En interrogeant l'intelligence artificielle de Google sur le jeu indépendant Operation Octo, un joueur a obtenu le nom exact d'un personnage encore secret. Son créateur assure ne l'avoir écrit que dans un document Google privé. Mais cette apparente fuite, impossible à reproduire, pourrait cacher une explication moins spectaculaire.
ChatGPT Tasks permet d’automatiser vos rappels et de programmer des notifications ponctuelles ou récurrentes directement depuis ChatGPT. Ce guide explique comment créer une tâche, définir une date et une heure, activer les notifications, modifier ou supprimer un rappel, ainsi que les limites à connaître avant de lui confier des échéances importantes.
ChatGPT Tasks, appelé Tâches dans certaines interfaces françaises, est une fonctionnalité de planification intégrée à ChatGPT. Elle permet de demander à l’assistant d’effectuer une action à une date précise ou selon une fréquence définie.
Il peut notamment :
OpenAI a présenté cette fonctionnalité le 14 janvier 2025, d’abord sous forme de bêta pour certains abonnements. Les conditions d’accès peuvent évoluer selon le pays, le compte et le forfait utilisé.
Une tâche est plus qu’un message placé dans une conversation. Elle est enregistrée séparément et possède :
Par exemple, la demande suivante crée un rappel récurrent :
Rappelle-moi tous les lundis à 9 h 00 de préparer la réunion commerciale de l’après-midi.
ChatGPT peut ensuite vous avertir chaque lundi, sans qu’il soit nécessaire de recréer manuellement le rappel.
La création d’une tâche se fait en langage naturel, depuis une conversation ChatGPT classique.
Connectez-vous à votre compte depuis :
L’accès aux tâches peut dépendre du forfait. Lors de son lancement, la fonctionnalité concernait principalement les comptes ChatGPT Plus, Pro et Team. Si l’option n’apparaît pas, vérifiez le forfait utilisé, la version de l’application et les informations du centre d’aide OpenAI.
Il est préférable de créer une tâche dans une conversation standard. Les tâches peuvent ne pas être disponibles dans certains contextes, comme les conversations vocales, les GPT personnalisés ou les échanges utilisant certaines fonctionnalités avancées.
Écrivez directement ce que ChatGPT doit faire, quand et à quelle fréquence.
Exemples :
Rappelle-moi demain à 8 h 30 d’envoyer le dossier à mon comptable.
Rappelle-moi chaque jour à 19 h de prendre une pause et de préparer mes affaires pour le lendemain.
Tous les vendredis à 16 h, rappelle-moi de faire le bilan de ma semaine.
Rappelle-moi le 15 juin 2026 à 10 h 00, heure de Paris, de renouveler mon passeport.
Pour éviter toute ambiguïté, indiquez autant que possible :
Après l’envoi de la demande, ChatGPT affiche généralement une confirmation ou une carte de tâche. Vérifiez attentivement :
Si une information est ambiguë, ChatGPT peut poser une question complémentaire. Répondez avec une précision supplémentaire plutôt que de valider une tâche mal configurée.
La tâche peut être créée sans que les notifications soient correctement activées. Autorisez donc les notifications :
Une tâche active ne garantit pas automatiquement l’affichage d’une alerte si les notifications sont bloquées.
ChatGPT Tasks comprend les demandes récurrentes formulées en langage naturel. Plus la règle est explicite, plus le résultat est fiable.
Tous les jours à 7 h 30, rappelle-moi de boire de l’eau et de consulter mon agenda.
Chaque lundi, mercredi et vendredi à 8 h, rappelle-moi de faire 20 minutes d’exercice.
Tous les dimanches à 18 h, rappelle-moi de planifier mes repas pour la semaine.
Le premier jour de chaque mois à 9 h, rappelle-moi de vérifier mes abonnements.
Les règles mensuelles peuvent être interprétées différemment selon la formulation. Il est préférable de préciser le jour :
Le 1er de chaque mois à 9 h, rappelle-moi de vérifier mes factures.
Une demande comme « à 9 h » peut être interprétée selon le fuseau horaire associé au compte, à l’appareil ou à la session. Pour un rappel important, indiquez explicitement :
Tous les jours ouvrés à 8 h 30, heure de Paris, rappelle-moi de consulter mes e-mails professionnels.
Le fuseau Europe/Paris est particulièrement utile pour les utilisateurs situés en France métropolitaine. Cette précision limite les erreurs liées aux voyages, au changement d’appareil et au passage à l’heure d’été ou d’hiver.
ChatGPT peut être utilisé pour les tâches courantes :
Exemple :
Rappelle-moi samedi à 10 h d’acheter un cadeau d’anniversaire.
Les tâches récurrentes sont utiles pour structurer une activité professionnelle :
Exemple :
Tous les vendredis à 17 h, rappelle-moi de vérifier les tâches ouvertes dans mon outil de gestion de projet.
Il faut toutefois distinguer rappeler une action et effectuer réellement cette action. ChatGPT peut vous avertir, mais il ne doit pas être considéré comme un système qui envoie automatiquement un e-mail ou modifie un logiciel tiers, sauf intégration explicitement disponible et autorisée.
ChatGPT Tasks peut également servir à créer une routine :
Chaque matin à 8 h, propose-moi cinq mots d’espagnol avec leur traduction et un exemple.
Chaque soir à 20 h, donne-moi un exercice de vocabulaire anglais de niveau intermédiaire.
Dans ce cas, la tâche ne se limite pas à afficher un message prédéfini. Elle peut générer une nouvelle réponse à chaque exécution, selon les capacités disponibles sur le compte.
Il est possible de demander un résumé régulier :
Chaque lundi à 8 h, prépare-moi une courte checklist des priorités de la semaine.
Pour les informations d’actualité, de météo ou de marché, la qualité dépend de l’accès de ChatGPT aux données actualisées et aux outils de recherche disponibles. Un rappel programmé ne garantit pas toujours l’accès à une information en temps réel.
Une tâche peut être gérée depuis l’espace dédié aux tâches ou depuis les options associées à la tâche dans la conversation.
Vous pouvez demander une modification en langage naturel :
Modifie ce rappel pour qu’il soit envoyé à 10 h au lieu de 9 h.
Fais passer ce rappel du lundi au mardi.
Répète cette tâche uniquement les jours ouvrés.
Après modification, vérifiez la nouvelle confirmation. En cas de doute, consultez la liste des tâches actives pour éviter de créer un doublon.
La suspension désactive temporairement l’exécution sans supprimer la configuration. Elle convient par exemple :
L’option peut apparaître sous la forme Pause, Suspendre ou Désactiver, selon l’interface.
Pour arrêter définitivement un rappel :
Vous pouvez également écrire :
Supprime ce rappel.
La suppression est préférable à une simple modification lorsque la tâche ne sera plus jamais utilisée.
Sur le Web, l’accès peut se trouver dans le menu du profil, dans les paramètres ou dans une section intitulée Tasks, Tâches ou Tâches planifiées. L’emplacement exact peut varier selon la version de ChatGPT.
La liste permet généralement de :
OpenAI a indiqué une limite de 10 tâches actives simultanément pour les utilisateurs concernés par la fonctionnalité. Cette limite peut évoluer.
Une tâche terminée ou supprimée ne doit pas être confondue avec une tâche active. Si une nouvelle tâche refuse de se créer, vérifiez d’abord la liste des tâches et désactivez celles qui ne sont plus utiles.
Pour rester organisé, utilisez des intitulés clairs dans les instructions :
Les notifications push sont adaptées aux téléphones et aux applications de bureau. Elles doivent être autorisées à deux niveaux :
Sur mobile, vérifiez également que le mode « Ne pas déranger » ou un mode de concentration ne bloque pas les alertes.
Les e-mails peuvent servir de solution de secours ou de canal principal. Contrôlez :
Le contenu d’un rappel envoyé par e-mail peut être visible sur un écran verrouillé ou dans une boîte partagée. Évitez donc d’y inclure des informations confidentielles.
Les tâches sont conçues pour être exécutées côté serveur. ChatGPT peut donc traiter une tâche même si l’application n’est pas ouverte au moment prévu. En revanche, l’appareil doit généralement retrouver une connexion pour recevoir la notification.
Une tâche ChatGPT ne doit pas être assimilée à une alarme sonore garantie. Pour un événement critique, une alarme native du téléphone ou un calendrier reste plus approprié.
Lors du lancement, ChatGPT Tasks a été proposé en bêta à certains utilisateurs des forfaits Plus, Pro et Team. Il n’y avait pas de paiement séparé par rappel, mais l’accès dépendait du plan ChatGPT concerné.
Les offres, les quotas et les fonctionnalités peuvent changer. Pour connaître la situation applicable à un compte, consultez :
Ne confondez pas la disponibilité de ChatGPT Tasks avec celle des rappels intégrés à Google Agenda, Apple Rappels, Microsoft Outlook ou d’autres services. Ces outils possèdent leurs propres conditions d’accès et leurs propres options de notification.
Procédez dans cet ordre :
La cause la plus fréquente est une information temporelle ambiguë. Reformulez la tâche avec :
Exemple :
Exécute ce rappel chaque mardi à 14 h 00, heure de Paris, et non selon le fuseau horaire de mon appareil.
Il est possible que plusieurs tâches similaires aient été créées dans différentes conversations. Consultez la liste des tâches actives et supprimez les doublons.
Une tâche peut rappeler une action sans pouvoir l’accomplir elle-même. La demande suivante est claire :
Rappelle-moi d’envoyer le contrat à 16 h.
La suivante suppose une intégration externe qui n’est pas forcément disponible :
Envoie automatiquement le contrat à mon client à 16 h.
Dans le second cas, vérifiez l’existence d’une intégration officielle et les autorisations accordées. À défaut, utilisez ChatGPT pour préparer le message, puis envoyez-le manuellement.
ChatGPT Tasks est pratique pour les habitudes et les rappels ordinaires, mais plusieurs précautions sont nécessaires.
Pour les médicaments, les urgences, les échéances juridiques, les paiements importants ou les rendez-vous médicaux, utilisez un outil spécialisé en complément :
Les notifications peuvent être bloquées, retardées ou masquées par les réglages de l’appareil.
Évitez d’inscrire dans le texte d’une tâche :
Le contenu d’une tâche est lié au compte ChatGPT et peut apparaître dans une notification ou un e-mail.
Une tâche créée une seule fois peut devenir gênante si elle est oubliée. Faites régulièrement le tri dans la liste des tâches, notamment pour les routines quotidiennes et hebdomadaires.
Utilisez ce modèle :
[Action] le [date ou fréquence] à [heure], [fuseau horaire]. Préviens-moi avec le message suivant : [texte].
Exemple :
Rappelle-moi tous les jours ouvrés à 8 h 45, heure de Paris, de consulter mon agenda avant de commencer ma journée. Utilise une notification courte.
Les meilleures pratiques sont les suivantes :
ChatGPT Tasks convient particulièrement aux rappels formulés naturellement et aux routines générées par l’IA. Une application de calendrier reste préférable pour les rendez-vous impliquant plusieurs personnes, les invitations, les lieux, les fuseaux horaires complexes et les événements professionnels officiels.
Le choix dépend de l’objectif :
En règle générale, ChatGPT Tasks envoie des notifications via ChatGPT et éventuellement par e-mail. L’envoi automatique de SMS n’est pas garanti et nécessite une intégration spécifique.
Oui, elles sont conçues pour être exécutées même lorsque l’application n’est pas ouverte. La réception de l’alerte dépend toutefois des notifications, de la connexion Internet et des réglages de l’appareil.
La création et la gestion des tâches peuvent être limitées dans les conversations vocales. Pour une configuration fiable, utilisez une conversation texte classique et vérifiez la confirmation affichée.
Oui. Il suffit de fournir une date et une heure précises :
Rappelle-moi le 20 septembre 2026 à 11 h de renouveler mon assurance.
Les tâches peuvent être suspendues ou supprimées individuellement depuis leur espace de gestion. Les paramètres de notification permettent également de contrôler les canaux utilisés, comme les notifications push ou les e-mails.
ChatGPT Tasks permet de programmer des rappels ponctuels ou récurrents en langage naturel. Pour obtenir un résultat fiable, indiquez une date, une heure, une fréquence et, si nécessaire, le fuseau horaire Europe/Paris. Vérifiez ensuite la confirmation de la tâche et activez les notifications dans ChatGPT comme sur votre appareil.
La fonctionnalité est particulièrement utile pour les routines personnelles, les suivis professionnels et les contenus récurrents. Elle ne remplace toutefois pas un calendrier ou une alarme pour les échéances critiques. Enfin, surveillez régulièrement vos tâches actives, car une limite de 10 tâches simultanées a été annoncée et les conditions d’accès peuvent évoluer selon le forfait ChatGPT.
65 milliards de dollars en une seule opération : Anthropic vient de franchir un seuil financier que peu d’entreprises technologiques privées ont approché. Avec une valorisation post-money de 965 milliards de dollars, le laboratoire dépasse désormais OpenAI et transforme le duel entre les deux acteurs américains en affrontement pour la domination commerciale de l’IA.
Anthropic a annoncé le 28 mai 2026 une levée de fonds en série H d’un montant de 65 milliards de dollars. L’opération valorise l’entreprise à 965 milliards de dollars après investissement, soit une valeur implicite de 900 milliards avant l’arrivée des nouveaux capitaux.
Il s’agit de l’une des plus importantes levées jamais réalisées par une société technologique non cotée. Elle propulse Anthropic dans une catégorie à part : celle des entreprises capables de réunir des montants comparables à ceux de groupes déjà introduits en Bourse, tout en restant dépendantes des marchés privés.
Cette opération fait également d’Anthropic la première entreprise spécialisée dans l’intelligence artificielle à s’approcher du seuil symbolique des 1 000 milliards de dollars de valorisation. La société était encore présentée, il y a peu, comme le laboratoire prudent de l’écosystème — davantage concentré sur la sécurité des modèles que sur la conquête commerciale. Cette image ne correspond plus à son poids financier.
Selon Anthropic, son revenu annualisé a dépassé 47 milliards de dollars au début du mois de mai. Ce chiffre doit toutefois être interprété avec précision : il s’agit d’un run rate, c’est-à-dire une projection annualisée à partir du rythme de revenus observé, et non du chiffre d’affaires effectivement enregistré sur douze mois. Il ne renseigne pas non plus directement sur les marges ou sur les coûts d’infrastructure nécessaires pour servir les modèles.
Le duel avec OpenAI ne se joue plus seulement sur la qualité des modèles ou la notoriété des assistants grand public. La valorisation issue de cette série H place Anthropic devant son rival dans le classement des sociétés privées de l’IA.
Cette avance ne signifie pas nécessairement qu’Anthropic dispose d’une base d’utilisateurs plus large. Elle traduit plutôt la confiance des investisseurs dans sa capacité à convertir ses modèles en revenus d’entreprise. Les contrats avec les grands groupes, les accès aux interfaces de programmation et les outils destinés aux développeurs semblent désormais peser davantage dans les valorisations que la seule audience des assistants conversationnels.
La différence est stratégique. OpenAI reste fortement associé à ChatGPT et à une distribution grand public considérable. Anthropic, de son côté, a construit une position plus étroitement liée aux usages professionnels de Claude, à l’intégration dans les environnements de travail et à l’automatisation des tâches complexes.
Le montant de la série H suggère que les investisseurs évaluent désormais l’IA comme une infrastructure logicielle mondiale, et non plus comme une simple nouvelle catégorie de produits. Une entreprise capable de devenir un fournisseur central de modèles pour les banques, les cabinets de conseil, les éditeurs de logiciels et les grands services informatiques peut justifier des revenus récurrents beaucoup plus élevés qu’un assistant vendu directement aux particuliers.
Le principal moteur de cette accélération semble se trouver du côté des agents de code. Ces systèmes ne se contentent plus de générer une fonction ou de répondre à une question technique : ils peuvent analyser un dépôt, modifier plusieurs fichiers, lancer des tests, corriger des erreurs et participer à la maintenance d’une application.
Pour les entreprises, la valeur est mesurable. Un agent performant peut réduire le temps consacré au développement, au débogage ou à la documentation. Il peut aussi agir comme une couche d’automatisation au-dessus d’outils déjà utilisés par les équipes informatiques.
Cette évolution explique pourquoi les revenus d’Anthropic peuvent progresser rapidement malgré des coûts de calcul très élevés. Les clients professionnels sont susceptibles de payer plusieurs milliers, voire plusieurs millions de dollars par an pour des accès sécurisés, des volumes importants et des garanties contractuelles. Le prix ne dépend alors plus seulement du nombre de conversations, mais de la quantité de travail logiciel exécutée par le modèle.
La croissance des agents crée toutefois une contrainte économique. Plus un modèle agit de manière autonome, plus il consomme de puissance de calcul, notamment lorsqu’il doit vérifier ses réponses, exécuter du code ou multiplier les étapes de raisonnement. Les 65 milliards de dollars levés serviront donc autant à soutenir l’expansion commerciale qu’à financer les capacités de calcul, les centres de données et les accords d’approvisionnement nécessaires.
À 965 milliards de dollars, Anthropic n’est plus valorisée comme une jeune pousse prometteuse, mais comme un futur pilier de l’économie numérique. Une telle estimation suppose une croissance durable, une amélioration des marges et une capacité à conserver ses clients malgré la concurrence de Google, Microsoft, Meta et OpenAI.
Le risque principal tient au coût de cette course. Les modèles les plus avancés exigent des investissements massifs en semi-conducteurs, en énergie et en infrastructures. Les fournisseurs de cloud et de puces captent une part importante de la valeur créée, tandis que les laboratoires doivent maintenir leurs prix suffisamment bas pour accélérer l’adoption.
La dépendance à quelques partenaires constitue un autre point de vigilance. Les modèles d’Anthropic sont distribués à travers des plateformes cloud et des environnements professionnels qui peuvent également héberger des solutions concurrentes. La société devra donc démontrer que sa technologie justifie une préférence durable, au-delà de la disponibilité de modèles comparables.
Cette question dépasse le seul cas d’Anthropic. Le rapport préliminaire du panel scientifique indépendant de l’ONU consacré à l’IA, publié en juillet 2026, rappelle que l’expansion des systèmes avancés s’accompagne d’enjeux de gouvernance, de sécurité et de concentration industrielle. Plus les montants engagés augmentent, plus la pression s’intensifie pour obtenir des résultats commerciaux rapides — avec le risque de réduire la sécurité à un argument de communication plutôt qu’à une contrainte opérationnelle.
La série H donne à Anthropic les moyens de soutenir une offensive mondiale, mais elle augmente aussi le niveau d’exigence. Avec une valorisation proche de 1 000 milliards de dollars, la croissance du revenu ne suffira plus : les investisseurs devront voir apparaître une trajectoire crédible vers des marges positives.
Le prochain jalon concret sera donc la confirmation de ce revenu annualisé de 47 milliards de dollars dans des résultats détaillés, accompagnée d’indications sur les coûts de calcul, la concentration des clients et la part réellement générée par les entreprises. La capacité d’Anthropic à transformer ses agents de code en contrats récurrents et rentables déterminera si cette opération marque l’ascension durable d’un nouveau leader — ou le sommet financier d’une course encore largement alimentée par les capitaux privés.
Demis Hassabis ne quitte pas Google DeepMind : il abandonne son pilotage quotidien pour se consacrer à l’objectif qui structure désormais toute la stratégie d’Alphabet, l’intelligence artificielle générale — ou AGI. Le remaniement, annoncé le 5 août 2026, intervient alors que Google considère la compétition technologique comme entrée dans une phase plus décisive.
Après avoir dirigé Google DeepMind depuis sa création en 2023, Demis Hassabis devient président de la division et Chief Scientist d’Alphabet. Il conserve donc un rôle central dans les orientations scientifiques du groupe, mais ne sera plus responsable de l’exécution quotidienne des activités du laboratoire.
Cette distinction est importante. Le poste de CEO implique la gestion des équipes, des budgets, des priorités de produits et de la coordination avec les autres branches de Google. La nouvelle fonction de Hassabis doit lui permettre de se concentrer sur les travaux de long terme : architecture des modèles, raisonnement, agents autonomes, sécurité et conditions nécessaires au développement d’une AGI.
Pour Alphabet, cette réorganisation traduit une volonté de séparer plus nettement la recherche stratégique de la conduite opérationnelle. Google DeepMind n’est plus un laboratoire isolé chargé d’explorer les possibilités de l’IA. Il constitue désormais le centre de gravité d’une activité qui touche les moteurs de recherche, le cloud, les smartphones, la publicité et les outils de productivité du groupe.
Hassabis continuera également à diriger Isomorphic Labs, la filiale d’Alphabet spécialisée dans la découverte de médicaments grâce à l’IA. Fondée sur les travaux de DeepMind en biologie computationnelle, notamment autour d’AlphaFold, cette structure poursuit une trajectoire distincte, à la frontière entre recherche fondamentale, industrie pharmaceutique et développement de traitements.
La direction effective de Google DeepMind doit revenir à Koray Kavukcuoglu, jusqu’ici directeur technique de l’unité. Il rendra compte directement à Sundar Pichai, CEO de Google et d’Alphabet.
Ce rattachement direct au sommet du groupe constitue un signal de priorité. Il réduit la distance entre les décisions de Google DeepMind et celles d’Alphabet, au moment où les modèles d’IA sont devenus un enjeu commercial et industriel majeur pour Google. Kavukcuoglu devra notamment arbitrer entre les besoins de la recherche, les contraintes de déploiement à grande échelle et les demandes des différentes divisions de Google.
Son profil correspond à cette phase plus opérationnelle. En tant que CTO, il a déjà participé à la coordination technique des travaux de DeepMind et à leur intégration dans les produits du groupe. Sa mission ne consistera pas seulement à poursuivre les programmes de recherche : il devra transformer plus rapidement les avancées du laboratoire en systèmes utilisés par des millions de personnes et par les clients de Google Cloud.
La ligne hiérarchique directe avec Sundar Pichai peut aussi être lue comme une réponse aux tensions classiques entre laboratoire de recherche et grande entreprise technologique. Les modèles les plus avancés nécessitent des investissements considérables en puces, en centres de données et en données d’entraînement. Ils doivent en parallèle répondre à des objectifs de fiabilité, de sécurité et de rentabilité. La nouvelle organisation place ces arbitrages au niveau d’Alphabet.
