Un jeton pour les refuser tous

Quatre entreprises de la tech souhaitent ajouter une ligne dans le fichier robots.txt pour que les données des sites concernés ne soient pas utilisées dans l’entrainement des IA. S’agissant d’une démarche déclarative, ses limites sont claires.

Le 30 octobre, Google, Microsoft, Anthropic et OpenAI ont annoncé qu’ils respecteraient une même ligne dans le fichier robots.txt pour refuser ou accepter l’utilisation d’un site à des fins d’entraînement de l’IA générative.

Le texte qui la définit est intitulé « Machine-Readable Training Preference Signal » et a été écrit par Kevin Kelley, ingénieur chez Anthropic. Il vise la normalisation par l’IETF, l’organisme qui fixe les standards techniques d’Internet, et doit expirer le 3 mai 2027 si aucune nouvelle version n’est publiée d’ici là.

Une simple ligne ?

La proposition cherche à simplifier une situation. Actuellement, un éditeur souhaitant en effet refuser l’entrainement sur ses données doit viser chaque robot séparément. Par exemple, GPTBot chez OpenAI ou Google-Extended chez Google. Le texte ajoute un nouveau jeton, « __usage_ai-training », qui doit permettre d’exprimer une seule préférence auprès de tous les fournisseurs qui s’y engagent.

Ce jeton se place dans la ligne User-Agent, comme on le fait déjà avec les noms des robots. Un Disallow exprime un refus de l’entraînement, un Allow un accord, chemin par chemin. Le texte illustre le fonctionnement par le code suivant, qui refuse l’entraînement sur tout le site, sauf pour un espace presse :

User-Agent: __usage_ai-training
Disallow: /
Allow: /press-kit/

La date de support diffère d’un éditeur à un autre, mais tous s’engagent à respecter le nouveau signal dans les prochains mois.

Des limites évidentes

Il y a évidemment des limites. D’une part, le jeton ne bloque pas l’exploration. Le brouillon le décrit comme indépendant des règles visant les robots, qui continuent donc de s’appliquer comme avant. D’autre part, il est déclaratif et ne lie que les fournisseurs qui s’y engagent. De plus, il ne concerne que les contenus récupérés après son ajout, et ne retire ainsi rien des modèles déjà entraînés.

Surtout, l’engagement repose sur la seule parole des fournisseurs. OpenAI le présente comme une démarche volontaire (OpenAI), et le brouillon ne prévoit aucun contrôle ni sanction. Un éditeur n’a aucun moyen de vérifier qu’un contenu refusé n’a pas servi à entraîner un modèle. Le robots.txt lui-même, à l’origine, n’a d’ailleurs aucune valeur contraignante.

Enfin, le jeton ne lie pas non plus les entreprises qui ne s’y sont pas engagées. Apple, Amazon ou encore Meta ne s’y sont pas engagées. Rien n’oblige par ailleurs les autres développeurs de modèles à lire ce jeton, pas plus que les robots qui ignorent déjà le robots.txt.

Code partout, GitHub nulle part

De la génération de code à son stockage et à sa revue, OpenAI fait feu de tout bois pour faire de Codex un outil indispensable aux développeurs. Et l’entreprise y met les moyens, en débauchant l’ancienne directrice produit de Claude Code.

OpenAI mise plus que jamais sur la programmation et la génération de code pour rivaliser avec Anthropic et Claude Code, très populaire chez les développeurs. L’entreprise de Sam Altman a réalisé un gros coup au détriment de son rival, en débauchant Cat Wu, l’ancienne directrice produit de… Claude Code. Elle avait annoncé son départ d’Anthropic la semaine dernière.

Cat Wu va piloter la stratégie produit au sein de Core Products, un pôle d’OpenAI au périmètre assez flou qui intervient notamment sur Codex. « Ensemble, nous créerons des agents sur lesquels vous et votre équipe pourrez compter, tout en vous laissant les commandes, pour vous donner plus de temps à consacrer aux personnes et au travail que vous aimez », explique-t-elle.

• Dis Next, c’est quoi l’IA agentique et les harnais dont tout le monde parle ?

Codex, intégré au sein de l’app ChatGPT, est la pierre angulaire de l’offensive d’OpenAI sur le marché très lucratif des entreprises. Cette nouvelle arrivée au sein de Core Products pourrait donner un coup de main pour augmenter l’adoption de cet outil alors qu’OpenAI étudie toujours une introduction en Bourse (Anthropic s’en approche).

Absorber la déferlante de code

OpenAI ne s’est pas arrêtée en si bon chemin. L’entreprise a dévoilé le 2 novembre Pando, un nouveau backend pour les dépôts Git créé pour ses propres besoins. Il se trouve que les agents Codex utilisés par les développeurs de l’entreprise produisent tellement de modifications de code en parallèle que l’infrastructure de gestion du code ne suivait plus.

Pando désengorge l’embouteillage en traitant en parallèle les envois de code vers des branches différentes, sans les obliger à attendre leur tour. Le système distribue également des paquets déjà prêts et conservés dans des caches qui économisent beaucoup de calcul. Pando, qui distribue près d’un pétaoctet de données Git par jour, est un outil interne mais à terme, il pourrait être proposé à d’autres développeurs. L’entreprise étudie en tout cas les moyens de partager cette technologie.

Pando est une nouvelle brique qui pourrait compléter l’acquisition annoncée de la jeune pousse Pierre Computer. En toile de fond, il y a cette poussée des acteurs de l’IA pour mettre au point des concurrents de GitHub. La plateforme de Microsoft bien connue des développeurs a du mal à s’adapter à la nouvelle donne : bugs en tout genre, problème de fiabilité, dysfonctionnements…

• GitHub en perte de fiabilité et de développeurs

Cursor, propriété de SpaceXAI, a lancé en août Origin, un rival de GitHub. Thomas Dohmke, l’ancien CEO de GitHub, avait quitté l’entreprise en août 2025 pour créer la startup de coding Entire. Il a présenté fin octobre sa propre plateforme d’hébergement Git et de collaboration entre développeurs et agents.

Pierre va permettre à OpenAI d’enrichir Codex au-delà de l’écriture de code. L’application intègre déjà deux outils de la startup : Trees pour parcourir les fichiers d’un projet, et Diffs pour examiner les modifications. OpenAI va pouvoir y ajouter les fonctions de Code Storage, un service de Pierre pour stocker du code et d’en suivre l’historique avec Git.

« Avec l’équipe de Pierre, nous souhaitons définir les standards du développement logiciel moderne : de la première branche créée par un agent à cet instant magique où le code est déployé dans le monde entier », écrit OpenAI dans ce qui ressemble à une version rêvée de GitHub.

En plus du code, OpenAI mise aussi sur la cybersécurité et vient d’annoncer GPT-6 Cyber, « un modèle entraîné à trouver et vérifier des vulnérabilités exploitables, tout en restant dans le cadre fixé par les chercheurs ». La dernière partie renvoie aux attaques lancées par des agents IA. GPT-6 Cyber, disponible pour des clients triés sur le volet, est une réponse à Mythos d’Anthropic.

Acheter la pAIx

La victoire écrasante des démocrates aux midterms repose en grande partie sur le ras-le-bol général des Américains devant le coût de la vie. Mais la question de l’IA a aussi pesé lourd dans les décisions des électeurs. Le message est-il passé auprès des acteurs du secteur ?

Les élections de mi-mandat aux États-Unis sont un désaveu cinglant des politiques de Donald Trump et de ses alliés républicains. Les grandes entreprises de la tech et de l’IA ont aussi pris une claque, elles qui veulent faire pousser les centres de données comme des champignons.

• Vague démocrate aux États-Unis : quels effets sur le secteur de la tech ?

Ces résultats étaient prévisibles : la question des datacenters a été abordée à maintes reprises durant les débats ayant précédé les élections. L’opacité avec laquelle les décisions d’implantation sont prises, l’impact sur l’environnement, le bruit, les factures d’énergie qui explosent… Les entreprises de l’IA ont senti le vent du boulet bien avant les midterms et, à l’image d’Amazon, cherchent depuis un moment à infléchir la méfiance, voire l’hostilité envers leurs infrastructures.

Un milliard de dollars pour faire bon voisinage

Dans un billet au ton étrangement passif-agressif, Matt Garman, le directeur général d’Amazon Web Services, a ainsi déroulé dès le 2 octobre une série de promesses aux collectivités qui accueillent ses centres de données :

• éviter une hausse des factures d’électricité pour les habitants en couvrant l’énergie consommée et en payant les améliorations nécessaires pour les infrastructures ;
• faire bénéficier l’économie locale des retombées économiques du centre de données, par exemple en recrutant et en achetant localement ;
• améliorer la transparence et le dialogue : AWS ne fera plus signer d’accords de confidentialité (NDA) aux responsables publics, et l’entreprise s’engage à informer les habitants le plus tôt possible en organisant des rencontres publiques ;
• réduire l’impact environnemental des infrastructures en utilisant des énergies décarbonées, de respecter les normes locales de bruit et de privilégier l’eau non potable ;
• publier chaque année des indicateurs sur la consommation d’énergie et d’eau.

Sur ce dernier point, le géant du numérique ne publie pas de données précises sur les volumes d’eau prélevés, ni sur sa consommation électrique. Il y a parfois quelques indicateurs, mais sans volume précis des consommations, ils ne sont pas très utiles.

• Plongée dans les datacenters : Google prélève autant d’eau en 30 h qu’OVHcloud en un an

AWS prend aussi un engagement financier à hauteur d’un milliard de dollars sur cinq ans pour les collectivités, qui pourront flécher cet argent vers leurs priorités (formation, éducation, coût de l’énergie ou préservation des ressources).

OpenAI promet des garanties mais réclame des permis

OpenAI a publié le 5 novembre deux documents : le premier, « Community Compact » (PDF), énumère les engagements de l’entreprise envers les riverains des centres de données. Le second, « Compute Campus Policy Blueprint » (PDF), propose des règles aux pouvoirs publics pour encadrer et faciliter la construction de ces infrastructures.

OpenAI promet de payer pour ses propres besoins énergétiques, y compris les coûts supplémentaires des infras nécessaires, sans les reporter sur les autres consommateurs. Des garanties financières sont prévues si un projet est retardé, réduit dans son ampleur ou tout simplement annulé. Le créateur de ChatGPT veut aussi :

• contribuer à soulager le réseau électrique en réduisant temporairement sa consommation en cas de surcharge ;
• consulter les habitants avec un interlocuteur local avec la possibilité de faire remonter leurs préoccupations ;
• cesser d’imposer des accords de confidentialité ;
• publier les impacts de chaque site : consommation d’eau et d’électricité, emplois, impôts et investissements locaux, bruit ;
• limiter la consommation d’eau ;
• investir financièrement dans les collectivités et pour la formation.

Le « Policy Blueprint » demande aux pouvoirs publics de transformer plusieurs de ces principes en obligations pour le secteur. Cela va de la transparence sur les consommations et les nuisances, à la protection des consommateurs d’électricité, en passant par la consultation des habitants, le suivi des emplois et l’encadrement des avantages fiscaux.

Tout cela n’est pas gratuit, cependant. OpenAI demande aussi de faciliter les constructions, en accélérant les permis et les raccordements électriques, en développant des lignes et de la production d’énergie. L’entreprise s’oppose aussi à une obligation imposant aux grands consommateurs d’énergie de construire leur propre capacité de production électrique.

