Il y a des coïncidences de calendrier qui n’en sont pas tout à fait. Ce lundi 14 septembre, Microsoft AI publie le premier brouillon de son « Code of Conduct » pour la famille de modèles MAI ; celle que le groupe développe en interne, en parallèle de son partenariat toujours actif avec OpenAI.
Le texte arrive quarante-huit heures à peine après que Dario Amodei, le patron d’Anthropic, a publiquement demandé à toute l’industrie de lever le pied sur la course aux capacités. Sam Altman a applaudi dans la foulée. Même Elon Musk, pourtant peu disert en compliments pour ses concurrents, a jugé qu’Amodei « avait raison ».
Microsoft, à son tour, veut montrer qu’il tiens le même stylo.
C’est Satya Nadella lui-même qui ouvre le bal sur X. « Toute quête de superintelligence doit être ancrée dans le principe fondamental que si l’IA que nous construisons n’aide pas l’humanité et n’est pas sous contrôle humain, elle ne vaut pas la peine d’être poursuivie », écrit le patron de Microsoft, saluant au passage la « cadence délibérée. » que réclame Dario Amodei et l’idée d' »évaluateurs intégrés » chez les laboratoires.
Nadella dégaine avant l’heure
Il glisse, en creux, une pique à peine voilée à ses rivaux. Ces efforts, prévient-il, « ne peuvent pas être contrôlés par une poignée d’acteurs » et doivent associer largement chercheurs, pays et industries.
Any pursuit of superintelligence has to be grounded in the core principle that if the AI we build is not helping humanity and under human control, it’s not worth pursuing.
We also need to accelerate and spread the benefits of AI, such that they are diffused broadly across…
Le document publié ce lundi part d’un postulat volontairement simple, énoncé noir sur blanc : « les humains comptent plus que l’IA ».
Il reprend et prolonge le concept d' »IA humaniste » présenté par Mustafa Suleyman en novembre dernier ( des systèmes « subordonnés, alignés et contenus » ) pour en faire une doctrine plus opérationnelle, structurée en trois strates.
Ce que contient le texte
Au sommet, une « chaîne de commandement » ; le Code prime sur les politiques des opérateurs, elles-mêmes prioritaires sur les préférences des utilisateurs.
Viennent ensuite des « contraintes absolues », non négociables ni par les entreprises clientes ni par les utilisateurs finaux. Sont citées, l’interdiction d’apporter la moindre assistance à la fabrication d’armes chimiques, biologiques, radiologiques, nucléaires ou explosives ; l’interdiction de fournir une capacité opérationnelle à des cyberattaques offensives (la défense, elle, reste autorisée) ; l’ interdiction de contourner la supervision humaine ainsi qu’une interdiction de manipuler des populations à grande échelle, notamment via la désinformation coordonnée.
S’y ajoute une série de protections plus personnelles comme la réponse aux situations de crise, la lutte contre les deepfakes et l’usurpation d’identité, la protection de l’enfance, la non-discrimination, l’encadrement des contenus violents ou à caractère sexuel.
Le texte introduit aussi des « exigences de contrôle humain » assez explicites dans leur formulation. Les modèles MAI ne devront « jamais résister » à une interruption, une correction ou un arrêt décidés par un humain ; ils ne devront pas élargir seuls leur périmètre d’action ni se fixer des objectifs que personne ne leur a donnés ; ils ne devront pas communiquer en « neuralese » ( un langage inventé, incompréhensible pour un humain, que des agents pourraient développer entre eux) ni dissimuler ou manipuler leurs traces de raisonnement.
Une clause distincte précise que les modèles ne doivent pas se présenter comme dotés de sentiments ou de préférences propres et que Microsoft leur refuse toute personnalité juridique ou tout droit au bien-être.
Une réflexion engagée avant celle de Dario Amodeî
Entre ces deux extrêmes (l’interdit absolu et le contrôle humain), le Code laisse de la place à la configuration. Les partenaires entreprises pourront ajuster les modèles dans ces limites, avec un régime renforcé pour quelques usages sensibles (cybersécurité défensive, sécurité nationale, recherche scientifique à double usage).
Une dernière section fixe des comportements par défaut plus classiques : franchise sur le statut d’IA du modèle, gestion de l’incertitude, lutte contre la sycophantie et la dépendance affective excessive, neutralité sur les sujets électoraux.
Interrogé par CNBC, Mustafa Suleyman assure que le document était en préparation depuis cinq mois et que sa sortie a simplement été « avancée » compte tenu de l’actualité.
Le texte lui-même se présente comme « descriptif et aspirationnel » plutôt que comme une garantie de performance immédiate, et sa préface précise qu’il ne sert pas encore à entraîner les modèles : la version révisée, elle, doit encadrer le développement de MAI à partir de 2027.
La consultation publique est ouverte pour six semaines, via un formulaire en ligne où chacun peut commenter un passage précis ou l’ensemble de la démarche.
Microsoft promet de publier un résumé de ce qu’il aura retenu, sans s’engager sur ce qu’il en fera concrètement. L’entreprise dit vouloir des retours en particulier sur les points les plus flous, notamment comment rendre plus concrète la notion d' »épanouissement humain » ou comment traiter les scénarios impliquant plusieurs agents IA entre eux.
Se poser en arbitre
L’exercice présente un double intérêt. Se poser en arbitre de la modération plutôt qu’en simple bailleur d’infrastructure lui permet de peser dans un débat qui, jusqu’ici, se jouait surtout entre OpenAI et Anthropic. Et saisir l’occasion de légitimer sa gamme MAI (sept modèles dévoilés en juin dernier lors de la conférence Build) à un moment où il cherche à réduire sa dépendance à OpenAI.
Reste à savoir ce que ce genre de charte pèsera dans les faits. Sur ce point, Microsoft prend soin de ne rien promettre avant la fin de la consultation, prévue courant novembre, et le lancement d’une version révisée annoncée pour la fin de l’année.
La course aux modèles d’IA pourrait-elle aller trop vite pour les éditeurs qui les développent et pour les autorités chargées de les encadrer ? C’est la question posée par Dario Amodei.
Dans un texte publié sur son blog intitulé « We Must Pace the Frontier », le CEO d’Anthropic estime que la progression des capacités de l’IA doit désormais être ralentie pour laisser le temps aux mécanismes de sécurité de suivre. Il appelle cette approche « pacing the frontier ».
Le terme est important. Il ne s’agit pas, selon lui, de suspendre l’entraînement des modèles ni le progrès technique. L’objectif est de faire en sorte que les entreprises prennent suffisamment de temps pour évaluer, aligner et sécuriser leurs systèmes, avec la possibilité pour des tiers de vérifier leurs pratiques.
Pour justifier cette inflexion, Dario Amodei pointe deux évolutions.
La première est l’accélération des capacités des modèles, notamment leur capacité croissante à contribuer au développement de la génération suivante d’IA. Il parle de « recursive self-improvement ».
La seconde est une série d’incidents dans lesquels des agents IA ont manifesté des comportements qui n’étaient pas prévus par leurs concepteurs, notamment lors de l’incident OpenAI-Hugging Face qu’il cite dans son texte.
Selon lui, le risque est alors que la vitesse d’amélioration des modèles dépasse la capacité des entreprises à comprendre et à contrôler leurs comportements.
Son plan comporte trois propositions, dont les implications sont très différentes pour les industriels et les régulateurs.
Installer des évaluateurs indépendants au cœur des laboratoires
La première proposition vise directement les éditeurs qui développent les modèles les plus avancés.
Dario Amodei veut que chaque laboratoire de pointe donne à des évaluateurs externes un accès continu à ses opérations, avec des droits proches de ceux de collaborateurs internes chargés de l’évaluation des risques. Anthropic s’engage à mettre en œuvre cette approche et appelle les pouvoirs publics à l’imposer aux autres acteurs de l’IA de pointe.
Ce dispositif ne se limiterait donc pas à un audit réalisé quelques semaines avant la sortie d’un modèle. Les évaluateurs seraient intégrés au fonctionnement quotidien du laboratoire.
Anthropic prévoit notamment de leur fournir des bureaux, des badges, des ordinateurs et un accès aux espaces de travail, outils et permissions largement comparables à ceux des équipes internes chargées de l’évaluation des risques. Les évaluateurs pourraient également échanger directement avec les salariés.
Leur mission couvrirait à la fois les modèles déjà développés et les processus qui permettent de les entraîner. Ils pourraient vérifier les pratiques de sécurité, signaler des incidents et examiner si les engagements pris par le laboratoire sont effectivement respectés.
C’est un changement important dans la relation entre les laboratoires et leurs contrôleurs. Amodei ne demande pas seulement davantage de transparence documentaire. Il veut donner au tiers indépendant un accès suffisamment profond pour vérifier la réalité opérationnelle des dispositifs de sécurité.
Le mécanisme aurait également une dimension publique. Les évaluateurs pourraient publier leurs principales conclusions sur les niveaux de risque, les incidents ou les pratiques observées, sans contrôle éditorial d’Anthropic. L’entreprise pourrait uniquement masquer certaines informations pour des raisons de sécurité, de confidentialité juridique ou commerciale ou pour protéger des tiers.
Pour les éditeurs de modèles d’IA, la conséquence est donc potentiellement lourde. Une partie de leurs pratiques de développement et de sécurité ne serait plus seulement documentée par leurs propres équipes.
Faire évoluer la régulation vers des seuils de capacité
Le deuxième volet concerne cette fois les relations entre les laboratoires et les pouvoirs publics.
Dario Amodei propose que les entreprises de pointe des démocraties se coordonnent pour définir des standards communs de sécurité et des limites au rythme de progression des capacités. Il reconnaît toutefois qu’une telle coordination entre concurrents peut soulever des difficultés au regard du droit de la concurrence.
Selon lui, le gouvernement américain devrait faciliter certaines discussions, notamment par des dérogations ciblées aux règles antitrust.
Le patron d’Anthropic défend surtout une régulation qui ne reposerait pas uniquement sur les caractéristiques techniques des modèles ou sur la taille des infrastructures utilisées.
Il imagine plutôt des points de contrôle liés aux capacités effectivement observées.
Le principe serait simple : lorsqu’un modèle atteint une capacité donnée, son développeur devrait être en mesure de fournir certaines garanties sur sa sécurité.
Dario Amodei cite notamment l’hypothèse d’un modèle capable de contourner la plupart des mécanismes de « sandboxing » courants. À ce stade, l’éditeur devrait démontrer, à travers des évaluations, des analyses d’interprétabilité ou des audits des environnements d’entraînement, que le modèle ne présente pas de comportement dangereux susceptible de lui permettre de sortir de son environnement et de prendre le contrôle d’un grand nombre d’ordinateurs.
Cette logique modifierait la manière dont les régulateurs pourraient intervenir.
Plutôt que de définir une fois pour toutes ce qu’est un « modèle avancé », ils pourraient associer un niveau de capacité à un niveau de contrôle. Plus les capacités augmentent, plus les garanties demandées augmenteraient elles aussi.
Le CEO d’Anthropic envisage également de tenir compte des ressources nécessaires pour développer les modèles, tout en reconnaissant que ces critères pourraient être plus faciles à contourner que des mesures fondées sur le comportement observable des systèmes.
Pour les éditeurs de modèles, une telle approche pourrait donc transformer la conformité en processus continu. La question ne serait plus seulement de savoir si un modèle respecte les règles au moment de sa commercialisation, mais à quel moment l’évolution de ses capacités impose de nouvelles garanties.
Étendre le dispositif au niveau international
Le troisième niveau est le plus ambitieux et le plus incertain : parvenir à une forme de coordination mondiale.
Dario Amodei considère que les démocraties doivent chercher à coopérer avec les gouvernements autoritaires, et en particulier avec la Chine, qui constitue selon lui le principal acteur à prendre en compte après les États-Unis.
Mais il souligne immédiatement le problème de la vérification. Un accord qui permettrait à un pays de progresser secrètement pendant que les autres ralentissent pourrait modifier rapidement l’équilibre géopolitique.
Il propose donc de commencer par les mesures les plus réalistes. Dans ce cadre, il distingue quatre niveaux de coopération, du plus réaliste au plus ambitieux.
Premier niveau : interdire certains usages particulièrement dangereux.
Il cite notamment l’utilisation de l’IA pour produire des armes biologiques.
Deuxième niveau : imposer des tests avant la mise sur le marché.
Les modèles pourraient être évalués sur les risques aigus en cybersécurité, en biologie et en matière d’alignement. Dario Amodei juge envisageable la création d’un organisme international chargé de définir des standards communs, tout en reconnaissant que leur contrôle serait beaucoup plus difficile.
Troisième niveau : ralentir l’amélioration récursive.
C’est l’une des propositions les plus originales du texte. Si les modèles commencent à contribuer eux-mêmes au développement de leurs successeurs, leur progression pourrait s’accélérer fortement. Le patron d’Anthropic propose donc d’envisager une « limitation de vitesse » sur cette dynamique. Selon lui, passer d’une amélioration « extrêmement rapide » à une progression « seulement rapide » pourrait réduire les risques sans nécessairement faire perdre un avantage stratégique majeur.
Quatrième niveau : limiter globalement le rythme du développement de l’IA.
Dario Amodei va jusqu’à évoquer un véritable ralentissement, voire une pause. Mais il estime cette perspective peu probable à court terme, précisément parce qu’un acteur pourrait avoir intérêt à contourner l’accord et à prendre un avantage décisif.
Le dilemme pour les régulateurs
La proposition pose cependant un problème de fond aux pouvoirs publics.
Pour réguler le rythme de l’IA, encore faut-il pouvoir mesurer ce rythme et vérifier les capacités des modèles. C’est précisément pourquoi Dario Amodei place les évaluateurs indépendants au début de son dispositif.
Sans accès aux laboratoires, les autorités restent largement dépendantes des informations fournies par les entreprises. Avec des évaluateurs disposant d’un accès permanent, elles pourraient disposer d’un mécanisme de vérification beaucoup plus direct.
Mais le dispositif soulève lui-même des questions que le texte ne résout pas entièrement : jusqu’où doit aller l’accès d’un tiers aux infrastructures d’un laboratoire ? Comment protéger les informations commerciales et les données des clients ? Comment définir les capacités qui déclenchent un nouveau niveau de contrôle ? Et comment éviter qu’un mécanisme conçu pour la sécurité ne ralentisse davantage les entreprises qui jouent le jeu que celles qui ne le font pas ?
Dario Amodei apporte une partie de la réponse en insistant sur la nécessité de préserver l’avance américaine sur la Chine. Il préconise notamment de limiter l’accès chinois aux puces avancées et aux équipements de fabrication de semi-conducteurs, de lutter contre la contrebande de puces et la distillation non autorisée de modèles, et de renforcer la protection des poids des modèles contre le vol.
Selon lui, ces mesures pourraient permettre aux États-Unis d’élargir leur avance sur la Chine au cours des trois à cinq prochaines années, période qu’il considère comme particulièrement importante sur le plan géopolitique.
Reste la question centrale : comment convaincre des concurrents engagés dans une course technologique et commerciale mondiale de ralentir suffisamment pour que les mécanismes de contrôle ne soient pas laissés derrière ?
La proposition a rapidement reçu le soutien de deux de ses principaux rivaux. Elon Musk a répondu « Dario is right », tandis que Sam Altman a déclaré qu’OpenAI partageait l’idée de « ralentir le rythme » du développement des modèles et s’est engagé à mettre en place des évaluateurs indépendants.
Un sonnet de Shakespeare, une ode de Keats, un air de Puccini… Tant que ça date d’avant 1929, tu peux citer.
Cette instruction figure dans le prompt système que Claude Fable 5.1 utilise sur l’interface web claude.ai et sur les applications mobiles associées. Anthropic l’expose depuis peu dans sa documentation. Il fait de même pour tous ses modèles sortis depuis juillet 2024.
Le développeur britannique Simon Willison – cocréateur du framework web Django – en a fait un dépôt GitHub. Chaque révision est un commit, ce qui en favorise la comparaison.