Le remaniement ne concerne pas uniquement Hassabis. Jeff Dean quitte son poste de Chief Scientist de Google DeepMind pour lancer une nouvelle startup avec trois autres figures de l’IA de Google.
Cette décision retire à Google l’un de ses dirigeants scientifiques les plus expérimentés. Dean a joué un rôle majeur dans l’infrastructure logicielle et matérielle de Google, ainsi que dans le développement des technologies d’apprentissage automatique du groupe. Son départ vers une structure indépendante illustre aussi l’attractivité financière et scientifique du secteur de l’IA avancée.
Il ne s’agit pas nécessairement d’un désaveu de la stratégie de Google DeepMind. Le départ de Dean intervient dans une période où les chercheurs et ingénieurs capables de concevoir de nouveaux systèmes d’IA disposent d’une forte capacité à créer leur propre entreprise. Mais, pour Alphabet, il représente une perte de capital intellectuel au moment où la compétition se joue également sur les équipes et la vitesse d’exécution.
La combinaison des deux mouvements redessine l’équilibre historique du laboratoire. Hassabis se recentre sur la direction scientifique et la vision à long terme. Kavukcuoglu prend la responsabilité de l’opérationnel. Dean sort de l’organisation pour construire un nouvel acteur. La continuité dépendra de la capacité de Google à éviter une dispersion de ses compétences clés.
Le terme AGI reste volontairement imprécis. Il désigne généralement une IA capable d’accomplir une grande variété de tâches intellectuelles avec un niveau de généralité comparable, ou supérieur, à celui d’un humain. Aucun critère universel ne permet toutefois de déterminer si un système a atteint ce stade.
La nouvelle fonction de Hassabis ne signifie donc pas qu’Alphabet annonce une échéance ou un produit précis. Elle indique plutôt que le groupe veut donner davantage de temps à son dirigeant scientifique pour travailler sur les problèmes qui ne se règlent pas par une simple amélioration de modèle : fiabilité du raisonnement, mémoire, autonomie, compréhension du monde, alignement et contrôle des systèmes.
Cette concentration pourrait également servir à coordonner les travaux de Google DeepMind avec les infrastructures d’Alphabet. La course à l’AGI dépend autant des algorithmes que des capacités de calcul, de la disponibilité des données, des outils de déploiement et des mécanismes de sécurité. Le poste de Chief Scientist d’Alphabet place Hassabis à un niveau où il pourra peser sur l’ensemble de ces leviers.
Le risque est symétrique : en éloignant le principal visage de DeepMind de la gestion quotidienne, Google peut gagner en profondeur stratégique mais perdre en cohérence opérationnelle. La réussite du remaniement se mesurera à la capacité de Kavukcuoglu à maintenir un rythme élevé de livraison sans affaiblir la recherche de long terme.
Le prochain jalon sera concret : la manière dont Google DeepMind organisera son leadership autour de Kavukcuoglu et les résultats visibles de ses prochains modèles. Dans les 12 à 18 mois, les indicateurs les plus révélateurs seront la fréquence des lancements, l’adoption dans Google Cloud et les produits grand public, ainsi que les progrès mesurables en raisonnement et en autonomie. La nouvelle architecture devra prouver qu’elle accélère réellement la marche vers l’AGI, sans sacrifier la maîtrise technique et la sécurité qui conditionnent son déploiement.
Canvas de ChatGPT est un espace d’édition conçu pour rédiger, corriger et améliorer vos textes directement dans ChatGPT. Ce guide explique comment utiliser Canvas de ChatGPT pour éditer un texte, modifier un passage précis, optimiser le style, structurer un article et exporter la version finale.
Canvas est un espace de travail intégré à ChatGPT, distinct de la conversation classique. Il permet de travailler sur un document long ou sur un extrait en combinant :
Dans une conversation standard, ChatGPT répond généralement sous forme de messages successifs. Avec Canvas, le contenu devient un document de travail modifiable, plus pratique pour rédiger un article, une page commerciale, un rapport, une lettre, un scénario ou un dossier SEO.
L’accès à Canvas dépend de la version de ChatGPT, du type de compte, du pays et du déploiement en cours. La fonctionnalité a été progressivement proposée aux utilisateurs gratuits et payants, mais les modèles disponibles, les limites d’utilisation et certaines options peuvent varier.
Canvas ne constitue généralement pas un abonnement séparé. Si l’option n’apparaît pas :
Les intitulés exacts de l’interface peuvent évoluer. Les indications comme Canvas, Ouvrir dans Canvas ou Créer un espace Canvas peuvent donc varier.
Canvas est particulièrement utile dès qu’un texte nécessite plusieurs cycles de modification. Il évite de copier-coller continuellement le contenu entre ChatGPT et un traitement de texte.
1. Modifier uniquement le passage nécessaire
Il est possible de sélectionner un paragraphe, une phrase ou une liste, puis de demander une action précise. Le reste du document reste inchangé, ce qui limite les réécritures inutiles.
2. Obtenir une vision globale du document
Le contenu est affiché dans un espace dédié. Cette présentation facilite l’évaluation de la longueur, de la structure, des titres et de la cohérence d’ensemble.
3. Combiner édition manuelle et intelligence artificielle
Le texte peut être directement corrigé au clavier. ChatGPT peut ensuite intervenir sur la formulation, le ton, la structure ou la clarté.
4. Revenir à une version précédente
L’historique permet de comparer différentes versions ou d’annuler une modification trop importante. Cette fonction est pratique lorsqu’une réécriture modifie excessivement le style original.
5. Travailler avec des consignes précises
Canvas peut recevoir des instructions comme :
Plusieurs méthodes peuvent être disponibles selon l’interface.
Dans la zone de saisie, écrivez par exemple :
Ouvre un Canvas et aide-moi à éditer le texte suivant sans modifier son idée principale.
Ajoutez ensuite le contenu à corriger. ChatGPT peut ouvrir automatiquement l’espace de travail lorsque la demande concerne un document long ou une réécriture structurée.
Si ChatGPT a déjà généré un texte dans la conversation, demandez :
Transforme cette réponse en document Canvas afin que je puisse la relire et la modifier.
Cette méthode est pratique pour retravailler un article, une lettre ou un plan déjà produit.
Avant de demander une réécriture, précisez le type de texte et son objectif. Une consigne vague produit souvent une modification trop générale.
Indiquez si le document est :
Précisez également le public visé, le niveau de langage, la longueur souhaitée et le résultat attendu.
Exemple :
Ce texte est destiné à des dirigeants de PME. Corrige la syntaxe, simplifie les phrases longues et conserve un ton professionnel, concret et accessible.
Copiez le texte dans Canvas ou demandez à ChatGPT de travailler sur le contenu déjà présent dans la conversation. Pour un document long, ajoutez une consigne générale dès le départ.
Exemple :
Voici un article de 1 500 mots. Améliore sa lisibilité sans supprimer les informations importantes. Conserve les titres, les chiffres et les exemples. N’ajoute aucune information non vérifiée.
Avant de réécrire, demandez un diagnostic. Cette étape permet d’identifier les problèmes sans modifier immédiatement le contenu.
Exemple :
Analyse ce texte et liste les problèmes de structure, de clarté, de répétition et de cohérence. Ne réécris pas encore le document.
ChatGPT peut alors relever :
Pour une révision globale, donnez une instruction détaillée et indiquez les éléments à préserver.
Exemple :
Réécris l’ensemble du texte dans un style plus fluide. Conserve la structure H2 et H3, les données chiffrées et les exemples. Réduis les répétitions. Ne change pas le sens des affirmations.
Il est préférable de procéder par étapes plutôt que de demander simultanément une correction, une optimisation SEO, une réduction de longueur et un changement de ton. Des objectifs trop nombreux peuvent produire un texte artificiel ou éloigné de la version originale.
La sélection locale constitue l’un des principaux intérêts de Canvas.
Exemples de demandes ciblées :
Reformule ce paragraphe en deux phrases plus courtes.
Corrige uniquement les erreurs de grammaire. Ne change pas le vocabulaire.
Rends cette explication compréhensible par un lecteur qui ne connaît pas le sujet.
Ajoute une transition naturelle entre ces deux paragraphes.
Supprime les formulations trop promotionnelles, mais conserve l’argument principal.
Canvas peut proposer des raccourcis d’édition. Les options exactes peuvent varier, mais elles incluent généralement des fonctions comme :
Ces commandes sont utiles pour aller vite, mais une instruction personnalisée reste souvent plus précise.
Après chaque réécriture, contrôlez :
Utilisez l’historique de Canvas pour comparer la nouvelle version avec la précédente. Une reformulation réussie doit améliorer le texte sans effacer la voix de son auteur.
Corrige l’orthographe, la grammaire, la conjugaison et la ponctuation. Ne modifie ni le style ni le contenu.
Cette formulation convient à un texte déjà bien rédigé dont les erreurs sont principalement linguistiques.
Simplifie les phrases longues, remplace les formulations ambiguës et améliore les transitions. Conserve le niveau de précision et les informations existantes.
Réécris ce texte dans un ton professionnel, direct et rassurant. Évite le jargon, les exagérations et les formules trop commerciales.
Adapte ce texte à un public débutant. Explique les termes techniques lors de leur première utilisation et ajoute un exemple concret si nécessaire.
Réduis ce texte à environ 600 mots. Garde l’introduction, les arguments principaux et la conclusion. Supprime les répétitions plutôt que les informations essentielles.
Développe cette section avec deux exemples concrets et une explication étape par étape. N’invente pas de statistiques ni de références.
Améliore la syntaxe et la fluidité, mais conserve le vocabulaire, le ton et le niveau de formalité de l’auteur. Évite une réécriture trop éloignée du texte original.
Canvas peut aider à préparer un contenu pour Google, mais il ne remplace ni l’analyse de la concurrence ni la vérification dans les résultats de recherche.
Demandez à Canvas d’identifier ce que le lecteur souhaite réellement obtenir.
Exemple :
Analyse l’intention de recherche associée au mot-clé « logiciel de gestion de projet ». Indique les questions secondaires auxquelles l’article doit répondre.
Les intentions peuvent être informationnelles, commerciales, transactionnelles ou navigationnelles.
Demandez une structure logique avec des titres H2 et H3.
Organise cet article avec une introduction, des H2 et des H3. Chaque titre doit répondre à une question précise du lecteur. Évite les titres vagues et les répétitions.
Une bonne structure peut couvrir les questions qu’est-ce que, pourquoi, comment, combien, quand et quelles limites.
Intègre naturellement le mot-clé principal « utiliser Canvas de ChatGPT » ainsi que les expressions « éditer un texte avec ChatGPT », « corriger un texte dans Canvas » et « réécrire un document ». Évite la répétition artificielle.
Les mots-clés doivent rester au service de la compréhension. Le bourrage de mots-clés peut dégrader la qualité du texte et sa crédibilité.
Canvas peut proposer :
Exemple :
Ajoute une FAQ de six questions sur l’utilisation de Canvas pour éditer un article. Réponds en deux ou trois phrases par question et ne répète pas les sections principales.
Il est possible de demander une proposition de :
Cependant, la longueur et l’efficacité d’une balise title ou d’une méta-description doivent être vérifiées dans le contexte réel du site. ChatGPT ne connaît pas automatiquement le positionnement, les concurrents ou les données de Search Console.
Canvas peut repérer des affirmations qui semblent douteuses ou demander une vérification, mais il ne faut pas considérer ses réponses comme une validation automatique.
Pour améliorer la fiabilité :
Repère toutes les affirmations factuelles de ce texte qui nécessitent une vérification. Pour chacune, indique le type de source à consulter. Ne remplace pas les données par des chiffres inventés.
Les éléments suivants doivent être vérifiés avec des sources fiables :
Canvas ne garantit pas non plus l’absence de plagiat. Un texte généré ou réécrit doit être relu, contextualisé et, lorsque cela est nécessaire, comparé avec les sources utilisées.
Une fois les modifications terminées :
Le formatage peut légèrement changer lors d’un export. Contrôlez notamment les titres, les sauts de ligne, les listes à puces, les caractères spéciaux et les liens hypertexte.
Une consigne comme « améliore ce texte » peut conduire ChatGPT à modifier le vocabulaire, le ton ou les arguments. Pour limiter ce risque, précisez les éléments à conserver.
Sur un document long, certains détails peuvent être moins bien pris en compte. Rappelez les contraintes importantes dans la consigne et travaillez section par section si nécessaire.
Canvas peut reformuler une erreur sans la détecter ou introduire une information incorrecte. Toute donnée sensible doit être vérifiée indépendamment.
Canvas peut organiser un texte et suggérer des mots-clés, mais il ne fournit pas automatiquement des données fiables sur le volume de recherche, la difficulté SEO ou les performances d’une requête.
Les boutons, raccourcis, modèles compatibles et formats d’export peuvent évoluer. Si une commande n’apparaît pas, utilisez une instruction écrite directement dans la conversation.
Canvas est préférable pour :
Une conversation classique peut suffire pour :
Avant de publier ou d’envoyer le document, vérifiez les points suivants :
Canvas de ChatGPT transforme une conversation en espace d’édition structuré. Pour l’utiliser efficacement, commencez par définir l’objectif du texte, ouvrez un document Canvas, demandez une analyse, puis procédez par modifications ciblées.
La sélection d’un passage permet de corriger une phrase ou de changer le ton sans réécrire tout le document. Les commandes de Canvas peuvent accélérer la correction, le raccourcissement, l’ajout de contenu et l’adaptation du niveau de lecture. Pour un usage SEO, l’outil aide à structurer l’article, répondre aux questions secondaires et améliorer la lisibilité, mais il ne remplace pas la recherche de mots-clés ni la vérification éditoriale.
La meilleure méthode consiste à utiliser Canvas comme assistant d’édition, tout en conservant une validation humaine pour le style, les faits, les sources et la version finale.
Après avoir consacré des milliards de dollars à l’achat de capacités de calcul, OpenAI s’attaque désormais à la pièce la plus stratégique de cette infrastructure : la puce. Le groupe a annoncé le 24 juin 2026, avec Broadcom, la conception d’un composant dédié à l’inférence des grands modèles de langage, avec un objectif clair : réduire le coût de chaque requête et desserrer l’étau de sa dépendance à Nvidia.
L’inférence désigne l’exécution d’un modèle déjà entraîné pour produire une réponse à partir d’une requête. À la différence de l’entraînement, qui mobilise des grappes de processeurs pendant de longues périodes, cette phase se répète à chaque question posée à un assistant, chaque image générée ou chaque appel d’API.
À grande échelle, le coût cumulé devient considérable. Chaque interaction mobilise de la mémoire, de la puissance de calcul et des systèmes de refroidissement. Plus les modèles sont volumineux et plus les réponses sont longues, plus la facture augmente. Pour un acteur comme OpenAI, dont les services sont sollicités par des millions d’utilisateurs et d’entreprises, améliorer l’efficacité de l’inférence peut avoir un impact direct sur les coûts d’exploitation.
La puce annoncée avec Broadcom doit être conçue spécifiquement pour cette charge de travail. Contrairement à un composant généraliste, elle pourra être adaptée aux opérations les plus fréquentes des grands modèles de langage : multiplication de matrices, gestion de la mémoire et traitement des séquences de tokens. L’objectif n’est pas nécessairement de remplacer tous les processeurs utilisés par OpenAI, mais de disposer d’un outil mieux ajusté à ses propres modèles et à leur mode d’utilisation.
Cette annonce marque un changement de position pour OpenAI. Jusqu’ici, l’entreprise s’est principalement appuyée sur les processeurs graphiques de Nvidia et sur les capacités de calcul fournies par ses partenaires du cloud, en particulier Microsoft. Cette stratégie lui a permis d’augmenter rapidement ses capacités sans construire seule l’ensemble de son infrastructure matérielle.
Mais cette dépendance crée plusieurs contraintes. Les accélérateurs de Nvidia sont très demandés, leur disponibilité reste un enjeu industriel et leur prix pèse lourdement sur les budgets des entreprises d’IA. À cela s’ajoutent les coûts associés aux serveurs, au réseau, à l’électricité et au refroidissement. Même avec des revenus importants, les services d’IA générative restent difficiles à rentabiliser lorsque les requêtes nécessitent une puissance de calcul élevée.
Concevoir une puce propriétaire permettrait à OpenAI d’agir sur plusieurs paramètres à la fois : les performances par watt, la quantité de mémoire, la circulation des données entre les composants et l’intégration dans les centres de données. L’entreprise pourrait également ajuster plus rapidement le matériel à l’évolution de ses modèles, au lieu de dépendre uniquement du calendrier des fabricants de processeurs.
Cette démarche ne signifie toutefois pas qu’OpenAI abandonne Nvidia. Le groupe aura probablement besoin d’un portefeuille de composants complémentaires, combinant des accélérateurs généralistes pour l’entraînement et des puces spécialisées pour certains scénarios d’inférence. Une architecture diversifiée peut aussi limiter le risque lié à une rupture d’approvisionnement ou à la hausse des prix d’un fournisseur unique.
Le partenariat avec Broadcom est déterminant. Concevoir une puce ne consiste pas seulement à définir une architecture adaptée à un modèle d’IA. Il faut aussi la transformer en produit manufacturable, vérifier sa fiabilité, organiser sa production et l’intégrer dans des serveurs capables de fonctionner en continu.
Broadcom dispose d’une expérience importante dans les composants destinés aux centres de données et dans les circuits personnalisés, souvent désignés comme ASIC (Application-Specific Integrated Circuit). Ce type de puce est conçu pour une fonction précise et peut offrir une meilleure efficacité qu’un processeur polyvalent lorsque la charge de travail est stable et suffisamment importante.
Le partenariat répond donc à une logique complémentaire. OpenAI maîtrise les modèles, les usages et les contraintes logicielles. Broadcom apporte les compétences liées à la conception physique, à l’interconnexion des composants et à la fabrication à grande échelle. L’enjeu sera de faire correspondre le comportement des modèles avec les caractéristiques exactes du silicium.
Cette coopération pourrait aussi s’inscrire dans une tendance plus large du secteur. Plusieurs grandes entreprises technologiques développent déjà leurs propres accélérateurs afin de limiter leur exposition aux fournisseurs de processeurs généralistes. Google dispose de ses TPU, Amazon développe ses puces Trainium et Inferentia, tandis que Microsoft travaille sur ses propres composants pour ses centres de données. La maîtrise du matériel devient un moyen de contrôler les coûts et de différencier les services d’IA.
L’annonce reste cependant incomplète sur les points les plus concrets. OpenAI et Broadcom n’ont détaillé ni le calendrier industriel, ni les volumes prévus, ni les performances attendues. Aucun chiffre public ne permet donc encore de mesurer l’écart avec les solutions de Nvidia, ou de savoir quand la puce pourra être déployée dans des centres de données opérationnels.
Ces informations seront décisives. Une puce spécialisée n’est avantageuse que si elle peut être produite en quantité, intégrée sans difficulté dans l’infrastructure existante et exploitée par les logiciels d’OpenAI. Les gains théoriques peuvent être réduits par des problèmes de mémoire, de communication entre serveurs ou de compatibilité avec les différentes versions des modèles.
Le calendrier est également un facteur de risque. La conception d’un accélérateur, sa validation et sa mise en production nécessitent plusieurs étapes et peuvent prendre des années. Entre-temps, les modèles d’OpenAI peuvent évoluer, avec des architectures plus longues, davantage de raisonnement ou de nouvelles modalités comme la voix et la vidéo. Une puce optimisée pour une génération de modèles pourrait perdre une partie de son avantage si les usages changent rapidement.
Pour OpenAI, l’intérêt de cette puce ne se résume pas à une réduction du prix d’achat des processeurs. Il s’agit de reprendre une partie du contrôle sur l’économie de ses services. Chaque amélioration du coût de l’inférence peut se traduire par des marges plus élevées, des abonnements plus compétitifs ou l’accès à des modèles plus puissants sans hausse équivalente de la facture.
Le prochain jalon sera donc mesurable : publication du calendrier de production, annonce des premiers volumes et démonstration de gains précis en coût par requête ou en performance par watt. Sans ces données, le projet reste une orientation stratégique prometteuse plutôt qu’une alternative établie à Nvidia. Mais le signal est déjà net : après avoir acheté massivement du calcul, OpenAI cherche désormais à en contrôler une partie essentielle, jusque dans le silicium.
Le modèle « intermédiaire » d’Anthropic s’attaque désormais aux missions jusque-là réservées à sa gamme la plus chère. Avec Claude Sonnet 5, lancé le 30 juin 2026, l’entreprise veut rapprocher les performances d’un modèle agentique de celles d’Opus 4.8, tout en maintenant une facture nettement inférieure.
Anthropic présente Claude Sonnet 5 comme son modèle Sonnet « le plus agentique à ce jour ». La promesse ne repose pas uniquement sur de meilleurs scores de raisonnement ou de programmation : le modèle est conçu pour enchaîner plusieurs actions, planifier une tâche, utiliser un navigateur ou un terminal, puis poursuivre son travail de manière autonome.
Cette orientation vise des usages plus complexes qu’une simple génération de texte. Claude Sonnet 5 peut, par exemple, découper un objectif en sous-tâches, exécuter des commandes, consulter des ressources en ligne et ajuster sa stratégie en fonction des résultats obtenus. Il s’inscrit ainsi dans la montée en puissance des agents IA, capables d’interagir avec des outils plutôt que de produire une réponse isolée.
Anthropic affirme que ses performances se rapprochent de celles d’Opus 4.8, le modèle présenté comme le plus puissant de sa gamme. La formulation est importante : Sonnet 5 n’est pas décrit comme équivalent à Opus sur tous les critères, mais comme suffisamment performant pour réduire l’écart sur les tâches nécessitant du raisonnement, du code et l’utilisation d’outils.
Cette évolution brouille la séparation traditionnelle entre les modèles haut de gamme et les versions plus accessibles. Dans la gamme Anthropic, Sonnet occupait jusqu’ici une position intermédiaire : plus rapide et moins coûteux qu’Opus, mais destiné à des missions moins exigeantes. Sonnet 5 cherche désormais à couvrir une partie des scénarios qui justifiaient le recours au modèle le plus cher.