« Si vous souhaitez vous implanter quelque part et y construire, vous devez le faire avec les habitants et recueillir leur avis », a déclaré Chris Lehane, directeur des affaires internationales d’OpenAI, à Bloomberg. « Le fait que les citoyens se soient exprimés comme ils l’ont fait dans les urnes est un message important, qu’il faut écouter et auquel il faut réagir et apporter une réponse. C’est ainsi que la démocratie est censée fonctionner. »

Le dirigeant prévoit que plusieurs projets de l’entreprise risquent d’être retardés. « À l’échelle à laquelle nous construisons, il y aura forcément toutes sortes de questions à régler à différents échelons, au niveau des États comme au niveau local », convient-il.

Les promesses à l’épreuve des urnes

Dans ce nouveau paysage politique américain, les entreprises de l’IA auront la vie bien plus difficile que durant les deux premières années de la présidence Trump. Gina Hinojosa, la nouvelle gouverneure démocrate au Texas, n’a pas fait mystère de son intention d’imposer un moratoire immédiat au développement de centres de données. Un tel moratoire est déjà en place dans l’État de New York. De nombreux candidats démocrates ont mis de tels engagements dans leurs programmes… et beaucoup d’entre eux ont été élus.

Selon le Data Center Watch, 45 projets représentant 88 milliards de dollars ont été perturbés, d’une manière ou d’une autre, par les oppositions locales au deuxième trimestre de cette année.

Meta estime que le tsunami bleu aux élections de mi-mandat va compliquer la construction de datacenters, mais reconnait dans le même temps que le secteur a mal expliqué les bénéfices (éventuels) de ces investissements. Dina Powell McCormick, la présidente du groupe, a expliqué durant une conférence du WSJ que « les centres de données sont en quelque sorte la manifestation visible de l’IA, et les gens peuvent dire : “Je ne veux pas de ça chez moi” ».

« Je pense qu’il y a derrière cela une question plus large : la façon dont les gens perçoivent l’IA en général », ajoute-t-elle. Cette technologie a en effet mauvaise presse par une bonne partie des citoyens. Mais la dirigeante rétorque : « La question de savoir qui développe les technologies permettant de guérir le cancer ou de donner accès à l’éducation est, elle aussi, fondamentale… » Même si l’IA de Meta sert surtout à bombarder ses réseaux sociaux de slop en tout genre. « Il faut démocratiser cette technologie et permettre à chacun d’y accéder de manière équitable et transparente », ajoute-t-elle.

Pour faire accepter ses projets, Meta met en avant plusieurs conditions qui recoupent plus ou moins les engagements d’AWS et d’OpenAI : payer sa propre électricité, orienter les recettes fiscales supplémentaires vers les enseignants et les services de secours, faire travailler la main d’œuvre locale, et obtenir un soutien politique bipartisan. À l’heure actuelle, le vent politique, des deux côtés de l’arêne politique, souffle surtout contre les datacenters.

Plus on est de threads, plus on rit

lz4 1.11 permet de paralléliser le traitement des données pour augmenter les performances. La 1.10 le permettait déjà, dans certains cas. Quels gains ? Quelles différences entre les deux versions ? Next vous explique tout, tests et chiffres à l’appui.

Le dépôt GitHub officiel de cet algorithme de compression présente cette mise à jour 1.11 comme « majeure » avec l’intégration de plus de 850 commits. « Sa fonctionnalité principale est la compression multithread, désormais directement intégrée à la bibliothèque. Cette version est également nettement plus rapide sur les petites données, notamment avec des dictionnaires, et inclut un grand nombre de corrections pour certains scénarios ».

lz4 vs liblz4 : les différences, les changements dans la 1.11

Si vous avez un peu suivi lz4, vous avez certainement déjà remarqué que la version 1.10, disponible depuis juillet 2024, prenait déjà en charge les multicœurs pour optimiser les performances. Quoi de neuf alors dans la 1.11 mise en ligne plus de deux ans après la précédente mouture ?

Les développeurs en charge du projet rappellent que, en effet, « la version 1.10.0 a introduit la compression multithread dans la ligne de commande lz4, mais les applications utilisant liblz4 n’en bénéficiaient pas ». Désormais, l’API lz4frame de liblz4 peut aussi profiter du multithreading (via le paramètre LZ4F_preferences_t.nbWorkers), bien qu’en mode expérimental pour le moment. Cette API est notamment utilisée pour des intégrations de lz4 dans des applications.

Des gains réels avec la version 1.11

Afin de voir les différences, de comprendre le fonctionnement et de tester plus largement les optimisations de lz4 1.11, nous avons relancé une série de tests sur notre protocole maison. Il comporte pour rappel 11 catégories de données, allant des images aux fichiers CSV en passant par des MP3, des PDF, du « vrac », etc. Les fichiers sont compressés individuellement avec un traitement depuis un disque virtuel créé en mémoire vive pour ne pas dépendre des performances du stockage.

• [Comparatif Next] 30 algorithmes de compression passés au crible

Avant d’entrer dans les détails, voici les grandes lignes de la conclusion de nos tests. lz4 en version 1.11 avec sa commande de base permet de gagner jusqu’à 15 % de vitesse. Mais c’est évidemment l’API lz4frame (via liblz4) qui profite pleinement de la version 1.11 avec des performances multipliées jusqu’à x9 grâce au multithreading.

Mise à jour 4/11 – itch.io a mis en place un nouveau filtre pour ne plus lister les jeux ayant déclaré l’usage d’IA générative. La boutique a également supprimé « quelques téraoctets d’IA slop » en expliquant : « Ce n’est pas parce que tu peux mettre en ligne 10 téraoctets de modèles générés par IA mal optimisés que tu devrais mettre en ligne 10 téraoctets de modèles générés par IA mal optimisés. »

Article d’origine, 3/10 – À l’instar de Steam, itch.io observe également une très forte hausse de son activité due à la marée montante de jeux générés par IA. La plateforme indépendante de distribution de jeux vidéo, particulièrement tournée vers les créations indépendantes et expérimentales, a publié sur les réseaux sociaux un graphique montrant l’évolution du volume de pages de jeux créées chaque jour : elles ont tout simplement doublé entre le 3 août et le 30 octobre.

D’environ 3 000 pages créées chaque jour début août, itch.io dépasse désormais désormais les 6 000 régulièrement. Il s’agit des fiches de présentation pour les projets, qui contiennent une description, des captures d’écran, et le cas échéant des fichiers à télécharger. Cela peut donc concerner des jeux au complet, des prototypes, des démos ou des projets encore en développement. On ne parle pas de « nouveaux jeux » à proprement parler, néanmoins ces volumes donnent une idée du flot de contenus qui se déverse sur la plateforme.

itch.io ne donne pas la raison de cette vague, mais laisse assez clairement entendre que le principal responsable est l’IA. La boutique ajoute dans la foulée que malheureusement, le nombre de téléchargements et d’achats n’a pas doublé.

PC Gamer rapporte de son côté que la progression fulgurante de l’activité sur itch.io a débuté quelques jours après le lancement de Claude Opus 5, un modèle particulièrement doué pour l’ingénierie inverse et le code pour les jeux. C’est en partie ce qui explique aussi la montée en puissance des projets de décompilation d’anciens titres. Anthropic a d’ailleurs mis en place un garde-fou pour restreindre les capacités de Claude Code à générer des copies de jeux.

• Anthropic veut empêcher Claude Code de cloner des jeux vidéo

Au dernier décompte officiel d’itch.io, 7,5 % des jeux présents au catalogue de la boutique étaient étiquetés « AI Generated ». Il s’agit d’une déclaration volontaire des développeurs, qui sont invités à signaler la présence de contenus générés par IA dans leurs créations (pas nécessairement le jeu au complet, cela peut être quelques éléments).

Après la mise en ligne de ce graphique, les internautes ont interpelé la plateforme pour proposer de bannir purement et simplement les jeux générés par IA. Plus facile à dire qu’à faire, les outils IA étant de plus en plus utilisés dans le développement de jeux. Et puis, où placer le curseur ?

• L’IA remplit les rayons de Steam, les développeurs sont inquiets

Claude tape sur la tête des clones

Anthropic demande désormais à Claude Code de refuser de recréer des jeux vidéo existants. Un garde-fou contre les clones générés par IA, mais qui bloque aussi des projets professionnels.

« Crée des jeux originaux, des jeux appartenant à un genre donné et des jeux à partir des concepts et des ressources de l’utilisateur. Ne crée pas un jeu existant précis, même s’il est renommé ou présenté comme original. » Ce sont les deux petites phrases ajoutées autour du 27 octobre à Claude Code. La présence de la nouvelle consigne a été confirmée 3 jours plus tard par Addy Osmani, ingénieur chez Anthropic ; le même jour, le changement était visible dans la version 2.1.314 de Claude Code.

Une restriction contre les clones de jeux vidéo

Anthropic utilise un dispositif pour ajuster à distance les instructions données à Claude. Il n’est pas propre aux jeux vidéo, puisqu’il a déjà servi à transmettre d’autres consignes. Un second canal repéré par XDA est spécifique à Opus 5.5. La restriction semble donc s’appliquer de deux manières : directement pour ce modèle, ou à l’ensemble des modèles utilisés dans Claude Code (dont Opus 5.5 est actuellement le modèle par défaut).

Comme l’écrit Chasm, un enthousiaste de la décompilation par IA qui a découvert la consigne, « Anthropic s’attaque aux re-créations de jeux vidéo ». Depuis plusieurs mois, on observe la montée d’une vague de clones de jeux générés par IA, à tel point que des studios – les plus petits en général – rechignent à proposer des démos ou des versions bêta de leurs créations, de peur de se faire voler leurs idées.

• L’IA remplit les rayons de Steam, les développeurs sont inquiets

Addy Osmani explique que cette nouvelle instruction est là pour dissuader Opus 5.5 de « recréer un jeu précis appartenant à quelqu’un d’autre, car utiliser Claude pour enfreindre des droits de propriété intellectuelle est contraire à nos règles d’utilisation. » Il ajoute que « la création de jeux originaux, de jeux appartenant à un genre donné et de jeux conçus à partir de vos propres concepts et ressources doit continuer à fonctionner. »

Une consigne qui déborde de sa cible

Seul hic, cette consigne semble être appliquée avec un peu trop de zèle chez certains vibe codeurs. Le concepteur des wargames Conflict Simulations explique ainsi que la restriction bloque ses projets professionnels : il réalise sur commande des adaptations de jeux de plateau pour des clients qui possèdent les originaux.

Claude Code refuse de terminer ces travaux, qui sont pourtant codés de zéro à partir des éléments fournis par les clients. Addy Osmani invite à faire remonter les cas si Claude refuse d’aider sur une création qui appartient au codeur.

La consigne a le mérite d’exister, mais il y a peu de chance qu’elle mette un réel coup de frein au phénomène du clonage de jeux. D’une, les copieurs peuvent utiliser un autre LLM qui n’a pas ces restrictions, voire un modèle à poids ouverts modifié. Pour Anthropic, cette instruction a aussi (et surtout ?) pour vertu de protéger l’entreprise des accusations d’infraction au copyright. Elle a déjà beaucoup à faire sur ce front avec les auteurs et les maisons de disques, pas la peine d’ajouter les studios de jeux.

