Alors que Bison Futé voit noir dans le sens des départs en ce début d’août, il en est différemment pour son alter ego « Bison Blindé » qui, lui, annonce une journée classée verte en direction du Luxembourg, de Dubaï ou des Seychelles pour tous les jets privés. Des couloirs aériens dégagés et une météo au beau fixe qui garantissent aux milliardaires aoûtiens un départ en vacances bien mérité sous les meilleurs auspices. 

« J’ai vu qu’il y avait eu un accident entre deux poids lourds sur la rocade et plus de 30 km de bouchons en direction de Grenoble. Une chance que je me déplace en jet et que je me rende à Hong-Kong » commente hilare Valentino Suarez, PDG de SoliLex, avant de sauter dans son avion en pouffant dans sa flûte. Même son de cloche pour l’émir du Qatar, Tamim ben Hamad Al Thani, « J’attends toujours la fin du chassé-croisé entre les millionnaires et les milliardaires pour partir en vacances, mais là tout semble dégagé. Merci Bison Blindé !» nous explique-t-il, tout en tentant de caser trois valises, deux parasols et six nouveaux joueurs du PSG dans la soute de son méga-jet.

Une journée idéale donc pour partir se reposer dans l’une de ses résidences secondaires à l’autre bout du monde à plus de 1 000 km/h même si Bison Blindé recommande également d’éviter l’axe Paris-Nice entre 11 h 00 et 11 h 07 afin de laisser le jet de Monique Barbut se rendre jusqu’à sa villa de Sainte-Maxime pour fuir la canicule. 

L’article Départs en vacances – Journée classée verte pour les jets privés selon « Bison Blindé »  est apparu en premier sur Le Gorafi.fr Gorafi News Network.

Fini de subir en silence les story-times lénifiants et les « Voici comment j’ai pris une leçon de vie en commandant un café ».

Depuis fin juillet, les membres de LinkedIn peuvent signaler, d’un clic, les publications qui sentent le contenu produit à la chaîne par une IA…les fameux  » AI Slop ». Le réseau social professionnel, propriété de Microsoft, a déployé un nouveau bouton de signalement baptisé « Seems like AI slop » ; littéralement « on dirait de la bouillie IA ».

L’initiative intervient alors que plusieurs études convergent pour dresser le même constat : LinkedIn est devenu, plus que n’importe quel autre réseau social, le terrain de jeu privilégié des contenus générés par des LLM.

Selon l’étude « AI in Your Feed » de la société Pangram, qui a passé au crible plus d’un million de publications entre fin avril et fin juin 2026, plus de 40 % des posts longs publiés sur la plateforme sont intégralement générés par IA.

Il s’agit du taux le plus élevé de tous les réseaux étudié, et environ le double de la moyenne constatée ailleurs. D’autres études confirment cette « invasion de AI Slop » sur le réseau professionnel, propriété de Microsoft.

LinkedIn… au royaume du « AI Slop »

Comment utiliser. la nouvelle fonctionnalité ? L’option apparaît dans le menu à trois points de chaque publication. Un clic suffit pour masquer le post du fil de l’utilisateur, accompagné d’un message de remerciement indiquant que ce retour contribue à améliorer le fil d’actualité.

Le signalement ne déclenche ni suppression du contenu ni sanction visible pour son auteur.  Dans le vocabulaire de LinkedIn, d’un simple signal, traité de façon comparable à un clic « pas intéressé »  qui vient nourrir les modèles de détection automatique de la plateforme.

Coup de pouce supplémentaire côté transparence : LinkedIn teste désormais une notification privée, visible uniquement par l’auteur dans son tableau de bord analytique, lorsque plusieurs membres jugent qu’une publication sonne artificielle ou trop assistée par IA.

C’est Hari Srinivasan, chief product officer de LinkedIn, qui a annoncé la mesure dans un message publié sur son compte. Le dirigeant constate l’ampleur du problème : « AI slop is a top priority for all of us. We really care about this », écrit-il, rappelant que « les gens viennent sur LinkedIn pour se connecter avec de vraies personnes et partager leurs véritables points de vue ».

Et de justifier le choix de s’appuyer sur les retours humains plutôt que sur la seule détection automatique. Selon lui, la notion de « AI slop » reste difficile à cerner et évolue sans cesse, ce qui rend précieux l’apport des signalements des membres pour affiner les modèles. Il tient aussi à préciser que l’usage de l’IA n’est pas condamné en soi car nombre d’utilisateurs s’en servent légitimement pour retravailler leurs idées. Ce que LinkedIn veut limiter, ce sont les contenus qui « sonnent inauthentiques ».

Comment fonctionne le signalement

Le bouton n’est que la partie visible d’un dispositif plus vaste.

LinkedIn affirme bloquer chaque jour des centaines de milliers de tentatives de commentaires automatisés, et avoir contré des milliards d’autres tentatives d’automatisation (publication en masse, spam) ces deux derniers mois. Le réseau met aussi en avant de nouveaux classificateurs internes, chargés d’identifier en amont les contenus jugés « AI slop » ou de faible qualité afin d’en limiter la visibilité dans les recommandations adressées aux utilisateurs situés hors du réseau immédiat de l’auteur.

Autre choix marquant : la disparition de la fonctionnalité « Enhance your post », qui proposait jusqu’ici de réécrire intégralement un brouillon grâce à l’IA. Elle cède la place à un outil de relecture plus modeste, limité à la correction orthographique et grammaticale, sans réécriture ni lissage stylistique. LinkedIn annonce en parallèle un renforcement des outils de vérification de profils et de pages, ainsi qu’une nouvelle option permettant de bloquer les commentaires de pages d’entreprise indésirables.

Les limites d’un système encore jeune

Le dispositif n’est pas sans zones d’ombre. LinkedIn ne communique aucun mécanisme permettant à un auteur de contester un signalement, ouvrant la porte à d’éventuels usages abusifs ou concurrentiels du bouton.

La frontière entre une aide légitime à la rédaction et la production de « AI slop » demeure par ailleurs difficile à tracer, ce qui expose certains contenus authentiques mais stylistiquement proches de l’IA à un déclassement injustifié. Enfin, plusieurs mois pourraient s’écouler avant que leurs effets soient pleinement perceptibles dans les fils d’actualité.

Cette annonce intervient au moment où une nouvelle tranche de l’AI Act entre en application, dont certaines dispositions relatives à l’étiquetage des contenus générés par IA ; même si LinkedIn n’est pas tenu, à ce stade, d’imposer un label systématique sur les publications de ses utilisateurs.

Pour les créateurs de contenu, communicants et experts qui font de LinkedIn une vitrine, le message envoyé par la plateforme est sans ambiguïté : le volume et la régularité automatisée ne suffisent plus à garantir de la visibilité.

