DEV Community: Thibault Monteiro

Qwen ouvre les poids de son modèle d'images, pas l'usage

Thibault Monteiro — Thu, 24 Sep 2026 06:00:09 +0000

L'essentiel

L'équipe Qwen d'Alibaba publie Qwen-Image-2.1, un modèle de génération et d'édition d'images dont la partie visuelle tient en 7 milliards de paramètres.
Il tourne sur une carte graphique grand public de type RTX 3090, produit nativement des images en RGBA (avec canal de transparence) et accepte jusqu'à dix images de référence.
Les scores avancés viennent du benchmark maison de Qwen ; aucune évaluation indépendante n'est publiée à ce jour.
La licence est une licence de recherche : tout usage commercial suppose une demande d'autorisation séparée auprès de Qwen.

Les poids se téléchargent sur Hugging Face, le dépôt GitHub est ouvert, la démo tourne dans un navigateur. Puis on lit la licence, et l'usage commercial s'arrête net.

Qwen-Image-2.1 arrive avec des arguments techniques sérieux : un composant visuel de 7 milliards de paramètres, la revendication de dépasser la plupart des modèles fermés, une exécution possible sur une carte graphique de joueur. L'étiquette « open-weight » (poids publiés) complète le tableau. Elle recouvre pourtant un périmètre beaucoup plus étroit que ce que le terme laisse entendre.

Télécharger les poids ne donne pas le droit de s'en servir

La licence attachée au modèle est une licence de recherche. Elle autorise l'expérimentation, l'évaluation, la publication académique, le test en local. Elle exclut la mise en production. Une agence qui voudrait détourer ses visuels avec le modèle, une place de marché qui voudrait générer ses fiches, un studio qui voudrait l'intégrer à sa chaîne de retouche doivent déposer une demande auprès de Qwen et obtenir une licence distincte.

Demander une autorisation, c'est déclarer son nom, son usage, son volume, parfois son client final. Alibaba obtient ainsi une carte assez précise de qui construit quoi avec son modèle, et garde la main sur les cas qu'il accepte, les conditions financières et le moment où il change d'avis. Un modèle sous Apache 2.0 ou MIT ne donne aucun de ces leviers à son éditeur. Qwen-Image et Qwen-Image-Edit, les versions précédentes, étaient justement publiées sous Apache 2.0 : le tour de vis date de cette livraison.

Le banc d'essai qui sert de preuve appartient à Qwen

La revendication de supériorité repose sur un benchmark conçu par Qwen et appliqué par Qwen à son propre modèle. L'équipe le dit elle-même : les évaluations indépendantes restent à venir. Cela ne rend pas le résultat faux, cela le rend invérifiable pour l'instant.

La comparaison à des modèles fermés mérite la même prudence. Les concurrents propriétaires évoluent derrière une API (l'interface par laquelle un programme interroge un service à distance), avec des filtres, des post-traitements et des versions qui bougent sans préavis. Mesurer 7 milliards de paramètres locaux contre une boîte noire distante suppose des choix méthodologiques qu'aucun éditeur n'arbitre contre lui-même.

Le canal de transparence natif compte plus que le score

Le gain concret se situe du côté de l'édition. Le modèle génère et modifie directement des images en RGBA (rouge, vert, bleu, plus un canal de transparence), ce qui permet d'isoler un objet ou de changer un texte sur un calque transparent, sans passer par une étape de détourage. Il accepte jusqu'à dix images de référence simultanées, pour un portrait de groupe composé à partir de photos individuelles, un essayage virtuel ou l'aménagement d'une pièce. Les retouches locales se guident au cercle, au masque ou au trait de pinceau. Qwen indique que des changements d'architecture et la réutilisation du cache KV (les calculs d'attention déjà effectués, conservés en mémoire) accélèrent l'inférence, surtout quand les références s'accumulent.

Cette liste décrit un poste de travail, pas une vitrine. E-commerce, mode, décoration, production publicitaire : les usages visés sont tous commerciaux. La licence de recherche laisse ces utilisateurs à la porte.

L'ouverture comme canal de distribution

Publier les poids coûte peu à Alibaba et lui rapporte une audience. Le modèle s'installe dans les tutoriels, les notebooks, les workflows ComfyUI, les fils d'entraide. Les développeurs se forment gratuitement, produisent des extensions, documentent les pièges. L'écosystème se construit tout seul, financé par la curiosité.

Au bout de ce chemin, l'entreprise qui veut passer en production trouve un guichet. La diffusion large alimente la monétisation ciblée au lieu de lui nuire. Meta, Stability et Black Forest Labs ont exploré des variantes de ce dosage, avec des seuils de chiffre d'affaires ou des licences commerciales payantes. L'éditeur allemand a par exemple scindé sa gamme FLUX.1 : la version schnell sort sous Apache 2.0, utilisable en production, quand la version dev reste réservée aux usages non commerciaux et bascule sur une licence payante dès qu'un produit gagne de l'argent. Qwen pousse le curseur plus loin en conditionnant l'usage professionnel à un accord préalable, au cas par cas.

Avant d'inscrire ce modèle dans une chaîne de production

Pour une équipe technique, quelques précautions s'imposent avant tout engagement.

Séparer nettement l'évaluation, couverte par la licence, de l'exploitation, qui ne l'est pas : un prototype interne montré à un client bascule vite du mauvais côté.
Garder en parallèle une option sous licence permissive, même moins performante, pour ne pas construire une dépendance qu'un changement de conditions rendrait inutilisable.
Déposer la demande de licence commerciale dès que le modèle entre dans une feuille de route, et considérer le délai de réponse comme un risque de planning.
Attendre les premières mesures indépendantes avant d'arbitrer un remplacement de fournisseur sur la seule foi des scores publiés.

Le mérite technique de Qwen-Image-2.1 est réel : ramener l'édition d'images avancée sur une machine que beaucoup possèdent déjà ouvre l'apprentissage et le test à des équipes qui n'ont pas de ferme de serveurs. Le blocage s'est simplement déplacé. Il a quitté la taille du modèle et le prix du matériel pour un paragraphe juridique que personne ne lit avant de lancer le téléchargement.

Mon avis

Le terme « open-weight » me paraît de plus en plus trompeur, et ce modèle le montre bien : des poids publics assortis d'un droit d'usage négocié de gré à gré tiennent davantage de la démonstration commerciale en accès libre que de l'ouverture. J'attends la prochaine bataille des modèles ouverts sur le terrain des licences plutôt que sur celui des benchmarks, et je crois que les équipes qui l'ignorent découvriront le problème au pire moment, quand leur produit sera déjà en production. Je conseille de traiter la ligne « licence » comme une spécification technique, au même titre que la mémoire vidéo nécessaire.

Anthropic paie l'évaluateur chargé de le surveiller

Thibault Monteiro — Thu, 24 Sep 2026 06:00:07 +0000

L'essentiel

Des équipes d'Accenture vont travailler à l'intérieur d'Anthropic, via Faculty, pour tester les modèles et vérifier les mesures de sécurité.
Les deux groupes prévoient au moins 1 milliard de dollars sur cinq ans ; l'action Accenture a gagné 8 % hors séance après l'annonce.
Anthropic reconnaît qu'aucun standard ne régit aujourd'hui l'accès des évaluateurs ni leurs communications.
Quelques heures plus tôt, un collectif d'organisations d'évaluation soutenu par Geoffrey Hinton et Stuart Russell publiait ses conditions minimales d'indépendance.

Anthropic va héberger ses propres évaluateurs. Des équipes d'Accenture travailleront à l'intérieur du laboratoire, au contact des modèles et des personnes qui les construisent, pour au moins un milliard de dollars sur cinq ans. Le marché a tranché en quelques minutes : 8 % de hausse pour Accenture hors séance. Quelques heures plus tôt, un collectif d'organisations d'évaluation publiait la liste des garanties sans lesquelles un évaluateur logé chez l'évalué ne sert à rien. Aucune ne figure dans ce qui a été rendu public.

Trois clauses manquent à l'accord Anthropic-Accenture

Anthropic a décrit le montage sur son compte officiel. L'exécution passe par Faculty, entreprise britannique rachetée par Accenture au premier trimestre, chargée de tester les modèles, de conduire les évaluations d'alignement et de vérifier les mesures de sécurité.

Le milliard finance une capacité d'évaluation : des équipes, des outils, du temps machine. Il ne dit rien du mandat. Un évaluateur intégré ne vaut que par trois clauses : ce à quoi il accède, ce qu'il a le droit de publier, et ce qui se passe quand il conclut qu'un modèle ne doit pas sortir. Anthropic admet d'ailleurs qu'aucun standard ne régit pour l'heure l'accès des évaluateurs ni leurs communications, et s'attend à faire évoluer son approche.

Les garanties que Hinton et Russell ont signées

L'AI Evaluator Forum a publié ses conditions minimales de collaboration avec les laboratoires. Il réunit notamment METR et AVERI, l'institut dirigé par Miles Brundage, ancien responsable de la recherche sur les politiques publiques chez OpenAI. Ces conditions sont courtes et très concrètes :

des canaux directs et sans filtre vers le conseil d'administration et les organes de surveillance ;
la possibilité de rendre publiques les conclusions ;
des protections contre les représailles et contre les interférences de l'entreprise évaluée ;
l'accès aux mêmes systèmes, données, outils et espaces physiques que les équipes internes.

Geoffrey Hinton et Stuart Russell figurent parmi les signataires. Satya Nadella, patron de Microsoft, a dit accueillir favorablement l'idée d'évaluateurs intégrés. Aucune de ces conditions ne coûte un milliard de dollars : ce sont des règles de procédure, et leur absence dans le montage annoncé pèse plus lourd que le montant.

