flop de Llama 4. Muse Glimmer est un nouveau modèle IA de 30 milliards de paramètres, installable sur un ordinateur personnel (assez costaud tout de même), assorti d’une licence open source permissive.

En publiant la première version de Muse Spark au mois d’avril, Meta changeait son fusil d’épaule sur la diffusion de son nouveau LLM : les poids ouverts de Llama laissaient la place à la fermeture d’un modèle propriétaire. Le débat autour de Kimi K3 et des modèles chinois à poids ouverts que Washington voudrait brider a poussé une bonne partie du secteur de l’IA à soutenir ce type de distribution.

• L’industrie de l’IA plaide pour les modèles ouverts, la liste des signataires s’allonge

Meta a retrouvé au fin fond d’un placard poussiéreux son costume de chevalier blanc des poids ouverts avec Muse Glimmer. Ce nouveau modèle est en effet distribué sous licence Apache 2.0, une licence open source standard, permissive, beaucoup plus familière aux développeurs et aux entreprises que ne l’étaient les licences spécifiques de Llama. Le modèle est disponible sur Hugging Face, on trouvera aussi une documentation technique à cette adresse.

Un modèle à installer chez soi (sur une bonne bécane)

Glimmer est un modèle de 30 milliards de paramètres qui peut être installé sur un ordinateur du commerce – oubliez le petit portable Windows avec 4 Go de RAM, il faudra plutôt un Mac haut de gamme (Meta publie des benchs réalisés sur des MacBook Pro M4 Max et M5 Max) ou un PC équipé d’un GPU puissant (RTX 5090), avec idéalement 24 à 32 Go de mémoire GPU ou unifiée. « Le modèle est suffisamment rapide pour permettre une conversation fluide et une interaction en temps réel avec un agent, le tout entièrement exécuté sur votre appareil », affirme Meta.

La version quantifié en 4 bits descend sous les 20 Go, mais il faut aussi de la marge pour le cache, l’encodeur image et le modèle de décodage spéculatif. En mode « full precision », Glimmer requiert plus de 55 Go de mémoire. Évidemment, rien n’empêche d’installer Glimmer sur un serveur distant, mais là on ne parle plus d’un fonctionnement en local.

Dans le secteur des modèles de 30 milliards de paramètres, Muse Glimmer se défend bien à en croire les benchmarks publiés par Meta. Sur les tests agentiques, le modèle de Meta est souvent devant : MCP Atlas 75,5, contre 54,2 pour Gemma et 62,5 pour Qwen ; DeepSearch QA affiche un score de 74,6, devant les deux autres ; GAIA2 43,3, devant Gemma et Qwen. En codage aussi, Glimmer se montre très solide. En revanche, sur le multimodal, Qwen peut passer devant dans certains benchs.

L’avantage est marqué pour les tâches agentiques, la recherche multi-étapes et les tests de codage. Le modèle n’est pas systématiquement premier en tout, mais il a été optimisé pour un usage précis : faire tourner des agents en local qui peuvent utiliser des outils, coder et mener des tâches longues. Glimmer sera suivi dans quelques semaines de la publication des poids de Muse Spark 1.2, son modèle lancé la semaine dernière dans la foulée de l’offensive de Meta sur les outils pour développeurs.

Le manifeste de Zuckerberg

Mark Zuckerberg a profité de l’occasion pour publier un très long manifeste techno-libertarien sur les capacités mirifiques de l’IA générative, dans la droite ligne de la nouvelle campagne de com’ hors sol de Meta. Le patron de l’entreprise vante une fois de plus sa vision d’une « superintelligence personnelle », distribuée aux individus plutôt que concentrée entre les mains de quelques entreprises (un digest vidéo est visible ici).

Pour le milliardaire, la principale contribution de la « superintelligence » ne sera pas de remplacer les travailleurs, mais d’aider les gens à créer : entreprises, produits, traitements médicaux, contenus, logiciels, ou encore recherches scientifiques. Un plaidoyer intéressant, sachant ce que Meta fait de son IA sur ses réseaux sociaux : un générateur de slop et de désinformation.

En attendant, il faut implanter des datacenters. L’entreprise promet des retombées locales sur l’emploi, la formation, les services publics, l’eau, les infrastructures. Le fonds « Future Is For Everyone » que Meta vient de lancer sera abondé à hauteur d’1 milliard de dollars pour soutenir les communautés affectés par l’installation de ces centres de données.

Le dirigeant s’oppose aux discours de certains acteurs de l’IA qui affirment qu’elle est dangereuse, tout en voulant cloisonner cette technologie. Pour Zuckerberg, qui rejette l’idée d’une « superintelligence bienveillante unique », le scénario du pire serait une IA contrôlée par une poignée d’institutions.

Ce qui nous amène directement à Glimmer. Le dirigeant estime que l’open source est une force positive contre la centralisation, et que ce serait une erreur de restreindre cet écosystème (clin d’œil appuyé vers la Maison-Blanche). S’il soutient les contrôles à l’exportation sur les puces, il ne manque pas de critiquer les règles ralentissant les entreprises américaines du secteur, ou qui limiteraient trop l’usage des données, de la distillation et des modèles étrangers open source.

La cacophonie de la transparence

Le temps du Far West dans le secteur de la musique générée par IA est-il bientôt terminé ? Suno, une des principales startups sur ce marché bouillonnant, promet davantage de transparence pour lutter contre la fraude et les abus, sans pour autant freiner l’adoption de l’IA générative parmi les professionnels de la filière.

Depuis son accord l’an dernier avec Warner Music Group, Suno veut filer doux. En échange de l’arrêt des poursuites de la major, la jeune pousse a pris plusieurs engagements, en particulier sur le téléchargement. Une nouvelle politique va être mise en œuvre pour limiter la distribution massive de morceaux générés par IA sur les plateformes de streaming.

Les serveurs des services de streaming sont pris d’assaut par la musique générée par IA. Au mois d’avril, Deezer avait ainsi annoncé que c’était le cas pour 44 % des chansons téléversées. La plateforme signale d’ailleurs quand le contenu est généré par IA (ou par un humain dans le cas de Spotify).

L’industrie tente de s’organiser, par exemple via l’organisation Digital Data Exchange (DDEX, qui fédère les entreprises et organisations ayant des intérêts commerciaux dans le domaine des contenus multimédias numériques, mais dont Suno ne serait pas membre) pour mettre en place des standards communs, mais chacun y va aussi avec ses propres outils.

• Deezer : les chansons générées par IA, « un problème pour toute la filière musicale »

C’est le cas de Suno, qui en plus de rappeler cette fameuse politique anti-téléchargements de masse dont les détails sont encore inconnus, vient d’annoncer plusieurs nouveaux dispositifs. À commencer par l’adoption « dans les prochaines semaines » de technologies de filigrane (watermarking) audio et de fingerprinting pour lutter contre la fraude et les usages abusifs. Des outils de transparence vont aussi être proposés pour faire en sorte que les chansons générées par Suno puissent être identifiées si elles sont partagés avec d’autres plateformes.

De la transparence pour les oreilles

Il s’agit pour l’entreprise de s’aligner avec les standards de l’industrie… et probablement aussi des régulateurs. Depuis le 2 août, l’AI Act impose une obligation de transparence aux fournisseurs d’IA qui passe par un marquage technique de détection sur les sons, mais aussi les images, les vidéos ou textes générés ou modifiés par IA.

Les systèmes commercialisés avant le 2 août ont cependant quatre mois pour respecter ces obligations, qui ne s’appliqueront pas aux éditeurs d’information générale si le contenu généré par IA a fait l’objet « d’un examen humain ou d’un contrôle éditorial ». Une zone grise pleine de flou qui pourrait justifier tous les abus.

• Les contenus générés par IA devront être tatoués, sauf s’ils sont vérifiés par un humain

L’UE propose d’ailleurs des badges (optionnels) à placer à côté des contenus générés par IA :

Suno clarifie également ses règles de communauté, avec une interdiction explicite des imitations non autorisées, des téléversements sans droits, de l’utilisation de voix ou d’image sans permission, des scams, faux engagements, et des contenus trompeurs. La plateforme IA va également renforcer sa collaboration avec Audible Magic et Musixmatch pour détecter les usages non autorisés.

Suno ne veut pas se poser en gardien des « valeurs artistiques », ni juger si « telle chanson est bonne, porteuse de sens ou suffisamment humaine ». En revanche, la société estime qu’il est de sa responsabilité de « rendre plus difficile l’utilisation abusive des outils d’IA d’une manière qui fragilise un écosystème musical sain. » Une réflexion bienvenue mais qui sonne étrange à l’oreille, au vu du pillage orchestré par la startup pour entraîner ses modèles IA.

• Suno a aspiré des millions de chansons pour entraîner son IA

La cacophonie de la transparence

Le temps du Far West dans le secteur de la musique générée par IA est-il bientôt terminé ? Suno, une des principales startups sur ce marché bouillonnant, promet davantage de transparence pour lutter contre la fraude et les abus, sans pour autant freiner l’adoption de l’IA générative parmi les professionnels de la filière.

