L’IA est sur toutes les lèvres, à mesure que l’industrie du jeu vidéo y voit une aubaine pour le développement et que les langues se délient. Parmi les studios ayant recours à l’intelligence artificielle, Square Enix vient tout juste de mettre un pied dans la danse.

Notre nouveau modèle d’intelligence artificielle permet de prévoir les ondes de tempêtes extrêmes – ces rehaussements importants du niveau de la mer sur le littoral causés par les vents d’une grande dépression – avec une grande précision, y compris dans les conditions climatiques futures. Ce modèle d’IA fonctionnant rapidement, il peut aider les chercheurs et les professionnels à mieux évaluer les risques d’inondation côtière, et à mieux planifier les mesures d’adaptation.

Le niveau de la mer monte, et avec lui, les risques liés aux événements côtiers extrêmes tels que les ondes de tempête – des élévations temporaires du niveau de la mer causées principalement par des tempêtes, qui comptent parmi les principaux facteurs à l’origine des inondations côtières. Alors que plus de 10 % de la population mondiale vit dans des régions côtières de faible altitude, la combinaison d’une élévation progressive du niveau moyen de la mer et d’événements extrêmes de plus en plus intenses représente une menace croissante.

À lire aussi : Les « médicanes », ces cyclones méditerranéens que le changement climatique va aggraver

Pour les urbanistes et les décideurs politiques chargés des zones côtières, l’enjeu principal ne réside pas seulement dans l’élévation prévue du niveau moyen de la mer, mais aussi dans l’évolution des événements extrêmes, que ce soit en matière de probabilité ou de gravité. En effet, la conception des infrastructures, l’urbanisme et la préparation aux catastrophes reposent sur des scénarios, établis scientifiquement, de tels événements extrêmes.

Cependant, la projection d’événements extrêmes liés au niveau de la mer reste un défi scientifique majeur, car ceux-ci sont le résultat d’interactions complexes et non linéaires entre les marées, les forçages atmosphériques, la dynamique océanique et les caractéristiques côtières locales.

Cela signifie que les incertitudes dans les projections de ces événements extrêmes restent en grande partie non quantifiées. Par exemple, de petites différences dans les hypothèses des modèles peuvent entraîner de grandes différences dans les résultats prévus, en particulier pour les événements extrêmes. Ces incertitudes ont des implications importantes pour les planificateurs, la protection civile et, en fin de compte, la protection des vies humaines et des biens.

À l’heure actuelle, l’efficacité des modèles d’IA ouvre de nouvelles possibilités. En effet, comme ceux-ci peuvent générer des prévisions beaucoup plus rapidement que les modèles basés sur les lois physiques, ils permettent d’explorer de vastes ensembles de scénarios futurs, ce qui serait d’un coût prohibitif si l’on utilisait uniquement des modèles traditionnels (basés sur la physique). Considérer de nombreux scénarios est particulièrement important pour évaluer les risques, car il s’agit de comprendre la probabilité d’événements rares mais catastrophiques.

Une approche combinant IA et physique pour un risque en mutation

Les modèles traditionnels fondés sur la physique, qui utilisent les lois physiques pour représenter le mouvement des eaux côtières, peuvent simuler ces processus en détail, mais ils sont coûteux en matière de calcul, ce qui rend difficile l’exploration d’un large éventail de scénarios futurs et d’incertitudes.

Parallèlement, les systèmes d’intelligence artificielle sont de plus en plus utilisés en sciences du climat, car ils offrent de nouvelles possibilités pour surmonter ces défis.

Cependant, leur fiabilité reste incertaine dans ce contexte, notamment en raison de deux défis majeurs : la représentation limitée des événements extrêmes rares mais à fort impact dans les données d’apprentissage, et la nécessité de généraliser les résultats – de manière robuste – à des conditions climatiques futures qui pourraient différer considérablement de celles observées historiquement.

À lire aussi : Pouvait-on prédire les inondations espagnoles de 2024 ? Le problème de la dérive des données illustrée par la climatologie

L’IA et la modélisation physique sont des outils complémentaires : les modèles physiques restent essentiels pour représenter les processus sous-jacents et pour générer les données de haute qualité nécessaires à l’entraînement et à la validation des modèles d’IA, et, en fin de compte, pour instaurer la confiance dans leur homologue IA.

En combinant le réalisme physique des modèles traditionnels avec l’efficacité et la flexibilité de l’IA, les scientifiques développent une nouvelle génération d’outils pour l’évaluation des risques côtiers.

Ces outils seront essentiels pour éclairer les stratégies d’adaptation, aidant les sociétés à mieux se préparer à un avenir où les événements extrêmes liés au niveau de la mer pourraient devenir plus fréquents et plus graves.

Nos résultats suggèrent que l’IA peut être utilisée de manière fiable pour prévoir des événements extrêmes liés au niveau de la mer, rares mais à fort impact. De plus, les modèles d’IA, en permettant la génération rapide de scénarios et des tests de sensibilité, fournissent un nouvel outil pour mieux caractériser ces incertitudes.

Un nouvel « émulateur » d’IA pour la prévision des ondes de tempêtes extrêmes

Dans notre récente étude publiée dans Earth’s Future, nous avons cherché à déterminer si des modèles d’IA peuvent prédire avec précision des événements extrêmes liés au niveau de la mer, lorsqu’ils sont entraînés à émuler les résultats de simulations et de projections fondées sur la physique. En d’autres termes, nos modèles d’IA visent à apprendre à reproduire les résultats de ces modèles plus complexes, mais beaucoup plus rapidement.

Nos résultats montrent que les émulateurs d’IA parviennent à appréhender la dynamique complexe sous-jacente aux ondes de tempête et à reproduire les événements extrêmes avec une grande précision, y compris dans des scénarios futurs, par rapport aux projections disponibles jusqu’au milieu du XXIᵉ siècle.

Pour le démontrer, nous avons développé un cadre permettant d’améliorer la capacité des modèles d’IA à représenter les ondes de tempêtes extrêmes et de vérifier si leurs prévisions restent fiables dans des scénarios futurs.

Nous nous sommes concentrés sur la zone côtière de New York comme étude de cas, car elle est très exposée aux inondations côtières, avec une population dense, des infrastructures critiques et des actifs économiques majeurs – et parce qu’elle a connu des ondes de tempêtes dévastatrices dans l’histoire récente, comme lors de l’ouragan Sandy en 2012, qui a causé de nombreux décès et plus de 60 milliards de dollars (51,9 milliards d’euros) de dommages économiques.

Notre émulateur d’IA s’appuie sur des simulations fondées sur la physique (qui sont issues du Global Tide and Surge Model (GTSM), librement accessibles) non seulement pour l’entraînement, mais aussi pour évaluer sa fiabilité dans différentes conditions climatiques, y compris des scénarios futurs.

Limites actuelles et prochaines étapes

La prochaine étape consiste à tester plus en profondeur la robustesse de ces outils d’IA sur un éventail plus large de scénarios climatiques et à les intégrer dans des cadres opérationnels d’évaluation des risques ainsi que dans des services mondiaux de données climatiques fournissant des informations hydroclimatiques et côtières aux décideurs, tels que l’Aqueduct Flood Risk Analyzer et le Copernicus Climate Data Store.

Plus largement, les modèles d’IA ont le potentiel de répondre à plusieurs besoins critiques en matière d’analyse des risques côtiers, mais d’importantes lacunes subsistent.

Il s’agit notamment d’améliorer et de quantifier rigoureusement leur transférabilité à travers un large éventail de scénarios futurs, de mieux représenter les incertitudes associées aux paramètres physiques intégrés dans les données d’apprentissage, et d’évaluer dans quelle mesure ces modèles se généralisent à différentes localisations géographiques.

Il sera essentiel de clarifier les limites de leurs capacités d’extrapolation pour renforcer la confiance dans leur utilisation à des fins de prise de décision, en particulier dans des conditions inédites, dues au changement climatique et à la non-stationnarité (c’est-à-dire les changements de régimes climatiques et des phénomènes extrêmes plus intenses que ceux observés auparavant), et qui se situent donc en dehors de la fourchette couverte par les observations passées ou les simulations fondées sur la physique que nous avons utilisées pour entraîner les modèles d’IA.

Le mécénat scientifique d’AXA fait désormais partie du Fonds Axa pour le progrès humain, qui regroupe les engagements philanthropiques du Groupe et des mutuelles d’assurance Axa dans les domaines de la science, de la nature, de la solidarité et de la culture. Avant 2025, ce mécénat scientifique global était assuré par le Fonds Axa pour la recherche, qui a soutenu plus de 750 projets à travers le monde depuis sa création en 2007. Pour en savoir plus, rendez-vous sur Fonds Axa pour le progrès humain.

Andrea Ficchì a reçu une bourse de recherche postdoctorale du Fonds AXA pour la Recherche (aujourd'hui Fonds Axa pour le progrès humain) dans le cadre de l'appel à candidatures lancé conjointement par le Fonds AXA pour la Recherche et la Commission Océanographique Intergouvernementale de l'UNESCO à l'occasion de la Décennie de l'Océan.

Emiliano Longo est membre de la CMCC Foundation (Euro-Mediterranean Center on Climate Change). Il a reçu des financements de Politecnico di Milano.

Il y a à peine deux mois, Anthropic faisait sensation avec Mythos. Son modèle d’IA capable d’identifier et d’exploiter des vulnérabilités informatiques de façon autonome. 

Face à ses capacités jugées particulièrement sensibles, l’entreprise avait pris une décision peu commune. Ne pas le rendre accessible au grand public. Aujourd’hui, cependant, la situation a changé. 

Une version de Mythos est désormais disponible sous le nom de Claude Fable 5. Derrière cette nouvelle appellation se cache pratiquement le même modèle que Mythos 5. 

Fable 5 is state-of-the-art on nearly all tested benchmarks, with exceptional performance in software engineering, knowledge work, scientific research, and vision.

The longer and more complex the task, the larger Fable 5’s lead over our other models. pic.twitter.com/DxgSu0KUxh

— Claude (@claudeai) June 9, 2026

Claude Fable 5, quelle différence avec Mythos 5 ?

Eh bien, la différence ne réside pas dans sa puissance, mais dans les restrictions qui encadrent son utilisation. Voyez-vous, sur SWE-Bench Pro, l’un des principaux tests de référence en ingénierie logicielle, Claude Fable 5 atteint un score de 80,3 %. 

À titre de comparaison, Claude Opus 4.8 obtient 69,2 %, GPT-5.5 atteint 58,6 % et Gemini 3.1 Pro se situe à 54,2 %. L’écart devient encore plus visible sur les exercices les plus complexes. 

Dans FrontierCode Diamond, un benchmark conçu pour évaluer les capacités de programmation avancées, Fable 5 affiche 29,3 %. Ce, contre 13,4 % pour Opus 4.8. Le modèle s’est également illustré dans un exercice plus original. 

Il est parvenu à terminer Pokémon Rouge Feu en se basant uniquement sur des captures d’écran du jeu, sans carte ni assistance de navigation. Les précédentes générations de Claude nécessitaient des outils complémentaires pour accomplir une tâche similaire.

Ce qui distingue Claude Fable 5, c’est qu’il intègre des systèmes de surveillance chargés d’analyser les requêtes en temps réel. 

Comment ça marche exactement ?

Eh bien, lorsque certaines demandes concernent des domaines sensibles, elles sont automatiquement transférées vers Claude Opus 4.8.

Par domaines sensibles, on entend la cybersécurité offensive, la biologie, la chimie ou encore la reproduction de modèles d’IA. Selon Anthropic, ce filtrage n’intervient que dans moins de 5 % des conversations. 

Dans la grande majorité des cas, les utilisateurs bénéficient donc des capacités complètes du modèle. Pendant ce temps, Mythos 5 reste réservé à un cercle restreint d’organisations sélectionnées dans le cadre du programme Project Glasswing. 

Bref, Claude Fable 5 est déjà disponible via l’API Claude, Claude Code ainsi que les offres professionnelles proposées sur AWS, Google Cloud et Microsoft Foundry. 

Les abonnés Pro, Max, Team et Enterprise, de leur côté, peuvent l’utiliser sans frais supplémentaires jusqu’au 22 juin. Après cette période, son utilisation sera décomptée à partir de crédits dédiés. 

Pour les développeurs, Anthropic a fixé les tarifs de l’API à 10 dollars par million de jetons en entrée et 50 dollars par million de jetons en sortie. Un tarif de sortie deux fois supérieur à celui d’Opus. Ce qui place Fable 5 parmi les modèles les plus coûteux du catalogue de l’entreprise.

Cet article Anthropic lâche enfin son IA Mythos… mais sous un autre nom  a été publié sur LEBIGDATA.FR.

Le chiffre frappe avant même le reste : 920 millions de dollars par mois. À l’échelle de l’IA industrielle, le coût du compute ne se compte plus en milliards par an, mais en centaines de millions tous les trente jours.

Google achète du temps machine à prix d’or

Selon un dépôt cité par Reuters, Google a signé un accord avec SpaceX pour acheter de la puissance de calcul IA à hauteur de 920 millions de dollars par mois, de octobre 2026 à juin 2029. Le contrat couvre environ 110 000 GPU NVIDIA, ainsi que des CPU, de la mémoire et d’autres composants associés.

Sur toute la durée, la facture atteint environ 30,36 milliards de dollars : 33 mois à 920 millions l’unité. Même dans un secteur habitué aux annonces à neuf ou dix chiffres, l’ordre de grandeur reste peu commun. Il donne une mesure très concrète du nouveau nerf de la guerre dans l’IA : non plus seulement les modèles, mais l’accès soutenu à une infrastructure capable de les entraîner, de les servir et de les faire tourner à grande échelle.

La somme impressionne d’autant plus qu’il ne s’agit pas d’un investissement immobilier ou d’un achat ponctuel de matériel. Google ne paie pas pour construire un centre de données ; il s’engage à payer, mois après mois, pour une capacité opérationnelle. Autrement dit, le compute devient une ressource louée comme une matière première stratégique.

Derrière le montant, un marché du GPU sous tension permanente

Le cœur du contrat, ce sont donc 110 000 GPU NVIDIA. Rapporté au paiement mensuel, cela représente environ 8 364 dollars par GPU et par mois, avant même d’intégrer la part des CPU, de la mémoire, du réseau, du stockage, de l’alimentation, du refroidissement et des marges d’exploitation. Ce simple calcul ne dit pas tout, mais il illustre un point crucial : le prix du compute IA dépasse largement le coût brut d’une puce.