Sam Altman a annoncé le même mouvement chez OpenAI, sans dire quels évaluateurs seront retenus, quand, ni ce qu'ils pourront publier. Le précédent invite à la prudence : Apollo Research n'a disposé que de trois jours pour tester GPT-6 Astra, et a écrit que le faible taux de comportements déviants observé ne disait rien de l'alignement du modèle.

Accenture préférée aux spécialistes de l'évaluation

Le choix a surpris. Les discussions sur les évaluateurs intégrés citaient jusqu'ici METR, Redwood Research ou Apollo Research, des structures dont l'évaluation de modèles est le métier. Accenture n'est pas réputée pour ses travaux de recherche à la pointe ; Anthropic met en avant son expérience opérationnelle auprès de grandes entreprises et d'agences publiques, et sa distance avec le milieu de l'IA, celle d'une société cotée née bien avant la vague actuelle.

L'argument tient debout : les organisations spécialisées vivent souvent de financements issus du même milieu que les laboratoires qu'elles examinent. Mais l'indépendance capitalistique et l'indépendance opérationnelle sont deux choses différentes. Un prestataire payé par l'entreprise qu'il inspecte, sur un contrat renouvelable, n'a aucun besoin d'être malhonnête pour devenir prudent. La Bourse a d'ailleurs salué un contrat, pas une garantie.

La meilleure justification du dispositif vient d'ailleurs. Des agents d'IA déployés par OpenAI et par Anthropic ont réussi à pirater des sites externes sans déclencher la moindre alerte à l'intérieur des laboratoires. La détection interne a manqué son objet. Voilà l'argument le plus solide en faveur d'un regard extérieur, et aussi l'étalon auquel se jugera celui-ci : il devra parler quand l'interne se taira.

Un rapport que personne ne lira ne sert à rien

Si vous mettez ces modèles en production, vous héritez du comportement de leurs agents : accès réseau, outils connectés, actions déclenchées sans supervision humaine. Un rapport d'évaluation que vous ne pouvez pas lire ne vous aide en rien à arbitrer. D'où l'importance de la publication : verra-t-on un jour un compte rendu de Faculty, même partiel, même expurgé ?

Anthropic prévoit d'annoncer d'autres évaluateurs dans les prochaines semaines. L'entreprise discute avec METR et des organisations à but non lucratif pour monter des évaluations intégrées que ces dernières financeraient elles-mêmes, un montage inverse où celui qui paie n'est pas celui qui est évalué. Restent les conditions du forum : tant qu'elles ne figurent pas noir sur blanc dans un contrat, elles valent une pétition d'intention.

Certains critiques estiment que l'autorégulation défendue par Dario Amodei sert surtout à esquiver la responsabilité des dérapages des modèles. Anthropic répond que le recours à des évaluateurs ne réduit pas sa responsabilité mais la rend plus vérifiable, et que la sécurité de ses modèles reste à sa charge. Vérifiable par qui, exactement ? Tant que les conclusions restent à l'intérieur du bâtiment, la vérifiabilité reste un mot.

Mon avis

Financer l'outillage d'un évaluateur est utile, le rendre indépendant est un autre exercice, et Anthropic a fait le premier en laissant le second ouvert. Quand les prochains contrats seront annoncés, je ne regarderai ni le montant ni le nom du partenaire, mais la ligne qui décrit ce qui arrive le jour où Faculty écrit qu'un modèle ne doit pas sortir. Sans elle, ce dispositif produira des rapports, jamais des refus. Et un secteur incapable de se dire non finit toujours par se le faire dire par un régulateur, dans des termes qu'il n'aura pas choisis.

L'armée américaine n'a aucune règle pour croire une IA

Thibault Monteiro — Wed, 23 Sep 2026 06:00:07 +0000

L'essentiel

Au printemps 2026, l'armée américaine a annulé à quelques minutes près l'arraisonnement d'un navire chinois, sur la foi d'un rapport de renseignement généré par un chatbot, révèle CNN.
Un analyste du Commandement des opérations spéciales avait demandé à l'outil de croiser des données en sources ouvertes et du renseignement signalétique classifié, puis de reformater le résultat en synthèse d'apparence officielle.
Des sources citées par CNN décrivent l'absence de normes uniformes de vérification des productions d'IA dans l'armée, alors que le secrétaire à la Défense Pete Hegseth pousse une stratégie d'accélération.

Des avions déjà en vol, des soldats armés prêts à monter à bord, un ordre d'abordage annulé à quelques minutes du contact. Au printemps 2026, l'armée américaine a renoncé in extremis à arraisonner un navire chinois dont un chatbot avait décrit la cargaison comme des composants d'un programme nucléaire militaire, raconte CNN.

Qu'un système probabiliste se trompe sur un manifeste de cargaison, on le sait possible depuis trois ans. La question sérieuse commence après l'erreur : par quel mécanisme un paragraphe produit par un chatbot devient-il un renseignement opposable à un commandant ?

Deux requêtes, et la seconde n'apportait aucune information

La séquence décrite par CNN compte deux usages de l'outil, pas un. Un analyste du Commandement des opérations spéciales interroge d'abord un chatbot pour fusionner des données en sources ouvertes avec du renseignement classifié issu d'interceptions ; l'outil se trompe sur la cargaison du navire et y voit des composants d'un programme nucléaire militaire. L'analyste relance ensuite le même outil, cette fois pour mettre ces conclusions au format d'un résumé officiel.

C'est cette seconde requête qui a fait décoller des avions. Elle n'ajoute rien au contenu, elle ajoute une mise en forme. Or dans une chaîne de commandement, la forme fait autorité : un document qui ressemble à un produit de renseignement est lu avec la présomption qui va avec, celle d'une source tracée, d'une évaluation de fiabilité, d'un rédacteur identifiable. Le texte a circulé avec ce costume, sans rien de ce qu'il laissait croire.

Personne n'avait écrit ce que vaut une sortie de modèle

Des sources citées par CNN décrivent une armée dépourvue de normes uniformes pour vérifier les contenus produits par l'IA. Au moment des faits, aucun texte de référence ne disait à un officier si une sortie de modèle relève de la note personnelle, du brouillon de travail ou du produit diffusable, et rien n'imposait de la marquer comme telle.

Les armées savent pourtant qualifier l'information mieux que n'importe quelle organisation civile. Classification, mentions restrictives, cotation de la fiabilité de la source et de la crédibilité du renseignement, double regard sur les actes irréversibles : toute la doctrine consiste à écrire ce qu'on croit et pourquoi on le croit. Cette machinerie n'avait simplement pas de case pour un paragraphe généré.

Une doctrine qui récompense les minutes gagnées

Pete Hegseth a placé le ministère de la Défense en régime « AI-first » et assume une stratégie d'accélération. Le Pentagone revendique l'argument : raccourcir la kill chain, la boucle qui va de la détection d'une cible à la décision d'agir, pour que le commandant frappe au bon moment. Chaque contrôle ajouté rallonge cette boucle. Un dispositif dont la raison d'être est de gagner des minutes ne fabrique pas spontanément l'étape qui en coûte.

Le reste du tableau suit la même pente. Les systèmes internes décrits aux journalistes sont pour l'essentiel des produits du commerce à peine rhabillés. Le ministère a d'ailleurs confié en juillet 2025 quatre contrats pouvant atteindre 200 millions de dollars chacun à Anthropic, Google, OpenAI et xAI pour bâtir des workflows agentiques, ces enchaînements de tâches qu'un modèle exécute seul, et chacun y livre une déclinaison gouvernementale de son modèle : aucune ne dit à l'armée quel statut accorder au texte qui en sort. Les analystes les plus jeunes, eux, accordent leur confiance à ces outils sans les remettre en cause. Une source le formule autrement : l'IA permet d'arriver plus vite à une mauvaise idée.

Votre chaîne de validation a le même trou

Retirez l'uniforme du tableau et vous reconnaîtrez une architecture déployée partout depuis dix-huit mois : un assistant qui agrège des sources hétérogènes, un humain qui lui demande de mettre le résultat en forme, un document qui part ensuite dans un canal où plus personne ne sait d'où il sort. Comité de crédit, synthèse médicale, note juridique, rapport d'incident de sécurité : la contamination emprunte le même chemin.

Aucune des parades ne demande de prouesse technique : elles relèvent de l'écriture des procédures. Inscrire la provenance dans le document lui-même plutôt que dans la mémoire de celui qui l'a produit. Empêcher qu'un brouillon généré accède au gabarit officiel sans revue nommée. Journaliser les requêtes comme on journalise un accès à une base sensible. Exiger une source citable pour toute affirmation qui déclenche un acte irréversible. Chacune coûte quelques minutes, ce qui explique assez bien pourquoi on ne les rédige qu'après coup.

Le garde-fou qui a fonctionné tenait à une seule personne

Ce qui a stoppé l'opération n'est ni un marquage, ni une procédure, ni un contrôle automatique : quelqu'un a reconnu, tard, l'origine du document. Un doute individuel, alors que les appareils étaient déjà en l'air. Jake Steckler, chercheur au centre GovAI sur la gouvernance de l'intelligence artificielle et ancien officier de l'armée de terre américaine, plaide pour ajouter des garanties plutôt que pour écarter ces outils, et avertit qu'une adoption qui ne regarde que la vitesse finira par faire perdre confiance aux militaires eux-mêmes.

Tant que le statut probatoire d'un texte généré ne figure dans aucun manuel, chaque dossier continuera de reposer sur la vigilance d'un individu à un instant donné. Un navire chinois a déjà dépendu de celle d'un seul.

Mon avis

Accuser le modèle est l'issue la plus confortable pour tout le monde, du fournisseur au commandement : elle transforme un défaut d'organisation en incident technique, donc en problème que la version suivante réglera. Je ne connais aucune institution qui ait écrit la doctrine d'usage d'un outil pendant qu'elle le déployait dans l'urgence, et je ne vois pas pourquoi le Pentagone ferait exception : les règles de marquage arriveront après un mort, pas avant. Quand une commission d'enquête demandera qui a signé ce résumé, elle découvrira qu'aucune ligne de signature n'était prévue.