Depuis son accord l’an dernier avec Warner Music Group, Suno veut filer doux. En échange de l’arrêt des poursuites de la major, la jeune pousse a pris plusieurs engagements, en particulier sur le téléchargement. Une nouvelle politique va être mise en œuvre pour limiter la distribution massive de morceaux générés par IA sur les plateformes de streaming.

Les serveurs des services de streaming sont pris d’assaut par la musique générée par IA. Au mois d’avril, Deezer avait ainsi annoncé que c’était le cas pour 44 % des chansons téléversées. La plateforme signale d’ailleurs quand le contenu est généré par IA (ou par un humain dans le cas de Spotify).

L’industrie tente de s’organiser, par exemple via l’organisation Digital Data Exchange (DDEX, qui fédère les entreprises et organisations ayant des intérêts commerciaux dans le domaine des contenus multimédias numériques, mais dont Suno ne serait pas membre) pour mettre en place des standards communs, mais chacun y va aussi avec ses propres outils.

• Deezer : les chansons générées par IA, « un problème pour toute la filière musicale »

C’est le cas de Suno, qui en plus de rappeler cette fameuse politique anti-téléchargements de masse dont les détails sont encore inconnus, vient d’annoncer plusieurs nouveaux dispositifs. À commencer par l’adoption « dans les prochaines semaines » de technologies de filigrane (watermarking) audio et de fingerprinting pour lutter contre la fraude et les usages abusifs. Des outils de transparence vont aussi être proposés pour faire en sorte que les chansons générées par Suno puissent être identifiées si elles sont partagés avec d’autres plateformes.

De la transparence pour les oreilles

Il s’agit pour l’entreprise de s’aligner avec les standards de l’industrie… et probablement aussi des régulateurs. Depuis le 2 août, l’AI Act impose une obligation de transparence aux fournisseurs d’IA qui passe par un marquage technique de détection sur les sons, mais aussi les images, les vidéos ou textes générés ou modifiés par IA.

Les systèmes commercialisés avant le 2 août ont cependant quatre mois pour respecter ces obligations, qui ne s’appliqueront pas aux éditeurs d’information générale si le contenu généré par IA a fait l’objet « d’un examen humain ou d’un contrôle éditorial ». Une zone grise pleine de flou qui pourrait justifier tous les abus.

• Les contenus générés par IA devront être tatoués, sauf s’ils sont vérifiés par un humain

L’UE propose d’ailleurs des badges (optionnels) à placer à côté des contenus générés par IA :

Suno clarifie également ses règles de communauté, avec une interdiction explicite des imitations non autorisées, des téléversements sans droits, de l’utilisation de voix ou d’image sans permission, des scams, faux engagements, et des contenus trompeurs. La plateforme IA va également renforcer sa collaboration avec Audible Magic et Musixmatch pour détecter les usages non autorisés.

Suno ne veut pas se poser en gardien des « valeurs artistiques », ni juger si « telle chanson est bonne, porteuse de sens ou suffisamment humaine ». En revanche, la société estime qu’il est de sa responsabilité de « rendre plus difficile l’utilisation abusive des outils d’IA d’une manière qui fragilise un écosystème musical sain. » Une réflexion bienvenue mais qui sonne étrange à l’oreille, au vu du pillage orchestré par la startup pour entraîner ses modèles IA.

• Suno a aspiré des millions de chansons pour entraîner son IA

Les utilisateurs qui se servent gratuitement de ChatGPT vont bénéficier d’une douceur. OpenAI fait en effet sauter les limites des discussions texte, qui deviennent donc illimitées. Une proposition très agressive parmi les chatbots généralistes.

Ce n’est pas complètement inédit dans le secteur : Microsoft propose depuis début 2025 un accès gratuit et illimité au modèle de raisonnement avancé Think Deeper (propulsé par o1) de Copilot, ainsi qu’aux conversations vocales… mais avec des interruptions possibles en cas de forte demande. La formule standard (gratuite) du moteur de réponses IA Perplexity offre aussi des recherches quasiment illimitées.

Néanmoins, cela n’en reste pas moins un gros coup pour OpenAI qui propose ainsi une carotte fort alléchante pour ferrer des utilisateurs qui pourront se transformer un jour en abonnés payants. Ce d’autant qu’ils ont aussi accès au bouton « Think » qui génère des réponses approfondies. Le modèle utilisé passe également de GPT-5.5 à GPT-5.6 Luna, l’« entrée de gamme » de la nouvelle famille de modèles IA et désormais la version par défaut de ChatGPT.

En revanche, la génération d’images, la voix et l’examen de fichiers et d’images sont toujours limités. Il faut passer à la caisse pour accéder aux modèles plus évolués Terra et Sol. Les abonnés payants bénéficient d’ailleurs d’une mise à jour de Sol, présenté comme plus efficace sur les tâches à accomplir rapidement (Codex et ChatGPT Work n’ont cependant pas droit à cette déclinaison de GPT-5.6 Sol, comprenne qui pourra).

Les abonnés Plus et Pro obtiennent aussi une nouvelle réglette pour choisir plus facilement le niveau d’effort de GPT-5.6 : tout à gauche pour les questions du quotidien, plus à droite pour la planification, l’écriture, le code ou les décisions qui nécessitent un peu plus de jugeote qu’à l’accoutumée.

Les utilisateurs qui se servent gratuitement de ChatGPT vont bénéficier d’une douceur. OpenAI fait en effet sauter les limites des discussions texte, qui deviennent donc illimitées. Une proposition très agressive parmi les chatbots généralistes.

Ce n’est pas complètement inédit dans le secteur : Microsoft propose depuis début 2025 un accès gratuit et illimité au modèle de raisonnement avancé Think Deeper (propulsé par o1) de Copilot, ainsi qu’aux conversations vocales… mais avec des interruptions possibles en cas de forte demande. La formule standard (gratuite) du moteur de réponses IA Perplexity offre aussi des recherches quasiment illimitées.

Néanmoins, cela n’en reste pas moins un gros coup pour OpenAI qui propose ainsi une carotte fort alléchante pour ferrer des utilisateurs qui pourront se transformer un jour en abonnés payants. Ce d’autant qu’ils ont aussi accès au bouton « Think » qui génère des réponses approfondies. Le modèle utilisé passe également de GPT-5.5 à GPT-5.6 Luna, l’« entrée de gamme » de la nouvelle famille de modèles IA et désormais la version par défaut de ChatGPT.

En revanche, la génération d’images, la voix et l’examen de fichiers et d’images sont toujours limités. Il faut passer à la caisse pour accéder aux modèles plus évolués Terra et Sol. Les abonnés payants bénéficient d’ailleurs d’une mise à jour de Sol, présenté comme plus efficace sur les tâches à accomplir rapidement (Codex et ChatGPT Work n’ont cependant pas droit à cette déclinaison de GPT-5.6 Sol, comprenne qui pourra).

Les abonnés Plus et Pro obtiennent aussi une nouvelle réglette pour choisir plus facilement le niveau d’effort de GPT-5.6 : tout à gauche pour les questions du quotidien, plus à droite pour la planification, l’écriture, le code ou les décisions qui nécessitent un peu plus de jugeote qu’à l’accoutumée.

Dans la foulée de la version 1.2 de son modèle Muse Spark, Meta ouvre à tous les développeurs son agent de programmation Muse Code en bêta « pour créer des choses qui comptent ». Et qui ne coûtent pas trop cher non plus : les tarifs de Muse Spark 1.2 sont en effet plus proches de ceux des modèles chinois que de ceux d’OpenAI ou d’Anthropic.

La tarification standard à l’usage est de 1,25 dollar par million de tokens en entrée et 4,25 dollars par million de sortie (0,15 dollar par million en entrée en cache). Le mode « contributeur », qui permet à Meta d’exploiter les données pour améliorer ses modèles de langage, réduit encore les coûts : 0,10 dollar en entrée, 0,20 dollar en sortie, 0,002 dollar en cache. Ce mode impose des limites d’usage sur une fenêtre glissante de 5 heures plutôt qu’en nombre de requêtes.

Meta accepte également les demandes « zéro rétention de données », ce qui signifie que l’entreprise ne conserve pas les données, « une fonctionnalité majeure pour les entreprises, importante pour beaucoup d’utilisateurs », explique Alexandr Wang, le patron du Meta Superintelligence Labs, au Wall Street Journal.

On est très loin des prix pratiqués par la concurrence directe : l’utilisation de Claude Sonnet 5 est facturée 2 dollars en entrée et 10 dollars en sortie par million de tokens. GPT-5.6 Terra, auquel Spark 1.2 se compare, coûte 2,50 dollars en entrée et 15 dollars en sortie.