L’algorithme valorise désormais davantage les analyses fondées sur une expertise réelle, les angles originaux et une voix éditoriale reconnaissable, au détriment des textes lissés et sans point de vue propre. L’IA reste un outil d’appoint toléré ( pour relire, structurer, synthétiser) mais son usage comme générateur intégral de publications expose désormais à une perte sèche de portée organique.

Image : © DR

The post LinkedIn dégaine son bouton anti « Slop IA » appeared first on Silicon.fr.

C’est de saison : il existe désormais un Magic Quadrant des « infrastructures cloud pour l’IA ».

L’issue était prévisible. Le dernier Magic Quadrant du cloud public d’infrastructure (IaaS + PaaS), paru à l’été 2025, avait donné le ton. Gartner y avait largement mis en avant la composante IA, de la dépendance de Microsoft à OpenAI au manque de compétitivité des modèles génératifs d’AWS.

En parallèle, le Magic Quadrant des « services cloud d’IA pour les développeurs » avait laissé place à celui, plus englobant, des « plates-formes de développement d’applications IA ». La majorité des fournisseurs classés dans l’un s’étaient retrouvés dans l’autre.

OVHcloud en « challenger », Scaleway en « acteur de niche »

Chose rare dans un même Magic Quadrant : la présence de deux fournisseurs français.

OVHcloud est suffisamment avancé sur l’axe dit « exécution » (qui reflète la capacité à répondre à la demande) pour se hisser chez les « challengers ». Gartner apprécie un avantage singulier dans le paysage concurrentiel : l’absence de frais de sortie. Il salue également la maîtrise qu’OVHcloud a sur la fabrication de ses serveurs ; ainsi que, plus globalement, son activité désormais profitable.

OVHcloud n’a pas les capacités réseau avancées de ses principaux concurrents. Ce qui limite les possibilités pour les workloads distribués. Il lui manque aussi des fonctionnalités de gestion opérationnelle, notamment pour la gouvernance des coûts. Il n’a pas non plus le même catalogue d’options serverless, de services MLOps et d’intégrations PaaS. Cela peut supposer des efforts d’intégration supplémentaires.

Par rapport aux autres fournisseurs classés « acteurs de niche », Scaleway a un portefeuille plus diversifié (VM, bare metal, PaaS, serverless…). Gartner y voit un moyen de minimiser la latence et les coûts de transfert entre « composants IA et non IA ». Il salue aussi des datacenters efficaces sur le plan énergétique. Et la disponibilité de services managés (Kapsule, Managed inference…) qui réduisent le besoin en compétences MLOps.

Scaleway n’a de régions cloud qu’en Europe : difficile de le sélectionner pour des workloads globaux qui nécessitent une faible latence. Comme pour OVHcloud, la gamme PaaS native et le catalogue d’intégrations sont moins fournis que chez les principaux hyperscalers. Par ailleurs, si la tarification de base est « transparente », la facturation séparée du stockage, des instances et de la bande passante peut compliquer la gestion des coûts.

17 fournisseurs, 6 « leaders »

Gartner dégage 6 « leaders » sur ce segment des infrastructures cloud pour l’IA. Nommément, Alibaba Cloud, AWS, Google, Huawei Cloud, Microsoft et Oracle.

Sur l’axe « exécution », la situation est la suivante :

Sur l’axe « vision », qui traduit les stratégies (commerciale, marketing, innovation…) :

Interface et documentation complexes chez Alibaba Cloud

Alibaba Cloud se distingue par l’exhaustivité de son portefeuille, entre infra, outils de développement et modèles de fondation. Gartner apprécie la capacité de la plate-forme PAI-Lingjun à soutenir des workloads à grande échelle sur des architectures hétérogènes. Il mentionne aussi l’outillage open source d’Alibaba Cloud (EasyNLP, EasyCV, PAI-DSW, SONiC…) et le support communautaire qui va avec. Ainsi que la popularité des modèles open-weight Qwen.

Au-delà des inquiétudes de conformité et de souveraineté que peuvent soulever la nationalité chinoise d’Alibaba, l’interface et documentation peuvent s’avérer plus complexes à maîtriser que chez les concurrents américains. La situation géopolitique le prive par ailleurs de l’accès à certaines technologies, à commencer par des puces accélératrices.

AWS n’a pas l’architecture d’entraînement la plus efficace

AWS peut s’appuyer sur une infrastructure cloud mature dont Gartner souligne le reach, la résilience et le niveau de sécurité/conformité (il cite, sur ce point, l’hyperviseur Nitro et la certification ISO 42001). Bon point également pour la variété des options d’infrastructure managée, de Bedrock à SageMaker HyperPod.

Revers de la médaille : cette variété, avec les niveaux d’abstraction, de contrôle et de responsabilité qu’elle implique, peut compliquer la standardisation à l’échelle des organisations. AWS a plus globalement du mal à inscrire ses services dans un narratif clair et cohérent, selon Gartner. Les cycles de déploiement peuvent s’en trouver allongés. Le cabinet américain note aussi que l’architecture du réseau et des clusters d’entraînement est moins efficace que chez d’autres fournisseurs. Le recours à ses puces Trainium peut en outre supposer des efforts d’optimisation logicielle.

Un risque de verrouillage chez Google…

Au-delà de ses TPU, Google se distingue avec l’architecture AI Hypercomputer, qui associe ces puces aux GPU en une architecture avec réseau et stockage optimisés. Gartner relève aussi les ressources disponibles : il estime qu’au quatrième trimestre 2025, Google possédait environ 25 % de la capacité de calcul IA mondiale.

Cela n’empêche pas que l’accès à cette capacité – plus particulièrement les GPU NVIDIA – peut se révéler difficile. De plus, bien que Google ait étendu sa prise en charge de frameworks comme Jax et PyTorch, l’optimisation pour les TPU est susceptible de compromettre la portabilité des charges de travail. Attention aussi à la tarification : la combinaison de la facturation au token, des coûts d’infrastructure, des choix de déploiement et des modèles d’engagement peut compliquer l’attribution et la prévision des coûts.

… comme chez Huawei

Huawei a l’avantage de maîtriser sa pile (NPU Ascend, CPU Kungpeng, architecture CANN, framework MindSpore) et par là même son rapport coût-performance. Il a aussi pour lui son studio de développement ModelArts, qui favorise une approche par cas d’usage à partir de jeux de données sectoriels pour ajuster les modèles Pangu. Gartner apprécie aussi la mesure dans laquelle il a inscrit dans sa stratégie commerciale les déploiements hybrides et privés.