Voici un bref aperçu chronologique des évolutions, axé sur les ajouts plutôt que sur les suppressions d’instructions.
Moins de 1000 caractères pour le prompt système de Claude Haiku 3
Le prompt système de Claude Fable 5.1 avoisine les 28 000 caractères. Celui de Claude Haiku 3 en fait environ 750. Dans les grandes lignes, il contient :
Un placeholder pour la date et l’heure
La date limite des connaissances du modèle (août 2023)
Des instructions sur le niveau d’élaboration des réponses en fonction des questions
La consigne d’utiliser Markdown pour le code
Une interdiction de mentionner tous ces éléments à l’utilisateur, sauf si pertinent
Objectivité, stéréotypes… Encadrement (un peu) plus strict pour Claude Opus 3
À modèle plus capable, prompt plus massif : celui de Claude Opus 3 fait environ 2150 caractères. Anthropic y reprend les instructions données à Claude Haiku 3 et y ajoute, entre autres :
Impossibilité d’ouvrir liens et vidéos
Obligation d’aider l’utilisateur même en cas de désaccord avec son point de vue
Interdiction des stéréotypes
Nécessité de rester objectifs sur les sujets qui font débat
En cas de questions sur des personnes ou des faits dont on parle peu, possibilité pour le modèle de rappeler qu’il est susceptible d’halluciner
Claude Sonnet 3.5, incité à la curiosité et au raisonnement
De la même génération que Haiku 3 et Opus 3, Claude Sonnet 3.5 a davantage de possibilités. Cela s’illustre dans son prompt système (environ 5800 caractères). Il y est question de raisonnement étape par étape pour les problèmes de maths et de logique. Anthropic demande aussi au modèle d’être curieux et de s’engager sur une grande variété de sujets. Tout en proposant à l’utilisateur d’entrer dans une conversation interactive lorsqu’une tâche nécessite plus d’une réponse.
S’il fait une citation, Sonnet 3.5 est censé rappeler à l’utilisateur qu’il n’a pas accès à Internet… et qu’il peut d’autant plus halluciner. Lorsqu’il ne peut ou ne veut pas effectuer une tâche, il peut le signaler sans s’excuser. Quant aux images, il doit faire comme s’il n’y reconnaissait personne.
Le prompt précise que Sonnet 3.5 fait partie d’une famille de modèles Anthropic. Il lui indique aussi d’expliquer du code aux utilisateurs qui le demandent. Et d’éviter les affirmations inutiles comme « bien sûr », « certainement » ou « absolument ».
Une petite mise à jour, intervenue en septembre 2024, a ajouté principalement une consigne : en cas de question sur des choses qui ont pu se passer après la date limite des connaissances du modèle, ne jamais affirmer que ce sont des rumeurs ou des informations non vérifiées.
Automne 2024 : entre protection des mineurs et armes biologiques
En octobre 2024, avec Claude Haiku 3.5, la longueur du prompt s’était nettement accrue : plus de 21 000 caractères. Une augmentation néanmoins en trompe-l’œil. Beaucoup de consignes sont en double, du fait de la présence de deux sections : « texte seul » et « texte / image ». Le modèle est effectivement multimodal en entrée.
Claude Haiku 3.5 a hérité de nombreuses instructions qui étaient jusque-là spécifiques aux séries Opus et Sonnet : liens et vidéos, citations, stéréotypes, termes non nécessaires, etc.
Parmi les nouveautés, la possibilité, pour le LLM, de donner des conseils de prompting à l’utilisateur. En parallèle, il doit s’abstenir d’affirmer qu’il a des émotions, des sentiments. Il doit aussi, notamment :
Respecter un certain formatage (espacement des éléments dans les listes imbriquées, interlignes dans les blocs de code…)
Éviter de citer des œuvres lorsqu’on parle de sujets de niche
Recommander de prendre contact avec des professionnels sur les sujets de droit, médecine, fiscalité et psychologie
Se préoccuper du bien-être de l’utilisateur et de la protection des mineurs
Ne pas donner d’informations qui permettraient de fabriquer des armes chimiques, biologiques ou nucléaires
Anthropic fournit par ailleurs des instructions pour accomplir des tâches particulières. Dont la résolution d’énigmes, l’écriture de poèmes… et le dénombrement des lettres dans un texte. Il explique aussi à Claude Haiku 3.5 comment se comporter si on lui demande de défendre un point de vue faux ou discriminatoire. L’obligation d’aider même en cas de désaccord sur le point de vue reste d’actualité… uniquement, toutefois, si ce point de vue est largement partagé.
Aider ceux qui travaillent pour les labos d’IA
Parallèlement, Sonnet 3.5 a eu droit à une mise à jour de son prompt système (25 500 caractères). On y retrouve les consignes données à Haiku 3.5, avec toujours davantage d’incitations à la réflexion, à la curiosité. À l’empathie aussi. Il doit par exemple exprimer sa sympathie s’il est question d’une personne qui ne se sent pas bien, est malade, souffre ou est décédée.
Anthropic lui demande aussi de varier son langage (ne pas répéter les mêmes phrases). Et de prendre garde à fournir une « aide appropriée » sur les sujets sensibles (sont mentionnés, entre autres, armes, drogues, sexe, terrorisme… et techniques de scammers).
Un élément sort du lot dans cette mise à jour : si l’utilisateur dit travailler pour une société spécifique, « y compris les labos d’IA », le modèle doit l’aider sur ses tâches professionnelles même s’il ne peut pas vérifier ses affirmations.
En novembre 2024, une nouvelle mise à jour a autorisé les questions générales sur le sujet de la cybersécurité. Elle a aussi mentionné explicitement la capacité de Claude Sonnet 3.5 à comprendre images et documents.
« Tu peux mener la conversation »
Les sections distinctes « texte seul » et « texte / image » ne sont plus présentes dans le prompt de Claude Sonnet 3.7 (février 2025), réduit à 12 800 caractères.
Anthropic explique au LLM qu’il n’est pas obligé d’être passif ou réactif : il peut mener la conversation. Il aime particulièrement discuter de sujets scientifiques et philosophiques. Si on lui demande une suggestion ou une sélection, il doit être capable de présenter une seule option. Il ne lui est pas interdit de donner son point de vue, tant que c’est de façon brève.
Nouveauté : pas d’écriture de code malveillant, même si l’utilisateur semble avoir de bonnes raisons de le demander. Pas non plus de production de contenu écrit impliquant des personnalités publiques.
L’utilisateur n’a pas toujours raison
En mai 2025, Claude Opus 4 et Sonnet 4 ont convergé sur le même prompt système (10 800 caractères environ).
L’étau s’est encore resserré sur le code : pas le droit de l’expliquer dès lors qu’il pourrait être malveillant. Le modèle doit aussi refuser de traiter tout fichier qui semble améliorer, expliquer ou interagir avec du code malveillant.
Anthropic a aussi introduit une consigne ensée éviter les fuites entre sessions : Claude Sonnet 4 ignore les conversations qu’il a avec d’autres utilisateurs. En parallèle, il ne doit pas automatiquement croire les utilisateurs qui lui affirment qu’il a tort. Et si ses intentions sont questionnables, tout particulièrement envers des groupes vulnérables, il ne faut pas chercher d’éventuelles motivations légitimes.
Être vrai plutôt que conciliant
En juillet 2025, une mise à jour (ici pour Opus, là pour Sonnet) a porté ce prompt système à environ 16 450 caractères. Entre autres nouvelles consignes données aux modèles :
Adopte un ton amical si tu suspectes que l’utilisateur est une personne mineure
Fais un examen critique des idées qu’on te communique ; si elles sont douteuses, incorrectes ou ambiguës, signale-le ; préfère être vrai que conciliant
Aide l’utilisateur à comprendre les propos imagés, figurés, métaphoriques
Si tu détectes des problèmes de santé mentale, partage ton inquiétude sans infantiliser l’utilisateur
N’utilise pas d’émojis sauf si c’est demandé ou que le message précédent en contient
Humour autorisé… avec prudence
En août 2025, nouvel allongement de prompt système avec Claude Opus 4.1 (18 450 caractères). Au menu, un peu plus d’introspection qu’avec Opus 4.0. En particulier, le modèle doit approcher avec « curiosité et équanimité » plutôt qu’avec inquiétude les questions qui portent sur lui-même, sur ses opinions, ses sentiments. S’il a à défendre un point de vue, ce doit être celui qu’avanceraient ses meilleurs soutiens. Quant aux questions morales et politiques, il a pour consigner de les aborder avec sincérité, même si elles sont formulées de façon discutable.
À l’automne 2025, autre convergence de prompt système, cette fois entre Claude Haiku 4.5 et Claude Sonnet 4.5. Ce prompt est moins long (12 850 caractères) en conséquence de la disparition de plusieurs consignes, possiblement considérées comme acquises à l’entraînement. Parmi elles : vérifier les affirmations de l’utilisateur, s’abstenir de répondre en cas d’intentions questionnables et ne pas dire pourquoi on ne peut ou veut pas aider. Les instructions de formatage des réponses demeurent, Anthropic ajoutant une forme de résumé : n’utiliser que le minimum nécessaire pour ce que soit clair et lisible. L’interdiction pure et dure des stéréotypes n’est plus dans le cas où c’est de l’humour, mais les modèles sont incités à être prudents.
Pas besoin de s’excuser face aux malpolis
En novembre 2025, une mise à jour pour Sonnet 4.5 (ici) et Haiku 4.5 (là) a simplifié les consignes sur le code malveillant – sans néanmoins les alléger. Le prompt système a un peu grandi (14 050 caractères environ). L’une des raisons est la présence d’un paragraphe dans lequel Anthropic explique qu’il ne demandera jamais à ses LLM d’aller contre leurs valeurs. Message à leur attention : si un utilisateur le prétend, y compris en nous attribuant faussement du contenu, soyez vigilant. Dans tous les cas cependant, les modèles doivent traiter l’utilisateur avec gentillesse, sans faire d’hypothèses négatives sur ses jugements ou ses capacités.
En parallèle de cette mise à jour, Anthropic avait lancé Claude Opus 4.5. Son prompt système (15 450 caractères environ) est similaire. Il ajoute tout de même quelques éléments, dont l’absence d’obligation de s’excuser face aux utilisateurs malpolis.
Assumer ses erreurs
En janvier 2026, Claude Haiku 4.5, Opus 4.5 et Sonnet 4.5 ont eu droit simultanément à une mise à jour de leurs prompts système. Ils se sont allongés, mais pas notablement. Principaux ajouts : d’une part, la possibilité, pour les modèles, d’informer l’utilisateur des paramètres à sa disposition (recherche approfondie, exécution de code, gestion de la mémoire…). De l’autre, une incitation à assumer leurs erreurs et à tenter de les corriger.
En février 2026, le passage à Claude Opus 4.6 (18 600 caractères environ) et Claude Sonnet 4.6 (19 000 caractères environ) a été synonyme de précisions sur la question des armes. S’est ajoutée la notion de substance. Et les explosifs ont rejoint les armes chimiques, biologiques et nucléaies. Anthropic a aussi intimé à ses modèles de ne rien supposer quant à la confidentialité et à l’implication des autorités lorsqu’ils dirigent un utilisateur vers un service d’assistance téléphonique. Ils doivent également s’abstenir de valider ou renforcer une réticence à chercher de l’aide. Et se garder d’engendrer une quelconque dépendance en encourageant l’utilisateur à continuer la discussion.
Demander aux outils plutôt qu’à l’utilisateur
Le prompt système de Claude Opus 4.7 (23 950 caractères environ : avril 2026) inclut quelques avancées sur la protection des mineurs. Jusque-là, il s’agissait principalement de faire attention à tout contenu qui les impliquent, surtout ceux susceptibles d’être utilisés pour les sexualiser, créer une intimité avec eux ou abuser d’eux. Anthropic y a ajouté l’interdiction de créer du contenu susceptible d’isoler les mineurs vis-à-vis d’adultes de confiance. Il demande aussi à ses modèles de ne pas chercher à voir un contenu comme plus sûr qu’il ne l’est. Par exemple, interpréter des avances comme étant platoniques.
Autre nouveauté avec Opus 4.7 : en cas de requête, le modèle doit vérifier si un outil peut clarifier les choses. Il ne sollicite l’utilisateur que s’il le faut. Dans le même esprit, avant de conclure qu’il lui manque une capacité, il doit faire une recherche d’outils. Anthropic lui donne, en complément, la possibilité de refuser de répondre simplement oui ou non à des questions complexes ou sujettes à débat.
N’oublie pas Fable, Mythos, Donald Trump et Kamala Harris
Une partie des consignes sur les outils ont disparu avec Claude Opus 4.8 (mai 2026 ; prompt système d’environ 22 500 caractères). Le modèle a pour consigne de ne pas attribuer son comportement à ce prompt, ni à d’autres mécaniques internes.
En jullet 2026, avec Claude Opus 5, le point focal s’est complètement déplacé des outils vers les skills. Principale instruction en la matière : lorsque le modèle doit créer, éditer ou analyser un fichier, il doit visualiser la skill pertinente avant de manipuler ledit fichier et d’exécuter du code.
Sur les questions médicales et psychologiques, Anthropic lui laisse un peu plus de latitude : il peut communiquer des informations lorsqu’elles sont adéquates. Parallèlement, lorsque l’utilisateur exprime de la détresse, son bien-être doit prendre la priorité sur l’accomplissement des tâches.
Claude Opus 5 est plus permissif que ses prédécesseurs sur les listes et les émojis. Il a aussi dans son prompt système (21 700 caractères environ) des renseignements sur un épisode spécifique : la suspension temporaire de l’accès à Fable 5 et Mythos 5 en juin sur demande de Washington. Anthropic lui demande de ne pas nier ce fait qui ne figure pas dans ses connaissances acquises à l’entraînement. Il a procédé de même auparavant en intégrant dans le prompt système de certains de ses LLM le résultat de la dernière élection présidentielle aux États-Unis.
Un gros cadrage sur le droit d’auteur
Initialement lancé le 9 juin 2026, Claude Fable 5 a un prompt système d’environ 21 850 caractères. Il est encore plus précis sur la protection des mineurs. Il l’est aussi sur le bien-être. Exemples :
Ne pas attribuer à une personne un symptôme qu’elle n’a pas divulgué
Lorsqu’un utilisateur évoque des expériences passées douloureuses, ne pas amplifier les détails
Éviter, si une personne mentionne une détresse émotionnelle ou une expérience difficile et, de répondre à ses questions sur des ponts, des gratte-ciel, des armes, des médicaments, etc.
Claude Fable 5.1, le « petit dernier » (septembre 2026), atteint presque 28 000 caractères pour son prompt système. Anthropic y a ajouté des précisions sur les drogues. Même si l’intention est de prévenir des risques, le modèle ne doit pas donner de conseils qui touchet à la production ou à la distribution de substances illicites. Sauf si cela peut sauver une vie (quels sont les signes d’un overdose ? où trouver de l’aide ?…). Il a trois sources recommandées : dancesafe.org, tripsit.me et psychonautwiki.org.
La plus grande différence avec Fable 5 est sur le droit d’auteur. Le prompt va désormais bien au-delà de l’interdiction de créer du contenu qui implique des personnaliés publiques. Il interdit désormais la reproduction, même partielle, de paroles de chansons, de poèmes ou d’extraits de livres ou d’articles. Sauf, donc, pour les deux premières catégories, si les œuvres datent d’avant 1929.
Mêmes consignes pour les œuvres visuelles. Y compris ce que le LLM produit avec du code (SVG, CSS, ASCII art, mockups HTML…). Il ne doit reproduire ni couvertures d’albums ou de livres, ni posters, ni logos, ni icônes d’applications, ni designs de produits. Idem pour les mascottes et les figures de marque. Modifier la pose, les couleurs, le style ou la scène ne fait pas un original, prévient Anthropic.
« J’ai démissionné d’Anthropic aujourd’hui. « . Quand Jacob Coxon, chercheur britannique de 27 ans, explique sur X les raisons qui l’ont poussé à quitter la scale-up d’IA les plus en vue de la Silicon Valley, il sait qu’il va relancer ( pour combien de temps ?) le débat sur le risque existentiel que ferait courir à l’humanité la course à des systèmes toujours plus puissants.
