Dévoilé le 30 juin 2026, Claude Sonnet 5 veut réduire encore un peu plus l’écart entre les modèles intermédiaires et les références premium d’Anthropic. Plus autonome, plus performant sur les tâches agentiques et moins cher qu’Opus, il devient le nouveau modèle par défaut de Claude pour une grande partie des usages.
Le moteur de recherche n’a pas disparu. Mais il partage désormais la scène. IA générative, vidéos YouTube, avis TikTok, discussions Reddit : les Français multiplient les portes d’entrée selon ce qu’ils cherchent vraiment. Une étude Eskimoz x Ipsos dresse le portrait d’une recherche en ligne qui se fragmente — et oblige marques et médias à repenser leur visibilité de fond en comble.
Avant, le réflexe était simple. Une question, un doute, un achat à préparer : on ouvrait Google, on tapait quelques mots-clés, on cliquait. Ce geste n’a pas disparu, il reste même profondément ancré dans nos habitudes. Mais il n’est plus seul.
Aujourd’hui, une recherche peut commencer par une question posée à ChatGPT, se poursuivre avec une vidéo YouTube, passer par un avis sur TikTok ou Reddit, puis finir sur Google ou une marketplace. On ne consulte plus internet comme un annuaire géant. On le traverse.
C’est ce que révèle la dernière édition de l’Observatoire des usages de la recherche en ligne, menée par Eskimoz avec Ipsos auprès de 1 000 Français représentatifs de la population nationale. Le constat est clair : les moteurs de recherche restent incontournables, mais l’IA générative s’installe à toute vitesse dans notre quotidien.
Il serait tentant d’annoncer la chute de Google à chaque nouvelle stat sur l’IA. Ce serait aller trop vite. Les moteurs de recherche restent, de loin, le canal le plus utilisé pour trouver une information en ligne. Selon l’étude, 85 % des Français utilisent un moteur de recherche au moins une fois par jour, et 74 % le privilégient quand il s’agit de rechercher une info… contre 68 % l’année précédente. La tendance est même en hausse.
Google garde un avantage difficile à détrôner : il organise le web tel qu’on le connaît depuis plus de vingt ans. On pose une requête, on obtient des liens, on choisit où cliquer. Simple, rapide, rassurant.
Mais cette mécanique cohabite désormais avec d’autres réflexes. Les Français ajustent leur recherche au type de réponse qu’ils veulent obtenir. Pour un tutoriel, ils vont vers la vidéo. Pour un avis, ils passent par les réseaux. Pour préparer un achat, ils comparent, testent, consultent. Et de plus en plus souvent, ils interrogent une IA pour obtenir une première synthèse.
La progression la plus frappante de l’étude concerne les IA génératives. Leur notoriété atteint désormais 83 % chez les Français — soit une hausse de 17 points en un an. Chez les 18-34 ans, ce chiffre grimpe à 88 %. L’écart générationnel reste visible, mais l’IA n’est clairement plus réservée à une poignée de technophiles.
Et surtout, les gens s’en servent vraiment. En 2025, 14 % des Français utilisaient une IA générative tous les jours. Ils sont désormais 23 %. Sur une base hebdomadaire, la hausse est encore plus spectaculaire : 52 % des Français y ont recours au moins une fois par semaine, contre 29 % un an plus tôt.
Ce changement transforme la nature même de la recherche. Un moteur classique répond par des liens. Une IA répond par une synthèse. Elle trie, reformule, compare, recommande. Au lieu d’ouvrir dix onglets, on peut simplement demander : « Quel smartphone choisir pour moins de 500 euros ? » ou « Résume-moi les différences entre ces deux offres. » L’IA devient un premier conseiller — imparfait, certes, mais souvent plus confortable.
Google reste fort sur la recherche structurée. L’IA, elle, prend de la place au début du parcours, quand on ne sait pas encore exactement ce qu’on cherche.