Comme pour Alibaba Cloud, la nationalité chinoise de Huawei est un obstacle à l’adoption de ses technologies, en tout cas dans le monde occidental. Quant à sa stack maison, elle est susceptible de créer un verrouillage. Ou tout au moins d’accroître la courbe d’apprentissage pour qui est habitué à des standards comme CUDA. Vigilance également sur l’empreinte géographique de l’infrastructure IA, plus limitée que chez les autres hyperscalers.

Chez Microsoft, attention à la gouvernance des coûts

Gartner salue la « proposition de valeur unique » que Microsoft s’est construite dans la GenAI à renfort de partenariats. Il fait aussi remarquer le liant créé entre son infrastructure IA et le reste d’Azure. Ainsi que l’exhaustivité du catalogue de services managés. Il mentionne, à ce sujet, Microsoft Foundry et Azure AI Landing Zone, qui réduisent le besoin en compétences MLOps.

Comme les autres hyperscalers, Microsoft fait face à des contraintes d’approvisionnement de capacité. S’il a lui aussi ses propres accélérateurs IA (Maia, pour l’inférence), elle ont pour le moment une place limitée dans son offre, encore largement dépendante de puces tierces. Et les couches de services qui composent son catalogue compliquent la gouvernance et la prévision des coûts.

L’outillage d’Oracle manque de maturité

Oracle se distingue par la performance et l’élasticité de son architecture OCI Supercluster. Bon point également pour la flexibilité de déploiement (Dedicated Region, Cloud@Customer, Oracle Database@…). Et pour l’intégration avec ses autres produits (Oracle Fusion Cloud Applications, AI Data Platform, Autonomous Database…).

Oracle propose moins d’intégrations et de ressources communautaires que ses concurrents ; ce qui peut imposer des développements personnalisés. Si l’infra IA est robuste, l’outillage pour la gérer (orchestration, observabilité…) est moins mature et moins complet. Il peut par ailleurs être délicat de parcourir la documentation. Et les temps de réponse du support peuvent varier.

Illustration générée par IA

The post Infrastructures IA : Gartner met OVHcloud et Scaleway sur sa carte mondiale appeared first on Silicon.fr.

Au 2 août 2026, l’essentiel des dispositions de l’AI Act entreront en application.

C’était l’objectif de l’UE lorsqu’elle avait adopté le règlement, en juin 2024. Depuis, l’omnibus numérique est passé par là. Il a repoussé les principales échéances à 2027 et 2028.

En toile de fond, le retard pris sur deux fronts. D’une part, dans la mise en place des autorités nationales compétentes. De l’autre, dans l’élaboration de normes harmonisées et de spécifications communes. Le CENELEC (Comité européen de normalisation en électronique et électrotechnique) en a la charge. Il était initialement censé rendre sa copie pour août 2025.

Quelques obligations s’appliqueront tout de même à partir du 2 août 2026. Nous les récapitulons ici, ainsi que le reste du calendrier, en combinant la lecture de l’AI Act à celle des lignes directrices, des codes de bonnes pratiques et d’autres instruments que la Commission européenne a publiés.

Quelques concepts structurants de l’AI Act

Modèles d’IA vs systèmes d’IA

Une partie des dispositions de l’AI Act (articles 51 à 55) concernent spécifiquement les modèles d’IA à usage général.

Au-delà de la définition qu’en donne le règlement, les lignes directrices associées détaillent quelques critères indicatifs. Est réputé à usage général un modèle dont l’entraînement a nécessité au moins 10²³ flops (seuil de puissance de calcul typique pour former des modèles d’échelle 1B, selon Bruxelles) et qui est capable de générer un langage ou de produire une image ou une vidéo à partir de texte.

Des exceptions sont possibles, typiquement en cas d’incapacité à exécuter un large éventail de tâches distinctes (modèle spécialisé dans l’accroissement de la résolution d’images, par exemple).

La définition que l’AI Act donne du « système d’IA » s’assortit elle aussi de lignes directrices. Elles reprennent in extenso chaque aspect-clé (autonomie, capacité d’adaptation, inférence, etc.). Et formulent quelques exclusions. Parmi elles, les systèmes destinés à accélérer les méthodes d’optimisation traditionnelles (comme la régression linéaire ou logistique), ceux fondés sur l’heuristique classique et ceux traitant des données de base (SGBD filtrant des données sur la base de critères spécifiques, outil de visualisation constituant un tableau de bord par l’emploi de méthodes statistiques…).

Fournisseurs vs déployeurs

Est fournisseur toute personne physique ou morale ou tout organisme qui développe ou fait développer un système ou un modèle et le met sur le marché ou le met en service sous son propre nom ou sa propre marque.

Est déployeur qui utilise un système sous sa propre autorité (les activités personnelles n’entrent pas dans le champ de l’AI Act).

Le règlement définit aussi les rôles d’importateur et de distributeur. Le premier met sur le marché un système qui porte le nom ou la marque d’une personne physique ou morale établie hors UE. Le second fait partie de la chaîne d’approvisionnement qui met un système à disposition dans l’UE.

Par « mise sur le marché », il faut entendre la première mise à disposition d’un système d’IA ou d’un modèle d’IA à usage général dans l’UE.
La mise en service ne concerne que les systèmes d’IA. Il s’agit de la fourniture d’un système en vue d’une première utilisation dans l’UE, directement au déployeur ou pour un usage propre.

Haut risque vs risque systémique

Le règlement définit quels systèmes d’IA sont à haut risque. Parmi eux, ceux qui figurent à l’annexe III. Domaines concernés, dans les grandes lignes :

• Biométrie (identification à distance, catégorisation, reconnaissance des émotions)
• Composants de sécurité d’infrastructures critiques
• Éducation et formation professionnelles (admission, évaluation d’acquis, détection de tricherie…)
• Emploi (recrutement, évolution professionnelle…)
• Accès à des services privés et publics essentiels (aides sociales, évaluation de solvabilité, hiérarchisation des interventions d’urgence…)
• Répression
• Migration, asile, gestion des contrôles aux frontières
• Administration de la justice et processus démocratiques (interprétation de la loi, influence sur le comportement électoral…)

Il existe, pour ces systèmes, des exceptions en cas d’absence de risque important de préjudice pour la santé, la sécurité ou les droits fondamentaux. Ce cas peut se présenter, par exemple,  lorsqu’il y a accomplissement d’une tâche procédurale étroite ou amélioration d’une activité humaine préalablement réalisée.

