Walmart bride votre agent d'achat.

L'IA diagnostique de Microsoft a atteint 83 % de précision sur des cas médicaux complexes dans un environnement simulé. Pour situer le contexte, les médecins participant à la même simulation n'ont atteint qu'un maigre 36 % de précision, même avec accès à des documents de référence.

Ce n'est pas une victoire marginale ; c'est une déroute. Une simulation n'est pas un service hospitalier, et les benchmarks synthétiques survivent rarement au contact de données patients réelles et désordonnées. Mais un écart de 47 points signifie que les modèles détectent des schémas que les spécialistes humains manquent entièrement.

Les médecins perdent leur monopole sur les diagnostics complexes dès que ces systèmes obtiennent l'approbation clinique. Le gagnant immédiat est Microsoft, qui dispose désormais du levier ultime pour vendre des systèmes de santé aux entreprises. Les perdants sont les organismes de réglementation qui tentent de justifier pourquoi un système qui double la précision diagnostique ne devrait pas être le deuxième avis par défaut.

Legora vient de clôturer un tour de financement de 550 millions de dollars, propulsant l'entreprise d'IA juridique à une valorisation de 8,8 milliards de dollars. Ce capital est destiné à l'expansion de son activité d'IA juridique sur les marchés américains et mondiaux.

On n'obtient pas une valorisation de 8,8 milliards de dollars en construisant un moteur de recherche légèrement meilleur pour la jurisprudence. Les bailleurs de fonds de Legora parient que l'IA peut fondamentalement remplacer le travail ingrat actuellement facturé 400 dollars de l'heure par les jeunes associés.

Les cabinets d'avocats qui adopteront ces outils verront leurs marges exploser, tandis que ceux qui s'accrochent à la révision manuelle seront exclus du marché. Legora gagne gros ici, mais le véritable test est de savoir si leurs modèles peuvent gérer la précision paranoïaque exigée par les régimes de conformité mondiaux sans halluciner un précédent.

Flapping Airplanes vient de lever 1 milliard de dollars pour développer des systèmes d'IA capables d'apprendre avec beaucoup moins de données et de puissance de calcul. L'objectif est de construire des modèles d'IA plus efficaces et accessibles qui ne nécessitent pas de vider un petit lac pour refroidir leurs centres de données.

L'industrie est obsédée par le raclage du fond d'internet pour alimenter des clusters massifs, mais Flapping Airplanes parie que l'efficacité algorithmique l'emportera sur la simple échelle.

S'ils y parviennent, le fossé pour des entreprises comme OpenAI et Google se réduira considérablement. Les modèles qui nécessitent moins de calcul abaissent la barrière à l'entrée pour tous les autres. Les acteurs historiques perdent leur avantage structurel si l'intelligence ne nécessite plus un superordinateur d'un milliard de dollars pour être entraînée.

GM a testé plus de 300 000 conceptions de batteries entièrement par modélisation informatique avant même de prendre la peine de construire un prototype physique. La simulation alimentée par l'IA a considérablement accéléré leur calendrier de développement.

Le prototypage physique dans le secteur automobile est d'une lenteur et d'un coût brutal. En déplaçant entièrement la phase d'essais et d'erreurs dans un environnement simulé, GM peut itérer à la vitesse du logiciel plutôt qu'à la vitesse de la fabrication.

Les gagnants sont les équipes d'ingénierie qui peuvent désormais valider les sciences des matériaux du jour au lendemain. Les perdants sont les fournisseurs automobiles traditionnels qui comptent toujours sur les tests physiques sur banc pour valider leurs composants. Le prototypage numérique n'est plus un luxe ; c'est la base de la survie.

Loom vient de lancer une fonctionnalité « Enregistrer pour l'agent » en bêta ouverte pour les utilisateurs Business + AI et Enterprise. L'outil convertit les démonstrations d'écran narrées en instructions explicites pour les agents IA, avec captures d'écran et liens.

Écrire des séquences d'invites pour les agents GUI est fastidieux et fragile. L'approche de Loom permet aux opérateurs de faire ce qu'ils font déjà – enregistrer une courte vidéo – et laisse le logiciel extraire les éléments DOM et les étapes d'exécution précis nécessaires pour automatiser la tâche.

Cela supprime un goulot d'étranglement majeur pour les développeurs qui tentent de déployer des agents dans des environnements non techniques. Loom gagne en s'intégrant comme couche de traduction entre l'intention humaine et l'exécution de l'agent.