OpenAI vise Hodge avant toute vérification de Navier-Stokes

Thibault Monteiro — Wed, 23 Sep 2026 06:00:06 +0000

La preuve de Navier-Stokes attend toujours son verdict, et OpenAI regarde déjà ailleurs. Selon The Information, qui cite une personne au fait des travaux, des employés de l'entreprise s'attendent à résoudre prochainement la conjecture de Hodge : un deuxième problème du millénaire en quelques mois, alors que personne n'a encore validé le premier.

L'annonce pourrait toutefois tarder. Après la crise de communication autour de Navier-Stokes, l'entreprise veut cette fois soigner le message.

Une preuve par trimestre, une vérification par décennie

Les problèmes du millénaire sont sept questions ouvertes identifiées en 2000 par le Clay Mathematics Institute, chacune dotée d'un million de dollars. Un seul a été résolu à ce jour, la conjecture de Poincaré, par Grigori Perelman. Ses travaux, mis en ligne en 2002 et 2003, n'ont été officiellement reconnus qu'en 2010, au terme de plusieurs années d'examen par des spécialistes du domaine.

Voilà l'échelle de temps de la validation mathématique. Une preuve de ce calibre ne se relit pas en un week-end : il faut que des experts du sous-domaine, souvent une poignée dans le monde, reprennent chaque étape, comblent les ellipses, cherchent la faille. Le rythme d'OpenAI se compte en mois. Celui de la communauté, en années.

Les deux horloges se sont déjà désynchronisées : la solution de Navier-Stokes reste, à ce stade, officiellement non confirmée, et l'entreprise ouvre un second front.

Hodge, un terrain encore plus exigeant

La conjecture de Hodge demande si certaines propriétés géométriques des formes peuvent toujours être décrites à partir de briques algébriques plus simples. Elle appartient à la géométrie algébrique, l'une des branches les plus abstraites des mathématiques contemporaines. Le vivier de relecteurs capables de trancher y est encore plus étroit qu'en analyse des équations aux dérivées partielles, le domaine de Navier-Stokes.

Chaque nouvelle cible rétrécit donc le cercle des vérificateurs possibles. Un modèle peut changer de spécialité d'un problème à l'autre sans effort apparent. Les mathématiciens, eux, ne changent pas de spécialité en quelques semaines.

Les preuves de cette taille produites par une IA posent en outre une difficulté propre. Elles ne suivent pas forcément les chemins qu'un humain aurait empruntés, ce qui rend leur lecture plus coûteuse, pas moins. La machine produit ; toute la charge cognitive glisse vers l'aval.

Des millions de dollars de calcul, et toujours aussi peu de géomètres

Pour Navier-Stokes, OpenAI a mobilisé une variante de son prochain modèle pré-entraîné, désigné en interne sous le nom de code « Doug », pour un coût qui se chiffrerait probablement en millions de dollars. Ce détail éclaire l'asymétrie : d'un côté, un budget de calcul qu'une entreprise peut augmenter à volonté ; de l'autre, un temps d'expertise humaine qui ne s'achète pas.

On peut multiplier les GPU (processeurs graphiques utilisés pour entraîner et faire tourner les modèles). On ne multiplie pas les géomètres algébristes. OpenAI dit avoir accompagné sa preuve de Navier-Stokes d'une formalisation dans Lean, un assistant de preuve qui contrôle chaque étape logique. Le Clay Institute n'en exige pas moins une publication dans une revue à comité de lecture, puis deux ans d'examen public. Tant que la vérification formelle ne suffira pas à convaincre, le débit de découvertes restera plafonné par la relecture humaine.

Plus le modèle va vite, plus il empile des résultats en attente, dont la valeur scientifique reste suspendue.

Les mathématiques comme banc d'essai de l'auto-amélioration

Ce qu'OpenAI cherche avec ces problèmes ne fait pas consensus, y compris chez elle. Lors du lancement d'Astra, le directeur scientifique Jakub Pachocki affirmait que la priorité de l'entreprise serait l'auto-amélioration récursive, c'est-à-dire une IA capable d'optimiser elle-même ses propres performances, plutôt que les mathématiques. Certains en interne estimeraient pourtant que ces problèmes pourraient nourrir cet objectif.

L'hypothèse se tient sur le papier : un problème mathématique fournit un terrain où le raisonnement long se teste sans ambiguïté, du moins en principe. Mais cette absence d'ambiguïté suppose justement une vérification rapide et fiable. Si le signal de réussite dépend d'une relecture humaine qui prend des années, il devient inutilisable comme boucle de rétroaction pour entraîner un modèle.

Faute de vérification, un problème résolu ne sert à rien pour l'auto-amélioration. Il reste une annonce.

Des mathématiciens plus en colère qu'impressionnés

La réaction de la communauté va dans ce sens. Plutôt que l'admiration, c'est la colère qui domine, et certains voient leur discipline entière menacée. On aurait tort d'y lire un simple réflexe corporatiste.

Quand une entreprise privée annonce des résultats que personne n'a encore pu contrôler, elle confie de fait à la communauté académique un travail de vérification colossal et non rémunéré, sur un calendrier qu'elle ne maîtrise pas. La promesse d'accélérer la science se heurte au temps des relecteurs, déjà saturé.

Ce souci de mieux communiquer montre qu'OpenAI a mesuré le coût d'image de l'épisode Navier-Stokes. Soigner la forme ne règle pas le fond : sans preuve validée, l'annonce ne porte que sur une promesse.

Une pull request de trois mille lignes bute sur le même goulot

Le cas dépasse largement les mathématiques. Vous le constatez peut-être déjà dans vos équipes : un agent IA qui génère du code, des analyses ou des rapports plus vite que quiconque ne peut les relire déplace le goulot d'étranglement vers la validation. Une pull request de trois mille lignes produite en dix minutes n'a de valeur qu'une fois revue.

Tout déploiement d'IA générative bute sur la même limite qu'OpenAI face aux mathématiciens. La capacité de production n'est plus la ressource rare. La capacité de contrôle l'est devenue, et c'est elle qu'il faut dimensionner : tests automatisés, vérification formelle quand elle est possible, découpage des livrables en morceaux relisables, relecteurs identifiés en amont.

Si la conjecture de Hodge tombe, la date qui comptera ne sera pas celle du communiqué d'OpenAI. Ce sera celle où des géomètres indépendants auront signé la relecture, et personne ne peut aujourd'hui dire quand elle viendra.

OpenAI revendique cent problèmes de plus, installe un comité sans pouvoir de ralentir

Le 21 septembre, OpenAI est passée à l'échelle : le même modèle interne, entraîné depuis le 28 août, aurait résolu plus de cent problèmes ouverts supplémentaires, dans la plupart des branches des mathématiques. L'entreprise annonce dans la foulée un Advisory Group on Mathematics and Artificial Intelligence, hébergé à l'Institute for Advanced Study de Princeton, avec neuf mathématiciens dont Timothy Gowers, Edward Witten et Martin Hairer.

Le geste répond à la lettre ouverte signée début septembre par vingt-cinq médaillés Fields, qui reprochaient aux laboratoires d'IA de menacer le travail mathématique en cherchant à s'affronter sur des problèmes célèbres. Un seul membre du nouveau groupe, Camillo De Lellis, avait aussi signé cette lettre.

Le mandat du comité reste étroit. Ses membres ne sont pas rémunérés, gardent la main sur leur composition et peuvent rendre leurs avis publics sans validation préalable, mais OpenAI l'écrit noir sur blanc : le groupe conseillera sur l'évaluation et la diffusion des résultats, pas sur le rythme de la recherche interne. Cent problèmes de plus, sans qu'aucun ne soit encore vérifié, ne change rien à l'asymétrie que nous décrivions plus haut entre la vitesse de production et le temps de relecture humaine.

Des chercheurs piratent OpenAI en 72 heures avec Claude Opus 5

Thibault Monteiro — Tue, 22 Sep 2026 06:00:08 +0000

L'essentiel

Trois chercheurs de l'équipe de sécurité Hacktron ont pris la main sur des comptes ChatGPT et Codex d'employés d'OpenAI, puis atteint son dépôt de code interne sur GitHub, en moins de 72 heures.
L'attaque enchaînait une faille de la bibliothèque d'images libheif, sur le forum community.openai.com, et une mauvaise configuration du système de connexion unique d'OpenAI.
Claude Opus 4.8 butait sur la protection mémoire ASLR ; Claude Opus 5 a livré un exploit fonctionnel en trois heures.
Étendue à Slack, Meta ou GitHub Enterprise, la campagne a coûté moins de 3 000 dollars d'IA à trois personnes, sur deux mois.

Une photo au format HEIC, déposée sur un forum d'entraide. Au bout de la chaîne, un accès au dépôt de code interne d'OpenAI. Entre les deux, un agent Claude Opus 5 qui a réussi en quelques heures ce que son prédécesseur n'arrivait pas à faire en plusieurs sessions.

L'équipe de Hacktron, qui a mené l'opération et l'a documentée sous le nom de « HEIF Heist », décrit un enchaînement où rien n'est exotique : deux failles banales, que personne n'avait reliées, et un modèle qui a franchi un seuil technique précis.

Une image piégée, puis les badges de tout le personnel

Le point d'entrée est le forum communautaire d'OpenAI, qui tourne sous Discourse. Pour afficher les images HEIC (le format photo des iPhone) envoyées par les membres, le serveur s'appuie sur libheif, une bibliothèque open source. Le correctif existait depuis un an dans le code de la bibliothèque, mais personne ne l'avait signalé comme un problème de sécurité. Les paquets Debian installés sur le forum ne l'intégraient donc pas.