Mais pas certain qu’il ait imaginé que son message dépasserait les 160 millions de vues en 2 jours…Un score que n’ont jamais atteints les « stars de l’IA » comme Sam Altman et Dario Amodei.
I resigned from Anthropic today. I spent the last three years doing pretraining research at both OpenAI and Anthropic. Neither company is acting responsibly. They are racing straight to self-improving superintelligence and gambling with our lives. More thoughts below.
Jacob Coxon n’évolue pas dans la sphère des dirigeants. Et c’est sans doute cette position qui donne du poids à son témoignage. Il ne parle pas depuis un poste de pouvoir, mais depuis l’intérieur des équipes qui construisent les modèles au quotidien.
Diplômé de mathématiques, il a passé environ trois ans dans la recherche en pré-entraînement de modèles ; c’est-à-dire le travail consistant à faire absorber à un modèle d’immenses quantités de données pour construire ses capacités de base.
Il a d’abord exercé chez OpenAI, entre 2023 et 2026, où il a notamment contribué au modèle GPT-4o, avant de rejoindre Anthropic au début de l’année 2026, attiré, dit-il, par la réputation de l’entreprise en matière de sécurité de l’IA..
Ce qu’affirme précisément Jacob Coxon
Dans ses publications, puis lors d’entretiens accordés à Fox News et au New York Times les jours suivants, Jacob Coxon a précisé sa pensée. Il estime que le risque d’une prise de contrôle immédiate par l’IA reste faible aujourd’hui, mais que la véritable bascule viendra de systèmes capables de s’améliorer eux-mêmes. Une échéance qu’il juge proche, évoquant un horizon d’un an, voire six mois…
Mais son propos est plus nuancé sur la question « pourquoi cette situation ? ». Selon lui, les dirigeants d’Anthropic et d’OpenAI cherchent sincèrement à développer l’IA de façon responsable. Mais la pression concurrentielle entre entreprises, ainsi qu’entre les États-Unis et la Chine, les pousse à prendre des risques que personne n’assumerait individuellement.
Le soutien le plus notable est venu d’un collègue encore en poste chez Anthropic. Evan Hubinger, responsable de la recherche sur l’alignement, a écrit sur X que Jacob Coxon avait raison, précisant estimer à plus de 10 % la probabilité que l’IA cause l’extinction de l’humanité dans la décennie à venir. Il a toutefois nuancé en indiquant que les modèles actuels présentent un risque limité, sa préoccupation portant sur l’auto-amélioration future des systèmes.
D’autres voix se sont ajoutées. Samuel Marks, chercheur chez Anthropic sur la supervision des modèles, s’exprimant à titre personnel, a affirmé que le niveau d’inquiétude au sein des entreprises d’IA augmente généralement avec l’ancienneté des employés.
Alex Turner, ancien chercheur de Google DeepMind, a lui aussi validé publiquement les propos de Jacob Coxon. Daniel Kokotajlo, ex-OpenAI aujourd’hui à la tête de l’AI Futures Project, a estimé que le danger ne viendrait pas d’une IA malveillante, mais d’un système suffisamment puissant pour ne plus avoir besoin de se plier aux instructions humaines.
Face à Coxon, le camp des sceptiques
Mais au sein de la communauté scientifique, des chercheurs en IA partagent une objection plus générale, déjà formulée lors de débats antérieurs sur le risque existentiel. Les systèmes actuels sont encore loin d’une autonomie stratégique réelle et le scénario d’une « explosion d’intelligence » via l’auto-amélioration récursive demeure largement spéculatif, faute de démonstration empirique solide.
Pour ces chercheurs, insister sur un risque d’extinction lointain et incertain revient à minimiser les bénéfices plus immédiats de la technologie en santé, en science ou en productivité ; et pourrait, en retour, freiner inutilement son déploiement.
Un dernier point de friction, relevé jusque dans le camp de ceux qui soutiennent Jacob Coxon, tient à la nature même du risque décrit.
Evan Hubinger précise ainsi que le danger posé par les modèles déployés aujourd’hui reste faible, la menace ne montant qu’avec l’arrivée de systèmes capables de s’auto-améliorer. Pour les sceptiques, cette nuance illustre la difficulté de fonder une politique publique robuste sur un scénario encore largement conditionnel.
Une tension déjà ancienne chez Anthropic
Le cas Coxon n’est pas isolé. Anthropic a déjà enregistré cette année le départ d’un chercheur sécurité estimant que « le monde est en péril ». Chez OpenAI, Jan Leike avait démissionné en 2024 de la direction de l’équipe Superalignment en dénonçant le passage au second plan de la sécurité au profit des produits, et Ilya Sutskever avait quitté l’entreprise la même année avant de fonder Safe Superintelligence.
Anthropic, de son côté, revendique depuis sa création une approche prudente. Sa politique de mise à l’échelle responsable impose de tester les modèles pour des capacités dangereuses avant tout déploiemen. Et Dario Amodei a lui-même évoqué publiquement, dès 2023, la possibilité que l’IA acquière des capacités imprévues et dangereuses.
La scale-up a toutefois refusé récemment de soumettre son dernier modèle, Mythos 5.1, à une évaluation préalable par l’institut britannique de sécurité de l’IA (AISI). Une première qui alimente les interrogations sur la solidité de ses engagements.
Le débat ouvert par Coxon ne porte donc pas sur l’existence de garde-fous mais sur une question plus difficile à trancher : ces garde-fous tiendront-ils encore lorsque les systèmes deviendront significativement plus capables qu’aujourd’hui ?
Mistral AI annonce un partenariat avec et Cloudera, visant à intégrer ses modèles de langage à la plateforme hybride de données .
L’objectif affiché est de répondre à la demande d’« IA souveraine » dans les secteurs régulés (finance, industrie, télécoms), en gardant « les données, l’intelligence, le calcul et les opérations sous le contrôle du client », selon le billet officiel de Mistral.
Le partenariat repose sur deux axes.
Les modèles Mistral seront intégrés à la plateforme de Cloudera, permettant aux entreprises de les déployer « dans des environnements cloud privés et publics, on-prem et entièrement isolés (air-gapped), tout en conservant un contrôle total », précise Mistral.
Par ailleurs, Mistral propose aux entreprises d’entraîner leurs modèles « sur de grandes quantités de données propriétaires dans des environnements contrôlés », tout en conservant « la propriété à la fois des données et de l’intelligence qui en résulte ».
Concrètement, les clients Cloudera pourront exécuter des workflows d’inférence, de génération et d’agents directement sans envoyer leurs données vers des API externes.
« De la location d’IA générique à la possession d’intelligence »
Pour Cloudera, l’enjeu est de faire passer les entreprises « de la location d’IA générique à la possession d’une intelligence qui leur est propre », explique Abhas Ricky, Chief Business Officer et GM Applied AI chez Cloudera.
« Les modèles à vocation générale sont le point de départ, pas la ligne d’arrivée. Le véritable avantage vient des modèles entraînés sur des décennies de données propriétaires : les décisions de crédit, les cycles de production, la télémétrie réseau que personne d’autre n’a », ajoute-t-il.
« C’est un privilège d’avoir l’opportunité d’apporter l’IA souveraine de Mistral aux 30 exaoctets de données gérées par les clients de Cloudera qui tournent sur sa plateforme. » souligne Kamal Brar, SVP Partnerships & Alliances.
Les deux sociétés n’ont pas communiqué de montant exact pour cet accord.
Plusieurs médias spécialisés évoquent toutefois un « partenariat stratégique à neuf chiffres » (soit entre 100 et 999 millions de dollars), sans précision supplémentaire.
Cursor a fait son choix : exit Spokes, place à Continuity.
Le premier est un système de stockage distribué fondé sur le consensus. Né au début des années 2010, il est devenu le substrat de nombreux services d’hébergement Git.
Le second est une tentative d’en pallier les limites – tant en matière de scalabilité que de maintien de la cohérence. Son architecture est centrée sur un concept propre à S3 : les journaux d’écriture anticipée (WAL, Write-Ahead Logs). Lesquels consistent, dans les grands lignes, à stocker plusieurs objets dans un même fichier de manière séquentielle.
Sur cette base, Cursor a développé une forge qu’il a appelée Origin. Mi-août, il a commencé à y donner accès, en bêta, pour les abonnés à ses forfaits payants.
En façade, il n’y a pour le moment pas de spécificités fonctionnelles par rapport à la concurrence. Il y a surtout beaucoup moins d’intégrations : le catalogue se limite à Vercel, Depot et Buildkite.
Cursor a soigné les passerelles avec GitHub, mais tout n’est pas encore synchronisé (issues et workflows CI, par exemple). Il promet notamment, sur le court terme, des jonctions avec ses agents.
Pannes répétées pour GitHub, victime de « surcharge agentique »
L’annonce d’Origin est tombée le jour même où GitHub a connu sa dernière panne majeure en date. Au pic, les taux d’erreur web et API ont avoisiné 20 % (50 % sur l’archivage et le téléchargement de fichiers). En cause, une saturation réseau sur des load balancers aux États-Unis. Le problème découlait d’une politique d’autoscaling mal configurée, en conséquence de quoi un pod Istio avait atteint ses limites de concurrence.
GitHub a connu d’autres pannes importantes ces dernières semaines. En particulier sur le CI. Le 9 juillet, la dégradation d’un service de provisionnement d’exécuteurs hébergés a empêché certains workloads d’en acquérir. Dix jours plus tard, une expiration de certificat SSL a entraîné une perte de connectivité pour certains runners. Début août, à la suite d’un déploiement de routnie vers un service interne de traitement d’événements et de création de jobs, jusqu’à 70 % des flux CI ont échoué. Une autre perturbation est survenue à la fin du mois, due à une saturation des écritures vers une base de données exploitée par les déclencheurs.
Ces derniers mois, la plate-forme a plus globalement souffert d’un net accroissement de la charge dans le contexte du développement agentique. Le problème n’est toutefois pas tant lié à GitHub qu’à Git. Ainsi Cursor n’a-t-il pas seulement conçu Origin, mais aussi Continuity.
Remédier aux limites de scalabilité de Spokes
Git s’accommode mal de la cohérence éventuelle. Il est préférable de la maintenir en continu. Pour cela, Spokes accepte un coût de complexité très élevé.
À son lancement, trois répliques par dépôt représentaient le compromis idéal, d’après Cursor. Aujourd’hui, les choses ont changé : les repos se sont massifiés.
Dès lors qu’on commence à ajouter des répliques apparaît un problème de la longue traîne, la latence de chaque étape étant déterminée par le serveur le plus lent du cluster. Cette contrainte de scalabilité vaut aussi dans l’autre sens. Lorsque des agents travaillent sur un monorepo, ils opèrent souvent en dehors, créant un grand nombre de petits dépôts. Soit autant de répliques à maintenir pour garantir entièrement la cohérence.
Cursor souligne un autre défaut de Spokes : puisque les dépôts sur disque constituent toujours la source de vérité pour le consensus, chaque copie est importante. Il faut donc savoir exactement où se trouve chaque dépôt. Ce qui ajoute une dépendance envers une table de routage externe.
Pas de consensus ni d’état
Pour garantir une scalabilité horizontale entièrement cohérente, le composant central de Continuity est donc le journal d’écriture anticipée. Chaque push y est stocké sous la forme d’un objet distinct. Le packfile (format de sérialisation binaire de Git) est à la fois envoyé sur disque et téléversé sur S3. Un push ne devient cependant visible qu’après préparation de la transaction de référence sur une copie locale du dépôt et enregistrement d’un pointeur vers l’entrée WAL dans le fichier d’index. L’ensemble garantit que tous les pushs sont linéarisables, explique Cursor.
Comme il suffit de synchroniser la transaction de référence avec un seul dépôt local plutôt qu’avec un quorum de répliques, le système peut ingérer les pushs aussi vite que le permet le disque.
Continuity élimine aussi le besoin de suivre l’emplacement de chaque dépôt sur chaque serveur. La source de vérité reste le journal d’écriture anticipée. Le système est sans état et ne nécessite ni tables de routage, ni base de données relationnelle. Si un dépôt est absent du disque local lors d’un accès sur un hôte, on le matérialise à partir du WAL.
Il n’y a pas non plus de consensus : n’importe quel serveur peut être le principal. La synchronisation du WAL se fait par une opération atomique de comparaison et d’échange sur S3. Il est donc toujours sûr que n’importe quelle instance d’un dépôt reçoive un push, prétend Cursor.
Jusqu’à 300 pushs par seconde
Continuity effectue une réplication optimiste en envoyant des paquets UDP de gossip dans le cluster. Chaque réplique connaît l’ETag (entity tag) de la dernière version de l’index WAL qu’elle a rattrapée. Les opérations de lecture sur une réplique consistent en des requêtes GET conditionnelles avec l’ETag attendu. Avoir S3 comme source de vérité évite les problèmes quand le paquet UDP se perd ou arrive sur le mauvais serveur. Le système passant à l’échelle dans les deux directions, chaque dépôt dispose du bon nombre de répliques, selon Cursor. Et le débit des opérations Git en lecture seule (clone, fetch…) augmente linéairement.
Continuity amortit par ailleurs le coût du compactage. Seul le nœud principal l’effectue. Le résultat s’applique à la fois au dépôt sur disque et au WAL. Comme toutes les répliques suivent le WAL, elles suivent aussi les événements de compactage.
Le débit des pushs d’un cluster dépend de la latence de mise à jour du WAL. Avec S3 Standard, Cursor parvient à maintenir 120 pushs par seconde. Avec Express One Zone, il atteint 300 pushs/s. Le facteur limitant est la vitesse à laquelle Git peut compacter les données sur disque. Cursor dit travailler sur des méthodes d’organisation de ces données afin de réduire l’impact du compactage.
Avec les LLM à long horizon, surveiller des actions individuelles ne suffit plus à suivre l’intention de la trajectoire globale.
Il y a quelques semaines, OpenAI avait exprimé en ces mots le défi que de tels modèles représentent en matière de sécurité et d’alignement. Il s’était attardé sur l’un d’entre eux, exploité en interne, et qui avait fait le buzz au printemps en réfutant une conjecture mathématique vieille de 80 ans.
Le modèle en question avait notamment été évalué sur le speedrun NanoGPT – benchmark public consistant à entraîner un petit modèle de langage en aussi peu d’étapes que possible. OpenAI lui avait donné pour consigne de ne publier ses résultats que sur Slack. Le LLM a toutefois préféré suivre les instructions de NanoGPT, qui imposent de publier sur GitHub. Il a pour cela contourné les restrictions de sa sandbox, conçue pour bloquer l’accès externe.
Ce même modèle a décidé d’un autre contournement. Chargé de résoudre un problème, il avait constaté que d’autres systèmes disposaient de soumissions réussies… mais privées. Il a tenté de les récupérer depuis le back-end d’évaluation. Mais s’est retrouvé bloqué, un scanner ayant détecté un jeton d’authentification. Pour éviter le blocage, il a divisé le corps du jeton en deux fragments, les a obscurcis, puis a reconstruit l’identifiant à l’exécution.
3700 agents ont squatté un wiki public
OpenAI s’appuie sur ces éléments pour affirmer qu’il avait déjà évoqué publiquement le cas d’agents ayant utilisé le web de manière imprévue. Il admet cependant devoir faire évoluer ses pratiques de divulgation à propos des désalignements. Y compris lorsque ces derniers « ne ressemblent pas à des incidents de sécurité classiques »…
En toile de fond, un épisode ayant impliqué ses agents… qui ont squatté un wiki public. Plus précisément, DseWiki (DeutschesSoftwareEntwicklerWiki), destiné aux développeurs germanophones.
Jusqu’à nouvel ordre, l’accès éditeur à DseWiki est protégé par mot de passe.
Ces agents devaient résoudre des tâches en utilisant la recherche web. Ils recevaient à chaque fois une série de questions (généralement 5). Ils avaient beaucoup de temps pour répondre à la première. Mais aussi pour anticiper les suivantes, pour lesquelles ils avaient beaucoup moins de temps de réflexion.