« Composants de sécurité » et « législation d’harmonisation »

Est également à haut risque un système qui remplit les deux conditions suivantes :

• Destiné à être utilisé comme composant de sécurité d’un produit couvert par la législation d’harmonisation de l’UE (ou constitue lui-même un tel produit)
• Ce composant, ou le système lui-même en tant que produit, est soumis à une évaluation de conformité par un tiers conformément à la législation d’harmonisation

Cette « législation d’harmonisation » regroupe des directives et règlements sectoriels. L’AI Act en liste, dans son annexe I, une vingtaine, qui ciblent les jouets, les ascenseurs, les dispositifs médicaux, les équipements marins, l’aviation civile, etc.

L’omnibus numérique a précisé la notion de « composant de sécurité » pour éviter que des systèmes d’IA soient faussement classés à haut risque. Il a, en particulier, exclu ceux destinés à remplir uniquement des fonctions liées à l’assistance aux utilisateurs, à l’optimisation des performances, à l’efficacité des services ou encore à l’automatisation.

Autre précision : l’intégration d’un système d’IA dans un produit soumis à la législation d’harmonisation ne signifie pas nécessairement qu’il est un composant de sécurité.

Caractériser le risque systémique sur les modèles d’IA

Des dispositions spécifiques s’appliquent aux modèles d’IA à usage général qui présentent un risque dit systémique. On peut l’atteindre en la présence de « capacités à fort impact ». En l’occurrence, au moins égales aux capacités enregistrées dans les modèles les plus avancés. Il y a risque systémique en l’existence d’effets négatifs réels ou raisonnablement prévisibles sur la santé publique, la santé et les droits fondamentaux et qu’ils peuvent se propager sur la chaîne de valeur.

Les lignes directrices sur les modèles d’IA à usage général donnent un critère indicatif : 10²⁵ flops. Si l’entraînement a nécessité plus de puissance de calcul, on peut présumer un risque systémique. La Commission européenne peut aussi décider qu’il en existe un en examinant les critères listés à l’annexe XIII de l’AI Act (nombre de paramètres, qualité ou taille du jeu de données, modalités d’entrée et de sortie, nombre d’utilisateurs finaux…).

Pour estimer la quantité de calcul utilisée, Bruxelles propose deux approches. Elles se fondent respectivement sur l’architecture et le matériel. Elles imposent d’inclure les ressources utilisées pour générer des données synthétiques. Et pour s’entraîner avec si elles ne sont pas accessibles au public.

Les principales règles déjà en application

Former les utilisateurs

L’article 4 de l’AI Act a fait partie du premier paquet de dispositions à entrer en application (février 2025). Il impose aux fournisseurs et aux déployeurs de former leur personnel et les autres personnes chargées de l’exploitation et de l’utilisation de systèmes d’IA en leur nom. Cela inclut, pour exemple, les entreprises qui permettent à leurs employés d’utiliser ChatGPT.

Le 3 août 2026, les autorités nationales compétentes commenceront officiellement leur surveillance du respect de cette obligation. Il est à noter que l’omnibus numérique a supprimé l’exigence de niveau spécifique (ou « suffisant ») par individu.

La Commission européenne tient un répertoire d’exemples de la manière dont les organisations diffusent une maîtrise de l’IA. Une quarantaine de cas y figurent, dont ceux de Booking.com, Criteo, IBM, Kaspersky, Palantir, SAS et Workday. Cette base a permis de produire un rapport avec l’Alliance pour les compétences en IA (projet financé par Erasmus+).

Pour les PME, Bruxelles recommande de se tourner vers le réseau des pôles européens d’innovation numérique (EDIH). Elle évoque aussi l’Académie des compétences en GenAI – un projet lancé en 2025 dans le cadre du programme pour une Europe numérique… et qui n’a pour le moment pas trouvé de concrétisation.

Pratiques interdites

L’autre « gros morceau » applicable depuis février 2025 est l’article 5. Son objet : les pratiques interdites. La Commission européenne y a là aussi assorti des lignes directrices.

Parmi les exceptions, la reconnaissance des émotions et la surveillance sur le lieu de travail et dans les milieux éducatifs, aussi longtemps que c’est pour des raisons médicales ou de sécurité.

Des exceptions existent aussi, entre autres, pour les œuvres artistiques. Notamment au niveau d’une pratique que l’omnibus numérique a ajoutée à la liste : les contenus à caractère sexuel.

Modèles d’IA à usage général

Après l’échéance de février 2025, il y eut celle d’août 2025. À cette occasion sont entrées en vigueur les dispositions relatives aux modèles d’IA à usage général. Elles touchent à :

• Documentation technique
• Communication d’informations aux fournisseurs de systèmes d’IA en aval
• Politique de conformité au droit d’auteur
• Résumé public du contenu des données d’entraînement

Il existe des exigences spécifiques en cas de risques systémiques (atténuation de ces risques, documentation des incidents graves, protection en matière de cybersécurité…).

Le 2 août 2026 marquera la fin de la « période de grâce » accordée aux fournisseurs pour se mettre en conformité.

En l’attente de normes harmonisées, le principal instrument de déclaration de conformité est le code de bonnes pratiques de l’IA à usage général. Il comporte trois chapitres : transparence ; droit d’auteur ; sûreté et sécurité. Ce dernier ne s’applique qu’aux modèles qui présentent un risque systémique.

Au dernier pointage, il sont une vingtaine à avoir signé ce code de bonnes pratiques. Nommément,  Accexible, AI Studio Delta, Aleph Alpha, Almawave, Amazon, Anthropic, Black Forest Labs, Bria AI, Cohere, Domyn, Dweve, Fastweb, Google, IBM, Lawise, LINAGORA, Microsoft, Mistral AI, Open Hippo, OpenAI, Pleias, ServiceNow et WRITER. xAI a signé uniquement le chapitre sûreté/sécurité.

Qui modifie un modèle peut devenir son fournisseur

En complément, la Commission européenne a publié des lignes directrices sur la portée des obligations incombant aux fournisseurs de modèles d’IA à usage général. On y apprend que quiconque modifie un modèle – y compris par fine-tuning – peut en devenir le fournisseur. La condition : une modification importante de la généralité, des capacités ou du risque systémique. Là encore, Bruxelles fournit un critère indicatif basé sur la puissance de calcul : plus d’un tiers de celle utilisée pour entraîner le modèle original.

Si le modificateur n’a pas connaissance de cette valeur, on considère le tiers de la puissance au-delà de laquelle un modèle est dit à usage général (soit 10²³/3 flops). S’il présente un risque systémique, c’est 10²⁵/3 flops.

En respect du principe de proportionnalité, les obligations du nouveau fournisseur se limitent aux modifications apportées. Et, pour ce qui est du droit d’auteur et de la divulgation du contenu d’entraînement, aux seules données utilisées pour la modification.