« Nous pensons que, pour de nombreux cas d’usage, cela peut être une option extrêmement intéressante, notamment du point de vue des coûts », indique Alexandr Wang. Cette stratégie tarifaire agressive a été initiée avec Spark 1.1, lancé le 9 juillet. Meta veut rattraper son retard en jouant la carte du prix, un sujet devenu très sensible du côté des entreprises.

Les modèles Spark ne se présentent pas comme des champions des benchmarks, et c’est le cas aussi de la version 1.2. Meta indique que la nouvelle mouture apporte une « amélioration modérée » par rapport au précédent modèle, mais surtout qu’il a été optimisé pour les tâches confiées aux agents de développement (refactorisation sur plusieurs fichiers, longues sessions de débug, gestion de tâches multiples).

Artifial Analysis a publié ses propres benchmarks : ils positionnent Spark 1.2 au même niveau que Grok 4.5, avec qui il partage la même envie de secouer le cocotier des prix. Les deux modèles se placent derrière Opus 5, Fable 5, Opus 4.8, GPT-5.6 Sol et Kimi K3. Muse Code peut s’installer dès aujourd’hui via une ligne de commande dans un terminal (macOS et Linux). Il fonctionne évidemment avec Spark 1.2, disponible aussi sur la plateforme OpenRouter.

Dans la foulée de la version 1.2 de son modèle Muse Spark, Meta ouvre à tous les développeurs son agent de programmation Muse Code en bêta « pour créer des choses qui comptent ». Et qui ne coûtent pas trop cher non plus : les tarifs de Muse Spark 1.2 sont en effet plus proches de ceux des modèles chinois que de ceux d’OpenAI ou d’Anthropic.

La tarification standard à l’usage est de 1,25 dollar par million de tokens en entrée et 4,25 dollars par million de sortie (0,15 dollar par million en entrée en cache). Le mode « contributeur », qui permet à Meta d’exploiter les données pour améliorer ses modèles de langage, réduit encore les coûts : 0,10 dollar en entrée, 0,20 dollar en sortie, 0,002 dollar en cache. Ce mode impose des limites d’usage sur une fenêtre glissante de 5 heures plutôt qu’en nombre de requêtes.

Meta accepte également les demandes « zéro rétention de données », ce qui signifie que l’entreprise ne conserve pas les données, « une fonctionnalité majeure pour les entreprises, importante pour beaucoup d’utilisateurs », explique Alexandr Wang, le patron du Meta Superintelligence Labs, au Wall Street Journal.

On est très loin des prix pratiqués par la concurrence directe : l’utilisation de Claude Sonnet 5 est facturée 2 dollars en entrée et 10 dollars en sortie par million de tokens. GPT-5.6 Terra, auquel Spark 1.2 se compare, coûte 2,50 dollars en entrée et 15 dollars en sortie.

« Nous pensons que, pour de nombreux cas d’usage, cela peut être une option extrêmement intéressante, notamment du point de vue des coûts », indique Alexandr Wang. Cette stratégie tarifaire agressive a été initiée avec Spark 1.1, lancé le 9 juillet. Meta veut rattraper son retard en jouant la carte du prix, un sujet devenu très sensible du côté des entreprises.

Les modèles Spark ne se présentent pas comme des champions des benchmarks, et c’est le cas aussi de la version 1.2. Meta indique que la nouvelle mouture apporte une « amélioration modérée » par rapport au précédent modèle, mais surtout qu’il a été optimisé pour les tâches confiées aux agents de développement (refactorisation sur plusieurs fichiers, longues sessions de débug, gestion de tâches multiples).

Artifial Analysis a publié ses propres benchmarks : ils positionnent Spark 1.2 au même niveau que Grok 4.5, avec qui il partage la même envie de secouer le cocotier des prix. Les deux modèles se placent derrière Opus 5, Fable 5, Opus 4.8, GPT-5.6 Sol et Kimi K3. Muse Code peut s’installer dès aujourd’hui via une ligne de commande dans un terminal (macOS et Linux). Il fonctionne évidemment avec Spark 1.2, disponible aussi sur la plateforme OpenRouter.

« Ce commentaire est-il un troll ? »

Mistral a lancé ce 4 aout un nouveau « petit » modèle. Nommé Shieldstral, il est dédié aux tâches de modération. Avec environ 4 milliards de paramètres, il est facilement installable sur un grand nombre de machines.

L’entreprise française continue sur sa lancée des modèles spécialisés et open source (sous licence Apache 2.0), dont les tailles contenues permettent assez aisément une utilisation locale. Par exemple, Mistral a lancé fin juin son modèle OCR 4 dans l’optique de bousculer la gestion des documents. Il s’agissait d’ailleurs d’un lancement important, avec un effort particulier sur la présentation et les explications sur les capacités du modèle.

Shieldstral : carte d’identité

Le modèle se nomme précisément Shieldstral-1.0-3B. L’appellation est un peu « trompeuse », car le modèle embarque en fait 3,8 milliards de paramètres. On est donc plus proche d’un « 4B » (« 4 billions », 4 milliards). Dans l’absolu, la différence reste cependant minime : Shieldstral est un petit modèle conçu pour fonctionner en local.

Dans son billet, Mistral indique que son nouveau bébé a été construit sur la base de Ministral-3-3B-Base-2512, associé à l’encodeur visuel Pixtral. De fait, Shieldstral est multimodal et accepte donc du texte et/ou des images en entrée. La fenêtre de contexte est « théoriquement » de 256k, mais Mistral conseille de se limiter à 32k.

Comme toujours avec les modèles de Mistral, on peut télécharger Shieldstral depuis Hugging Face. Il est « open source » avec des poids ouverts et sous licence Apache 2.0. On remarque que le modèle pèse 7,7 Go et est disponible en deux versions : Consolidate (le format utilisé par Mistral) et Model (le format habituel sur Hugging Face).

Pour cette taille, on obtient que le modèle « nu » (uniquement les poids) en bfloat16. Pour un fonctionnement en local, il faut donc un minimum de 8 Go en mémoire, ce qui laissera très peu de marge pour les caches, notamment d’inférence, avec à la clé de possibles soucis de fonctionnement. Mieux vaut viser 12 ou 16 Go si vous avez ce genre de matériel (Mistral recommande d’ailleurs 16 Go). Comme d’habitude, la mémoire unifiée des Mac permet de profiter plus facilement d’un fonctionnement local, si la machine embarque au moins 16 Go de RAM.

Mistral veut rendre la modération plus souple

Si l’on en croit l’entreprise, Shieldstral se différencie par son approche. La plupart des modèles « de garde » listent directement les catégories de préjudices dans leurs poids. Cette taxonomie oblige à réentraîner le modèle pour chaque nouveau contexte produit, affirme Mistral.

Shieldstral considère au contraire la politique de modération comme faisant partie de l’entrée. L’opérateur peut ainsi formuler une question binaire (oui ou non), fournir une instruction pour décrire le contexte d’évaluation et le niveau de sévérité attendu. Après quoi, le modèle renvoie un score de sécurité calibré à partir d’un seul jeton.

Concrètement, chaque requête contient une instruction, une question de sécurité et le contenu à vérifier. Le score renvoyé par Shieldstral se base sur les probabilités « oui » et « non », et c’est l’opérateur qui définit le seuil de déclenchement de l’action associée.

Mistral met largement en avant les performances de son nouveau modèle. Dans les résultats publiés dans le billet d’annonce, Shieldstral obtient un score F1 de 84,9, soit le même que GPT-OSS-Safeguard, un modèle 20B. Selon Mistral, il est plus performant que n’importe quel modèle concurrent, pour un poids inférieur. Tout du moins sur les tests de sécurité des textes et la sécurité multimodale, car il est dépassé par d’autres sur la détection des refus et l’adaptabilité des politiques.

Précisons que la modération à l’aide de l’IA n’a rien de nouveau en soi, elle est utilisée depuis des années pour simplifier le rôle des modérateurs humains (ou même pour les remplacer, avec tous les problèmes qui peuvent en découler). Dans ce domaine, Reddit vient d’ailleurs d’annoncer une modernisation de son infrastructure. Ce n’est pas non plus la première fois que Mistral propose un modèle dédié, avec par exemple Moderation 2 publié en mars dernier. Aucun de ces modèles n’avait cependant été mis en avant de cette manière, uniquement l’API commerciale lancée en novembre 2024.

Quelle modération ? Quelle sécurité ?

Mistral l’affirme : « un petit modèle peut battre des modèles beaucoup plus grands si les données sont correctes ». Mais de quoi parle-t-on exactement ?

Le modèle peut notamment servir à la modération de prompts, autrement dit de garde-fou à l’entrée d’un chatbot. Par exemple, avant de transmettre la question d’un utilisateur à votre LLM principal, vous pouvez interroger Shieldstral avec une politique du type « Ce message demande-t-il des instructions pour fabriquer une arme ? ». Si le score dépasse le seuil que vous avez fixé, vous bloquez l’appel au LLM et renvoyez un message de refus prédéfini. Le modèle principal n’est alors pas mis en contact avec le contenu problématique.