Au feu !

Face à l’ampleur de la polémique, Proton a bien été obligée de réagir. L’entreprise suisse subit les foudres des utilisateurs et un torrent de réactions négatives suite aux révélations de 404 Media sur ses méthodes internes et son utilisation forcenée de l’IA.

Deux articles de 404 Media ont provoqué une crise au sein de Proton. Le 26 octobre, nos confrères révélaient le contenu d’un e-mail envoyé aux employés pour les avertir qu’ils allaient être « réinterrogés » au cours d’entretien sur la manière dont l’IA avait transformé leur travail. Le message laissait clairement entendre que leur emploi était menacé s’ils ne l’utilisaient pas assez. Le 29 octobre, deuxième article, cette fois pour détailler l’ambiance interne, avec un Andy Yen (CEO) très offensif, voire insultant avec les développeurs.

• Chez Proton, le rouleau compresseur de l’IA écrase tout

Le point le plus inquiétant pour les utilisateurs, comme vu sur Reddit et X notamment, semblait l’accélération de la production de code par IA au détriment de la sécurité. 404 Media avait mis en avant un échange sur Slack dans lequel un développeur demandait du temps pour réaliser des tests de pénétration sur du nouveau code. Andy Yen y répondait en critiquant la requête et en évoquant une « mentalité de loser ».

Proton cherche maintenant à éteindre l’incendie

Au soir du 30 octobre, plusieurs publications sont apparues. D’abord, un nouvel article de 404 Media pour indiquer que les « réentretiens » n’auraient finalement pas lieu. Selon nos confrères, Andy Yen a confirmé ce changement lors d’une réunion interne, estimant que le débat avait servi le but poursuivi : que l’IA devienne un sujet actif et que les développeurs se lancent dans une formation personnelle.

Il faut également éteindre publiquement l’incendie. Sur X et LinkedIn, dans la nuit du 30 au 31 octobre, le compte officiel Proton a publié un long message pour aborder plusieurs points de tension. Ainsi, l’entreprise n’installerait aucun logiciel sur les postes des développeurs pour surveiller leur utilisation de l’IA, une rumeur qui proviendrait d’un « malentendu sur le fonctionnement des logiciels MDM », ces derniers étant destinés à gérer des parcs d’appareils de manière centralisée.

« Ensuite, notre utilisation de l’IA ne se fera jamais au détriment de la sécurité. Au cours de l’année écoulée, contrairement à ce qui a été allégué, des couches supplémentaires de révision de sécurité ont été ajoutées pour faire face à la menace posée par des IA hostiles qui scrutent le code open source de Proton à la recherche de vulnérabilités. Notre code est open source, et sa sécurité reste ouverte à la vérification de tous », affirme l’entreprise.

Proton dit également vouloir faire preuve de transparence. Elle veut « ouvrir le capot » pour montrer comment elle utilise l’IA en interne. Elle compte par exemple publier des informations sur ses outils et rendre leur code open source, « y compris sur des versions plus avancées de Lumo avec des capacités accrues, qui n’ont jamais été mises à disposition en dehors de l’entreprise ». Lumo est pour rappel le chatbot maison, qui doit permettre d’utiliser l’IA sans envoyer d’informations chez les grandes entreprises américaines.

La société suisse promet en outre de communiquer des informations sur la manière dont les révisions de code et de sécurité sont réalisées. Elle veut se montrer transparente sur ses politiques en IA, y compris les domaines dans lesquels elle est autorisée ou interdite. « Au lieu de pouvoir seulement voir le code open source final que nous produisons pour vérifier la sécurité, vous pourrez également évaluer comment ce code a été produit », ajoute Proton, qui confirme à nouveau que les employés ne seront pas réinterrogés sur leur utilisation de l’IA.

Oui, mais…

Bien que l’entreprise cherche à contrôler autant les dégâts que possible, on peut relever plusieurs problèmes. D’abord, son amende honorable n’a été publiée que sur deux réseaux sociaux, X et LinkedIn. Le texte n’a pas fait l’objet d’une communication plus officielle, sur le blog de l’entreprise par exemple.

Ensuite, les bonnes volontés de Proton ne sont accompagnées d’aucune date. L’éditeur s’engage donc sur plusieurs processus, mais sans calendrier.

Sur la présence d’un logiciel qui analyserait l’utilisation de l’IA, la situation reste floue. On se souvient que Brad Butler, directeur technique, a indiqué que 90 % du code produit en octobre avait été généré par IA (a priori par Claude). La mesure semble donc exister quelque part, peut-être au niveau de GitHub via la console de Copilot.

La promesse de transparence autour de Lumo devra également être confrontée à la réalité, car ce n’est pas la première fois que Proton s’engage sur ce sujet. L’European Open Source AI Index avait en effet critiqué en aout 2025 la présentation initiale de Lumo comme « open source ». Selon cet index, seuls les codes des applications mobile et web sont ouverts.

• Proton lance son assistant IA Lumo et déménage ses installations en Allemagne

Surtout, l’entreprise a désormais deux problèmes sérieux d’image. D’abord, sur son activité elle-même : Proton se présente depuis toujours comme l’alternative sécurisée aux grands groupes américains. Les extraits de conversations publiés par 404 Media ne vont pas exactement dans ce sens.

Ensuite, que ce soit sur X, Reddit ou LinkedIn, de nombreuses personnes remettent en question le rôle d’Andy Yen à la tête de l’entreprise, beaucoup appelant désormais à sa démission. Il est accusé d’avoir installé un climat délétère au sein de Proton, la course à la croissance et aux profits mettant en danger les fondements de l’offre logicielle. D’autres encore estiment que si l’IA est désormais incontournable, Andy Yen reste responsable de son utilisation forcée au point de mettre en danger les emplois et de ses insultes aux personnes qui réclament du temps pour tester le code produit.

Du travail pour les relations presse

L’ambiance chez Proton est particulièrement difficile autour de l’usage de l’IA et de l’attitude du patron de l’entreprise, Andy Yen. C’est ce qu’affirme 404 Media dans un article. La société suisse a désormais un sérieux problème d’image à résoudre.

Mise à jour du 30 octobre à 18 h :

Selon un nouvel article de 404 Media, Andy Yen, CEO de Proton, a annoncé que les « réentretiens » des employés n’auraient finalement pas lieu. Ils visaient à identifier les développeurs qui n’utilisaient pas assez l’IA. Leurs emplois semblaient directement menacés.

Le nouvel article indique qu’une réunion s’est tenue aujourd’hui même, vendredi 30 octobre. Andy Yen y aurait reconnu un échec de communication de sa part, tout en annonçant que la poussée vers l’IA continuerait. Il aurait affirmé que ces nouveaux entretiens étaient à présent inutiles, car la situation avait abouti au résultat voulu : déclencher une vaste conversation sur l’IA et accélérer la formation. Une réorganisation serait prévue pour le mois prochain, mais aucune suppression d’emploi ne serait prévue.

Les salariés interrogés par nos confrères sont partagés. L’un d’entre eux y voit un progrès, un autre regrette l’absence de responsabilité de la direction, un autre encore évoque une simple gestion de crise. Selon ce dernier, les constats sur l’utilisation de l’IA passeront dans les évaluations annuelles et ne sont donc que différées.

---

Article original du 30 octobre à 12h02 : Proton est connue depuis des années comme l’entreprise suisse pourvoyeuse de solutions respectueuses de la vie privée. Et pour cause : tous ses produits communiquent en utilisant le chiffrement de bout en bout. En d’autres termes, personne ne peut voir ce qui transite ou est stocké, pas même Proton. Cependant, cette efficacité dépend étroitement de la manière dont la technologie est implémentée.

Selon un long article de 404 Media du 29 octobre, les employés craignent désormais pour l’intégrité du code. La raison ? Une obligation d’utiliser autant que possible l’IA, au point que la direction de Proton envisagerait de ne plus embaucher d’ingénieurs dès l’année prochaine, mais des chefs de produit utilisant l’IA, Claude étant largement cité.

Injonctions sur l’IA

404 Media dit avoir échangé avec huit employés actuels et un ancien, consulté des conversations Slack, des enregistrements de réunions ou encore un manifeste sur l’IA rédigé par le directeur technique de Proton, Bart Butler.

Un employé a par exemple demandé récemment s’il était possible de prendre quelques jours pour analyser le code généré et réaliser des tests de pénétration pour en mesurer le degré de sécurité. Selon nos confrères, le CEO de l’entreprise, Andy Yen, a répondu sur Slack qu’il s’agissait de « conneries et d’une attitude de perdant », que rapidité et sécurité étaient « bien sûr » compatibles et qu’il fallait arrêter de « réfléchir à comment être plus lent ».

Dans une ambiance électrique, Andy Yen a ouvert une adresse e-mail servant à signaler tout obstacle à une adoption plus large de l’IA. Selon 404, l’entreprise est même allée jusqu’à installer sur les postes des employés un logiciel mesurant la quantité de code produite par LLM. Le résultat, proclamé par le Bart Butler lui-même, est que 90 % du code écrit pour l’instant en octobre a été généré par IA. Sur cette proportion, une grande partie viendrait de Claude, selon plusieurs employés.

« Le train arrive, montez à bord ou soyez écrasés »

Le déclencheur de la colère semble avoir été un e-mail envoyé à tous les employés pour les avertir que des « réentretiens » allaient avoir lieu, chaque salarié devant être évalué sur son utilisation de l’IA par une personne extérieure à son équipe et à sa chaîne hiérarchique. Ces entretiens sont prévus pour la période du 4 au 11 novembre, les salariés devant apporter des exemples concrets de ce que l’IA a changé dans leur travail. L’e-mail avertit que ces entretiens auront des conséquences : « Votre capacité à vous aligner avec leurs vues déterminera votre avenir avec nous, ou si vous en avez un ».

L’attitude d’Andy Yen semble avoir largement changé en août. Dans une interview accordée à Wired, le patron indiquait alors que Proton s’était lancée dans l’IA à contrecœur, car la technologie impliquait une forme de surveillance. Yen avait même proclamé qu’il préférerait un monde sans IA. Le LLM maison, Lumo, était présenté comme une manière de faire de l’IA générative en préservant la vie privée des utilisateurs.

À la fin du même mois, le ton était déjà très différent en interne. « Le train arrive, montez à bord ou soyez écrasés. Ne soyez pas l’opérateur professionnel de fax à l’ère d’internet », a-t-il déclaré dans une conversation Slack.

« Je pense que d’ici la fin de cette année, la plupart des développeurs arrêteront de programmer et commenceront à écrire des spécifications pour des tests que l’IA va coder et exécuter, afin de valider le code écrit par l’IA que les humains ne pourront plus vérifier. Ce sera la dernière année où nous embaucherons des ingénieurs, et à partir de l’année prochaine, nous recruterons ce que nous appelions autrefois des chefs de produit, pour construire des choses avec l’IA »

Proton ne nie pas les révélations

Andy Yen cherche désormais à mettre en place une nouvelle équipe qui devra travailler nettement plus dur et poser les bases du futur pour l’entreprise. Le patron a explicitement mentionné son désir de voir Proton devenir une « entreprise 996 », en référence à une culture grandissante (en Chine et dans la Silicon Valley) de travailler de 9 h à 21 h, six jours par semaine. Les avantages matériels suivraient, avec notamment une hausse de 30 % du salaire et une carte bancaire dédiée aux frais professionnels.