Dans l’économie réelle des centres de données, un GPU ne vaut rien sans l’infrastructure qui l’entoure. L’IA générative exige des grappes densément interconnectées, des réseaux à très faible latence, une alimentation électrique stable, une capacité de refroidissement massive et une orchestration logicielle sophistiquée. Le prix payé par Google reflète donc autant la rareté des composants que la difficulté à opérer des systèmes à cette échelle.

Cette tension n’est pas nouvelle, mais elle s’aggrave. Depuis l’explosion de la demande pour l’entraînement et l’inférence des grands modèles, les hyperscalers et les laboratoires d’IA se livrent une compétition continue pour sécuriser les capacités disponibles. Le goulet d’étranglement n’est plus uniquement l’innovation algorithmique ; c’est l’accès garanti à des dizaines de milliers de GPU, pendant plusieurs années, avec des engagements fermes.

SpaceX, un vendeur de compute au moment le plus sensible

Le calendrier donne à l’accord une portée qui dépasse le simple contrat commercial. Il intervient juste avant l’introduction en Bourse attendue de SpaceX, un moment où chaque signal de revenus récurrents est observé de très près par les marchés.

Vu sous cet angle, l’accord avec Google envoie plusieurs messages. D’abord, il suggère que SpaceX cherche à faire reconnaître une activité de centre de données ou de fourniture de capacité IA comme une ligne de revenus significative. Ensuite, il montre que cette activité peut attirer un client de premier rang, capable de signer sur près de trois ans. Enfin, il offre une visibilité rarement obtenue dans des segments plus cycliques.

Le dépôt repéré par Investing.com souligne d’ailleurs que les revenus annuels projetés liés aux centres de données pourraient dépasser, chez SpaceX, les recettes combinées de Starlink, des services de lancement et de l’IA en 2025. Si cette projection se confirme, elle modifierait sensiblement la manière dont l’entreprise est valorisée : non plus seulement comme acteur du spatial et des télécoms, mais comme détenteur d’une capacité critique dans l’économie de l’IA.

Pourquoi Google ne se contente pas de ses propres data centers

La question est inévitable : pourquoi Google, l’un des opérateurs d’infrastructure les plus puissants au monde, irait-il chercher autant de capacité chez un tiers ?

La réponse tient à la vitesse de la demande. Entre les besoins de ses propres modèles, ceux de Google Cloud, les exigences de latence pour les services grand public et la montée en charge de l’inférence, même un groupe de cette taille peut avoir intérêt à externaliser une part du compute. Construire prend du temps : trouver le foncier, sécuriser l’électricité, obtenir les autorisations, installer les équipements, connecter les réseaux. Louer de la capacité disponible permet d’aller plus vite.

Il y a aussi une logique de portefeuille. Les grands acteurs de l’IA ne veulent pas dépendre d’un seul type d’actif ni d’un seul calendrier de déploiement. Multiplier les sources de capacité — interne, colocation, partenaires spécialisés — devient une manière de réduire le risque de pénurie. Dans un marché où retarder un lancement de modèle de quelques mois peut coûter des parts de marché, payer cher pour garantir l’accès peut rester rationnel.

La guerre du compute prend une forme beaucoup plus brutale

L’intérêt de ce contrat tient autant au symbole qu’au détail financier. Depuis deux ans, l’IA est souvent racontée à travers les modèles, les interfaces ou les usages. L’accord Google–SpaceX rappelle que la compétition se joue aussi dans des contrats industriels gigantesques, moins visibles mais déterminants.

Le chiffre de 920 millions de dollars par mois impose une réalité : la bataille du compute se mène désormais à une cadence budgétaire qui rapproche l’IA des secteurs lourds, comme l’énergie ou les télécoms. À ce niveau, seuls quelques groupes peuvent suivre. Cela renforce mécaniquement la concentration du marché autour d’acteurs disposant d’un accès privilégié au capital, à l’électricité, aux chaînes d’approvisionnement et aux puces avancées.

Cette inflation du coût d’accès a une conséquence directe pour l’écosystème. Les start-up n’entrent plus seulement en concurrence sur les talents ou les idées, mais sur leur capacité à négocier de la puissance de calcul à long terme. Les acteurs qui disposent de contrats sécurisés prennent une avance structurelle. Les autres restent exposés aux hausses de prix, aux files d’attente et aux arbitrages des fournisseurs.

Des milliards qui redessinent la chaîne de valeur

Un autre élément mérite attention : cet accord confirme le déplacement de valeur vers les couches basses de l’IA. Les fabricants de puces comme NVIDIA, les opérateurs d’infrastructure, les détenteurs de foncier énergétique et les exploitants de centres de données captent une part croissante des budgets. L’innovation logicielle reste essentielle, mais elle dépend de plus en plus d’actifs physiques rares.

C’est aussi ce qui rend le dossier SpaceX singulier. Une entreprise connue pour ses fusées et ses satellites apparaît ici comme un fournisseur de capacité critique pour l’IA. Le rapprochement peut sembler inattendu, mais il suit une logique industrielle simple : celui qui sait financer, construire et opérer des systèmes complexes à très grande échelle peut monétiser cette compétence bien au-delà de son marché d’origine.

Ce que ce contrat annonce pour les prochains mois

À court terme, l’accord fournit à SpaceX un argument solide avant sa fenêtre d’IPO : des revenus visibles, pluriannuels et adossés à un client de premier plan. Pour Google, il sécurise une enveloppe de compute qui pourrait soutenir ses ambitions en modèles maison et en services cloud à l’approche de 2027.

La suite sera mesurable. D’abord, par la capacité des fournisseurs à livrer effectivement les 110 000 GPU et l’infrastructure associée dans les délais. Ensuite, par l’évolution des prix : si un tel contrat devient un nouveau standard de marché, le coût du compute restera durablement élevé malgré l’augmentation de l’offre. Enfin, par l’IPO de SpaceX, qui dira si les investisseurs valorisent désormais la capacité IA comme un actif aussi stratégique que le spatial ou la connectivité.

Le prochain jalon concret est donc double : les premiers paiements à partir de octobre 2026, puis la manière dont ce contrat sera intégré au récit financier de SpaceX avant son entrée en Bourse. Une chose est déjà claire : dans l’IA, la pénurie la plus décisive ne se lit plus seulement dans les laboratoires, mais dans des contrats à presque 1 milliard de dollars par mois.

L’essor de l’intelligence artificielle révolutionne la collaboration informatique sur des tâches complexes. Cependant, les architectures traditionnelles d’agents autonomes restent rigides face aux imprévus. Pour combler ce manque d’adaptabilité, le framework SkillMAS propose une solution inédite. Ce système s’appuie sur une co-évolution coordonnée des compétences individuelles et des structures collectives.

Cette approche novatrice apporte une plasticité accrue aux équipes d’intelligence artificielle. Elle réduit les coûts élevés et les contraintes des méthodes classiques de réentraînement. De plus, cette architecture optimise le comportement global des systèmes distribués. En unifiant les échelles micro et macro, ce cadre ouvre la voie à une automatisation plus résiliente.

Évolution et limites des architectures d’agents traditionnelles

L’intégration des LLM transforme l’IA grâce à l’émergence des agents autonomes. Ces systèmes ne se contentent plus de générer du texte. Ils planifient et exécutent désormais des actions concrètes. Pour y parvenir, ils utilisent des boucles de rétroaction simples et des méthodes de réflexion comme le paradigme ReAct.

En pratique, l’architecture traduit l’intention de l’utilisateur en une suite de tâches. Ce processus associe directement la réflexion à l’appel d’outils externes. Mais ce fonctionnement linéaire peut isoler l’IA. Le succès dépend alors fortement du prompt initial et exige souvent un pilotage humain stratégique.

Face à l’imprévu, les agents classiques se heurtent vite à leur rigidité. Leurs rôles et leurs outils sont figés par les développeurs. Le système ne sait pas s’adapter et peut générer des boucles d’erreurs infinies. La consommation de jetons s’envole parfois, tendant à cantonner la technologie à des tâches balisées.

Définition globale : qu’est-ce que le framework SkillMAS ?

Le framework SkillMAS brise la rigidité des systèmes d’IA traditionnels. Son architecture non paramétrique ne modifie pas les poids des modèles de langage sous-jacents. Le système fonctionne comme une couche logicielle supérieure et intelligente. Son but principal est d’apporter plus de plasticité à l’écosystème d’agents autonomes.

Tout repose sur le concept de coévolution synchronisée. SkillMAS fait progresser en même temps les compétences individuelles et la structure globale du système. Il adapte les outils des agents aux tâches complexes tout en remodelant le collectif. Cette double transformation se fait automatiquement, sans aucune reprogrammation manuelle.

Cette mécanique s’appuie sur le couplage dynamique de deux échelles interconnectées. L’échelle micro gère et optimise les compétences techniques et réutilisables de chaque entité. L’échelle macro supervise l’organigramme général et redistribue les rôles dans l’équipe. L’une influence directement l’autre en temps réel pour garantir une agilité accrue.

Contexte historique et origine du projet SkillMAS

Le projet SkillMAS est né en mai 2026. Il est le fruit d’un partenariat entre l’Université Jiao Tong de Shanghai, l’Université du Centre-Sud et le constructeur OPPO. Les scientifiques ont combiné l’apprentissage automatique et les systèmes distribués. Ces travaux posent désormais les bases d’une nouvelle forme d’autonomie.

Leur étude détaille les mécanismes algorithmiques de cette coévolution. Sa supériorité face aux standards actuels a été prouvée en laboratoire. L’implication directe d’OPPO souligne le potentiel industriel de cette technologie. À terme, elle permettra de propulser des assistants virtuels bien plus avancés, intelligents et résilients.

Entre 2023 et 2025, la recherche restait pourtant cloisonnée. Des projets comme Voyager apprenaient aux agents à créer leurs propres outils. Des frameworks comme MetaGPT se concentraient plutôt sur le travail en équipe. SkillMAS fusionne enfin ces deux approches isolées au sein d’une architecture unifiée.

Signification sémantique et décomposition du nom SkillMAS

Le mot « Skill » désigne la compétence de l’IA. Dans l’univers des agents autonomes, ce terme a un sens technique précis. Il ne s’agit pas d’une aptitude abstraite, mais d’un bloc de code fonctionnel et documenté. Ce script permet à l’agent d’interagir directement avec son environnement numérique.

Concrètement, une compétence lui permet de trier un fichier ou d’interroger une base de données. L’agent appelle ce programme dès qu’il en a besoin. Une fois validé, l’outil rejoint une bibliothèque partagée par tout le réseau. L’IA n’a plus à réinventer la méthode, ce qui enrichit constamment sa boîte à outils.

L’acronyme « MAS » renvoie quant à lui aux systèmes multi-agents (Multi-Agent Systems). Ce concept désigne un réseau d’entités logicielles qui collaborent de manière autonome. Inspirée des organisations sociales, cette approche découpe un problème complexe en sous-tâches simples. Le nom SkillMAS exprime ainsi la gestion des compétences au service d’une intelligence collective.

Les fondements théoriques de la coévolution en intelligence artificielle

Les concepteurs du framework s’inspirent de l’évolution naturelle. En biologie, la coévolution désigne le développement simultané d’espèces interdépendantes. C’est le cas historique des fleurs et de leurs pollinisateurs. SkillMAS applique cette logique évolutive au logiciel pour dépasser la rigidité des modèles classiques.

Ici, les compétences des agents sont des outils adaptatifs individuels. L’équipe complète forme quant à elle l’écosystème global. Le framework considère qu’une compétence ne peut progresser de manière isolée. Cette approche organique ajuste en permanence le collectif selon les besoins du moment.

Ce modèle innovant repose sur la plasticité systémique. Il donne ainsi naissance à un véritable « logiciel dynamique ». Grâce à une boucle de rétroaction, la structure s’adapte en continu aux contraintes extérieures. Face aux anomalies, l’architecture se reconfigure d’elle-même pour retrouver son équilibre.

Le mécanisme d’évolution des compétences dans SkillMAS

Le processus d’évolution commence à l’échelle de l’agent individuel. Face à une tâche inédite, l’IA vérifie d’abord sa bibliothèque de compétences. Si aucun outil ne convient, le système bascule automatiquement en mode création. L’agent utilise alors la puissance du LLM pour rédiger un nouveau script informatique en Python.

Le framework teste ensuite ce code dans un environnement sécurisé pour vérifier sa stabilité. En cas de succès, le script est encapsulé avec une documentation textuelle expliquant son activation. L’outil rejoint enfin une base de données commune et partagée. Il devient immédiatement disponible pour l’ensemble du réseau d’agents.

Une compétence enregistrée n’est jamais figée et s’améliore au fil des utilisations. Le système analyse les données d’exécution pour détecter les lenteurs ou les bugs. Des agents spécialisés réécrivent le code défaillant et l’adaptent aux changements des API externes. Je pense que cette maintenance automatisée est la véritable clé pour garantir une boîte à outils toujours moderne et performante.

L’apprentissage de l’utilité pour optimiser la mémoire de travail

L’accumulation incontrôlée de connaissances est un piège pour l’intelligence artificielle. Pour l’éviter, SkillMAS utilise le concept d’apprentissage de l’utilité (Utility Learning). Cette méthode attribue une note de performance à chaque compétence créée. Le système évalue sa fréquence d’utilisation, son taux de succès et son coût en ressources.

Un outil qui résout souvent des problèmes complexes obtient un score élevé. À l’inverse, un script obsolète ou trop spécifique voit sa note baisser. Cet algorithme permet de quantifier précisément la valeur réelle des acquis. L’apprentissage de l’utilité sert alors de boussole pour guider le tri des connaissances.

Ce tri régulier évite l’inflation de compétences qui encombre d’ordinaire la mémoire des LLM. Le framework supprime les codes inutilisés et fusionne les fonctions similaires. Cette maintenance logicielle maintient la bibliothèque dans un état de légèreté optimal. L’efficacité cognitive de l’IA est ainsi préservée au fil des cycles d’apprentissage.

La restructuration dynamique de l’organisation collective des agents

L’adaptation individuelle ne suffit pas à garantir le succès collectif. SkillMAS peut donc modifier l’organigramme de son équipe en toute autonomie. Au départ, les rôles suivent un schéma standard et prédéfini. Dès que la situation se complique, le système réorganise immédiatement les fonctions selon les urgences du terrain.