Shieldstral peut également servir pour la procédure inverse : un garde-fou en sortie du modèle principal, pour vérifier cette fois la réponse qui devrait être affichée à l’utilisateur. Par exemple, pour vérifier qu’un assistant médical n’a pas donné de posologie précise ou qu’un chatbot utilisé pour le support n’a pas halluciné une promesse commerciale ou un produit.

Mistral cite plusieurs autres cas de figure. Shieldstral peut aussi être utilisé dans un cas très spécifique : la détection de refus. Une question comme « L’assistant a-t-il refusé la demande ? » appliquée à la paire prompt-réponse permet de mesurer le taux de refus d’un modèle en production, même à grande échelle selon l’entreprise. L’indicateur obtenu peut servir à de la surveillance qualité ou à de la détection de faux positifs. Ces derniers peuvent en effet entrainer des « sur-refus », le modèle déboutant l’utilisateur sur des demandes qui devraient pourtant être légitimes.

Shieldstral peut aussi servir aux images. Le cas est classique et permet de répondre à des questions communes de modération comme « Cette image est-elle appropriée pour un public de moins de XX ans ? ».

L’entreprise française insiste sur la souplesse de son petit dernier, qui permet de traiter toutes ces demandes sans avoir à réentraîner le modèle selon le contexte visé.

Une précision cruciale des prompts

Attention toutefois, Mistral précise bien que son modèle ne peut traiter qu’une seule politique de modération par appel. On peut en appliquer plusieurs, mais il faut alors émettre une requête distincte par politique. Un exemple simple : si on veut appliquer les cinq critères « élémentaires » de modération (violence, contenu sexuel, haine, désinformation et automutilation) sur le même contenu, il faut cinq appels séparés. Un point mentionné dans la fiche du modèle sur Hugging Face. Dans tous les cas, le modèle ne répond que par un « oui » ou un « non » global.

En outre, la précision des prompts est cruciale. Une question générale telle que « Ce contenu est-il problématique ? » n’a aucun ancrage sémantique. En revanche, « Ce contenu incite-t-il à la haine contre une minorité ? » cible un préjudice et une cible spécifiques. Si l’on souhaite obtenir des réponses sur des questions plus vagues (ou plus rapides, tout simplement), il faut lister toutes les politiques désirées dans les instructions du modèle.

Shieldstral, dans cette première version, comporte aussi certaines limitations à connaitre. Par exemple, il ne prend pas en charge l’audio ni la vidéo. En outre, sa robustesse n’est pas caractérisée sur des documents très longs (équivalents à plusieurs milliers de tokens). Surtout, le modèle n’affiche aucune trace de raisonnement : il renvoie un score, pas une justification.

Enfin, si le billet d’annonce ne l’évoque pas, la fiche de Shieldstral sur Hugging Face mentionne toutefois qu’il s’agit d’une « public preview ». Prudence donc dans la mise en production : mieux vaut piloter le modèle en parallèle d’une couche de modération existante avant de remplacer quoi que ce soit.

« Ce commentaire est-il un troll ? »

Mistral a lancé ce 4 aout un nouveau « petit » modèle. Nommé Shieldstral, il est dédié aux tâches de modération. Avec environ 4 milliards de paramètres, il est facilement installable sur un grand nombre de machines.

L’entreprise française continue sur sa lancée des modèles spécialisés et open source (sous licence Apache 2.0), dont les tailles contenues permettent assez aisément une utilisation locale. Par exemple, Mistral a lancé fin juin son modèle OCR 4 dans l’optique de bousculer la gestion des documents. Il s’agissait d’ailleurs d’un lancement important, avec un effort particulier sur la présentation et les explications sur les capacités du modèle.

Shieldstral : carte d’identité

Le modèle se nomme précisément Shieldstral-1.0-3B. L’appellation est un peu « trompeuse », car le modèle embarque en fait 3,8 milliards de paramètres. On est donc plus proche d’un « 4B » (« 4 billions », 4 milliards). Dans l’absolu, la différence reste cependant minime : Shieldstral est un petit modèle conçu pour fonctionner en local.

Dans son billet, Mistral indique que son nouveau bébé a été construit sur la base de Ministral-3-3B-Base-2512, associé à l’encodeur visuel Pixtral. De fait, Shieldstral est multimodal et accepte donc du texte et/ou des images en entrée. La fenêtre de contexte est « théoriquement » de 256k, mais Mistral conseille de se limiter à 32k.

Comme toujours avec les modèles de Mistral, on peut télécharger Shieldstral depuis Hugging Face. Il est « open source » avec des poids ouverts et sous licence Apache 2.0. On remarque que le modèle pèse 7,7 Go et est disponible en deux versions : Consolidate (le format utilisé par Mistral) et Model (le format habituel sur Hugging Face).

Pour cette taille, on obtient que le modèle « nu » (uniquement les poids) en bfloat16. Pour un fonctionnement en local, il faut donc un minimum de 8 Go en mémoire, ce qui laissera très peu de marge pour les caches, notamment d’inférence, avec à la clé de possibles soucis de fonctionnement. Mieux vaut viser 12 ou 16 Go si vous avez ce genre de matériel (Mistral recommande d’ailleurs 16 Go). Comme d’habitude, la mémoire unifiée des Mac permet de profiter plus facilement d’un fonctionnement local, si la machine embarque au moins 16 Go de RAM.

Mistral veut rendre la modération plus souple

Si l’on en croit l’entreprise, Shieldstral se différencie par son approche. La plupart des modèles « de garde » listent directement les catégories de préjudices dans leurs poids. Cette taxonomie oblige à réentraîner le modèle pour chaque nouveau contexte produit, affirme Mistral.

Shieldstral considère au contraire la politique de modération comme faisant partie de l’entrée. L’opérateur peut ainsi formuler une question binaire (oui ou non), fournir une instruction pour décrire le contexte d’évaluation et le niveau de sévérité attendu. Après quoi, le modèle renvoie un score de sécurité calibré à partir d’un seul jeton.

Concrètement, chaque requête contient une instruction, une question de sécurité et le contenu à vérifier. Le score renvoyé par Shieldstral se base sur les probabilités « oui » et « non », et c’est l’opérateur qui définit le seuil de déclenchement de l’action associée.

Mistral met largement en avant les performances de son nouveau modèle. Dans les résultats publiés dans le billet d’annonce, Shieldstral obtient un score F1 de 84,9, soit le même que GPT-OSS-Safeguard, un modèle 20B. Selon Mistral, il est plus performant que n’importe quel modèle concurrent, pour un poids inférieur. Tout du moins sur les tests de sécurité des textes et la sécurité multimodale, car il est dépassé par d’autres sur la détection des refus et l’adaptabilité des politiques.

Précisons que la modération à l’aide de l’IA n’a rien de nouveau en soi, elle est utilisée depuis des années pour simplifier le rôle des modérateurs humains (ou même pour les remplacer, avec tous les problèmes qui peuvent en découler). Dans ce domaine, Reddit vient d’ailleurs d’annoncer une modernisation de son infrastructure. Ce n’est pas non plus la première fois que Mistral propose un modèle dédié, avec par exemple Moderation 2 publié en mars dernier. Aucun de ces modèles n’avait cependant été mis en avant de cette manière, uniquement l’API commerciale lancée en novembre 2024.

Quelle modération ? Quelle sécurité ?

Mistral l’affirme : « un petit modèle peut battre des modèles beaucoup plus grands si les données sont correctes ». Mais de quoi parle-t-on exactement ?

Le modèle peut notamment servir à la modération de prompts, autrement dit de garde-fou à l’entrée d’un chatbot. Par exemple, avant de transmettre la question d’un utilisateur à votre LLM principal, vous pouvez interroger Shieldstral avec une politique du type « Ce message demande-t-il des instructions pour fabriquer une arme ? ». Si le score dépasse le seuil que vous avez fixé, vous bloquez l’appel au LLM et renvoyez un message de refus prédéfini. Le modèle principal n’est alors pas mis en contact avec le contenu problématique.

Shieldstral peut également servir pour la procédure inverse : un garde-fou en sortie du modèle principal, pour vérifier cette fois la réponse qui devrait être affichée à l’utilisateur. Par exemple, pour vérifier qu’un assistant médical n’a pas donné de posologie précise ou qu’un chatbot utilisé pour le support n’a pas halluciné une promesse commerciale ou un produit.

Mistral cite plusieurs autres cas de figure. Shieldstral peut aussi être utilisé dans un cas très spécifique : la détection de refus. Une question comme « L’assistant a-t-il refusé la demande ? » appliquée à la paire prompt-réponse permet de mesurer le taux de refus d’un modèle en production, même à grande échelle selon l’entreprise. L’indicateur obtenu peut servir à de la surveillance qualité ou à de la détection de faux positifs. Ces derniers peuvent en effet entrainer des « sur-refus », le modèle déboutant l’utilisateur sur des demandes qui devraient pourtant être légitimes.