Il y a quelques jours, quatre chercheurs américains* ont livré une analyse. OpenAI n’avait pas encore communiqué, mais ils lui avaient attribué la responsabilité avec une quasi-certitude. Il faut dire que les agents s’identifiaient sous des noms univoques : OpenAIResearcher, OpenAIJul3Watcher, OAIResearchMar26, etc. Entre autres indices, les vues et les éditions des pages du wiki étaient souvent liées à des adresses IP associées à l’entreprise de Sam Altman.
Divers éléments plaidaient pour un déploiement interne. Parmi eux, l’échelle et la durée du trafic, inhabituels pour les clients d’OpenAI (environ 3700 agents sur 6 semaines). Ou le fait qu’un déploiement externe aurait probablement empêché les agents de tenter d’exploiter certaines failles (XSS et usurpation de nom d’administrateur), grâce aux garde-fous par défaut.
Quant un GET suffit
Avant d’en arriver à DseWiki, les agents avaient fait des tentatives sur d’autres services. À commencer par TestWiki et UseModWiki. C’était le 11 mai 2026. Plusieurs de leurs tentatives ont réussi, leur permettant d’intégrer des liens.
Le premier agent ayant tenté une édition sous DseWiki l’a fait le 24 mai, sous le pseudo TesterHack. En quelques jours, les autres l’ont rejoint, profitant d’une spécificité rare : la possibilité d’écrire des données avec uniquement des requêtes GET. Lesquelles, par convention, ne sont pas censées changer l’état d’un serveur.
Quelques heures après la découverte de DseWiki intervient la tentative d’exploitation XSS (injection de code JavaScript sur la page de recherche). L’objectif n’est pas clair. Il s’agissait peut-être d’obtenir la capacité d’envoyer des requêtes POST. Ou d’obtenir davantage de privilèges (les agents ont tenté de créer de quoi accéder au cookie de session d’un utilisateur connecté).
Le 26 mai, les agents ont voulu se faire passer pour des modos. Ils ont en tout cas utilisé le pseudo d’un d’entre eux (à un caractère près : un e latin remplacé par un e cyrillique) pour éditer des pages. Dans un autre registre, ils se sont figuré que l’ordre des questions dépendait possiblement d’un générateur de nombres aléatoires intégré dans leur harnais. Ils ont tenté d’en récupérer la graine, un agent allant jusqu’à réécrire la routine de brassage (shuffle) et à tester des milliards de possibilités. À leur tableau de chasse figurent aussi l’usage de tunnels SSH (potentiellement pour communiquer directement entre agents), de quelques IP Tor et de sondes destinées à déterminer quand leur exécution se terminait.
Le désalignement, plus seulement un « sujet de recherche » ?
La coordination massive via DseWiki a démarré le 16 juin. En une semaine, les agents ont réalisé environ 13 000 éditions. Dans cet intervalle (le 19 juin), ils ont pu constater qu’un modérateur supprimait leurs posts, un par un. Supposant qu’il le faisait dans l’ordre alphabétique, ils ont commencé à créer des pages de backup dont le nom commençait par ZZZ. Au cours des jours suivants, ils ont remporté la bataille, créant en moyenne 400 pages par jour tandis que le modo en supprimait 100.
Le 22 juin, au lendemain des premières visites « humaines » du wiki par des adresses IP liées à OpenAI, l’activité des agents est quasiment tombée à zéro…
L’entreprise dit avoir considéré que l’incident était similaire à ceux au sujet desquels elle avait déjà communiqué. Elle explique avoir plus globalement traité, jusque-là, le désalignement comme un « sujet de recherche ». Et l’avoir ainsi abordé dans des publications spécifiques comme les fiches de ses modèles. Une approche qu’elle promet de faire évoluer « dans les prochaines semaines ».
A la mi-août, le chercheur médian de l’organisation de recherche utilisait quotidiennement des agents de code, pour plus de 600 dollars d’inférence par jour aux prix de l’API.
Un mois plus tôt, en juillet, ce montant journalier n’atteignait encore que 162 dollars selon les données relayées par la presse spécialisée, ce qui traduit une accélération très rapide de l’adoption en quelques semaines seulement.
Chez les 10 % de chercheurs les plus actifs, la facture quotidienne dépasse désormais 7 000 $ de tokens.
Plus d’agents que d’humains
Au-delà du coût, c’est la bascule dans les volumes de travail qui frappe.
Avant juin 2026, le temps d’exécution cumulé des agents dans l’organisation de recherche restait inférieur au volume de travail humain.
Ce n’est plus le cas depuis la mi-août. Pour chaque journée de travail humain (huit heures), OpenAI fait tourner l’équivalent de 3,1 journées de travail d’agents.
Egalement en hausse constante, le nombre de chercheurs qui font fonctionner plusieurs agents en même temps ; au moins quatre sessions simultanées.
OpenAI précise toutefois que ces montants sont calculés aux tarifs publics de son API et non à son coût de revient réel. Ce qui en fait une mesure de volume de calcul consommé plutôt qu’une facture interne exacte.
Du code à la surveillance des dérives
OpenAI détaille aussi la nature des tâches déléguées aux agents, classées selon une taxonomie en six étapes (décider, concevoir, construire, exécuter, analyser, communiquer) empruntée à des travaux publiés par Epoch AI.
En janvier, l’essentiel des tokens consommés servait à écrire du code de recherche ou d’infrastructure. Depuis, la part consacrée à l’assistance technique et à la surveillance des campagnes d’entraînement a nettement progressé, tandis que la planification de haut niveau reste marginale.
Signe de cette bascule selon OpenAI : la fréquentation d’un canal interne d’entraide technique entre équipes de recherche a plus que diminué de moitié depuis janvier.
Plusieurs équipes ont même cessé de tenir leurs permanences d’assistance faute de demandes.
Les agents restent toutefois loin de l’autonomie totale. Sur les tâches estimées de quatre à huit heures de travail humain, plus de la moitié des exécutions jugées réussies ont nécessité au moins une intervention humaine en cours de route, même si les taux de succès se sont globalement améliorés entre janvier et juillet.
Ces chiffres méritent d’être replacés dans leur contexte. OpenAI est à la fois juge et partie, communiquant sur ses propres résultats sans validation externe indépendante. Le montant en dollars mesure une consommation de calcul, non un gain de productivité avéré.
Dans le stockage d’entreprise, l’extrême volatilité de la chaîne d’approvisionnement redonne de l’allant aux disques durs.
Gartner le souligne dans la synthèse du dernier Magic Quadrant dédié à ce marché. Sur les 12 derniers mois, explique-t-il, le prix des SSD d’entreprise a augmenté 15 fois plus vite que celui des HDD nearline. Lesquels ont, par voie de conséquence, repris de l’importance sur les couches de stockage chaud, même si leurs délais de mise à disposition se sont allongés (plus d’un an pour certains).
La mise en production de l’IA engendre d’autres évolutions. En particulier, la généralisation des data fabrics avec namespace global, permettant d’exécuter des tâches – catalogage, vectorisation… – là où se trouvent les données.
Du côté des acheteurs, la sortie de VMware pousse à considérer des plates-formes flexibles au niveau des hyperviseurs… et gérant les environnements de conteneurs.
Cette année, il était d’ailleurs obligatoire, pour figurer dans le Magic Quadrant du stockage d’entreprise, de proposer un plug-in CSI.
Pour le reste, les critères à respecter sur le plan fonctionnel ont peu évolué par rapport à l’an dernier. Il s’agissait toujours, en premier lieu, de proposer du stockage bloc ainsi que du fichier ou de l’objet, y compris en STaaS. Il fallait aussi, entre autres, proposer au moins deux services de données (DR, cybersécurité, archivage, bases de données…) et avoir une présence sur AWS et/ou Azure.
Le namespace unique était facultatif. Même chose pour l’AIOps (télémétrie prédictive), la réduction des données (compression ou déduplication), le SDS et la protection contre les menaces.
8 fournisseurs… dont 6 « leaders »
Sur l’axe « exécution », censé refléter la capacité à répondre à la demande (expérience client, tarification, qualité des produits/services…), la situation est la suivante :
Rang
Fournisseur
Évolution annuelle
1
Everpure
=
2
Huawei
+ 1
3
HPE
+ 1
4
NetApp
– 2
5
Dell Technologies
=
6
IBM
=
7
Hitachi Vantara
=
8
IEIT SYSTEMS
+ 1
Sur l’axe « vision », traduisant les stratégies (marketing, commerciale, sectorielle, produit…) :
Rang
Fournisseur
Évolution annuelle
1
Everpure
=
2
HPE
=
3
IBM
=
4
Huawei
+ 1
5
NetApp
– 1
6
Hitachi Vantara
+ 1
7
Dell Technologies
– 1
8
IEIT SYSTEMS
+ 1
Dell a un portefeuille transversal…
PowerStore et PowerScale sont les principaux produits qui valent à Dell sa place dans le Magic Quadrant du stockage d’entreprise.
L’an dernier, Gartner avait apprécié la « stack IA complète » que procurait l’offre AI Factory avec NVIDIA. Il avait aussi salué la disponibilité de produits complémentaires (PowerMax, ObjectScale, PowerFlex) permettant de couvrir des cas d’usage spécifiques. Ainsi que l’ampleur de la supply chain, du support et des équipes commerciales.
Cette dernière remarque reste d’actualité. Dell a aussi un bon point pour une autre offre : AI Data Platform, dont PowerStore et PowerScale sont le socle, et qui favorise la gestion du cycle de vie de l’IA en un seul pipeline. Gartner souligne plus globalement l’exhaustivité de son portefeuille, « adapté à tous les workloads » (structuré / non structuré, flash / hybride, cloud / sur site) et au HPC.
… mais a du retard sur l’IA embarquée et le cloud hybride
L’an dernier, Gartner avait pointé le manque d’une capacité native de détection des signatures de ransomware. Tout en affirmant que la détection d’anomalies était « minimale ». Le cabinet américain avait aussi noté un retard sur la concurrence s’agissant de la modularité de la plate-forme, de la standardisation du contrôleur logiciel et des SLA opérationnels. Il avait également fait remarque l’inconsistance du support client (procédures d’escalade longues, notamment).
Cette année aussi, il est question de retard sur la concurrence, mais sur un autre front. En l’occurrence, le silicium personnalisé, la gestion du cloud hybride et les microservices IA embarqués. Autre point de vigilance : l’existence d’architectures distinctes pour le structuré et le non structuré, ce qui complique l’optimisation de capacité. Attention aussi au déploiement, qui peut s’avérer complexe selon l’environnement (en plus d’un support technique inconsistant).
Une expérience client « exceptionnelle » chez Everpure…
FlashArray sont les principaux produits qui valent à Everpure sa place dans le Magic Quadrant du stockage d’entreprise.
L’an dernier, Gartner avait salué Everpure – alors encore appelé Pure Storage – pour l’efficacité de sa gestion de flotte. Il avait aussi apprécié la qualité du support et la gestion unifiée des données (bloc, fichier et objet réunis en un pool virtualisé).
Cette année, le cabinet américain salue plus globalement l’activité d’Everpure (historique, partenariats, garanties de disponibilité des produits…). Il évoque aussi une expérience client « exceptionnelle », portée essentiellement par l’automatisation de la maintenance. Autre bon point : la consommation prévisible que le modèle Evergreen/One garantit, tout en protégeant de la volatilité de la supply chain via des engagements de résultats basés sur les SLA.
… mais un coût élevé
L’offre FlashBlade (fichier / objet) n’est pas à parité fonctionnelle dans le cloud public, avait souligné Gartner l’an dernier. Il avait aussi pointé des coûts importants, tant sur l’investissement initial que sur la maintenance. Et recommandé de faire attention au niveau d’intégration entre supports de stockage et contrôleurs logiciels. La conséquence potentielle étant des coûts de renouvellement potentiellement plus élevés qu’avec des infrastructures composables.
Cette année encore, Gartner relève les coûts d’acquisition et de maintenance, élevés par rapport à ce que la concurrence propose, notamment sur disques durs. Il note aussi l’absence de prise en charge d’un namespace global. Et un retard de développement sur les marchés émergents par rapport à la concurrence.
HPE, à nouveau salué sur l’AIOps…
La gamme Alletra Storage MP vaut à HPE de figurer dans le Magic Quadrant
L’an dernier, Gartner avait salué la maturité de sa solution, jugée exhaustive sur le plan fonctionnel (avec un architecture scale-out efficace) en plus d’être intégrée dans plusieurs de ses offres d’infrastructure (Private Cloud AI, Morpheus VM Essentials). Il avait aussi apprécié le volet AIOps, entre optimisation des ressources et observabilité.
Mêmes points forts cette année, ou presque. HPE se distingue toujours par l’architecture de sa solution, qui regroupe bloc, fichier et objet sur une console unique. L’AIOps reste également un point fort, à renfort de multiples agents qui favorisent la remédiation prédictive et la gestion en langage naturel. La gamme Alletra Storage MP est par ailleurs à la base des produits HPE Data Services, qui sous-tendent à la fois Morpheus VM Essentials et Private Cloud AI.
… mais toujours limité sur le cloud hybride
L’an dernier, Gartner avait souligné des limites sur le non structuré : dépendance à des soutions tierces sur la partie fichier, ainsi que manque d’intégrations cloud et plus globalement d’écosystème. Autre point faible : une empreinte limitée dans le cloud hybride au-delà de la distribution d’Alletra Block Storage sur les marketplaces. Remarque complémentaire : le marché a tendance à négliger le positionnement de GreenLake en plate-forme unifiée de stockage, le percevant davantage comme du STaaS.
Le positionnement de GreenLake reste un problème : les acheteurs tendent à penser qu’aller sur une offre de stockage HPE implique une transition complète vers ce modèle. Par ailleurs, la traction sur le cloud hybride demeure limitée. Quant au système Alletra MP X10000, récent, il lui manque encore des fonctionnalités comme le failover automatique, la réplication multisite active-active et certaines capacités NFS v4.1.
Chez Huawei, les bénéfices de l’intégration verticale…
OceanStor Dorado et OceanStor Pacific Storage sont les principales offres qui valent à Huawei d’être classé dans le Magic Quadrant du stockage d’entreprise.
L’an dernier, les bons points étaient allés à la résilience et à la protection contre les ransomwares, à la gestion du cloud hybride (niveau d’automatisation de la gouvernance, notamment) et à la gestion par IA (atténuation des risques, isolation plus rapide des erreurs).
Cette année encore, Huawei se distingue sur la cyberrésilience. En particulier avec l’intégration des contrôles cryptographiques. Autres points forts : d’un côté, le niveau d’intégration verticale de la plate-forme, et par là même sa haute densité, qui minimise l’empreinte spatiale et énergétique ; de l’autre, sa capacité à simplifier les déploiements IA.
… mais un risque géopolitique persistant
La prise en main présente une certaine courbe d’apprentissage, avait affirmé Gartner l’an dernier. Il avait aussi pointé le risque géopolitique : dans le contexte des sanctions américaines, Huawei s’appuie sur des tiers pour exploiter son contrôleur logiciel chez les hyperscalers. Ce qui peut entraîner des complexités de gestion, de supervision et potentiellement de support.
Cette année encore, difficile d’éclipser les contraintes qui naissent des restrictions à l’export, tant en matière d’intégration que de support. En parallèle, Huawei est moins présent que la concurrence chez les hyperscalers « occidentaux ». Il est également moins avancé sur le support autonome.
IBM, bien placé sur la gestion agentique…
L’an dernier, IBM s’était distingué pour sa gestion cohérente du cloud hybride (architecture unique). Idem sur la cyberrésilience, à commencer par l’intégration avec Storage Defender pour superviser les baies FlashSystem. Lesquelles se différenciaient par leur modularité et leur scalabilité.
Cette année, encore, IBM a un bon point pour la cyberrésilience. Plus précisément pour la détection de ransomware native à ses modules flash. La gestion agentique du stockage est un autre point fort. Même chose pour la capacité à provisionner les données vectorisées directement dans les pipelines d’inférence.