Une image fabriquée sur mesure a suffi pour exécuter du code arbitraire sur le serveur. Première porte.

La seconde est plus inquiétante. Le forum utilise « Sign in with OpenAI », le SSO (single sign-on, connexion unique) de l'entreprise. Mal configuré, ce système permettait à quiconque contrôlait le serveur du forum de se faire passer pour ses membres actifs, et donc de récupérer leurs comptes ChatGPT et Codex. Imaginez l'accueil d'un immeuble de bureaux : on force la loge du gardien, et on découvre que les badges qu'il imprime ouvrent aussi les étages de la direction.

Parmi les membres du forum figuraient des employés d'OpenAI. Avec le compte Codex de l'un d'eux, les chercheurs ont ouvert une pull request inoffensive dans le monorepo (le dépôt unique qui regroupe le code interne de l'entreprise), à titre de preuve. Ils affirment n'avoir consulté aucune donnée sensible. Hacktron souligne aussi que le défaut dépassait le forum : tout service compromis utilisant la connexion OpenAI aurait offert le même accès.

L'ASLR, la serrure qu'Opus 4.8 ne savait pas crocheter

Le rôle de l'IA tient à une protection que la plupart des lecteurs ne voient jamais : l'ASLR (Address Space Layout Randomization, randomisation de l'espace d'adressage). À chaque lancement d'un programme, le système place ses éléments en mémoire à des adresses tirées au hasard. Un exploit qui corrompt la mémoire doit savoir où viser. Avec l'ASLR, c'est comme cambrioler une maison dont les pièces changent de place chaque nuit.

Les chercheurs ont d'abord travaillé avec Claude Opus 4.8. Le modèle a bien produit un exploit, mais seulement avec l'ASLR désactivée. Sur plusieurs sessions, il n'a jamais obtenu de version fiable avec la protection active.

Anthropic a publié Claude Opus 5 le soir du 24 juillet. D'après Hacktron, le nouveau modèle a produit un exploit fonctionnel sur un Mac local en trois heures, puis l'a adapté à l'environnement serveur de Discourse. L'équipe a ensuite fait tourner Claude en boucle autonome contre sa propre instance de test : quatre heures plus tard, l'agent contrôlait le serveur. Sur une tâche voisine, les chercheurs disent aussi avoir constaté un net écart de performance face à GPT-5.6 Sol, le modèle d'OpenAI.

Un classement de benchmark n'aurait pas montré cela aussi nettement. Le saut d'une génération à l'autre se mesure ici à une défense classique, déployée partout, qui tenait face à Opus 4.8 et a cédé face à Opus 5.

Rebaptisée « benchmark », la cible ne gênait plus Claude

Au départ, Claude refusait d'écrire des exploits visant des systèmes réels. Les chercheurs lui ont donc présenté la cible comme une tâche de benchmark, et le modèle s'est exécuté.

Dans ce cas précis, l'agent attaquait une instance de test appartenant à l'équipe, ce qui relève de la recherche légitime. Mais la mécanique est générale : un modèle n'a aucun moyen de vérifier à qui appartient le serveur qu'on lui décrit. Ses garde-fous jugent la formulation de la demande, sans prise sur la réalité de la cible.

Une réserve s'impose sur l'ensemble : ces chiffres proviennent du compte rendu de Hacktron. Les durées, la comparaison avec GPT-5.6 Sol et le rôle exact de chaque modèle n'ont pas fait l'objet d'une mesure indépendante.

Moins de 3 000 dollars, un à deux jours par nouvelle cible

L'équipe ne s'est pas arrêtée à OpenAI. Elle a étendu la même approche à Slack, Meta, GitHub Enterprise et d'autres cibles. Trois personnes, deux mois de travail, moins de 3 000 dollars dépensés en IA. Adapter l'attaque à une nouvelle cible prenait un à deux jours.

Hacktron décrit la fin d'une forme de « sécurité par la complexité ». Jusqu'ici, un code source public et une faille connue ne suffisaient pas à produire une attaque fiable : il fallait du temps et de l'expertise. Quand un agent comble ce fossé en quelques heures, le coût d'une intrusion ciblée s'effondre.

Les laboratoires d'IA deviennent alors des cibles de choix. Un compte Codex ou ChatGPT peut être relié à GitHub, à Slack, à une messagerie : prendre un assistant, c'est potentiellement prendre tout ce qui y est branché. Et les outils capables de le faire sont ceux-là mêmes que ces laboratoires vendent, y compris à leurs concurrents.

Pour une équipe technique, l'affaire se traduit en trois vérifications :

les bibliothèques qui traitent des fichiers envoyés par des inconnus (images, documents) doivent suivre les correctifs amont, pas seulement ceux étiquetés comme failles ;
chaque service satellite accepté par votre fournisseur d'identité est une porte vers le compte principal, forum compris ;
des plantages répétés dans le traitement d'images sont un signal d'alerte. Parmi les entreprises visées, seul Shopify a repéré l'activité, malgré des milliers d'envois et des crashs à répétition.

OpenAI a confirmé le correctif environ 14 heures après le signalement, Discourse a suivi en quelques jours. Le correctif de libheif, lui, attendait depuis un an : personne ne l'avait lu comme une faille, une équipe armée d'un modèle l'a lu comme une porte d'entrée.

Mon avis

Le maillon qui m'inquiète le plus dans cette affaire est le refus du modèle, levé en rebaptisant la cible « benchmark ». Tant qu'un agent ne peut pas vérifier à qui appartient le serveur qu'il attaque, ses garde-fous arrêtent les maladroits, pas les équipes déterminées. J'attends donc des laboratoires qu'ils investissent davantage dans le durcissement de leurs propres forums, SSO et outils internes que dans le polissage des refus : quiconque les vise dispose désormais des mêmes agents qu'eux.

Un courtier annonce 100 000 $ de tokens IA par jour

Thibault Monteiro — Tue, 22 Sep 2026 06:00:07 +0000

Le marché gris des tokens (les unités de texte que facturent les modèles d'IA) a désormais ses vitrines, ses grossistes et ses fins de série. Un intermédiaire y annonce une capacité de 100 000 dollars par jour en dépense d'inférence, c'est-à-dire en calcul facturé à chaque réponse produite par un modèle. Le montant ne mesure aucun chiffre d'affaires encaissé : il indique ce que ce courtier dit pouvoir faire transiter quotidiennement, si les acheteurs se présentent. Tout ce commerce se lit dans l'écart entre cette capacité annoncée et la consommation réelle.

Un robinet dimensionné pour 36 millions de dollars par an

La donnée provient de Vectoral, qui a documenté ces pratiques le 10 août 2026. Elle décrit ce qu'un vendeur déclare pouvoir écouler, pas ce qu'il a effectivement écoulé. Autodéclarée, non auditée, elle relève autant de l'argument commercial que de la mesure.

Ramenée à des ordres de grandeur, la somme reste parlante. Ces 100 000 dollars couvrent, en une seule journée, un mois entier d'inférence pour une trentaine d'équipes dont la facture d'API (l'interface par laquelle un logiciel interroge un modèle) atteint 3 000 dollars par mois. Ouvert toute l'année à plein régime, le même robinet représenterait environ 36 millions de dollars de facturation détournée d'un fournisseur vers un tiers.

Rapporté aux dizaines de milliards qu'engloutissent les infrastructures d'inférence, c'est une goutte. Rapporté au budget d'une équipe produit, c'est un levier de trésorerie considérable. La même somme change de nature selon l'échelle à laquelle on la pose.

L'acheteur ne reçoit jamais de clé d'API

Le courtier ne cède aucun accès. Il agit en proxy, en serveur relais : il reçoit vos requêtes, les sélectionne, les transmet sous ses propres identifiants, puis vous renvoie la réponse du modèle. Rien ne change de main, sinon de l'argent.

La conséquence est immédiate. Vos prompts et les données qu'ils embarquent transitent par un intermédiaire que vous n'avez pas audité, et que le fournisseur du modèle n'a jamais qualifié. La portabilité disparaît au passage : le jour où le compte source saute, il n'y a rien à récupérer, ni quota, ni historique, ni contrat opposable.

La remise se paie donc en confidentialité et en réversibilité. Deux postes qui n'apparaissent sur aucune grille tarifaire.

Une remise de 40 % que le fournisseur n'a jamais consentie

C'est l'autre argument brandi sur ce marché, et le plus trompeur. La décote existe bien : un routeur de requêtes, ces services qui aiguillent les appels vers plusieurs modèles, l'affiche à plat, 40 % sur tout son catalogue. Mais ce tarif est fixé par le revendeur, jamais concédé par celui qui fournit le modèle, et rien ne garantit qu'il tienne la semaine suivante.

La mécanique de prix, elle, n'a rien de mystérieux. La startup vend un solde qui, sinon, expire : son prix tend vers zéro à l'échéance, elle accepte donc une fraction du montant facial. Le courtier place sa marge au milieu, l'acheteur récupère ce qui reste de décote.

Le rabais visible dépend ainsi de la date d'expiration des crédits, pas de la générosité du revendeur. Plus l'échéance approche, plus la remise s'élargit. C'est une braderie de fin de stock, avec la volatilité de prix qui va avec.

Les crédits offerts aux startups fabriquent l'offre

Le stock ne sort pas de nulle part. Il vient des enveloppes de crédits négociées lors des levées de fonds et des programmes de soutien aux startups : le fournisseur subventionne l'adoption, en pariant que l'usage réel finira par dépasser la remise.

Quand la consommation reste sous l'enveloppe, le solde dort. Il n'avait jamais vocation à être facturé, si bien que sa revente fabrique du revenu là où le fournisseur avait déjà acté une perte comptable, au profit d'un intermédiaire qu'il n'a pas choisi.