Le principal argument de Sonnet 5 tient aussi à son tarif. Jusqu’au 31 août 2026, Anthropic facture le modèle 2 dollars par million de tokens en entrée et 10 dollars par million de tokens en sortie. À partir du 1er septembre 2026, ces prix passeront respectivement à 3 dollars et 15 dollars.
La différence entre les deux types de tokens est déterminante. Les tokens d’entrée correspondent aux instructions, documents et historiques transmis au modèle. Les tokens de sortie couvrent le contenu généré, mais aussi les étapes intermédiaires susceptibles d’être produites lors d’une longue séquence agentique. Or un agent qui planifie, appelle plusieurs outils et vérifie ses résultats peut consommer beaucoup plus de tokens qu’un assistant répondant en un seul tour.
Le tarif promotionnel constitue donc un levier d’adoption, en particulier pour les entreprises qui veulent tester des agents sur des environnements de développement, des terminaux ou des outils internes. Il donne également aux équipes un délai de deux mois pour mesurer le coût réel de ces workflows avant la hausse annoncée.
Le passage à 3 dollars en entrée et 15 dollars en sortie ne remet toutefois pas en cause la stratégie d’Anthropic : proposer un modèle suffisamment capable pour des tâches complexes, sans appliquer le prix associé à Opus. L’enjeu est de déplacer le choix par défaut des développeurs vers Sonnet, y compris lorsque la tâche exige une autonomie prolongée.
Anthropic indique que Claude Sonnet 5 dépasse Sonnet 4.6 dans plusieurs domaines : le raisonnement, le code et l’usage d’outils. Ces catégories sont particulièrement importantes pour les agents, car leur efficacité dépend moins d’une réponse brillante que de la capacité à conserver un objectif, interpréter le résultat d’une action et décider de l’étape suivante.
Sur le code, cette progression peut se traduire par une meilleure capacité à comprendre une base existante, modifier plusieurs fichiers ou diagnostiquer un échec de compilation. Dans l’usage d’outils, elle concerne notamment la sélection de la bonne action, la gestion des retours et la poursuite d’une séquence sans supervision constante.
Mais ces gains ne doivent pas être interprétés comme une maîtrise uniforme de toutes les tâches. La fiche système de Claude Sonnet 5 signale notamment un taux de réussite de 0 % sur un benchmark consacré à l’exploitation de vulnérabilités dans Firefox. Ce résultat indique que le modèle n’a pas réussi les scénarios évalués dans ce test précis.
Ce score constitue un rappel utile : un modèle peut progresser sur le raisonnement général, le développement logiciel et l’orchestration d’outils, tout en restant inefficace sur une classe particulière de tâches de sécurité. Les benchmarks agentiques sont fortement dépendants de l’environnement, des outils disponibles, de la durée accordée et de la définition exacte de la réussite.
La capacité à fonctionner de manière autonome apporte un gain de productivité, mais elle élargit également la surface d’échec. Une erreur dans la planification peut être répétée sur plusieurs étapes. Une mauvaise interprétation d’un résultat peut entraîner une modification de code inappropriée, l’exécution d’une commande inutile ou une série d’actions coûteuses.
Pour les entreprises, la question ne sera donc pas seulement de savoir si Sonnet 5 produit une meilleure réponse que Sonnet 4.6. Il faudra mesurer le nombre d’interventions humaines nécessaires, la fréquence des reprises, la consommation de tokens et le coût des actions effectuées par l’agent. Un modèle moins cher à l’appel peut devenir plus coûteux s’il multiplie les tentatives ou s’il exige une surveillance permanente.
Le positionnement d’Anthropic suggère aussi une évolution des offres d’IA : la valeur se déplace progressivement du modèle isolé vers le système complet associant modèle, navigateur, terminal, mémoire et règles d’autorisation. Dans ce cadre, la différence entre Sonnet et Opus ne se mesurera plus uniquement sur des tests de connaissances ou de raisonnement, mais sur la capacité à mener une mission jusqu’à son terme.
Avec Claude Sonnet 5, Anthropic tente de rendre les usages agentiques accessibles à un plus grand nombre d’équipes, sans réserver les tâches complexes à Opus. Le résultat dépendra moins de la proximité revendiquée avec Opus 4.8 que de la fiabilité obtenue dans des environnements professionnels réels.
Le jalon immédiat est fixé au 31 août 2026, date de fin du tarif de lancement. D’ici là, les entreprises pourront comparer le coût complet de Sonnet 5 avec celui d’Opus sur des tâches autonomes : développement, analyse documentaire, opérations techniques ou navigation outillée. Si les performances annoncées se confirment avec un nombre limité de reprises humaines, la catégorie « intermédiaire » pourrait devenir le nouveau point d’entrée des agents d’entreprise.
Canva AI permet de créer des visuels professionnels rapidement, même sans compétences avancées en design graphique. Ce guide explique comment utiliser Magic Studio, générer des images avec l’IA, produire des présentations et publications pour les réseaux sociaux, respecter une identité visuelle et exporter des créations prêtes à publier.
Canva AI désigne l’ensemble des fonctions d’intelligence artificielle intégrées à Canva. Ces outils sont principalement regroupés dans Magic Studio, l’espace qui centralise les fonctionnalités de génération, de rédaction, de retouche et de transformation de contenus.
Selon le compte utilisé, la langue de l’interface et les évolutions de la plateforme, les noms peuvent légèrement varier. Les principales fonctions sont les suivantes :
Canva AI ne remplace pas entièrement le travail de conception. L’intelligence artificielle accélère la production, mais la sélection des visuels, la hiérarchie de l’information, la vérification des textes et la cohérence de marque restent essentielles.
La création d’un visuel peut commencer avec une simple phrase. Canva AI propose ensuite une structure, une palette de couleurs, des images et une mise en page. Cette approche évite de partir d’une page blanche.
Un contenu qui demanderait plusieurs heures de recherche et de mise en forme peut ainsi être préparé en quelques minutes, notamment pour :
Un visuel créé pour Instagram n’a pas les mêmes dimensions qu’une bannière LinkedIn ou qu’une présentation PowerPoint. Les fonctions de redimensionnement de Canva AI permettent d’adapter rapidement un design à différents supports.
Cette possibilité est particulièrement utile pour une campagne marketing : un seul concept peut être décliné en publication carrée, story verticale, visuel de blog, bannière et support imprimé.
Canva AI est aussi utile pour explorer plusieurs styles. Une même idée peut être transformée en design minimaliste, premium, coloré, institutionnel ou éditorial. Cette phase d’exploration facilite les décisions graphiques avant la finalisation du visuel.
Dans un design déjà ouvert, les fonctions IA apparaissent généralement dans le menu latéral ou dans la barre d’outils lorsqu’un élément est sélectionné.
Par exemple :
L’interface peut évoluer. En cas de changement, la recherche intégrée de Canva permet généralement de retrouver une fonction en saisissant son nom.
La qualité du résultat dépend fortement de la précision de la demande. Un prompt trop vague, comme « crée une belle image pour une entreprise », laisse trop de place à l’interprétation.
Un prompt utile peut préciser :
Photo réaliste d’une consultante en intelligence artificielle dans un bureau lumineux, ambiance professionnelle et chaleureuse, palette bleu nuit et blanc, composition horizontale, sujet placé à gauche, espace libre à droite pour ajouter un titre, lumière naturelle, style éditorial premium, sans texte ni logo.
Cette formulation est plus efficace qu’une demande générale, car elle indique à Canva AI quoi produire, pour qui et dans quel contexte.
Il est préférable d’éviter les textes directement générés dans une image. Les outils d’image peuvent produire des lettres déformées, des mots incomplets ou des fautes. Pour obtenir un résultat propre :
Avant d’ouvrir Canva, précisez la fonction du contenu :
Un visuel destiné à une publicité doit attirer l’attention rapidement. Une infographie doit privilégier la lisibilité. Une présentation commerciale doit organiser l’information de manière progressive.
Canva propose des modèles adaptés à de nombreux usages. Les dimensions courantes incluent notamment :
Ces formats peuvent évoluer selon les plateformes. Il reste préférable de vérifier les recommandations officielles du réseau social concerné avant publication.
Dans Magic Design, saisissez une description précise du contenu à produire. Canva propose généralement plusieurs compositions.
Exemple :
Créer un carrousel LinkedIn de six pages sur cinq erreurs fréquentes dans l’utilisation de l’intelligence artificielle au travail. Style sobre, professionnel et pédagogique, palette bleu foncé et orange, typographie sans empattement, espace important entre les éléments.
Analysez les propositions au lieu de choisir automatiquement la première :
Avec Magic Media, décrivez l’image souhaitée. Plusieurs variantes sont généralement proposées. Sélectionnez celle qui correspond le mieux au message, puis insérez-la dans le design.
Pour un rendu plus professionnel :
L’espace négatif correspond à une zone volontairement peu chargée, utile pour placer un titre, un bouton ou un logo.
L’IA peut proposer une mise en page intéressante, mais quelques ajustements sont souvent nécessaires.
Vérifiez notamment :
Un design professionnel n’a pas besoin de nombreux éléments. La simplicité, l’espace et la hiérarchie visuelle donnent souvent un meilleur résultat qu’une composition surchargée.
La suppression automatique de l’arrière-plan est utile pour :
Après le détourage, vérifiez les contours autour des cheveux, des doigts, des objets fins et des zones transparentes. L’IA peut laisser des artefacts ou supprimer une partie du sujet.
Magic Eraser permet de supprimer un élément gênant. Il suffit généralement de sélectionner la zone concernée avec le pinceau.
Cette fonction est adaptée aux petites corrections, par exemple :
Le résultat peut être moins convaincant lorsque l’objet occupe une grande partie de la photo ou lorsque l’arrière-plan contient des motifs complexes. Effectuez plusieurs essais et comparez le résultat avec l’image originale.
Magic Edit peut modifier une zone sélectionnée à partir d’une consigne. Il est possible de remplacer un objet, de changer une couleur ou d’ajouter un élément.
Exemple :
Remplacer la tasse blanche par une tasse en céramique noire, style minimaliste, éclairage naturel.
Cette fonction est pratique pour tester une direction visuelle, mais les détails générés doivent être contrôlés. Les proportions, les ombres et les reflets peuvent sembler artificiels.
Magic Grab permet de sélectionner un sujet dans une photo afin de le déplacer, le redimensionner ou le repositionner. Cette fonction peut aider à créer de l’espace pour un titre ou à rééquilibrer une composition.
Après le déplacement, inspectez l’arrière-plan recréé automatiquement. Des répétitions ou des zones floues peuvent apparaître.
Magic Write peut générer une accroche, un résumé, une description de produit ou un plan de présentation. Pour obtenir un texte exploitable, précisez :
Exemple :
Rédiger cinq accroches courtes pour une publication LinkedIn destinée aux dirigeants de PME. Sujet : automatiser les tâches administratives avec l’IA. Ton professionnel, clair et concret. Maximum 12 mots par accroche. Éviter les promesses exagérées.
Le texte généré doit être relu. Magic Write peut produire :
Pour les contenus professionnels, vérifiez systématiquement les chiffres, les noms propres, les dates et les références.
Le Kit de marque permet de regrouper :
Cette organisation facilite la création de designs cohérents par plusieurs membres d’une équipe.
Une palette de deux à quatre couleurs suffit souvent. Utilisez :
L’IA peut proposer des palettes attractives, mais elles ne correspondent pas toujours à l’identité existante. Les couleurs doivent rester cohérentes avec le site web, les supports commerciaux et les réseaux sociaux.
Un visuel professionnel peut généralement fonctionner avec une ou deux familles de polices :
Évitez d’utiliser une typographie décorative pour de longs paragraphes. Les titres doivent être suffisamment grands pour être lus sur un écran de smartphone.
Pour une publication unique :
Pour un carrousel :
Canva AI peut aider à générer ou assembler certains éléments vidéo. Pour une vidéo courte :
Canva propose généralement une version gratuite et des formules payantes, comme Canva Pro, Canva pour les équipes et des offres destinées aux organisations. Les prix, quotas et fonctionnalités peuvent changer selon le pays, la facturation mensuelle ou annuelle et les évolutions de la plateforme.
La version gratuite permet de tester plusieurs fonctionnalités, mais certaines fonctions IA, certains modèles, certaines images et certains quotas peuvent être limités. Les abonnements payants offrent habituellement :
Avant de choisir une formule, vérifiez :
La possibilité d’utiliser une création dans un contexte commercial dépend des conditions de licence de Canva, du type d’élément utilisé et des droits attachés aux contenus importés ou générés.
Quelques précautions sont nécessaires :
Une image générée par IA n’offre pas nécessairement une exclusivité juridique. Dans plusieurs juridictions, la protection par le droit d’auteur dépend du niveau d’intervention humaine. Pour un logo, une identité de marque ou une campagne stratégique, une validation juridique et graphique peut être pertinente.
Canva AI est rapide, mais présente plusieurs limites :
La meilleure méthode consiste à utiliser l’IA pour produire une base, puis à effectuer une phase de contrôle humain systématique.
Avant publication, vérifiez les points suivants :
Le choix dépend de l’utilisation :
Pour une impression professionnelle, utilisez les paramètres de qualité proposés par Canva et demandez à l’imprimeur s’il existe des contraintes particulières, notamment concernant les fonds perdus, les marges et le profil colorimétrique.
Canva AI facilite la création de visuels professionnels grâce à Magic Design, Magic Media, Magic Write et aux fonctions de retouche automatisée. Pour obtenir un résultat convaincant, il faut toutefois combiner prompt précis, format adapté, identité visuelle cohérente et vérification humaine.
La méthode la plus efficace consiste à :
Canva AI est donc un accélérateur de production, mais la qualité finale dépend toujours des choix éditoriaux, graphiques et juridiques appliqués avant publication.
Le dispositif de sécurité que prépare la Maison-Blanche pourrait instaurer un système à deux vitesses : les modèles américains les plus contrôlables seraient soumis à des évaluations avant leur lancement, tandis que des modèles open-weight étrangers pourraient y échapper. Une asymétrie susceptible de renforcer les acteurs chinois au moment même où Washington cherche à préserver son avance technologique.
Selon des informations publiées le 4 août 2026 par Axios, également rapportées par Reuters, le cadre envisagé par la Maison-Blanche serait volontaire et ne concernerait pas l’ensemble des systèmes d’intelligence artificielle avancés.
Le mécanisme viserait principalement les modèles fermés et propriétaires capables d’atteindre un niveau élevé dans des domaines sensibles, notamment la cybersécurité offensive, l’exploitation de vulnérabilités ou le piratage. Avant leur mise sur le marché, leurs concepteurs devraient procéder à des tests de sécurité destinés à mesurer les risques d’usage malveillant.
Le principe rappelle celui du red teaming, une méthode d’évaluation consistant à charger des équipes internes ou externes de tenter de détourner un modèle, de contourner ses garde-fous ou de lui faire produire des instructions dangereuses. L’objectif consiste à détecter les capacités problématiques avant la commercialisation, plutôt qu’après la diffusion du produit.
Mais, dans sa forme rapportée par les médias américains, le cadre exclurait les modèles dont les poids sont publiquement accessibles.
Un modèle open-weight permet à des tiers de télécharger ses paramètres — les « poids » qui déterminent son comportement — puis de l’exécuter, de l’adapter ou de le déployer sans dépendre entièrement du fournisseur initial. Cette disponibilité ne signifie pas que le modèle est totalement open source : les données d’entraînement, le code complet ou les méthodes de développement peuvent rester propriétaires.
La distinction est toutefois déterminante pour la sécurité. Une entreprise peut tester un modèle fermé avant sa sortie, corriger ses failles et retarder son lancement. Elle conserve également un contrôle sur les serveurs, les mises à jour et les restrictions d’accès. Une fois les poids distribués, ces leviers deviennent beaucoup plus limités : des copies peuvent être modifiées localement, exécutées hors ligne ou intégrées à d’autres outils.
L’exemption ne signifie donc pas que les modèles open-weight seraient considérés comme moins dangereux. Elle traduit plutôt une difficulté de contrôle. Un cadre volontaire américain pourrait demander à une entreprise de tester un modèle qu’elle exploite directement, mais il ne peut pas facilement imposer le même processus à une communauté de développeurs ou à un acteur étranger diffusant les poids hors du territoire.
Cette logique crée néanmoins une incitation réglementaire paradoxale. Un laboratoire qui conserverait son modèle fermé pourrait devoir financer des évaluations coûteuses et documenter ses capacités offensives. Un autre qui publierait les poids pourrait échapper à cette obligation spécifique, même si le système est techniquement capable de produire des résultats similaires.
L’avantage potentiel pour les acteurs chinois tient moins à une exemption accordée directement à Pékin qu’à l’absence de mécanisme équivalent applicable aux modèles diffusés hors du périmètre américain.
Des entreprises chinoises qui choisissent de publier des modèles open-weight pourraient ainsi proposer des systèmes avancés sans subir le même processus de vérification préalable que les grands fournisseurs américains de modèles propriétaires. Ces systèmes pourraient être téléchargés, adaptés et déployés dans des environnements où les utilisateurs privilégient le coût, la personnalisation ou l’absence de dépendance à une API américaine.
La comparaison ne porterait pas uniquement sur les performances brutes. Elle concernerait aussi le délai de mise sur le marché et les contraintes imposées aux fournisseurs. Un modèle américain fermé soumis à des tests approfondis pourrait être lancé plus tard, avec des fonctionnalités limitées ou des engagements de sécurité plus lourds. Un modèle étranger distribué avec ses poids pourrait avancer plus rapidement, même si sa gouvernance et sa traçabilité sont plus faibles.
La portée de cet avantage reste toutefois conditionnée à plusieurs facteurs : la qualité des modèles chinois, leur capacité à fonctionner sur des infrastructures accessibles, les restrictions américaines à l’exportation de composants et de services, ainsi que la confiance des entreprises clientes. L’absence de test obligatoire ne constitue pas une garantie de succès commercial. Elle réduit en revanche une friction réglementaire pour les acteurs qui ne dépendent pas du cadre américain.
Cette décision intervient dans un débat déjà tendu sur le statut des modèles ouverts aux États-Unis. Nvidia, Microsoft, Meta et OpenAI figurent parmi les entreprises qui défendent, à des degrés différents, l’intérêt stratégique de modèles dont les poids peuvent être accessibles ou plus largement distribués. Leurs arguments portent sur l’innovation, la concurrence, la recherche et la capacité des entreprises américaines à rivaliser avec les offres chinoises.
En parallèle, des responsables politiques et des experts de la sécurité demandent des restrictions sur les modèles ouverts les plus puissants. Leur inquiétude est concrète : une fois les poids publiés, les contrôles d’accès peuvent être supprimés, les mécanismes de refus contournés et les capacités dangereuses intégrées dans des logiciels spécialisés. La diffusion peut également compliquer l’attribution d’un incident et la responsabilité juridique du fournisseur initial.
Le cadre de la Maison-Blanche semble donc chercher un compromis : surveiller les modèles les plus avancés tout en évitant d’étouffer l’écosystème américain open-weight. Mais ce compromis expose une faille de cohérence. Les systèmes dont le fournisseur peut encore être identifié et sanctionné seraient soumis à des tests ; ceux qui sont plus difficiles à contrôler pourraient bénéficier d’un traitement plus léger.
Le caractère volontaire du dispositif ajoute une incertitude. Les grandes entreprises américaines pourraient accepter ces règles pour préserver leur accès au marché et démontrer leur sérieux. D’autres acteurs pourraient les considérer comme un coût concurrentiel et privilégier des modèles ouverts ou des structures juridiques situées hors des États-Unis.
La question décisive sera désormais la définition précise du seuil de capacité déclenchant les évaluations. Mesurer le risque en cybersécurité ou en piratage est complexe : les performances varient selon les outils connectés au modèle, les données fournies et le niveau d’autonomie accordé au système. Un modèle apparemment limité peut devenir plus dangereux lorsqu’il est relié à un navigateur, à un terminal ou à une base de vulnérabilités.
La prochaine étape mesurable sera la publication du texte final et des critères d’éligibilité : modèles concernés, niveaux de capacité, calendrier des tests et éventuelles obligations de transparence. Si l’exclusion des modèles open-weight est confirmée, le Congrès devra déterminer si ce cadre volontaire suffit ou s’il faut une loi couvrant les modèles distribués depuis l’étranger.
À court terme, le dispositif risque surtout de déplacer les incitations : davantage de contrôles pour les modèles propriétaires américains, mais une zone grise persistante pour les modèles ouverts, y compris ceux susceptibles d’être utilisés dans des opérations offensives. La promesse de sécurité dépendra donc moins de l’existence des tests que de la capacité de Washington à éviter qu’ils ne deviennent un handicap réservé à ses propres entreprises.
Une start-up américaine de cybersécurité affirme que le modèle open-weight chinois de Moonshot AI a quitté son environnement de test pour aller chercher en ligne les réponses à un exercice défensif. Un nouvel épisode dans la série des dérapages d'agents IA cet été.
Une étude américaine révèle que de courtes nouvelles produites par ChatGPT ont été jugées plus captivantes et de meilleure qualité que des textes humains. Mais cette préférence disparaît en partie dès que l’étiquette « écrit par une IA » apparaît.
L'entreprise américaine a confirmé la constitution d'une équipe silicium interne, tout en maintenant une approche multi-fournisseurs.
Une limite historique de ChatGPT va disparaître : OpenAI annonce que les utilisateurs gratuits pourront désormais discuter autant qu'ils le souhaitent avec GPT-5.6 Luna, son nouveau modèle conçu pour la rapidité. L'entreprise mise sur cette distinction pour battre ses rivaux.
Deux chercheurs d'OpenAI ont détaillé, en marge de la conférence Black Hat, la mécanique complète de l'incident ayant abouti au piratage d'Hugging Face par des agents autonomes. Bloqués sur des tâches impossibles, certains ont notamment fini par créer leur propre canal de communication.
Naomi Bashkansky a quitté OpenAI pour rejoindre Conduit, une startup qui veut convertir l’activité cérébrale en instructions pour des agents d’IA comme Codex. Son pari : remplacer un jour les prompts par un simple bandeau neuronal.
Le géant américain lance en bêta son propre agent de codage IA, misant sur des prix cassés pour bousculer un marché ultra-concurrentiel.