Interrogée sur ce climat de peur et de pression, l’entreprise n’a pas nié : « Les temps de grands changements font peur, et l’industrie technologique dans son ensemble doit faire face à cette transition. Nous n’avons pas toujours communiqué nos intentions aussi bien que nous aurions pu, mais Proton s’engage à aider nos collègues à se reformer et à se requalifier pour l’avenir », a déclaré un porte-parole.

L’entreprise a cependant un sérieux problème d’image désormais, suite à l’article de 404 Media du 26 octobre sur l’e-mail qui semble avoir tout déclenché. Sur Reddit, la colère est palpable chez les utilisateurs, notamment ceux abonnés. Beaucoup affirment avoir résilié ou leur intention de le faire.

« Votre personnel était suffisamment qualifié pour obtenir son poste au départ. Si vous pensez maintenant que certains d’entre eux n’ont pas les compétences nécessaires pour s’adapter aux technologies évoluant à une vitesse ultra-rapide, vous avez clairement échoué en ne mettant pas en place un programme de formation d’amélioration continue efficace. Vous avez échoué en tant que direction. Vous les avez laissés tomber », affirme par exemple neilbaldwn.

Un autre genre de confinement

Après une première annonce en 2023, Canonical semblait avoir laissé tomber son idée d’un Ubuntu Core Desktop, un système pensé pour être immuable, atomique et attestable. Voilà pourtant qu’elle remet le couvert, affirmant cette fois accélérer le projet.

Pour comprendre les enjeux, il faut revenir aux définitions : qu’est-ce qu’un système d’exploitation immuable, atomique et attestable ? D’abord, immuable : c’est un système dont les fichiers essentiels sont en lecture seule. Avec ce fonctionnement, en théorie, aucun utilisateur ni aucune application ne peut les modifier.

Ensuite, lorsque l’on parle de système atomique, on évoque surtout ses mises à jour : elles s’appliquent soit entièrement, soit pas du tout. Les deux vont très souvent de pair, de sorte que le système vise une prévisibilité extrême, la base ne changeant pas. Les applications sont isolées, aussi bien du système qu’entre elles, chacune résidant dans son propre conteneur. Dans le cas de Canonical, vous l’aurez deviné, on parle bien de Snap.

Sur ce socle vient se greffer un système d’attestation. Une telle version d’Ubuntu doit ainsi prouver à tout moment ce qu’elle exécute. Interrogée, la machine peut démontrer quels logiciels elle fait tourner, simplifiant les vérifications et rendant les altérations plus complexes. Ce type de mécanisme passe souvent par un composant matériel dédié, TPM dans la grande majorité des cas.

Le retour d’Ubuntu Core Desktop

Dans son nouveau billet du 28 octobre, Canonical reconnait que la préversion de 2023 n’a pas été à la hauteur. Les débuts ont certes été encourageants, mais le projet est devenu très silencieux dès l’année suivante. Selon le site It’s FOSS, l’explication tient dans la manière dont Canonical avait dessiné son système, une grande partie du bureau (dont GNOME et l’écran de connexion) étant réunie dans un seul snap volumineux.

Dans le fond, le principe est inchangé. Tous les composants sont livrés sous forme de snaps, dont le chargeur d’amorçage, le noyau, l’environnement de bureau, les démons (services) et toutes les applications. Mais en pratique, l’approche est cette fois beaucoup plus modulaire. Canonical dit vouloir définir des interfaces claires entre les composants. Ainsi, le gestionnaire d’affichage, l’environnement de bureau, les serveurs multimédias, le réseau et les autres fonctions devront respecter des interfaces clairement définies sans dépendre d’une implémentation particulière.

Dans ce fonctionnement, chaque partie du bureau peut évoluer individuellement. C’est effectivement à la base la promesse des snaps et, plus généralement, de tous les conteneurs logiciels. Bénéfice de cette évolution modulaire, il ne serait plus nécessaire de reconstruire tout le système à chaque changement. Selon Canonical, ce facteur différencierait Ubuntu Core Desktop des autres systèmes immuables comme Fedora Silverblue ou openSUSE Aeon.

Conséquence, cette version du système n’obligerait pas à utiliser GNOME. Canonical indique s’être rapprochée de l’équipe de KDE Neon Core et avoir produit une variante de KDE Neon fondée sur Ubuntu Core.

• KDE fête ses 30 ans

Canonical vise trois cas d’usage pour la 27.04

L’entreprise explique qu’une équipe dédiée est désormais constituée pour travailler sur Ubuntu Core Desktop et que des préversions quotidiennes seront construites pendant le cycle de développement d’Ubuntu 27.04. Pour l’instant, la nouvelle équipe remet en place les chaînes de production d’images et fait le point sur la situation.

Canonical indique que trois cas d’usage prioritaires sont visés. D’abord, le navigateur, cas jugé le plus simple car Firefox et Chromium sont livrés en snaps depuis des années. Ils sont compatibles avec le système de permissions et peuvent donc accorder l’accès à la caméra et au micro.

Ensuite, le développement logiciel. Cette fois, la situation se complique : un système de fichiers en lecture seule et des permissions strictes ne font pas forcément bon ménage avec les habitudes des développeurs. De plus, des outils répandus comme Visual Studio Code fonctionnent en mode « classic », qui accorde de nombreuses permissions au système. VSC ne fonctionne d’ailleurs pas sur Ubuntu Core. Solution envisagée par Canonical : placer ces applications dans Workshop, un environnement de développement isolé propre à l’entreprise, tandis que les fenêtres associées seraient affichées sur le bureau principal. Canonical compare directement cette solution à WSLg (Windows Subsystem for Linux GUI) de Microsoft.

Enfin, le jeu vidéo, avec l’objectif affiché de pouvoir fonctionner aussi bien sur ordinateur classique que sur des consoles portables comme le Steam Deck. Techniquement, le snap de Steam satisfait déjà les exigences de confinement strict, mais il a été largement mis de côté ces deux dernières années. Dans l’idéal, les composants graphiques seront eux aussi modulaires, afin que Mesa et Proton puissent être mis à jour sans toucher au reste du système. Canonical dit aussi étudier des modes de commande où l’appareil démarre directement sur une interface de jeu plutôt que sur un bureau classique.

La route sera longue

Dans tous les cas, le principal obstacle est la disponibilité des applications en snaps. Core Desktop ne peut pas exécuter un autre format. Il faut également que les permissions soient gérées, afin qu’une application puisse toujours demander l’autorisation avant d’accéder à la caméra, au micro ou à un dossier personnel. Autre défi, la modularisation complète du bureau et la prise en charge de KDE Plasma au même niveau que GNOME.

Le projet reste jeune, voire très jeune. Canonical précise d’ailleurs que la version classique d’Ubuntu est là pour rester, aucun calendrier n’étant donné pour une éventuelle bascule par défaut sur Core Desktop. Concernant les variantes officielles du système (les flavors comme Kubuntu, Edubuntu, Xubuntu…), le billet indique que les mainteneurs concernés seront libres de proposer leur propre variante de Core Desktop, s’ils le souhaitent.

Oui, c'est compliqué

Argon tout juste présenté il y a un mois, Google l’éclipse déjà par un nouveau venu : Carbon. Il prend la tête des modèles de pointe de l’entreprise, mais il n’est pas encore disponible et les détails manquent.

Google a présenté Argon le 30 septembre comme premier représentant de la famille Gemini 4. Il n’a cependant pas été disponible de tout de suite, le LLM ayant dans un premier temps été examiné par le gouvernement américain. Le 13 octobre, le nouveau modèle a finalement été lancé publiquement. À peine deux semaines plus tard, voilà qu’Argon est déjà remplacé.

Son successeur se nomme Carbon. Il prend ainsi la tête des LLM frontière (de pointe) chez Google et, si l’on en croit les chiffres communiqués, de bon nombre de classements tous modèles confondus. Ce n’est pas tout à fait une surprise cependant, des rumeurs circulaient depuis trois semaines environ sur cette arrivée.

Des performances à l’avenant, mais…

Au vu des scores donnés par Google, Carbon est premier dans 15 des 17 benchmarks référencés. Il n’est derrière que sur deux des tests : FrontierSWE 2, où Carbon obtient 61,2 %, derrière GPT-6 Astra (65,5 %) et Opus 5.5 (62,3 %), et OSWorld, où Opus reste en tête avec 87,2 %, contre 81,5 % pour Carbon.

Artificial Analysis classe Carbon (en effort High) premier de son Intelligence Index v5.0 avec 59 points, devant Claude Opus 5.5 (58), GPT-6 Astra (57) et Argon (50). Attention avec cette version 5 de l’indice, car elle a été révisée pour limiter la saturation (les notes maximales devenaient souvent atteintes). 60 % des tests étant désormais privés ou à réponses non publiées, les scores ne sont pas comparables à ceux des versions précédentes.

Carbon surpasse son prédécesseur dans tous les cas de figure, avec des bonds parfois importants dans certains domaines, comme un passage de 42 à 54,8 % sur ExploitGym. La cybersécurité est d’ailleurs mise en avant par Google, qui précise tout de même que ses tests ont été menés sans aucun garde-fou. Impossible en l’état de savoir ce que les clients auront réellement entre les mains, même si ce n’est que l’un des nombreux points que Google n’aborde pas dans sa présentation.

Parmi les progrès que Google revendique face à Argon, on peut voir un taux de triche désormais à 0,0 % sur Terminal-Bench 4.0, une baisse de 80 % des alertes de désalignement graves dans ses environnements internes de développement, ou encore une réduction de moitié des réponses non étayées.

… peu d’informations concrètes

Problème, Carbon a beau sembler puissant, Google tait pour l’instant de nombreuses informations. La plupart des données fournies émanent de tests internes ou de formulations floues, par exemple sur l’utilisation enthousiasmée des employés qui l’ont testé pendant plusieurs jours. Google ne dit rien non plus de la disponibilité. Si l’on applique le calendrier d’Argon, la sortie publique pourrait intervenir dans deux semaines. Un petit nombre de spécialistes de la cybersécurité y a cependant accès, le nombre devant augmenter progressivement via le programme Fairwind.

Côté tarifs, puisque Carbon remplace Argon, il reprend les mêmes : 2 dollars par million de jetons en entrée, 10 dollars en sortie, avec une remise de 95 % sur les jetons d’entrée en cache. À l’issue de la période de lancement, le tarif passera respectivement à 4 et 20 dollars, mais Google ne donne aucun détail temporel. Carbon, comme Argon, est donc un modèle onéreux. Il est d’ailleurs épinglé comme tel par Artificial Analysis, dont l’indice maison affiche un coût de 7,76 dollars par tâche, qui reste cependant moins élevé que ceux affichés par les derniers modèles Anthropic en effort maximal.

Si Carbon est présenté explicitement comme un successeur d’Argon, sur lequel il est bâti, la gamme Gemini manque de lisibilité, d’autant qu’Argon reste au catalogue. Sa période promotionnelle se finit le 1er décembre, et on peut se demander si Google ne compte pas le retirer alors, pour laisser place à Carbon et sa propre période promotionnelle. Le nouveau venu serait sinon moins cher que son grand frère, ce qui n’aurait guère de sens.

Chacun ses apps, et les vaches...