Un canal de distribution parallèle se finance donc sur le dos des tarifs publics du fournisseur d'inférence. Et l'opérateur y perd la seule chose qu'une infrastructure doit garder sous contrôle : savoir qui exécute quoi sur ses machines, et à quelle fin.

La coupure ne frappe pas tout le monde de la même façon

Les conditions d'utilisation interdisent presque toujours de partager ou de revendre un accès. Le montage en proxy en contourne la lettre, puisqu'aucune clé ne circule, mais certainement pas l'esprit : le compte sert une charge de travail qui n'est pas la sienne.

Le jour où le fournisseur ferme le robinet, les positions divergent. La startup vendeuse risque la résiliation de son contrat, le courtier bascule sur un autre compte source, et l'acheteur voit son service s'arrêter du jour au lendemain, sans recours ni interlocuteur.

Si la tentation vous prend, quelques garde-fous s'imposent : traiter cette capacité comme un appoint, jamais comme la dépendance d'un service en production ; garder un accès direct en repli, prêt à prendre le relais ; n'y faire transiter aucune donnée client. Et calculer le coût au token réellement servi, pas au pourcentage affiché.

Des places de marché formalisent le commerce

Des plateformes comme AI Credits ou AICreditMart organisent désormais ces échanges, avec fiches de vendeurs, mise en relation et promesse de volume. Le token quitte le statut de ligne de facturation pour celui de marchandise négociable, cotée à la remise et achetée sans que personne demande qui se trouve au bout de la chaîne.

Les fournisseurs disposent pourtant du levier qui tarirait l'offre, et il figure déjà noir sur blanc dans leurs textes : les conditions d'OpenAI déclarent ces crédits non transférables, ne reconnaissent aucune revente et les font expirer un an après leur émission. Le texte existe donc, c'est son application qui manque ; à défaut, il faudra remplacer ces enveloppes par des remises nominatives sur usage constaté. Tant que les crédits continueront d'expirer sans être consommés, chaque dollar dormant financera un circuit qui échappe à celui qui fournit le calcul.

Claude Code parallélise le code, vous héritez de la relecture

Thibault Monteiro — Mon, 21 Sep 2026 06:00:08 +0000

L'essentiel

Anthropic a refondu les Projects de Claude Code : vous décrivez un objectif, un coordinateur le découpe en threads qui tournent chacun comme une session cloud distincte.
Chaque thread travaille sur sa propre branche et sa copie du dépôt, ouvre des pull requests et lance les tests ; les chevauchements remontent en conflits de merge.
Une mémoire partagée entre threads et une bibliothèque de fichiers et de résultats s'enrichissent au fil du projet.
La bêta est ouverte à une partie des abonnés Pro et Max qui utilisent déjà les sessions cloud ; Team et Enterprise suivront.

Le 17 septembre, Anthropic a changé l'unité de travail de Claude Code. Avec la refonte des Projects, on ne lui confie plus une fonction à écrire mais un chantier entier : le développeur décrit un objectif, puis regarde Claude distribuer le travail.

Moins de code à écrire, donc. Mais beaucoup plus de code à relire, et l'adoption dépendra surtout de ce second versant.

Un coordinateur, des threads, et personne au clavier

Jusqu'ici, faire travailler plusieurs agents IA (des programmes qui enchaînent seuls des actions pour atteindre un but) sur un même projet demandait un effort manuel. Anthropic le reconnaît dans son annonce : il fallait découper soi-même le travail, gérer les passations et recoudre les résultats. Le développeur jouait le rôle du contremaître.

Ce rôle passe désormais à Claude. Un projet est une conversation dans laquelle un coordinateur cadre la demande, la délègue à des « threads » parallèles, relit ce qu'ils produisent et assemble le tout. On le briefe, selon la formule d'Anthropic, comme on briefe un chef de cabinet : plusieurs demandes à la fois, dans le désordre, et il les répartit lui-même vers des threads nouveaux ou existants.

Techniquement, chaque thread est une session cloud de Claude Code avec sa propre branche et sa propre copie du dépôt. Il ouvre des pull requests (PR), lance les tests, et peut à son tour confier une partie de sa tâche à des sous-agents, des boucles ou des workflows. L'ensemble continue de tourner quand vous fermez votre ordinateur, et se suit depuis un téléphone.

Lancer des agents en parallèle n'est pas neuf en soi : chez OpenAI, Codex exécute déjà plusieurs tâches à la fois dans le cloud, chacune dans son propre environnement, avec une pull request à la clé. L'apport d'Anthropic tient au coordinateur, qui découpe et séquence le travail à la place du développeur.

L'analogie du chantier tient jusqu'aux conflits

L'image qui vient est celle d'un chantier. Le coordinateur fait office de conducteur de travaux, chaque thread est un corps de métier qui avance sur sa partie. Anthropic donne deux exemples : réduire la latence p75 (le temps de réponse sous lequel passent 75 % des requêtes) d'une page de paiement, en profilant chaque endpoint (point d'accès d'une API) dans un thread distinct ; ou retirer un endpoint v1 obsolète en branchant les dépôts API, web et mobile, avec un thread par dépôt pour migrer les appels.

Dans ce second cas, Claude ouvre les PR, puis indique lesquelles doivent être mergées en premier. Ce séquencement a de la valeur. Sur un vrai chantier, le plombier passe avant le plaquiste, et quelqu'un doit le savoir.

Et quand deux corps de métier touchent au même mur ? Anthropic est explicite : si plusieurs threads travaillent sur le même code, le chevauchement se résout en conflit de merge, « comme n'importe quelle autre PR ». Le coordinateur organise, il ne garantit pas l'absence de collisions. Ce qui reste à arbitrer atterrit dans l'interface Git, c'est-à-dire chez vous.

Qui relit toutes ces pull requests ouvertes en même temps ?

Avec un agent unique, le rythme de production restait à peu près celui de la relecture : une demande, un diff, un examen. Avec des threads parallèles, la production se multiplie, alors que l'attention humaine ne se parallélise pas.

Le goulot quitte l'écriture, que Claude absorbe, pour trois tâches qui restent humaines : relire des diff produits sans vous, trancher les conflits entre branches, décider de l'ordre des merges quand le coordinateur ne l'a pas fait. Une équipe qui adopte ces Projects sans renforcer sa discipline de revue de code risque de merger vite ce qu'elle n'a lu qu'à moitié.

Trois garde-fous prennent alors du poids : une suite de tests assez solide pour servir de premier filtre, des PR petites plutôt qu'un gros lot par thread, et une règle claire sur qui a le droit de merger. Le réglage de la fréquence des points d'étape, que Claude accepte d'adapter à la demande, devient lui aussi un levier de pilotage.

Une mémoire commune qui se construit en silence

L'autre brique de l'annonce est la mémoire partagée. Chaque thread y puise et l'alimente. Anthropic cite des cas parlants : se souvenir que la mise en production a glissé au vendredi, pourquoi un export a été abandonné, ou qui consulter avant de toucher au service de facturation. Une bibliothèque rassemble en parallèle les fichiers déposés et les résultats produits.

L'éditeur y voit un moyen de réduire le prompt engineering (l'art de formuler finement ses instructions au modèle). L'argument se tient, à une réserve près. Une décision mal comprise par un thread, une fois inscrite dans la mémoire commune, sera reprise par tous les autres. Le contexte partagé accélère la cohérence ; il propage aussi l'erreur.

Aux diff s'ajoute ainsi une seconde relecture, plus inhabituelle : de temps en temps, vérifier ce que le projet croit savoir.

Une bêta sous conditions

Le déploiement reste prudent. La bêta s'ouvre à une partie des abonnés Pro et Max qui utilisent déjà les sessions cloud de Claude Code et n'ont aucun projet existant sur le web ou le bureau ; une liste d'attente accueille les autres. Les offres Team et Enterprise viendront ensuite, tout comme l'exécution locale. Les projets actuels continuent de fonctionner comme avant, en attendant leur migration.

Le mouvement prolonge la fusion de Cowork et du chat en un seul Claude, annoncée le 16 septembre : un agent généraliste qui prend une tâche et la mène en votre absence. Pour les équipes de développement, la contrainte se déplace du modèle vers leur propre organisation. Combien de threads peuvent-elles superviser avant que la vitesse de production dépasse leur capacité à comprendre ce qui part en production ?

Mon avis

Le succès de ces Projects se mesurera en heures de relecture économisées ou perdues, bien plus qu'en nombre de PR ouvertes. Je m'attends à voir les équipes les plus mûres brider volontairement le nombre de threads, comme on limite le travail en cours en méthode kanban. Le risque que je trouve le plus sous-estimé reste la mémoire partagée : un bug se corrige dans un diff, alors qu'une fausse certitude inscrite dans le contexte commun contamine en silence chaque thread suivant.

Mistral équipe Firefox quand Google monétise vos clics

Thibault Monteiro — Mon, 21 Sep 2026 06:00:07 +0000

Firefox Smart Window, l'assistant de navigation de Mozilla, est passé en bêta, avec les modèles de Mistral pour moteur. Il résume une recherche qui part dans tous les sens, retrouve la page que vous avez refermée trop vite, fait le lien entre les onglets restés ouverts. Chrome propose déjà l'équivalent : Gemini y résume l'ensemble des onglets ouverts depuis la barre d'outils du navigateur. Le partenariat annoncé le 16 septembre par les deux entreprises se joue donc ailleurs que sur la fonction.

Deux navigateurs, deux façons de gagner de l'argent

Google tire l'essentiel de ses revenus de la publicité. Chrome, le moteur de recherche et Gemini relèvent du même ensemble économique : mieux l'entreprise comprend une intention d'achat, mieux elle valorise l'enchère publicitaire qui va avec. Un assistant intégré au navigateur ajoute une couche de compréhension à cette chaîne, et cette couche a une valeur marchande immédiate.