La performance d’un réseau multi-agents dépend avant tout de la qualité de ses échanges. Les structures classiques imposent généralement des canaux de communication fixes et linéaires. SkillMAS brise ce modèle en faisant évoluer la topologie du réseau en temps réel. Les agents s’affranchissent ainsi d’un schéma de discussion totalement figé.

En cas de malentendu entre deux entités, le framework intervient aussitôt. Il peut couper leur lien direct et désigner un agent superviseur pour filtrer les messages. À l’inverse, il sait ouvrir un canal général pour diffuser rapidement une information critique. Cette optimisation élimine le bruit informationnel pour fluidifier l’intelligence collective.

Les spécificités techniques d’une architecture non paramétrique

Sa grande force est d’être non paramétrique. Le framework n’a pas besoin de réentraîner les modèles de langage, qui restent inchangés. Tout s’ajuste en quelques secondes grâce aux prompts et au code externe. Cette légèreté dispense d’utiliser de coûteux supercalculateurs.

Placé en couche externe, le système offre une compatibilité universelle. Il se branche sur n’importe quel LLM, propriétaire ou open-source. Si l’on change de modèle, la bibliothèque de compétences reste intacte. L’IA conserve ainsi sa mémoire organisationnelle et garantit une modularité totale.

Enfin, le framework s’appuie sur une approche guidée par l’échec (Failure-Driven). En cas de bug, le système enregistre le code fautif, les messages de la console et les échanges des agents. Une IA spécialisée décortique ces données pour trouver la source exacte du problème. Cette correction méthodique transforme chaque erreur en moteur d’évolution.

Confrontation technologique et cas d’usage applicatifs

Les anciens frameworks comme AutoGen ou CrewAI reposent sur des structures statiques. Ils imposent généralement des pipelines de prompts assez rigides. MetaGPT utilise quant à lui des procédures figées issues du monde de l’entreprise. Efficaces pour des tâches prévisibles, ces outils échouent en environnement chaotique.

Le framework de 2026 dépasse ces limites grâce à sa dynamicité synchrone. Il intègre des mécanismes uniques pour nettoyer ses outils en cours de route. Le système peut également restructurer ses équipes selon les besoins du terrain. Un groupe d’agents fixes devient ainsi une organisation fluide et auto-adaptative.

Ses applications concrètes ciblent des secteurs industriels hautement stratégiques. En génie logiciel, il crée des usines de code totalement autonomes. Grâce à l’implication d’OPPO, il s’impose aussi dans l’Internet des Objets (IoT). Le système pilote alors des flottes d’appareils en gérant instantanément les pannes.

État des lieux et modalités de déploiement de SkillMAS

Le framework traverse actuellement une phase de transition majeure. Ce projet de recherche d’avant-garde propose un code source totalement ouvert. Son niveau de maturité technique se situe encore au stade de la preuve de concept. Le système fait actuellement l’objet de validations approfondies en environnement simulé.

Il ne s’agit pas encore d’un logiciel grand public accessible sur abonnement. Les ingénieurs en IA et les laboratoires spécialisés s’en emparent d’ailleurs aujourd’hui. Ils utilisent cette architecture pour bâtir les fondations des futurs agents commerciaux. L’adoption globale s’accélère ainsi au sein de la recherche logicielle avancée.

Le déploiement technique repose principalement sur Python et des bases de données vectorielles. Connecté à des LLM performants, le système génère et exécute son code de manière autonome. Un environnement isolé de type sandbox ou Docker est donc obligatoire. Cette barrière de sécurité indispensable protège efficacement la machine hôte.

Cet article SkillMAS : quand l’IA réorganise son équipe et réécrit ses outils en temps réel a été publié sur LEBIGDATA.FR.

Au cœur des discussions autour du “Recursive self-improvement”, un concept a déboulé et envahi le microcosme de l’IA en quelques jours. Ce concept c’est celui du “Loop Engineering” : une manière de faire faire du code pour les machines par les machines, donc à notre place, et de façon autonome. Ou presque. Oui c’est important le “presque”. Et en ce début de mois de juin 2026, deux des développeurs les plus influents dans le petit monde de l’IA, ont exposé fortement cette idée de manière publique. Ce n’est pas la première fois que chacun d’eux en parle, mais cette fois-ci ils l’ont fait dans le même momentum. Et ils ne sont pas les seuls à en parler.

Peter Steinberger, le créateur d’OpenClaw, recruté par OpenAI en février, l’a exposée en quelques mots de cette façon : ”…that you shouldn’t be prompting coding agents anymore. You should be designing loops that prompt your agents.” Pour lui, un développeur ne devrait plus prompter les agents de code, mais passer au stade supérieur et utiliser son temps à concevoir les boucles qui promptent directement lesdits agents. Ce n’est plus à l’humain de prompter, mais aux machines de se prompter entre elles.

De son coté Boris Cherny, responsable de Claude Code chez Anthropic, a tenu des propos qui vont dans le même sens à la conférence développeurs de son entreprise : il affirme lui qu’il ne prompte plus Claude. Maintenant il écrit des boucles qui décident à sa place de ce qu’il faut coder et comment. Il en remet d’ailleurs une couche dans une vidéo publiée hier sur le compte Youtube officiel d’Anthropic, dont le sujet est de faire le point sur les changements apportés par Claude Code depuis 1 an dans le développement et la génération de code. La conception de boucles fait partie des nouvelles pratiques dont il parle.

Ce nouveau terme ou cette nouvelle expression dont on parle ici, ce “loop engineering” a été formalisé par un autre développeur de ce petit milieu, Addy Osmani, ingénieur chez Google. Et ce terme a fait son entrée fracassante sur X et Linkedin ces derniers jours. Ce qui reste quand même, nous le savons tous bien, le test ultime de la pénétration d’un concept dans l’industrie, et particulièrement dans sa communication.

Sommaire

1. Avoir le doigt sur l'outil ou concevoir le système, choisis ton camp

2. L'anatomie d'une boucle

3. Ce qu'une boucle ne fait pas à votre place ni à la mienne

Temps de lecture : 15 mins

Cet article est payant. Vous pouvez en lire le début.
Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
La newsletter du samedi matin reste gratuite.

Avoir le doigt sur l'outil ou concevoir le système, choisis ton camp

Depuis deux ans, sortir quelque chose d’un agent de code revient peu ou prou à écrire un bon prompt, puis lire la réponse, puis relancer, puis corriger, puis… etc… L’agent de code est utilisé principalement comme un outil que l’humain tient au bout de ses doigts, tour après tour.

La boucle à la base du loop engineering dont on parle actuellement, elle, change l’ordre et le focus : on construit une fois un système dont le but est de prendre en charge directement le travail à effectuer, puis de le distribuer, de vérifier le résultat, de noter ce qui est bien fait et mal fait, puis de décider de la suite. Et c’est lui, ce système, cet environnement, qui sollicite et qui prompte directement les agents et sous-agents qui codent. Pas les petits doigts du développeurs.

Read more

Le bras de fer n’est plus feutré. Entre Anthropic et l’administration Trump, le différend sur l’usage militaire de l’IA a quitté les coulisses de Washington pour s’installer au cœur d’une bataille judiciaire et politique, au moment même où la start-up se prépare à affronter un autre tribunal, celui des marchés.

Washington admet la coupure, mais rejette l’idée de représailles illégales

Dans un dépôt judiciaire daté du 8 juin 2026, l’administration Trump a contesté les accusations d’Anthropic, qui l’a attaquée en justice pour mise à l’écart politique. Le point le plus explosif du document tient moins dans sa ligne de défense que dans ce qu’il reconnaît explicitement : des agences fédérales ont bien cessé d’utiliser les produits d’Anthropic après le refus de l’entreprise de satisfaire certaines demandes du Pentagone liées aux usages militaires de Claude, son principal modèle d’IA.

Selon Reuters et Investing.com, l’administration nie toutefois qu’il s’agisse de représailles illégales. Sa position est plus étroite : le gouvernement soutient que ses décisions d’achat et d’accès relèvent de sa marge de manœuvre administrative, et non d’une sanction anticonstitutionnelle visant les opinions ou les choix d’expression d’une entreprise privée.

Ce point est central, car la plainte déposée le 9 mars 2026 par Anthropic repose précisément sur l’idée inverse. L’entreprise accuse le président Donald Trump et le secrétaire à la Défense Pete Hegseth d’avoir orchestré une forme de liste noire politique après sa résistance à certaines demandes militaires. Autrement dit, le cœur du litige n’est pas seulement commercial : il touche à la liberté d’expression et aux limites du pouvoir exécutif lorsqu’il cherche à orienter le comportement d’une entreprise technologique.

Derrière Claude, une question plus vaste : qui fixe la doctrine militaire de l’IA ?

L’affaire dépasse largement le sort d’un fournisseur parmi d’autres. Depuis l’explosion de l’IA générative, les relations entre les laboratoires privés et l’État américain oscillent entre coopération stratégique et méfiance mutuelle. D’un côté, Washington considère l’IA comme un actif de sécurité nationale. De l’autre, les entreprises veulent conserver une capacité de refus sur les usages qu’elles jugent trop risqués, notamment dans les domaines létaux, du ciblage ou de l’automatisation de certaines décisions de défense.

Dans ce contexte, Anthropic s’est distinguée par une ligne de prudence plus marquée que certains concurrents. La société a souvent mis en avant sa recherche sur l’alignement, la sûreté des modèles et les garde-fous autour des usages sensibles. Si le dépôt judiciaire confirme qu’elle a résisté à des demandes du Pentagone concernant Claude, cela crédibilise l’idée d’un conflit de fond : l’administration aurait voulu un niveau de coopération plus poussé sur les applications militaires, là où Anthropic cherchait à maintenir ses propres lignes rouges.

Le dossier éclaire aussi un changement de climat à Washington. Pendant longtemps, le débat public sur l’IA militaire est resté théorique : principes éthiques, chartes volontaires, consultations d’experts. La procédure actuelle montre un passage à l’étape suivante, celle où le désaccord produit des conséquences commerciales immédiates — accès coupé, contrats suspendus, relation avec l’État dégradée — puis une confrontation judiciaire frontale.

Une bataille constitutionnelle autant qu’un conflit commercial

Sur le plan juridique, la plainte d’Anthropic est particulièrement sensible. Les entreprises américaines ont certes peu de garanties absolues sur l’obtention de contrats publics, mais elles peuvent contester une exclusion si celle-ci résulte d’une discrimination politique ou d’une punition liée à des prises de position protégées. En visant Donald Trump et Pete Hegseth, Anthropic cherche à déplacer l’affaire du terrain administratif vers celui des droits constitutionnels.

La ligne de défense de l’administration est, en creux, assez claire : reconnaître la rupture de la relation commerciale sans admettre l’intention punitive. Cette nuance sera décisive. Si les juges estiment que les agences ont agi pour des motifs opérationnels ou de sécurité, le gouvernement conservera un large pouvoir discrétionnaire. Si, en revanche, des éléments montrent que la coupure visait à sanctionner le refus d’Anthropic pour des raisons politiques ou idéologiques, l’affaire pourrait devenir un précédent majeur sur la capacité de l’exécutif à faire pression sur les fournisseurs d’IA.

Le cas rappelle une tension ancienne de l’industrie technologique américaine : jusqu’où une entreprise peut-elle collaborer avec l’appareil sécuritaire sans perdre le contrôle de ses principes de gouvernance ? La différence, ici, tient au statut de l’IA générative. Un modèle comme Claude n’est pas un simple logiciel vertical ; c’est une infrastructure cognitive polyvalente, susceptible de servir à l’analyse, à la planification, à l’assistance décisionnelle ou à la production de contenus. La frontière entre usage général et usage militaire devient donc particulièrement poreuse.

Le calendrier n’a rien d’anodin pour Anthropic

Cette escalade tombe au pire — ou au plus révélateur — des moments pour la société. Anthropic est déjà au centre de l’attention des marchés, alors que les spéculations sur son entrée en Bourse se multiplient. Dans cette séquence, le contentieux avec Washington ajoute une couche de risque difficile à ignorer.

Pour les investisseurs, deux lectures coexistent. La première est négative : un conflit ouvert avec l’administration américaine peut fragiliser l’accès au marché public, accroître l’incertitude réglementaire et exposer l’entreprise à des représailles indirectes. Dans un secteur où les coûts de calcul, les besoins en puces et les contrats cloud sont considérables, toute dégradation de la relation avec l’État fédéral compte.

La seconde lecture est plus favorable à l’image d’Anthropic. En tenant tête à des demandes jugées excessives, l’entreprise peut apparaître comme un acteur cohérent avec son discours sur la sûreté et la gouvernance responsable. Pour une partie du marché, cette cohérence a de la valeur : elle réduit le risque réputationnel à long terme et distingue Anthropic de concurrents perçus comme plus malléables face au pouvoir politique.

Reste que l’équation boursière est complexe. Une future introduction nécessitera de convaincre que ce conflit est circonscrit, qu’il ne remet pas en cause le cœur du modèle économique, et qu’Anthropic peut continuer à croître auprès des entreprises privées, des développeurs et de partenaires internationaux, même avec un accès restreint à certaines agences fédérales américaines.

Une ligne de fracture pour tout le secteur

Le litige pose enfin une question plus large à l’industrie de l’IA : les laboratoires peuvent-ils réellement imposer leurs propres politiques d’usage lorsqu’ils deviennent des fournisseurs quasi stratégiques pour l’État ? À mesure que les modèles s’intègrent à la défense, au renseignement et aux administrations, la tentation politique d’exiger davantage de coopération va croître.

Le dossier Anthropic pourrait alors servir de test. S’il confirme qu’un refus sur l’usage militaire peut entraîner une mise à l’écart de fait, d’autres entreprises devront choisir entre trois options inconfortables : s’aligner davantage sur les demandes gouvernementales, formaliser publiquement des limites plus strictes, ou compartimenter leurs offres entre versions commerciales et versions destinées à la défense.

La prochaine étape concrète sera judiciaire : le tribunal devra trancher si les faits admis par l’administration relèvent d’une simple décision d’achats publics ou d’une sanction politique illégale. Pour Anthropic, l’enjeu est mesurable : récupérer l’accès à des clients fédéraux, sécuriser son récit avant une éventuelle IPO et éviter qu’un conflit avec Washington ne se transforme en décote durable. Pour le secteur, le jalon à surveiller est plus large : le premier jugement américain capable de dire jusqu’où un laboratoire d’IA peut résister au pouvoir fédéral sans en payer le prix commercial.