Shieldstral peut aussi servir aux images. Le cas est classique et permet de répondre à des questions communes de modération comme « Cette image est-elle appropriée pour un public de moins de XX ans ? ».

L’entreprise française insiste sur la souplesse de son petit dernier, qui permet de traiter toutes ces demandes sans avoir à réentraîner le modèle selon le contexte visé.

Une précision cruciale des prompts

Attention toutefois, Mistral précise bien que son modèle ne peut traiter qu’une seule politique de modération par appel. On peut en appliquer plusieurs, mais il faut alors émettre une requête distincte par politique. Un exemple simple : si on veut appliquer les cinq critères « élémentaires » de modération (violence, contenu sexuel, haine, désinformation et automutilation) sur le même contenu, il faut cinq appels séparés. Un point mentionné dans la fiche du modèle sur Hugging Face. Dans tous les cas, le modèle ne répond que par un « oui » ou un « non » global.

En outre, la précision des prompts est cruciale. Une question générale telle que « Ce contenu est-il problématique ? » n’a aucun ancrage sémantique. En revanche, « Ce contenu incite-t-il à la haine contre une minorité ? » cible un préjudice et une cible spécifiques. Si l’on souhaite obtenir des réponses sur des questions plus vagues (ou plus rapides, tout simplement), il faut lister toutes les politiques désirées dans les instructions du modèle.

Shieldstral, dans cette première version, comporte aussi certaines limitations à connaitre. Par exemple, il ne prend pas en charge l’audio ni la vidéo. En outre, sa robustesse n’est pas caractérisée sur des documents très longs (équivalents à plusieurs milliers de tokens). Surtout, le modèle n’affiche aucune trace de raisonnement : il renvoie un score, pas une justification.

Enfin, si le billet d’annonce ne l’évoque pas, la fiche de Shieldstral sur Hugging Face mentionne toutefois qu’il s’agit d’une « public preview ». Prudence donc dans la mise en production : mieux vaut piloter le modèle en parallèle d’une couche de modération existante avant de remplacer quoi que ce soit.

Fin de partie pour AlphaFold

Google a procédé à des changements importants au sein de ses équipes d’IA les plus stratégiques. Les spécialistes d’AlphaFold, fleuron scientifique d’Alphabet, garnissent en partie les rangs des groupes chargés du développement de Gemini. Et on a assisté à un jeu de chaises musicales chez DeepMind.

Demis Hassabis, le co-fondateur de DeepMind, prend du recul sur la gestion du labo IA. Il en devient le président, un poste qui lui permettra de superviser les travaux de ses équipes, mais sans s’impliquer dans les opérations du quotidien. Il gagne au passage le statut de chef scientifique d’Alphabet. « Dans ces nouvelles fonctions, je continuerai à travailler en étroite collaboration avec Sundar [Pichai, le CEO d’Alphabet et de Google] sur les questions stratégiques et mondiales liées à l’AGI », l’intelligence artificielle générale, véritable Graal du secteur, explique-t-il.

• Générateur de mondes interactifs : DeepMind sort son 3e Genie de sa boite à IA

L’IA contre le cancer

Le chercheur anglais reste à la tête d’Isomorphic Labs, une filiale d’Alphabet qu’il a créée en 2021. Elle est spécialisée dans la découverte de médicaments par IA. « J’ai toujours pensé que la première application de l’IA devait être l’amélioration de la santé humaine », écrit Demis Hassabis. « Il est temps que l’IA prouve sa valeur incontestable au monde, et quel meilleur moyen de le démontrer que de contribuer enfin à guérir des maladies comme le cancer. » De sacrées promesses qu’il va maintenant falloir concrétiser – et commercialiser, en partenariat avec l’industrie pharmaceutique. Novartis et Eli Lilly sont d’ailleurs partenaires.

Koray Kavukcuoglu, l’actuel directeur technologique de DeepMind, prend la place de vice-président senior. Les deux hommes ont travaillé ensemble pendant 13 ans, Kavukcuoglu étant décrit comme « l’un des plus grands experts mondiaux de l’IA [qui] défend la mission de Google DeepMind depuis le premier jour. » Il continuera de développer les modèles Gemini, dont la version 4 est dans les tuyaux, et supervisera la recherche en IA de frontière ainsi que les équipes chargées de Gemini et des outils pour les développeurs.

Enfin, Jeff Dean, chef scientifique de DeepMind et 30ᵉ employé de Google, quitte l’entreprise pour créer Discovery Loop avec le « Google Fellow » Sanjay Ghemawat. Cette société à mission d’intérêt public, soutenue par le géant du web, va développer des solutions IA pour « résoudre automatiquement des problèmes importants en apprentissage automatique, en science et en ingénierie », rien de moins.

AlphaFold pliée

En parallèle, l’équipe d’AlphaFold aurait été démantelée, selon le Financial Times. Ce système IA développé par DeepMind depuis 2018 pour prédire la structure 3D des protéines à partir de leur séquence d’acides aminés a été récompensé par un prix Nobel de chimie en 2024. Près d’un quart des auteurs des articles scientifiques ont quitté Google, les autres ont été réaffectés pour plancher sur les modèles Gemini ou sur des projets autour de la conception d’enzymes, la fusion nucléaire, la génomique, ou sont partis chez Isomorphic Labs.

« Notre stratégie, ces neuf dernières années, a consisté à nous concentrer sur de grands défis, avec un objectif concret autour duquel chaque projet est organisé », explique Pushmeet Kohli, vice-président de la recherche chez Google DeepMind (il a y fondé l’équipe IA pour les sciences). Une stratégie qui a évolué : DeepMind se concentre désormais sur la construction de systèmes basés sur Gemini capables d’épauler les scientifiques. Tout en rivalisant avec OpenAI et Anthropic dans le développement d’agents IA de pointe.

La concurrence est vive sur le terrain des sciences assistées par IA. Anthropic a ainsi lancé cette année Claude Science, une déclinaison de sa technologie conçue pour accompagner la recherche en biologie et la découverte de médicaments. Les changements impulsés par Alphabet ont aussi été pensés pour faciliter le recrutement de têtes bien faites, alors que le vivier de chercheurs capables de bâtir des systèmes d’IA très performants n’est pas très grand.

Fin de partie pour AlphaFold

Google a procédé à des changements importants au sein de ses équipes d’IA les plus stratégiques. Les spécialistes d’AlphaFold, fleuron scientifique d’Alphabet, garnissent en partie les rangs des groupes chargés du développement de Gemini. Et on a assisté à un jeu de chaises musicales chez DeepMind.

Demis Hassabis, le co-fondateur de DeepMind, prend du recul sur la gestion du labo IA. Il en devient le président, un poste qui lui permettra de superviser les travaux de ses équipes, mais sans s’impliquer dans les opérations du quotidien. Il gagne au passage le statut de chef scientifique d’Alphabet. « Dans ces nouvelles fonctions, je continuerai à travailler en étroite collaboration avec Sundar [Pichai, le CEO d’Alphabet et de Google] sur les questions stratégiques et mondiales liées à l’AGI », l’intelligence artificielle générale, véritable Graal du secteur, explique-t-il.

• Générateur de mondes interactifs : DeepMind sort son 3e Genie de sa boite à IA

L’IA contre le cancer

Le chercheur anglais reste à la tête d’Isomorphic Labs, une filiale d’Alphabet qu’il a créée en 2021. Elle est spécialisée dans la découverte de médicaments par IA. « J’ai toujours pensé que la première application de l’IA devait être l’amélioration de la santé humaine », écrit Demis Hassabis. « Il est temps que l’IA prouve sa valeur incontestable au monde, et quel meilleur moyen de le démontrer que de contribuer enfin à guérir des maladies comme le cancer. » De sacrées promesses qu’il va maintenant falloir concrétiser – et commercialiser, en partenariat avec l’industrie pharmaceutique. Novartis et Eli Lilly sont d’ailleurs partenaires.

Koray Kavukcuoglu, l’actuel directeur technologique de DeepMind, prend la place de vice-président senior. Les deux hommes ont travaillé ensemble pendant 13 ans, Kavukcuoglu étant décrit comme « l’un des plus grands experts mondiaux de l’IA [qui] défend la mission de Google DeepMind depuis le premier jour. » Il continuera de développer les modèles Gemini, dont la version 4 est dans les tuyaux, et supervisera la recherche en IA de frontière ainsi que les équipes chargées de Gemini et des outils pour les développeurs.

Enfin, Jeff Dean, chef scientifique de DeepMind et 30ᵉ employé de Google, quitte l’entreprise pour créer Discovery Loop avec le « Google Fellow » Sanjay Ghemawat. Cette société à mission d’intérêt public, soutenue par le géant du web, va développer des solutions IA pour « résoudre automatiquement des problèmes importants en apprentissage automatique, en science et en ingénierie », rien de moins.