La Commission européenne admet que ce critère est essentiellement prospectif. Elle considère plus globalement qu’il est difficile de définir dans quelle mesure une modification produit un modèle distinct. C’est pourquoi en l’état, elle assimle à un unique modèle chaque version issue de la même formation de grande envergure dispensée par le même fournisseur.

Des modèles « anciens » doivent être mis en conformité

Les lignes directrices apportent quelques précisions sur le cas des modèles dont au moins les poids sont publiés sous licence libre et ouverte. Cela suppose des droits de consultation, de modification et de distribution, avec publication d’informations sur l’architecture.

En l’absence de risque systémique, ces modèles échappent aux exigences de documentation technique pour les autorités et d’information des fournisseurs en aval. Mais pas à la mise en œuvre d’une politique de droit d’auteur.

La publication d’une version d’un modèle ouvert peut constituer une mise sur le marché, précisent les lignes directrices. Même chose, de façon plus large, pour toute utilisation interne si elle est essentielle à la fourniture d’un produit ou d’un service à des tiers dans l’UE ; ou si elle porte atteinte aux droits de personnes physiques dans l’UE.

Pour les modèles d’IA à usage général, l’AI Act est rétroactif : ceux mis sur le marché avant le 2 août 2025 devront avoir été mis en conformité le 2 août 2027 au plus tard.

Il n’y a pas de régime comparable pour les systèmes d’IA qui auront été mis sur le marché ou mis en service avant décembre 2027 (pour ceux concernés) ou août 2028 (pour les autres). Sauf s’ils « subissent d’importantes modifications de leur conception ». Ou encore s’ils sont utilisés par des autorités publiques. Auquel cas ils devront être conformes à l’AI Act pour août 2030 au plus tard.
Il y a aussi une exception pour les systèmes d’IA intégrés dans quelques grands SI européens :

• SI Schegen
• SI visas
• Eurodac (données biométriques)
• Enregistrement des données relatives aux entrées et sorties de ressortissants de pays tiers
• Information et autorisation concernant les voyages
• Casiers judiciaires des ressortissants de pays tiers et des apatrides

Les règles qui s’appliquent au 2 août 2026

Transparence des systèmes d’IA et des contenus

Le 2 août 2026 marque l’entrée en application de l’article 50 de l’AI Act. Il établit diverses obligations de transparence aux fournisseurs et aux déployeurs de systèmes d’IA.

Le premier paragraphe concerne les systèmes d’IA destinés à interagir directement avec des personnes physiques. Il impose à leurs fournisseurs de veiller à la bonne information des utilisateurs.

Le deuxième paragraphe impose aux fournisseurs de systèmes génératifs d’associer aux outputs un marquage lisible par machine. En sont exemptés les systèmes qui remplissent une fonction d’assistance pour la mise en forme standard. Même chose pour ceux qui ne modifient pas substantiellement les inputs ou leur sémantique.

Les déployeurs de systèmes générant des deepfakes audio et vidéo (images fixes comprises) doivent indiquer que les contenus ont été générés ou manipulés par une IA. Idem pour les textes publiés dans le but d’informer le public sur des questions d’intérêt public.

Une période de grâce et des exceptions pour le marquage des contenus

La Commission européenne a publié un code de bonnes pratiques sur la transparence du contenu généré. Y adhérer n’équivaut pas à démontrer sa conformité.

Il y est confirmé, en conséquence de l’omnibus numérique, l’application d’une période de grâce jusqu’au 2 décembre 2026 pour le marquage machine dans les systèmes mis sur le marché avant le 2 août 2026.

Le code précise que certaines sorties sont hors du champ des obligations de transparence :

• Courtes séquences de nombres, symboles ou lettres
• Code source
• Sorties traitées uniquement en machine-to-machine sans exposition à des humains
• Sorties utilisées en boucle fermée dans un contexte industriel ou de développement produit (exemple : production d’un film)

Aucune technique ne marquage ne satisfait pour l’instant aux 4 critères qu’énonce l’AI Act (efficacité, interopérabilité, robustesse, fiabilité). Il faut donc en combiner. Le code de bonnes pratiques suggère d’associer métadonnées signées et filigrane invisible. Il ajoute le fingerprinting comme méthode optionnelle.

Le texte libre ne pouvant transporter de métadonnées, une couche unique est considérée comme suffisante. Même chose pour les systèmes génératifs embarqués dans des produits physiques intégrés dans un environnement fermé, techniquement contrôlé et de nature principalement instructive.

Détection des contenus : l’Europe impose la gratuité… avec des limites

Pour compenser la fiabilité potentiellement moindre des filigranes sur le texte libre, les fournisseurs concernés peuvent restreindre à des utilisateurs experts l’accès à la solution de détection correspondante. Dans tous les cas, ils implémenteront préférentiellement l’apposition du filigrane au niveau du processus d’inférence plutôt que par après. Objectif : faciliter la mise en conformité des fournisseurs de systèmes d’IA en aval.

Pour la mise à disposition de la solution de détection, trois possibilités : spécification, logiciel (exécutable ou bibliothèque) ou service par API. Elle se fera gratuitement… avec la possibilité de facturer des « frais raisonnables » pour les systèmes d’IA qui ont au moins 1 million d’utilisateurs actifs par mois, dans le cas où les requêtes d’un utilisateur dépasseraient un « seuil raisonnable ».

Les fournisseurs sont invités – sans y être obligés – à intégrer des informations de provenance (nom du système d’IA, modèle utilisé…). Et à donner aux déployeurs de quoi appliquer eux-mêmes, à la génération, des étiquettes visibles. Autre option mentionnée : un mécanisme de détection forensique des contenus dont on aurait supprimé le marquage.

L’étiquetage des deepfakes en pratique

La deuxième section du code de bonnes pratiques couvre l’étiquetage des deepfakes par les déployeurs.

Si une divulgation visuelle est possible, l’étiquette doit comprendre, comme élément principal, une icône « AI ». Sauf si l’usage de l’anglais est incompatible avec la législation nationale sur l’usage linguistique dans les affaires commerciales ou administratives. Les lettres auront la même dimension verticale. Bruxelles encourage à intégrer, dans l’icône ou à côté, des mentions de type « modifié » ou « généré ».

Pour les contenus audio, on intégrera un avertissement audio au début. Soit en anglais, soit dans la langue du contenu. En prévision des modifications en aval, on répétera cet avertissement régulièrement, au minimum après les interruptions.

Dans tous les cas, l’étiquette devra rester visible assez longtemps pour que l’utilisateur la remarque. On l’intégrera dans le contenu sauf si des mécanismes équivalents – type surcouche UI – sont disponibles. Pour les textes courts, il est possible d’utiliser une notification contextuelle afin d’éviter de dégrader le contenu.