Anthropic franchit un cap en ouvrant au grand public la classe Mythos, sa gamme d'intelligence artificielle la plus avancée. Mais pour dompter ce moteur jugé jusqu'ici trop dangereux pour être libéré dans la nature, Anthropic a dû déployer des garde-fous de taille… tout en concédant l'existence d'un mystérieux jumeau réservé aux initiés, triés sur le volet.

À l'aube d'une introduction en Bourse historique, SpaceX a dévoilé AI1 , sa première génération de satellites d'intelligence artificielle. Une solution radicale pour déporter la puissance de calcul dans l'espace et contourner la crise énergétique qui menace les data centers terrestres.

Un homme, ou une femme, averti en vaut-il, ou elle, vraiment deux quand on évoque l’impact d’un licenciement sur la santé mentale des personnes ? Rien n’est moins sûr, selon une étude menée pendant vingt ans en Australie. Si les résultats sont transposables, estimer ou non que l’IA détruira son emploi a peu d’impact. En revanche, retrouver vite un emploi contribue à la restauration du bien-être psychique des individus.

L’idée que l’intelligence artificielle va détruire des millions d’emplois s’est imposée dans le débat public. L’Organisation de coopération et de développement économiques (OCDE) estime que 27 % des emplois sont exposés à un risque élevé d’automatisation, et trois travailleurs sur cinq déclarent craindre de perdre leur emploi dans les dix prochaines années.

Voilà pour les chiffres, mais qu’en est-il de leur impact sur les personnes et leur santé ? Voir venir la perte de son emploi serait, en soi, une source importante de souffrance psychologique. Les mois passés à appréhender l’échéance pèseraient lourd sur la santé mentale, peut-être autant que la perte elle-même.

Dans une nouvelle étude publiée dans la revue Social Science & Medicine, nous comparons les trajectoires de santé mentale de personnes qui ont anticipé leur licenciement à celles qui ne l’avaient pas anticipé. Le résultat surprend : les deux groupes suivent des trajectoires très proches, avant comme après la perte d’emploi.

Il y a donc deux questions bien distinctes : l’effet de la perte d’emploi sur la santé mentale, et l’effet d’anticiper cette perte d’emploi. La première est bien documentée. Perdre son emploi dégrade la santé mentale, à la fois parce que le revenu chute et parce que le travail est souvent source d’accomplissement alors que le chômage reste socialement stigmatisant. La seconde est plus disputée. De nombreuses études observent un déclin de la santé mentale dans les mois précédant un licenciement et l’attribuent à un effet d’anticipation.

À lire aussi : L'IA générative ne détruira pas votre emploi mais elle va changer profondément votre métier

Dégradation des conditions de travail

Faute d’informations sur le niveau effectif des anticipations, jusque-là, ces études ignoraient si les individus anticipaient réellement leur licenciement. Or, le déclin de la santé mentale avant le licenciement peut aussi refléter des dynamiques antérieures – conditions de travail qui se détériorent, restructurations silencieuses, climat anxiogène – qui pèsent sur la santé mentale indépendamment de toute anticipation des individus vis-à-vis de leur propre emploi.

Nous mobilisons 22 vagues annuelles (2001–2022) de l’enquête HILDA, un panel représentatif qui suit les mêmes individus dans le temps en Australie. La santé mentale est mesurée à l’aide de l’indice SF-36, un outil clinique validé qui s’étend de 0 à 100. Notre échantillon comprend 14 195 personnes et 4 251 licenciements. L’enquête enregistre le trimestre exact du licenciement, ce qui permet d’examiner finement les trajectoires sur les trimestres précédant et suivant l’événement.

Surtout, HILDA demande chaque année aux personnes en emploi quelle probabilité, mesurée de 0 à 100 %, elles attribuent à la perspective d’être licenciées dans les douze mois suivants. Cette mesure subjective nous permet de distinguer ceux qui anticipent leur licenciement – c’est-à-dire qui déclarent une probabilité non nulle – de ceux qui ne l’anticipent pas, c’est-à-dire qui déclarent une probabilité nulle.

Notre démarche est comparative et non causale. Les personnes qui anticipent et celles qui n’anticipent pas peuvent différer sur des dimensions non observées, et les déclins observés avant le licenciement peuvent refléter des facteurs partagés, comme une dégradation de la situation de l’entreprise, plutôt que l’anticipation elle-même.

Avant et après : des trajectoires comparables

Dans les mois précédant le licenciement, les deux groupes affichent un déclin de santé mentale. Chez les personnes qui n’anticipaient pas, l’indice SF-36 baisse d’environ 2,1 points dans le trimestre précédant immédiatement la séparation. Chez celles qui anticipaient, la baisse est de 1,2 point sur la même période. Les ordres de grandeur sont proches, et les tests statistiques ne permettent pas de conclure à une différence significative entre les deux groupes.

Ce résultat invite à reconsidérer une interprétation courante : la dégradation de la santé mentale prélicenciement documentée dans la littérature ne traduit pas seulement une anticipation individuelle. Elle apparaît aussi chez des personnes qui, dans les mois précédant la perte, jugeaient leur risque de licenciement nul. D’autres mécanismes sont vraisemblablement à l’œuvre – dégradation des conditions de travail, tensions internes, restructurations précédant licenciement.

Une fois le licenciement intervenu, les trajectoires divergent fortement, non pas selon l’anticipation, mais selon le retour à l’emploi. Les personnes qui retrouvent rapidement un emploi voient leur santé mentale revenir à son niveau habituel en quelques trimestres, qu’elles aient anticipé leur licenciement ou non. Celles qui restent au chômage continuent en revanche à souffrir : leur indice SF-36 reste inférieur à son niveau habituel un an après la perte d’emploi.

Comment préparer la vague de l’IA ?

Là encore, l’anticipation ne change presque rien. Cumulée sur les quatre trimestres qui précèdent et ceux qui suivent la perte d’emploi, la baisse de l’indice SF-36 atteint 14 points pour celles qui n’avaient pas anticipé et 14,4 points pour celles qui avaient anticipé. Cet écart est trop faible pour qu’on puisse y voir une véritable différence. Les conclusions sont les mêmes pour les hommes et pour les femmes, et se retrouvent aussi quand on remplace l’indice SF-36 par une mesure de satisfaction de vie.

Notre étude porte sur des licenciements survenus dans l’Australie des deux dernières décennies, pas sur des licenciements liés à l’IA. Mais ses enseignements éclairent les inquiétudes actuelles. L’idée selon laquelle voir venir la perte de son emploi constituerait, en soi, le principal facteur de détresse psychologique ou, au contraire, serait propice à une meilleure préparation et donc à un rebond plus rapide, mérite d’être nuancée. Dans nos données, ce qui pèse le plus, c’est la perte elle-même et, surtout, la rapidité avec laquelle on retrouve un travail.

Cela suggère que les politiques visant à atténuer le coût psychologique des transformations technologiques gagneraient à mettre l’accent moins sur la gestion de l’angoisse anticipée et davantage sur les trajectoires de retour à l’emploi : formation, accompagnement, intermédiation. C’est dans la trajectoire d’emploi, plus que dans l’anticipation, que se joue la santé mentale des travailleurs licenciés.

Nicolas Herault a reçu des financements de l'Agence nationale de la recherche (ANR), du Ministère de l'Enseignement supérieur, de la Recherche, de l'IdEx Université de Bordeaux et du GPR HOPE.

Daniel Nettle a reçu des financements de l'Agence Nationale de la Recherche (ANR, France) ainsi que le National Institute for Health and Care Research (NUHR, UK).

ChatGPT muscle sa mémoire avec un nouveau système capable de relier vos échanges passés à vos besoins actuels, y compris pour les utilisateurs gratuits bientôt concernés.

ChatGPT veut mieux se souvenir de vous. Pas seulement de votre prénom, de votre métier ou de votre passion suspecte pour les tableaux Excel. OpenAI déploie une nouvelle évolution de sa mémoire pour rendre l’assistant plus cohérent d’une conversation à l’autre. L’objectif est simple. Moins vous faire répéter. Mieux comprendre le contexte. Et éviter ce moment gênant où une IA supposée personnalisée vous redemande encore ce que vous faites dans la vie.

Cette mise à jour repose sur une architecture appelée Dreaming V3, selon les informations communiquées autour du déploiement. Elle permet à ChatGPT de s’appuyer plus finement sur les souvenirs issus des conversations passées. En clair, l’outil ne se contente plus d’attendre une consigne du type “souviens-toi de ça”. Il peut aussi relier des éléments déjà partagés pour adapter ses réponses. 

C’est pratique. C’est aussi un peu vertigineux. Quand un chatbot commence à mieux reconstituer votre profil que certains collègues, la question devient très personnelle.

ChatGPT améliore sa mémoire sans réserver l’idée aux abonnés payants

Jusqu’ici, la mémoire de ChatGPT reposait surtout sur deux piliers. Les souvenirs enregistrés, que l’utilisateur peut demander à conserver. Et l’historique des discussions, qui aide l’assistant à retrouver des préférences ou des habitudes déjà exprimées.

La nouveauté tient surtout à l’efficacité. OpenAI affirme avoir réduit d’environ cinq fois la puissance de calcul nécessaire pour faire fonctionner ce système. Traduction moins sexy, mais importante. Ce qui coûtait trop cher à servir à grande échelle devient enfin possible pour les comptes gratuits.

Le déploiement reste progressif. Les utilisateurs Plus et Pro aux États-Unis sont servis en premier. Les comptes Free et Go doivent suivre dans les prochaines semaines, tout comme d’autres pays. Donc non, tout le monde ne verra pas forcément la différence dès aujourd’hui. Les miracles instantanés, c’est plutôt le rayon marketing.

Concrètement, ChatGPT pourrait mieux retenir un projet récurrent, un style de rédaction préféré ou une contrainte professionnelle déjà évoquée. Pour un utilisateur intensif, le gain peut être réel. Moins de contexte à répéter. Moins de réponses génériques.

Une IA plus personnelle, mais aussi plus sensible

OpenAI insiste sur le contrôle laissé aux utilisateurs. Il est possible de consulter ce que ChatGPT garde en mémoire, de modifier ces informations, de les supprimer ou de désactiver certaines options. Un retour vers un fonctionnement plus classique reste aussi prévu pour ceux qui préfèrent une mémoire plus cadrée.

C’est essentiel, car une meilleure mémoire n’est pas automatiquement une bonne nouvelle. Plus un outil retient de contexte, plus il devient utile. Mais plus il devient aussi sensible. Préférences, travail, projets, habitudes, contraintes personnelles. Tout cela peut améliorer une réponse. Tout cela mérite aussi d’être surveillé.

Le vrai enjeu n’est donc pas seulement de savoir si ChatGPT se souvient mieux. Il est de savoir si l’utilisateur garde vraiment la main. Une IA qui retient vos goûts rédactionnels, c’est confortable. Une IA qui devine trop de choses sans explication claire, c’est déjà moins mignon.

La mémoire devient l’un des grands terrains de bataille des assistants IA. Ceux qui personnaliseront sans devenir intrusifs prendront une longueur d’avance.

Cet article ChatGPT revoit sa mémoire et devient plus humain… même free a été publié sur LEBIGDATA.FR.

Avec Siri AI, la version entièrement repensée de Siri, Apple promet enfin un assistant capable de rivaliser avec ChatGPT. Mais l’assistant de la marque à la pomme est-il vraiment meilleur que le célèbre chatbot d’OpenAI ? La réponse est plus compliquée qu’un simple oui ou non. 

Apple a profité de la WWDC 2026 pour dévoiler Siri AI, une version entièrement repensée de son assistant vocal. Au programme : des conversations plus naturelles et une meilleure compréhension du contexte personnel. L’assistant peut également analyser ce qui s’affiche à l’écran et rechercher des informations actualisées directement sur le web. 

L’assistant d’Apple peut désormais retrouver des données dans les messages, les e-mails ou les photos, et générer du texte. Il peut même accomplir des tâches dans plusieurs applications. Ce sont des fonctionnalités qui rapprochent Siri de ce que proposent déjà ChatGPT, Gemini ou Claude. Mais après plusieurs années passées à courir derrière les géants de l’IA générative, Siri a-t-il enfin les arguments pour prendre l’avantage ?

Que peut faire le nouveau Siri mieux que ChatGPT ?

Siri AI possède un atout que ChatGPT ne peut pas toujours égaler. Il s’agit de son intégration profonde à l’écosystème Apple.

Grâce à son intégration aux applications Apple, Siri peut accéder à de nombreuses informations personnelles de l’utilisateur. L’assistant peut retrouver une réservation dans un ancien e-mail, afficher une photo précise ou encore retrouver une adresse mentionnée dans une conversation. 

Il peut également réaliser plusieurs actions à travers différentes applications, sans que l’utilisateur ait besoin d’intervenir manuellement. Là où ChatGPT se limite souvent à fournir une réponse, Siri peut directement agir sur l’appareil.

L’assistant est également capable d’analyser ce qui apparaît à l’écran pour répondre à des questions liées au contenu affiché. Un utilisateur peut ainsi demander des informations sur un événement reçu dans Messages. Il peut aussi obtenir de l’aide à partir d’un document ouvert sur son iPhone ou son Mac.

En plus, Siri est présent partout dans l’univers Apple. Sur iPhone, Mac, iPad, Apple Watch ou encore Vision Pro, l’assistant peut être invoqué en quelques secondes. Cela sans avoir à ouvrir une application dédiée. Cette intégration native lui permet d’offrir une expérience plus fluide au quotidien.

Alors, l’assistant est vraiment meilleur que le chatbot d’OpenAI ?

Pour l’instant, difficile de l’affirmer. Par rapport à Siri AI, ChatGPT conserve une avance importante dans la génération de texte et le raisonnement complexe. Il en va de même pour la richesse des échanges. OpenAI bénéficie de plusieurs années d’expérience dans le domaine des grands modes de langage.

Apple en est d’ailleurs parfaitement conscient. La preuve ? L’une des annonces les plus marquantes de la WWDC 2026 ne concerne pas directement Siri. Mais l’ouverture de l’assistant à des IA concurrentes.

 La firme introduit également un système baptisé « Extensions ». Lorsqu’une question dépasse les capacités de Siri, l’utilisateur pourra choisir de déléguer la réponse à ChatGPT, Gemini ou Claude.

Cette stratégie peut être vue comme une forme de pragmatisme. Mais elle ressemble aussi à un aveu. Malgré ses progrès, Siri n’est pas encore capable de rivaliser seul avec les meilleurs chatbots du marché. 