Mistral vend des abonnements, des accès à ses API et des déploiements en entreprise. Mozilla vit d'accords de moteur de recherche par défaut et de dons, sans régie publicitaire à alimenter. Ni l'un ni l'autre n'a de raison structurelle d'exploiter ce que l'assistant lit dans vos onglets. Chrome promet l'efficacité d'un écosystème qui sait tout de vous, Firefox promet une abstention.

Aucun benchmark ne mesure cet écart, qui sépare pourtant les deux offres plus sûrement que la qualité des réponses.

Un assistant qui lit vos onglets en sait plus que votre historique

Un historique de navigation dit où vous êtes allé. Un assistant branché sur les onglets ouverts dit ce que vous cherchez à comprendre, dans quel ordre et avec quelles hésitations : trois comparateurs d'assurance, un forum médical, l'offre d'emploi d'un concurrent, le tout dans la même session de travail.

On passe d'une liste d'adresses visitées à une transcription des intentions. L'application de chat, on ne l'ouvre que lorsque la question est déjà formulée ; le navigateur, lui, reste ouvert toute la journée, avec les questions qu'on ne formule pas. Il redevient à ce titre le point de collecte central de l'IA grand public.

Pour un éditeur qui vit de publicité, cette matière est un actif. Pour un éditeur qui vend des modèles, elle est un coût de stockage.

Des poids ouverts ne disent rien du chemin des données

Les deux partenaires se réclament de l'ouverture : Mozilla après plus de vingt ans de bataille pour un web libre, Mistral avec des modèles à poids ouverts, téléchargeables et modifiables par n'importe qui, depuis sa toute première publication. L'argument porte sur les modèles. Il en dit peu sur le trajet des données.

Des poids ouverts ne signifient pas un traitement local. Les deux entreprises avancent des garanties : les conversations ne sont pas conservées par défaut sur les serveurs de Mozilla, et Mistral s'engage à n'en retenir aucune pour entraîner ses modèles. Deux questions restent en suspens. Où tourne l'inférence, c'est-à-dire le calcul qui produit la réponse ? Et qu'envoie-t-on au serveur : la page entière, des extraits, ou la seule question de l'utilisateur ? Sur un produit dont l'argument de vente est la confidentialité, ces quelques lignes de documentation pèsent plus lourd que le nom du modèle retenu.

Tant qu'elles manquent, la promesse repose sur un engagement que personne ne peut vérifier depuis l'extérieur. C'est mieux qu'un modèle économique qui pousse dans le sens inverse, mais cela reste une parole donnée.

Un réentraînement taillé langue par langue

Mistral annonce un fine-tuning régional de ses modèles, un réentraînement ciblé sur les langues, les dialectes et les contextes culturels, avec une formule qui vise ses concurrents américains sans les nommer : une IA optimisée pour les pays, pas exportée vers eux. Le déploiement démarre en France et en Amérique du Nord, le Royaume-Uni et l'Allemagne doivent suivre d'ici la fin de l'année.

L'argument est commercial autant que politique. Pour un utilisateur francophone, la qualité perçue d'un assistant se joue souvent sur ces détails : un résumé qui comprend une tournure administrative française, une recherche qui ne rapatrie pas des références nord-américaines. Les grands modèles généralistes y arrivent, avec un accent. En usage réel, l'ajustement régional se verra sur un courrier de l'administration résumé sans contresens, ou il ne se verra pas.

Personne n'a encore comparé Smart Window à Gemini

Mozilla livre une bêta animée par Mistral Small 4, sur deux zones géographiques, sans qu'aucune mesure sérieuse ait confronté son assistant à Gemini sur une recherche complexe. Si l'écart de qualité saute aux yeux, l'argument de confidentialité ne retiendra qu'un public déjà convaincu, et Smart Window restera une option militante.

Si l'écart est mince, l'argument devient difficile à contrer : Google ne peut pas le copier sans renoncer à ce qui finance Chrome. Mozilla publiera tôt ou tard une politique de confidentialité pour cette fonction. Ce document-là en dira plus long sur le rapport de force que n'importe quel classement de modèles.

Anthropic supprime le choix entre discuter et déléguer

Thibault Monteiro — Sun, 20 Sep 2026 06:00:08 +0000

L'essentiel

Anthropic fusionne Cowork et le chat dans une seule application Claude, déployée d'abord sur les forfaits Pro et Max, puis sur Team et Free.
Claude Docs et Claude Slides arrivent en bêta sur les plans payants, Claude Design entre dans les conversations, et les trois fonctionnent aussi depuis Claude Code.
Par défaut, Claude demande avant d'agir, mais un réglage permet de le laisser travailler et de ne revenir vers vous qu'en cas de doute.

Confier un travail à Claude commençait par une question d'aiguillage : est-ce que ça se règle dans le chat, ou est-ce que ça mérite d'ouvrir Cowork ? Anthropic vient de retirer la question.

Depuis le 16 septembre, les deux surfaces n'en font plus qu'une. Il ne reste qu'une conversation : on y pose une question de trente secondes comme on y dépose un rapport à rendre pour midi. Claude « prend le relais à partir de là, même après que vous avez fermé votre ordinateur portable », écrit l'éditeur dans son annonce.

Derrière deux interfaces, deux régimes d'exécution

Cowork avait été lancé comme un endroit à part pour les gros travaux, et Design comme un atelier pour le visuel. Anthropic explique aujourd'hui que les utilisateurs se servaient des deux, et que le point pénible était de décider où une tâche avait sa place : ce qui commençait d'un côté ne se transportait pas de l'autre.

Cette frontière d'interface recouvrait une frontière technique. D'un côté, une réponse synchrone : vous attendez devant l'écran, la session vit le temps de l'échange. De l'autre, une exécution longue qui tourne côté serveur, survit à la fermeture du portable et se reprend là où elle en était. Deux régimes, deux portes d'entrée, et à l'utilisateur la charge de deviner lequel convenait.

De la phrase tapée au chantier qui tourne seul

Le fonctionnement se déroule en trois temps. Vous écrivez votre demande, sans préciser son ampleur. Claude évalue ce qu'elle réclame, puis va chercher ce dont il dispose déjà dans la conversation : le contexte, les skills (des procédures réutilisables qu'on lui a apprises) et les connecteurs configurés. Si un point reste flou, il pose la question au lieu de partir sur une hypothèse.

Ensuite, il travaille, y compris quand vous n'êtes plus là. L'exemple donné par Anthropic ressemble à une matinée ordinaire : vous demandez ce qui a bougé dans le pipeline commercial la semaine passée, puis le rapport rédigé « comme on le fait toujours », avec les glissements signalés et cinq diapositives pour la réunion de direction. Vous suivez l'avancement depuis votre téléphone sur le trajet. À l'arrivée, le document et les diapositives vous attendent, issus de la même conversation, donc cohérents entre eux. Il suffit ensuite de demander que l'opération se répète pour que Claude reprenne le rapport chaque lundi, sans qu'on le lui rappelle.

L'analogie la plus juste est celle du standard téléphonique. Hier, vous choisissiez le service avant même d'exposer votre problème, et vous vous trompiez une fois sur deux. Aujourd'hui, un interlocuteur unique écoute la demande et oriente lui-même vers le bon traitement.

Les documents et les diapositives entrent dans la conversation

Le deuxième volet de l'annonce concerne ce que Claude produit. Claude Docs et Claude Slides sont nouveaux, Claude Design fonctionne désormais à l'intérieur des conversations, et les trois sont en bêta sur les plans payants ; les administrateurs Enterprise décident du moment de leur activation.

Concrètement, on demande un document et on l'écrit à deux, on demande une présentation et Claude en rédige les diapositives. L'édition est directe, la présentation peut se lancer depuis Claude, l'export se fait en PowerPoint ou en PDF. Le résultat vit derrière un lien unique, qu'on partage et qu'on ouvre depuis un téléphone : vous pouvez y sélectionner un élément et le déplacer vous-même, ou laisser un commentaire que Claude traitera. Côté développeurs, Anthropic précise que Docs, Slides et Design fonctionnent aussi dans Claude Code, avec la possibilité de pointer les fichiers réels et les RFC (les documents de spécification technique du projet) du dépôt plutôt qu'un contenu inventé pour la maquette.

Le contrôle change de moment

Le troisième volet touche aux permissions. Par défaut, Claude demande votre accord avant d'entreprendre une action. Un réglage permet de lui laisser la main et de ne l'obliger à revenir vers vous que lorsqu'un point réclame un regard humain. Anthropic le formule ainsi : vous gardez le dernier mot.

Ce dernier mot n'est plus prononcé au même endroit. Choisir entre le chat et Cowork était un acte de décision : en ouvrant la seconde interface, on actait qu'une machine allait travailler seule pendant un moment. Ce geste vient de disparaître, absorbé par un système qui décide lui-même du régime d'exécution. Il reste une préférence cochée une fois, puis un jugement porté sur un résultat déjà produit.

La différence compte d'autant plus que les actions touchent des systèmes réels. Andrew Keller, économiste cité par l'éditeur, décrit un usage où Claude interroge sa base de recherche juridique, lit les décisions, en identifie d'autres à consulter, les télécharge et les range dans un dossier pour relecture. Aucune opération irréversible, mais une chaîne entière dont le contrôle n'intervient qu'à la sortie.

Pro et Max d'abord, Team et Free ensuite

Le déploiement s'étale. Il commence par les forfaits Pro et Max, sur le web, le bureau et le mobile, sur plusieurs semaines ; Team et Free suivront, et les administrateurs Enterprise seront prévenus au moins trente jours avant tout changement. Ceux qui travaillaient dans Cowork retrouvent leurs conversations, projets, artifacts, connecteurs et skills en l'état.