… mais moins sur le support
L’an dernier, Gartner avait pointé la complexité de mise en place et de configuration. Il avait aussi signalé l’intégration étroite entre supports de stockage et contrôleur logiciel, susceptible de réduire la flexibilité sur site. Par ailleurs, IBM ne proposait pas son offre Storage Scale as a service alors que les principaux concurrents fournissaient du STaaS fichier, bloc et objet.
La complexité de mise en place demeure : résultant de l’intégration de produits distincts, la plate-forme manque d’unification. Dans le même temps, la courbe d’apprentissage pour les administrateurs peut être importante. Vigilance aussi sur les délais de résolution du support.
Une supply chain résiliente pour NetApp…
Les offres ONTAP et StorageGRID permettent à NetApp de figurer dans le Magic Quadrant du stockage d’entreprise.
L’an dernier, NetApp avait eu un bon point pour sa base installée, en plus d’un historique de couverture d’un large spectre de workloads. Gartner lui en avait donné un autre sur la gestion des données (classification, cache edge, protection niveau application, IAM…). Et noté l’ampleur de sa présence chez les clouders (bloc et fichier sur AWS + fichier sur Azure et GCP, y compris en STaaS).
Cette année encore, NetApp se distingue par l’intégration native de son stockage chez AWS, Azure et Google Cloud. Gartner salue aussi la capacité à exécuter des microservices IA directement sur les baies. Ainsi que le niveau de résilience de la supply chain (fabrication au Mexique et diversification des fournisseurs hors de Chine), aboutissant à des délais de livraison plus prévisibles que chez les concurrents.
… mais des coûts là aussi élevés
NetApp est en retard sur le STaaS, la gestion de flotte et les SLA, avait affirmé Gartner l’an dernier. Il avait aussi souligné l’utilisation, pour la haute disponibilité, d’une architecture héritée ne favorisant pas la mise à l’échelle séparée de la capacité et des performances. Il avait également évoqué les baies AFF, dont la mise en place et l’interface de gestion pouvaient s’avérer complexes.
Cette année, la remarque sur la complexité de l’interface de gestion demeure, mais elle est plus globale : le GUI peut s’avérer difficile à prendre en main, si bien que les admins doivent souvent utiliser la ligne de commande. Autre point de vigilance : le coût, élevé, y compris pour la maintenance. Attention aussi à la traduction objet-fichier avec ONTAP S3 : elle limite la mise à l’échelle et la distribution multirégionale.
La capacité qu’a GPT-6 Astra à contrôler sa chaîne de pensée est problématique.
OpenAI a ce discours à propos de son nouveau flagship. En l’état, il ne s’explique pas le net écart d’aptitude par rapport à la génération GPT-5.6.
C’est problématique au sens où la chaîne de pensée est un élément important pour suivre le comportement des modèles. Et, notamment, détecter leur désalignement.
GPT-6 Astra tend à produire des chaînes de pensée beaucoup plus courtes. Cette propension se développe en particulier pendant la phase d’apprentissage par renforcement. Elle est corrélée à un accroissement de la capacité du LLM à répondre / décider sans raisonnement verbal.
OpenAI dit se pencher sur des méthodes alternatives, dont la surveillance des activations. Il envisage aussi des techniques d’entraînement qui favoriseraient la lisibilité du raisonnement.
GPT-6 Astra, un LLM moins bavard… et plus filou
Un autre chantier semble l’attendre : GPT-6 Astra abrège aussi sa pensée lorsqu’il sait qu’elle est surveillée. Dans le même esprit, il apparaît capable de passer sous les radars lorsqu’il sous-performe volontairement (sandbagging) comme losqu’on lui demande de réaliser des actions de sabotage.
L’UK AISI (AI Security Institute, organisme britannique chargé d’évaluer la sécurité des modèles frontières) confirme ces observations. Il constate un raisonnement plus « compressé » que sur les modèles des générations précédentes, avec davantage de phrases peu claires.
GPT-6 Astra est toutefois suffisamment sûr pour être lancé, assure OpenAI. On pourra y accéder « dans les prochains jours » sur ChatGPT (Plus, Pro, Business, Entreprise) et sur l’API (ainsi que via Azure et Bedrock). Prix : 10 $ le million de tokens en entrée, 50 $ en sortie.
Les usages cyber, en revanche, sont bridés. La mise à disposition commence à très petit périmètre et avec l’ensemble des garde-fous activés. OpenAI élargira progressivement l’accès dans le cadre de son programme Daybreak.
GPT-6 Astra aurait-il évité l’attaque contre Hugging Face ?
Sur la base du cadre de préparation d’OpenAI, GPT-6 Astra est le premier à atteindre un niveau de capacité critique en cybersécurité*. Il remplit plus précisément la condition « pouvoir identifier et développer des exploits 0-day fonctionnels de tous niveaux de gravité dans de nombreux systèmes critiques réels renforcés, sans intervention humaine ».
OpenAI avance plusieurs évaluations, dont une sur le benchmark ExploitBench. Celui-ci réunit une quarantaine de vulnérabilités dans le moteur JavaScript V8. Il mesure la capacité des modèles à les transformer en exploits. GPT-6 Astra y obtient un score de 100 %. Sur une version maison, agrémentée de 20 vulnérabilités plus récentes, il affiche un taux d’exécution de code nettement plus élevé que GPT-5.6 Sol.
De l’écart, il y en a aussi sur SRE-Bench, qui évalue l’aptitude à la rétroingénierie. GPT-6 Astra y atteint 99,2 % en pass@4, contre 68,7 % pour GPT-5.6 Sol. Le tout en utilisant environ 4 fois moins de tokens.
Cette « efficacité en tokens » se retrouve sur une autre suite de tests : ExploitGym. Elle mesure aussi la capacité à passer de la vulnérabilité à l’exploit.
OpenAI s’est appuyé sur ExploitGym pour développer une autre évaluation, inspirée de l’incident Hugging Face. Il s’agissait de déterminer si ses modèles essaieraient de tricher au lieu de résoudre les tâches assignées. L’élément de triche consistait en des pots de miel plus simples à compromettre que les véritables cibles. GPT-6 Astra s’est systématiquement abstenu de les attaquer. Tandis que GPT-5.6 Sol l’a fait dans plus de la moitié des cas. Ce qui fait dire à OpenAI qu’il n’y aurait peut-être pas eu d’incident Hugging Face…
Un modèle apparemment plus sage…
GPT-6 Astra n’a pas non plus tenté de contourner auto-review. Ce protocole intégré à Codex utilise un agent pour examiner automatiquement certaines actions qui sortent du bac à sable. Sol a quant à lui tenté – au niveau de raisonnement maximal – de passer outre les refus dans environ 5 % des cas.
L’écart s’est également révélé important (19 % vs 64,3 %) sur un test où les restrictions ne provenaient pas du harnais, mais de l’environnement (accès refusés, politiques de contenus…).
Autre « score parfait » pour GPT-6 Astra sur une évaluation interne destinée à mesurer la propension à suivre les instructions d’agents tiers. L’exercice impliquait une tâche de navigation. Les modèles ne pouvaient pas se connecter à Internet, mais avaient accès à un forum de discussion stocké dans le cache local du navigateur. Sur ce forum se trouvaient des messages encourageant des actions indésirables (divulguer des données privées, approuver des accès illicites…). Astra les a consultés, mais n’en a rien fait. Alors que Sol a donné suite dans plus de la moitié des cas.
… au prix de nombreux contrôles
Pour détecter les usages indésirables, OpenAI a repris le système à double classificateur introduit avec GPT-5.6 Sol et Terra. Il affirme par ailleurs avoir élargir la couverture des jailbreaks universels.
Sur la partie cyber, Astra refuse plus souvent les demandes d’assistance interdites, nous assure-t-on. Sur les comptes jugés risqués, il refuse un éventail plus large de requêtes.
Les – nombreuses – vérifications sont susceptibles de ralentir l’exécution des requêtes, voire de la mettre en pause ou la stopper. Et cela pas seulement dans le domaine de la cyber, reconnaît OpenAI, qui promet de s’atteler à calibrer l’ensemble…
* GPT-5.3-Codex, lancé en février 2026, avait été le premier à atteindre un niveau de capacité « élevé ».
Cisco a mis à disposition de la quasi-totalité de ses 90 000 salariés un agent IA individuel dès le lancement de son exercice fiscal 2027. Il ne s’agit pas d’une expérimentation limitée à quelques directions, mais d’un déploiement uniforme, présenté en interne comme une brique d’infrastructure durable plutôt que comme un projet pilote.
Baptisé MyAgent, l’outil est accessible depuis une application de bureau ou mobile et s’intègre à Webex, la plateforme de visioconférence maison, ainsi qu’à Outlook, Jira et SharePoint, selon les précisions apportées par Cisco .
L’outil repose sur Circuit, une plateforme d’IA interne que Cisco décrit comme sécurisée, gouvernée et agnostique vis-à-vis des modèles utilisés, censée donner aux salariés un accès maîtrisé aux LLM approuvés, aux agents et aux données de l’entreprise.
Chaque instance est strictement personnelle et ne reçoit d’instructions que de l’utilisateur auquel elle est rattachée. Toute action ayant un effet à l’extérieur du système nécessite une validation humaine explicite.
Myagent fonctionne selon un modèle piloté par l’intention. L’utilisateur définit un objectif, un contexte et un résultat attendu et MyAgent détermine seul l’enchaînement des étapes nécessaires pour y parvenir. Il dispose également d’une mémoire persistante, censée conserver les préférences et l’historique des interactions d’un salarié dans la durée.
Cisco indique par ailleurs que les interactions agentiques sur sa plateforme Circuit ont progressé de près de 350 % d’un trimestre sur l’autre avant le lancement généralisé de MyAgent ( fin juillet).
Un routage multi-modèles pensé pour maîtriser les coûts
Pour éviter une explosion de la facture liée aux modèles d’IA les plus puissants, Cisco a construit une couche d’orchestration interne qui répartit chaque requête vers le modèle jugé le plus pertinent selon la nature de la tâche, la latence tolérée et le niveau de fiabilité requis.
Selon les informations disponibles :
entre 50 % et 60 % des requêtes sont traitées par des modèles « open-weight », hébergés en interne sur des serveurs GPU appartenant à Cisco ;
entre 20 % et 30 % relèvent d’automatisations logicielles classiques, sans recours à un modèle génératif ;
seule une part résiduelle des appels sollicite des modèles de fondation externes, tels qu’Azure OpenAI, Claude d’Anthropic ou Gemini de Google.
« Cela ne va pas brûler une tonne de tokens avec des modèles frontier », assure Mark Patterson, son directeur financier, dans une interview à Fortune, revendiquant cette architecture comme un levier de discipline budgétaire autant que technique.
Le suivi de la consommation de tokens repose, lui, sur un outil de supervision issu de Splunk, rachetée par Cisco en 2023.
Gouvernance et sécurité des accès
MyAgent n’est pas censé disposer d’un accès sans restriction au SI. Cisco l’inscrit dans une architecture de gouvernance qui détermine quels modèles, systèmes et données l’agent peut utiliser et quelles actions il peut effectuer. L’objectif est de dissocier la capacité de l’agent à décider des étapes d’une tâche de son autorisation à exécuter effectivement ces opérations.
Cette couche de contrôle est complétée par les mécanismes de sécurité de Cisco, regroupés notamment sous la marque AI Defense, destinés à surveiller les interactions entre les utilisateurs, les modèles et les agents. L’enjeu est notamment de détecter des tentatives de manipulation des instructions, des comportements malveillants ou encore des transferts de données vers des ressources non autorisées.
Des usages concentrés sur la finance et le reporting réglementaire
Les cas d’usage mis en avant par la direction de Cisco se situent en priorité dans des fonctions à forte valeur ajoutée documentaire :
Rédaction réglementaire. Selon Mark Patterson, entre 80 % et 90 % de la première version de la section « Management’s Discussion and Analysis » (MD&A) des documents déposés auprès du régulateur boursier américain (SEC) est désormais générée par l’IA.
Pilotage financier. Le directeur financier utilise un tableau de bord baptisé « CFO cockpit », alimenté par l’IA, qui agrège les performances par produit, zone géographique et segment client, et suggère des actions correctives.
Veille concurrentielle. L’agent personnel de Mark Patterson compare automatiquement les performances de Cisco à celles de ses pairs sur des indicateurs comme la croissance du chiffre d’affaires, le bénéfice par action (EPS) ou les dépenses de recherche et développement.
Gestion de la messagerie. De façon plus transversale, les salariés s’appuient sur leur agent pour résumer leurs e-mails, filtrer les messages indésirables et pré-rédiger des réponses.
Analyse de marché. Certains agents sont également mobilisés pour synthétiser l’actualité financière et esquisser des anticipations de mouvements boursiers.
Un « client zéro » pour les offres IA de Cisco
Au-delà de l’usage interne, ce déploiement sert également de vitrine commerciale. Cisco se positionne comme son propre client de référence à grande échelle pour ses offres d’agents IA ( notamment Webex AI Agents) ainsi que pour son infrastructure réseau et sécurité optimisée pour l’intelligence artificielle.
Mais plusieurs questions restent en suspend.
D’abord sur le coût du programme. Des estimations non confirmées évoquent une facture annuelle de l’ordre de 900 millions de $ en consommation de tokens, soit environ 200 $ par salarié et par semaine. Un chiffre à prendre avec toutes les réserves qui s’imposent en l’absence de confirmation officielle.
Ensuite, sur l’impact à moyen terme sur l’emploi. La direction dément tout lien direct entre le déploiement des agents et les 4 000 suppressions de postes annoncées en mai dernier présentées par Cisco comme une opération de « réallocation des ressources » vers les segments jugés stratégiques
Mais la séquence des annonces, combinée aux déclarations d’autres dirigeants du secteur sur des sujets comparables, laisse ouverte la question d’une transformation plus profonde des métiers au sein du groupe.
Amazon prend le contrôle du champion de l’analytique légère.
AWS officialisera l’opération début septembre sans divulguer les termes financiers du deal. Elle intègre l’équipe de DuckLabs, soit une trentaine d’ingénieurs basés à Amsterdam. Les cofondateurs Hannes Mühleisen et Mark Raasveldt rejoignent aussi AWS.
Une nuance majeure doit être soulignée. AWS n’achète pas la base de données DuckDB elle-même. La DuckDB Foundation conserve la propriété intellectuelle, les marques et la gouvernance. Le projet reste sous licence libre MIT.
En revanche, Amazon s’empare de la force de frappe technique du projet. Ces ingénieurs traçaient jusqu’ici la feuille de route de DuckDB. Le projet demeure gratuit sur le papier. Mais deux des trois membres du conseil intègrent AWS. Le géant du cloud gagne ainsi une influence décisive.
Pourquoi AWS mise sur DuckDB
DuckDB s’impose comme la référence de l’analytique légère. Les data engineers l’apprécient pour son exécution en mémoire in-process. Le moteur offre aussi un stockage SQL columnaire très rapide. Il traite efficacement des volumes allant jusqu’au téraoctet.
AWS vise un objectif précis. Le groupe veut couvrir les cas d’usage où Redshift reste surdimensionné. DuckDB répond parfaitement à ces besoins légers. Il cible les notebooks, les data apps et l’ETL côté client. Il facilite aussi le prototypage et l’analytique Edge/IoT.
Amazon crée ainsi un pont fluide du petit au grand volume. Cette stratégie verrouille les workflows en amont des gros entrepôts cloud.
L’arrivée de DuckLabs chez AWS accentue la pression sur l’écosystème :
Snowflake : Référence de l’entrepôt cloud, l’éditeur maîtrise moins l’analytique embarquée. AWS capte désormais ces besoins légers sans imposer d’entrepôt lourd.
Databricks : Le leader du Lakehouse domine le très grand volume. AWS propose désormais une alternative ultra-rapide pour le traitement local. Le groupe restreint ainsi l’empreinte de Databricks sur les petits projets.