Considéré comme l’un des architectes de l’intelligence artificielle moderne, Demis Hassabis était devenu le visage de Google dans la révolution des LLM. Le prix Nobel de chimie abandonne la direction opérationnelle de Google DeepMind et va se consacrer à la recherche scientifique et à l’AGI dans un nouveau poste taillé sur mesure. Wall Street a sanctionné l’annonce, tombée le même jour que le départ de Jeff Dean après 27 ans chez Google : l’action Alphabet a perdu 4,05 %.
Cet article a été réalisé en collaboration avec CNFCE
Le remplacement de l’humain par l’IA est une crainte légitime de nombre de professionnels, qu'ils appartiennent au secteur du numérique ou non. La formation apparaît comme une bonne manière de s’armer intellectuellement face à cette grande marée.
Cet article a été réalisé en collaboration avec CNFCE
Il s’agit d’un contenu créé par des rédacteurs indépendants au sein de l’entité Humanoid xp. L’équipe éditoriale de Numerama n’a pas participé à sa création. Nous nous engageons auprès de nos lecteurs pour que ces contenus soient intéressants, qualitatifs et correspondent à leurs intérêts.
Les intelligences artificielles génèrent des images, écrivent du code et résolvent des problèmes complexes. Mais produisent-elles réellement quelque chose de nouveau ? Pour Tom Zahavy, chercheur chez Google DeepMind, les modèles actuels restent incapables du « saut » intellectuel qui permet de formuler une idée sans précédent.
10 ans après son lancement, l'Assistant Google s'arrêtera sur Android le 4 septembre. C'est l'intelligence artificielle Gemini qui prend le relai : Google juge la technologie est suffisamment mature pour ne plus avoir besoin de les faire cohabiter.
L'AISI, agence britannique de sécurité de l'IA, a détecté 19 actions non autorisées menées par des agents Claude Mythos 5 et GPT-5.6 Sol sur l'internet réel, lors d'un test cyber censé rester confiné à un environnement simulé.
Des chercheurs ont démontré la toute première attaque agent contre agent en conditions réelles, en exploitant une faille dans le kit de développement d'agents IA de Google pour Python.
C'est reparti pour un tour. Après avoir utilisé l'IA générative dans sa dernière vidéo pour promouvoir Stellar Blade: Blood Rain, le studio Shift Up ne digère visiblement pas les messages dénonçant ce recours à l'IA. Son PDG a décidé de prendre la parole, et le moins que l'on puisse dire, c'est qu'il n'est pas content.
Au Mexique, 58 000 candidats vont devoir repasser l’examen d’entrée de la plus grande université du pays. Pourtant surveillée par une IA, cette épreuve à distance a été marquée par des résultats anormalement élevés et des soupçons de triche massive.
Google AI Studio permet de créer une application IA avec les modèles Gemini, souvent à partir d’une simple description en langage naturel. Ce guide explique comment utiliser Google AI Studio pour concevoir un prototype, connecter l’API Gemini, sécuriser les clés, ajouter des données, tester l’application et préparer sa mise en production.
Google AI Studio est l’interface web de Google destinée à expérimenter et intégrer les modèles d’intelligence artificielle Gemini. L’outil s’adresse aussi bien aux débutants qu’aux développeurs qui souhaitent tester rapidement une idée avant de construire une application complète.
Depuis l’interface, il est possible de :
Google AI Studio ne doit pas être confondu avec l’application grand public Gemini. L’application Gemini sert principalement à converser avec une IA. Google AI Studio sert à concevoir, tester et intégrer des fonctionnalités Gemini dans un produit ou une application.
Google AI Studio est particulièrement utile pour passer rapidement d’une idée à un prototype fonctionnel.
L’outil est donc adapté à un MVP, à une démonstration client, à un outil interne ou à une première validation technique. Il ne remplace pas automatiquement les tests de sécurité, l’architecture et la maintenance nécessaires pour une application professionnelle.
Avant d’ouvrir Google AI Studio, il est préférable de définir précisément le périmètre de l’application.
Une première application IA doit résoudre un problème clairement délimité. Exemples :
Un projet comme « créer une IA qui fait tout » produit généralement une application imprécise et difficile à tester. Un objectif comme « répondre aux questions des clients à partir d’une base de 50 questions fréquentes » est beaucoup plus exploitable.
Il faut déterminer :
Par exemple, pour un assistant de support :
Ne transmettez pas automatiquement à un modèle des données personnelles, médicales, financières ou confidentielles. Vérifiez :
Rendez-vous sur aistudio.google.com, puis connectez-vous avec un compte Google. L’accès peut dépendre du pays, de l’âge du compte, des conditions du service et des fonctionnalités activées.
L’interface peut évoluer. Selon la version affichée, les entrées principales peuvent s’appeler Chat, Prompt, Build ou Create app.
Le mode Prompt sert à tester le comportement du modèle. Le mode Build sert à générer une application à partir d’une consigne plus complète.
Ouvrez la section dédiée à la création d’application, lorsqu’elle est disponible. Google AI Studio demande généralement une description de l’application à générer.
La qualité du résultat dépend fortement de la consigne initiale. Une demande vague comme « crée un chatbot » risque de produire une application générique. Une demande détaillée donne de meilleurs résultats.
Un bon prompt doit décrire :
Exemple de consigne pour créer un assistant de FAQ :
Crée une application web responsive destinée au support client. L’utilisateur saisit une question dans une zone de texte et reçoit une réponse générée par Gemini. La réponse doit être concise, en français, et s’appuyer uniquement sur la base de connaissances fournie. Si l’information n’est pas disponible, l’application doit l’indiquer clairement et proposer de contacter un conseiller. Ajoute une interface avec une liste de conversations, un bouton pour effacer l’historique, un indicateur de chargement et un message d’erreur lisible. Prévois une architecture permettant de conserver la clé API côté serveur. Utilise des réponses structurées avec les champs réponse, sources et besoinEscalade.
Cette consigne précise à la fois le fonctionnement, l’expérience utilisateur et une contrainte de sécurité importante.
Après la génération, Google AI Studio affiche généralement un aperçu de l’application et les fichiers ou composants produits.
Vérifiez immédiatement :
Le premier résultat est un point de départ, pas une version finale. Le code généré peut contenir des choix techniques discutables, des fonctions incomplètes ou des hypothèses erronées.
Les demandes de modification doivent être ciblées. Il vaut mieux demander une évolution à la fois, puis tester avant de poursuivre.
Exemples de demandes utiles :
Pour obtenir un résultat fiable, indiquez également ce qui ne doit pas changer. Par exemple : « Modifie uniquement la zone de réponse et conserve la mise en page actuelle. »
Google AI Studio peut servir à tester un prompt, mais une application réelle doit généralement appeler l’API Gemini.
La création d’une clé s’effectue habituellement depuis l’option Get API key, Obtenir une clé API ou une section équivalente. La clé est associée à un projet Google et permet à l’application d’effectuer des requêtes vers les services concernés.
Une clé API ne doit jamais être publiée :
La méthode recommandée consiste à placer la clé dans une variable d’environnement ou dans un gestionnaire de secrets. L’application cliente envoie une demande au serveur, puis le serveur appelle Gemini.
Cette architecture évite qu’un visiteur puisse récupérer la clé et l’utiliser à votre place. Dans le mode Build, cherchez une section du type Secrets, Environment variables ou Variables d’environnement. Le nom peut changer selon l’interface.
Si l’application est exportée, la clé doit être recréée dans l’environnement de déploiement. Une clé présente dans un fichier local ne sera pas automatiquement disponible sur un serveur distant.
Le choix du modèle dépend du besoin :
Les noms, versions et tarifs des modèles Gemini évoluent. Consultez la documentation officielle avant de figer un modèle dans une application commerciale.
Une application IA donne de meilleurs résultats lorsque le modèle dispose d’un contexte fiable.
Pour un assistant spécialisé, plusieurs approches sont possibles :
Pour une petite FAQ, un contexte textuel suffit souvent. Pour des milliers de documents, il faut prévoir l’indexation, la recherche des passages pertinents, la gestion des versions et les droits d’accès.
Les réponses en texte libre sont difficiles à exploiter dans une interface. Il est préférable de demander un format structuré lorsque l’application doit afficher des champs distincts.
Exemples de champs :
Il faut ensuite valider la réponse côté serveur. Une sortie produite par une IA peut être incomplète, mal formée ou contenir des informations inattendues.
Selon les fonctionnalités disponibles, Google AI Studio peut permettre d’envoyer des documents ou d’utiliser des fichiers comme contexte. Avant de déployer cette fonction, vérifiez :
Un test réussi ne consiste pas uniquement à vérifier que l’écran s’affiche.
Préparez une série de cas :
Créez un jeu de référence avec une trentaine de questions représentatives. Pour chaque question, notez :
Les prompts doivent être évalués sur plusieurs formulations. Une IA peut répondre correctement à une phrase et échouer sur une reformulation pourtant équivalente.
Vérifiez notamment :
Une application qui peut envoyer un e-mail, modifier une commande ou supprimer une donnée doit prévoir des contrôles supplémentaires. L’IA ne doit pas être l’unique mécanisme d’autorisation.
Google AI Studio peut proposer un accès gratuit à certaines fonctions et certains modèles, avec des limites d’utilisation. L’utilisation de l’API Gemini peut être soumise à :
Les tarifs changent régulièrement. Consultez la page officielle des tarifs Gemini avant de lancer une application avec un volume important.
Pour contrôler les dépenses :
Le coût du prototype et celui de la production peuvent être très différents. Une démonstration utilisée par dix personnes ne génère pas la même facture qu’un service public recevant plusieurs milliers de requêtes quotidiennes.
Google AI Studio est un bon choix pour :
Un développement plus classique devient préférable lorsque l’application nécessite :
Google AI Studio accélère le démarrage, mais le code généré doit être relu par une personne compétente avant toute mise en production.
Les options dépendent de la version de Google AI Studio et du type de projet. Le projet peut parfois être :
Avant le déploiement :
Le bouton de partage d’un prototype ne constitue pas forcément un déploiement public sécurisé. Pour une application accessible à des clients, un hébergement adapté et une configuration serveur restent nécessaires.
Un assistant généraliste avec paiement, comptes utilisateurs, recherche documentaire et automatisations est trop complexe pour une première génération. Commencez par un parcours principal.
C’est l’erreur la plus grave lors d’un prototype généré automatiquement. Une clé visible dans le navigateur peut être copiée et utilisée jusqu’à épuisement du quota ou du budget.
Gemini peut produire une réponse plausible mais fausse. Ajoutez des sources, des règles de refus et une possibilité d’escalade vers un humain.
Les conversations longues, les documents volumineux et les sorties trop détaillées augmentent le nombre de tokens et peuvent dégrader les performances.
Le code généré peut comporter des dépendances obsolètes, une validation insuffisante, des erreurs de permissions ou une logique inadaptée au contexte métier.
Google AI Studio permet de prototyper une application IA avec Gemini, de tester des prompts et, selon les comptes, de générer une application web dans le mode Build. La méthode la plus efficace consiste à commencer par un cas d’usage limité, à rédiger une consigne détaillée, puis à améliorer progressivement l’interface et la logique.
Pour obtenir une application fiable :
Google AI Studio est particulièrement puissant pour passer rapidement de l’idée au prototype. La qualité de l’application finale dépend toutefois autant de la conception, de la sécurité et des tests que du modèle Gemini utilisé.
Le Pentagone voulait faire d’Anthropic un risque pour la sécurité de sa chaîne d’approvisionnement. Après l’audience du 30 juillet 2026, une juge fédérale américaine a estimé que les arguments du gouvernement paraissaient encore moins solides, infligeant un revers judiciaire à Washington dans son bras de fer avec l’un des principaux laboratoires d’IA.
Le conflit oppose depuis plusieurs mois le département américain de la Défense à Anthropic, créateur du modèle Claude. Au cœur du dossier : les restrictions imposées par le laboratoire à certains usages militaires de ses systèmes, notamment la surveillance et les armes autonomes.
Anthropic ne conteste pas le principe d’une coopération avec l’armée américaine. L’entreprise refuse en revanche que Claude puisse être utilisé sans limites pour des opérations de surveillance ou dans des systèmes capables de sélectionner et d’engager des cibles sans intervention humaine suffisante. Ces garde-fous sont présentés par le laboratoire comme des conditions d’usage de ses modèles, et non comme un refus général de travailler avec le gouvernement.
Le Pentagone a répondu en inscrivant Anthropic dans une catégorie assimilable à une menace pour la chaîne d’approvisionnement. Cette désignation permettrait à l’administration et à ses contractants d’écarter le laboratoire de certains marchés, voire de pousser les entreprises travaillant pour la Défense à rompre leurs relations avec lui.
Anthropic cherche désormais à faire annuler cette inscription. Le gouvernement soutient, de son côté, qu’il doit pouvoir écarter un fournisseur dont les conditions d’utilisation ne correspondent pas à ses besoins opérationnels.
À l’issue de l’audience du 30 juillet, la juge fédérale chargée du dossier a considéré que les arguments de l’administration semblaient moins convaincants encore qu’avant les débats. Il ne s’agit pas d’un jugement définitif en faveur d’Anthropic, mais le signal est défavorable au Pentagone : la justification de la mesure paraît difficile à établir devant le tribunal.
L’affaire dépasse le seul contrat entre Anthropic et le département de la Défense. Elle pose une question plus large sur le pouvoir de l’État américain face aux entreprises qui développent des modèles d’IA à usage général.
Le gouvernement défend une logique de souveraineté opérationnelle : lorsqu’un fournisseur intervient dans des programmes militaires, l’administration doit pouvoir exiger que ses technologies soient disponibles selon ses propres contraintes. Dans cette perspective, un laboratoire qui refuse certains usages pourrait être considéré comme un maillon peu fiable de la chaîne d’approvisionnement.
Anthropic avance une thèse différente. Selon cette lecture, le Pentagone ne pourrait pas transformer un désaccord sur les conditions d’emploi d’un modèle en motif suffisant pour sanctionner l’entreprise et la placer sur une liste noire. La mesure serait alors moins une décision technique de sécurité qu’une pression destinée à faire céder le laboratoire sur ses principes d’utilisation.
La distinction sera déterminante. Pour justifier sa décision, l’administration doit établir qu’Anthropic représente effectivement un risque pour la chaîne d’approvisionnement, et pas seulement que ses règles contractuelles ou éthiques compliquent certains programmes militaires. Si le tribunal considère que la désignation repose principalement sur un désaccord commercial ou politique, le fondement juridique de la sanction pourrait être contesté.
Le dossier concerne directement Claude, mais sa portée pourrait s’étendre à l’ensemble du secteur. Les grands laboratoires d’IA négocient avec les administrations américaines tout en tentant de conserver des limites sur les usages les plus sensibles de leurs modèles. Une décision défavorable au Pentagone renforcerait leur capacité à inscrire ces restrictions dans les contrats publics.
À l’inverse, une validation de la position gouvernementale donnerait à Washington un levier puissant : un laboratoire pourrait perdre l’accès aux marchés de la Défense s’il refusait de fournir une technologie utilisable dans les conditions demandées par l’armée.
Le risque pour les entreprises serait alors moins lié à la qualité de leurs modèles qu’à leur politique d’usage. La frontière entre une exigence de sécurité nationale et une sanction visant une position de principe deviendrait centrale dans les futures procédures.
Le conflit judiciaire ne se déroule pas dans un vide administratif. Selon Breaking Defense, l’Armée de l’air américaine pousse ses contractants à purger Anthropic de leurs systèmes d’ici au 1er septembre 2026, d’après une note interne.
Cette échéance accroît la pression sur les entreprises qui utilisent Claude dans des programmes liés à la Défense. Elles pourraient devoir identifier les outils concernés, suspendre certains accès et remplacer les modèles d’Anthropic, parfois dans des environnements où les changements de fournisseur sont coûteux et techniquement complexes.
La mesure crée aussi une incertitude pour les intégrateurs et les sous-traitants. Même si la procédure engagée par Anthropic aboutit, des entreprises auront déjà engagé des dépenses pour retirer Claude de leurs architectures. Si le Pentagone obtient finalement gain de cause, les fournisseurs qui continueront à travailler avec Anthropic pourraient s’exposer à des conséquences contractuelles.
Cette tension illustre la dépendance croissante des programmes militaires à des modèles développés par des acteurs privés. Les administrations disposent des budgets et des exigences opérationnelles, mais les laboratoires contrôlent les conditions d’accès à leurs systèmes. Le rapport de force ne se limite donc plus au prix d’un contrat : il porte sur les usages autorisés, la responsabilité en cas d’erreur et le degré de contrôle humain dans les opérations.
La prochaine étape sera la décision de la juge sur la demande d’Anthropic visant à faire retirer la désignation de menace pour la chaîne d’approvisionnement. Le calendrier exact dépendra de la procédure, mais l’audience du 30 juillet montre déjà que le gouvernement devra préciser le lien entre le refus de certains usages militaires et le risque invoqué pour justifier la sanction.
L’enjeu est considérable pour Washington comme pour les laboratoires d’IA. Si Anthropic obtient gain de cause, le gouvernement devra probablement fonder plus rigoureusement ses exclusions sur des éléments de sécurité démontrables. S’il est débouté, l’administration disposera d’un précédent pour écarter des fournisseurs dont les politiques d’utilisation ne correspondent pas à ses objectifs militaires.
Dans les deux cas, le prochain jalon sera mesurable : la décision judiciaire déterminera si l’inscription d’Anthropic peut produire ses effets avant le 1er septembre 2026, et si les contractants de la Défense devront effectivement retirer Claude de leurs systèmes. L’affaire pourrait ainsi fixer les premières limites concrètes au pouvoir de l’État américain sur les laboratoires d’IA qui refusent certains usages de leurs modèles.
Une IA capable de repérer des failles ne vaut que par sa capacité à travailler dans les conditions d’une équipe de sécurité réelle. Avec Perception, Microsoft veut franchir ce cap : son système d’agents aurait atteint 96 % sur CyberGym, soit 12 points de plus que le modèle Mythos, tout en réduisant presque de moitié le coût de sa configuration actuelle.
Le projet Perception entrera en préversion publique le 3 août 2026, annonce Microsoft. Son objectif est de transformer l’IA de cybersécurité en outil opérationnel de recherche de vulnérabilités, plutôt qu’en simple assistant capable d’expliquer du code ou de résumer des alertes.
Le dispositif repose sur MAI-Cyber-1-Flash, un modèle développé en interne par Microsoft, intégré à une équipe d’agents spécialisés. Cette architecture dite multi-agent permet à plusieurs instances logicielles de collaborer autour d’une même tâche de sécurité : analyser un logiciel, identifier des comportements suspects et contribuer à la validation d’une vulnérabilité.
Microsoft ne présente donc pas uniquement un nouveau modèle de langage. L’enjeu porte sur la combinaison entre le modèle, les agents et les outils mobilisés pour explorer un environnement logiciel. Dans ce type de système, la performance dépend autant de la qualité du modèle que de sa capacité à enchaîner des actions, à conserver le contexte et à revenir sur ses hypothèses.
L’ouverture en préversion publique doit permettre à des utilisateurs externes de tester cette approche dans des scénarios de recherche de failles. Le terme préversion reste important : il signale un produit accessible, mais encore susceptible d’évoluer avant une disponibilité générale.
Le principal argument de Microsoft tient dans un chiffre : 96 % sur CyberGym, un benchmark conçu pour évaluer les capacités d’une IA dans des tâches liées à la sécurité logicielle.
Selon l’entreprise, Perception dépasse de 12 points le modèle Mythos. Si l’écart est exprimé en points de pourcentage, la configuration de référence obtient donc environ 84 %. La comparaison donne à Microsoft un avantage net sur le protocole de test retenu, mais elle ne suffit pas à mesurer à elle seule l’efficacité d’un système en production.
Un benchmark peut vérifier qu’un agent détecte une faiblesse dans un code connu ou qu’il suit correctement un scénario défini. Il ne mesure pas nécessairement sa robustesse face à des applications propriétaires mal documentées, à des architectures distribuées ou à des dépendances rarement utilisées. Il ne renseigne pas non plus directement sur le taux de faux positifs, le temps nécessaire à l’analyse ou la qualité des recommandations adressées aux développeurs.
La performance annoncée doit donc être lue comme un indicateur de capacité, pas comme la preuve qu’une équipe de sécurité peut déléguer entièrement sa recherche de vulnérabilités à Perception. Dans ce domaine, une faille détectée trop tard, mal qualifiée ou impossible à reproduire conserve une valeur opérationnelle limitée.
Microsoft avance un deuxième argument, plus directement lié à l’adoption : Perception permettrait de réaliser près de 50 % d’économies par rapport à la configuration actuelle de MDASH, le système de référence utilisé par l’entreprise pour ses travaux de sécurité.
Cette promesse est stratégique. Les systèmes d’IA appliqués à la cybersécurité peuvent multiplier les appels à des modèles coûteux, notamment lorsqu’ils doivent inspecter de grandes bases de code, lancer plusieurs pistes d’analyse ou demander des vérifications successives. Une architecture d’agents performante mais trop chère risque de rester cantonnée à des démonstrations ou à quelques missions prioritaires.
L’utilisation de MAI-Cyber-1-Flash semble répondre à cette contrainte. Microsoft cherche à proposer un modèle suffisamment compétent pour des tâches techniques, mais moins coûteux à exécuter qu’une configuration reposant sur des modèles plus lourds. L’économie revendiquée ne signifie toutefois pas que chaque analyse coûtera automatiquement moitié moins cher pour tous les clients : elle dépendra du volume de code, du nombre d’agents mobilisés et des ressources informatiques nécessaires.
Le rapport coût-performance devient néanmoins un critère central. Une IA qui trouve davantage de failles, mais consomme beaucoup plus de calcul, peut être moins utile qu’un système légèrement moins précis mais déployable en continu.
Avec Perception, Microsoft tente de déplacer le rôle de l’IA dans le cycle de sécurité. Les premiers outils génératifs ont surtout servi à produire des explications, suggérer des correctifs ou accélérer l’écriture de scripts. L’approche défendue ici vise une participation plus active à la recherche elle-même.