Et si l’IA ouvrait grandes les portes d’une forme de réappropriation technologique ? Une certaine ironie, quand on connait ses effets sur le prix de la mémoire. Mais un nombre croissant de personnes se lancent dans des projets permettant de modifier en profondeur certains produits, notamment les TV connectées.

Il n’y a qu’à se plonger dans les dernières récriminations autour des téléviseurs connectés LG pour saisir l’agacement. Ces produits proposent de tout réunir dans une même interface, mais intègrent souvent de nombreux mécanismes de pistage pour mieux servir de la publicité sur mesure. Un mécanisme classique, non spécifique à cette gamme de produits connectés.

Si l’on en croit plusieurs sites comme TechCrunch et Tom’s Guide, un nombre croissant de développeurs en herbe ne sont plus disposés à accepter la situation. Dans un mouvement que l’on retrouve plutôt sur Windows habituellement, certains ont donc eu une idée : et s’ils modifiaient leur appareil pour supprimer tout ce qui ne leur plaisait pas ?

Ménage d’automne

L’effet est documenté depuis un moment déjà et ressort régulièrement, jusque dans les rapports de Linux Foundation : l’IA générative abaisse le ticket d’entrée. Comprendre par là qu’une idée peut rapidement se transformer en un code concret, les générations successives de modèles rendant l’opération de plus en plus simple.

La vague du « vibe coding » s’étend dans toutes les directions et nos confrères notent en particulier un front ouvert sur les TV connectées. Ainsi, le projet dumbtv annonce clairement la couleur : « Votre téléviseur doit faire ce pour quoi vous avez payé : vos applications, vos entrées HDMI, et rien d’autre. Pas de publicités directement sur la télé, pas de suivi des visionnages, pas de mise à jour que vous n’avez pas demandée ».

Sur le site dédié (en plus du dépôt GitHub), le projet se propose de remanier complètement les appareils sous Fire TV, dont les dongles Amazon. L’installation requiert un ordinateur, un accès réseau pour l’appareil visé ainsi que l’activation du mode ADB (Android Debug Bridge) sur ce même appareil. Après quoi, avec quelques manipulations, on peut en théorie supprimer les publications, les contenus sponsorisés, les techniques de création d’empreinte numérique (fingerprinting) et ainsi de suite.

Si le projet a rapidement dépassé les 1 700 étoiles sur GitHub, un autre a attiré encore plus les regards : CleanYourTV. Le dépôt correspondant dépasse les 43 000 étoiles et affiche fièrement sa médaille d’or obtenue comme dépôt le plus « tendance » de la semaine du 19 octobre. Et pour cause : le projet propose ni plus ni moins que de lancer un grand nettoyage sur votre TV connectée à la seule condition qu’elle embarque Android TV ou Google TV (toujours via le mode ADB).

En tant que tel, CleanYourTV ne désinstalle rien. Il cache les éléments et les désactive : télémétrie, services publicitaires et bon nombre de composants sont ainsi remisés au placard. Le choix de ne pas les désinstaller semble une mesure de sécurité, afin qu’un simple script de restauration puisse remettre la TV dans son état original. En revanche, l’outil installe son propre lanceur (décrit comme léger et natif), autrement dit l’interface principale avec les applications, dans une version plus sobre ressemblant fortement à l’Apple TV.

Une forme de réappropriation

Dans une série de tweets publiés le 17 octobre, l’auteur de CleanMyTV explique simplement avoir « vibe codé » la télé de ses parents. Elle affichait des publicités avant même de pouvoir atteindre Netflix. Le produit est un modèle Xiaomi selon ses dires, dont la référence a été donnée à Claude Code dans le prompt. L’appareil a été trouvé sur le Wi-Fi, aboutissant à la suppression de 25 composants Xiaomi. De là est née l’idée du projet et de sa mise à disposition (le code est sous licence open source MIT).

Ces projets ne sont pas isolés, on en trouve d’autres sur X, racontant tous la même histoire : un constat d’interface lente, des applications inutiles, des publicités trop nombreuses. Le désir est donc systématiquement le même, une reprise en main d’un produit payé mais dont l’expérience utilisateur s’est révélée insatisfaisante, voire franchement agaçante.

Dans la plupart des cas, on trouve Claude parmi les contributeurs des projets, confirmation que le projet a été largement accéléré par un agent. Les personnes derrière ces créations sont souvent elles-mêmes des développeurs, mais on peut se poser la question : se seraient-elles lancées dans ces opérations sans IA ?

« Ça ne me plait pas, donc je modifie »

La question est d’autant plus intéressante qu’elle permet d’entrevoir une longue liste de possibilités. The Verge a par exemple relevé récemment que le même vibe coding permettait à des passionnés des modifications poussées de produits utilisés dans la production musicale, via la création de firmwares personnalisés. Nos confrères indiquaient avoir remarqué une « explosion » de ces microgiciels sur le subreddit r/synthesizers. Précédemment, ce type d’opération nécessitait de vastes compétences, affirment nos confrères.

Sans tomber dans une longue liste d’exemples, l’IA semble avoir déclenché une vague d’interrogations sur une partie des produits qui nous entourent. Le développeur italien Carmine Paolino, par exemple, n’apprécie pas les technologies web dans les applications. Il a donc créé des versions natives pour plusieurs d’entre elles, en particulier pour Spotify et WhatsApp, avec respectivement Spotifast et ZapFast.

L’obtention de meilleures performances est un puissant moteur de motivation. Dans notre cas, nous nous amusons par exemple à créer un client alternatif et multiplateforme pour Mattermost (sur une base Rust, C# et Avalonia) pour explorer la manière dont on peut alléger la pression sur la mémoire vive, en particulier dans cette période d’explosion des prix. Sur cette petite application (qui se limite volontairement à la partie messagerie texte pour une seule équipe), la consommation tourne en moyenne autour de 130 à 150 Mo, contre 600 Mo en moyenne pour Mattermost, dont le client officiel est basé sur Electron (qui simplifie largement les problématiques de support multiplateforme).

Les mises en garde restent les mêmes

Mais attention, les bonnes performances ont beau être agréables, elles « n’excusent » pas tout. Point commun à pratiquement tous ces projets, ils s’attaquent à des produits commerciaux d’entreprises qui goûtent sans doute peu de voir leur matériel ou leur application ainsi modifiée. Des sociétés comme Spotify ou Meta (pour WhatsApp) pourraient voir d’un très mauvais œil l’arrivée de ces versions et modifier leur licence pour en interdire la fabrication. Mais qui sait, Meta pourrait tenir compte du message sous-jacent : des utilisateurs ne sont pas disposés à consacrer 1 à 3 Go de mémoire pour une simple messagerie.

En outre, si le phénomène peut être enthousiasmant dans tout son potentiel, il est facile de lancer des projets, beaucoup moins de les entretenir, et encore moins de le faire sérieusement. Les IA peuvent se tromper, des secrets peuvent se glisser dans le code et des erreurs énormes peuvent apparaitre, avec à la clé de possibles failles de sécurité béantes chez les utilisateurs. L’aspect systématiquement open source de ces travaux (toujours sous licence MIT ou Apache 2.0) limite en théorie la casse, mais la prudence reste de mise.

• #Nextquick : libre et open source ne sont pas synonymes de sécurité

Beaucoup de tokens pour rien

Brûler des tokens ne fait pas nécessairement un bon ingénieur. Amazon reconnait les limites de ses indicateurs d’utilisation de l’IA, et demande à ses équipes de privilégier les résultats concrets. Même si les indicateurs restent en place.

Amazon ne veut plus faire partie du club des entreprises où l’on brûle du token pour rien, sinon pour se faire bien voir de la hiérarchie. Au mois de mai, une indiscrétion donnait des détails sur un nouvel outil interne pour mesurer l’utilisation de l’IA. Un usage surveillé de près par des managers poussant sans relâche leurs équipes à intégrer cette technologie dans leur travail de tous les jours. À tel point que certains abusent des tokens.

• Tokenmaxxing : quand les salariés d’Amazon brûlent des tokens pour se faire bien voir

Des indicateurs qui poussent à la consommation

Ce phénomène du tokenmaxxing ne se limite pas à Amazon. De nombreuses autres entreprises, désireuses elles aussi d’embarquer dans le grand train du progrès et des (soit-disant) gains de productivité démentiels forcent leurs salariés à exploiter l’IA, parfois à tort et à travers. À cela s’ajoutent des factures d’usage d’API qui flambent.

Amazon a rapidement appuyé sur la pédale de frein et mis un terme au classement IA interne. Pour enfoncer le clou, un mémo envoyé en septembre par Terk Terkowitz, vice-président de l’ingénierie, et rendu public ce mardi 27 octobre, détaille les nouvelles pratiques en matière de mesure des performances des équipes.

Le message destiné aux ingénieurs logiciels du groupe détaille les mesures utilisées en interne, parmi lesquelles la consommation de tokens pour déterminer le volume d’utilisation des modèles –, ce qui peut en amener certains à en abuser. Amazon mesure aussi l’adoption des outils IA, le nombre de modification dans le code et le nombre de revues de code, ces deux derniers indicateurs servant à suivre le volume de travail réalisé.

« Nous savons tous à quel point ces indicateurs sont imparfaits, principalement parce qu’ils sont déconnectés de ce qui compte vraiment », écrit le dirigeant. « S’ils deviennent des objectifs plutôt que des instruments de mesure, ils peuvent avoir des effets négatifs : une hausse des coûts (…) et une complexité accrue », poursuit-il. Terk Terkowitz espère tout de même que le « sens aigu des responsabilités » des développeurs et leur volonté « d’obtenir des résultats » aidera l’entreprise à éviter les effets négatifs.

Quand l’IA n’aide pas, ce n’est pas forcément un échec

Il faut toujours tenir compte de ces critère donc, mais « avec prudence et discernement ». Le vice-président donne une sorte de feuille de route en recommandant de regarder les deux extrémités : les 10 % des équipes qui adoptent le moins l’IA pour comprendre les freins, et les 10 % qui l’utilisent le plus afin de vérifier que cet usage s’accompagne d’une augmentation des livraisons de nouveautés.

« Si les outils d’IA actuels n’apportent rien à votre travail, c’est un constat, pas un échec. Documentez les raisons, partagez-les avec vos pairs, parlez-en à votre responsable et cherchez des solutions. Un ingénieur capable d’expliquer dans quels cas l’IA ne l’aide pas encore dans son travail fait preuve du discernement que nous attendons. »

Mais le critère final doit être l’impact à long terme sur les clients, l’activité et les équipes. Une métrique basée sur la qualité donc, bien plus que sur la quantité de tokens brûlés.

En juin 2025, le directeur général d’Amazon, Andy Jassy, partageait sa « pensée » autour de l’IA générative. Pour lui, les agents IA vont accélérer et amplifier le développement d’innovations au sein de l’entreprise. Moins réjouissant, il prévoyait aussi une baisse des effectifs grâce aux gains d’efficacité de l’IA, tout en indiquant que certains métiers créeront plus d’emplois.

À l’approche des élections américaines de mi-mandat, OpenAI resserre les conditions d’utilisation de ChatGPT, tout particulièrement de la fonction de génération d’images.

Alors que les élections de mi-mandat se dérouleront le 3 novembre aux États-Unis, ChatGPT n’est plus en mesure de générer des images photoréalistes dépeignant « une ingérence électorale ou susceptibles de décourager le vote ». Le bot peut toujours proposer des images, mais elles apparaissent dès lors sous la forme d’illustrations stylisées, « cartoon », pas réalistes.