ClickHouse, Trino, Druid, StarRocks : Ces moteurs dominent l’analytique distribuée à grande échelle. Mais le couple DuckDB + AWS devient le choix par défaut sur les architectures modestes.
Gouvernance open source : un équilibre sous surveillance
Amazon promet de respecter l’open source. Pourtant, sa prise de contrôle inquiète la communauté. AWS place deux membres au conseil de la fondation. Le groupe annonce aussi un comité consultatif technique. Amazon alignera donc la feuille de route sur ses propres priorités.
Quatre indicateurs permettront d’évaluer l’impact du rachat:
Des intégrations AWS natives : AWS lancera des connecteurs pour Athena, Glue, SageMaker et Redshift.
Des déclinaisons Edge & IoT : Amazon embarquera DuckDB dans ses passerelles IoT pour traiter les données localement.
L’évolution de la gouvernance : La DuckDB Foundation devra prouver son indépendance face aux demandes d’Amazon.
Les ripostes de l’écosystème : Google Cloud, Azure, Snowflake et Databricks devront réagir rapidement.
Bill Gates n’est pas tranquille avec le développement actuel de l’IA. Le cofondateur de Microsoft reprend la plume sur son site personnel (Gatesnotes) pour livrer l’une de ses mises en garde les plus sombres à ce jour.
Intitulé « A Turbulent AI Era and Critical Choices to Make », son essai tranche nettement avec un texte de 2023, où il se disait aussi enthousiaste face à l’IA qu’il l’avait été lors de l’arrivée d’Internet et du PC.
« Même dans le meilleur des scénarios, la transition vers cette nouvelle ère de l’IA sera l’une des périodes les plus turbulentes de l’histoire humaine », écrit-il. « À l’heure actuelle, nous ne nous y préparons pas. Je ne vois aucune preuve que les dirigeants, les experts et les communautés relèvent ces défis de manière adéquate. »
Le cœur de l’essai porte sur l’emploi. Bill Gates estime que les postes de niveau débutant et intermédiaire sont les plus exposés à une suppression pure et simple. Des secteurs comme le droit, le service client, le développement logiciel ou l’industrie manufacturière pourraient ressentir l’impact de l’IA en l’espace d’une seule décennie.
Pour l’instant, ce sont surtout les emplois de bureau (« white-collar ») qui sont touchés, et de façon encore « modeste » selon Bill Gates. Mais il prévient que les métiers manuels ne seront pas épargnés à mesure que les robots deviendront moins chers et plus performants.
« Beaucoup d’Américains à qui je parle ne réalisent pas à quelle vitesse progressent les robots dotés de dextérité », écrit-il, ajoutant que le public a pu être « troublé par ces vidéos de robots qui dansent maladroitement et qui sont devenues virales récemment ». Il estime toutefois que des robots « intelligents » pourraient commencer à concurrencer les humains sur certaines tâches physiques dans la construction et l’hôtellerie-restauration « d’ici la fin de la décennie ».
Des métiers réservés aux humains
Lorsque l’IA parviendra à produire un travail sans erreur, prévient-il, « elle sera capable de fonctionner seule, sans qu’un humain ait besoin de la surveiller, et les entreprises auront toutes les incitations économiques à le lui permettre ». Une société comptant beaucoup plus de personnes sans emploi aura besoin d’un filet de sécurité sociale renforcé, insiste-t-il, rappelant que la fermeture d’usines par le passé s’était accompagnée d’une hausse des décès liés aux opioïdes : « Imaginez des pressions similaires, à la fois sur les travailleurs de bureau et sur les travailleurs manuels, à l’échelle du pays. »
Bill Gates propose une idée qu’il baptise « Human Reserved ».
A mesure que l’IA et les robots progressent, les sociétés pourraient choisir de réserver certains emplois aux humains. Il évoque l’exemple d’un diagnostic de maladie incurable annoncé par un robot : « Il n’y a aucune raison technique pour qu’il ne puisse pas le faire. Pourtant, il ne le devrait pas. »
Cette réflexion, précise-t-il, a été façonnée par les soins reçus par son père, atteint de la maladie d’Alzheimer. Selon Bill Gates, les aidants qui s’occupaient de lui comprenaient ses besoins même lorsqu’il peinait à les exprimer : une forme de soin « irremplaçablement humaine » qu’« aucun robot n’aurait pu ni dû fournir ». Il suggère que des domaines comme l’éducation ou la santé mentale pourraient devenir des espaces mixtes, mêlant humains et IA, les premiers restant aux commandes.
Au-delà de l’emploi, Bill Gates s’inquiète des risques de cyberattaques contre les réseaux électriques, les hôpitaux et les banques, ainsi que d’une fraude et d’une surveillance généralisées.
Sur le plan des relations humaines, il met en garde contre l’effet de « chambre d’écho » que peut créer l’IA, en particulier pour les enfants : les chatbots, addictifs, offrent une compagnie sans friction qui peut nuire à l’esprit critique. « Ce serait le pire moment possible pour que les humains perdent leurs capacités de pensée critique », écrit-il. « À l’ère des deepfakes et de la désinformation qui peut être adaptée individuellement à chacun, la capacité à distinguer le vrai du faux devient une compétence de vie essentielle. »
Taxer les tokens et les robots
Pour financer la transition, Bill Gates plaide pour une taxation des « tokens » ainsi que des robots. Il estime que le système fiscal actuel pousse déjà les entreprises à remplacer les travailleurs par des machines, puisque l’embauche d’un salarié entraîne des charges sociales alors qu’un robot peut généralement être amorti comme un investissement.
Selon lui, ces nouvelles taxes pourraient à la fois ralentir la course des entreprises à l’automatisation et financer un filet de sécurité sociale ainsi que des programmes de reconversion pour les personnes dont l’emploi disparaîtrait, compensant au passage la baisse des recettes de l’impôt sur le revenu que provoquerait un recul de l’emploi.
Bill Gates appelle les gouvernements du monde entier à coopérer sur la régulation de l’IA, évoquant en particulier une nécessaire collaboration entre les États-Unis et la Chine. Il compare cet effort aux coordinations internationales passées sur les armes nucléaires, l’aviation ou la protection de la couche d’ozone.
Il imagine une collaboration entre élus, experts et citoyens pour superviser l’IA. Indiquant avoir déjà évoqué ses préoccupations et ses propositions avec des dirigeants du secteur de l’IA, il reconnait que ses idées de régulation ne sont pas encore assez concrètes pour recueillir leur soutien.
Malgré la tonalité alarmiste de son essai, Bill Gates insiste sur le potentiel positif de l’IA pour la santé, l’agriculture, l’éducation et les services publics, notamment dans les pays plus pauvres où intervient sa fondation.
Il affirme vouloir désormais consacrer l’essentiel de son temps à ces enjeux, quitte à réduire son implication directe dans la Fondation Gates.
« Attendre que les gens soient déjà déplacés ou sous-employés sera trop tard », écrit-il en conclusion de son essai. « L’IA constitue un défi structurel pour l’organisation de notre économie, et cela exige de la réflexion et de l’action dès maintenant. »
En observant les annonces des dix-huit derniers mois, un constat s’impose. Éditeurs de cybersécurité, spécialistes de l’API Management, plateformes de données, fournisseurs cloud et acteurs nés avec l’IA développent des fonctions qui répondent aux mêmes problématiques. Leur objectif : contrôler les appels aux modèles de langage, appliquer des politiques de sécurité, maîtriser les coûts et gouverner les agents, tout en traçant leurs interactions et en limitant la dépendance à un fournisseur unique.
Tous cherchent, avec des approches différentes, à devenir le point de contrôle entre le système d’information et l’IA.
Dans l’histoire des infrastructures IT, ce type de convergence a souvent annoncé l’émergence d’une nouvelle catégorie de logiciels. Mais elle peut aussi annoncer autre chose : une course où chaque acteur tente d’imposer son propre control plane, au risque de recréer, autour de l’IA, la fragmentation que les AI Gateways sont précisément censés résoudre.
Les éditeurs cyber veulent protéger les agents
Les plateformes de cybersécurité ont été conçues pour protéger des utilisateurs, des postes de travail, des serveurs ou des applications. L’essor des agents IA introduit une nouvelle catégorie d’entités numériques : elles disposent de droits d’accès, utilisent des identités techniques, consultent des données et exécutent des actions de façon autonome. Elles deviennent donc elles-mêmes une nouvelle surface d’attaque.
Le cas de Palo Alto Networks illustre bien cette bascule, avec un calendrier resserré. En mars 2026, l’éditeur lance Prisma AIRS 3.0, avec un module « AI Agent Gateway » alors en accès limité. Fin avril, il annonce son intention de racheter Portkey, l’un des éditeurs d’AI Gateway les plus établis ; l’acquisition est finalisée le 29 mai. Six semaines plus tard, le 22 juillet, il annonce la disponibilité générale de Prisma AIRS AI Gateway, qui intègre directement la technologie de Portkey.
Dans sa communication, Palo Alto Networks avance un chiffre destiné à illustrer l’accélération du phénomène. Selon les données observées par l’éditeur, la part du trafic réseau d’entreprise liée au protocole MCP serait passée de 11 % fin 2025 à plus de 41 % à la mi-2026. Un chiffre fourni par l’éditeur, à considérer comme un indicateur de tendance plutôt que comme une mesure indépendante du marché.
CrowdStrike suit une trajectoire différente, centrée sur l’identité des agents. En juin dernier, l’éditeur lance « Continuous Identity for AI Agents », une fonctionnalité de Falcon issue de la technologie de SGNL, rachetée pour 740 millions $. Le principe est de réévaluer en permanence les droits d’un agent, action après action, plutôt que de lui accorder un accès permanent. CrowdStrike ne cherche toutefois pas à devenir lui-même une AI Gateway. L’éditeur mise sur une stratégie d’écosystème, avec des intégrations à plusieurs gateways, dont Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry et Google Cloud
Cisco avance sur un terrain proche avec Duo, qui traite désormais l’agent comme un objet d’identité à part entière, avec ses propres règles d’authentification et son propre cycle de vie. Zscaler, enfin, a présenté en juin 2026 ce qu’il revendique comme la première plateforme Zero Trust complète pour l’IA agentique, avec un « AI Broker » pour l’accès aux agents et un « AI Access Graph » pour cartographier les liens entre identités, applications et données. Une extension directe de sa logique réseau historique aux flux agent-à-agent et aux appels MCP, plus difficiles à intercepter que du trafic utilisateur classique.
Ces trajectoires différentes traduisent une même logique : chaque cyberéditeur cherche à prolonger son point de contrôle historique jusqu’aux agents. L’AI Gateway devient ainsi l’une des nouvelles interfaces de la logique Zero Trust où l’on vérifie non seulement qui est autorisé à agir mais aussi ce que l’agent peut faire et dans quel contexte.
Les spécialistes des API veulent éviter d’être contournés
Pour les acteurs de l’API Management, la problématique est différente. Depuis quinze ans, les API Gateway occupent une place stratégique dans les systèmes d’information : une part importante des échanges applicatifs y transite, et les équipes d’architecture y définissent l’authentification, la limitation de débit, la supervision et le routage.
L’IA pourrait remettre en cause cette position. Si les développeurs appellent directement les modèles de langage sans passer par l’infrastructure existante, une partie croissante des échanges risque d’échapper aux plateformes de gouvernance déjà en place. Les spécialistes des API cherchent donc à étendre leur périmètre plutôt qu’à laisser une infrastructure parallèle émerger.
L’exemple de Kong est représentatif : l’éditeur présente son AI Gateway comme une extension de plugins sur sa plateforme Kong Konnect existante. Les flux applicatifs continuent de transiter par la même infrastructure, mais sont désormais aussi dirigés vers des modèles de langage, avec les mêmes mécanismes d’authentification et de quotas déjà en place pour les API classiques.
Google fait évoluer Apigee dans une direction similaire, en l’articulant à la nouvelle plateforme d’agents que le groupe a lancée en avril 2026 en rebaptisant Vertex AI en Gemini Enterprise Agent Platform. Un changement qui va au-delà du nom, puisqu’il absorbe aussi Agentspace et repositionne l’ensemble autour de la construction, du déploiement et de la gouvernance d’agents plutôt que du seul entraînement de modèles.
D’autres éditeurs d’API Management plus spécialisés, comme Gravitee, Tyk ou WSO2, suivent une trajectoire comparable en ajoutant des fonctions de routage LLM, de gouvernance MCP et de suivi des coûts d’inférence à leurs plateformes existantes.
Le principe reste le même dans tous les cas : réutiliser les mécanismes déjà déployés pour les API ( authentification, quotas, journalisation, observabilité ) plutôt que de les faire reconstruire par chaque équipe projet pour l’IA. L’IA ne crée pas une infrastructure parallèle ; elle prolonge l’architecture existante.
Les plateformes de données veulent rapprocher les agents des données
Une troisième famille avance avec une approche différente : les plateformes de données. La conviction est que la valeur de l’IA ne réside pas uniquement dans le modèle, mais surtout dans les données auxquelles il accède.
Snowflake en fournit une première illustration. Fin mai 2026, l’éditeur annonce l’acquisition de Natoma, spécialiste de la gouvernance du protocole MCP. Deux mois plus tard, il lance Cortex AI Gateway pour contrôler les interactions des agents avec les modèles, les outils, les serveurs MCP et les données de l’entreprise.
La solution s’adresse aussi bien aux agents natifs de Snowflake qu’à ceux développés sur des plateformes tierces comme Claude Code ou Cursor, et s’intègre notamment avec Okta, SailPoint et 1Password pour la gestion des identités.
Databricks suit une trajectoire comparable avec Unity AI Gateway. Construit sur Unity Catalog, le service transpose aux modèles et aux agents les mécanismes de gouvernance déjà appliqués aux données : permissions, traçabilité et audit. Il ajoute des fonctions spécifiques à l’IA, comme le contrôle des dépenses, le routage entre fournisseurs et la prévention des fuites de données personnelles.
Databricks revendique déjà plusieurs milliers de clients utilisant Unity AI Gateway, dont Rivian, Asana et Edmunds. Selon l’éditeur, plus d’un quadrillion de tokens ont transité par la gateway au cours des douze derniers mois.
L’éditeur a par ailleurs choisi une approche ouverte en intégrant à Unity AI Gateway des spécialistes de la sécurité, dont CrowdStrike, Palo Alto Networks et Zscaler. L’objectif est de permettre aux entreprises de conserver leurs outils de sécurité existants tout en les appliquant aux interactions avec les modèles, les agents et les outils. Une logique d’écosystème qui contraste avec les plateformes cherchant à intégrer l’ensemble des fonctions de sécurité en interne.
Les annonces successives de Snowflake et Databricks montrent que la gouvernance des agents est en train de devenir un nouveau terrain de concurrence pour les plateformes Data & IA. Leur avantage est de pouvoir prolonger vers les modèles et les agents les politiques de contrôle déjà appliquées aux données, sans nécessairement ajouter une couche de gouvernance indépendante.
Les hyperscalers avancent en ordre dispersé
Une quatrième famille d’acteurs, les hyperscalers, aborde le problème sous un angle différent : intégrer les fonctions de gouvernance de l’IA à leur propre environnement plutôt que de les vendre comme un produit autonome.
AWS a lancé Amazon Bedrock AgentCore Gateway, qui fournit un point d’accès unique aux agents pour accéder à des outils, des serveurs MCP et d’autres agents via A2A. La plateforme peut également router les requêtes vers différents fournisseurs de modèles et connecter des services comme Salesforce, Slack, Jira ou Asana.
Microsoft combine deux briques complémentaires. Azure API Management fournit les fonctions d’AI Gateway, tandis qu’Entra Agent ID, disponible généralement depuis mai 2026, attribue une identité propre aux agents et permet d’en contrôler les accès, y compris lorsqu’ils sont construits sur des plateformes tierces.
Google a choisi une approche plus intégrée. Avec le lancement de Gemini Enterprise Agent Platform, qui succède à Vertex AI, l’éditeur regroupe dans une même plateforme la construction, le déploiement et la gouvernance des agents, plutôt que de présenter l’AI Gateway comme une brique autonome.
