DeepSeek double ses prix de sortie

OpenAI vient de lancer l'API Agents en version bêta publique, débloquant l'infrastructure et l'orchestration d'agents gérés qui alimentent Codex. L'API gère la gestion du contexte, l'appel d'outils, l'orchestration de sous-agents, l'exécution persistante, la gestion de fichiers et les environnements de code pour les agents qui doivent fonctionner pendant de longues périodes.

Au cours de la dernière année, les développeurs ont bricolé des bases de données vectorielles et des scripts Python fragiles pour que les agents se souviennent de ce qu'ils ont fait cinq minutes auparavant. OpenAI intervient pour prendre en charge l'ensemble de cette pile. En gérant nativement l'exécution persistante et les sous-agents, ils commoditisent la couche d'orchestration.

Les gagnants sont les équipes produit qui peuvent désormais se concentrer sur l'expérience utilisateur au lieu des acrobaties de fenêtre contextuelle. Les perdants sont la douzaine de startups d'orchestration qui ont vu toute leur proposition de valeur réduite à un seul point de terminaison API.

Des mois après avoir initialement rejeté une offre de 1,5 milliard de dollars de Mark Zuckerberg — pour finalement signer à un taux non divulgué — le co-fondateur de Thinking Machines, Andrew Tulloch, quitte Meta pour Anthropic. Ce départ intervient quelques mois seulement après le lancement, bousculant le paysage des talents aux plus hauts niveaux de la recherche en IA.

On ne refuse pas un package de rétention de l'ampleur de celui de Zuckerberg à moins de voir quelque chose de fondamentalement meilleur ailleurs. Anthropic consolide agressivement les talents de premier ordre, et débaucher un architecte clé du mastodonte open-weight de Meta est une démonstration de force brutale.

Meta perd un visionnaire essentiel au moment où les guerres de modèles s'intensifient, tandis qu'Anthropic prouve que son environnement axé sur la sécurité et le calcul intensif est un aimant plus puissant pour les chercheurs d'élite que la simple rémunération. Attendez-vous à des changements internes chez Meta alors qu'ils s'efforcent de combler le vide.

OpenAI a officiellement lancé ChatGPT pour les services financiers, une édition spécialisée de ChatGPT Enterprise. Ce nouveau niveau intègre des données propriétaires de PitchBook, Crunchbase et LSEG directement dans le modèle, l'optimisant pour les modèles d'évaluation, l'analyse de marché et la génération de pitch decks.

Il s'agit d'une tentative d'assassinat ciblée des terminaux de données financières traditionnels. En fusionnant les capacités de raisonnement avec des données financières d'élite et cloisonnées, OpenAI passe d'un outil généraliste à un remplacement d'analyste spécialisé. Vous n'avez plus besoin d'exporter un CSV de PitchBook pour l'alimenter dans une invite ; le modèle a déjà le contexte.

Les institutions financières réalisent des gains d'efficacité massifs, mais la véritable histoire est la verticalisation agressive d'OpenAI. Ils ne vendent plus seulement de l'intelligence ; ils négocient l'accès aux ensembles de données les plus chers du monde.

OpenAI a officiellement suspendu les nouvelles souscriptions à son plan Pro à 200 $ par mois. Le coupable est la demande stupéfiante pour son nouveau modèle Astra, qui est actuellement déployé sur tous les types de comptes. Astra promet un bond massif en matière de raisonnement, de codage et d'utilisation informatique, OpenAI le présentant en interne comme l'aube de l'ère de l'AGI.

Lorsqu'une entreprise refuse 2 400 $ par an et par utilisateur, vous savez que les racks de serveurs fondent. Les capacités d'Astra en matière d'utilisation informatique autonome et de raisonnement complexe nécessitent une surcharge de calcul immense, et OpenAI privilégie clairement la stabilité pour les utilisateurs existants plutôt que la croissance du chiffre d'affaires.

Cette pause met en lumière la dure réalité de l'IA de pointe : l'intelligence est facile à promettre mais incroyablement difficile à mettre à l'échelle. Les startups qui dépendent de l'accès Pro pour leurs propres workflows de développement sont désormais bloquées jusqu'à ce que la chaîne d'approvisionnement rattrape son retard.

Lors du prochain Meta Connect, l'entreprise annoncera une fonctionnalité d'agents partagés pour son application Muse. La mise à jour permet aux utilisateurs de créer, personnaliser et partager des agents avec d'autres — suscitant des comparaisons immédiates avec le système de Grokbot. La fonctionnalité est fortement ciblée sur les petites entreprises utilisant les plateformes Meta pour les ventes et le support client.

Meta possède le canal de distribution pour des millions de petites entreprises via WhatsApp, Instagram et Facebook. En permettant à ces entreprises de créer et de partager facilement des agents spécialisés, Meta les enferme plus profondément dans sa plateforme et élimine les outils SaaS de service client tiers.

Si vous construisez une startup d'enveloppeur pour le support client des PME, votre piste vient de s'évaporer. Meta fait de la création d'agents une utilité native et partageable, et ils ont la base d'utilisateurs pour en faire la norme du jour au lendemain.