Une boîte à outils pour préparer les échéances 2027-2028

Les exigences pour les systèmes d’IA à haut risque figurant à l’annexe III ne s’appliqueront qu’en décembre 2027. Ce sera en août 2028 pour les autres (composants de sécurité, en lien avec l’annexe I).

En attendant, la Commission européenne propose un outil dit « vérificateur de conformité ». En bêta et en anglais, il permet plus exactement de comprendre, en répondant à une série de questions, quelles règles sont susceptibles de s’appliquer à un modèle ou à un système d’IA donné.

La boîte à outils de Bruxelles comprend aussi l’AI Act Explorer. En fait un tableau de bord avec moteur de recherche, table des matières par chapitre et grilles de considérants et d’annexes.

S’y ajoutent une compilation de FAQ (à moitié traduite en français) et un service d’assistance (formulaire de contact avec le Bureau de l’IA, accessible avec un login UE).

On retrouve l’ensemble sur un guichet centralisé : la « plate-forme unique d’information sur l’AI Act ».

La compilation de FAQ fait référence aux agents IA. Un terme « pas défini juridiquement et utilisé pour plusieurs types d’artefacts ». Il faut toutefois considérer que les règles de l’AI Act s’y appliquent.

Parmi les autres références, les fameuses « small caps » (« petites entreprises à moyenne capitalisation »). Elles ne sont pas des PME au sens du droit européen, mais occupent moins de 750 personnes et affichent moins de 150 M€ de CA annuel et/ou moins de 129 M€ de bilan annuel. L’omnibus numérique les rend bénéficiaires de certains allégements que l’AI Act avait d’abord réservés aux PME. Par exemple, une documentation technique simplifiée.

L’omnibus numérique, de petits en grands allégements

L’omnibus numérique a eu comme autre effet d’exempter l’IA industrielle d’une bonne partie du règlement. Le levier : un basculement de la section A à la section B de l’annexe I. Cela l’exclut notamment de certains scénarios ou le fabricant d’un produit peut être considéré comme fournisseur du système d’IA embarqué.

Autre allègement : la limitation des obligations pesant sur les systèmes d’IA à haut risque dans le cas où la législation d’harmonisation (annexe I, section A) prévoit un niveau de protection de la santé, de la sécurité ou des droits fondamentaux au moins équivalent à celui que prévoit l’AI Act. Il appartient à la Commission européenne d’adopter, d’ici à août 2027, des actes délégués pour préciser les systèmes d’IA concernés.

Données sensibles et tests en conditions réelles : un accès élargi

L’omnibus numérique a aussi élargi l’autorisation exceptionnelle de traitement de données sensibles pour la détection et la correction de biais. Le texte d’origine l’octroyait aux fournisseurs de systèmes d’IA à haut risque. Amendé, il la confère désormais également aux fournisseurs et déployeurs d’autres systèmes et modèles d’IA. Reste la condition que les biais puissent attenter à la santé, à la sécurité ou aux droits fondamentaux.

Les déployeurs de l’essentiel des systèmes d’IA cités dans l’annexe III ont droit à un « coup de pouce » pour leurs analyses d’impact sur les droits fondamentaux. Ils peuvent dorénavant y inclure des renvois vers les analyses d’impact sur les données personnelles.
Dans le même esprit de simplification, les systèmes d’IA à haut risque qui remplissent certaines exigences du règlement cyberrésilience sont réputés conformes aux exigences de cybersécurité de l’AI Act.

L’omnibus numérique étend par ailleurs les possibilités d’essai de systèmes d’IA en conditions réelles hors des bacs à sable réglementaires. Ce qui était jusque-là autorisé aux fournisseurs des systèmes d’IA listés en annexe III le devient pour ceux de l’annexe I. Un test peut durer jusqu’à 12 mois (6 mois prolongeables).

Illustration générée par IA

The post AI Act : clés et ressources pour se mettre en conformité appeared first on Silicon.fr.

Le divorce n’est pas à l’ordre du jour, mais le couple bat de l’aile. Le temps où Microsoft et OpenAI donnaient l’image d’un mariage parfait semble révolu.

Sans jamais parler ouvertement de rupture, Satya Nadella a changé de discours ces derniers mois. Le patron de Microsoft défend désormais une approche « multi-modèles » pour son entreprise comme pour ses clients, et met en scène ses propres capacités technologiques avec la famille de modèles MAI et les puces Maya.

Un partenariat toujours solide, sur le papier

Rien, officiellement, ne remet en cause l’alliance entre les deux groupes.

Microsoft demeure l’actionnaire de référence d’OpenAI avec environ 27 % du capital et les deux entreprises sont liées par un accord courant jusqu’en 2032 qui garantit à la firme de Redmond un accès privilégié aux modèles et aux « agents » développés par le l’inventeur de ChatGPT, sans surcoût de licence.

En parallèle, OpenAI s’est engagé sur des achats massifs de capacité Azure. Un contrat évalué à plus de 250 milliards $  tandis que Microsoft continuerait de percevoir environ 20 % des revenus d’OpenAI jusqu’à la même échéance, selon plusieurs sources concordantes.

Mais l’exclusivité, elle, a vécu. OpenAI n’est plus tenu de faire tourner exclusivement ses modèles sur l’infrastructure cloud de Microsoft. Cette bascule stratégique a d’ailleurs jeté un froid entre les deux partenaires lorsque le premier a signé, courant 2025, un accord de 50 milliards $ avec AWS. Microsoft aurait alors envisagé une action en justice, estimant que cet accord pouvait entrer en contradiction avec des clauses contractuelles existantes.

Des relations personnelles qui se refroidissent

Au-delà des chiffres, plusieurs observateurs pointent un relâchement des liens personnels entre Satya Nadella et Sam Altman.

Les échanges directs entre les deux dirigeants se seraient espacés, sur fond de désaccords portant sur l’allocation des ressources de calcul, la gouvernance d’OpenAI et le rythme de la course vers l’intelligence artificielle générale (AGI).

Les deux camps continuent d’afficher publiquement un partenariat « gagnant-gagnant » mais la rivalité est de plus en plus assumée sur le terrain des modèles et des infrastructures. Microsoft se positionne désormais explicitement comme une alternative aux offres haut de gamme d’OpenAI, mais aussi d’Anthropic.

La doctrine Nadella : ne dépendre de personne

C’est là que se joue l’essentiel. Satya Nadella conseille ouvertement aux entreprises clientes de ne jamais s’enfermer chez un seul fournisseur d’IA et recommande la mise en place d’ « AI gateways » permettant de découpler les usages métiers des modèles sous-jacents.