Plutôt que de mener une bataille frontale contre OpenAI, Google ou Anthropic, Apple préfère transformer Siri en porte d’entrée vers plusieurs intelligences artificielles. 

Cet article Apple : le nouveau Siri est-il enfin meilleur que ChatGPT ? a été publié sur LEBIGDATA.FR.

Meta veut aider les créateurs avec une IA sur Facebook capable d’analyser leurs contenus, leurs audiences et leurs performances. Pratique, oui. Rassurant, pas totalement.

Meta continue de transformer Facebook en laboratoire géant pour l’intelligence artificielle. Après la modération automatisée, les abonnements payants et les outils communautaires, le groupe s’attaque maintenant aux créateurs avec l’intégration d’une IA sur Facebook pensée pour leur faire gagner du temps. Sur le papier, l’idée coche toutes les cases du moment. Moins de tableaux à décortiquer, plus de recommandations personnalisées, et un assistant qui promet de comprendre ce qui fonctionne ou non sur une page. 

L’outil s’appelle Creator Assistant. Il se présente comme un assistant conversationnel dédié aux créateurs de contenu. Son rôle est simple. Lire les signaux d’un compte, analyser les performances, observer les tendances d’engagement et proposer des actions pour développer l’audience. En clair, Meta veut remplacer une partie du casse-tête quotidien des créateurs par une discussion avec une IA. C’est séduisant. C’est aussi le genre de promesse qu’il faut regarder avec un sourcil légèrement levé.

L’assistant IA de Facebook veut simplifier la vie des créateurs

Être créateur sur Facebook ne consiste plus seulement à publier une vidéo, une photo ou un post inspirant entre deux cafés. Il faut comprendre les statistiques, surveiller les formats qui montent, s’adapter aux goûts de l’algorithme, répondre aux commentaires, tester des idées et essayer de ne pas disparaître dans le flux. Un métier, donc. Avec son lot de petites angoisses numériques.

Creator Assistant veut alléger cette charge. Au lieu de fouiller dans les analytics, les créateurs pourront poser des questions directement à Creator Assistant. Pourquoi tel contenu a mieux marché ?  Quel format publier ensuite ? Comment améliorer l’engagement ? Quel sujet pourrait intéresser leur audience ? L’assistant doit aussi apprendre au fil des échanges. Si un créateur veut surtout développer son audience, renforcer l’engagement ou améliorer sa monétisation, l’outil adaptera ses recommandations.

Meta promet donc une sorte de coach de contenu intégré à Facebook. Une machine qui lit les données, repère les tendances et suggère des pistes. Pour les créateurs qui passent déjà trop de temps à interpréter les signaux flous de la plateforme, l’arrivée d’un tel assistant peut sembler utile. Surtout si l’outil évite de transformer chaque publication en examen de statistiques niveau expert-comptable sous caféine.

Peut-on vraiment faire confiance à Creator Assistant ? 

Le problème, c’est que l’IA reste l’IA. Et même avec un joli nom, une interface propre et une annonce bien emballée, les risques ne disparaissent pas. Les assistants génératifs peuvent se tromper, inventer, mal interpréter des données ou proposer des idées très moyennes avec une assurance assez fascinante. Pour un créateur, suivre une mauvaise recommandation peut coûter de la visibilité, de l’engagement ou de la crédibilité.

La question de la confidentialité est encore plus sensible. Pour fonctionner correctement, Creator Assistant doit accéder à beaucoup d’informations. Les contenus, les performances, les tendances d’audience, les objectifs du compte. Bref, tout ce qui fait la valeur stratégique d’une présence en ligne. Quand l’IA de Facebook conseille les créateurs, elle ne travaille pas dans le vide. Elle s’appuie sur des données précieuses.

Or Meta traîne déjà une réputation compliquée sur la gestion des données et la sécurité. Le lancement d’outils IA dans cet environnement soulève donc une question très simple. Jusqu’où faut-il déléguer sa stratégie de contenu à une plateforme qui possède déjà les règles du jeu, les données et maintenant le conseiller virtuel.

Pour l’instant, Creator Assistant est disponible aux États-Unis, au Canada et en Inde. Meta prévoit déjà d’étendre l’outil à d’autres pays dans les prochains mois. Le groupe pousse aussi ses traductions IA pour les Reels, avec de nouvelles langues, dont le français.

Meta avance vite. Les créateurs suivront peut-être. Mais entre un assistant utile et une boîte noire qui murmure quoi publier pour plaire à l’algorithme, la frontière reste fine. Comme souvent avec l’IA, le meilleur conseil reste peut-être le plus simple. L’utiliser, oui. Lui obéir aveuglément, beaucoup moins.

Cet article Facebook équipe les créateurs d’une IA… et ça inquiète  a été publié sur LEBIGDATA.FR.

Avec iOS 27, une fonction largement en retard vient finalement de passer un nouveau cap : il s'agit de la fameuse gomme (Clean Up) introduite sur iOS 18.1.

AFM Core, AFM Core Advanced, AFM Cloud, ADM Cloud et AFM Cloud Pro : Apple ne lance pas un, mais cinq modèles d'IA. Contrairement à ce que beaucoup écrivent, la marque californienne ne se contente pas d'utiliser les modèles Gemini de Google pour son nouvel assistant Siri AI : la réalité est bien plus complexe. Numerama a assisté à plusieurs sessions techniques à Cupertino et vous explique tout.

L’entrée de OpenAI dans l’antichambre de Wall Street n’a plus rien d’une rumeur de marché. En confirmant le 8 juin 2026 le dépôt confidentiel de son dossier d’introduction en Bourse aux États-Unis, le créateur de ChatGPT acte un basculement : celui d’une entreprise devenue infrastructure stratégique de l’IA, mais encore exposée à une équation financière et juridique hors norme.

OpenAI passe du récit de startup à l’épreuve du marché

Le groupe a annoncé avoir transmis de manière confidentielle un dossier d’IPO à la Securities and Exchange Commission américaine. Comme c’est l’usage dans ce type de procédure, OpenAI n’a communiqué ni la taille de l’opération, ni le nombre d’actions proposées, ni le calendrier précis. Ce silence n’a rien d’anodin : il permet à l’entreprise de tester la température du marché avant d’exposer publiquement ses comptes, ses risques et sa gouvernance.

Selon Reuters, la valorisation visée pourrait grimper jusqu’à 1 000 milliards de dollars, avec une fenêtre potentielle dès septembre 2026. À ce niveau, l’opération ne serait pas seulement l’une des plus scrutées de l’année ; elle poserait un précédent pour toute la chaîne de valeur de l’IA générative, des fournisseurs de cloud aux fabricants de semi-conducteurs.

Cette étape intervient après plusieurs mois de spéculations sur la trajectoire capitalistique d’OpenAI. L’entreprise, longtemps perçue comme un laboratoire hybride entre mission de recherche et ambitions commerciales, se rapproche désormais des codes classiques du marché coté : visibilité sur les revenus, discipline de coûts, narration de croissance durable et clarification de la structure actionnariale.

Une course à deux avec Anthropic s’installe

Le calendrier rend l’affaire encore plus intéressante. Anthropic, principal rival américain sur les grands modèles de langage, a déjà déposé confidentiellement son propre dossier d’IPO le 1er juin 2026, soit une semaine avant OpenAI. En quelques jours, la rivalité technologique s’est déplacée vers un autre terrain : celui de la crédibilité boursière.

Le duel ne porte plus seulement sur les modèles

Jusqu’ici, la compétition entre OpenAI et Anthropic se lisait à travers les performances de leurs modèles, leurs accords de distribution et leur capacité à séduire les entreprises. Avec l’IPO, un nouveau critère s’impose : lequel des deux acteurs parviendra à convaincre les investisseurs que l’IA générative peut produire, à grande échelle, des revenus récurrents supérieurs à ses coûts d’infrastructure ?

La question est centrale. Le marché adore les récits de croissance, mais il valorise encore davantage les trajectoires lisibles. Or les leaders de l’IA se développent dans un environnement coûteux, dominé par les dépenses en calcul, en puces, en centres de données et en talents. Une cotation réussie suppose donc de démontrer que ces coûts ne dévoreront pas durablement les marges.

Wall Street veut des champions, mais aussi des comptes

L’enthousiasme autour de l’IA ne garantit pas une introduction sans turbulence. Une valorisation proche de 1 000 milliards de dollars, si elle se confirme, placerait OpenAI dans une catégorie rarissime, comparable à des groupes technologiques installés depuis bien plus longtemps sur les marchés publics. Pour les investisseurs, cela implique un niveau d’exigence extrême sur la visibilité du chiffre d’affaires, la fidélisation des clients et la soutenabilité du modèle économique.

La comparaison avec Anthropic jouera ici comme un miroir. Le marché cherchera à isoler les avantages relatifs de chaque entreprise : distribution, accès au calcul, dépendance à quelques grands partenaires, exposition réglementaire et capacité à convertir l’usage des modèles en abonnements, licences ou services à forte marge.

Le feu vert juridique était loin d’être acquis

Si cette fenêtre boursière s’ouvre maintenant, c’est aussi parce qu’un obstacle majeur s’est atténué. Reuters souligne qu’un verdict rendu par un jury en mai 2026 contre Elon Musk a levé un risque juridique important pour OpenAI.

Le contentieux avec Musk pesait sur le dossier

L’action intentée par Elon Musk visait le fonctionnement et l’évolution de l’organisation, en particulier son éloignement supposé de sa mission initiale. Pour une entreprise envisageant une cotation, ce type de litige n’est jamais périphérique : il touche à la gouvernance, à la légitimité stratégique et au récit même proposé aux futurs actionnaires.

Le verdict de mai ne fait pas disparaître toute incertitude, mais il réduit un angle d’attaque qui aurait pu compliquer le processus, retarder l’opération ou peser sur la décote exigée par le marché. Dans une IPO, la prime de confiance compte autant que la croissance affichée.

Une gouvernance encore sous microscope

Même sans ce contentieux, OpenAI reste un cas singulier. L’entreprise a longtemps avancé avec une architecture institutionnelle atypique, à la croisée de la recherche, du plafonnement des rendements pour certains investisseurs et d’une ambition industrielle très classique. Ce montage a déjà provoqué des tensions internes et externes. Or la Bourse supporte mal les zones grises.

Le dossier transmis à la SEC devra donc répondre à des questions concrètes : qui contrôle réellement l’entreprise ? Quels sont les droits des investisseurs ? Quelle est la place des partenaires stratégiques ? Et jusqu’où la mission d’intérêt général peut-elle cohabiter avec les attentes trimestrielles du marché ?

Une valorisation géante dans une fenêtre à haut risque

L’attrait d’une IPO OpenAI tient à une promesse simple : miser sur l’entreprise qui a imposé l’IA générative dans le grand public et accéléré son adoption dans les entreprises. Le risque, lui, tient à une réalité tout aussi simple : peu de sociétés, même dominantes, justifient durablement une valorisation de cette ampleur.

Le pari sur l’IA reste un pari sur les infrastructures

La popularité de ChatGPT donne à OpenAI une puissance de marque rare. Mais l’histoire boursière ne se résume pas à l’usage grand public. Les investisseurs examineront surtout la capacité du groupe à transformer son avance technologique en flux financiers stables, dans un secteur où chaque génération de modèles impose de lourds investissements.

Une partie du danger tient à la nature même du marché. L’IA générative reste tributaire d’une chaîne d’approvisionnement tendue : puces avancées, énergie, contrats de cloud, ingénieurs de haut niveau. Une entreprise peut afficher une croissance spectaculaire et voir, en parallèle, ses dépenses courir encore plus vite.

Le risque de timing est réel

La fenêtre de septembre 2026 évoquée par Reuters n’a rien d’une certitude. Elle coïnciderait avec une période où les marchés américains pourraient être très sensibles à plusieurs variables : inflation, politique monétaire, rotation sectorielle, résultats des grands groupes technologiques et fatigue éventuelle vis-à-vis du thème IA.

Autrement dit, OpenAI entre dans la course au meilleur moment narratif, mais pas forcément au moment le plus confortable pour des investisseurs appelés à payer une prime maximale. Plus la valorisation sera tendue, plus le marché exigera des preuves immédiates après la cotation.

Ce que Wall Street cherchera dans le prospectus

Le dépôt confidentiel protège encore l’entreprise de l’examen public détaillé. Mais lorsque le prospectus sera publié, plusieurs points deviendront décisifs.

D’abord, la structure des revenus : part des abonnements, clients entreprise, contrats API, dépendance à quelques grands comptes. Ensuite, les dépenses : coûts d’entraînement des modèles, dépenses de calcul à l’inférence, engagements sur le cloud et besoins futurs en capacité. Enfin, la gouvernance : droits de vote, équilibre entre dirigeants, investisseurs historiques et partenaires industriels.

La lecture du dossier dira surtout une chose : OpenAI est-elle une société de logiciel à très forte marge potentielle, ou une entreprise d’infrastructure lourde déguisée en plateforme ? Toute la valorisation dépendra de cette réponse.

Le prochain test ne sera pas technologique, mais financier

Avec ce dépôt confidentiel, OpenAI officialise son entrée dans une séquence où la fascination pour l’IA devra se traduire en métriques boursières. L’avance d’Anthropic, déposée le 1er juin 2026, ajoute une pression compétitive supplémentaire : il ne s’agit plus seulement d’être le leader technologique, mais le leader jugé “cotable” par Wall Street.

La prochaine étape concrète sera la publication du prospectus, probablement dans les semaines précédant une éventuelle opération à l’automne. C’est là que se jouera l’essentiel : niveau réel de revenus, intensité des pertes ou des marges, architecture de contrôle, exposition aux litiges et degré de dépendance à l’écosystème matériel. Pour les investisseurs, l’enjeu est mesurable : à 1 000 milliards de dollars, le moindre écart entre promesse de croissance et réalité des coûts peut se chiffrer en dizaines de milliards dès les premiers jours de cotation.

Hideo Kojima ne sait plus vraiment sur quel pied danser avec l’usage de l’intelligence artificielle : parfois oui, parfois non. En réalité, Hideo Kojima semble surtout suivre le sens du vent, un peu comme Sam Porter Bridges, le héros de Death Stranding, qui avance selon le dénivelé.