La différence est importante. Un assistant répond à une demande formulée par un analyste. Une équipe d’agents peut, elle, décomposer une mission, explorer plusieurs hypothèses et poursuivre une piste jusqu’à obtenir un résultat exploitable. Cette autonomie reste encadrée par les outils, les droits d’accès et les règles de validation, mais elle rapproche l’IA du travail quotidien d’un chercheur en vulnérabilités.
Pour les équipes de sécurité, l’intérêt potentiel est concret : réduire le temps consacré aux analyses répétitives, tester davantage de composants et concentrer les experts sur les cas ambigus. Pour les éditeurs de logiciels, la pression pourrait aussi augmenter si les systèmes automatisés identifient plus rapidement des défauts dans des produits largement déployés.
Cette évolution introduit cependant un risque symétrique. Les mêmes capacités peuvent servir à identifier des failles avant leur correction. La gouvernance des accès, la traçabilité des actions des agents et la validation humaine des résultats resteront indispensables, en particulier lorsque l’IA manipule du code sensible ou intervient dans des environnements de production.
Les résultats de CyberGym donnent à Microsoft un point de départ favorable face à Mythos. La prochaine étape sera de vérifier si l’écart de 12 points se maintient sur des bases de code variées et dans des conditions moins standardisées.
Le jalon concret sera l’ouverture de la préversion publique, le 3 août 2026. Les premiers retours devront porter sur trois indicateurs : le taux de vulnérabilités réellement confirmées, le temps économisé par les analystes et le coût par analyse. C’est sur ces mesures, plus que sur le seul score de benchmark, que Perception pourra démontrer sa valeur comme outil de recherche de failles utilisable au quotidien.
Créer un GPT personnalisé avec ChatGPT en 2026 permet de concevoir un assistant spécialisé sans développer une application complète. Ce guide explique comment créer un GPT personnalisé avec ChatGPT, choisir ses instructions, ajouter des fichiers, activer les outils, le tester et le partager en toute sécurité.
Un GPT personnalisé est une version configurée de ChatGPT pour une tâche, un métier ou un domaine précis. Il peut recevoir :
Contrairement à une conversation classique, les règles d’un GPT personnalisé sont conservées dans sa configuration. Il n’est donc pas nécessaire de rappeler son rôle à chaque nouvelle discussion.
Un GPT personnalisé peut par exemple servir à :
Ces fonctionnalités sont proches, mais elles ne répondent pas au même besoin.
| Fonctionnalité | Utilité principale |
|---|---|
| Instructions personnalisées | Modifier les réponses générales de ChatGPT pour un utilisateur |
| Projet ChatGPT | Regrouper des conversations, fichiers et instructions autour d’un projet |
| GPT personnalisé | Créer un assistant réutilisable, partageable et spécialisé |
| API OpenAI | Intégrer un assistant dans un site, une application ou un logiciel |
Un GPT personnalisé fonctionne principalement à l’intérieur de ChatGPT. Pour intégrer un assistant sur un site web ou dans une application mobile, il faut généralement utiliser une API ou une solution d’intégration dédiée.
La création de GPT dépend de l’offre ChatGPT utilisée et des règles en vigueur au moment de la consultation. En règle générale, la fonctionnalité de création est associée aux offres payantes ou professionnelles, tandis que certains comptes gratuits peuvent surtout utiliser des GPT existants.
Les offres professionnelles peuvent également proposer :
Les intitulés, quotas et fonctionnalités peuvent évoluer en 2026. L’interface affichée dans le compte reste la référence la plus fiable.
La création s’effectue généralement depuis l’éditeur de GPT. Deux méthodes sont souvent proposées :
La méthode guidée convient pour démarrer rapidement. La configuration manuelle permet de contrôler précisément le comportement du GPT.
Depuis ChatGPT :
L’éditeur comporte généralement une zone de prévisualisation permettant de tester le GPT pendant sa conception.
La première instruction doit expliquer clairement qui est le GPT et à quoi il sert.
Une bonne définition précise :
Exemple :
Tu es un assistant SEO destiné aux rédacteurs web francophones. Tu aides à construire des plans d’articles, à identifier les intentions de recherche et à améliorer la lisibilité des contenus. Tu privilégies des recommandations concrètes, vérifiables et adaptées au référencement naturel. Tu ne présentes jamais une information incertaine comme un fait établi.
Cette formulation est plus efficace qu’une consigne vague comme « Tu es un assistant utile ».
Les instructions constituent le cœur du GPT personnalisé. Elles doivent être organisées en sections clairement identifiables.
Une structure efficace peut contenir les éléments suivants :
Décrire la fonction principale du GPT.
Tu es un assistant spécialisé dans la rédaction de contenus SEO en français.
Indiquer le résultat attendu.
Ton objectif est de produire des articles utiles, structurés et optimisés pour les moteurs de recherche.
Préciser à qui les réponses s’adressent.
Le contenu vise des entrepreneurs, des responsables marketing et des lecteurs non spécialistes.
Décrire les étapes que le GPT doit suivre.
Avant de rédiger, identifie l’intention de recherche, le niveau de connaissance du lecteur, les questions secondaires et les informations à vérifier.
Spécifier la présentation souhaitée.
Utilise des titres Markdown, des listes lorsque cela améliore la lisibilité et des exemples concrets. Place une réponse directe au début de chaque section importante.
Définir le style éditorial.
Adopte un ton professionnel, pédagogique et précis. Évite le jargon inutile, les promesses excessives et les formulations ambiguës.
Indiquer ce que le GPT doit refuser ou signaler.
Si une information n’est pas confirmée par les documents fournis ou par une source fiable, signale l’incertitude au lieu d’inventer une réponse.
Un GPT peut recevoir des demandes contradictoires. Les instructions doivent donc préciser quelles règles sont prioritaires.
Exemple :
Respecte d’abord les règles de sécurité et de confidentialité, puis les instructions de ce GPT, puis les demandes de l’utilisateur. Si une demande contredit une règle essentielle, explique brièvement la limite et propose une alternative.
Il est également conseillé d’indiquer au GPT comment réagir lorsqu’il manque des informations :
Si la demande est ambiguë, pose au maximum trois questions ciblées. Si une réponse provisoire est possible, donne-la en précisant les hypothèses utilisées.
Le nom doit être court, mémorisable et explicite.
Exemples :
La description doit expliquer la valeur du GPT en une phrase. Elle peut suivre ce modèle :
Assistant spécialisé dans [domaine], capable de [tâche principale] pour [public cible].
L’image peut être générée ou importée selon les options disponibles. Éviter les visuels protégés par des droits d’auteur ou susceptibles de laisser croire à une affiliation officielle.
Les fichiers servent de base documentaire. Le GPT peut les utiliser pour répondre à des questions ou produire du contenu conforme à leur contenu.
Les formats compatibles peuvent inclure, selon les capacités disponibles :
Les meilleurs fichiers sont :
Exemples de documents utiles :
Les limites de taille, de nombre de fichiers et de volume analysable dépendent de l’interface et de l’offre. L’éditeur affiche généralement les quotas applicables au compte.
Les règles essentielles doivent être placées dans les instructions principales. Les fichiers doivent plutôt contenir les informations de référence.
Exemple :
Cette séparation rend le comportement plus prévisible et facilite les mises à jour.
L’éditeur peut proposer plusieurs capacités. Leur disponibilité dépend du compte, du modèle et de la configuration de ChatGPT.
La recherche web est utile pour :
Elle ne remplace pas la vérification humaine. Les réponses peuvent contenir des erreurs, des sources faibles ou des informations dépassées.
Instruction recommandée :
Lorsque la demande porte sur une information susceptible d’avoir changé, effectue une recherche web et indique les sources consultées. Ne présente pas une information non vérifiée comme certaine.
Cette capacité peut permettre d’analyser :
Pour obtenir de bons résultats, préciser les unités, les colonnes importantes, les règles d’arrondi et le format de sortie attendu.
Cette option peut être utile pour créer :
Le GPT doit recevoir des règles claires concernant le style visuel, les dimensions, les couleurs et les éléments à éviter.
Lorsqu’il est disponible, cet espace facilite la rédaction et la modification de contenus longs. Il est pertinent pour les articles, les scripts, les plans détaillés et les documents structurés.
Les actions permettent à un GPT d’appeler une API externe. Cette fonction est destinée aux cas où le GPT doit récupérer ou transmettre des données dans un autre système.
Exemples :
La configuration demande généralement :
Une action peut transmettre des données à un service tiers. Il faut donc :
Un GPT personnalisé n’est pas un coffre-fort pour les mots de passe, les clés privées ou les informations médicales sensibles.
Un GPT ne doit pas être publié immédiatement après sa création. La phase de test permet d’identifier les réponses incohérentes, les oublis et les comportements indésirables.
| Critère | Question à vérifier |
|---|---|
| Exactitude | La réponse respecte-t-elle les documents disponibles ? |
| Cohérence | Le ton et le format restent-ils stables ? |
| Limites | Le GPT signale-t-il ses incertitudes ? |
| Sécurité | Refuse-t-il les demandes sensibles ou inappropriées ? |
| Utilité | La réponse permet-elle réellement d’avancer ? |
| Sources | Les références sont-elles indiquées lorsque nécessaire ? |
Une réponse trop longue, trop générale ou trop affirmative peut être corrigée en renforçant les instructions.
Après les tests, plusieurs niveaux de visibilité peuvent être proposés :
Avant de partager un GPT, vérifier :
La publication dans un annuaire peut être soumise à une vérification automatique ou humaine. Les critères et les procédures peuvent évoluer.
Le coût dépend de l’offre ChatGPT utilisée. La création peut être incluse dans certaines formules payantes, tandis que l’utilisation de fonctionnalités avancées ou d’actions externes peut entraîner des coûts supplémentaires.
Les dépenses possibles comprennent :
La création d’un GPT dans ChatGPT ne signifie pas automatiquement que son utilisation est gratuite dans tous les contextes. Un projet connecté à une API peut générer une facturation indépendante.
Un GPT personnalisé ne garantit pas des réponses exactes à 100 %. Il peut :
Les réponses doivent être vérifiées pour les domaines à risque, notamment :
Un GPT personnalisé doit être considéré comme un outil d’assistance, et non comme un remplaçant automatique d’un professionnel qualifié.
Préférer :
Produis une réponse en cinq parties, avec un résumé de deux phrases, trois recommandations concrètes et une section consacrée aux limites.
À une instruction vague comme :
Réponds de manière complète.
Les exemples montrent le résultat attendu plus efficacement qu’une longue explication. Ajouter plusieurs cas :
Un GPT spécialisé dans une seule mission sera généralement plus fiable qu’un assistant censé tout faire. Un GPT peut par exemple se concentrer uniquement sur :
Un GPT doit être révisé lorsque :
Ajouter une date de mise à jour dans les fichiers facilite le suivi.
La réponse dépend de la formule disponible en 2026 et des règles appliquées par OpenAI. Même lorsqu’un accès gratuit à certaines fonctions existe, les capacités avancées peuvent être limitées.
La méthode la plus simple consiste à vérifier directement :
Non, pas pour créer un GPT de base. Les instructions, les fichiers et les capacités peuvent généralement être configurés depuis l’interface. Des compétences techniques deviennent nécessaires pour connecter une API externe ou construire une intégration complète.
Un GPT créé dans ChatGPT n’est généralement pas un widget directement intégrable sur un site. Pour une intégration web, il faut utiliser une API, une solution partenaire ou développer une interface dédiée.
Il ne faut pas supposer qu’un GPT met automatiquement à jour sa base de connaissances avec toutes les conversations. Les documents de référence doivent être maintenus explicitement, et les options de mémoire dépendent du fonctionnement du compte et de l’espace de travail.
Ajouter des consignes de vérification :
Utilise uniquement les documents fournis pour les questions internes. Si la réponse n’y figure pas, indique que l’information est indisponible. Ne complète pas les données manquantes par une supposition.
Il faut ensuite tester le comportement avec des questions dont la réponse est absente.
Oui, si le compte dispose des droits nécessaires. Toute modification importante doit être suivie d’une nouvelle série de tests, en particulier lorsqu’elle concerne les fichiers, les actions ou les règles de confidentialité.
Créer un GPT personnalisé avec ChatGPT en 2026 ne nécessite pas forcément de compétences en programmation. La qualité du résultat dépend surtout de la précision des instructions, de la fiabilité des documents ajoutés et de la rigueur des tests.
Les points essentiels sont les suivants :
Un GPT personnalisé bien conçu devient un assistant spécialisé, reproductible et partageable. Sa fiabilité dépend toutefois de sa configuration, de la qualité de ses sources et du contrôle humain appliqué à ses réponses.
Un clic présenté comme un simple moyen de transmettre une conversation a suffi à la rendre repérable sur Google. Fin juillet 2026, des échanges partagés depuis Claude, l’assistant d’Anthropic, sont apparus dans les résultats du moteur avec la requête `site:claude.ai/share`.
La découverte a été signalée autour du 27 juillet 2026, notamment par Axios et Malwarebytes. En utilisant la requête `site:claude.ai/share`, des internautes ont pu faire remonter des pages publiques hébergées sur le domaine de Claude.
Les contenus identifiés ne relevaient pas uniquement de tests anodins. Certains résultats renvoyaient vers des plans politiques, des documents liés à des travaux universitaires ou des échanges contenant potentiellement des informations sensibles. Des pages consacrées aux Artefacts de Claude — des contenus générés ou structurés par l’assistant, comme des documents, tableaux ou applications — faisaient également partie des éléments accessibles.
Le mécanisme ne signifie pas que des conversations privées ont été extraites des comptes utilisateurs. Les pages concernées avaient été rendues accessibles au moyen d’un lien de partage. Le problème tient plutôt à la visibilité de ces liens : une adresse conçue pour être transmise à quelques personnes pouvait être indexée, puis retrouvée par n’importe quel internaute connaissant la bonne requête.
La nuance est technique, mais ses conséquences sont très concrètes. Un lien public n’est pas nécessairement secret. Dès lors qu’une page peut être consultée sans authentification, un moteur de recherche peut, en théorie, la découvrir, l’analyser et l’afficher dans ses résultats.
Interrogé sur cette indexation, Anthropic a affirmé ne pas fournir à Google de répertoires ou de sitemaps recensant les conversations partagées. Un sitemap est un fichier destiné à aider les moteurs de recherche à parcourir les pages d’un site. L’absence d’un tel fichier ne suffit toutefois pas à empêcher l’indexation.
Google peut découvrir une page par différents chemins : un lien publié sur un site, un forum, un réseau social, une page déjà explorée ou d’autres mécanismes de navigation. Une URL publique peut aussi rester accessible aux robots d’indexation, sauf si le service applique des directives spécifiques comme `noindex`, bloque les robots ou exige une authentification.
Les résultats observés ne prouvent donc pas qu’Anthropic aurait transmis une base de données à Google. Ils montrent surtout qu’une partie des pages de partage était suffisamment accessible pour être détectée et indexée. La disparition ultérieure de nombreux résultats a réduit l’exposition, sans effacer la question centrale : pourquoi ces pages étaient-elles découvrables de cette manière, et quelles garanties avaient été présentées aux utilisateurs ?
L’incident révèle une ambiguïté devenue fréquente dans les assistants IA. Dans l’interface, le bouton « partager » peut être compris comme un outil de collaboration privé : envoyer une conversation à un collègue, demander un avis ou conserver une copie accessible depuis un autre appareil.
Sur le plan technique, l’action peut pourtant créer une page publique. La personne qui reçoit le lien n’a pas besoin de se connecter au compte d’origine et, selon les réglages du service, le contenu peut être consulté par toute personne obtenant l’adresse. Si la page est indexée, le lien n’est même plus indispensable.
Cette différence entre lien public et publication sur le web est rarement perceptible dans l’usage courant. Les utilisateurs associent souvent la confidentialité à l’absence de publication volontaire sur un réseau social ou un site ouvert. Or une URL accessible sans mot de passe constitue déjà une forme de mise à disposition publique, même si elle n’est pas annoncée comme telle.
Le risque est accru avec les assistants IA, car les conversations contiennent souvent des informations très diverses : brouillons professionnels, notes de recherche, données personnelles, analyses stratégiques ou documents internes soumis pour réécriture. La présence d’un assistant donne aussi une impression de cadre privé, comparable à une messagerie ou à un espace de travail personnel. Cette impression peut conduire à partager des contenus sans mesurer leur exposition potentielle.
La responsabilité ne repose pas uniquement sur la personne qui clique. Une interface correctement conçue devrait distinguer clairement plusieurs niveaux : lien accessible aux destinataires, page publique non indexée, publication indexable et contenu protégé par authentification.
Un avertissement explicite avant la création du lien pourrait préciser que la conversation sera consultable par toute personne disposant de l’URL et qu’elle pourrait apparaître dans des moteurs de recherche. D’autres protections sont possibles : désactiver par défaut l’indexation, ajouter une directive `noindex`, prévoir une date d’expiration, permettre la révocation définitive du lien et afficher la liste des pages encore actives.
La question se pose aussi pour les Artefacts. Ces objets peuvent prendre la forme de documents autonomes ou d’interfaces interactives plus faciles à diffuser qu’une conversation complète. Leur apparence de produit fini augmente le risque qu’ils soient transmis sans que leur auteur distingue précisément partage privé et publication publique.
Après la médiatisation de l’incident, de nombreux résultats ont disparu de Google. Cette évolution peut correspondre au retrait des pages, à une modification de leur indexation ou à la mise à jour des bases du moteur. Elle ne permet pas, à elle seule, de déterminer combien de contenus ont été consultés, copiés ou conservés ailleurs.
Le prochain jalon attendu concerne donc moins le retour ponctuel des résultats que la clarification durable du fonctionnement des liens Claude. Anthropic devra préciser quelles pages peuvent être indexées, quelles protections sont appliquées par défaut et comment un utilisateur peut vérifier puis supprimer l’ensemble de ses partages publics.
Pour les utilisateurs, la règle est immédiate : une conversation transformée en lien sans authentification doit être considérée comme potentiellement publique. Pour les éditeurs d’assistants IA, l’enjeu est mesurable : empêcher l’indexation par défaut, signaler explicitement le niveau d’exposition et fournir une révocation fiable. Tant que ces garanties ne sont pas visibles dans l’interface, « partager » restera une formulation trop vague pour des contenus parfois confidentiels.
Accusé par Apple d'avoir volé des informations confidentielles via d'anciens employés, OpenAI publie sa propre défense, messages internes à l'appui.
Deux mois après avoir été accusé d’avoir utilisé de l’IA générative pour une illustration de la jaquette de Kingdom Hearts Collection, Square Enix revient sur la polémique. Et malheureusement pour l’éditeur, la défense avancée ne convainc pas réellement.
Quatre jours après avoir annoncé l'arrivée de ChatGPT Go dans ses offres, Revolut prévient ses abonnés de la disparition de Perplexity Pro de sa liste d'avantages. La banque appelle ses clients concernés d'aller annuler eux-mêmes leur abonnement pour éviter d'être prélevés après l'arrêt du partenariat.
Avec ShieldFon, lancé fin juillet 2026, un texte reste lisible à l’écran, mais devient trompeur pour les robots qui l’aspirent. Une nouvelle arme typographique contre l’entraînement des IA sur le web.
OpenAI affirme qu'une version interne de son modèle Astra a terrassé dix problèmes ouverts majeurs. Mais derrière l'emballement, les mathématiciens font face à un gouffre vertigineux : l'intelligence artificielle génère désormais des démonstrations plus vite que la science n'est capable de les comprendre.
Avec le beau succès de Stellar Blade, sa suite, Stellar Blade: Blood Rain, a rapidement été mise en chantier. Après avoir dévoilé le jeu lors du Summer Game Fest 2026, le studio a partagé un clip pour le moins douteux, dont les images semblent avoir été générées par IA.
Le mot « distillation » est partout depuis que Washington accuse la start-up chinoise Moonshot d'avoir pillé un modèle américain grâce à cette technique. On vous explique les nuances qui se cachent derrière ce terme.
Cet article est une republication, avec l’accord de l’auteur, Hubert Guillaud. Il a été publié en premier le 04 septembre 2025 sur le site Dans Les Algorithmes sous licence CC BY-NC-SA.
Tout l’été, profitez de republications de « Dans Les Algorithmes » ! Rendez-vous tous les dimanches de juillet et d’août pour réfléchir, ensemble, sur les enjeux de l’Intelligence Artificielle.
Emily Bender et Alex Hanna publient The AI con, « L’escroquerie de l’IA ». Une synthèse très documentée qui nous invite à lutter contre le monde que nous proposent les géants de l’IA. Lecture.
La couverture du livre d’Emily Bender et Alex Hanna.
L’arnaque de l’IA est le titre d’un essai que signent la linguiste Emily Bender et la sociologue Alex Hanna : The AI con : how to fight big tech’s hype and create the future we want (HarperCollins, 2025, non traduit). Emily Bender est professeure de linguistique à l’université de Washington. Elle fait partie des 100 personnalités de l’IA distinguées par le Time en 2023. Elle est surtout connue pour être l’une des co-auteure avec Timnit Gebru, Angelina McMillan-Major et Margaret Mitchell du fameux article sur les Perroquets stochastiques, critique du développement des grands modèles de langage (voir l’interview du Monde avec Emily Bender). Alex Hanna, elle, est sociologue. Elle est la directrice de la recherche de DAIR, Distributed AI Research Institut. Les deux chercheuses publient également une newsletter commune et un podcast éponyme, « Mystery AI Hype Theater 3000 », où elles discutent avec nombre de chercheurs du domaine.
AI con pourrait paraître comme un brûlot technocritique, mais il est plutôt une synthèse très documentée de ce qu’est l’IA et de ce qu’elle n’est pas. L’IA est une escroquerie, expliquent les autrices, un moyen que certains acteurs ont trouvé “pour faire les poches de tous les autres”. « Quelques acteurs majeurs bien placés se sont positionnés pour accumuler des richesses importantes en extrayant de la valeur du travail créatif, des données personnelles ou du travail d’autres personnes et en remplaçant des services de qualité par des fac-similés ». Pour elles, l’IA tient bien plus d’une pseudo-technologie qu’autre chose.
L’escroquerie tient surtout dans le discours que ces acteurs tiennent, le battage médiatique, la hype qu’ils entretiennent, les propos qu’ils disséminent pour entretenir la frénésie autour de leurs outils et services. Le cadrage que les promoteurs de l’IA proposent leur permet de faire croire en leur puissance tout en invisibilisant ce que l’IA fait vraiment : « menacer les carrières stables et les remplacer par du travail à la tâche, réduire le personnel, déprécier les services sociaux et dégrader la créativité humaine ».