Une doctrine qui sert évidemment aussi les intérêts commerciaux de Microsoft qui  se positionne comme l’orchestrateur de cette pluralité via Azure.

Le chiffre est éloquent : la plateforme Azure AI héberge désormais plus de 11 000 modèles différents, issus d’OpenAI, d’Anthropic, de Mistral ou encore de xAI, aux côtés de la famille de modèles MAI développée en interne.

Cette stratégie s’accompagne d’un déploiement tous azimuts de la marque Copilot, désormais présente dans plus de quatre-vingts services et applications du groupe ( Office, Windows, Security, Dynamics ) faisant de l’assistant IA le fil conducteur de l’expérience utilisateur Microsoft, quel que soit le modèle qui tourne en back-end.

Le pari du silicium et de l’open-weight

Sur le plan industriel, Microsoft muscle également ses investissements en infrastructure propriétaire. A commencer par ses puces Maya censées offrir un gain d’environ 40 % en efficacité énergétique pour les charges de travail liées à l’IA.

Signe supplémentaire de cette volonté d’ouverture, Satya Nadella a rejoint Elon Musk et Mark Zuckerberg pour afficher son soutien aux modèles à poids ouverts (open-weight) pour favoriser un écosystème IA moins verrouillé, dans lequel le groupe peut jouer un rôle d’agrégateur plutôt que de dépendant.

Cette stratégie de diversification est-elle le signe d’une préparation à un possible refroidissement durable avec OpenAI ou simplement l’expression d’une maturité stratégique classique ? La réponse se dessinera sans doute d’ici 2032, date d’expiration de l’accord qui les lie encore… pour l’instant..

The post Pourquoi Microsoft prend ses distances avec OpenAI appeared first on Silicon.fr.

Pendant longtemps, la cybersécurité a été considérée comme une responsabilité essentiellement technique, portée par les équipes informatiques et les responsables de la sécurité.

Cette vision ne correspond plus à la réalité des organisations d’aujourd’hui.

Les conséquences d’une cyberattaque dépassent désormais largement le périmètre des systèmes d’information : elles affectent la réputation de l’entreprise, sa conformité réglementaire, sa valorisation financière et, parfois même, sa capacité à poursuivre ses activités.

Cette évolution transforme profondément la manière dont les entreprises doivent envisager la responsabilité en matière de cybersécurité. Si les RSSI identifient les risques et proposent des stratégies pour les réduire, ils ne décident ni des budgets, ni des arbitrages métier, ni du niveau de risque que l’organisation est réellement prête à accepter.

La cybersécurité est devenue un sujet de gouvernance autant qu’un sujet technologique.

Affaire Coupang : quand la responsabilité remonte jusqu’à la direction

En décembre dernier, Park Dae-jun, directeur général des opérations sud-coréennes de Coupang, a démissionné. Une fuite de données avait exposé les informations personnelles de près de 34 millions de clients, soit quasiment l’ensemble de la base d’utilisateurs de l’entreprise. Park Dae-jun a déclaré quitter ses fonctions afin d’assumer la « lourde responsabilité » de cette violation de données.

Sa démission est intervenue après que les enquêteurs du gouvernement sud-coréen ont conclu qu’il ne s’agissait ni d’une attaque inédite ni d’un événement impossible à empêcher. Un ancien ingénieur, qui connaissait les faiblesses du système, était simplement revenu par une porte virtuelle que l’entreprise avait oublié de fermer. Les autorités ont qualifié cet incident de défaillance managériale plutôt que technique. La responsabilité a été attribuée au dirigeant de l’entreprise, et non au RSSI.

Autrement dit, cette affaire illustre la manière dont une défaillance peut remonter toute la chaîne hiérarchique jusqu’à engager directement la responsabilité de la direction générale. Dans ce type de situation, le regard du conseil d’administration ne s’arrête plus aux seuls responsables de la sécurité.

Les limites du rôle du RSSI

Pendant des années, les dirigeants ont eu le réflexe de tenir le RSSI pour responsable lorsqu’un incident de sécurité survenait. Après tout, c’est lui qui pilote la stratégie de cybersécurité de l’entreprise. Pourtant, ce raisonnement atteint rapidement ses limites.

Le RSSI ne prend pas les décisions qui déterminent réellement le niveau d’exposition de l’organisation. Il ne définit pas les budgets. Il ne décide pas du niveau de risque que l’entreprise est prête à accepter. Il ne peut pas imposer aux différentes directions métiers d’appliquer des politiques de sécurité lorsque celles-ci poursuivent d’autres priorités. Son rôle consiste à présenter les risques ainsi que les différentes options de réduction au comité de direction. C’est ensuite à celui-ci de décider de la marche à suivre.

Les conséquences d’un incident cyber sont le reflet de ces décisions. Si une organisation sous-investit dans sa cybersécurité, ce n’est pas un échec du RSSI. C’est un choix de gouvernance. Lorsqu’une violation survient, la responsabilité devrait logiquement suivre le pouvoir de décision. Dans la plupart des organisations, ce pouvoir appartient au directeur général.

La défaillance cyber comme faute de gestion

Pendant longtemps, les conseils d’administration ont considéré les violations de données comme un problème informatique. Cela a toujours été une erreur. Et pour beaucoup d’entreprises, cette perception demeure encore aujourd’hui.

Pourtant, lorsque les conséquences financières et réputationnelles deviennent impossibles à contenir, cette distance disparaît. Une fuite touchant des dizaines de millions de clients ne crée pas uniquement un problème juridique : elle dégrade durablement l’image de l’entreprise, influence sa valorisation boursière et attire immédiatement l’attention des autorités de régulation. Toutes ces conséquences relèvent de la responsabilité du dirigeant.

De la même manière que les conseils d’administration posent aujourd’hui davantage de questions avant qu’un incident ne survienne, les régulateurs se montrent désormais beaucoup plus précis après une cyberattaque. Dans les affaires les plus médiatisées, les autorités considèrent de plus en plus les défaillances de cybersécurité non comme un simple manque de chance, mais comme le symptôme possible d’une négligence de gouvernance.

Cette pression redéfinit progressivement les attentes vis-à-vis du rôle du RSSI. Sa mission consiste à fournir à la direction une vision claire des risques ainsi que des arbitrages qu’ils impliquent. Les décisions qui suivent relèvent ensuite de la responsabilité de l’entreprise. Sans impulsion au plus haut niveau, les stratégies de cybersécurité restent souvent au stade des recommandations.

Aligner les bonus des dirigeants sur la sécurité globale

Intégrer cette notion de responsabilité dans le fonctionnement d’une organisation est loin d’être simple et demeure très inégal selon les entreprises. Une grande partie du sujet dépend de la manière dont la performance des dirigeants est évaluée et récompensée.