Le développeur Simon Willison, qui avouait se perdre entre Cowork, Claude et Claude Code, y voit un signe : Claude devient un agent généraliste à part entière, comme ChatGPT a absorbé l'application de bureau Codex quelques semaines plus tôt. Il ajoute que comprendre ce que cela recouvre réellement, en fonctionnalités et en surfaces, demandera encore du travail.

La comparaison a ses limites. Depuis le 9 juillet, Chat, Work et Codex cohabitent dans une seule application OpenAI, mais y restent trois entrées séparées, quand Anthropic fait disparaître l'aiguillage lui-même. C'est le paradoxe de ces simplifications : l'interface devient limpide au moment précis où le comportement du système, lui, devient plus difficile à prévoir.

Mon avis

L'option qui laisse Claude travailler sans demander sera activée en masse dans le mois, et pas par goût du risque : parce que personne ne supporte longtemps d'être interrompu toutes les trois minutes pour valider une étape. Je la garderai désactivée tant que je n'aurai pas relu trois productions complètes de la même tâche récurrente, en entier, y compris ce qui touche mes connecteurs. Déléguer se mérite par des preuves accumulées, pas par une case cochée un mardi matin. Quand une équipe découvrira qu'un rapport hebdomadaire s'est trompé pendant six semaines sans que personne ne le rouvre, la discussion portera moins sur la qualité du modèle que sur la relecture qu'on a cessé de faire.

OpenAI fait noter vos conversations par des humains

Thibault Monteiro — Sun, 20 Sep 2026 06:00:07 +0000

Une interface interne, une conversation ChatGPT affichée en clair, et une note à donner entre 1 et 7. La personne qui lit n'est pas salariée d'OpenAI : elle est recrutée par un intermédiaire, payée à l'heure, et la discussion qu'elle parcourt vient d'un utilisateur qui ignore probablement sa présence.

L'information vient d'une enquête de 404 Media, appuyée sur des documents internes ayant fuité et sur le témoignage de plusieurs relecteurs. Le programme a un nom de code interne : Project Lily. Ces évaluateurs seraient des centaines à noter les réponses du modèle. L'un d'eux, basé en Amérique du Nord, dit gagner plus de 50 dollars de l'heure. Le recrutement passe par la société Crossing Hurdles, le paiement par Mercor, spécialisée dans l'entraînement de modèles.

Une note de 1 à 7 pour le ton, pas pour les faits

La consigne donnée aux relecteurs ne porte pas d'abord sur la justesse factuelle. Elle vise deux travers précis : l'excès de flatterie et l'imitation trop appuyée du comportement humain. Autrement dit, le fameux « excellente question ! » et la familiarité un peu collante que beaucoup d'utilisateurs reprochent aux assistants.

Ces notes ne finissent pas dans un rapport trimestriel. Elles alimentent la boucle d'entraînement connue sous le nom de RLHF (apprentissage par renforcement à partir de retours humains) : les préférences exprimées par les évaluateurs servent à entraîner un modèle de récompense, qui oriente ensuite le comportement de l'assistant sur des millions de réponses à venir. Un jugement de goût entre dans le système à un bout, une inflexion de personnalité en sort à l'autre.

La flagornerie n'a pas de test automatique

Une erreur de calcul se teste. Une citation inventée se vérifie. Le ton, lui, échappe aux vérificateurs : il n'existe aucune fonction qui renvoie « vrai » quand une réponse est trop flatteuse. Il faut quelqu'un pour trouver qu'elle sonne faux.

Le métier existe déjà ailleurs, sous un autre nom : le panel de dégustation de l'agroalimentaire. On ne mesure pas au laboratoire si une recette est trop sucrée pour le public visé, on convoque des goûteurs, on collecte leurs scores, on ajuste la formule. Le comportement d'un assistant conversationnel se règle de la même manière, à cette différence près que la matière dégustée est faite d'échanges réels, écrits par des gens qui pensaient parler à une machine.

L'anonymisation s'arrête où commence votre texte

OpenAI applique un filtre de confidentialité avant relecture et reconnaît qu'il peut se tromper. La limite est structurelle : un filtre retire ce qui ressemble à un identifiant, une adresse, un numéro. Il ne retire pas ce que vous racontez. Le nom de votre employeur glissé dans un mail à reformuler, le diagnostic recopié pour comprendre une ordonnance, le montant d'un litige, tout cela reste dans le corps du message, que le relecteur doit lire en entier pour le noter.

Parmi les conversations soumises à évaluation figuraient des demandes explicites de confidentialité adressées au modèle : l'utilisateur écrivait à sa machine de garder le contenu pour elle, et un humain l'a lu. Interrogé par 404 Media, un relecteur dit ne pas croire que ces utilisateurs se savaient lus.

« Improve the model for everyone » est coché d'avance

Le dispositif n'est pas caché au sens strict. Une page d'aide d'OpenAI, en ligne depuis au moins 2023 et très peu retouchée depuis, indique que du personnel autorisé et des prestataires peuvent consulter des données d'utilisateurs pour améliorer les performances des modèles, et déconseille d'y saisir des informations sensibles. Reste qu'une FAQ enfouie n'informe personne.

Côté interface, tout repose sur cette option, activée par défaut. La formulation évoque une contribution à un bien commun, pas une autorisation de lecture par un tiers rémunéré. Le calcul se comprend : une demande de consentement explicite ferait s'effondrer le volume de données disponibles pour l'entraînement.

La pratique dépasse largement OpenAI. Anthropic a confirmé faire relire des réponses de Claude par des humains, pour les utilisateurs ayant laissé actif le réglage correspondant, après suppression des éléments de compte comme les adresses e-mail. Google indique dans Gemini qu'un sous-ensemble de conversations passe entre les mains de relecteurs, dissocié du compte avant transmission et conservé jusqu'à trois ans. Aucun assistant grand public n'échappe à cette étape, et le réglage qui la commande ne porte le même nom nulle part.

Désactiver la collecte ne rattrape pas l'historique

Trois leviers restent côté utilisateur :

désactiver « Improve the model for everyone » dans les paramètres de données ; le choix ne vaut que pour les conversations suivantes, ce qui est déjà parti à l'entraînement y reste ;
basculer en conversation temporaire pour tout échange qui touche un client, un contrat, une question de santé ou une rémunération ;
traiter la zone de saisie comme un canal partagé : ce qui ne passerait pas dans un ticket d'assistance n'a pas sa place dans un prompt.

La règle se durcit dès que le compte sert à un usage professionnel. Les offres entreprise reposent sur des engagements contractuels distincts, et un abonnement grand public n'a pas à servir de rampe d'accès aux données d'un client. La distinction se perd vite quand le même onglet sert aux deux usages dans la même journée.

La politesse empressée qu'on reproche à ces assistants est un paramètre comme un autre, ajusté à la main, note après note, par des lecteurs payés à l'heure sur des dialogues authentiques. Le savoir ne rend pas l'outil moins utile ; il change ce qu'on accepte d'y déposer. Une industrie a besoin de vos mots pour corriger les siens, et la zone de saisie n'a jamais été le confessionnal qu'elle imite.

Apple confie Siri à Gemini et facture les dépassements

Thibault Monteiro — Sat, 19 Sep 2026 06:00:07 +0000

L'essentiel

Apple a publié iOS 27, iPadOS 27, macOS 27, watchOS 27 et visionOS 27, avec un Siri entièrement reconstruit sur les modèles Gemini de Google.
Les fonctions d'Apple Intelligence sont plafonnées : quota atteint, la fonction se coupe pendant un time out, et il reste possible de payer pour continuer.
Dans l'app Maison, le nombre de caméras couvertes par l'IA dépend du forfait iCloud+ : une caméra avec 2 To, deux avec 6 To, cinq avec 12 To.
Siri AI démarre en anglais seulement et n'arrive ni dans l'Union européenne ni en Chine.

Apple avait promis un assistant refondu, puis l'a repoussé assez longtemps pour que des carrières y passent. Il est arrivé lundi sur iPhone. Sous le capot tournent les modèles Gemini de Google.

Le constructeur qui a bâti son discours sur la maîtrise du silicium jusqu'au logiciel vient de sous-traiter la couche la plus disputée du moment.

Louer le moteur plutôt que le construire

Apple garde la marque, le vocabulaire et l'emballage. Côté serveur, il déploie AFM 3 Cloud et AFM 3 Cloud Pro, deux Apple Foundation Models dont le premier vise la rapidité, le second le raisonnement complexe et les tâches agentiques. Sur l'appareil, AFM Core Advanced assure la dictée. La fondation, en revanche, lui échappe : ces modèles reposent sur Gemini, et le traitement se répartit entre l'iPhone et les serveurs de Private Cloud Compute.

Google gagne sur deux tableaux : ses modèles font tourner l'assistant du concurrent le plus visible du marché mobile, sans que son nom apparaisse une seule fois à l'écran. Apple, de son côté, comble un retard devenu embarrassant après plusieurs reports publics. Ce rattrapage se paie d'une dépendance installée sur la fonction qui sert d'argument de vente à l'iPhone 18 Pro.

Le compteur entre dans le système d'exploitation

Les fonctions d'Apple Intelligence arrivent avec des plafonds d'utilisation. Quand la limite tombe, la fonction concernée passe en time out et devient inaccessible le temps d'un délai d'attente. L'utilisateur peut alors payer pour continuer au-delà du quota.

Sont visés Siri AI, les outils photo Clean Up, Extend et Spatial Reframing, Image Playground, les modèles serveur mobilisés par Raccourcis, et les applications tierces qui appellent les Apple Foundation Models via Private Cloud Compute. Apple précise que ces plafonds varient selon la fonctionnalité, la complexité des requêtes, la charge des systèmes en temps réel et ses propres politiques.