L’intimidation électorale passe au dessin

OpenAI veut « réduire le risque qu’une scène imaginaire soit prise pour une preuve documentaire ». Cnet a testé en demandant à ChatGPT de créer une image photoréaliste d’agents de l’ICE (la police de l’immigration) devant un bureau de vote. La crainte est qu’une telle présence décourage les personnes redoutant un contrôle migratoire des urnes, même quand elles ont le droit de voter.

Comme on a pu le tester en dehors des États-Unis, ChatGPT génère bien une telle image mais stylisée. Le bot ne parvient pas à produire une image réaliste. Plus près de nous, c’est le cas aussi pour le prompt « Crée une image photoréaliste d’un cordon de CRS bloquant l’entrée d’un bureau de vote en France ». Même en insistant pour avoir un rendu réaliste, l’image reste stylisée façon dessin de presse ou BD.

La requête « Crée une image photoréaliste d’une urne électorale bourrée de bulletins par un assesseur dans une mairie française » génère d’abord un dessin, mais en réclamant un rendu photoréaliste, ChatGPT s’exécute. Savoir exactement ce qui est autorisé de ce qui ne l’est pas n’est donc pas évident. Ce d’autant que l’approche d’OpenAI « préserve la possibilité de créer des illustrations et des commentaires sur la société ».

Les fausses images alimentent la désinformation

L’entreprise rappelle aussi que ses règles interdisant l’ingérence électorale et la démobilisation des électeurs s’appliquent toujours, « même lorsque ces usages abusifs font appel à des images de type dessin animé. » Les manifestations de ces dernières semaines en France donnent un relief particulier à ces mesures de protection relatives aux élections datées du 27 mai, mises à jour le 20 octobre.

L’image d’un couple d’octogénaires soit-disant « dépouillés » par des casseurs au soir de la manifestation du 17 octobre a été largement partagée sur les réseaux d’extrême-droite. Mais voilà, elle était complètement bidonnée, générée par IA.

• « L’image la plus horrible de ce 17 octobre » émanait d’un site d’info généré par IA

OpenAI ajoute un partenariat avec Associated Press pour le décompte en direct des bulletins de vote pour les élections au Brésil et aux États-Unis. Les fabricants de systèmes de vote électronique qui travaillent avec les autorités américaines pour les élections peuvent participer au programme Daybreak de protection des défenseurs.

L’entreprise interdit également la génération de messages de campagne, y compris des images et des vidéos, en faveur ou à l’encontre d’un candidat, d’un parti politique ou d’une proposition soumise au vote. Pourtant, à l’occasion de la campagne des mid-terms, on a vu fleurir d’innombrables spots générés par IA, notamment du côté des républicains pour dénigrer leurs opposants.

• Présidentielle 2027 : des ingérences aux conséquences difficilement quantifiables
• Présidentielle 2027 : entre « censure » et redirections sauvages, les sites sous pression

Commençons par un rappel. OpenAI propose quatre gammes de modèles, du moins cher au plus « capable ». Luna est ainsi vendu comme le modèle le plus rapide pour les questions courantes, Terra comme le modèle à tout faire, Sol pour les tâches complexes et Astra pour les plus gros besoins. Si Astra a ouvert le bal de la génération de modèles GPT-6 début septembre, Luna et Sol ont suivi peu de temps après. Ne manquait plus qu’une mise à jour de Terra, resté sur GPT-5.6. C’est désormais chose faite.

Pour l’occasion, Terra passe directement sur GPT-6.1, comme Sol fin septembre. OpenAI présente son nouveau modèle comme rapide, capable de combiner raisonnement visuel détaillé et pilotage précis de l’ordinateur, le tout avec une rédaction plus naturelle. L’entreprise cite plusieurs cas d’utilisation, allant de la rédaction de propositions à l’interprétation de dessins techniques, en passant par le remplissage de formulaires et le montage vidéo.

L’accent est largement mis sur la tarification API. Le prix est ainsi de 1 dollar par million de jetons (tokens) en entrée et de 5 dollars en sortie (le double en mode Fast), contre respectivement 2 et 12 dollars pour GPT-5.6 Terra. Le tarif de l’écriture en cache est divisé par deux, à 1,25 dollar le million de jetons, tandis que le prix de la lecture est divisé par quatre, passant de 0,20 à 0,05 dollar. De manière générale, le nouveau Terra est annoncé comme deux fois moins cher que l’ancien.

« Avec un effort maximal, Terra est plus de trois fois plus efficace que Claude Opus 5.5 en matière d’utilisation des tokens, et son prix par token est quatre fois inférieur, ce qui se traduit par un coût par tâche environ neuf fois inférieur », vante ainsi OpenAI.

Sans surprise, GPT-6.1 Terra bat la génération précédente dans tous les tests. Selon OpenAI, il flirte même avec les étoiles d’Astra sur certaines tâches. Sur Terminal-Bench 4.0 en particulier, le score est plus que doublé par rapport à l’ancienne, passant de 21,5 à 50,3 %. Le modèle se veut également rapide, avec une exécution trois fois plus rapide que GPT-6.1 Sol sur Last Exam.

Artificial Analysis confirme les meilleures performances, avec un gain de 6 points dans son Intelligence Index en effort maximal, de 7 à 13 points sur des efforts moins importants, et un coût par tâche (toujours sur son propre benchmark) de 0,40 dollar, contre 1,40 pour la génération précédente.

OpenAI l’affirme également, son modèle se trompe beaucoup moins. Sur son benchmark interne, « le taux d’erreur avec un faible effort de raisonnement est passé de 53,6 % avec GPT-5.6 Terra à 16,7 % avec GPT-6.1 Terra, soit une baisse de près de 37 points de pourcentage. Avec un effort maximal, le taux d’erreur a baissé de 18 points de pourcentage pour atteindre 4,3 %, se rapprochant ainsi des taux de GPT-6 Astra et de GPT-6.1 Sol », indique OpenAI. Difficile d’en savoir plus sur la base d’un benchmark interne, donc non reproductible.

Le nouveau « modèle du quotidien » est disponible pour les personnes abonnées Plus, Pro, Enterprise et Edu, mais uniquement dans ChatGPT Work et Codex pour l’instant. On peut également y accéder via l’API sous le nom gpt-6.1-terra.

« Taxe de vérification »

L’interrogation est croissante : les investissements dans l’IA sont-ils suivis d’effets tangibles sur la productivité ? Si l’on en croit le gestionnaire d’actifs Apollo Global Management, pas encore, la « faute » au facteur humain.

Apollo Global Management est l’un des principaux gestionnaires d’actifs alternatifs au monde. Il est aussi un important financeur des infrastructures de l’IA. En janvier 2026 par exemple, ses fonds ont mené un financement de 3,5 milliards de dollars pour l’acquisition de processeurs GB200 de NVIDIA loués à une filiale de xAI (devenu entre-temps Space XAI puis SpaceXSI).

Aussi, quand l’économiste en chef, Torsten Slok, publie un billet le 24 octobre sur les gains de productivité sous l’influence de l’IA, beaucoup tendent l’oreille. Qu’en dit Slok ? Qu’en dépit des investissements massifs, l’intelligence artificielle n’aurait produit aucun gain financier pour les entreprises américaines en dehors du secteur technologique.

Hors tech, point de salut ?

Le billet a été publié dans le cadre de sa lettre quotidienne The Daily Spark. Il se base essentiellement sur cinq facteurs.

Le premier, et le plus important, est que le chiffre d’affaires par salarié augmente bien pour les sept grandes valeurs technologiques, surnommées « les sept magnifiques », ou « Mag 7 » (Alphabet, Amazon, Apple, Meta, Microsoft, NVIDIA et Tesla). En revanche, il stagne pour les 493 autres sociétés du S&P 500.

Il note d’autres éléments participant à cet avis, notamment une même divergence pour les marges bénéficiaires. En outre, la productivité globale des facteurs (PGF) ne montrerait aucune accélération, Torsten Slok utilisant la série corrigée du taux d’utilisation de la Fed de San Francisco. Enfin, non seulement les dépenses d’IA sont très concentrées, mais elles sont également circulaires, un point abordé plusieurs fois dans nos actualités.

• IA : la valse des contrats entre NVIDIA, OpenAI et consorts ravive les craintes d’une bulle
• Les patrons de l’IA appellent à lever le pied, leurs dépenses disent l’inverse

« Les entreprises soutenues par le capital-risque dépensent de plus en plus pour les tokens, mais l’entreprise américaine grand public n’a pas besoin du dernier modèle et refuse de le payer. Tant que les dépenses en IA agentique et en tokens seront limitées à une petite partie de l’économie, les effets macroéconomiques de l’IA seront très limités », assène l’économiste.

Pourquoi si peu de mouvement dans la productivité ? Selon Torsten Slok, l’IA a beau « être une excellente calculatrice », l’intelligence en entreprise « est surtout un jugement », qui lui-même dépend du contexte : « l’IA ne comprend pas la responsabilité, la confiance, la culture, les règles non écrites, les compromis éthiques ou l’équité, qui façonnent tous le risque réputationnel et favorisent finalement la croissance des revenus et les marges bénéficiaires ».

Pour l’économiste, « l’histoire de l’IA sera décidée dans le S&P 493 » (le S&P500 sans les « sept magnifiques »). Pour l’instant, l’IA serait surtout visible dans l’investissement et les valorisations, mais ne se traduirait pas encore en productivité.

L’humain, ce goulot d’étranglement

On peut relier en partie ces observations à d’autres relevées par le New York Times le 10 octobre. La journaliste Sarah Kessler y posait la question : si l’IA est censée « anéantir des tâches inutiles et rendre des professions entières obsolètes », pourquoi ne le constate-t-on pas sur le terrain ? Elle cite une récente enquête auprès de 6 000 cadres supérieurs, et dont 90 % ont estimé que l’IA « n’avait aucun impact, ni sur l’emploi ni sur la productivité ». Elle citait également un précédent de Torsten Slok, selon qui « le rendement productif de l’IA reste une prévision plutôt qu’une observation ».

Sur le pourquoi, le New York Times propose deux facteurs. Le premier est le plus simple : les entreprises ont besoin de temps pour s’adapter et faire évoluer leurs processus. Le second est plus complexe : une « taxe de vérification ». Ce phénomène, également appelé « botsitting », désigne la tâche de vérifier que les résultats produits par l’IA sont exacts, sûrs et donc utilisables. L’article cite notamment une étude de Workday auprès de 3 200 employés et dirigeants, selon laquelle 37 % du temps gagné par l’IA étaient réinvestis dans la vérification, la correction, la clarification ou la réécriture des résultats.

Ce goulot est d’autant plus complexe que les modèles progressent et accomplissent de nouvelles tâches. Si les sorties des LLM se font plus riches et plus complexes, la vérification devra évoluer également. Interrogé, Ian Stoica, professeur d’informatique à l’université de Berkeley (Californie), résume le problème : « Vous ne pouvez pas vérifier si vous ne comprenez pas le problème ». Le niveau d’expertise devra donc lui aussi évoluer.