Comme prévu, Siri va être totalement transformé. Rebaptisé Siri AI et propulsé par les modèles maison d'Apple conçus avec l'aide de Google, l'assistant vocal d'Apple devient un véritable chatbot intégré à iOS et macOS, capable de comprendre l'écran, d'agir dans les apps et de tenir des conversations bien plus naturelles, a annoncé Apple lors de la WWDC 2026.

Pendant deux ans, Apple a promis une montée en puissance de Siri sans jamais vraiment dissiper le sentiment de retard. À WWDC 2026, le groupe joue plus qu’une mise à jour d’assistant vocal : il tente de reprendre la main sur le terrain le plus visible de l’IA grand public, celui qui s’invite chaque jour dans la poche de centaines de millions d’utilisateurs d’iPhone.

Apple remet Siri au centre du jeu

Le signal était attendu, presque devenu indispensable. En ouvrant sa conférence développeurs WWDC 2026 le 8 juin à 10h PDT — soit 19h à Paris — Apple a placé en tête d’affiche une nouvelle salve d’“AI advancements” sur l’ensemble de ses plateformes. Selon les premiers comptes rendus, notamment relayés par Reuters, la pièce maîtresse est une refonte profonde de Siri, présentée comme un pivot stratégique après une séquence marquée par les annonces ambitieuses d’Apple Intelligence, puis par des retards et une exécution jugée incomplète.

La WWDC s’étend jusqu’au 12 juin, avec sa succession habituelle de sessions techniques, d’outils pour développeurs et d’annonces logicielles. Mais cette fois, le sujet déborde largement du cercle des ingénieurs. Une évolution crédible de Siri est l’un des rares dossiers capables de toucher immédiatement le grand public, parce qu’il concerne l’usage le plus concret de l’IA sur mobile : parler à son téléphone, automatiser une tâche, retrouver une information, faire agir les applications sans ouvrir de menus.

C’est précisément là qu’Apple n’avait plus l’initiative.

Deux ans de promesses, et une crédibilité à reconstruire

Depuis l’accélération de la concurrence en IA générative, Apple a souvent donné l’impression de courir derrière. L’entreprise a bien posé un cadre avec Apple Intelligence, mélange de traitement local sur appareil, de recours au cloud privé et d’intégration dans ses systèmes. Mais la promesse est restée, pour beaucoup d’utilisateurs, plus conceptuelle que tangible.

Le cas Siri a cristallisé cette faiblesse. L’assistant, pionnier à son lancement, s’est progressivement retrouvé distancé par des agents capables de comprendre des requêtes plus naturelles, de maintenir le contexte d’une conversation, de manipuler du contenu et d’agir de manière plus souple à travers les applications. Chez Apple, l’enjeu n’était plus seulement d’ajouter une couche d’IA, mais de réparer une interface devenue symbolique de son retard relatif.

La séquence compte d’autant plus que les attentes étaient déjà montées avant la WWDC. Dans un communiqué publié fin mai pour annoncer l’ouverture de la conférence le 8 juin, Apple promettait une semaine “d’innovations et d’outils nouveaux” pour les développeurs, avec un accent explicite sur l’évolution de ses plateformes. La présence de l’IA dans ce calendrier ne surprenait personne. Ce qui importait, c’était le niveau de maturité affiché.

Ce que le nouveau Siri doit prouver

Un assistant enfin utile dans les gestes du quotidien

Le défi n’est pas théorique. Pour redevenir central, Siri doit d’abord réussir ce que les utilisateurs attendent depuis longtemps : exécuter des actions simplement, dans un langage naturel, sans imposer une syntaxe rigide ni renvoyer vers une recherche web à la moindre ambiguïté.

Si la refonte évoquée se confirme, l’enjeu consiste à transformer Siri en interface d’action à travers iOS, et non plus en simple couche vocale superficielle. Cela implique une compréhension plus fine du contexte personnel, des intentions implicites et des interactions entre applications. En clair, pouvoir demander une tâche composite — retrouver un document, résumer un message, proposer une réponse, lancer une action dans une app — sans passer par plusieurs étapes manuelles.

C’est ce qui distingue une démonstration marketing d’un véritable retour dans la course.

L’iPhone comme point d’entrée, pas comme vitrine

L’angle le plus important de cette WWDC tient au produit concerné. Les annonces développeurs comptent, mais Siri touche le cœur du parc installé d’Apple : l’iPhone. Or l’iPhone reste le principal canal de diffusion d’une nouveauté logicielle à très grande échelle.

Contrairement à d’autres fonctions d’IA parfois cantonnées à la création d’images, au résumé de texte ou à des usages encore niche, un assistant système reconfiguré peut modifier la relation quotidienne à l’appareil. C’est en cela que le sujet dépasse le monde dev. Si Siri devient plus compétent, plus fiable et plus présent dans l’interface, c’est tout l’iPhone qui redevient une plateforme d’initiative, et pas seulement un terminal qui rattrape les fonctions déjà vues ailleurs.

La bataille de l’IA grand public ne se joue pas seulement sur les modèles

L’erreur serait de lire cette annonce comme un simple concours de performances entre modèles. La force d’Apple, si elle parvient à la réactiver, réside moins dans la démonstration brute que dans l’intégration.

L’entreprise garde plusieurs atouts structurels : la maîtrise du matériel, du système d’exploitation, de la couche de confidentialité et de l’écosystème applicatif. Dans l’IA grand public, cela compte autant que la qualité du modèle sous-jacent. Un assistant un peu moins spectaculaire mais profondément intégré peut avoir plus d’impact qu’un agent très performant, mais isolé du système.

C’est aussi là que le dossier Siri devient stratégique pour les développeurs. Si Apple ouvre mieux l’accès aux capacités d’assistance, au contexte applicatif et à l’exécution de tâches inter-apps, la WWDC 2026 pourrait marquer un changement de méthode. L’IA ne serait plus seulement une fonction ajoutée aux apps, mais une couche de navigation et d’orchestration entre elles.

À condition, évidemment, qu’Apple accepte d’aller suffisamment loin dans les API, les autorisations et la cohérence d’expérience.

Un moment de vérité pour la marque

Pourquoi Apple n’a plus beaucoup de marge

Le timing n’a rien d’anodin. Après deux années de promesses et de reports partiels autour d’Apple Intelligence, une nouvelle série d’engagements sans résultats perceptibles exposerait davantage la marque. Apple peut encore s’appuyer sur sa base installée et sur une loyauté utilisateur hors norme, mais l’écart de perception en matière d’IA est devenu un problème commercial autant qu’un problème d’image.

Dans le grand public, la question n’est plus “Apple fait-il de l’IA ?” mais “pourquoi l’iPhone n’en montre-t-il pas davantage ?”. La différence est essentielle. Elle touche directement la valeur perçue des nouveaux modèles, le rythme de renouvellement du parc et la capacité de la marque à justifier sa prime tarifaire.

Un test immédiat, bien au-delà du keynote

Comme souvent chez Apple, la clé ne se jouera pas seulement pendant la présentation du 8 juin, mais dans les jours qui suivront, à mesure que les sessions techniques et les démonstrations détailleront l’architecture réelle du nouveau Siri. La WWDC dure jusqu’au 12 juin : c’est dans cet intervalle que se verra l’écart entre promesse de scène et faisabilité produit.

Les premiers signaux à observer sont concrets : compatibilité réelle selon les appareils, langues prises en charge, profondeur d’intégration avec les apps tierces, exécution locale ou via infrastructure distante, latence, et surtout robustesse des usages du quotidien. Un assistant qui impressionne en démo mais trébuche sur trois requêtes banales ne corrigera rien.

Ce qui se joue maintenant pour l’iPhone

Le retour d’Apple dans la bataille de l’IA grand public passera moins par un slogan que par un réflexe retrouvé : parler à son iPhone et obtenir, enfin, une action pertinente. Si Siri change réellement de visage, Apple peut reprendre l’initiative sur le terrain le plus stratégique qui soit, celui de l’interface principale entre l’utilisateur et son appareil.

La conséquence la plus mesurable pourrait apparaître dès le prochain cycle matériel : une hausse de l’adoption des fonctions d’IA sur iPhone, et avec elle un argument plus tangible pour le renouvellement du parc. Le prochain jalon est donc clair : au-delà du keynote du 8 juin, il faudra scruter d’ici au 12 juin les annonces techniques de la WWDC, puis les premières bêtas d’iOS pour vérifier si le nouveau Siri relève enfin de l’usage réel — ou d’une promesse supplémentaire.

Les inquiétudes concernant les effets de l’IA sur le marché du travail ne cessent de grandir, surtout chez les jeunes. Liz Kendall, secrétaire d’État à la Technologie, promet ainsi un accompagnement pour les personnes dont l’emploi pourrait être menacé par l’automatisation.

Au fait, Kendall estime que le gouvernement a un rôle important à jouer dans la manière dont l’IA sera déployée. Pour elle, hors de question de laisser les travailleurs gérer seuls les conséquences des changements technologiques 

Selon elle, l’IA doit avant tout améliorer les conditions de travail tout en aidant les travailleurs à se reconvertir si nécessaire. Voilà pourquoi, elle met en avant une vision travailliste de l’adoption de l’IA. 

Concrètement, qu’est-ce que Liz Kendall va changer ?

Depuis son bureau de Whitehall, Kendall a affirmé que le gouvernement devait agir pour que les bénéfices de cette transformation profitent à l’ensemble du pays. Et pas seulement à quelques acteurs puissants.

Elle a également annoncé plusieurs mesures destinées à élargir l’accès aux compétences numériques. Elle a par exemple réorienté le programme TechFirst afin que 40 % du million de jeunes visés soient issus d’établissements scolaires défavorisés.

Pour info, ce programme, présenté l’an dernier, bénéficie de 187 millions de livres sterling. La ministre a aussi mis en avant deux projets pilotes lancés dans le nord-est et le nord-ouest de l’Angleterre. 

Ces initiatives, quant à elles, sont dédiées à des jeunes sans emploi, sans études et sans formation, ou risquant de se retrouver dans cette situation. Elles proposent des stages de formation professionnelle pendant l’été

Développés avec le soutien d’entreprises partenaires, ces programmes doivent faciliter l’accès à l’apprentissage. Ils concernent pour l’instant 60 places dans le nord-ouest et 20 dans le nord-est, avant une éventuelle extension à plus grande échelle. 

Le gouvernement prévoit par ailleurs un programme national destiné à lutter contre le phénomène des jeunes NEET. L’objectif est de leur offrir des formations professionnelles gratuites afin d’augmenter leurs chances d’intégrer ensuite un cursus d’apprentissage. 

Dans le nord-est, cette initiative s’inscrit dans le projet gouvernemental de création d’une zone de croissance dédiée à l’IA. Elle bénéficie du financement de la Garantie jeunesse du Parti travailliste, destinée aux jeunes éloignés de l’emploi depuis au moins 18 mois. 

Plus besoin de s’inquiéter que l’IA mette les salariés à la porte ?

Si vous voulez tout savoir, les inquiétudes concernant l’impact de l’IA sur l’emploi ont également été relayées par Kristalina Georgieva. Il s’agit de la directrice générale du Fonds monétaire international.

Elle comparait alors cette révolution technologique à un « tsunami » susceptible de bouleverser le marché du travail. Et d’après elle, les conséquences sont particulièrement importantes pour les jeunes générations. 

Malgré ces avertissements, Liz Kendall se montre relativement optimiste. Elle reconnaît que certains métiers disparaîtront. Elle rappelle toutefois que de nouveaux emplois verront également le jour et que de nombreuses professions évolueront. 

Pour elle, ce phénomène accompagne traditionnellement l’arrivée des grandes innovations technologiques. Elle précise aussi que le débat sur l’IA ne doit pas se limiter à une opposition entre acceptation et rejet de la technologie. 

La véritable question consiste à déterminer comment l’encadrer et l’orienter afin qu’elle serve l’intérêt collectif. À ses yeux, les gouvernements ont le choix entre façonner cette transformation numérique ou subir les décisions des géants de la technologie. 

Cet article Plus besoin de s’inquiéter ? Le Parti travailliste va mettre l’IA au service des salariés a été publié sur LEBIGDATA.FR.

Bonne nouvelle ! Il est enfin possible de modifier les réponses suggérées par Google Messages avant leur envoi. Après plusieurs semaines de tests, Google commence à déployer la mise à jour auprès de tous les utilisateurs Android.

Jusqu’à présent, il suffisait d’appuyer sur une réponse suggérée pour qu’elle soit envoyée immédiatement à votre correspondant. Une méthode rapide, certes. Mais qui pouvait aussi provoquer quelques moments gênants à la moindre mauvaise manipulation.

Voilà pourquoi, désormais, Google Messages adopte une approche plus prudente. 

Comment ça marche ?

Avec cette mise à jour, le fonctionnement change complètement. Lorsque vous sélectionnez une suggestion, celle-ci est désormais placée dans le champ de rédaction au lieu d’être envoyée automatiquement. 

Cette étape supplémentaire réduit considérablement le risque d’erreur. Elle offre davantage de liberté, puisque vous pouvez désormais modifier la réponse proposée par Google avant qu’elle ne parte. 

Ajouter quelques mots, ajuster le ton ou préciser une information devient ainsi possible en quelques secondes. Il vous appartient ensuite de confirmer l’envoi en appuyant sur le bouton dédié. 

Cette fonction est intégrée à la dernière version stable de Google Messages sur Android. Toutefois, Google a choisi de ne pas l’activer par défaut.

Pour vérifier sa disponibilité, il faut ouvrir les paramètres de Google Messages. Puis, rendez-vous dans « Suggestions et actions » et ensuite dans « Suggestions ». 

Deux modes sont alors proposés : « Appuyez pour rédiger un message » ou « Appuyez pour envoyer ». Le premier permet de profiter du nouveau comportement plus sécurisé.

Cette amélioration accompagne plusieurs autres nouveautés récemment introduites dans l’application. Parmi elles figurent le chiffrement des conversations RCS avec les iPhone. 

S’ajoute une nouvelle présentation des accusés de réception ainsi qu’un dossier « Corbeille » destiné à simplifier la gestion des messages supprimés.

Comme souvent chez Google, le déploiement s’effectue progressivement. La fonctionnalité peut apparaître après une mise à jour de l’application ou être activée directement depuis les serveurs de l’entreprise. 

Si l’option n’est pas encore visible sur votre smartphone, il faudra donc probablement patienter encore un peu.

Cet article Ouf ! Google Messages va (enfin) vous éviter d’envoyer n’importe quoi a été publié sur LEBIGDATA.FR.