AlphaFold pliée

En parallèle, l’équipe d’AlphaFold aurait été démantelée, selon le Financial Times. Ce système IA développé par DeepMind depuis 2018 pour prédire la structure 3D des protéines à partir de leur séquence d’acides aminés a été récompensé par un prix Nobel de chimie en 2024. Près d’un quart des auteurs des articles scientifiques ont quitté Google, les autres ont été réaffectés pour plancher sur les modèles Gemini ou sur des projets autour de la conception d’enzymes, la fusion nucléaire, la génomique, ou sont partis chez Isomorphic Labs.

« Notre stratégie, ces neuf dernières années, a consisté à nous concentrer sur de grands défis, avec un objectif concret autour duquel chaque projet est organisé », explique Pushmeet Kohli, vice-président de la recherche chez Google DeepMind (il a y fondé l’équipe IA pour les sciences). Une stratégie qui a évolué : DeepMind se concentre désormais sur la construction de systèmes basés sur Gemini capables d’épauler les scientifiques. Tout en rivalisant avec OpenAI et Anthropic dans le développement d’agents IA de pointe.

La concurrence est vive sur le terrain des sciences assistées par IA. Anthropic a ainsi lancé cette année Claude Science, une déclinaison de sa technologie conçue pour accompagner la recherche en biologie et la découverte de médicaments. Les changements impulsés par Alphabet ont aussi été pensés pour faciliter le recrutement de têtes bien faites, alors que le vivier de chercheurs capables de bâtir des systèmes d’IA très performants n’est pas très grand.

Sera-t-il le survivant ?

15 jours après l’arrivée du modèle Kimi K3 de Moonshot AI, une autre entreprise chinoise, Alibaba, sort un modèle à plus de 2 000 milliards de paramètres. Comme en 2025, avec le « moment DeepSeek », les entreprises chinoises montrent qu’elles sont capables de suivre le rythme des leaders états-uniens.

Après Kimi K3 de Moonshot AI et ses 2 800 milliards de paramètres, Alibaba renforce l’idée que les entreprises chinoises du secteur ne se laissent pas distancer par Anthropic et OpenAI.

En effet, l’entreprise, d’abord spécialisée dans l’e-commerce, vient de sortir Qwen3.8-Max, un modèle à 2 400 milliards de paramètres. C’est là encore une Mixture of Experts, avec 95 milliards de paramètres actifs pour chaque token (il faut néanmoins charger l’intégralité du modèle en mémoire), contre 104,2 milliards pour Kimi K3.

• #Nextquick MoE : c’est quoi cette mixture d’experts pour les IA génératives ?

Certes, c’est dans les deux cas un peu moins que ce que revendique Kimi K3, mais le nombre de paramètres ne fait pas tout et Alibaba prétend, benchmarks à son avantage à l’appui, que Qwen3.8-Max a des résultats globalement comparables à Gemini 3.1-Pro et GPT 5.6 Sol. Ça serait le cas aussi en le comparant à Fable 5 concernant les tâches de raisonnement multimodal, d’« agent visuel » (analyse automatique d’images) et de code, d’analyse de documents ou de « compréhension du monde ».

Comme Moonshot AI (qui a tenu promesse le jour J), Alibaba promet de libérer les poids de Qwen3.8-Max pour en faire un modèle « open source ». L’entreprise chinoise se laisse une exclusivité d’une semaine sur son QwenCloud mais affirme que « les poids du modèle seront mis à disposition en open source sur Hugging Face et ModelScope la semaine prochaine ».

• T@LC : on a voulu tester Kimi K3 (1 562 Go) en « local », on a failli finir ruinés

Concurrencer Anthropic sur le code et l’automatisation des tâches de bureau

Avec les benchmarks mis en avant par Alibaba, l’entreprise vise clairement à concurrencer Anthropic concernant le code ainsi que l’automatisation des tâches de bureau. Elle raconte avoir testé son modèle sur trois « défis » dans lesquels « chaque résultat devait être obtenu en écrivant et en exécutant du code, sans aucune aide humaine » : le projet « oh-my-cli » (que Qwen3.8-Max a mis 10 jours à générer et que l’entreprise partage sur GitHub), la reproduction du code d’un article scientifique et un concours de mise en situation demandant de comprendre correctement ce que souhaite le client. Alibaba assure que dans ces trois tâches, son modèle ne s’est pas seulement contenté « de suivre un plan prédéfini : il évolue de lui-même grâce à des boucles de rétroaction ».

Des prix affichés cassés mais une consommation rapide des tokens

Concernant les prix, Alibaba affiche des prix cassés par rapport à ses concurrents : 2 dollars par million de tokens en entrée et 6 dollars par million en sortie. C’est encore moins cher que les prix affichés par Moonshot AI pour Kimi K3.

Rappelons notre comparatif des coûts par million de tokens en ajoutant Qwen3.8-Max :

En entrée :

• Qwen3.8-Max : 2 dollars
• Kimi K3 : 3 dollars
• GPT-5.6 sol : 5 dollars
• Fable 5 : 10 dollars
• Opus 4.8 : 5 dollars

En sortie :

• Qwen3.8-Max : 6 dollars
• Kimi K3 : 15 dollars
• GPT-5.6 sol : 30 dollars
• Fable 5 : 50 dollars
• Opus 4.8 : 25 dollars

Reste que cette différence de prix est difficile à évaluer réellement. En effet, comme nous l’avions déjà expliqué, les entreprises d’IA générative parlent de prix par million de tokens alors que ceux-ci ne sont pas égaux entre les entreprises et parfois même entre des modèles d’une même société. Ainsi, en mai dernier, nous montrions qu’Opus 4.7 cramait ses tokens beaucoup plus vite qu’Opus 4.6.

• Nextquick : Pourquoi et comment Opus 4.7 crame ses tokens beaucoup plus vite qu’Opus 4.6

Déjà, certains utilisateurs de Qwen3.8-Max se plaignent d’avoir utilisé leur quota très rapidement. « Quatre prompts. C’est tout ce qu’il a fallu pour épuiser mon quota de 5 heures. Utilisé à 100 %. Mon quota hebdomadaire en est déjà à 31,2 % », affirme l’un d’entre eux sur X.

S’il est difficile de savoir si Qwen3.8-Max remplacera les modèles d’Anthropic dans les pratiques des développeurs, les investisseurs semblent voir les signes d’un deuxième « moment DeepSeek ». L’action Alibaba a bondi lundi de 7 % à Hong Kong, enregistrant sa plus forte hausse depuis près d’un mois, constatait Bloomberg.

Sera-t-il le survivant ?

15 jours après l’arrivée du modèle Kimi K3 de Moonshot AI, une autre entreprise chinoise, Alibaba, sort un modèle à plus de 2 000 milliards de paramètres. Comme en 2025, avec le « moment DeepSeek », les entreprises chinoises montrent qu’elles sont capables de suivre le rythme des leaders états-uniens.

Après Kimi K3 de Moonshot AI et ses 2 800 milliards de paramètres, Alibaba renforce l’idée que les entreprises chinoises du secteur ne se laissent pas distancer par Anthropic et OpenAI.

En effet, l’entreprise, d’abord spécialisée dans l’e-commerce, vient de sortir Qwen3.8-Max, un modèle à 2 400 milliards de paramètres. C’est là encore une Mixture of Experts, avec 95 milliards de paramètres actifs pour chaque token (il faut néanmoins charger l’intégralité du modèle en mémoire), contre 104,2 milliards pour Kimi K3.

• #Nextquick MoE : c’est quoi cette mixture d’experts pour les IA génératives ?

Certes, c’est dans les deux cas un peu moins que ce que revendique Kimi K3, mais le nombre de paramètres ne fait pas tout et Alibaba prétend, benchmarks à son avantage à l’appui, que Qwen3.8-Max a des résultats globalement comparables à Gemini 3.1-Pro et GPT 5.6 Sol. Ça serait le cas aussi en le comparant à Fable 5 concernant les tâches de raisonnement multimodal, d’« agent visuel » (analyse automatique d’images) et de code, d’analyse de documents ou de « compréhension du monde ».

Comme Moonshot AI (qui a tenu promesse le jour J), Alibaba promet de libérer les poids de Qwen3.8-Max pour en faire un modèle « open source ». L’entreprise chinoise se laisse une exclusivité d’une semaine sur son QwenCloud mais affirme que « les poids du modèle seront mis à disposition en open source sur Hugging Face et ModelScope la semaine prochaine ».