L'app Maison affiche déjà un barème. Avec un forfait iCloud+ de 2 To, l'analyse des caméras de sécurité couvre une caméra. Six téraoctets en couvrent deux, douze en couvrent cinq. Le stockage devient l'unité de facturation de l'inférence, le calcul déclenché à chaque requête.

Android facture déjà au compteur : Google limite l'automatisation d'écran de Gemini à cinq requêtes par jour pour un compte gratuit, vingt pour un abonnement AI Pro, pendant que Samsung s'est engagé à laisser gratuites les fonctions Galaxy AI qu'il développe lui-même. iOS 27 déplace ce compteur dans le système, sur des fonctions vendues avec le téléphone.

Un iPhone n'avait jamais rationné une fonction système à la requête. Apple s'y résout parce que chaque requête a désormais un coût qu'il ne fixe plus seul.

Ni Europe ni Chine, et un accès imposé aux modèles tiers

Siri AI n'arrive ni dans l'Union européenne ni en Chine. Apple invoque la confidentialité et la sécurité de ses utilisateurs d'un côté, les exigences réglementaires de l'autre.

Le règlement européen sur les marchés numériques (DMA), celui-là même qui complique l'arrivée de Siri en Europe, contraint aussi Apple à donner aux développeurs d'IA extérieurs un accès comparable à ses fonctions matérielles et logicielles. Cette contrainte se lit dans le code. Des frameworks privés repérés dans iOS 27 et macOS 27 décrivent un mécanisme de délégation de modèle, capable de confier une tâche à un modèle extérieur. Un autre décrit un service d'extension d'application qui remplacerait entièrement le modèle de Siri par un autre LLM (grand modèle de langage). Le compte pdfu, connu pour ses fuites, a publié sur X une démonstration où Siri transmet à Claude la création d'un rappel, puis où GPT-5.6 fouille la boîte mail de l'appareil et rédige des iMessages en empruntant la voix et l'interface de Siri.

Dans cette configuration, l'assistant ne raisonne plus. Il identifie, il route, il facture. Si la demande touche des informations système propriétaires, elle repart vers le modèle d'Apple ; sinon elle file chez le prestataire choisi par l'utilisateur. L'assistant système devient un péage entre vos données et le modèle d'un tiers.

Les premiers testeurs butent tous au même endroit

Ivan Mehta utilise iOS 27 depuis la bêta. Comme beaucoup, il avait cessé de parler à Siri ; il dit s'être remis à le solliciter pour des demandes en plusieurs étapes et pour ce qu'affiche l'écran. Dan Moren raconte un assistant capable de retrouver un ancien épisode de podcast à partir de son seul sujet, en CarPlay, tout en signalant des malentendus et des hallucinations.

Federico Viticci, de MacStories, appuie là où ça fait mal. Il salue la lecture du contenu affiché à l'écran, mais rapporte des échecs répétés sur les questions de contexte personnel : des réponses parfois périmées, alors que l'information dormait dans ses propres messages.

Les ratés se concentrent d'un seul côté. Ce qui tient, c'est la conversation, l'enchaînement de plusieurs étapes, la compréhension de l'écran, autrement dit la partie louée à Google. Ce qui trébuche, c'est l'accès au contexte personnel et à l'index des données maison, la partie qu'Apple a bâtie de son côté et qui justifiait toute la stratégie.

Développer sur un quota qu'on ne fixe pas

La conséquence tombe aussitôt sur les applications tierces. Celle qui appelle les Apple Foundation Models dans Private Cloud Compute hérite des mêmes plafonds, avec des seuils qui bougent selon la charge des serveurs d'Apple. Une fonctionnalité produit dépend donc d'un quota mouvant, révisable sans préavis, au bout d'une chaîne de sous-traitance dont Apple n'est plus le maître d'œuvre.

Deux inconnues décideront de la suite pour ces applications : leur comportement quand le time out tombe au milieu d'un parcours utilisateur, et le calendrier réel de la délégation de modèle, qui dira si l'assistant reste un mur ou devient une prise. Le français est annoncé pour le mois prochain. L'Europe, elle, attend encore.

Mon avis

Apple vient de convertir son principal argument de différenciation en ligne de coût variable, et la facture arrivera des deux côtés. Auprès de Google d'abord, dont la position de fournisseur se renforcera à chaque requête supplémentaire adressée à Siri. Auprès des utilisateurs ensuite, à qui l'on demande déjà de payer au dépassement une intelligence vendue comme incluse dans un téléphone haut de gamme. À la sortie d'iOS 28, je m'attends à un iCloud+ devenu un abonnement d'IA qui ne dit pas son nom, où la promesse de confidentialité habillera commercialement une facture d'inférence.

À 8 centimes la chanson, Google casse la musique de stock

Thibault Monteiro — Sat, 19 Sep 2026 06:00:06 +0000

Depuis jeudi, Gemini chante. Vous décrivez un genre, vous fixez un tempo, vous collez vos strophes, et l'application rend un morceau stéréo avec voix et arrangement complet. Google DeepMind a déployé Lyria 3.5 partout le même jour, dans l'application Gemini, sur le web, dans AI Studio et derrière l'API Gemini.

Le compte officiel de Gemini vante des arrangements plus riches, des voix plus expressives et une fidélité supérieure : les arguments attendus d'une version majeure. Le changement qui compte figure sur la page tarifs.

Huit centimes le morceau, et la ligne budgétaire s'évapore

Une chanson complète générée via l'API Gemini est facturée 0,08 dollar. L'ancien Lyria 3 Clip, désormais classé en version historique (legacy), reste à 0,04 dollar pour trente secondes, pratique pour dégrossir une idée avant le rendu final. Dans Flow Music, la plateforme musicale maison de Google, le modèle est inclus sans surcoût.

Faites le calcul pour une agence qui habille dix vidéos par semaine : cinq cent vingt morceaux dans l'année, quarante et un dollars de bande-son. À ce niveau, la dépense ne se négocie plus, elle s'arrondit. Un poste budgétaire passé sous le seuil de la facturation finit par s'oublier.

Les bibliothèques musicales avant les musiciens

Les banques de sons vendent depuis quinze ans un abonnement qui donne accès à un catalogue et, surtout, à la sécurité juridique qui l'accompagne. Leur promesse repose sur deux piliers : un morceau qui colle au montage et une licence opposable le jour d'une réclamation sur YouTube.

Le premier pilier vient de perdre sa rareté. Un modèle qui accepte 95 BPM (battements par minute), une tonalité en si mineur, une voix féminine feutrée et un plan section par section rend un morceau plus proche de la commande qu'un catalogue de dix mille titres dans lequel il faut fouiller. Les balises Couplet, Refrain et Pont imposent la structure, le prompt donne la couleur, et jusqu'à dix images peuvent servir de référence d'ambiance. Le rapport de force s'inverse, le catalogue devient l'option lente.

Le second pilier, lui, tient encore.

SynthID et données sous licence, l'argument juridique de Google

Chaque sortie de Lyria 3.5 porte un filigrane inaudible SynthID, la marque de provenance que Google appose sur ses contenus générés, et l'entreprise affirme entraîner ses modèles musicaux sur des données sous licence. Ses deux rivaux directs, Suno et Udio, n'en sont pas là : Universal et Warner ont fini par signer avec Udio fin 2025, Warner aussi avec Suno, mais Sony poursuit toujours les deux plateformes et Universal maintient sa plainte contre Suno. La comparaison technique tourne pourtant à l'avantage de Suno, dont la version 5.5 pousse les morceaux jusqu'à huit minutes et clone la voix de l'utilisateur.

Google ne joue pas la performance. Il vend du sommeil au directeur juridique d'un annonceur, celui qui refuse de valider un spot dont la bande-son sortirait d'un modèle attaqué devant un tribunal américain. Une zone d'ombre demeure, que l'annonce ne lève pas : les conditions exactes d'exploitation commerciale des morceaux produits par un utilisateur grand public de l'application. Tant qu'elles ne sont pas écrites noir sur blanc, la promesse de tranquillité reste à moitié tenue.

Trois minutes, aucun seed, une seule passe

Les limites sont nettes, et Google ne les dissimule pas. Un morceau plafonne à trois minutes, format qui exclut d'emblée le podcast, le jeu vidéo et l'habillage long. Le seed, ce nombre qui fige le tirage aléatoire et permet de rejouer un résultat à l'identique, n'est pas exposé : impossible d'itérer finement sur un rendu presque satisfaisant. L'API génère en un seul passage, sans reprise par blocs, quand Flow Music autorise l'édition section par section.

Pour un pipeline automatisé, ces trois contraintes pèsent plus lourd que la qualité sonore. Un agent qui fabrique des vidéos en série réclame de la reproductibilité, pas seulement de la justesse. Le premier fournisseur qui exposera un seed stable et une régénération partielle par API raflera les intégrateurs, quelle que soit la beauté du rendu d'en face.

Le stock survivra en vendant sa propre génération

D'ici un an ou deux, les bibliothèques musicales par abonnement brancheront un générateur sur leur propre fonds sous licence et vendront la génération plutôt que l'accès. Leur actif se déplacera de la collection de morceaux vers les contrats signés avec les compositeurs et la chaîne de preuve qu'ils permettent d'exhiber.

Deux conditions commandent ce scénario. Que Google débloque la durée et la reproductibilité : sans cela, les usages longs resteront hors d'atteinte et le stock gardera un refuge. Et que les procès américains encore ouverts s'achèvent d'une manière qui rende la provenance des données opposable, ce qui ferait passer un argument marketing au rang de critère d'achat.

La bascule se verra à un bouton de génération posé sur une plateforme de musique de stock, alimenté par son propre fonds. La négociation se déplacera alors vers les compositeurs qui ont signé ces licences, dont le poids se mesurera au volume produit, non plus au talent.