Le changement ne se résume pas à un duel Google vs ChatGPT. L’étude montre plutôt une spécialisation des usages qui s’installe naturellement :
Ce n’est donc plus seulement de la curiosité ou de l’expérimentation. L’IA s’insère dans des usages très concrets : comprendre un sujet, préparer une décision, peser des options. Pour les marques et les médias, c’est un changement majeur. Si l’internaute commence son parcours par une IA, la première recommandation ne vient plus d’une page de résultats Google — elle vient d’une réponse générée, nourrie par des sources que l’utilisateur ne consultera peut-être jamais directement.
La vidéo joue un rôle à part dans cette recomposition. Pour apprendre à faire quelque chose, comprendre un produit ou voir une démo, beaucoup préfèrent regarder plutôt que lire. Et sur les réseaux, on ne cherche pas une information optimisée pour le SEO — on cherche des avis vrais, des retours d’expérience, des signaux humains.
Pour un restaurant, un produit beauté, une destination de voyage ou un outil IA, TikTok ou Reddit peuvent sembler plus vivants qu’une page web classique. 11 % des Français utilisent les réseaux sociaux pour rechercher une information — loin derrière Google, mais la tendance existe et progresse.
C’est peut-être l’un des défis les plus subtils pour Google. Le moteur peut indexer des pages, afficher des extraits, proposer des vidéos. Mais il ne reproduit pas la sensation d’un avis humain, récent, situé, porté par une vraie personne. C’est là que TikTok, YouTube ou Reddit trouvent leur force.
L’étude révèle aussi un écart territorial frappant. À Paris, les moteurs de recherche classiques sont moins utilisés : 66 % des Parisiens y ont recours, contre 75 % en moyenne ailleurs. En revanche, la recherche via IA y est bien plus répandue : 43 % des habitants, contre 24 % dans le reste du pays.
Même tendance pour la recherche sociale : 30 % des Parisiens utilisent les réseaux pour leurs recherches, contre 16 % ailleurs. La capitale fait figure de laboratoire des nouveaux usages numériques, avec une adoption plus rapide de l’IA et des plateformes sociales.
Ce décalage ne signifie pas que tout le territoire suivra mécaniquement le même chemin. Mais il montre que la recherche en ligne avance à plusieurs vitesses.
L’IA progresse vite, mais pas de manière uniforme. L’étude pointe un écart important entre hommes et femmes : 29 % des hommes utilisent les IA génératives au moins une fois par jour, contre 18 % des femmes. Sur l’usage hebdomadaire, l’écart reste marqué : 58 % vs 46 %.
Cette différence peut refléter des usages professionnels distincts, une exposition inégale aux outils, ou simplement des habitudes numériques qui évoluent à des rythmes différents. Elle rappelle en tout cas que la bascule vers l’IA n’est pas homogène. Derrière les grands chiffres de progression, les pratiques restent traversées par l’âge, le genre, le lieu de vie et le rapport à la technologie.
L’IA attire, intrigue, se diffuse. Mais elle ne remplace pas d’un coup les habitudes installées. Elle s’ajoute. Elle complète. Elle modifie certaines étapes du parcours, sans effacer les anciennes.
La conclusion la plus stratégique de cette étude concerne les entreprises. Être bien positionné sur Google reste indispensable, mais la visibilité en ligne est devenue beaucoup plus complexe. Une marque doit désormais se demander comment elle apparaît dans les moteurs, dans les vidéos, dans les conversations sociales, dans les comparatifs, et aussi dans les réponses générées par l’IA.
Comme le résume Jérémy Lacoste, directeur général France d’Eskimoz : l’IA recommande en amont, tandis que les moteurs et les marketplaces convertissent ensuite. Le moment décisif n’est plus seulement celui du clic. Il peut arriver bien plus tôt, quand l’utilisateur demande à une IA quelles solutions méritent son attention.