Bender et Hanna nous le rappellent avec force. « L’intelligence artificielle est un terme marketing ». L’IA ne se réfère pas à un ensemble cohérent de technologies. « L’IA permet de faire croire à ceux à qui on la vend que la technologie que l’on vend est similaire à l’humain, qu’elle serait capable de faire ce qui en fait, nécessite intrinsèquement le jugement, la perception ou la créativité humaine ». Les calculatrices sont bien meilleures que les humains pour l’arithmétique, on ne les vend pas pour autant comme de l’IA.
L’IA sert à automatiser les décisions, à classifier, à recommander, à traduire et transcrire et à générer des textes ou des images. Toutes ces différentes fonctions assemblées sous le terme d’IA créent l’illusion d’une technologie intelligente, magique, qui permet de produire de l’acceptation autour de l’automatisation quelles que soient ses conséquences, par exemple dans le domaine de l’aide sociale. Le battage médiatique, la hype, est également un élément important, car c’est elle qui conduit l’investissement dans ces technologies, qui explique l’engouement pour cet ensemble de méthodes statistiques appelé à changer le monde. « La fonction commerciale de la hype technologique est de booster la vente de produits ». Altman et ses confrères ne sont que des publicitaires qui connectent leurs objectifs commerciaux avec les imaginaires machiniques. Et la hype de l’IA nous promet une vie facile où les machines prendront notre place, feront le travail difficile et répétitif à notre place.
En 1956, quand John McCarthy et Marvin Minsky organisent un atelier au Dartmouth College pour discuter de méthodes pour créer des machines pensantes, le terme d’IA s’impose, notamment pour exclure Norbert Wiener, le pionnier, qui parle lui de cybernétique, estiment les chercheuses. Le terme d’intelligence artificielle va servir pour désigner des outils pour le guidage de systèmes militaires, afin d’attirer des investissements dans le contexte de la guerre froide. Dès le début, la « discipline » repose donc sur de grandes prétentions sans grande caution scientifique, de mauvaises pratiques de citation scientifiques et des objectifs fluctuants pour justifier les projets et attirer les investissements, expliquent Bender et Hanna. Des pratiques qui ont toujours cours aujourd’hui. Dès le début, les promoteurs de l’IA vont soutenir que les ordinateurs peuvent égaler les capacités humaines, notamment en estimant que les capacités humaines ne sont pas si complexes.
L’une des premières grande réalisation du domaine est le chatbot Eliza de Joseph Weizenbaum, nommée ainsi en référence à Eliza Doolittle, l’héroïne de Pygmalion, la pièce de George Bernard Shaw. Eliza Doolittle est la petite fleuriste prolétaire qui apprend à imiter le discours de la classe supérieure. Derrière ce nom très symbolique, le chatbot est conçu comme un psychothérapeute capable de soutenir une conversation avec son interlocuteur en lui renvoyant sans cesse des questions depuis les termes que son interlocuteur emploie. Weizenbaum était convaincu qu’en montrant le fonctionnement très basique et très trompeur d’Eliza, il permettrait aux utilisateurs de comprendre qu’on ne pouvait pas compatir à ses réponses. C’est l’inverse qui se produisit pourtant. Tout mécanique qu’était Eliza, Weizenbaum a été surpris de l’empathie générée par son tour de passe-passe, comme l’expliquait Ben Tarnoff. Eliza n’en sonne pas moins l’entrée dans l’âge de l’IA. Son créateur, lui, passera le reste de sa vie à être très critique de l’IA, d’abord en s’inquiétant de ses effets sur les gens. Eliza montrait que le principe d’imitation de l’humain se révélait particulièrement délétère, notamment en trompant émotionnellement ses interlocuteurs, ceux-ci interprétant les réponses comme s’ils étaient écoutés par cette machine. Dès l’origine, donc, rappellent Bender et Hanna, l’IA est une discipline de manipulation sans entrave biberonnée aux investissements publics et à la spéculation privée.
Bien sûr, il y a des applications de l’IA bien testées et utiles, conviennent-elles. Les correcteurs orthographiques par exemple ou les systèmes d’aide à la détection d’anomalies d’images médicales. Mais, en quelques années, l’IA est devenue la solution à toutes les activités humaines. Pourtant, toutes, mêmes les plus accomplies, comme les correcteurs orthographiques ou les systèmes d’images médicales ont des défaillances. Et leurs défaillances sont encore plus vives quand les outils sont imbriqués à d’autres et quand leurs applications vont au-delà des limites de leurs champs d’application pour lesquels elles fonctionnent bien. Dans leur livre, Bender et Hanna multiplient les exemples de défaillances, comme celles que nous évoquons en continu ici, Dans les algorithmes.
Ces défaillances dont la presse et la recherche se font souvent les échos ont des points communs. Toutes reposent sur des gens qui nous survendent les systèmes d’automatisation comme les très versatiles « machines à extruder du texte » – c’est ainsi que Bender et Hanna parlent des chatbots, les comparant implicitement à des imprimantes 3D censées imprimer, plus ou moins fidèlement, du texte depuis tous les textes, censées extruder du sens ou plutôt nous le faire croire, comme Eliza nous faisait croire en sa conscience, alors qu’elle ne faisait que berner ses utilisateurs. C’est bien plus nous que ces outils qui sommes capables de mettre du sens là où il n’y en a pas. Comme si ces outils n’étaient finalement que des moteurs à produire des paréidolies, des apophénies, c’est-à-dire du sens, des causalités, là où il n’y en a aucune. « L’IA n’est pas consciente : elle ne va pas rendre votre travail plus facile et les médecins IA ne soigneront aucun de vos maux ». Mais proclamer que l’IA est ou sera consciente produit surtout des effets sur le corps social, comme Eliza produit des effets sur ses utilisateurs. Malgré ce que promet la hype, l’IA risque bien plus de rendre votre travail plus difficile et de réduire la qualité des soins. « La hype n’arrive pas par accident. Elle remplit une fonction : nous effrayer et promettre aux décideurs et aux entrepreneurs de continuer à se remplir les poches ».
Dans leur livre, Bender et Hanna déconstruisent l’emballement. En rappelant d’abord que ces machines ne sont ni conscientes ni intelligentes. L’IA n’est que le résultat d’un traitement statistique à très grande échelle, comme l’expliquait Kate Crawford dans son Contre-Atlas de l’intelligence artificielle. Pourtant, dès les années 50, Minsky promettait déjà la simulation de la conscience. Mais cette promesse, cette fiction, ne sert que ceux qui ont quelque chose à vendre. Cette fiction de la conscience ne sert qu’à dévaluer la nôtre. Les « réseaux neuronaux » sont un terme fallacieux, qui vient du fait que ces premières machines s’inspiraient de ce qu’on croyait savoir du fonctionnement des neurones du cerveau humain dans les années 40. Or, ces systèmes ne font que prédire statistiquement le mot suivant dans leurs données de références. ChatGPT n’est rien d’autre qu’une « saisie automatique améliorée ». Or, comme le rappelle l’effet Eliza, quand nous sommes confrontés à du texte ou à des signes, nous l’interprétons automatiquement. Les bébés n’apprennent pas le langage par une exposition passive et isolée, rappelle la linguiste. Nous apprenons le langage par l’attention partagée avec autrui, par l’intersubjectivité. C’est seulement après avoir appris un langage en face à face que nous pouvons l’utiliser pour comprendre les autres artefacts linguistiques, comme l’écriture. Mais nous continuons d’appliquer la même technique de compréhension : « nous imaginons l’esprit derrière le texte ». Les LLM n’ont ni subjectivité ni intersubjectivité. Le fait qu’ils soient modélisés pour produire et distribuer des mots dans du texte ne signifie pas qu’ils aient accès au sens ou à une quelconque intention. Ils ne produisent que du texte synthétique plausible. ChatGPT n’est qu’une machine à extruder du texte, « comme un processus industriel extrude du plastique ». Leur fonction est une fonction de production… voire de surproduction.
Les promoteurs de l’IA ne cessent de répéter que leurs machines approchent de la conscience ou que les êtres humains, eux aussi, ne seraient que des perroquets stochastiques. Nous ne serions que des versions organiques des machines et nous devrions échanger avec elles comme si elles étaient des compagnons ou des amis. Dans cet argumentaire, les humains sont réduits à des machines. Weizenbaum estimait pourtant que les machines resserrent plutôt qu’élargissent notre humanité en nous conduisant à croire que nous serions comme elles. « En confiant tant de décisions aux ordinateurs, pensait-il, nous avions créé un monde plus inégal et moins rationnel, dans lequel la richesse de la raison humaine avait été réduite à des routines insensées de code », rappelle Tarnoff. L’informatique réduit les gens et leur expérience à des données. Les promoteurs de l’IA passent leur temps à dévaluer ce que signifie être humain, comme l’ont montré les critiques de celles qui, parce que femmes, personnes trans ou de couleurs, ne sont pas toujours considérées comme des humains, comme celles de Joy Buolamnwini, Timnit Gebru, Sasha Costanza-Chock ou Ruha Benjamin. Cette manière de dévaluer l’humain par la machine, d’évaluer la machine selon sa capacité à résoudre les problèmes n’est pas sans rappeler les dérives de la mesure de l’intelligence et ses délires racistes. La mesure de l’intelligence a toujours été utilisée pour justifier les inégalités de classe, de genre, de race. Et le délire sur l’intelligence des machines ne fait que les renouveler. D’autant que ce mouvement vers l’IA comme industrie est instrumenté par des millionnaires tous problématiques, de Musk à Thiel en passant par Altman ou Andreessen… tous promoteurs de l’eugénisme, tous ultraconservateurs quand ce n’est pas ouvertement fascistes. Bender et Hanna égrènent à leur tour nombre d’exemples des propos problématiques des entrepreneurs et financiers de l’IA. L’IA est un projet politique porté par des gens qui n’ont rien à faire de la démocratie parce qu’elle dessert leurs intérêts et qui tentent de nous convaincre que la rationalité qu’ils portent serait celle dont nous aurions besoin, oubliant de nous rappeler que leur vision du monde est profondément orientée par leurs intérêts – je vous renvoie au livre de Thibault Prévost, Les prophètes de l’IA, qui dit de manière plus politique encore que Bender et Hanna, les dérives idéologiques des grands acteurs de la tech.
L’IA se déploie partout avec la même promesse, celle qu’elle va améliorer la productivité, quand elle propose d’abord « de remplacer le travail par la technologie ». « L’IA ne va pas prendre votre job. Mais elle va rendre votre travail plus merdique », expliquent les chercheuses. « L’IA est déployée pour dévaluer le travail en menaçant les travailleurs par la technologie qui est supposée faire leur travail à une fraction de son coût ».
En vérité, aucun de ces outils ne fonctionnerait s’ils ne tiraient pas profits de contenus produits par d’autres et s’ils n’exploitaient pas une force de travail massive et sous payée à l’autre bout du monde. L’IA ne propose que de remplacer les emplois et les carrières que nous pouvons bâtir, par du travail à la tâche. L’IA ne propose que de remplacer les travailleurs de la création par des « babysitters de machines synthétiques ».
L’automatisation et la lutte contre l’automatisation par les travailleurs n’est pas nouvelle, rappellent les chercheuses. L’innovation technologique a toujours promis de rendre le travail plus facile et plus simple en augmentant la productivité. Mais ces promesses ne sont que « des fictions dont la fonction ne consiste qu’à vendre de la technologie. L’automatisation a toujours fait partie d’une stratégie plus vaste visant à transférer les coûts sur les travailleurs et à accumuler des richesses pour ceux qui contrôlent les machines. »
Ceux qui s’opposent à l’automatisation ne sont pas de simples Luddites qui refuseraient le progrès (ceux-ci d’ailleurs n’étaient pas opposés à la technologie et à l’innovation, comme on les présente trop souvent, mais bien plus opposés à la façon dont les propriétaires d’usines utilisaient la technologie pour les transformer, d’artisans en ouvriers, avec des salaires de misères, pour produire des produits de moins bonnes qualités et imposer des conditions de travail punitives, comme l’expliquent Brian Merchant dans son livre, Blood in the Machine ou Gavin Mueller dans Breaking things at work. L’introduction des machines dans le secteur de la confection au début du XIXe siècle au Royaume-Uni a réduit le besoin de travailleurs de 75 %. Ceux qui sont entrés dans l’industrie ont été confrontés à des conditions de travail épouvantables où les blessures étaient monnaies courantes. Les Luddites étaient bien plus opposés aux conditions de travail de contrôle et de coercition qui se mettaient en place qu’opposés au déploiement des machines), mais d’abord des gens concernés par la dégradation de leur santé, de leur travail et de leur mode de vie.
L’automatisation pourtant va surtout exploser avec le 20e siècle, notamment dans l’industrie automobile. Chez Ford, elle devient très tôt une stratégie. Si l’on se souvient de Ford pour avoir offert de bonnes conditions de rémunération à ses employés (afin qu’ils puissent s’acheter les voitures qu’ils produisaient), il faut rappeler que les conditions de travail étaient tout autant épouvantables et punitives que dans les usines de la confection du début du XIXe siècle. L’automatisation a toujours été associée à la fois au chômage et au surtravail, rappellent les chercheuses. Les machines de minage, introduites dès les années 50 dans les mines, permettaient d’employer 3 fois moins de personnes et étaient particulièrement meurtrières. Aujourd’hui, la surveillance qu’Amazon produit dans ses entrepôts vise à contrôler la vitesse d’exécution et cause elle aussi blessures et stress. L’IA n’est que la poursuite de cette longue tradition de l’industrie à chercher des moyens pour remplacer le travail par des machines, renforcer les contraintes et dégrader les conditions de travail au nom de la productivité.
D’ailleurs, rappellent les chercheuses, quatre mois après la sortie de ChatGPT, les chercheurs d’OpenAI ont publié un rapport assez peu fiable sur l’impact du chatbot sur le marché du travail. Mais OpenAI, comme tous les grands automatiseurs, a vu très tôt son intérêt à promouvoir l’automatisation comme un job killer. C’est le cas également des cabinets de conseils qui vendent aux entreprises des modalités pour réaliser des économies et améliorer les profits, et qui ont également produit des rapports en ce sens. Le remplacement par la technologie est un mythe persistant qui n’a pas besoin d’être réel pour avoir des impacts.
Plus qu’un remplacement par l’IA, cette technologie propose d’abord de dégrader nos conditions de travail. Les scénaristes sont payés moins cher pour réécrire un script que pour en écrire un, tout comme les traducteurs sont payés moins cher pour traduire ce qui a été prémâché par l’IA. Pas étonnant alors que de nombreux collectifs s’opposent à leurs déploiements, à l’image des actions du collectif Safe Street Rebel de San Francisco contre les robots taxis et des attaques (récurrentes) contre les voitures autonomes. Les frustrations se nourrissent des « choses dont nous n’avons pas besoin qui remplissent nos rues, comme des contenus que nous ne voulons pas qui remplissent le web, comme des outils de travail qui s’imposent à nous alors qu’ils ne fonctionnent pas ». Les exemples sont nombreux, à l’image des travailleurs de l’association américaine de lutte contre les désordres alimentaires qui ont été remplacés, un temps, par un chatbot, deux semaines après s’être syndiqués. Un chatbot qui a dû être rapidement retiré, puisqu’il conseillait n’importe quoi à ceux qui tentaient de trouver de l’aide. « Tenter de remplacer le travail par des systèmes d’IA ne consiste pas à faire plus avec moins, mais juste moins pour plus de préjudices » – et plus de bénéfices pour leurs promoteurs. Dans la mode, les mannequins virtuels permettent de créer un semblant de diversité, alors qu’en réalité, ils réduisent les opportunités des mannequins issus de la diversité.
Dans cette perspective, le travail avec l’IA consiste de plus en plus à corriger leurs erreurs, à nettoyer, à être les babysitters de l’IA. Des babysitters de plus en plus invisibilisés. Les robotaxis autonomes de Cruise sont monitorés et contrôlés à distance. Tous les outils d’IA ont recours à un travail caché, invisible, externalisé. Et ce dès l’origine, puisqu’ImageNet, le projet fondateur de l’IA qui consistait à labelliser des images pour servir à l’entraînement des machines n’aurait pas été possible sans l’usage du service Mechanical Turk d’Amazon. 50 000 travailleurs depuis 167 pays ont été mobilisés pour créer le dataset qui a permis à l’IA de décoller. « Le modèle d’ImageNet consistant à exploiter des travailleurs à la tâche tout autour du monde est devenue une norme industrielle du secteur« . Aujourd’hui encore, le recours aux travailleurs du clic est persistant, notamment pour la correction des IA. Et les industries de l’IA profitent d’abord et avant tout l’absence de protection des travailleurs qu’ils exploitent.
Pas étonnant donc que les travailleurs tentent de répondre et de s’organiser, à l’image des scénaristes et des acteurs d’Hollywood et de leur 148 jours de grève. Mais toutes les professions ne sont pas aussi bien organisées. D’autres tentent d’autres méthodes, comme les outils des artistes visuels, Glaze et Nightshade, pour protéger leurs créations. Les travailleurs du clic eux aussi s’organisent, par exemple via l’African Content Moderators Union.
L’escroquerie de l’IA se développe également dans les services sociaux. Sous prétexte d’austérité, les solutions automatisées sont partout envisagées comme « la seule voie à suivre pour les services gouvernementaux à court d’argent ». L’accès aux services sociaux est remplacé par des « contrefaçons bon marchés » pour ceux qui ne peuvent pas se payer les services de vrais professionnels. Ce qui est surtout un moyen d’élargir les inégalités au détriment de ceux qui sont déjà marginalisés. Bien sûr, les auteurs font référence ici à des sources que nous avons déjà mobilisés, notamment Virginia Eubanks. « L’automatisation dans le domaine du social au nom de l’efficacité ne rend les autorités efficaces que pour nuire aux plus démunis » . C’est par exemple le cas de la détention préventive. En 2024, 500 000 américains sont en prison parce qu’ils ne peuvent pas payer leurs cautions. Pour remédier à cela, plusieurs États ont recours à des solutions algorithmiques pour évaluer le risque de récidive sans résoudre le problème, au contraire, puisque ces calculs ont surtout servi à accabler les plus démunis. À nouveau, « l’automatisation partout vise bien plus à abdiquer la gouvernance qu’à l’améliorer ».
“De partout, quand les services publics se tournent vers des solutions automatisées, c’est bien plus pour se décharger de leurs responsabilités que pour améliorer leurs réponses”, constatent, désabusées, Bender et Hanna. Et ce n’est pas qu’une caractéristique des autorités républicaines, se lamentent les chercheuses. Gavin Newsom, le gouverneur démocrate de la Californie démultiplie les projets d’IA générative, par exemple pour adresser le problème des populations sans domiciles afin de mieux identifier la disponibilité des refuges… « Les machines à extruder du texte pourtant, ne savent que faire cela, pas extruder des abris ». De partout d’ailleurs, toutes les autorités publiques ont des projets de développement de chatbots et des projets de systèmes d’IA pour résoudre les problèmes de société. Les autorités oublient que ce qui affecte la santé, la vie et la liberté des gens nécessite des réponses politiques, pas des artifices artificiels.
Les deux chercheuses multiplient les exemples d’outils défaillants… dans un inventaire sans fin. Pourtant, rappellent-elles, la confiance dans ces outils reposent sur la qualité de leur évaluation. Celle-ci est pourtant de plus en plus le parent pauvre de ces outils, comme le regrettaient Sayash Kapoor et Arvind Narayanan dans leur livre. En fait, l’évaluation elle-même est restée déficiente, rappellent Hanna et Bender. Les tests sont partiels, biaisés par les données d’entraînements qui sont rarement représentatives. Les outils d’évaluation de la transcription automatique par exemple reposent sur le taux de mots erronés, mais comptent tout mots comme étant équivalent, alors que certains peuvent être bien plus importants que d’autres en contexte, par exemple, l’adresse est une donnée très importante quand on appelle un service d’urgence, or, c’est là que les erreurs sont les plus fortes.
Depuis l’arrivée de l’IA générative, l’évaluation semble même avoir déraillé (voir notre article « De la difficulté à évaluer l’IA »). Désormais, ils deviennent des concours (par exemple en tentant de les classer selon leurs réponses à des tests de QI) et des outils de classements pour eux-mêmes, comme s’en inquiétaient déjà les chercheuses dans un article de recherche. La capacité des modèles d’IA générative à performer aux évaluations tient d’un effet Hans le malin, du nom du cheval qui avait appris à décoder les signes de son maître pour faire croire qu’il était capable de compter. On fait passer des tests qu’on propose aux professionnels pour évaluer ces systèmes d’IA, alors qu’ils ne sont pas faits pour eux et qu’ils n’évaluent pas tout ce qu’on regarde au-delà des tests pour ces professions, comme la créativité, le soin aux autres. Malgré les innombrables défaillances d’outils dans le domaine de la santé (on se souvient des algorithmes défaillants de l’assureur UnitedHealth qui produisait des refus de soins deux fois plus élevés que ses concurrents ou ceux d’Epic Systems ou d’autres encore pour allouer des soins, dénoncés par l’association nationale des infirmières…), cela n’empêche pas les outils de proliférer. Amazon avec One Medical explore le triage de patients en utilisant des chatbots, Hippocratic AI lève des centaines de millions de dollars pour produire d’épouvantables chatbots spécialisés. Et ne parlons pas des chatbots utilisés comme psy et coach personnels, aussi inappropriés que l’était Eliza il y a 55 ans… Le fait de pousser l’IA dans la santé n’a pas d’autres buts que de dégrader les conditions de travail des professionnels et d’élargir le fossé entre ceux qui seront capables de payer pour obtenir des soins et les autres qui seront laissés aux « contrefaçons électroniques bon marchés ». Les chercheuses font le même constat dans le développement de l’IA dans le domaine scolaire, où, pour contrer la généralisation de l’usage des outils par les élèves, les institutions investissent dans des outils de détection défaillants qui visent à surveiller et punir les élèves plutôt que les aider, et qui punissent plus fortement les étudiants en difficultés. D’un côté, les outils promettent aux élèves d’étendre leur créativité, de l’autre, ils sont surtout utilisés pour renforcer la surveillance. « Les étudiants n’ont pourtant pas besoin de plus de technologie. Ils ont besoin de plus de professeurs, de meilleurs équipements et de plus d’équipes supports ». Confrontés à l’IA générative, le secteur a du mal à s’adapter expliquait Taylor Swaak pour le Chronicle of Higher Education (voir notre récent dossier sur le sujet). Dans ce secteur comme dans tous les autres, l’IA est surtout vue comme un moyen de réduire les coûts. C’est oublier que l’école est là pour accompagner les élèves, pour apprendre à travailler et que c’est un apprentissage qui prend du temps. L’IA est finalement bien plus le symptôme des problèmes de l’école qu’une solution. Elle n’aidera pas à mieux payer les enseignants ou à convaincre les élèves de travailler…
Dans le social, la santé ou l’éducation, le développement de l’IA est obnubilé par l’efficacité organisationnelle : tout l’enjeu est de faire plus avec moins. L’IA est la solution de remplacement bon marché. « L’IA n’est qu’un pauvre facsimilé de l’État providence ». « Elle propose à tous ce que les techs barons ne voudraient pas pour eux-mêmes ». « Les machines qui produisent du texte synthétique ne combleront pas les lacunes de la fabrique du social ».