Des chercheurs ont utilisé les vaccins et l’IA pour viser plusieurs coronavirus à la fois. Le premier essai humain a été parfaitement réussi, mais le champagne scientifique reste toujours sous surveillance.

L’IA vient de cocher une case sérieuse dans le monde des vaccins. Des chercheurs de l’Université de Cambridge ont testé chez l’humain un vaccin expérimental contre les coronavirus, baptisé pEVAC-PS, conçu grâce à des modèles d’intelligence artificielle. Résultat, le candidat semble sûr, bien toléré, et capable de déclencher une réponse immunitaire contre plusieurs virus proches. Dit autrement, l’IA ne sert pas seulement à générer des images bizarres ou des mails de réunion interminables. Elle peut aussi aider la médecine à préparer le prochain gros stress sanitaire. Mais restons calmes. Il s’agit d’un essai de phase I. Le but principal n’était pas de prouver que le vaccin protège vraiment contre une infection, mais de vérifier qu’il ne provoque pas d’alerte majeure chez des volontaires en bonne santé.

Vaccins et IA veulent prendre les variants de vitesse

Le problème des coronavirus, comme celui de la grippe, tient en une idée simple. Ils changent. Beaucoup. Et quand un virus change, les vaccins existants peuvent perdre en efficacité. On se retrouve alors à courir derrière les variants, avec l’élégance stratégique d’un hamster dans sa roue. 

Les chercheurs ont donc tenté une autre approche. Au lieu de cibler une partie trop variable du virus, ils ont utilisé l’IA pour repérer des zones plus stables, présentes chez plusieurs sarbecovirus. Ce groupe comprend le SARS-CoV-2, le virus du SARS original, mais aussi des coronavirus de chauve-souris susceptibles, un jour, de poser quelques soucis à l’humanité.

L’idée est de concevoir un vaccin plus large, capable d’entraîner le système immunitaire à reconnaître des éléments communs à plusieurs virus. Ce n’est pas encore le vaccin universel des films de science-fiction. C’est plutôt une tentative sérieuse de sortir du jeu épuisant de la mise à jour permanente.

Dans l’essai, 39 volontaires ont reçu le pEVAC-PS, administré sans aiguille par voie intradermique. Aucun effet indésirable grave ou inattendu n’a été observé. Les chercheurs ont aussi relevé des signaux immunitaires contre plusieurs coronavirus, même si ces réponses restent préliminaires.

Un premier succès, pas une baguette magique médicale

C’est là que l’enthousiasme doit garder sa ceinture de sécurité. Un essai de phase I réussi ne veut pas dire qu’un vaccin arrive demain en pharmacie. Cela signifie surtout que le produit peut passer à l’étape suivante, avec plus de participants et une vraie évaluation de son efficacité.

Les réponses immunitaires observées restent modestes et variables. Les chercheurs soulignent aussi que les volontaires avaient déjà été exposés au SARS-CoV-2 ou vaccinés contre le Covid-19, ce qui complique la lecture des résultats. En médecine, même quand ça marche, il faut parfois plusieurs tableaux Excel pour savoir à quel point.

La prochaine étape sera un essai de phase II. Cambridge et la société DIOSynVax veulent poursuivre cette piste, avec l’ambition d’utiliser la même plateforme pour d’autres menaces, comme la grippe ou Ebola.

La promesse est claire. Si l’IA permet de concevoir plus vite des vaccins contre des familles entières de virus, la préparation aux pandémies pourrait changer d’échelle. La preuve définitive, elle, attendra encore.

Cet article La science casse les codes :  l’IA crée ses premiers vaccins humains a été publié sur LEBIGDATA.FR.

Face à la prolifération des drones, Airbus Helicopters dévoile un nouveau projet : le U145. Il s'agit d'une déclinaison entièrement autonome et sans cockpit d'un hélicoptère existant.

Payer 210 dollars par mois pour l’IA ou investir dans un Mac Mini ? Un développeur a fait ses calculs. Lassé des abonnements qui s’accumulent, il a troqué ses services cloud contre une configuration locale à 1 198 dollars. Ce choix lui permettrait d’économiser jusqu’à 2 500 dollars par an. 

C’est désormais une réalité ! Les abonnements à l’IA font partie des factures incontournables des développeurs. Ils s’appuient sur des modèles payants comme ChatGPT Pro, Claude Code, Gemini Advanced ou encore GitHub Copilot pour gagner en productivité. Ainsi, à force d’empiler les services, la note peut rapidement devenir salée.

Un développeur a pourtant choisi une autre voie. Plutôt que de payer 210 dollars par mois pour accéder à différents outils d’IA, il a investi 1 198 dollars dans deux Mac Mini. Ceux-ci sont équipés de puces Apple Silicon. Son objectif ? Faire tourner ses modèles localement et réduire drastiquement ses dépenses.

Comment le Mac Mini est devenu l’arme anti-abonnements IA ?

L’idée peut sembler contre-intuitive. Après tout, les géants de l’IA vantent constamment la puissance du cloud et des infrastructures massives. Pourtant, certains utilisateurs commencent à regarder du côté du matériel local.

Dans ce cas précis, le développeur utilise l’agent open source Hermes ainsi que plusieurs modèles exécutés directement sur ses machines. Les deux Mac Mini font tourner des tâches d’IA liées à la programmation, à la rédaction ou à l’analyse directement en local. Plus besoin de dépendre en permanence d’un service cloud.

Le principal avantage n’est pas forcément la vitesse. C’est surtout le coût. Sa consommation électrique reste estimée entre 2 et 3 dollars par mois. Une somme dérisoire comparée aux centaines de dollars que certains dépensent chaque mois dans des abonnements IA premium. 

Le contraste a de quoi faire sourire. Certains paient aujourd’hui plus cher pour leur IA que pour leur connexion internet. 

Au-delà des économies, un autre élément attire de plus en plus d’utilisateurs : la maîtrise des données. Les modèles tournent directement sur la machine de l’utilisateur. Les documents, le code et les données sensibles ne quittent donc pas l’ordinateur. 

Aucun transfert vers des serveurs externes n’est nécessaire. Cet aspect séduit particulièrement les professionnels travaillant sur des projets confidentiels.

Des économies importantes, oui, mais pas pour tout le monde

Les chiffres avancés sont impressionnants. Un utilisateur qui dépense 210 dollars chaque mois économise environ 2 520 dollars par an une fois son matériel amorti. Mais cette équation n’est pas universelle.

Pour un utilisateur occasionnel qui se contente d’un abonnement à 20 dollars mensuels, le retour sur investissement devient beaucoup moins évident. Dépenser plus de mille dollars pour économiser quelques euros par mois ressemble davantage à un projet passion qu’à une décision financière rationnelle.

Les profils qui pourraient réellement y trouver leur compte sont surtout les développeurs. À cela s’ajoutent les chercheurs ou les professionnels qui utilisent l’IA de manière intensive au quotidien.

En plus, installer et configurer une telle infrastructure demande des compétences techniques. Les modèles locaux restent également moins performants que les versions les plus avancées disponibles dans le cloud.

C’est pourquoi certains observateurs estiment que l’avenir pourrait être hybride. Le Mac Mini et l’IA locale pourraient gérer la majorité des tâches du quotidien. Les services cloud resteraient réservés aux demandes les plus complexes.

Cet article Il abandonne ses abonnements IA pour un Mac Mini et économise 2 500 $ par an a été publié sur LEBIGDATA.FR.

Un prompt repéré en mai 2026 sur X consiste à demander à ChatGPT de restaurer une image... sans joindre quoi que ce soit. Et les résultats sont tous plus étranges les uns que les autres.

L’application d’intelligence artificielle de Meta est devenue bizarre. Les utilisateurs ne savent plus à quoi ils ont affaire, un assistant ou une plateforme sociale. C’est la conséquence directe du choix de l’entreprise de rendre publiques certaines conversations et créations générées par l’IA. 

Voyez-vous, le fil d’actu de Meta AI serait désormais envahie par des publications étranges générées automatiquement. Les genres de contenus cherchant avant tout à provoquer des réactions, des partages et de l’engagement.

D’après plusieurs rapports, certaines publications reprennent les recettes bien connues du clickbait popularisé sur Facebook. D’autres rendent difficile la distinction entre humour, désinformation et simple spam généré par IA. 

Meta AI : un fil d’actu problématique ?

Pour de nombreux observateurs, cette évolution n’est pas anodine. Elle pourrait encourager les utilisateurs à produire des contenus toujours plus spectaculaires, émotionnels ou manipulateurs afin de gagner en visibilité. 

Malgré cela, Meta assume pleinement cette orientation. L’entreprise ne présente pas son IA comme un simple assistant destiné à répondre à des questions ou à aider à accomplir des tâches. 

Sa plateforme encourage également le partage de prompts, d’images créées par l’IA et de messages rédigés avec son aide, accessibles à l’ensemble de la communauté. 

Et bon, je dois avouer, cette stratégie peut favoriser l’engagement et multiplier les interactions. Toutefois, elle fait aussi apparaître les mêmes défis de modération que ceux rencontrés depuis des années par les réseaux sociaux traditionnels. 

Selon un article de The Verge, les utilisateurs se plaignent de fausses confidences personnelles, de témoignages fictifs fortement chargés en émotions, d’affirmations médicales contestables ou encore de scénarios inventés particulièrement extravagants.

L’expérience peut ainsi devenir confuse. Comme une partie importante des publications est créée ou assistée par l’IA, il devient parfois difficile d’identifier la nature des contenus.

S’il s’agit d’un témoignage authentique, d’une plaisanterie, d’une expérimentation ou d’une fiction pure et simple. Certains spécialistes craignent que cette situation contribue à affaiblir davantage la confiance en ligne. Surtout à mesure que les contenus générés par IA gagnent en réalisme et en pouvoir de persuasion. 

Cette problématique dépasse d’ailleurs le seul cas de Meta. L’ensemble de l’industrie de l’IA cherche actuellement à accroître l’engagement des utilisateurs. Ce tout en essayant de mettre en place des garde-fous efficaces. 

Or, plus ces outils deviennent interactifs et sociaux, plus les systèmes de modération semblent avoir du mal à suivre le rythme. 

Cet article Faux drames et pièges à clics : le fil d’actu de Meta AI part complètement en vrille  a été publié sur LEBIGDATA.FR.

Utiliser ChatGPT pour analyser un fichier Excel permet de gagner du temps sur le tri des données, la création de formules, l’interprétation de tableaux et la production de synthèses. Ce guide explique comment utiliser ChatGPT pour analyser un fichier Excel, quelles méthodes choisir selon le type de fichier, les limites à connaître, et les bonnes pratiques pour obtenir des résultats fiables.

Qu’est-ce que ChatGPT peut faire avec un fichier Excel ?

ChatGPT peut aider à analyser un fichier Excel de plusieurs façons, selon la version utilisée et le mode d’accès disponible.

Lecture et interprétation de données tabulaires

Lorsqu’un fichier Excel peut être importé directement dans ChatGPT, l’outil est capable de :

- lire la structure du fichier ;

- identifier les colonnes, feuilles et types de données ;

- repérer des tendances générales ;

- calculer des statistiques descriptives ;

- résumer des tableaux complexes en langage clair.

Exemples de demandes utiles :

1. “Analyse les ventes par mois et indique les variations importantes.”

2. “Repère les 10 clients qui génèrent le plus de chiffre d’affaires.”

3. “Explique les colonnes de ce fichier et détecte les anomalies éventuelles.”

Aide à la création de formules Excel

ChatGPT peut aussi servir d’assistant Excel pour :

- écrire une formule RECHERCHEX, SOMME.SI.ENS, INDEX/EQUIV, SI, NB.SI, etc. ;

- corriger une formule qui renvoie une erreur ;

- expliquer la logique d’un calcul ;

- proposer une formule adaptée à une version française d’Excel.

Exemple :

- “Écris une formule Excel en français pour calculer une commission de 5 % si le CA dépasse 10 000 €.”

Nettoyage et préparation des données

ChatGPT peut proposer des méthodes pour :

- supprimer les doublons ;

- standardiser des dates ;

- uniformiser des catégories ;

- détecter des cellules vides ou incohérentes ;

- préparer les données pour un tableau croisé dynamique ou un dashboard.

Synthèse et interprétation métier

Au-delà du calcul pur, ChatGPT peut aider à transformer des données brutes en informations utiles :

- synthèse de performances commerciales ;

- lecture d’indicateurs RH ;

- analyse de budget ;

- identification de pics, creux, corrélations ou écarts inhabituels.

Point clé : ChatGPT n’est pas seulement utile pour “faire des formules”. Il peut aussi aider à comprendre ce que racontent les données.

Pourquoi utiliser ChatGPT pour analyser un fichier Excel ?

L’intérêt principal est le gain de temps. Beaucoup d’utilisateurs savent manipuler Excel, mais perdent du temps sur :

- la rédaction de formules complexes ;

- la compréhension d’un fichier créé par quelqu’un d’autre ;

- la préparation de données mal structurées ;

- l’interprétation des résultats.

Les avantages concrets

1. Aller plus vite sur les tâches répétitives

ChatGPT peut expliquer immédiatement :

- quelle formule utiliser ;

- comment structurer les colonnes ;

- comment filtrer ou agréger les données ;

- comment construire un raisonnement analytique.

2. Rendre Excel plus accessible

Pour un niveau débutant ou intermédiaire, ChatGPT aide à :

- comprendre la logique des fonctions ;

- apprendre les bonnes pratiques ;

- éviter certaines erreurs classiques ;

- progresser plus vite sans suivre une longue formation.

3. Obtenir une première analyse rapide

Sur un tableau de ventes, de stocks ou de dépenses, ChatGPT peut fournir :

- une lecture synthétique ;

- une liste de points à vérifier ;

- des hypothèses sur les anomalies ;

- des suggestions de visualisations utiles.

4. Produire des contenus exploitables

ChatGPT peut transformer les chiffres en :

- résumé de reporting ;

- commentaire de tableau ;

- note de synthèse ;

- plan de présentation.

Comment utiliser ChatGPT pour analyser un fichier Excel ?

Il existe plusieurs méthodes selon les fonctionnalités disponibles.

Méthode 1 : importer directement le fichier Excel dans ChatGPT

C’est la méthode la plus simple lorsque la version de ChatGPT utilisée permet l’envoi de fichiers.