Pour exister dans cet environnement, les marques devront produire des contenus plus utiles, plus fiables, plus citables : fiches produits soignées, articles experts, avis clients, comparatifs, vidéos, discussions communautaires. La bataille ne se joue plus uniquement sur la première page Google — elle se joue sur tout l’écosystème de sources que les internautes et les IA consultent.
Le grand enseignement de cette étude n’est donc pas que Google disparaît. Il reste massif, quotidien, profondément installé. Mais il n’est plus seul dans l’esprit des internautes.
Pour une même question, les Français peuvent désormais mobiliser plusieurs réflexes : demander une synthèse à une IA, vérifier sur Google, regarder une vidéo, consulter des avis sur TikTok ou Reddit, puis finaliser sur une marketplace. La recherche en ligne devient moins linéaire, plus contextuelle, plus personnelle.
On ne cherche plus seulement une page web. On cherche une réponse, une démonstration, une recommandation, une preuve, un avis humain. Et selon le besoin du moment, la meilleure porte d’entrée ne sera pas toujours la même.
Pour les internautes, cette fragmentation peut être une richesse, croiser les sources, comparer les formats, obtenir des réponses plus adaptées. Pour les marques et les médias, elle complique sérieusement le jeu. Être trouvé ne veut plus seulement dire être bien classé. Cela veut dire être présent là où la décision commence, parfois avant même que l’utilisateur ait ouvert Google.
Et vous, quand vous cherchez une information aujourd’hui, vous allez encore directement sur Google… ou vous demandez d’abord à une IA ? Partagez votre témoignage en commentaire !
Cet article Google, IA, YouTube, TikTok : les Français ne cherchent plus sur Internet comme avant a été publié sur LEBIGDATA.FR.
Plus tôt cette semaine, Google a déployé une refonte de son moteur de recherche, mettant en avant l'IA et devant simplifier l’accès à l’information. Cependant, certains mots très simples semblent ne plus fonctionner comme des requêtes classiques.
Adieu la neutralité du net, bonjour la censure religieuse. Aux États-Unis, un opérateur vient de lancer un forfait « centré sur Jésus » qui bloque d'office la pornographie et les contenus LGBTQ+. Une restriction radicale et impossible à désactiver qui compte combler le vide laissé avec de l'intelligence artificielle.
Le compte X du pape serait-il lui aussi touché par la vague de contenus générés par IA ? Plusieurs messages récents attribués à Léon XIV portent la signature probable de l’intelligence artificielle, un phénomène désormais massif sur X, Medium, LinkedIn, Substack et de nombreux nouveaux sites web.
En juin dernier, Anthropic lançait Claude 3.5 Sonnet, la première version de sa famille de modèles Claude 3.5. Mardi dernier, l’entreprise a présenté les améliorations apportées à ce modèle, notamment en matière de codage, et son dernier ajout à la famille : Claude 3.5 Haiku, un modèle qui égale les performances de Claude 3 Opus, son modèle le plus puissant. Elle a également introduit Computer Use, une fonctionnalité expérimentale d’interaction avec les ordinateurs qui fait, selon elle, de Claude 3.5 Sonnet “le premier modèle d’IA de pointe à offrir une utilisation informatique en version bêta publique”.
Cette fonctionnalité d’utilisation de l’ordinateur, disponible en version bêta, permet aux développeurs de demander au modèle d’interagir avec des interfaces graphiques en simulant les actions humaines, telles que déplacer le curseur ou cliquer sur un bouton.
Claude traduit ainsi les instructions comme “utiliser les données de mon ordinateur et les données en ligne pour remplir ce formulaire” en commandes informatiques : “vérifier une feuille de calcul, déplacer le curseur pour ouvrir un navigateur Web, naviguer vers les pages Web pertinentes, remplir un formulaire avec les données de ces pages…”.