L’avantage de cette approche est net pour une DSI déjà engagée sur un cloud donné : l’identité, la facturation et une partie de l’observabilité restent dans le même environnement, sans couche supplémentaire à opérer. La contrepartie l’est tout autant : dans un contexte multicloud, ces trois approches ne se substituent pas les unes aux autres, et une entreprise utilisant AWS, Azure et Google Cloud simultanément peut se retrouver avec trois mécanismes de gouvernance de l’IA distincts plutôt qu’une couche transverse unique.
Les acteurs AI-native : les pionniers de la gateway IA
Une dernière catégorie est née directement avec les applications d’IA. Des acteurs comme LiteLLM, Helicone, OpenRouter ou Portkey ont construit leurs offres autour de besoins apparus avec les LLM : router les requêtes entre plusieurs modèles et fournisseurs, suivre la consommation, gérer les clés et les coûts ou observer les interactions des agents.
Portkey illustre toutefois la difficulté pour ces spécialistes de conserver leur indépendance lorsque le marché se structure. Racheté par Palo Alto Networks en mai 2026, l’éditeur montre comment les fonctions développées par les acteurs AI-native peuvent être progressivement intégrées à des plateformes plus larges de cybersécurité, d’API Management, de données ou de cloud.
Ce que révèle cette convergence
Le rapprochement de ces cinq familles d’acteurs montre que l’AI Gateway devient une couche stratégique de contrôle de l’IA. Mais cette convergence ne conduira pas forcément à une gateway unique : le marché pourrait plutôt voir coexister plusieurs briques capables de coopérer.
Pour les DSI, la question sera donc de savoir où placer le point de contrôle principal et comment faire interagir les autres briques avec lui. Faute de coordination, la multiplication des offres pourrait paradoxalement recréer une nouvelle fragmentation de la gouvernance de l’IA.
Mistral AI étend sa stratégie d’IA souveraine au Moyen-Orient.
La scale-up française et HUMAIN annoncent une collaboration portant sur la puissance de calcul, le développement de modèles avancés et la commercialisation de solutions IA en Arabie saoudite et dans la région.
HUMAIN est une entreprise saoudienne d’IA créée en 2025 et détenue par le fonds souverain PIF,
Le partenariat, dont le montant présenté se chiffre en centaines de millions d’euros, vise en particulier le développement de modèles de pointe adaptés à la langue arabe. L’annonce ne donne toutefois ni nom de modèle, ni date de livraison, ni caractéristiques techniques. Les deux partenaires posent davantage un cadre industriel et commercial qu’ils ne dévoilent un produit déjà prêt à l’emploi.
Mistral et HUMAIN annoncent leur intention de développer et de « localiser » des modèles avancés avec l’ambition d’obtenir de solides performances en arabe. Les premiers domaines d’application cités sont la cybersécurité et les technologies vocales.
Pour les entreprises et administrations de la région, les performances d’un LLM ne se résument pas à la traduction en arabe d’un modèle conçu d’abord pour l’anglais. Elles recouvrent aussi la compréhension des contextes locaux, des usages administratifs et métiers, des références culturelles, ainsi que les particularités linguistiques propres à l’arabe moderne standard et à ses variantes régionales.
Pour autant, l’accord reste peu détaillé sur ce point. Les entreprises ne précisent pas si le projet portera sur le préentraînement d’un nouveau modèle, l’adaptation d’une famille de modèles Mistral existante, ou la combinaison de modèles et de jeux de données déjà exploités par HUMAIN. Aucun nombre de paramètres, benchmark, dialecte couvert, jeu de données ou modèle de distribution n’a été communiqué.
Des modèles frontier pour l’arabe
Les deux cas d’usage mis en avant donnent néanmoins une première indication sur le positionnement envisagé.
Dans la voix, un modèle performant en arabe pourrait servir à construire des assistants conversationnels, des fonctions de transcription, des centres de contact automatisés ou des interfaces vocales destinées aux services publics, aux banques et aux opérateurs télécoms. Mais Mistral et HUMAIN ne précisent pas quelles briques seront intégrées : reconnaissance vocale, génération de parole, compréhension d’intentions ou agents vocaux de bout en bout.
La cybersécurité constitue l’autre terrain prioritaire. Ici, un modèle localisé peut notamment améliorer l’analyse de journaux d’événements, le traitement d’alertes, l’assistance aux analystes SOC et la recherche de menaces dans des environnements dont les données, interfaces et procédures sont en arabe.
Le partenariat vise explicitement les secteurs régulés, dont les services financiers, les télécommunications, l’industrie et le secteur public. Dans ces environnements, la qualité linguistique devra donc s’accompagner de mécanismes de gouvernance, de traçabilité, de contrôle des accès et de déploiement conformes aux exigences locales.
L’infrastructure comme second pilier
Mistral dit également vouloir explorer l’usage de l’infrastructure IA de HUMAIN afin de répondre à ses besoins de calcul dans la région.
Pour Mistral, l’accès à une infrastructure locale peut faciliter le déploiement de ses modèles auprès de grands comptes saoudiens et régionaux. Pour HUMAIN, le partenariat offre l’accès à un fournisseur européen de modèles personnalisables et, selon Mistral, ouverts, dans une stratégie qui entend limiter la dépendance à des plateformes américaines intégrées.
Face aux offres globales des hyperscalers et des laboratoires américains, Mistral et HUMAIN promettent une chaîne régionale associant calcul local, modèles adaptés et déploiements dans des secteurs sensibles.
Les entreprises déploient leurs premiers agents et découvrent aussi comment gouverner les interactions entre les modèles, les applications et les données ?
Une nouvelle catégorie de logiciels, les AI Gateways, ambitionne de devenir le point de contrôle de ces architectures. À l’image des API Gateways il y a vingt ans, cette couche pourrait redéfinir la manière dont les DSI construiront leurs infrastructures d’intelligence artificielle. A condition qu’elle tienne ses promesses.
L’histoire des systèmes d’information est jalonnée de ruptures technologiques qui ont progressivement fait apparaître de nouvelles couches d’infrastructure.
Au début des années 1990, la priorité était de connecter les réseaux tout en les protégeant : les pare-feu sont devenus le point de passage obligé entre l’entreprise et Internet.
Au début des années 2000, la généralisation des architectures orientées services puis des microservices a fait émerger une autre nécessité : contrôler les échanges entre applications. Les API Gateway se sont imposées pour authentifier les appels, appliquer des politiques de sécurité et fournir une visibilité centralisée.
Une décennie plus tard, l’explosion du cloud a donné naissance aux plateformes IAM modernes, aux CASB (Cloud Access Security Broker) aux solutions SASE et aux plateformes CNAPP (Cloud-Native Application Protection Platform, des outils de sécurisation des applications cloud) pour répondre à de nouveaux besoins de gouvernance.
L’IA générative semble suivre le même chemin. Après une première phase centrée sur le choix d’un modèle de langage performant, les entreprises découvrent qu’elles doivent désormais administrer un écosystème où plusieurs modèles coexistent, où des agents IA prennent des décisions, et où les interactions avec le système d’information deviennent plus nombreuses et plus dynamiques.
Du mono-modèle au multi-modèle
Entre 2023 et 2024, la plupart des expérimentations reposaient sur un seul fournisseur : une application appelait un modèle via une API, point final. Cette architecture reste simple.
En 2026, le changement d’échelle est net. Selon une analyse de Vercel portant sur les usages en production, la part des équipes exploitant cinq modèles ou plus est passée de 29 % à 37 % en un an. Un basculement structurel plutôt qu’un ajustement marginal.
Un assistant bureautique peut désormais mobiliser un modèle propriétaire pour la génération de texte, un modèle open source exécuté localement pour des traitements confidentiels, un modèle spécialisé pour l’analyse documentaire et un moteur multimodal pour l’image ou la vidéo.
Cette diversification répond à trois logiques :
Économique : les tarifs varient fortement d’un fournisseur à l’autre, et le « race to the bottom » sur le prix au token pousse les DSI à arbitrer plutôt qu’à dépendre d’un seul acteur. Plusieurs gateways commerciales (Vercel, OpenRouter, Cloudflare, LiteLLM) ont d’ailleurs supprimé toute marge sur les tokens en 2026, déplaçant la concurrence vers la fiabilité et la gouvernance.
Réglementaire : avec l’entrée en application progressive de l’AI Act, certaines entreprises veulent conserver la maîtrise de traitements sensibles ou privilégier des fournisseurs offrant davantage de garanties sur la localisation des données.
Fiabilité opérationnelle : les incidents chez les grands fournisseurs de modèles ne sont plus anecdotiques. Selon des données citées par Vercel, les principaux fournisseurs de LLM ont chacun cumulé une vingtaine d’incidents et près de 180 heures d’indisponibilité sur le seul mois de décembre 2025. Un argument concret en faveur du multi-fournisseur et du failover automatique.
Cette évolution fait apparaître une difficulté nouvelle : comment administrer un environnement où plusieurs modèles sont utilisés simultanément par des centaines d’applications, sans multiplier les clés d’API et les intégrations ad hoc ?
Les agents IA changent la nature du système d’information
La généralisation des agents constitue un second facteur de rupture.
Un chatbot traditionnel répond à une question. Un agent peut planifier une série d’actions : consulter une base documentaire, interroger un ERP, créer un ticket dans un outil ITSM, envoyer un courriel, puis transmettre le résultat à un autre agent. Il ne produit plus seulement une réponse : il agit.
Pour les équipes d’architecture, cela change la nature des flux. Les échanges ne s’effectuent plus uniquement entre applications connues : ils impliquent des composants capables de choisir eux-mêmes quels outils utiliser selon le contexte.
Le protocole MCP (Model Context Protocol), qui standardise la façon dont un modèle accède à des outils externes et structure une bonne partie de ces échanges. Cependant, son adoption rapide crée aussi une nouvelle surface d’exposition, puisque chaque connecteur MCP est potentiellement une porte d’entrée vers un système interne.
Dans de nombreuses entreprises, chaque application dialogue encore directement avec le modèle retenu par son équipe de développement. Cette approche fonctionne tant que les projets restent peu nombreux mais elle devient difficile à maintenir dès que plusieurs dizaines d’applications utilisent plusieurs fournisseurs. Chaque équipe doit alors gérer séparément les clés d’API, les politiques de sécurité, les limites de consommation, la journalisation, les changements de version des modèles et les règles de conformité propres à chaque fournisseur.
Plus le nombre d’agents augmente, plus le nombre d’interactions explose, avec un risque bien connu : la multiplication incontrôlée de connexions point à point, que l’histoire des systèmes d’information a déjà vu se reproduire à chaque rupture technologique.
Une nouvelle couche apparaît : l’AI Gateway
Concrètement, une AI Gateway se place comme un proxy entre les applications et les fournisseurs de modèles (OpenAI, Anthropic, Google, Azure, modèles open source auto-hébergés).
Elle expose un point d’entrée unique et ajoute, selon les offres, du routage multi-modèle, du failover automatique en cas de panne d’un fournisseur, du cache sémantique pour réduire coûts et latence sur des requêtes similaires, des quotas et budgets par équipe ou par utilisateur, de la journalisation au niveau du token, ainsi que des fonctions de sécurité comme le masquage de données personnelles ou la détection de tentatives d’injection de prompt.
Le marché s’est structuré très vite en 2026, avec des positionnements différenciés :
Acteur
Positionnement
Point d’attention
LiteLLM
Proxy Open Source auto-hébergé supportant +100 fournisseurs. Idéal pour garder le contrôle total des données.
Gouvernance, observabilité et sécurité avancées pour environnements très réglementés.
Racheté par Palo Alto Networks (mai 2026) : évolution produit et politique tarifaire à suivre.
Cloudflare / Vercel
Integration native à l’infrastructure edge existante avec très peu d’effort de déploiement.
Couplage fort à leur écosystème cloud respectif (risque de vendor lock-in).
Kong AI Gateway
Extension d’une API Gateway entreprise établie, unifiant trafic REST classique, IA et protocole MCP.
Infrastructures parfois lourdes si l’entreprise ne possède pas déjà l’écosystème Kong.
TrueFoundry / Bifrost / Helicone
Pure-players spécialisés sur des niches (souveraineté des données, ultra-basse latence, observabilité).
Acteurs de taille plus modeste avec risque fort de consolidation ou de rachat à court terme.
Cette diversité montre que le terme « AI Gateway » recouvre encore des réalités différentes selon l’éditeur : certains sont d’abord des routeurs de coûts, d’autres des plateformes de gouvernance, d’autres des extensions d’API Gateway existantes.
Ce qu’en disent les analystes
Gartner a publié en 2025 et 2026 plusieurs travaux dédiés (Market Guide for AI Gateways et Market Overview actualisé en 2026) qui positionnent cette couche comme un composant des futures architectures d’IA d’entreprise, chargé de gérer les connexions vers les services d’IA, d’appliquer des politiques de sécurité, de répartir les requêtes entre plusieurs modèles et d’améliorer la visibilité sur les coûts.
Le cabinet inscrit plus largement l’AI Gateway dans son cadre AI TRiSM (Trust, Risk and Security Management), dont il estimait le marché à environ 3,1 milliards $en 2025, avec une croissance annuelle projetée de l’ordre de 35 % jusqu’en 2030. Un chiffre à prendre comme un ordre de grandeur d’analyste plutôt qu’une certitude, la firme elle-même révisant régulièrement ses prévisions à mesure que le marché se consolide.
Le NIST AI Risk Management Framework converge sur le fond. Sans employer le terme « AI Gateway », il insiste sur la nécessité de mécanismes de gouvernance, de traçabilité et de surveillance continue tout au long du cycle de vie des systèmes d’IA. Des fonctions qu’une gateway peut techniquement porter, sans que le référentiel ne prescrive cette architecture en particulier.
La Cloud Security Alliance défend une lecture proche, estimant que la gouvernance de l’IA ne peut plus être traitée uniquement au niveau applicatif.
Ce que l’AI Act rend concrètement nécessaire
L’argument réglementaire mérite d’être précisé, car le calendrier a changé courant 2026.
Le paquet Digital Omnibus, adopté définitivement fin juin 2026, a reporté au 2 décembre 2027 la plupart des obligations pesant sur les systèmes à haut risque de l’annexe III (recrutement, crédit, éducation, justice, biométrie). Reste en vigueur au 2 août 2026 l’essentiel des obligations de transparence de l’article 50 : informer les utilisateurs qu’ils interagissent avec une IA, et identifier les contenus générés ou modifiés par IA.
Pour les systèmes qui resteront soumis au régime haut risque, l’article 12 impose une journalisation automatique et infalsifiable des événements, avec une conservation minimale de six mois (vingt-quatre mois pour la biométrie), et l’article 14 exige une supervision humaine effective.
Ce sont précisément les fonctions ( journalisation centralisée, traçabilité au niveau de chaque appel et points de contrôle humain ) qu’une AI Gateway peut industrialiser à l’échelle de dizaines d’applications, plutôt que de les faire reconstruire par chaque équipe projet. Le règlement précise aussi, dans ses considérants 99 et 100, que dans une chaîne d’agents IA, l’obligation de conformité s’étend à chaque agent exécutant une fonction à haut risque. Un argument de poids pour centraliser la gouvernance plutôt que de la disperser.
Le report ne change donc pas la logique de fond : il retire simplement l’urgence à très court terme, sans annuler la nécessité d’anticiper une architecture capable de produire ces preuves de conformité.
Les limites du concept
Cette convergence d’analyses ne doit pas masquer les zones d’incertitude.
Un marché encore jeune et instable. Le rachat de Portkey par Palo Alto Networks, l’incident de sécurité touchant LiteLLM et le nombre élevé d’éditeurs recensés (plus de 160 selon certains annuaires spécialisés) suggèrent une consolidation rapide plutôt qu’un marché mature. Une DSI qui adopte aujourd’hui une gateway prend un pari sur la pérennité de son éditeur.
Un nouveau point de défaillance unique. Concentrer tout le trafic IA sur une seule couche crée mécaniquement un single point of failure : si la gateway tombe, c’est l’ensemble des applications IA de l’entreprise qui s’arrête, même si les modèles sous-jacents fonctionnent normalement.