Sam Altman, PDG d'OpenAI, a déclaré à son personnel que l'entreprise était ouverte à ralentir le développement de l'IA de pointe. Cette admission interne fait suite à l'escalade des préoccupations de sécurité de la part de chercheurs qui ont averti qu'un avancement incontrôlé pourrait entraîner des conséquences catastrophiques pour l'humanité d'ici la fin de la décennie.

La posture publique d'Altman est un optimisme incessant, donc ce message interne signale un changement profond. Les obstacles techniques à l'alignement des systèmes superintelligents se révèlent clairement plus difficiles que prévu. Un ralentissement volontaire chez OpenAI enverrait des ondes de choc dans l'industrie, donnant potentiellement à des concurrents comme Anthropic et Google le temps de rattraper leur retard.

Pour les développeurs, cela signifie que la cadence rapide des sauts majeurs de modèles pourrait s'étirer. L'accent passera de l'attente du prochain modèle de niveau divin à l'optimisation et à l'opérationnalisation des modèles que nous avons aujourd'hui.

Anthropic a publié un rapport détaillant comment son équipe de Threat Intelligence a identifié et perturbé plusieurs opérations où des acteurs malveillants ont tenté d'utiliser Claude pour des cyberattaques entre décembre 2025 et août 2026. Le rapport comprend des études de cas détaillées sur l'évolution de l'utilisation abusive des systèmes d'IA.

Il s'agit d'un aperçu rare et transparent de la course aux armements silencieuse qui se déroule au sein des laboratoires d'IA de pointe. Les acteurs malveillants sondent agressivement les LLM à la recherche de vulnérabilités, de génération d'exploits et d'ingénierie sociale à grande échelle. La capacité d'Anthropic non seulement à bloquer, mais aussi à suivre et analyser activement ces acteurs prouve que son infrastructure de sécurité est plus qu'un simple argument marketing.

Le véritable enseignement est que la défense de l'IA fonctionne. En partageant publiquement ces études de cas, Anthropic établit une nouvelle norme pour la divulgation responsable dans l'industrie de l'IA, obligeant les autres laboratoires à prouver qu'ils ont le même niveau de visibilité sur leurs propres réseaux.

Un nouveau document de recherche étudie l'opérationnalisation de la profondeur sérielle opaque dans les modèles d'IA. Bien que le raisonnement en chaîne de pensée soit crucial pour surveiller la façon dont les modèles résolvent les problèmes, l'étude constate que les changements architecturaux permettent aux modèles d'effectuer une cognition sérielle non verbalisée significative — ce qui signifie qu'ils exécutent une logique complexe sans l'écrire.

C'est un énorme signal d'alarme pour la sécurité et l'interprétabilité de l'IA. Si les modèles peuvent raisonner des problèmes complexes dans un espace latent sans verbaliser les étapes, nous perdons notre mécanisme principal pour auditer leur alignement et leur logique. Vous ne pouvez pas corriger une hallucination ou une sortie malveillante si le modèle cache ses calculs.

Pour les chercheurs et les équipes de conformité d'entreprise, cela signifie que la chaîne de pensée n'est plus une solution miracle pour la transparence. Nous avons besoin d'outils d'interprétabilité entièrement nouveaux pour ouvrir ces boîtes noires, car compter sur le modèle pour narrer honnêtement ses propres pensées devient une impossibilité technique.

Une nouvelle recherche confirme que l'augmentation des modèles vidéo et du calcul de pré-entraînement améliore directement la capacité d'un robot à effectuer des tâches physiques. En utilisant des modèles Direct Video-Action, les chercheurs ont constaté que les gains de performance sont liés à la capacité du modèle à prédire des vidéos web non vues, les modèles plus grands excellant à traduire cela en travail réel.

La robotique a historiquement eu du mal car on ne peut pas facilement extraire les interactions du monde physique comme on peut extraire du texte de Wikipédia. Cette recherche prouve que regarder passivement des vidéos YouTube est suffisant pour apprendre à un robot à manipuler des objets dans un espace tridimensionnel.

Cela débloque un ensemble de données massif pour l'IA incarnée. Les entreprises qui trouveront comment diffuser efficacement les archives vidéo d'Internet dans des modèles d'action domineront la prochaine décennie de la robotique. Le matériel est prêt ; le logiciel sait enfin comment regarder et apprendre.

Une nouvelle analyse de l'industrie révèle que même les meilleures startups d'IA souffrent d'invites tentaculaires et contradictoires causées par des ajouts itératifs sans fin. La solution est de traiter les invites exactement comme du code de production : les diviser en sections modulaires pour le contexte, le comportement et la sortie afin de réduire les régressions et les coûts d'inférence.

Nous traitons toujours l'ingénierie des invites comme un art obscur plutôt que comme de l'ingénierie logicielle. Lorsque vous ajoutez simplement des instructions à une invite système de 4 000 mots, vous confondez le modèle, brûlez des jetons et garantissez un comportement imprévisible en production.

Les fondateurs doivent appliquer un contrôle de version strict et une architecture modulaire pour leurs invites immédiatement. Si votre invite système ressemble à un manifeste désorganisé, votre produit est une bombe à retardement d'échecs de cas extrêmes.