• T@LC : on a voulu tester Kimi K3 (1 562 Go) en « local », on a failli finir ruinés

Concurrencer Anthropic sur le code et l’automatisation des tâches de bureau

Avec les benchmarks mis en avant par Alibaba, l’entreprise vise clairement à concurrencer Anthropic concernant le code ainsi que l’automatisation des tâches de bureau. Elle raconte avoir testé son modèle sur trois « défis » dans lesquels « chaque résultat devait être obtenu en écrivant et en exécutant du code, sans aucune aide humaine » : le projet « oh-my-cli » (que Qwen3.8-Max a mis 10 jours à générer et que l’entreprise partage sur GitHub), la reproduction du code d’un article scientifique et un concours de mise en situation demandant de comprendre correctement ce que souhaite le client. Alibaba assure que dans ces trois tâches, son modèle ne s’est pas seulement contenté « de suivre un plan prédéfini : il évolue de lui-même grâce à des boucles de rétroaction ».

Des prix affichés cassés mais une consommation rapide des tokens

Concernant les prix, Alibaba affiche des prix cassés par rapport à ses concurrents : 2 dollars par million de tokens en entrée et 6 dollars par million en sortie. C’est encore moins cher que les prix affichés par Moonshot AI pour Kimi K3.

Rappelons notre comparatif des coûts par million de tokens en ajoutant Qwen3.8-Max :

En entrée :

• Qwen3.8-Max : 2 dollars
• Kimi K3 : 3 dollars
• GPT-5.6 sol : 5 dollars
• Fable 5 : 10 dollars
• Opus 4.8 : 5 dollars

En sortie :

• Qwen3.8-Max : 6 dollars
• Kimi K3 : 15 dollars
• GPT-5.6 sol : 30 dollars
• Fable 5 : 50 dollars
• Opus 4.8 : 25 dollars

Reste que cette différence de prix est difficile à évaluer réellement. En effet, comme nous l’avions déjà expliqué, les entreprises d’IA générative parlent de prix par million de tokens alors que ceux-ci ne sont pas égaux entre les entreprises et parfois même entre des modèles d’une même société. Ainsi, en mai dernier, nous montrions qu’Opus 4.7 cramait ses tokens beaucoup plus vite qu’Opus 4.6.

• Nextquick : Pourquoi et comment Opus 4.7 crame ses tokens beaucoup plus vite qu’Opus 4.6

Déjà, certains utilisateurs de Qwen3.8-Max se plaignent d’avoir utilisé leur quota très rapidement. « Quatre prompts. C’est tout ce qu’il a fallu pour épuiser mon quota de 5 heures. Utilisé à 100 %. Mon quota hebdomadaire en est déjà à 31,2 % », affirme l’un d’entre eux sur X.

S’il est difficile de savoir si Qwen3.8-Max remplacera les modèles d’Anthropic dans les pratiques des développeurs, les investisseurs semblent voir les signes d’un deuxième « moment DeepSeek ». L’action Alibaba a bondi lundi de 7 % à Hong Kong, enregistrant sa plus forte hausse depuis près d’un mois, constatait Bloomberg.

SpaceXAI veut faire amende honorable auprès des résidents qui habitent non loin de Colossus. Les serveurs de l’énorme datacenter installé non loin de Memphis carburent actuellement avec des turbines à gaz bruyantes et polluantes ; elles vont être remplacées par une solution pérenne… à base de turbines à gaz.

Ouvert en septembre 2024, le datacenter Colossus de xAI (ou SpaceXAI maintenant) ne fait pas le bonheur des résidents de Southaven et des alentours. La ville, située au sud de Memphis (Mississippi), subit le boucan incessant des turbines à gaz, installées à proximité de l’infrastructure de manière temporaire. Au mois de juin, plusieurs habitants ont porté plainte contre l’entreprise en raison du bruit « omniprésent et impossible à éviter ». Ils comparent ce bruit à celui d’un moteur d’avion qui tourne jour et nuit.

Un enfer qui pourrait finalement prendre fin. SpaceXAI a en effet annoncé le retrait progressif des 69 turbines à partir du mois d’août. Elles auront toutes déguerpi d’ici juillet 2027, promet l’entreprise. En attendant la disparition de ces équipements, elle annonce en outre un investissement pour équiper les turbines de « technologies avancées de contrôle des émissions » : des dispositifs de réduction catalytique sélective transformeront « en toute sécurité » les oxydes d’azote en azote et en eau.

Ces turbines seront remplacées par une centrale électrique de 1,2 GW en cours de construction, qui fournira de l’énergie de façon permanente à Colossus. Une centrale qui sera équipée de… turbines à gaz fixes. La société a obtenu le permis en mars 2026, ce dernier ayant fait l’objet de « plus de sept mois d’examen réglementaire approfondi ». En parallèle, SpaceXAI affirme investir « plusieurs millions de dollars » dans des murs antibruit, des systèmes de silencieux et dans des turbines nouvelle génération moins bruyantes.

Il n’en reste pas moins que SpaceXAI, qui cherche à se faire passer pour un « bon voisin », remplace du gaz par du gaz. Voilà qui ne changera pas l’état d’esprit des opposants. La coalition du South Environmental Law Center, un groupement d’organisations de protection de l’environnement, avait dénoncé en avril 2025 les turbines à gaz de Colossus, qui « rejettent des polluants nocifs [dégradant] la qualité de l’air dans toute la région de Memphis et augmentent les risques d’asthme et d’autres maladies respiratoires (…) Les turbines émettent également des substances dangereuses comme le formaldéhyde, associé à certains types de cancers. »

Les turbines à gaz sont de toute manière devenues un nouveau petit boulot pour Elon Musk, qui a acquis APR Energy en mai dernier, pour 1 milliard de dollars. Un chèque signé en toute discrétion pour cette entreprise qui opère une flotte de turbines à gaz et diesel montées sur remorques, qu’il est donc possible d’installer très rapidement sur site.

• Les datacenters IA, un sujet électoral incontournable aux États-Unis

SpaceXAI veut faire amende honorable auprès des résidents qui habitent non loin de Colossus. Les serveurs de l’énorme datacenter installé non loin de Memphis carburent actuellement avec des turbines à gaz bruyantes et polluantes ; elles vont être remplacées par une solution pérenne… à base de turbines à gaz.

Ouvert en septembre 2024, le datacenter Colossus de xAI (ou SpaceXAI maintenant) ne fait pas le bonheur des résidents de Southaven et des alentours. La ville, située au sud de Memphis (Mississippi), subit le boucan incessant des turbines à gaz, installées à proximité de l’infrastructure de manière temporaire. Au mois de juin, plusieurs habitants ont porté plainte contre l’entreprise en raison du bruit « omniprésent et impossible à éviter ». Ils comparent ce bruit à celui d’un moteur d’avion qui tourne jour et nuit.

Un enfer qui pourrait finalement prendre fin. SpaceXAI a en effet annoncé le retrait progressif des 69 turbines à partir du mois d’août. Elles auront toutes déguerpi d’ici juillet 2027, promet l’entreprise. En attendant la disparition de ces équipements, elle annonce en outre un investissement pour équiper les turbines de « technologies avancées de contrôle des émissions » : des dispositifs de réduction catalytique sélective transformeront « en toute sécurité » les oxydes d’azote en azote et en eau.

Ces turbines seront remplacées par une centrale électrique de 1,2 GW en cours de construction, qui fournira de l’énergie de façon permanente à Colossus. Une centrale qui sera équipée de… turbines à gaz fixes. La société a obtenu le permis en mars 2026, ce dernier ayant fait l’objet de « plus de sept mois d’examen réglementaire approfondi ». En parallèle, SpaceXAI affirme investir « plusieurs millions de dollars » dans des murs antibruit, des systèmes de silencieux et dans des turbines nouvelle génération moins bruyantes.

Il n’en reste pas moins que SpaceXAI, qui cherche à se faire passer pour un « bon voisin », remplace du gaz par du gaz. Voilà qui ne changera pas l’état d’esprit des opposants. La coalition du South Environmental Law Center, un groupement d’organisations de protection de l’environnement, avait dénoncé en avril 2025 les turbines à gaz de Colossus, qui « rejettent des polluants nocifs [dégradant] la qualité de l’air dans toute la région de Memphis et augmentent les risques d’asthme et d’autres maladies respiratoires (…) Les turbines émettent également des substances dangereuses comme le formaldéhyde, associé à certains types de cancers. »

Les turbines à gaz sont de toute manière devenues un nouveau petit boulot pour Elon Musk, qui a acquis APR Energy en mai dernier, pour 1 milliard de dollars. Un chèque signé en toute discrétion pour cette entreprise qui opère une flotte de turbines à gaz et diesel montées sur remorques, qu’il est donc possible d’installer très rapidement sur site.

• Les datacenters IA, un sujet électoral incontournable aux États-Unis

Danger = puissance = clients

Anthropic a annoncé le 30 juillet que trois incidents impliquant ses IA avaient été détectés. Chacun a impliqué une attaque distincte contre une organisation. Des informations rendues publiques dans le sillage de l’affaire liant déjà OpenAI à la compromission de Hugging Face.