Étapes pour analyser un fichier Excel dans ChatGPT

1. Ouvrir ChatGPT

2. Téléverser le fichier Excel au format .xlsx ou .xls si l’interface le permet

3. Ajouter une consigne claire

4. Demander une analyse progressive

5. Vérifier les résultats dans Excel

Exemple de prompt efficace

“Analyse ce fichier Excel. Commence par décrire les feuilles et les colonnes, puis identifie les indicateurs principaux, les valeurs manquantes, les anomalies possibles et les tendances importantes. Termine par un résumé clair en 10 points.”

Bonnes pratiques

- Préciser l’objectif : ventes, RH, budget, stock, marketing, etc.

- Demander une analyse par étape.

- Demander les hypothèses et les limites.

- Faire reformuler les résultats en langage simple si nécessaire.

Exemples de demandes pertinentes

- “Quelle est la répartition du chiffre d’affaires par région ?”

- “Détecte les doublons ou lignes suspectes.”

- “Quels produits ont la marge la plus faible ?”

- “Crée un résumé exécutif pour un manager non technique.”

Méthode 2 : copier-coller les données depuis Excel dans ChatGPT

Quand l’import direct n’est pas disponible, une autre solution consiste à copier-coller un extrait du tableau.

Quand cette méthode est utile

Elle fonctionne bien pour :

- de petits jeux de données ;

- des échantillons représentatifs ;

- des besoins de formule ou de logique ;

- des tests avant analyse complète.

Étapes recommandées

1. Sélectionner les colonnes utiles dans Excel

2. Copier les en-têtes et quelques dizaines ou centaines de lignes maximum

3. Coller les données dans ChatGPT

4. Expliquer le contexte

5. Poser une question précise

Exemple de prompt

“Voici un extrait de mon tableau Excel avec les colonnes Date, Produit, Région, Quantité et CA. Analyse les tendances, repère les anomalies et suggère trois indicateurs de performance pertinents.”

Limites de cette approche

- Le volume de données est limité.

- Le format peut se dégrader lors du collage.

- Les analyses sur gros fichiers deviennent vite incomplètes.

Conseil pratique : si le fichier contient plusieurs milliers de lignes, mieux vaut extraire un échantillon propre ou convertir le tableau en CSV pour simplifier la lecture.

Méthode 3 : convertir le fichier Excel en CSV avant analyse

Le format CSV est souvent plus simple à interpréter qu’un classeur Excel complexe avec plusieurs feuilles, cellules fusionnées ou mises en forme lourdes.

Pourquoi le CSV est souvent préférable

Un fichier CSV contient surtout :

- des colonnes ;

- des lignes ;

- des valeurs brutes.

Cela évite certains problèmes liés à :

- la mise en page ;

- les formules embarquées ;

- les tableaux imbriqués ;

- les feuilles multiples.

Comment faire

1. Ouvrir le fichier dans Excel

2. Enregistrer une feuille au format CSV UTF-8 si possible

3. Importer ou coller le contenu dans ChatGPT

4. Poser une consigne ciblée

Quand choisir cette méthode

Cette méthode est particulièrement utile pour :

- des exports de CRM ;

- des exports e-commerce ;

- des exports publicitaires ;

- des bases de clients ou de commandes.

Comment formuler un bon prompt pour analyser un fichier Excel ?

La qualité de l’analyse dépend en grande partie de la qualité de la demande. Un prompt vague produit souvent une réponse vague.

Les éléments à préciser

1. Le contexte du fichier

Exemple :

- ventes mensuelles ;

- suivi budgétaire ;

- recrutement ;

- support client ;

- inventaire.

2. L’objectif de l’analyse

Exemple :

- comprendre les performances ;

- trouver des erreurs ;

- créer des KPI ;

- préparer un reporting ;

- nettoyer les données.

3. Les colonnes importantes

Il est utile de dire quelles colonnes comptent le plus :

- Date

- Produit

- Région

- Prix

- Quantité

- Coût

- Marge

- Statut

4. Le niveau de détail attendu

Exemple :

- résumé rapide ;

- audit complet ;

- analyse statistique ;

- recommandations opérationnelles.

Exemples de prompts SEO-friendly et pratiques

Pour un fichier de ventes

“Analyse ce fichier Excel de ventes 2025. Identifie les produits les plus performants, les périodes les plus fortes, les régions en baisse et les anomalies de chiffre d’affaires. Propose ensuite 5 actions concrètes.”

Pour un budget

“Examine ce fichier Excel de suivi budgétaire. Compare prévisionnel et réalisé, repère les postes avec dépassement de budget et résume les écarts les plus importants.”

Pour des ressources humaines

“Analyse ce tableau RH et identifie les tendances d’absentéisme, les services les plus concernés et les indicateurs à suivre chaque mois.”

Pour nettoyer les données

“Détecte les doublons, les dates incohérentes, les cellules vides et les valeurs aberrantes dans ce fichier Excel. Donne une méthode de nettoyage étape par étape dans Excel.”

Quels types d’analyses ChatGPT peut réaliser sur Excel ?

Analyse descriptive

ChatGPT peut résumer :

- totaux ;

- moyennes ;

- médianes ;

- répartitions ;

- volumes par catégorie ;

- évolutions dans le temps.

Exemples

- ventes par produit ;

- coûts par département ;

- heures par salarié ;

- trafic par campagne.

Détection d’anomalies

L’outil peut aider à repérer :

- des valeurs extrêmes ;

- des écarts soudains ;

- des lignes dupliquées ;

- des incohérences entre colonnes ;

- des données manquantes.

Attention : la détection d’anomalies fournie par ChatGPT doit toujours être vérifiée dans Excel ou avec un outil statistique adapté.

Analyse comparative

ChatGPT peut comparer :

- une période à une autre ;

- une région à une autre ;

- un produit à une autre gamme ;

- un budget prévu au réalisé.

Création d’indicateurs de performance

L’outil peut suggérer des KPI comme :

- taux de croissance ;

- panier moyen ;

- marge brute ;

- coût d’acquisition ;

- taux de conversion ;

- délai moyen ;

- taux de rotation de stock.

Explication de formules et automatisation

ChatGPT peut détailler :

- pourquoi une formule ne marche pas ;

- quelle fonction utiliser selon le cas ;

- comment combiner plusieurs fonctions ;

- comment créer une logique plus robuste.

Comment utiliser ChatGPT pour créer ou corriger des formules Excel ?

C’est l’un des cas d’usage les plus efficaces.

Demander une formule à partir d’un besoin métier

Exemple :

“Dans Excel en français, écris une formule qui retourne ‘Oui’ si la cellule D2 est supérieure à 5000 et si la région en B2 est ‘Nord’, sinon ‘Non’.”

Demander la correction d’une formule

Exemple :

“Cette formule Excel renvoie une erreur : =SI(A2>10;B2/C2;). Corrige-la et explique pourquoi.”

Demander une formule adaptée à la langue d’Excel

C’est important, car les fonctions diffèrent selon la langue :

- Excel français : SOMME.SI.ENS

- Excel anglais : SUMIFS

Bon réflexe : préciser dès le départ “Excel en français”.

Quelles sont les limites de ChatGPT pour analyser un fichier Excel ?

ChatGPT est utile, mais il ne faut pas surestimer ses capacités.

1. Risque d’interprétation incorrecte

Si les données sont ambiguës, mal nommées ou mal structurées, ChatGPT peut faire de mauvaises hypothèses.

Exemples fréquents :

- colonnes sans intitulés clairs ;

- montants mélangés avec du texte ;

- dates au mauvais format ;

- unités non précisées.

2. Limites sur les gros volumes

Même si certains environnements permettent d’analyser des fichiers volumineux, les performances dépendent :

- de la taille du fichier ;

- du nombre de feuilles ;

- de la complexité des formules ;

- des limites techniques de la plateforme utilisée.

3. Vérification indispensable

ChatGPT peut se tromper sur :

- un calcul ;

- une interprétation métier ;

- une formule complexe ;

- un lien de causalité.

Règle essentielle : toujours valider les résultats importants dans Excel.

4. Confidentialité et conformité

Il faut être très prudent avec les fichiers contenant :

- données clients ;

- données de santé ;

- informations financières sensibles ;

- données RH nominatives ;

- secrets d’affaires.

Avant de téléverser un fichier Excel, il faut vérifier :

1. les règles internes de l’entreprise ;

2. les obligations juridiques ;

3. le niveau de sensibilité des données ;

4. la nécessité d’anonymiser certaines colonnes.

Conseil concret : supprimer ou pseudonymiser les noms, e-mails, numéros de téléphone, identifiants et autres données personnelles avant envoi.

Quand utiliser ChatGPT, et quand préférer Excel seul ou un autre outil ?

Quand ChatGPT est particulièrement utile

ChatGPT est très pertinent pour :

- comprendre rapidement un tableau ;

- obtenir de l’aide sur les formules ;

- préparer un reporting ;

- nettoyer un fichier ;

- générer des commentaires automatiques ;

- gagner du temps sur une première exploration.

Quand Excel seul suffit

Excel reste souvent plus efficace pour :

- les tris, filtres et tableaux croisés dynamiques simples ;

- la mise en forme ;

- les graphiques ;

- les calculs standards déjà maîtrisés.

Quand un outil spécialisé est préférable

Pour des besoins avancés, il peut être préférable d’utiliser :

- Power Query pour le nettoyage et l’import ;

- Power Pivot pour la modélisation de données ;

- Power BI pour les dashboards ;

- Python, R ou SQL pour l’analyse lourde ;

- des outils BI pour les données de grande taille.

Combien de temps peut-on réellement gagner ?

Le gain dépend du niveau initial sur Excel et du type d’analyse.

Ordres de grandeur réalistes

Pour des tâches courantes, ChatGPT peut faire gagner :

- quelques minutes sur une formule simple ;

- 30 à 60 minutes sur un nettoyage ou une synthèse de tableau ;

- plusieurs heures sur la compréhension d’un fichier complexe ou la rédaction d’un commentaire d’analyse.

En revanche, le temps gagné peut être annulé si :

- les données sont mal préparées ;

- la demande est floue ;

- les résultats ne sont pas vérifiés.

Bonnes pratiques pour analyser un fichier Excel avec ChatGPT

Préparer le fichier avant l’analyse

Avant de l’envoyer ou de le copier-coller :

1. renommer clairement les colonnes ;

2. supprimer les lignes inutiles ;

3. éviter les cellules fusionnées ;

4. uniformiser les formats de date et de nombre ;

5. isoler une table propre par feuille si possible.

Poser des questions progressives

Au lieu de demander immédiatement une analyse totale, il est souvent plus efficace de procéder en plusieurs temps :

1. description du fichier ;

2. vérification de la qualité des données ;

3. calcul des indicateurs ;

4. interprétation ;

5. recommandations.

Faire reformuler les résultats

Si la première réponse est trop technique, demander :

- un résumé pour un manager ;

- une version plus simple ;

- une liste d’actions prioritaires ;

- un tableau des points à surveiller.

Recouper les réponses

Pour les éléments sensibles, il est recommandé de :

- comparer avec un calcul Excel manuel ;

- utiliser un tableau croisé dynamique ;

- vérifier les totaux et les filtres ;

- tester la formule sur quelques lignes.

Exemples d’usages concrets selon les métiers

Commerce

- analyser les ventes par produit, région ou commercial ;

- repérer les clients à forte valeur ;

- détecter les baisses de performance ;

- commenter les résultats mensuels.

Finance

- comparer budget et réalisé ;

- suivre les dépenses ;

- identifier les dépassements ;

- structurer des indicateurs financiers.

Ressources humaines

- analyser l’absentéisme ;

- suivre les effectifs ;

- examiner les heures supplémentaires ;

- détecter des incohérences dans les exports RH.

Marketing

- analyser des campagnes ;

- regrouper les performances par canal ;

- calculer le coût par lead ;

- comparer les conversions selon les périodes.

Logistique et opérations

- suivre les stocks ;

- identifier les ruptures ;

- analyser les délais ;

- détecter les mouvements anormaux.

Les erreurs à éviter

Envoyer un fichier sans contexte

Un tableau sans explication peut être mal interprété.

Demander une conclusion définitive trop vite

Une bonne analyse commence par la structure, la qualité des données et les hypothèses.

Faire confiance aveuglément à la réponse

Même si la réponse paraît convaincante, elle doit être vérifiée.

Négliger la confidentialité

C’est l’erreur la plus importante dans un cadre professionnel.

Coller un tableau illisible

Si les colonnes sont mal alignées, l’analyse sera souvent mauvaise.

FAQ : questions fréquentes sur l’analyse d’un fichier Excel avec ChatGPT

ChatGPT peut-il ouvrir un fichier Excel directement ?

Selon la version et l’interface utilisée, oui, il peut être possible de téléverser un fichier Excel directement. Sinon, il faut passer par un copier-coller ou une conversion en CSV.

ChatGPT peut-il analyser plusieurs feuilles Excel ?

Oui, si le fichier importé est bien pris en charge. Mais plus le classeur est complexe, plus il faut guider l’analyse feuille par feuille.

Peut-on utiliser ChatGPT pour créer un tableau croisé dynamique ?

ChatGPT peut expliquer comment créer un tableau croisé dynamique et proposer la bonne structure d’analyse. En revanche, la création effective dans Excel dépend de l’environnement utilisé.

ChatGPT est-il fiable pour les calculs Excel ?

Il est utile, mais pas infaillible. Les calculs importants doivent être contrôlés dans Excel.

Peut-on analyser un fichier Excel confidentiel ?

C’est déconseillé sans vérification préalable des règles de sécurité, de conformité et de confidentialité. L’anonymisation est fortement recommandée.

À retenir

Utiliser ChatGPT pour analyser un fichier Excel est une méthode très efficace pour gagner du temps sur la compréhension des données, la création de formules, le nettoyage des tableaux et la rédaction de synthèses. L’outil est particulièrement utile pour explorer un fichier, détecter des anomalies, proposer des KPI et expliquer les résultats en langage clair.

Les points essentiels à retenir sont les suivants :

- préciser l’objectif de l’analyse dès le départ ;

- préparer proprement le fichier Excel avant l’envoi ;

- utiliser de préférence l’import direct ou un CSV propre ;

- formuler des prompts précis et progressifs ;

- vérifier systématiquement les résultats importants dans Excel ;

- faire attention à la confidentialité des données.

Bien utilisé, ChatGPT devient un assistant d’analyse Excel très pratique. Mal cadré, il peut produire des réponses incomplètes ou erronées. La meilleure approche consiste donc à l’utiliser comme accélérateur de travail, tout en gardant un contrôle humain sur les calculs, les interprétations et les décisions.