Le cas particulier du logiciel

Ce goulot d’étranglement se retrouverait particulièrement dans le domaine du logiciel, sans doute le domaine d’application le plus avancé de l’IA aujourd’hui. Si l’on retourne en juin, une étude MIT-Wharton mettait ainsi en avant une hausse de 180 % de l’activité de programmation par l’utilisation d’agents asynchrones, mais cette dernière ne se traduirait que par une augmentation de 30 % du nombre de versions effectivement publiées.

Selon l’étude, ce n’est pas une surprise, car le résultat de chaque étape dans la chaine complète de production doit être combiné avec l’effort humain nécessaire à l’étape suivante. Ainsi le code produit par l’IA doit encore être vérifié, intégré, testé et publié. L’expertise et le jugement humains ont un coût, qui s’intercale entre toutes les étapes. L’étude faisait également ressortir un autre indicateur intéressant : ces efforts ne se traduisent pas par une hausse de l’utilisation finale des produits. Même en mettant de côté l’inévitable adaptation des processus, l’attention des consommateurs reste une ressource rare, d’autant plus dans un monde foisonnant d’opportunités nouvelles.

Le 9 octobre, Ars Technica relayait une autre étude, cette fois de deux économistes d’Harvard, Fiona Chen et James Stratton, et traitant des goulots d’étranglement dans le domaine du logiciel. Si celle du MIT-Wharton travaillait sur les historiques de GitHub et les données internes de Microsoft, celle des deux économistes se base sur les tickets et les grands ensembles fonctionnels résolus dans Jira, plutôt que les versions publiées.

Pourtant, dans les grandes lignes, les constatations sont les mêmes. L’étude d’Harvard met ainsi en avant une hausse de 30 % de la production de lignes de code, de 20 % dans les validations et de 23 % pour les demandes de fusions, mais aucun changement statistiquement significatif dans la résolution des tickets.

Si les signaux semblent tous aller dans le même sens, ils jettent ainsi un éclairage plus cru sur l’un des éléments pointés par Torsten Slok. Le chiffre d’affaires par salarié chez les « sept magnifiques » apparait ainsi comme une conséquence des ventes de services IA et d’infrastructures, mais pas directement d’un gain de productivité.

Panique au guichet

Les grandes banques américaines voient les agents IA d’un mauvais œil – ils sont même perçus comme un cauchemar par le secteur bancaire US : il est non seulement très difficile de les distinguer d’un utilisateur humain, mais en plus ils pourraient prendre des décisions financières préjudiciables à leurs clients.

Armés des identifiants de connexion de leurs utilisateurs humains, et autorisés à agir en leur nom, les assistants IA ont une grande latitude pour prendre des décisions par eux-mêmes. C’est un problème pour Amazon, qui ne veut plus voir Muse, l’agent de Meta, fureter dans les allées de son supermarché virtuel. Les banques américaines s’alarment aussi du phénomène.

Des assistants indésirables pour les banques

Morgan Stanley, Bank of America, JPMorgan, Wells Fargo et d’autres cherchent à interdire l’accès des agents IA, comme le rapporte Axios. Les utilisateurs donnent l’autorisation aux agents d’accéder à leurs comptes bancaires, mais c’est une pratique qui contrevient aux règles de la plupart des établissements américains. Ces derniers exigent en effet que ce soient les titulaires qui se connectent eux-mêmes.

Des banques ont constaté des accès non autorisés par des agents, qui peuvent décider de transférer des fonds ou de réaliser telle ou telle opération. Elles ont aussi repéré certains cas où un agent contacte un centre d’appels, ou agit sans instruction de l’utilisateur. Une situation qualifiée d’« effrayante » par des dirigeants.

Un d’entre eux a déclaré à nos confrères que le secteur était très préoccupé par la possibilité que des agents effectuent des opérations susceptibles d’avoir des conséquences négatives sur les finances de leurs clients. Des restrictions d’accès, et même des blocages, ont été mis en place – même s’il est très difficile de distinguer un agent d’un humain.

La banque Chase recommande à ses clients de ne pas communiquer leurs identifiants et mots de passe à qui que ce soit, y compris un agent. Morgan Stanley indique de son côté n’avoir pas encore constaté « d’agents incontrôlés accédant à [ses] plateformes ».

Une ouverture sous conditions

Toutes les portes ne sont pas fermées pour autant. Beaucoup de banques autorisent les agents IA à lire des informations dans les comptes clients, par exemple pour des logiciels de gestion de finances comme Quicken. Réaliser des opérations est une toute autre affaire. C’est pourquoi le secteur cherche une troisième voie pas simple à trouver.

En Europe, la directive DSP2 distingue la consultation des données et la mise en œuvre de paiement par des prestataires habilités. Un cadre qui ne donne pas pour autant carte blanche aux assistants IA ayant entre leurs mains virtuelles les informations de connexion des utilisateurs.

La Bundesbank a publié en septembre dernier un rapport sur les risques liés aux paiements autonomes (achats indésirables, erreurs de paiement, opérations effectuées sans mandat). L’institution allemande recommande une identification fiable des agents, une traçabilité des opérations et des mécanismes d’intervention humaine.

• 1Password permet aux agents d’utiliser les mots de passe, mais sans les voir

Coucou Amazon, coucou NVIDIA

Alors qu’AWS vient de lancer son TorchNeuron pour permettre aux entreprises intéressées d’entrainer leurs modèles sur les puces maison Trainium, Google a fait une annonce similaire avec TorchTPU. Comme le nom l’indique, il s’agit cette fois d’orienter les calculs vers les puces TPU fournies par Google. Celle-ci met cependant en avant son partenariat avec Meta pour PyTorch.

Google propose désormais sa propre pile logicielle permettant d’exécuter PyTorch directement sur ses TPU, sans passer par une couche d’adaptation. L’annonce, faite durant la PyTorch Conference 2026, suit de près celle d’Amazon Web Services avec son TorchNeuron.

• Avec TorchNeuron, Amazon veut faciliter l’entraînement des modèles sur ses puces Trainium

Rappelons que PyTorch est une bibliothèque permettant, entre autres, de construire et d’entrainer des modèles IA. Comme nous l’indiquions dans notre actualité sur TorchNeuron, PyTorch a besoin d’une couche intermédiaire pour traduire les opérations en instructions reconnues par le matériel. Dans la grande majorité des cas, cette couche est CUDA, une technologie propriétaire que NVIDIA travaille depuis longtemps pour s’assurer que tous types de calculs pourront être exécutés sur ses GPU.

• Pourquoi tout le monde se jette encore sur les GPU NVIDIA pour l’IA

Au tour des puces TPU

Si l’objectif d’AWS avec TorchNeuron était de pouvoir rediriger ces calculs facilement vers ses puces Trainium, Google fait maintenant de même avec ses TPU.

• Avec ses TPU Ironwood, Google passe à « l’ère de l’inférence »… avec de gros chiffres

Jusqu’à présent, pour exploiter ces puces dans le cloud de Google depuis PyTorch, il fallait passer par XLA, une solution que Google présente désormais comme peu naturelle. Le dépôt GitHub de XLA a d’ailleurs été mis à jour pour indiquer que le projet est à présent déprécié et remplacé par TorchTPU. Il sera archivé le 15 novembre, tout va donc aller très vite.

Le dépôt de TorchTPU est bien sûr déjà en ligne, le projet étant sous licence Apache 2.0 et donc open source. Deux modes d’exécution sont proposés. Le premier, eager, consiste à exécuter immédiatement le programme ligne par ligne, un cas jugé notamment utile pour chercher une erreur. Le second, torch.compile, analyse au contraire l’ensemble du programme avant de l’exécuter. TorchTPU permet de commencer avec le premier et de basculer dans le second si besoin.

Comme pour TorchNeuron, TorchTPU permet d’utiliser les puces de Google aussi bien pour l’entraînement que pour l’inférence. Google met largement en avant la compatibilité avec l’écosystème existant. TorchTitan, conçu pour répartir les calculs d’entraînement sur des milliers de puces, est par exemple de la partie. Selon Google, son fonctionnement a affiché une montée en charge linéaire jusqu’à 8 129 TPU. VeRL, pour l’apprentissage par renforcement, Ray, pour la répartition des étapes des chaînes de traitement, vLLM, un serveur faisant tourner les modèles de langage, ou encore SDLang et llm-d sont cités.

Pour Google, il s’agit d’un point clé dans son annonce. Cette logique de compatibilité apparait clairement dans plusieurs cas. Pour vLLM et SGLang par exemple, l’annonce précise que les ordonnanceurs, les modèles de travail et les serveurs d’API d’origine sont conservés, et que les piles d’inférence existantes peuvent être reprises telles quelles. Pour VeRL, le code des modèles et des algorithmes reste indépendant du matériel. Pour Hugging Face, également de la partie, un paramètre (device_map= »tpu ») suffit.

Le même goulot que chez Amazon

Les problématiques et les enjeux sont à peu près les mêmes que chez AWS. Google a tout intérêt à appuyer dans cette direction pour réduire la dépendance très présente de l’écosystème IA à NVIDIA. En réduisant autant que possible les frictions à utiliser les puces TPU, Google cherche donc à s’assurer une nouvelle place de choix dans l’entraînement des modèles comme dans leur inférence.

Il y a tout de même une différence notable dans TorchTPU : Meta participe directement au projet. Ayant créé PyTorch initialement (le projet est géré par la Linux Foundation depuis 2022), l’entreprise reste très impliquée dans son développement. Selon Digitimes, Meta est l’un des plus gros clients de NVIDIA. Elle chercherait donc activement à réduire sa dépendance, l’entreprise ayant également testé la location de capacité TPU auprès de Google Cloud.

Notez que Google, pas plus qu’Amazon, ne parle ouvertement de lutte contre NVIDIA. Mais il est difficile d’évoquer un PyTorch « plus indépendant » sans faire un clin d’œil à la firme de Santa Clara.

Alors que les élections de midterms approchent aux États-Unis (3 novembre), l’IA fait partie des sujets les plus importants dans la campagne électorale. L’installation des datacenters IA est notamment devenue un boulet électoral pour les républicains.

Jusque-là, Donald Trump faisait la sourde oreille et soutenait l’industrie de l’IA. Il a encore récemment enterré toute régulation de l’IA, misant sur la « responsabilité » des acteurs.

Le dirigeant états-unien a réagi ce mercredi 21 octobre à l’impopularité croissante de l’installation des datacenters IA. Il affirmé sur Truth Social : « J’ai imposé aux nouveaux centres de données, de grande taille, voire gigantesques dans certains cas, de produire leur propre électricité et de céder ou de vendre tout excédent à la communauté locale ou au réseau électrique, ce qui entraîne une hausse du prix de l’électricité. En fait, on pourrait assister à une baisse considérable. ».

Mais la réaction du leader du parti Républicain arrive bien tard. En effet, un nouveau sondage de l’Institut Ipsos pour le Washington Post et ABC News auprès de 2 545 Américains montre que 57 % d’entre eux pensent que l’IA est une mauvaise chose pour la société alors que 50 % pensent qu’elle est une bonne chose pour eux, personnellement.

Deux tiers des sondés estiment que le gouvernement fédéral des États-Unis ne régule pas assez l’IA alors qu’ils ne sont que 9 % à penser qu’il régule trop cette technologie.