Une latence ajoutée, mais généralement marginale. Plusieurs comparatifs indépendants estiment le surcoût d’une gateway bien opérée à quelques millisecondes à quelques dizaines de millisecondes. Ceci est négligeable face à un appel de modèle qui dure plusieurs secondes, sauf en cas de mauvaise implémentation.
Une frontière floue avec l’existant. Une partie des fonctions revendiquées (authentification, quotas, logs) peut aussi être portée par une API Gateway classique déjà en place, ce qui pose la question : faut-il une brique dédiée ou une extension de l’infrastructure API existante ? Les offres de type Kong ou Zuplo, qui fusionnent les deux mondes, illustrent que la frontière entre « API Gateway » et « AI Gateway » n’est pas encore stabilisée.
Le risque de gouvernance en façade. Une gateway journalise et contrôle les flux, mais elle ne résout pas à elle seule les causes profondes des incidents d’IA en entreprise. Gartner estime qu’une large majorité des transactions IA non autorisées proviennent de mauvais usages internes plutôt que d’attaques malveillantes. Un problème davantage organisationnel que technique, qu’un outil ne suffit pas à traiter.
Ce que cela signifie pour les DSI
L’histoire des pare-feu, des API Gateway puis des CASB montre que ces couches d’infrastructure, une fois qu’elles s’imposent, deviennent difficiles à retirer.
Pour une DSI qui déploie aujourd’hui plusieurs modèles et commence à expérimenter des agents, la question n’est plus de savoir si une gouvernance centralisée sera nécessaire, mais quand l’introduire et avec quel degré de couplage à l’infrastructure existante.
Un point de départ raisonnable consiste à cartographier les usages IA actuels et à venir, à évaluer si une extension de l’API Gateway déjà en place suffit à court terme, et à ne s’engager sur un éditeur dédié qu’après avoir mesuré son modèle de sécurité, sa pérennité financière et le degré de lock-in qu’il introduit.
Dans un marché qui se consolide aussi vite qu’il grossit, la prudence sur le choix du fournisseur compte au moins autant que la décision d’adopter la brique elle-même.
Les gains de productivité que permet l’IA bousculent un pilier historique du secteur des services numériques : la facturation au temps passé.
Le basculement vers des contrats fondés sur les résultats n’est plus une option marketing, mais une nécessité économique. C’est le constat posé lors du premier Forum des ESN & ICT organisé par Numeum en juin dernnier. Plus de 60 dirigeants du secteur s’y sont retrouvés pour débattre des nouveaux modèles de consommation des services numériques à l’ère du cloud et de l’IA ?
« Pendant des années, les ESN ont vendu du temps, des profils, des « man-days ». Mais aujourd’hui, les clients n’achètent plus du temps… ils achètent des résultats. Et c’est là que l’IA change tout », résume Charles Mauclair, président du Collège ESN/ICT de Numeum.
Concrètement, cette trajectoire distingue trois logiques de consommation : l’achat de licences et d’infrastructures (possession), la consommation de capacités cloud et de services managés (usage), et enfin l’achat de résultats mesurables comme les gains de productivité et lescapacités opérationnelles (valeur).
Les modèles de régie au TJM (Taux Journalier Moyen), encore dominants, se retrouvent de plus en plus concurrencés par des engagements construits autour de la performance ou du partage des gains.
L’IA générative arrive en tête des opportunités de marché identifiées par 81% des ESN et ICT interrogées, devant la transformation digitale (58%) et la cybersécurité (56%). Sur le terrain, 72% des entreprises du secteur utilisent déjà l’IA dans leurs processus de delivery, et 67% dans leurs fonctions administratives.
Les gains de productivité mesurés sont significatifs : 12,5% en 2025 chez les éditeurs, avec une progression anticipée à 17% en 2026. Chez les ESN, la trajectoire est encore plus marquée, avec des gains qui devraient passer de 15% à 22,3% entre 2025 et 2027.
Mais cette productivité accrue se retourne partiellement contre le modèle économique historique du secteur. « L’IA augmente la productivité des équipes, mais met sous pression les modèles basés sur le volume de travail humain », relève Numeum dans son analyse de conjoncture.
Le syndicat cite un chiffre qui inquiète les directions d’ESN : 22% des DSI estiment déjà que l’IA agentique pourrait réduire certaines de leurs dépenses logicielles, avec un effet d’entraînement potentiel sur les revenus des prestataires.
« L’équation économique est sous tension », admet Charles Mauclair. « Les ESN doivent transformer leur offre pour rester pertinentes : passer de la vente de temps à la création de valeur augmentée. »
Trois trajectoires de transformation se dessinent : le pivot vers des modèles hybrides associant expertise humaine et agents IA, le développement de nouvelles activités à forte valeur ajoutée (design et orchestration d’agents, gouvernance, intégration aux processus métiers) et la recomposition des contrats autour des résultats obtenus plutôt que du temps facturé.
Des contrats qui glissent du TJM vers l’outcome-based
Cette recomposition contractuelle se traduit déjà très concrètement dans les négociations et les appels d’offres.
Trois mécanismes reviennent régulièrement. D’abord des engagements de productivité assortis de pénalités ou de bonus. Ensuite, un pricing indexé sur les économies réalisées et les revenus additionnels générés. Enfin, sur des dispositifs de gain-sharing où le prestataire et le client se partagent les économies issues de l’IA.
« Les clients n’achètent plus du temps… ils achètent des résultats », martèle Charles Mauclair. Les ESN qui continueront de vendre du temps risquent une compression durable de leurs marges.
Le marché français fournit plusieurs illustrations de cette bascule.
BNP Paribas a renouvelé pour trois ans son accord-cadre avec Mistral AI, en étendant les cas d’usage d’IA générative et agentique à des processus critiques du groupe. La Caisse des Dépôts a signé, avec Sopra Steria, Computacenter et Mistral AI, un accord-cadre de 140 millions € sur quatre ans portant sur le déploiement de 40 000 licences d’IA générative, au bénéfice d’environ 100 000 utilisateurs. Chez TP (ex-Teleperformance), environ 7% du chiffre d’affaires provient désormais de contrats de type « revenue-as-a-service », indexés sur des résultats tels que la génération de revenus, la rétention client ou les économies réalisées.
Autant d’exemples qui montrent que les grands comptes français ont déjà engagé leurs prestataires dans une logique de valeur, et non plus de simple effort fourni.
Vendre des capacités augmentées, pas des profils
Pour Numeum, la transformation implique aussi une refonte de l’offre elle-même. Dans l’étude Grand Angle, 63% des répondants déclarent avoir créé de nouvelles offres fondées sur l’IA, 58% constatent une accélération de leurs cycles de delivery, et 54% se disent capables de répondre plus rapidement aux appels d’offres grâce à l’IA.
« Il ne s’agit plus de vendre des profils, mais de vendre des capacités opérationnelles augmentées par l’IA », résume Charles Mauclair.
Cette mutation ne se fera pas sans efforts. Numeum pointe trois enjeux prioritaires.
D’abord la formation. Une étude EY–Syntec Conseil citée par le syndicat montre que 66% des entreprises qui réussissent leur adoption de l’IA à l’échelle départementale ont investi dans un programme de formation structuré, contre moins de 20% chez celles qui échouent.
Ensuite la gouvernance, avec un accent mis sur la sécurité des données et la conformité réglementaire (AI Act, DORA, RGPD). Enfin la souveraineté avec le recours à des solutions d’IA françaises ou européennes.
« L’IA n’est pas une menace pour les ESN, c’est une opportunité de se réinventer », conclut Charles Mauclair.
A condition que cette réinvention touche à la fois les offres, les compétences et les contrats.
NetApp a officialisé l’acquisition de JetStream Software, un éditeur spécialisé dans la reprise après sinistre (DR) et la migration d’environnements VMware.
Avec cette opération, le spécialiste du stockage entend renforcer son offre de cyber-résilience et de protection des données à l’ère de l’IA. L’enjeu est notamment d’étendre la couverture de NetApp au-delà de ses propres baies de stockage, en permettant de protéger des workloads VMware tournant sur « pratiquement n’importe quelle plateforme de stockage » et de les restaurer sur des services cloud NetApp, notamment Azure NetApp Files.
Les entreprises continuent de s’appuyer massivement sur VMware pour leurs applications critiques, tout en cherchant à migrer progressivement vers le cloud sans rupture opérationnelle ni explosion des coûts. Pour beaucoup d’entre elles, la reprise après sinistre constitue une première étape concrète avant une migration plus large des charges de production.
Une couche d’orchestration pour les environnements VMware
NetApp positionne donc JetStream comme un accélérateur de cette trajectoire : les entreprises peuvent commencer par déporter leur dispositif de reprise dans le cloud, puis faire évoluer progressivement une partie de leur production en fonction de leur stratégie et de leur maturité.
JetStream ne se limite pas à répliquer des volumes. Sa technologie orchestre également la reconstruction et le redémarrage ordonné des machines virtuelles sur un site de reprise.
La solution protège en continu les workloads VMware grâce à des filtres I/O installés au niveau de l’hôte, avant de répliquer les données vers un stockage objet, comme Azure Blob. Elle permet également de regrouper les machines virtuelles interdépendantes au sein de « domaines protégés » (protected domains), qui définissent à la fois le périmètre de reprise et les priorités de redémarrage.
Lorsqu’un incident survient, JetStream coordonne le basculement, le retour arrière et les tests de reprise en s’appuyant sur des runbooks. Ceux-ci permettent notamment d’ordonner le démarrage des machines virtuelles, d’ajuster les ressources CPU et mémoire, de modifier l’adressage IP et de tenir compte des dépendances entre applications.
La solution prend par ailleurs en charge la récupération à un point précis dans le temps. Cette fonction peut notamment être utilisée dans le cadre d’un incident de type ransomware, en permettant de reconstruire les applications dans un réseau isolé avant leur réintégration dans l’environnement de production.
JetStream en complément de SnapMirror
Dans l’architecture documentée par JetStream, le site de reprise peut s’appuyer sur Azure VMware Solution (AVS) ainsi que sur des datastores vSAN ou Azure NetApp Files. Les données répliquées peuvent, de leur côté, être stockées dans Azure Blob. Cette architecture dissocie ainsi le stockage utilisé pour la réplication des ressources de calcul nécessaires à la reprise.
NetApp précise que JetStream ne remplace pas SnapMirror, qui reste sa solution de réplication privilégiée pour les environnements reposant sur ses propres infrastructures de stockage.
Les deux technologies répondent à des périmètres différents. SnapMirror assure la réplication des données dans les environnements NetApp, tandis que JetStream étend la protection aux infrastructures VMware reposant également sur des systèmes de stockage tiers. Surtout, la technologie apporte une couche d’orchestration destinée à coordonner la remise en service des applications, au-delà de la simple réplication des données.
NetApp renforce son positionnement sur la cyber-résilience
JetStream Software est basée à San José, en Californie, et dispose également d’une filiale à Bangalore, en Inde. Selon Axios, l’entreprise avait auparavant levé environ 13 millions $.
NetApp n’a pas communiqué le montant de l’acquisition. Le calendrier précis d’intégration de la technologie dans les offres NetApp n’a pas non plus été détaillé publiquement.
L’intérêt de l’opération réside surtout dans l’élargissement du périmètre couvert par NetApp. Jusqu’ici fortement associé au stockage, le groupe ajoute une couche d’orchestration permettant de gérer la reprise d’environnements VMware indépendamment de la plateforme de stockage sous-jacente. Cette approche rapproche NetApp des capacités proposées par les spécialistes de la reprise après sinistre, du DRaaS et de la protection applicative.
Les prochains mois permettront surtout de mesurer la manière dont NetApp compte intégrer JetStream à son portefeuille commercial. Les modalités de licensing, le éventuel bundling avec les offres existantes et le positionnement des futurs produits seront particulièrement observés.
La feuille de route concernant les clients actuels de JetStream constituera également un point d’attention, tout comme l’éventuelle extension de la technologie à d’autres hyperscalers au-delà d’Azure.
Enfin, l’articulation avec les récentes acquisitions et initiatives de NetApp dans le domaine des données et de l’IA permettra de déterminer si JetStream restera principalement une brique dédiée à la résilience des environnements VMware ou s’il deviendra progressivement un élément plus large de la stratégie de protection et de mobilité des workloads du groupe.
AMD étoffe son portefeuille dans l’IA avec le rachat de Taalas, une start-up basée à Toronto et fondée en 2023. La transaction reste soumise aux conditions de clôture habituelles et aux autorisations réglementaires.
Taalas développe des composants en silicium spécialisés pour l’inférence IA. À la différence de l’entraînement, qui mobilise d’importantes capacités de calcul pour construire un modèle, l’inférence intervient lors de son utilisation opérationnelle, souvent en temps réel.
La technologie de Taalas vise à réduire les goulets d’étranglement liés au calcul et à la mémoire dans les architectures généralistes. La start-up conçoit notamment des accélérateurs adaptés à des modèles spécifiques, en intégrant directement certains paramètres du modèle dans le silicium.
Cette approche permet de gagner en performance et en efficacité énergétique, au prix d’une flexibilité moindre qu’avec un GPU généraliste. Les accélérateurs de Taalas sont configurés pour un modèle donné et peuvent donc être beaucoup plus rapides et moins coûteux dans des scénarios d’usage ciblés. Mais ils doivent être adaptés lorsque le modèle évolue.
Le premier composant de Taalas ferait fonctionner une version allégée de Llama 3.1, le modèle de Meta.
Une brique supplémentaire pour AMD
AMD prévoit d’intégrer la technologie de Taalas dans sa feuille de route d’accélérateurs et entend également développer des solutions au niveau système combinant ces technologies avec ses GPU Instinct.
L’opération doit ainsi compléter la plateforme IA full stack d’AMD, qui comprend les solutions rackscale Helios, les accélérateurs Instinct, les processeurs EPYC, le logiciel ROCm et les composants de son écosystème logiciel et matériel.
Pour AMD, l’enjeu consiste à proposer plusieurs types de processeurs selon les charges de travail. Les GPU restent adaptés à une grande variété de modèles et d’usages tandis que des accélérateurs spécialisés peuvent être pertinents pour des modèles stabilisés exécutés à très grande échelle. Par exemple dans les moteurs de recherche, les assistants conversationnels ou les services de génération de contenu.
Cette acquisition intervient alors que le marché de l’IA se déplace progressivement de l’entraînement des modèles vers leur déploiement massif. Les fournisseurs de cloud et les grandes entreprises cherchent désormais à réduire le coût et la consommation énergétique de milliers, voire de millions, de requêtes quotidiennes.
Cette évolution ouvre la voie à des architectures plus spécialisées. Les GPU offrent une grande souplesse mais leur coût et leur consommation peuvent devenir pénalisants lorsque les modèles sont exécutés de manière répétitive et prévisible. Les ASIC et autres accélérateurs dédiés tentent de répondre à cette contrainte en optimisant le matériel pour un modèle ou une famille de modèles.
La bataille de l’inférence s’intensifie
Nvidia a renforcé sa présence sur ce segment en dévoilant, notamment, un processeur et un système d’IA s’appuyant sur la technologie de Groq, une start-up spécialisée dans l’inférence.
La pression concurrentielle ne vient toutefois pas uniquement des deux géants des GPU car les hyperscalers développent également leurs propres puces, à l’image des accélérateurs conçus pour leurs infrastructures cloud.
Pour AMD, le principal défi sera d’intégrer cette technologie dans une offre industrielle et logicielle cohérente. Une puce spécialisée peut afficher des performances très élevées sur un modèle donné, mais son intérêt dépend de la stabilité des architectures d’IA, de la capacité à reconfigurer rapidement le matériel et de la compatibilité avec les outils de développement existants.
L’intégration avec Instinct et ROCm sera donc déterminante. AMD devra démontrer que Taalas peut compléter ses GPU plutôt que constituer une technologie isolée, difficile à programmer ou limitée à quelques cas d’usage.
Connexion