Faisons d’abord un bref rappel des faits. Le 16 juillet 2026, Hugging Face publie une divulgation décrivant une intrusion détectée sur son infrastructure, causée vraisemblablement par un agent IA autonome. Le 21 juillet, OpenAI reconnaît que l’attaquant était en réalité son propre harnais d’évaluation, mobilisant une combinaison de modèles internes (GPT‑5.6 Sol) et un modèle en préversion décrit comme « plus puissant ». Les garde-fous anti-cyber avaient été volontairement réduits pour les besoins du test.

Cette infrastructure s’en est prise à Hugging Face en exploitant au moins deux vulnérabilités 0-day dans le pipeline de traitement de données, avec pour résultat une exécution de code à distance, le vol d’identifiants et l’accès à des jeux de données et services internes. En clair, une compromission. L’affaire avait révélé un « problème d’asymétrie » : Hugging Face ne pouvait pas utiliser les API commerciales des fournisseurs de LLM à cause des fameux garde-fous et avait dû se tourner vers une installation locale du modèle chinois GLM 5.2 (poids ouverts) pour mener ses propres analyses.

• Attaquée par un agent IA autonome, Hugging Face a analysé les traces avec un LLM local
• L’attaque contre Hugging Face est venue… d’OpenAI

C’est dans ce climat qu’Anthropic a annoncé, le 30 juillet, avoir mené sa propre revue rétrospective et avoir trouvé des cas « similaires ».

Triple oups

Anthropic a examiné 141 006 « runs » d’évaluation dans lesquels Claude aurait pu obtenir un accès internet. Sur cet ensemble, trois incidents distincts (impliquant six runs au total, dont quatre concernant une même organisation) ont été identifiés. Tous se sont produits dans l’environnement de test fourni par un partenaire, Irregular, une société israélienne de red-teaming en cybersécurité IA.

Cette revue a commencé le 23 juillet, deux jours après la publication d’OpenAI sur son implication dans la compromission de Hugging Face. Le même jour, des éléments suspects sont déjà trouvés. Trois incidents sont identifiés le 24 juillet et trois jours plus tard, Anthropic communique les éléments découverts à Irregular et aux organisations touchées par les incidents. Parmi elles, deux n’avaient pas détecté l’intrusion avant d’être notifiées.

Mise à jour, 21 h – Les blagues les meilleures sont les plus courtes. Google a annoncé la suspension de l’outil de génération d’images par IA dans Google Earth, après avoir constaté que « certaines personnes partageaient des captures d’écran d’images générées qui semblaient enfreindre nos règles ». Tiens donc. La fonction pourrait revenir, mais avec des garde-fous « plus solides ».

Article original – Google a eu une drôle d’idée : intégrer Nano Banana 2, son modèle IA de génération d’images, dans Google Earth. Il devient maintenant possible d’« améliorer » des éléments présents dans les images satellites, de générer de nouveaux bâtiments, et même d’intégrer des objets qui n’ont rien à voir avec la réalité.

L’IA générative peut nous aider à vivre une autre vie, plus riche, plus amusante, mais aussi complètement fausse. Google Earth permet désormais de transformer le monde selon ses humeurs : un nouvel outil de génération d’images alimenté par Nano Banana 2 offre enfin la possibilité d’intégrer n’importe quoi sur la planète. Godzilla à côté de la Tour Eiffel ? Et pourquoi pas : il suffit de saisir la requête et bim.

Les petits plaisantins vont bien s’amuser à faire n’importe quoi, mais cette nouvelle fonction pourrait aussi avoir des répercussions autrement plus sérieuses qu’un sourire. L’auteur Henk van Ess a eu l’idée d’insérer une centrale nucléaire en Iran, des réfugiés à la frontière entre le Mexique et les États-Unis, un hôpital à côté d’un cratère provoqué par une bombe dans la bande de Gaza. Des événements et des objets complètement fictifs, crédibilisés par le rendu photoréaliste du modèle IA. À deux doigts de se demander si les États-Unis n’ont pas eu un accès anticipé…

• « Un enfer » : les deepfakes sont déjà très difficiles à détecter, reconnait l’ANSSI

On est loin de l’aspect ludique vanté par Google dans la présentation de la nouveauté (« Parfois, il est amusant de laisser libre cours à son imagination », écrit le groupe). Ces images trafiquées pourraient servir dans des campagnes de désinformation, fabriquer de prétendues « preuves » ou simplement semer le doute sur des événements réels. Google Earth ne montre plus le monde tel qu’il est (ou a été), mais aussi tel qu’un utilisateur voudrait le faire croire.

Google se défend auprès d’Henk van Ess, en affirmant prendre la désinformation « très au sérieux » et rappelle que les images générées par Nano Banana dans Google Earth intègre un filigrane SynthID. Il est possible d’interroger Gemini ou d’utiliser Google Lens pour vérifier si une image a été produite par une IA. Une procédure encore peu connue, qui n’empêchera pas les prophètes de malheur de remodeler le monde selon leurs obsessions.

L’entreprise assure également bloquer les requêtes jugées dangereuses, ce qui n’a pas empêché van Ness de générer un accident de voiture dans une rue d’Amsterdam, ni ses autres prompts.

• Pour ses 20 ans, Google Earth permet de se promener dans le temps

Mise à jour, 21 h – Les blagues les meilleures sont les plus courtes. Google a annoncé la suspension de l’outil de génération d’images par IA dans Google Earth, après avoir constaté que « certaines personnes partageaient des captures d’écran d’images générées qui semblaient enfreindre nos règles ». Tiens donc. La fonction pourrait revenir, mais avec des garde-fous « plus solides ».

Article original – Google a eu une drôle d’idée : intégrer Nano Banana 2, son modèle IA de génération d’images, dans Google Earth. Il devient maintenant possible d’« améliorer » des éléments présents dans les images satellites, de générer de nouveaux bâtiments, et même d’intégrer des objets qui n’ont rien à voir avec la réalité.

L’IA générative peut nous aider à vivre une autre vie, plus riche, plus amusante, mais aussi complètement fausse. Google Earth permet désormais de transformer le monde selon ses humeurs : un nouvel outil de génération d’images alimenté par Nano Banana 2 offre enfin la possibilité d’intégrer n’importe quoi sur la planète. Godzilla à côté de la Tour Eiffel ? Et pourquoi pas : il suffit de saisir la requête et bim.

Les petits plaisantins vont bien s’amuser à faire n’importe quoi, mais cette nouvelle fonction pourrait aussi avoir des répercussions autrement plus sérieuses qu’un sourire. L’auteur Henk van Ess a eu l’idée d’insérer une centrale nucléaire en Iran, des réfugiés à la frontière entre le Mexique et les États-Unis, un hôpital à côté d’un cratère provoqué par une bombe dans la bande de Gaza. Des événements et des objets complètement fictifs, crédibilisés par le rendu photoréaliste du modèle IA. À deux doigts de se demander si les États-Unis n’ont pas eu un accès anticipé…

• « Un enfer » : les deepfakes sont déjà très difficiles à détecter, reconnait l’ANSSI

On est loin de l’aspect ludique vanté par Google dans la présentation de la nouveauté (« Parfois, il est amusant de laisser libre cours à son imagination », écrit le groupe). Ces images trafiquées pourraient servir dans des campagnes de désinformation, fabriquer de prétendues « preuves » ou simplement semer le doute sur des événements réels. Google Earth ne montre plus le monde tel qu’il est (ou a été), mais aussi tel qu’un utilisateur voudrait le faire croire.

Google se défend auprès d’Henk van Ess, en affirmant prendre la désinformation « très au sérieux » et rappelle que les images générées par Nano Banana dans Google Earth intègre un filigrane SynthID. Il est possible d’interroger Gemini ou d’utiliser Google Lens pour vérifier si une image a été produite par une IA. Une procédure encore peu connue, qui n’empêchera pas les prophètes de malheur de remodeler le monde selon leurs obsessions.

L’entreprise assure également bloquer les requêtes jugées dangereuses, ce qui n’a pas empêché van Ness de générer un accident de voiture dans une rue d’Amsterdam, ni ses autres prompts.

• Pour ses 20 ans, Google Earth permet de se promener dans le temps

Dites-moi, M. Anderson…

Comment concilier protection des données et IA agentique ? Dans une note publiée le 20 juillet, le CIANum (Conseil de l’IA et du Numérique) et la CNIL se sont penchés sur la question, pointant le vaste changement d’échelle dans le traitement des données et la complexification de la maitrise des risques face aux systèmes autonomes.

L’objectif de la nouvelle note est d’examiner comment le RGPD s’applique concrètement à l’IA agentique. Elle laisse volontairement de côté le Règlement sur l’IA (RIA) dont l’application complète n’est prévue qu’en 2027 et qui ne prévoit pas de régime spécifique pour les agents.

La note ne vise donc pas à proposer un nouveau texte de loi, mais à identifier les tensions entre un cadre juridique existant (conçu pour des traitements déterminés par des humains) et une technologie qui agit de façon autonome, puis à esquisser des pistes de conciliation, aussi bien juridiquement que techniquement.

Une mise en tension des principes du RGPD