Anthropic explique :
“Lorsqu’un développeur charge Claude d’utiliser un logiciel informatique et lui donne l’accès nécessaire, Claude regarde des captures d’écran de ce qui est visible par l’utilisateur, puis compte le nombre de pixels verticalement ou horizontalement dont il a besoin pour déplacer un curseur afin de cliquer au bon endroit. Il était essentiel d’apprendre à Claude à compter les pixels avec précision. Sans cette compétence, le modèle a du mal à donner des commandes à la souris, de la même manière que les modèles ont souvent du mal à répondre à des questions simples telles que « combien de A dans le mot « banane » ?”
Des entreprises comme Asana, Canva, Cognition, DoorDash, Replit et The Browser Company, exploitent déjà cette capacité pour automatiser des processus complexes qui peuvent nécessiter des dizaines, voire des centaines d’étapes.
Sur OSWorld, qui évalue la capacité des modèles d’IA à utiliser les ordinateurs comme le font les humains, Claude 3.5 Sonnet a obtenu un score de 14,9 % dans la catégorie des captures d’écran uniquement, ce qui est nettement mieux que le score de 7,8 % du meilleur système d’IA. Lorsqu’on lui a donné plus d’étapes pour accomplir la tâche, Claude a obtenu un score de 22,0 %.
Les développeurs peuvent l’essayer via l’API d’Anthropic, Amazon Bedrock et la plateforme Vertex AI de Google Cloud. Anthropic avertit toutefois qu’à ce stade expérimental, le modèle peut être sujet aux erreurs et recommande de ne pas lui donner accès à des données sensibles. L’entreprise a fait le choix de le publier pour recueillir leurs commentaires.
Le modèle Claude 3.5 Sonnet montre des améliorations notables par rapport à ses versions précédentes, notamment dans des domaines critiques tels que le codage et l’utilisation d’outils. Selon les benchmarks de l’industrie, Sonnet a amélioré son score sur SWE-bench Verified, un test évaluant les capacités de codage agentique, passant de 33,4 % à 49 %. Cette progression est également visible sur TAU-bench, un benchmark évaluant l’utilisation d’outils en situation réelle, où Sonnet a amélioré ses performances dans les secteurs de la vente au détail et de l’aviation.
Des entreprises comme GitLab et The Browser Company, qui ont testé Sonnet pour des tâches complexes de développement logiciel et d’automatisation de processus web, ont signalé une meilleure capacité à suivre des instructions et à résoudre des problèmes sans augmenter les délais d’exécution.
Claude 3.5 Haiku, de son côté, se positionne comme un modèle plus rapide, tout en offrant des performances similaires à celles de Claude 3 Opus, un modèle plus volumineux de la génération précédente. Il est particulièrement efficace pour les tâches nécessitant une génération rapide de texte, ainsi que pour l’analyse et l’exploitation de grandes bases de données. Haiku se distingue par sa faible latence et son coût maîtrisé, en faisant un choix adapté pour des produits interactifs ou des tâches spécialisées à grande échelle.
Microsoft a récemment publié BitNet.cpp, un cadre open-source conçu pour optimiser l’inférence des grands modèles de langage (LLM) quantifiés à 1 bit. Il permet notamment d’exécuter un modèle BitNet b1.58 de 100 milliards de paramètres sur un seul processeur, atteignant des vitesses de traitement comparables à la lecture humaine, à une cadence de 5-7 jetons par seconde, démocratisant ainsi l’accès aux LLM les plus avancés.
La taille croissante des LLM pose des défis pour leur déploiement et soulève des inquiétudes quant à leur impact environnemental et économique, principalement en raison de leur forte consommation d’énergie.
Une des approches pour répondre à ces défis consiste à utiliser la quantification post-entraînement, qui vise à créer des modèles à faible précision pour l’inférence. Cette technique réduit la précision des poids et des activations, diminuant ainsi considérablement les besoins en mémoire et en ressources de calcul des LLMs.