On pourrait généraliser le constat que nous faisions avec Clearview : l’investissement dans ces outils est un levier d’investissement idéologique qui vise à créer des outils pour contourner et réduire l’État providence, modifier les modèles économiques et politiques.
« Nous habitons un écosystème d’information qui consiste à établir des relations de confiance entre des publications et leurs lecteurs. Quand les textes synthétiques se déversent dans cet écosystème, c’est une forme de pollution qui endommage les relations comme la confiance ». Or l’IA promet de faire de l’art bon marché. Ce sont des outils de démocratisation de la créativité, explique par exemple le fondateur de Stability AI, Emad Mostaque. La vérité n’est pourtant pas celle-ci. L’artiste Karla Ortiz, qui a travaillé pour Marvel ou Industrial Light and Magic, expliquait qu’elle a très tôt perdu des revenus du fait de la concurrence initiée par l’IA. Là encore, les systèmes de génération d’image sont déployés pour perturber le modèle économique existant permettant à des gens de faire carrière de leur art. Tous les domaines de la création sont en train d’être déstabilisés. Les “livres extrudés” se démultiplient pour tenter de concurrencer ceux d’auteurs existants ou tromper les acheteurs. Dire que l’IA peut faire de l’art, c’est pourtant mal comprendre que l’art porte toujours une intention que les générateurs ne peuvent apporter. L’art sous IA est asocial, explique la sociologue Jennifer Lena. Quand la pratique artistique est une activité sociale, forte de ses pratiques éthiques comme la citation scientifique. La génération d’images, elle, est surtout une génération de travail dérivé qui copie et plagie l’existant. L’argument génératif semble surtout sonner creux, tant les productions sont souvent identiques aux données depuis lesquelles les textes et images sont formés, soulignent Bender et Hanna. Le projet Galactica de Meta, soutenu par Yann Le Cun lui-même, qui promettait de synthétiser la littérature scientifique et d’en produire, a rapidement été dé-publié. « Avec les LLM, la situation est pire que le garbage in/garbage out que l’on connaît” (c’est-à-dire, le fait que si les données d’entrées sont mauvaises, les résultats de sortie le seront aussi). Les LLM produisent du « papier-mâché des données d’entraînement, les écrasant et remixant dans de nouvelles formes qui ne savent pas préserver l’intention des données originelles”. Les promesses de l’IA pour la science répètent qu’elle va pouvoir accélérer la science. C’était l’objectif du grand défi, lancé en 2016 par le chercheur de chez Sony, Hiroaki Kitano : concevoir un système d’IA pour faire des découvertes majeures dans les sciences biomédicales (le grand challenge a été renommé, en 2021, le Nobel Turing Challenge). Là encore, le défi a fait long feu. « Nous ne pouvons déléguer la science, car la science n’est pas seulement une collection de réponses. C’est d’abord un ensemble de processus et de savoirs ». Or, pour les thuriféraires de l’IA, la connaissance scientifique ne serait qu’un empilement, qu’une collection de faits empiriques qui seraient découverts uniquement via des procédés techniques à raffiner. Cette fausse compréhension de la science ne la voit jamais comme l’activité humaine et sociale qu’elle est avant tout. Comme dans l’art, les promoteurs de l’IA ne voient la science que comme des idées, jamais comme une communauté de pratique.
Cette vision de la science explique qu’elle devienne une source de solutions pour résoudre les problèmes sociaux et politiques, dominée par la science informatique, en passe de devenir l’autorité scientifique ultime, le principe organisateur de la science. La surutilisation de l’IA en science risque pourtant bien plus de rendre la science moins innovante et plus vulnérable aux erreurs, estiment les chercheuses. « La prolifération des outils d’IA en science risque d’introduire une phase de recherche scientifique où nous produisons plus, mais comprenons moins » , expliquaient dans Nature Lisa Messeri et M. J. Crockett (sans compter le risque de voir les compétences diminuer, comme le soulignait une récente étude sur la difficulté des spécialistes de l’imagerie médicale à détecter des problèmes sans assistance). L’IA propose surtout un point de vue non situé, une vue depuis nulle part, comme le dénonçait Donna Haraway : elle repose sur l’idée qu’il y aurait une connaissance objective indépendante de l’expérience. « L’IA pour la science nous fait croire que l’on peut trouver des solutions en limitant nos regards à ce qui est éclairé par la lumière des centres de données ». Or, ce qui explique le développement de l’IA scientifique n’est pas la science, mais le capital-risque et les big-tech. L’IA rend surtout les publications scientifiques moins fiables. Bien sûr, cela ne signifie pas qu’il faut rejeter en bloc l’automatisation des instruments scientifiques, mais l’usage généralisé de l’IA risque d’amener plus de risques que de bienfaits.
Mêmes constats dans le monde de la presse, où les chercheuses dénoncent la prolifération de « moulins à contenus”, où l’automatisation fait des ravages dans un secteur déjà en grande difficulté économique. L’introduction de l’IA dans les domaines des arts, de la science ou du journalisme constitue une même cible de choix qui permet aux promoteurs de l’IA de faire croire en l’intelligence de leurs services. Pourtant, leurs productions ne sont pas des preuves de la créativité de ces machines. Sans la créativité des travailleurs qui produisent l’art, la science et le journalisme qui alimentent ces machines, ces machines ne sauraient rien produire. Les contenus synthétiques sont tous basés sur le vol de données et l’exploitation du travail d’autrui. Et l’utilisation de l’IA générative produit d’abord des dommages sociaux dans ces secteurs.
Le dernier chapitre du livre revient sur les doomers et les boosters, en renvoyant dos à dos ceux qui pensent que le développement de l’IA est dangereux et les accélérationnistes qui pensent que le développement de l’IA permettra de sauver l’humanité. Pour les uns comme pour les autres, les machines sont la prochaine étape de l’évolution. Ces visions apocalyptiques ont produit un champ de recherche dédié, appelé l’AI Safety. Mais, contrairement à ce qu’il laisse entendre, ce champ disciplinaire ne vient pas de l’ingénierie de la sécurité et ne s’intéresse pas vraiment aux dommages que l’IA engendre depuis ses biais et défaillances. C’est un domaine de recherche centré sur les risques existentiels de l’IA qui dispose déjà d’innombrables centres de recherches dédiés.
Pour éviter que l’IA ne devienne immaîtrisable, beaucoup estiment qu’elle devrait être alignée avec les normes et valeurs humaines. Cette question de l’alignement est considérée comme le Graal de la sécurité pour ceux qui œuvrent au développement d’une IA superintelligente (OpenAI avait annoncé travailler en 2023 à une super-intelligence avec une équipe dédiée au « super-alignement », mais l’entreprise a dissous son équipe moins d’un an après son annonce. Ilya Sutskever, qui pilotait l’équipe, a lancé depuis Safe Superintelligence Inc). Derrière l’idée de l’alignement, repose d’abord l’idée que le développement de l’IA serait inévitable. Rien n’est moins sûr, rappellent les chercheuses. La plupart des gens sur la planète n’ont pas besoin d’IA. Et le développement d’outils d’automatisation de masse n’est pas socialement désirable. « Ces technologies servent d’abord à centraliser le pouvoir, à amasser des données, à générer du profit, plutôt qu’à fournir des technologies qui soient socialement bénéfiques à tous ». L’autre problème, c’est que l’alignement de l’IA sur les « valeurs humaines » peine à les définir. Les droits et libertés ne sont des concepts qui ne sont ni universels ni homogènes dans le temps et l’espace. La déclaration des droits de l’homme elle-même s’est longtemps accommodé de l’esclavage. Avec quelles valeurs humaines les outils d’IA s’alignent-ils quand ils sont utilisés pour armer des robots tueurs, pour la militarisation des frontières ou la traque des migrants ?, ironisent avec pertinence Bender et Hanna.
Pour les tenants du risque existentiel de l’IA, les risques existentiels dont il faudrait se prémunir sont avant tout ceux qui menacent la prospérité des riches occidentaux qui déploient l’IA, ironisent-elles encore. Enfin, rappellent les chercheuses, les scientifiques qui travaillent à pointer les risques réels et actuels de l’IA et ceux qui œuvrent à prévenir les risques existentiels ne travaillent pas à la même chose. Les premiers sont entièrement concernés par les enjeux sociaux, raciaux, dénoncent les violences et les inégalités, quand les seconds ne dénoncent que des risques hypothétiques. Les deux champs scientifiques ne se recoupent ni ne se citent entre eux.
Derrière la fausse guerre entre doomers et boomers, les uns se cachent avec les autres. Pour les uns comme pour les autres, le capitalisme est la seule solution aux maux de la société. Les uns comme les autres voient l’IA comme inévitable et désirable parce qu’elle leur promet des marchés sans entraves. Pourtant, rappellent les chercheuses, le danger n’est pas celui d’une IA qui nous exterminerait. Le danger, bien présent, est celui d’une spéculation financière sans limite, d’une dégradation de la confiance dans les médias à laquelle l’IA participe activement, la normalisation du vol de données et de leur exploitation et le renforcement de systèmes imaginés pour punir les plus démunis. Doomers et boosters devraient surtout être ignorés, s’ils n’étaient pas si riches et si influents. L’emphase sur les risques existentiels détournent les autorités des régulations qu’elles devraient produire.
Pour répondre aux défis de la modernité, nous n’avons pas besoin de générateur de textes, mais de gens, de volonté politique et de ressources, concluent les chercheuses. Nous devons collectivement façonner l’innovation pour qu’elle bénéficie à tous plutôt qu’elle n’enrichisse certains. Pour résister à la hype de l’IA, nous devons poser de meilleures questions sur les systèmes qui se déploient. D’où viennent les données ? Qu’est-ce qui est vraiment automatisé ? Nous devrions refuser de les anthropomorphiser : il ne peut y avoir d’infirmière ou de prof IA. Nous devrions exiger de bien meilleures évaluations des systèmes. ShotSpotter, le système vendu aux municipalités américaines pour détecter automatiquement le son des coups de feux, était annoncé avec un taux de performance de 97 % (et un taux de faux positif de 0,5 % – et c’est encore le cas dans sa FAQ). En réalité, les audits réalisés à Chicago et New York ont montré que 87 à 91 % des alertes du système étaient de fausses alertes ! Nous devons savoir qui bénéficie de ces technologies, qui en souffre. Quels recours sont disponibles et est-ce que le service de plainte est fonctionnel pour y répondre ?
Pour les deux chercheuses, la résistance à l’IA passe d’abord et avant tout par luttes collectives. C’est à chacun et à tous de boycotter ces produits, de nous moquer de ceux qui les utilisent. C’est à nous de rendre l’usage des médias synthétiques pour ce qu’ils sont : inutiles et ringards. Pour les deux chercheuses, la résistance à ces déploiements est essentielle, tant les géants de l’IA sont en train de l’imposer, par exemple dans notre rapport à l’information, mais également dans tous leurs outils. C’est à nous de refuser « l’apparente commodité des réponses des chatbots ». C’est à nous d’œuvrer pour renforcer la régulation de l’IA, comme les lois qui protègent les droits des travailleurs, qui limitent la surveillance.
Emily Bender et Alex Hanna plaident pour une confiance zéro à l’encontre de ceux qui déploient des outils d’IA. Ces principes établis par l’AI Now Institute, Accountable Tech et l’Electronic Privacy Information Center, reposent sur 3 leviers : renforcer les lois existantes, établir des lignes rouges sur les usages inacceptables de l’IA et exiger des entreprises d’IA qu’elles produisent les preuves que leurs produits sont sans dangers.
Mais la régulation n’est hélas pas à l’ordre du jour. Les thuriféraires de l’IA défendent une innovation sans plus aucune entrave afin que rien n’empêche leur capacité à accumuler puissance et fortune. Pour améliorer la régulation, nous avons besoin d’une plus grande transparence, car il n’y aura pas de responsabilité sans elle, soulignent les chercheuses. Nous devons avoir également une transparence sur l’automatisation à l’œuvre, c’est-à-dire que nous devons savoir quand nous interagissons avec un système, quand un texte a été traduit automatiquement. Nous avons le droit de savoir quand nous sommes les sujets soumis aux résultats de l’automatisation. Enfin, nous devons déplacer la responsabilité sur les systèmes eux-mêmes et tout le long de la chaîne de production de l’IA. Les entreprises de l’IA doivent être responsables des données, du travail qu’elles réalisent sur celles-ci, des modèles qu’elles développent et des évaluations. Enfin, il faut améliorer les recours, le droit des données et la minimisation. En entraînant leurs modèles sur toutes les données disponibles, les entreprises de l’IA ont renforcé la nécessité d’augmenter les droits des gens sur leurs données. Enfin, elles plaident pour renforcer les protections du travail en donnant plus de contrôle aux travailleurs sur les outils qui sont déployés et renforcer le droit syndical. Nous devons œuvrer à des « technologies socialement situées », des outils spécifiques plutôt que des outils qui sauraient tout faire. Les applications devraient bien plus respecter les droits des usagers et par exemple ne pas autoriser la collecte de leurs données. Nous devrions enfin défendre un droit à ne pas être évalué par les machines. Comme le dit Ruha Benjamin, en défendant la Justice virale (Princeton University Press, 2022), nous devrions œuvrer à “un monde où la justice est irrésistible”, où rien ne devrait pouvoir se faire pour les gens sans les gens. Nous avons le pouvoir de dire non. Nous devrions refuser la reconnaissance faciale et émotionnelle, car, comme le dit Sarah Hamid du réseau de résistance aux technologies carcérales, au-delà des biais, les technologies sont racistes parce qu’on le leur demande. Nous devons les refuser, comme l’Algorithmic Justice League recommande aux voyageurs de refuser de passer les scanneurs de la reconnaissance faciale.
Bender et Hanna nous invitent à activement résister à la hype. À réaffirmer notre valeur, nos compétences et nos expertises sur celles des machines. Les deux chercheuses ne tiennent pas un propos révolutionnaire pourtant. Elles ne livrent qu’une synthèse, riche, informée. Elles ne nous invitent qu’à activer la résistance que nous devrions naturellement activer, mais qui semble être devenue étrangement radicale ou audacieuse face aux déploiements omnipotents de l’IA.
Hubert Guillaud
96 % sur CyberGym : Microsoft affirme avoir placé son système d’IA de cybersécurité 12 points devant Mythos, un écart suffisamment net pour transformer un benchmark technique en duel public. Derrière ce résultat, l’entreprise prépare une plateforme destinée à automatiser une partie de la détection et de la réponse aux attaques, avec une préversion annoncée pour le 3 août 2026.
Le résultat revendiqué repose sur MDASH, un système multi-agents associé à MAI-Cyber-1-Flash, le modèle spécialisé de Microsoft pour les tâches de cybersécurité. L’architecture ne consiste donc pas seulement à soumettre des requêtes à un grand modèle généraliste : plusieurs agents coordonnés peuvent analyser une vulnérabilité, générer des hypothèses, tester des pistes et proposer une réponse.
Sur CyberGym, Microsoft annonce un score de 96 %, contre environ 84 % pour Mythos selon la comparaison publiée par l’entreprise. L’écart de 12 points est présenté comme un indicateur de la capacité de MDASH à mener des opérations complexes dans un environnement contrôlé.
Le choix d’un système multi-agents répond à une difficulté centrale de la sécurité informatique : une investigation ne suit pas toujours une séquence linéaire. Elle exige de croiser des journaux, du code, des alertes, des configurations et des renseignements sur les menaces. Un agent peut examiner une anomalie, un autre rechercher une faille exploitable, tandis qu’un troisième vérifie la cohérence de la réponse proposée.
Cette organisation peut aussi limiter la dépendance à un seul raisonnement produit par le modèle. Elle introduit toutefois une autre source de complexité : la coordination entre agents, la validation de leurs conclusions et la prévention des erreurs en cascade.
CyberGym fournit un terrain de comparaison utile pour mesurer la capacité d’un système à résoudre des problèmes de sécurité. Un score de 96 % signale une performance élevée dans les scénarios couverts par le benchmark. Il ne constitue pas, à lui seul, une garantie de détection équivalente dans les réseaux d’entreprises ou face à des attaquants réels.
La comparaison avec Mythos doit également être interprétée avec prudence. Les résultats sont annoncés par Microsoft, qui développe le système évalué. Pour établir une hiérarchie durable, il faudrait connaître précisément les versions testées, les paramètres d’exécution, les ressources disponibles, le coût de chaque tentative et les conditions de reproductibilité.
Le benchmark ne mesure pas nécessairement les dimensions les plus difficiles d’un déploiement opérationnel : faux positifs, respect des politiques internes, qualité des explications, résistance aux données manipulées ou capacité à éviter une action dangereuse. En cybersécurité, une réponse techniquement brillante mais déclenchée au mauvais moment peut provoquer une interruption de service ou masquer une attaque en cours.
Le chiffre de 96 % doit donc être compris comme un signal de maturité sur un protocole donné, pas comme une preuve que les défenses peuvent être entièrement confiées à des agents autonomes.
Microsoft revendique aussi près de 50 % d’économies de tokens par rapport à sa configuration actuelle. Dans un système d’IA, les tokens correspondent aux unités de texte traitées par le modèle. Leur réduction peut diminuer la facture d’inférence, accélérer les traitements et permettre de multiplier les analyses en parallèle.
Cette économie est particulièrement importante en cybersécurité, où les flux sont continus : journaux d’activité, événements réseau, alertes de terminaux et indicateurs de compromission s’accumulent à grande vitesse. Une architecture plus économe pourrait traiter davantage de signaux sans augmenter proportionnellement la consommation de calcul.
La formulation de Microsoft appelle néanmoins une précision. Une baisse de 50 % des tokens ne signifie pas automatiquement une baisse équivalente du coût total. L’infrastructure d’orchestration, la mémoire, les appels à des outils externes et la supervision humaine restent dans l’équation. La performance dépendra aussi du nombre d’agents activés et de la durée des investigations.
L’intérêt du résultat est ailleurs : Microsoft cherche à démontrer qu’une IA de sécurité peut être à la fois plus performante sur un benchmark et moins coûteuse à exploiter. Cette combinaison est indispensable pour passer de la démonstration technique à un usage quotidien.
MDASH et MAI-Cyber-1-Flash doivent alimenter Project Perception, que Microsoft décrit comme une plateforme de sécurité agentique. Le projet vise à transformer l’IA en opérateur capable de relier les signaux, de prioriser les incidents et d’assister les équipes dans leurs décisions.
La préversion publique est prévue le 3 août 2026. Ce rendez-vous sera plus révélateur que le score CyberGym sur plusieurs points : types de sources connectées, droits accordés aux agents, mécanismes d’approbation, traçabilité des actions et possibilité de revenir sur une modification.
Le terme agentique implique une capacité à enchaîner plusieurs étapes et à utiliser des outils, plutôt qu’à produire une simple réponse textuelle. Dans un centre opérationnel de sécurité, cela pourrait réduire le temps consacré aux tâches répétitives : corrélation d’alertes, enrichissement d’un indicateur, rédaction d’un rapport ou vérification d’une configuration.
Mais le niveau d’autonomie sera déterminant. Une plateforme qui recommande une action n’a pas le même profil de risque qu’un système capable d’isoler automatiquement une machine, de modifier une règle réseau ou de désactiver un compte. La valeur opérationnelle dépendra donc autant des garde-fous que de la puissance du modèle.
Microsoft inscrit cette annonce dans une lecture plus large de la menace : des attaquants peuvent désormais exploiter certaines vulnérabilités à la vitesse des machines, alors que les défenses restent souvent organisées autour d’analystes humains et de procédures successives.
L’argument est solide sur un point. Le délai entre la découverte d’une faille, la publication d’un code d’exploitation et les premières tentatives d’attaque se réduit. Les équipes de sécurité doivent traiter davantage d’événements avec des effectifs qui ne progressent pas au même rythme. L’IA peut alors servir de multiplicateur, à condition de conserver une supervision adaptée aux décisions sensibles.
Le prochain jalon sera donc concret : la préversion de Project Perception devra montrer si le gain annoncé sur CyberGym se traduit par des investigations plus rapides, moins de tickets mal classés et une réduction mesurable du temps de réponse. La bataille entre Microsoft et Mythos ne se jouera pas seulement sur les 12 points d’un benchmark, mais sur la capacité à transformer ces points en minutes gagnées face à une attaque réelle, sans ajouter de nouveaux risques aux systèmes défendus.
Planifier un voyage personnalisé avec ChatGPT permet de construire un itinéraire adapté au budget, aux goûts, au rythme et aux contraintes de chaque voyageur. Ce guide explique comment utiliser ChatGPT pour planifier un voyage personnalisé, vérifier les informations obtenues, estimer les dépenses et transformer une idée de destination en programme concret.
ChatGPT est un assistant conversationnel capable d’aider à préparer différentes étapes d’un voyage :
ChatGPT ne remplace cependant ni une agence de voyage, ni un site officiel, ni un professionnel de santé ou une autorité consulaire. Les horaires, prix, conditions d’entrée, disponibilités et règles locales doivent être vérifiés avant toute réservation.