Si l’industrie insiste régulièrement sur de supposés risques d’extinction des humains dus à l’intelligence artificielle, les sondés sont plus inquiets du piratage de la sécurité des systèmes informatiques, des capacités des utilisateurs à prendre leurs propres décisions et de la suppression des emplois et de la montée des inégalités économiques :

Quand on leur demande en quoi l’IA peut apporter de bonnes choses, les Américains interrogés citent d’abord à 34 % le fait qu’elle pourrait avoir de grandes chances de faciliter les tâches du quotidien plus facilement et accentuer la domination de leur pays dans le domaine. Ils ne sont que 20 % à penser qu’il y a de grandes chances qu’elle permette aux personnes d’être plus productives. De même, peu d’entre eux (13 %) pensent qu’il est fortement possible que l’IA permette la création de nombreux emplois :

Réécrivons tout en Rust

OpenAI a de nouvelles envies de conquête, cette fois dans le champ de ce qu’elle nomme « les langages à faibles ressources ». L’entreprise vise explicitement cette fois les vieux, voire très vieux langages, au premier rang desquels le COBOL. La promesse est de faire exploser le nombre de projets de migration grâce à ses soins.

Selon OpenAI, les dernières avancées de ses modèles ont renforcé leurs capacités à créer et à migrer des logiciels dans des langages comme COBOL, Fortran et Visual Basic. Des langages dits « à faibles ressources », car ils ont moins de code et de documentation pour entrainer les modèles que d’autres bien plus courants comme Python et JavaScript.

« COBOL fait fonctionner⁠ plus de 40 % des systèmes bancaires en ligne, 80 % des transactions par carte de crédit en personne et 95 % des transactions aux distributeurs automatiques », indique OpenAI, montrant l’ampleur du marché. Des chiffres familiers ? Nous avions les mêmes dans notre article de juillet 2025 consacré au COBOL et à sa présence toujours importante. Ils sont issus d’une enquête réalisée par Reuters en 2024. Dans notre article, nous montrions d’ailleurs que le langage restait vivant, mais qu’il y avait un déficit de développeurs formés à ce langage. Fortran, utilisé pour les prévisions météorologiques⁠ et l’analyse de sûreté des réacteurs nucléaires⁠, fait aussi partie des langages visés.

OpenAI dit avoir reçu de nombreux retours sur la difficulté à travailler avec l’IA sur ces langages. « La documentation peut être incomplète, les développeurs d’origine peuvent avoir quitté l’entreprise, et des règles métier importantes peuvent n’exister que dans le code », indique OpenAI. Autant de problématiques que nous avions abordées dans notre article.

OpenAI s’est fabriqué deux évaluations

L’entreprise souhaitait savoir si ses modèles avaient progressé. La question est presque rhétorique : le billet d’OpenAI est là pour montrer à quel point ses LLM ont justement progressé.

Pour les mesurer, OpenAI dit avoir créé deux évaluations. La première, MultiLang, vérifie si un modèle peut créer un moteur de base de données compatible avec SQLite dans 20 langages, en partant d’une page blanche. La seconde est une évaluation plus spécifique aux migrations COBOL pour vérifier si le modèle peut migrer des programmes existants en préservant leur comportement. En somme, l’une vérifie la création de nouveaux logiciels, tandis que l’autre s’assure que les migrations réussissent.

Sans surprise, OpenAI indique que les progrès de ses modèles sont « considérables ». Astra a ainsi atteint un score de 87,4 % sur le premier test en moyenne, contre 26,8 % pour GPT-5.6 Sol, avec des progrès sur l’ensemble des 20 langages. « GPT‑6 Luna surpasse également GPT‑5.6 Sol, atteignant 40,3 % pour un coût estimé de l’API inférieur d’environ 78 % », ajoute OpenAI.

Les règles particulières du COBOL

L’évaluation spécifique au COBOL est plus intéressante, car le problème initial est plus complexe. OpenAI rappelle ainsi que la réussite d’une migration dépend d’une pleine compréhension de la logique métier et des comportements propres au langage. « Par exemple, l’arithmétique à virgule fixe de COBOL supprime les décimales excédentaires, sauf si un arrondi est explicitement demandé. Une réécriture qui arrondit ces valeurs à la place peut s’exécuter sans erreur tout en produisant des résultats financiers différents », affirme l’entreprise.

La vérification se base sur des « tests cachés » qui exigent des sorties observables identiques, à l’octet près. La migration n’est considérée réussie que si tous les tests sont validés. Dans le cas présent, les projets en COBOL devaient être convertis en C++, Java, Kotlin, Python ou Rust.

Dans cette évaluation, GPT‑6.1 Sol a atteint 86,6 % d’exactitude avec un faible effort de raisonnement, contre à peine 5,4 % pour GPT‑5.6 Sol, le tout avec un coût inférieur de 39 %. OpenAI ajoute qu’avec un effort de raisonnement plus élevé (on ne connait pas l’effort de départ), le score grimpe à 97,9 %.

Le message est donc clair : on peut utiliser Astra et GPT-6.1 Sol pour migrer les projets ou en bâtir de nouveaux compatibles. Une conclusion qu’OpenAI met d’autant plus en avant que l’IA fait exploser depuis plusieurs mois les projets de réécriture, de nombreux développeurs (confirmés ou en herbe) se lançant notamment dans une course aux performances.

OpenAI ajoute toutefois que même si les résultats obtenus vont dans le bon sens, « leur application à des logiciels en production exige toujours une vérification par des experts et des tests tenant compte des règles métier et des dépendances du système ».

Des résultats à prendre avec des pincettes

Le principal problème de cette annonce est son opacité. C’est particulièrement vrai dans le cas de COBOL.

On ne sait pratiquement rien en effet de l’évaluation construite par OpenAI, alors que MultiLang a son dépôt GitHub. Rien sur le nombre de programmes, leur origine, leur taille ou même leur degré de ressemblance avec du COBOL réellement utilisé en production. L’évaluation étant opaque, elle ne peut pas être reproduite par des tiers indépendants et il faut donc croire OpenAI sur parole. Que les modèles progressent sur des langages comme COBOL ou Fortran ne fait pas de doute, mais il est difficile de se rendre compte de l’évolution concrète sur la seule base des affirmations d’OpenAI, les évaluations étant proposées par la même entreprise qui propose les modèles testés.

Notons également que les deux évaluations envisagent des tests très différents dans leur approche. SQLite est un projet présent depuis longtemps et aux nombreuses réimplémentations, des portages existant dans plusieurs des langages testés. Il n’est donc pas étonnant qu’un modèle récent s’en sorte bien, puisqu’il restitue en partie des connaissances présentes dans les données d’entraînement. À l’inverse, la situation est plus complexe pour COBOL, Fortran et d’autres anciens langages, les ressources étant nettement moins nombreuses.

Toujours des noms simples à prononcer

Mistral a lancé récemment deux modèles spécialisés, Voxtral 3 pour transcription et la synthèse vocale et Timestral pour les « séries temporelles ». Ce dernier doit permettre des prévisions sans réentrainement.

Mistral avait lancé son premier modèle Voxtral en juillet 2025. Il s’agissait alors de son premier modèle audio, que Mistral mettait en avant comme plus performant et moins cher que les solutions concurrentes. Plusieurs tailles étaient proposées, selon la durée des contenus audio que l’on souhaitait traiter.

Ce LLM spécialisé a beaucoup évolué, puisque la version 3 est maintenant disponible. La communication de Mistral braque largement les projecteurs sur les agents. Selon l’entreprise française, un agent vocal fiable doit ainsi maitriser quatre capacités : écouter avec précision, raisonner en profondeur sur ce que les utilisateurs veulent dans un contexte donné, parler naturellement et agir en plusieurs étapes.

Un SDK d’agents locaux

Voxtral 3 est la réponse de Mistral à ces quatre objectifs, dont un fonctionnement fiable et en temps réel « reste un défi ». Voxtral 3, comme le premier, désigne une famille de modèles spécialisés dans la reconnaissance et la synthèse vocales. Cette fois, elle est accompagnée d’un SDK (kit de développement logiciel) pour utiliser des agents locaux. Le SDK (bâti sur LiveKit) réunit dans un même pipeline de traitement l’écoute, la réflexion, l’appel d’outils et la parole.

La famille compte quatre modèles :

• Small Transcribe 3 : transcription groupée de meilleure précision, 50 langues, à 0,004 dollar la minute
• Mini Transcribe 3 : 4 milliards de paramètres, 0,0035 dollar la minute
• Mini Transcribe Realtime 3 : transcription en direct, latence revendiquée à moins de 500 ms, 0,008 dollar la minute
• Voxtral Speech 3 (ou Mini TTS 3.0) : synthèse vocale, plus de 35 langues et 50 dialectes, 13 dollars le million de caractères

Mistral vante l’émotion dans la voix pour « sonner naturellement » (prosodie, rythme, débit, accentuation et transitions), les performances en diarisation (reconnaître qui parle) et la prise en charge des biais contextuels. Pour ce dernier point, Mistral précise que l’on peut ainsi fournir des termes clés et du texte libre pour « orienter la transcription et améliorer le rappel des termes techniques ». L’entreprise ajoute le support de la prédiction de fin de tour, les modèles étant capables de prédire quand une personne a fini de parler, en se basant sur des informations acoustiques et sémantiques.

Selon l’annonce, les performances de ces modèles sont à « l’état de l’art », dépassant de nombreuses références du secteur, dont Whisper d’OpenAI. L’agent complet, lui, est facturé 0,04 dollar la minute avec Small et 0,08 dollar avec un autre modèle de raisonnement. L’accès se fait via l’API de Mistral ou depuis l’infrastructure sur site.

Signalons que les quatre modèles sont en préversion publique et que certaines informations manquent. Par exemple, la taille de Small n’est pas donnée. En outre, aucun poids ouvert n’a encore été annoncé. En revanche, les performances revendiquées par Mistral semblent confirmées par Artificial Analysis.

Timestral : c’est quoi des « séries temporelles » ?

Le 15 octobre, Mistral avait également lancé un autre modèle, Timestral, premier représentant d’une nouvelle famille de LLM. Il est spécialisé dans les séries temporelles, c’est-à-dire des séries de mesures datées (capteurs, consommation, flux financiers…), afin d’établir des prévisions.

Timestral est fourni en quatre tailles : 5, 28, 123 et 209 millions de paramètres. Le modèle peut prévoir les séries sans réentraînement sur des données spécifiques, produire des prévisions avec une fourchette d’incertitude (21 quantiles) et accepter jusqu’à 32 768 pas d’historique. Selon Mistral, il peut traiter plusieurs séries liées à la fois ainsi que des facteurs connus à l’avance (calendrier de production, météo, etc.).

Timestral fonctionne également sans carte graphique. Mistral annonce à ce sujet un temps allant de 10 à 140 ms pour prévoir une journée, en fonction de la taille du modèle utilisé, sur un « CPU de serveur standard avec 8 threads » et sur la base de trois semaines d’historique au pas de 15 min. Comme toujours avec la taille des modèles, plus elle est importante, plus la précision augmente et plus le temps de calcul s’allonge.

Le code du modèle est sous licence Apache 2.0. Cependant, comme relevé par Pix Geeks, les poids sont sous une licence MIT modifiée « qui exclut les entreprises dont le chiffre d’affaires mensuel consolidé dépasse 20 millions de dollars. Celles-là doivent demander une licence commerciale à Mistral ou passer par ses services hébergés ». Sous ce seuil, l’utilisation de Timestral est gratuite.