BitNet.cpp s’appuie sur les travaux de Microsoft sur les architectures de modèles quantifiés 1 bit, notamment BitNet, et la variante LLM à 1 bit, BitNet b1.58, introduite en février dernier, dans laquelle chaque paramètre (ou poids) du LLM est ternaire {-1, 0, 1}
Contrairement aux LLMs traditionnels qui utilisent des valeurs en virgule flottante 16 bits (FP16 ou BF16) pour les opérations de multiplication de matrices, BitNet n’utilise que des additions entières, ce qui permet une économie d’énergie significative tout en maintenant les caractéristiques essentielles du modèle.
Outre le calcul, le transfert des paramètres du modèle entre la mémoire DRAM et celle d’un accélérateur sur puce (comme la SRAM) peut être coûteux. Les tentatives d’agrandissement de la SRAM pour améliorer le débit entraînent en effet des coûts élevés. En revanche, les modèles 1 bit comme ceux de BitNet ont une empreinte mémoire beaucoup plus faible, ce qui réduit à la fois le coût et le temps de chargement des poids depuis la DRAM, accélérant ainsi l’inférence.
La précision de 1,58 bits dans le système binaire conserve tous les avantages de BitNet 1 bit tout en ajoutant des capacités de filtrage de caractéristiques, grâce à l’inclusion de la valeur 0 dans les poids du modèle.
Le cadre, qui gère l’exécution de ce modèle optimisé et des LLM 1 bit, offre une suite de noyaux optimisés qui prennent actuellement en charge l’inférence sans perte sur le CPU, avec des plans pour la prise en charge de NPU et GPU à l’avenir.
Actuellement, bitnet.cpp prend en charge les processeurs ARM et x86. Les vitesses d’inférence sont de 1,37 et 5,07 fois plus rapides sur les processeurs ARM, et de 2,37 à 6,17 fois sur les processeurs x86, selon la taille du modèle.
Les gains énergétiques vont quant à eux de 55,4 % à 82,2 %, selon la configuration : 55,4 % à 70,0 % sur les processeurs ARM, et 71,9 % à 82,2 % sur les processeurs x86.
Les modèles testés ci-dessous sont des configurations factices utilisées pour illustrer les capacités du framework.
BitNet.cpp prend en charge une liste de modèles 1 bit disponibles sur Hugging Face, qui sont entraînés avec des paramètres de recherche.
En réduisant la dépendance à des infrastructures énergivores, BitNet.cpp peut contribuer à diminuer l’empreinte carbone des LLM et à améliorer leur adoption dans des environnements de calcul à faible coût, où la consommation énergétique est un facteur critique. Les développeurs, les petites et moyennes entreprises, qui n’ont pas toujours les moyens d’investir dans des solutions basées sur des GPU ou des serveurs cloud puissants, pourraient ainsi en bénéficier.
Au-delà de l’impact sur la consommation d’énergie, l’exécution locale des modèles via BitNet.cpp présente aussi des avantages sur le plan de la confidentialité des données, en évitant le recours à des infrastructures cloud pour le traitement de l’information.
Des instructions détaillées pour installer et configurer bitnet.cpp sur différents systèmes d’exploitation, y compris Windows et Debian/Ubuntu, sont disponibles sur GitHub.
En mars dernier, Anthropic annonçait la dernière itération de sa famille de modèles d’IA générative Claude, se déclinant sous trois versions : Claude 3 Haiku, Claude 3 Sonnet et Claude 3 Opus, par ordre de performances. Elle lance à présent Claude 3.5 Sonnet, “sa première version de la prochaine famille de modèles Claude 3.5”. Claude 3.5 Sonnet surpasse les modèles concurrents, dont le modèle phare d’OpenAI, GPT-4o, et Claude 3 Opus sur un large éventail d’évaluations.