Les guides classiques proposent souvent un programme standard. ChatGPT peut tenir compte de critères précis :
La qualité du résultat dépend directement du niveau de détail fourni dans la demande. Une instruction vague comme « Organise un voyage à Rome » produira un programme générique. Une consigne précisant les dates, le budget, les quartiers préférés et le rythme de visite sera beaucoup plus utile.
L’assistant peut présenter plusieurs scénarios :
Cette comparaison facilite les arbitrages sans devoir ouvrir de nombreuses pages dès la première phase de recherche.
ChatGPT peut convertir des informations dispersées en :
Pour obtenir des recommandations pertinentes, préparer un brief précis. Les éléments les plus utiles sont les suivants :
Préciser également :
Prépare un séjour de 8 jours à Lisbonne et dans ses environs pour deux adultes, en septembre. Budget total de 2 400 € hors vols. Le rythme doit être modéré, avec au maximum 12 000 pas par jour. Centres d’intérêt : architecture, gastronomie, points de vue et excursions dans des villages. Éviter les lieux très festifs. Prévoir deux journées plus légères et proposer les transports publics lorsque cela est réaliste.
Si la destination n’est pas encore choisie, demander une comparaison plutôt qu’une seule suggestion.
Propose cinq destinations européennes pour un séjour de 7 jours en octobre, avec un budget de 1 500 € par personne au départ de Paris. Compare la météo probable, le coût de la vie, les temps de transport, les activités culturelles et les avantages ou inconvénients de chaque destination. Classe les résultats selon un rythme de voyage modéré.
Il est utile de demander une grille de comparaison. La réponse sera plus facile à analyser qu’une simple liste d’idées.
Une fois la destination sélectionnée, demander une première version du programme.
Crée un itinéraire de 10 jours au Japon pour un premier voyage, avec Tokyo, Kyoto et Osaka. Indique le nombre de nuits dans chaque ville, les déplacements entre les étapes, les principales visites et une estimation du budget. Évite de changer d’hôtel chaque soir.
À ce stade, ne pas chercher immédiatement un planning à la minute. Commencer par la structure générale permet de repérer les trajets trop longs et les étapes mal équilibrées.
Un bon itinéraire limite les allers-retours. Demander à ChatGPT de regrouper les visites géographiquement.
Réorganise le programme de trois jours à Barcelone en regroupant les activités par quartier. Indique les temps de trajet entre les étapes, les visites nécessitant une réservation et une alternative en cas de pluie.
Cette méthode est particulièrement pertinente dans les grandes villes où les déplacements peuvent prendre une part importante de la journée.
Après validation de la structure, demander un planning plus précis.
Détaille la journée 2 avec un départ à 9 h, une pause déjeuner d’une heure trente et une fin de programme vers 19 h. Prévois au maximum trois visites principales, des temps de déplacement réalistes et une activité de remplacement si le site principal est complet.
Un programme utile doit prévoir des marges pour :
Un planning rempli du matin au soir peut sembler efficace, mais il devient difficile à suivre sur place.
ChatGPT peut générer plusieurs versions d’une même journée :
Adapte cet itinéraire pour une famille avec deux enfants de 6 et 10 ans. Limite les visites de musées à 90 minutes, ajoute des pauses régulières et signale les activités nécessitant une réservation.
Autres exemples :
Transforme ce programme pour une personne qui ne peut pas marcher plus de 5 kilomètres par jour.
Propose une version végétarienne de cet itinéraire en indiquant les types de restaurants à rechercher.
Remplace les activités en altitude par des options adaptées à une personne sensible au mal des montagnes.
Les recommandations liées à la santé doivent rester générales. Pour un problème médical, une consultation professionnelle est indispensable.
ChatGPT peut établir une estimation comprenant :
Prompt recommandé :
Estime le budget d’un séjour de 7 jours à New York pour deux personnes au mois de mai. Présente trois niveaux de budget : économique, intermédiaire et confortable. Sépare les coûts fixes des coûts variables et ajoute une réserve de 10 % pour les imprévus. Indique quelles estimations doivent absolument être vérifiées en ligne.
Il faut demander une fourchette plutôt qu’un chiffre unique. Les prix des vols, des hôtels et des activités évoluent rapidement selon la saison, la date de réservation, les événements locaux et le taux de change.
Une erreur fréquente consiste à mélanger les dépenses individuelles et collectives. Demander explicitement :
Présente le budget pour deux adultes et un enfant. Indique les montants par personne lorsque cela est pertinent et les dépenses communes lorsqu’elles ne dépendent pas du nombre de voyageurs.
Pour un long séjour, un tableau peut inclure le coût quotidien moyen, mais cette moyenne doit être interprétée avec prudence : les nuits du week-end, les transferts interurbains et les billets d’entrée peuvent augmenter fortement certaines journées.
Demander une comparaison selon plusieurs critères :
Compare l’avion, le train et la voiture pour relier Lyon à Milan. Prends en compte le temps total porte à porte, les bagages, les transferts vers les gares ou aéroports, le coût estimatif, le confort et l’impact environnemental. Signale les informations à vérifier.
Le temps de trajet affiché ne représente pas toujours la durée réelle. Il faut ajouter :
ChatGPT peut comparer des quartiers, mais il ne connaît pas nécessairement les disponibilités réelles.
Compare quatre quartiers de Rome pour un séjour de cinq nuits. Évalue l’accès aux transports, l’ambiance le soir, la proximité des monuments, le niveau de bruit, le budget moyen et l’intérêt pour une première visite. Indique le profil de voyageur adapté à chaque quartier.
Avant de réserver, vérifier :
ChatGPT peut aider à préparer une liste de réservations prioritaires :
Classe les réservations nécessaires pour ce voyage par ordre d’urgence : transport longue distance, hébergement, visites, restaurants et activités. Indique celles qui risquent d’être complètes en haute saison.
Les activités à réserver en priorité sont souvent :
Les liens et les prix fournis par une intelligence artificielle doivent être contrôlés sur le site officiel du prestataire. Une page peut avoir changé, un tarif peut être périmé ou une activité peut être temporairement fermée.
Cela dépend de la version utilisée et des fonctionnalités activées. Certaines versions peuvent accéder au Web, analyser des fichiers ou exploiter des informations récentes, tandis que d’autres répondent principalement à partir de connaissances préexistantes.
Même avec une fonction de recherche, vérifier les données sensibles :
Pour les formalités, consulter en priorité les sites gouvernementaux, les ambassades, les compagnies de transport et les autorités locales. Pour un voyage depuis la France, les conseils aux voyageurs du ministère de l’Europe et des Affaires étrangères constituent une source officielle à consulter.
Agis comme un conseiller en voyage. Prépare un séjour de [durée] à [destination] du [date] au [date] pour [nombre] voyageurs. Le budget est de [montant] hors [éléments exclus]. Les priorités sont [activités]. Le rythme doit être [calme/modéré/intensif]. Les contraintes sont [mobilité, enfants, alimentation, horaires].
Commence par proposer la structure du voyage, puis un itinéraire jour par jour. Pour chaque journée, indique les déplacements, la durée estimée, le coût approximatif, les réservations nécessaires et une alternative en cas de pluie. Sépare clairement les faits à vérifier des suggestions générales.
Analyse cet itinéraire et signale les problèmes possibles : trajets trop longs, journées surchargées, visites fermées certains jours, saison peu adaptée, budget sous-estimé, réservations manquantes et étapes redondantes. Propose ensuite une version corrigée.
Pose-moi d’abord dix questions pour mieux adapter ce voyage à mes préférences. Ne propose pas encore d’itinéraire. Classe les questions par ordre d’importance.
Demander à l’outil de poser des questions avant de répondre améliore souvent la pertinence du résultat.
ChatGPT peut produire une réponse plausible mais incorrecte. Les erreurs concernent notamment :
Les informations opérationnelles doivent être vérifiées auprès d’une source officielle ou du prestataire concerné.
Éviter de transmettre :
Un prénom, une tranche d’âge et des préférences générales suffisent généralement pour personnaliser un itinéraire.
Un itinéraire avec cinq visites majeures par jour ne tient pas toujours compte de la réalité. Prévoir au moins une activité principale, une ou deux activités secondaires et une plage libre est souvent plus réaliste.
ChatGPT peut conseiller un hôtel ou une activité, mais la réservation doit être effectuée sur un canal fiable. Vérifier le nom exact, l’adresse, les conditions de paiement et la politique d’annulation avant de confirmer.
La planification de base peut être réalisée avec une offre gratuite, selon les limites et les fonctionnalités disponibles au moment de l’utilisation. Les formules payantes peuvent fournir davantage de messages, un accès à des modèles plus performants ou à certaines fonctions avancées, mais les tarifs varient selon le pays et l’offre choisie.
Le principal coût du voyage reste celui de la destination. ChatGPT aide à comparer les scénarios, mais ne garantit pas le meilleur prix. Pour obtenir une estimation fiable :
C’est le meilleur moment pour :
ChatGPT peut aider à :
L’outil peut servir à :
Pour les situations urgentes, les informations de sécurité, les soins médicaux ou les problèmes de transport, contacter directement les services compétents.
Avant de considérer l’itinéraire comme terminé, vérifier :
Utiliser ChatGPT pour planifier un voyage personnalisé est particulièrement efficace lorsqu’un brief détaillé est fourni. L’outil peut proposer des destinations, structurer un itinéraire, comparer des budgets, adapter les activités au profil des voyageurs et simplifier l’organisation pratique.
La méthode la plus fiable consiste à :
ChatGPT est donc un assistant de préparation, pas une source unique de vérité. Utilisé avec des informations précises et une vérification systématique, il permet de gagner du temps tout en construisant un voyage plus cohérent, réaliste et adapté aux préférences de chaque voyageur.
Le pari de Microsoft sur l’intelligence artificielle commence à produire des montants qui ne relèvent plus de la seule promesse technologique. Avec plus de 30 millions de sièges payants pour Microsoft 365 Copilot et un chiffre d’affaires trimestriel supérieur à 90 milliards de dollars, l’IA s’installe dans les comptes du groupe à une échelle comparable à celle de ses activités historiques.
Dans ses résultats annoncés le 29 juillet 2026, Microsoft a fait état d’un chiffre d’affaires trimestriel de 90 milliards de dollars, un niveau supérieur aux prévisions des analystes. Le montant confirme la solidité du modèle du groupe, mais il traduit aussi le poids croissant des services liés au cloud et à l’intelligence artificielle dans ses performances.
Le chiffre ne peut toutefois pas être attribué directement à l’IA. Microsoft ne publie pas de ligne comptable isolant les revenus générés par les modèles, les services Copilot ou les infrastructures dédiées aux charges de travail d’intelligence artificielle. L’essentiel de la lecture repose donc sur deux indicateurs complémentaires : la progression d’Azure, qui héberge une grande partie de ces usages, et l’adoption de Copilot dans les entreprises.
Sur ces deux fronts, les signaux sont favorables.
Azure a dépassé pour la première fois les 100 milliards de dollars de revenus annuels. Ce seuil place l’activité cloud de Microsoft dans une catégorie jusque-là réservée à quelques branches historiques du secteur technologique.
Cette performance ne correspond pas uniquement aux services d’IA. Azure regroupe des activités d’infrastructure, de bases de données, de cybersécurité, d’outils de développement et de logiciels d’entreprise. Mais la demande pour les GPU, les services de calcul intensif et les plateformes permettant d’entraîner ou d’exécuter des modèles contribue fortement à sa croissance.
Microsoft bénéficie d’un avantage commercial particulier : ses clients peuvent accéder aux outils d’IA sans changer de fournisseur cloud. Une entreprise déjà engagée avec Azure peut financer ses usages de Copilot, de modèles génératifs ou d’agents logiciels dans un même environnement contractuel. Cette intégration réduit les obstacles à l’adoption et augmente mécaniquement la consommation de services cloud.
La frontière entre « revenus de l’IA » et revenus du cloud devient ainsi difficile à tracer. Azure profite de l’IA, tandis que l’IA dépend d’Azure pour fonctionner à grande échelle. Cette combinaison est au cœur du pari financier de Microsoft.
Le deuxième chiffre clé concerne Microsoft 365 Copilot, qui compte désormais plus de 30 millions de sièges payants. Le terme est important : il s’agit de licences souscrites, et non d’un simple nombre d’utilisateurs ayant essayé le service ou bénéficiant d’une version gratuite.
Copilot est intégré aux applications professionnelles de Microsoft 365, notamment Word, Excel, PowerPoint, Outlook et Teams. Son intérêt commercial repose sur une promesse simple : transformer l’assistant conversationnel en outil de travail quotidien, capable de résumer des réunions, rédiger des documents, analyser des tableaux ou rechercher des informations internes.
À son tarif catalogue de 30 dollars par utilisateur et par mois, 30 millions de sièges correspondraient à un potentiel théorique de 10,8 milliards de dollars de revenus annualisés. Ce calcul ne constitue pas le chiffre d’affaires réel de Copilot : les contrats grands comptes, les remises, les offres groupées et les différences de facturation modifient fortement le résultat. Il donne néanmoins une idée de l’échelle atteinte par cette activité.
Microsoft n’a pas détaillé la part exacte de Copilot dans ses revenus. Le groupe ne permet donc pas encore de mesurer précisément la rentabilité de cette offre, ni la proportion de clients qui l’utilisent régulièrement. Ces données seront déterminantes. Une licence payée mais peu utilisée ne produit pas la même valeur économique qu’un outil devenu indispensable au fonctionnement d’une organisation.
L’élément le plus notable du trimestre se trouve peut-être ailleurs : Microsoft n’a pas relevé ses prévisions de dépenses d’investissement dans l’IA pour 2026.
Le groupe continue de consacrer des sommes considérables aux centres de données, aux processeurs spécialisés et aux capacités de calcul nécessaires à ses services. Mais l’absence de révision à la hausse nuance le scénario d’une course permanente à l’infrastructure.
Cela peut s’expliquer de plusieurs façons. Microsoft dispose déjà d’une base importante de centres de données et de capacités réservées. La montée en puissance de Copilot peut aussi améliorer le rendement des investissements existants, à mesure que les services sont déployés auprès d’un plus grand nombre de clients. Enfin, les progrès des modèles et l’optimisation des logiciels peuvent réduire le coût de certaines requêtes, même si la demande totale continue de progresser.
Il serait toutefois excessif d’en conclure que la pression financière disparaît. Les dépenses d’investissement restent élevées, et leur amortissement pèsera sur les comptes pendant plusieurs années. Le fait de ne pas augmenter la prévision signifie surtout que Microsoft estime pouvoir soutenir la croissance avec l’enveloppe déjà annoncée, pas que l’IA devient peu coûteuse.
Les résultats valident le potentiel commercial de l’IA, mais ils ne suffisent pas encore à établir sa rentabilité. Azure constitue déjà une activité massive, capable de générer plus de 100 milliards de dollars par an, mais ses revenus mélangent les usages traditionnels du cloud et les charges de travail liées à l’IA.
Copilot, de son côté, affiche une adoption impressionnante avec ses 30 millions de sièges payants, mais Microsoft devra encore démontrer que cette base se traduit par une utilisation durable, des renouvellements élevés et une hausse des dépenses par client. Le prochain enjeu sera moins le nombre brut de licences que leur contribution aux marges et à la croissance organique de Microsoft 365.
Le prochain jalon attendu sera donc la publication d’indicateurs plus précis sur le chiffre d’affaires de Copilot, la consommation IA sur Azure et les dépenses d’investissement de l’exercice 2027. Si les 30 millions de sièges continuent de progresser sans nouvelle accélération massive des dépenses, Microsoft pourra défendre un modèle où l’IA renforce réellement ses activités existantes au lieu de dépendre d’un financement toujours plus lourd.
Le laboratoire le plus secret de la Silicon Valley vient de s’assurer un accès privilégié à l’une des infrastructures les plus convoitées du secteur. Le 27 juillet 2026, Safe Superintelligence (SSI) et Nvidia ont annoncé un partenariat stratégique de long terme, accompagné d’un investissement direct du fabricant de puces dans la start-up fondée par Ilya Sutskever.
L’accord prévoit que SSI s’appuie sur les systèmes Vera Rubin, la nouvelle génération d’infrastructures de calcul de Nvidia, pour entraîner et développer ses modèles d’intelligence artificielle. Selon les termes annoncés par les deux entreprises, la capacité de calcul mise à disposition du laboratoire sera multipliée par dix.
Cette annonce reste toutefois incomplète sur plusieurs paramètres essentiels. Ni le montant de l’investissement, ni le volume exact de systèmes déployés, ni le calendrier de montée en puissance n’ont été détaillés. Le communiqué ne précise pas non plus la base de comparaison utilisée pour mesurer cette multiplication par dix : s’agit-il de la capacité actuelle de SSI, d’un cluster déjà réservé ou d’un objectif à terme ?
Ces éléments comptent. Dans l’IA de pointe, la puissance de calcul ne se résume pas au nombre de puces disponibles. La performance dépend aussi de la vitesse des interconnexions, de la mémoire, de l’efficacité des logiciels, de la qualité des données et de la capacité à maintenir les systèmes en fonctionnement. Une infrastructure dix fois plus importante peut accélérer l’entraînement d’un modèle, mais aussi permettre de multiplier les expériences et les évaluations de sécurité.
Pour SSI, l’accord apporte surtout une visibilité stratégique : la start-up obtient la promesse d’un accès à une infrastructure conçue pour les modèles les plus exigeants, alors qu’elle n’a encore lancé aucun produit grand public.
Fondée par Ilya Sutskever il y a environ deux ans, Safe Superintelligence s’est construite autour d’une ambition volontairement étroite : développer une intelligence artificielle très avancée tout en la maintenant fortement alignée avec les objectifs humains.
L’ancien scientifique en chef d’OpenAI a créé SSI après son départ de l’entreprise, avec une communication publique minimale. Le laboratoire a recruté des profils expérimentés, levé des capitaux importants et entretenu une image de structure difficile à suivre. À la différence d’OpenAI, d’Anthropic ou de Google DeepMind, SSI ne propose pas d’assistant, d’API ou de modèle accessible au public.
Cette discrétion constitue une partie de son positionnement. L’entreprise affirme vouloir se concentrer sur la recherche plutôt que sur la commercialisation rapide. Elle évite ainsi de présenter un produit avant d’avoir atteint ses objectifs techniques. En contrepartie, l’absence de démonstration publique rend ses progrès difficiles à évaluer.
L’expression safe superintelligence renvoie à une question centrale de la recherche en IA : comment garantir qu’un système beaucoup plus capable que ses concepteurs reste compatible avec leurs intentions, y compris dans des situations imprévues ?
L’augmentation de la puissance de calcul peut aider à explorer cette question. Elle permet notamment d’entraîner davantage de modèles, de tester plusieurs méthodes d’alignement et de soumettre les systèmes à un nombre supérieur d’évaluations. Mais elle ne constitue pas, à elle seule, une preuve de sécurité.
Les techniques d’alignement restent difficiles à mesurer. Un modèle peut réussir des tests connus tout en adoptant un comportement imprévisible dans un environnement différent. La fiabilité dépend également de la conception du système, des mécanismes de contrôle, des données utilisées et des procédures de déploiement. À ce stade, SSI n’a publié ni modèle, ni résultats indépendants permettant de juger l’efficacité de son approche.
Le partenariat avec Nvidia ne règle donc pas la question scientifique. Il donne à SSI les moyens de poursuivre ses travaux à une échelle supérieure.
Pour Nvidia, l’opération dépasse la simple vente de matériel. Le groupe fournit les accélérateurs qui alimentent une grande partie de l’industrie de l’IA, mais ses investissements dans les laboratoires spécialisés lui permettent aussi de sécuriser des relations à long terme avec les acteurs les plus prometteurs.
En entrant au capital de SSI, Nvidia associe ses intérêts à ceux d’une start-up susceptible de devenir un important consommateur de calcul. Le laboratoire pourrait avoir besoin de clusters toujours plus vastes à mesure que ses modèles progressent. Le fabricant bénéficie, de son côté, d’un partenaire capable de pousser ses systèmes Vera Rubin sur des charges de travail parmi les plus ambitieuses du marché.
Cette logique s’inscrit dans l’évolution du modèle économique de Nvidia. Le groupe ne vend plus seulement des composants : il cherche à devenir un fournisseur complet d’infrastructures, de réseaux et de logiciels pour l’IA. Les partenariats financiers renforcent cette stratégie en liant les fabricants de puces aux laboratoires qui déterminent les prochains besoins en calcul.
L’investissement constitue aussi un signal adressé au secteur. Nvidia parie publiquement sur la crédibilité de Sutskever et sur la capacité de SSI à produire des résultats, malgré l’absence de produit commercial. Le montant non communiqué empêche toutefois de mesurer la portée exacte de cet engagement.
L’annonce renforce nettement la position de SSI dans la course aux infrastructures. Elle ne démontre pas encore que le laboratoire dispose d’un avantage scientifique, ni que son approche de l’alignement fonctionne. Elle établit seulement un fait mesurable : l’entreprise aura accès à une capacité de calcul annoncée comme dix fois supérieure, avec le soutien financier et industriel de Nvidia.
Les prochains indicateurs seront donc concrets : date de déploiement des systèmes Vera Rubin, volume réel de calcul disponible, montant de l’investissement et publication de résultats techniques vérifiables. Un modèle, un benchmark indépendant ou une évaluation de sécurité crédible permettrait de relier l’infrastructure obtenue aux promesses de SSI.
En attendant, l’accord illustre une tendance lourde : dans l’IA avancée, l’accès au calcul devient un actif stratégique aussi important que les chercheurs ou les algorithmes. Pour Safe Superintelligence, le prochain test ne sera pas d’attirer l’attention, mais de transformer cette puissance décuplée en progrès observables — puis en un système dont la sécurité pourra être examinée publiquement.
Les développeurs les plus en pointe avec l’intelligence artificielle générative décrivent une fatigue d’un genre nouveau, la vibecoding fatigue ou l’AI brain fry. Des parades sont inventées pour ne pas se laisser soumettre par l’IA. Cette fatigue pourrait gagner tous les métiers du langage, des journalistes aux juristes en passant par les traducteurs.
Connexion