Claude 3.5 Sonnet est désormais disponible gratuitement sur Claude.ai et via l’application iOS Claude, il est également accessible via l’API Anthropic, Amazon Bedrock, et Google Cloud’s Vertex AI. Les abonnés aux offres Claude Pro et Team bénéficient de limites de débit plus élevées. La tarification est fixée à 3 $ par million de jetons d’entrée et 15 $ par million de jetons de sortie, avec une capacité de fenêtre contextuelle de 200 000 jetons.
Selon Anthropic:
“Claude 3.5 Sonnet montre une nette amélioration de la compréhension des nuances, de l’humour et des instructions complexes, et est exceptionnel pour écrire un contenu de haute qualité avec un ton naturel et pertinent”.
Anthropic a comparé ses performances à celles de Claude 3 Opus, jusqu’alors son modèle le plus puissant, ainsi qu’à GPT-4o, Gemini 1.5 Pro de Google et à Llama-400b de Meta. Comme on peut le voir dans le tableau ci-dessous, Claude 3.5 Sonnet établit de nouvelles références pour le raisonnement de niveau supérieur (GPQA), les connaissances universitaires (MMLU) et la maîtrise du codage (HumanEval).
De plus, il fonctionne deux fois plus vite que Claude 3 Opus, ce qui le rend idéal pour des tâches complexes comme le support client contextuel et l’orchestration de flux de travail en plusieurs étapes.
Lors d’une évaluation interne de codage, Claude 3.5 Sonnet a résolu 64 % des problèmes, surpassant Claude 3 Opus qui en a résolu 38 %. Cette évaluation teste la capacité du modèle à corriger des bogues ou à ajouter des fonctionnalités à une base de code open source à partir d’une description en langage naturel. Claude 3.5 Sonnet peut écrire, éditer et exécuter du code de manière indépendante avec des capacités de raisonnement sophistiquées, gérant aisément les traductions de code, ce qui le rend particulièrement efficace pour la mise à jour des applications existantes et la migration des bases de code.
Claude 3.5 Sonnet a également surpassé Claude 3 Opus sur les benchmarks de vision standard. Les améliorations sont particulièrement visibles dans les tâches nécessitant un raisonnement visuel, comme l’interprétation de tableaux et de graphiques. Il peut également transcrire avec précision du texte à partir d’images imparfaites, une capacité essentielle pour des secteurs comme le commerce de détail, la logistique et les services financiers.
En marge du lancement de Claude 3.5 Sonnet, Anthropic annonce les Artefacts sur Claude.ai, une nouvelle fonctionnalité qui transforme l’interaction des utilisateurs avec Claude. Désormais, lorsque les utilisateurs sollicitent Claude pour la création de contenus tels que des morceaux de code, des fichiers texte ou des maquettes de sites web, ces éléments sont générés dans un volet spécial, juste à côté de leur dialogue en cours. Cet ajout offre un environnement de travail interactif où les utilisateurs peuvent non seulement visualiser mais aussi éditer et enrichir les productions de Claude en direct, ce qui leur permet d’intégrer de manière fluide le contenu généré par l’IA dans leurs projets.
Anthropic déclare vouloir “améliorer la courbe de compromis entre intelligence, vitesse et coût tous les quelques mois”, Claude 3.5 Haiku et Claude 3.5 Opus qui seront lancés plus tard cette année devraient afficher eux aussi des performances nettement améliorées par rapport à leurs prédécesseurs. La start-up travaille parallèlement au développement de nouvelles fonctionnalités, notamment à celui de “Memory”, qui permettra à Claude de se souvenir des préférences des utilisateurs et de l’historique des interactions, rendant l’expérience encore plus personnalisée et efficace.
La SNCF mène des expérimentations sur la vidéosurveillance algorithmique (VSA) dans trois gares, à Paris et Marseille. Les tests ont déclenché une action de La Quadrature du Net devant la Cnil, avec l'espoir d'y mettre fin.
Connexion