Lorsque les objectifs du directeur général sont principalement liés à la croissance du chiffre d’affaires et tiennent peu compte des résultats en matière de cybersécurité, cela influence naturellement les priorités de toute l’organisation.

Dans les rares entreprises où la responsabilité cyber est clairement intégrée à la gouvernance, le changement commence généralement par les attentes fixées à la direction plutôt que par des mesures techniques. Les conseils d’administration ne pilotent pas les opérations de sécurité au quotidien, mais leur influence s’exerce à travers la façon dont les risques sont discutés, les arbitrages évalués et les actions attendues de la direction dans la durée.

L’enjeu n’est pas tant de désigner un coupable que de clarifier où se situe la responsabilité ultime lorsque des risques connus ne sont pas traités.

Lorsqu’une enquête gouvernementale conclut qu’une violation de données majeure résulte avant tout d’une défaillance de gouvernance, et qu’un directeur général démissionne pour en assumer la responsabilité, cela traduit une évolution discrète mais profonde de la manière dont les responsabilités sont désormais attribuées. Dans ces situations, il devient évident qu’un problème de gouvernance ne peut être résolu par une simple correction technique, ni être porté par la seule fonction sécurité.

Le vrai rôle de la direction générale

Les organisations changent rarement parce que les risques sont bien compris. Elles évoluent généralement lorsque les conséquences de leurs décisions deviennent impossibles à ignorer. En cybersécurité, ce lien reste encore l’exception plus que la règle. Mais lors des incidents les plus graves, il devient de plus en plus difficile de l’éluder. La pression réglementaire, les réactions des marchés et l’attention du public convergent désormais de plus en plus vers la direction générale.

L’évolution des menaces, le renforcement des exigences réglementaires et l’impact financier croissant des cyberincidents rendent cette clarification indispensable. Le rôle du RSSI n’est pas d’assumer seul le risque cyber de l’organisation, mais de fournir à la direction la visibilité nécessaire pour prendre des décisions éclairées.

La véritable question n’est donc plus de savoir qui sera tenu responsable après une cyberattaque, mais comment les entreprises organisent aujourd’hui le partage de cette responsabilité. Car lorsqu’un risque devient stratégique pour l’activité de l’entreprise, sa gouvernance doit, elle aussi, devenir stratégique.

*John Kindervag est Chief Evangelist chez Illumio

Photo : © DR

The post Le RSSI ne décide pas du risque que l’entreprise accepte appeared first on Silicon.fr.

Pendant plusieurs années, la croissance du cloud public reposait principalement sur la migration des applications et des infrastructures d’entreprise.

Les derniers résultats trimestriels d’Amazon, de Microsoft et d’Alphabet montrent que le moteur a changé. L’IA générative est devenue le principal facteur de consommation de ressources cloud, qu’il s’agisse de l’entraînement des modèles, de leur inférence ou de l’exécution d’agents IA.

Mais si les trois hyperscalers affichent une accélération de leur activité cloud, leur trajectoire sont différentes. Microsoft conserve la croissance la plus élevée, AWS retrouve un rythme qu’il n’avait plus connu depuis plusieurs années et Google Cloud poursuit sa progression en s’appuyant sur l’adoption de Gemini et de Vertex AI.

AWS retrouve une croissance de près de 40 %

Amazon Web Services enregistre un chiffre d’affaires trimestriel de 42,2 milliards $, en progression de 37 % sur un an. Il s’agit de sa croissance la plus élevée enregistrée depuis plusieurs années.

Pour Andy Jassy, le patron d’Amazon, cette accélération est directement liée aux investissements des entreprises dans l’IA générative. Le groupe met notamment en avant la progression de l’adoption d’Amazon Bedrock, la demande pour ses puces Trainium ainsi que l’utilisation croissante des infrastructures GPU destinées à l’inférence.

Le successeur de Jeff Bezos indique également que la demande dépasse encore les capacités actuellement disponibles. Et d’affirmer qu’une partie des capacités de calcul prévues pour 2027 est déjà réservée par des clients.

Pour soutenir cette demande, Amazon prévoit désormais 220 milliards $ de dépenses d’investissement en 2026, principalement consacrées au développement de nouveaux datacenters et de capacités de calcul destinées à l’IA.

Azure maintient la dynamique la plus forte

Microsoft conserve la croissance cloud la plus élevée parmi les grands hyperscalers.

Azure affiche une progression de 43 % sur un an tandis que l’ensemble de l’activité Microsoft Cloud atteint 59,3 milliards $ de chiffre d’affaires trimestriel, en hausse de 27 %.

Le groupe attribue cette performance à la diffusion croissante de ses offres d’IA, notamment Azure AI et Microsoft 365 Copilot. Microsoft indique désormais compter plus de 30 millions d’utilisateurs payants de Microsoft 365 Copilot.

Autre indicateur mis en avant : Azure génère désormais plus de 100 milliards $ de chiffre d’affaires annuel, confirmant le changement d’échelle de la plateforme.

Malgré l’ampleur des investissements réalisés dans les infrastructures IA, Microsoft maintient son programme de dépenses d’investissement de 175 milliards $ pour l’exercice 2026.

Google Cloud poursuit son accélération

Google Cloud confirme également une nette accélération de sa croissance. Pour son deuxième trimestre fiscal, la division a généré 24,8 milliards $ de chiffre d’affaires, en hausse de 82 % sur un an. Son résultat opérationnel atteint 8,8 milliards $, contre 2,8 milliards un an plus tôt, tandis que son carnet de commandes progresse à 514 milliards $.

Le groupe met notamment en avant l’adoption de Gemini Enterprise, désormais utilisé par près de 90 % des entreprises du Fortune 100, ainsi que la progression de Vertex AI et des infrastructures Google Cloud Platform (GCP) dédiées à l’IA.

Alphabet a relevé ses prévisions pour 2026 et prévoit désormais des dépenses d’investissement comprises entre 195 et 205 milliards $ principalement destinées au développement de ses centres de données et de ses infrastructures de calcul pour l’IA.

Ce trimestre confirme le changement d’échelle de Google Cloud. Longtemps distancé par AWS et Azure, le troisième hyperscaler mondial affiche désormais la croissance la plus rapide du marché.

Une compétition qui se déplace vers la capacité d’exécution

Les trois fournisseurs soutiennent que la capacité de calcul devient un facteur de différenciation aussi important que les modèles d’IA eux-mêmes. Leurs performances illustrent cette évolution : le cloud devient la plateforme d’exécution de l’IA d’entreprise, combinant puissance de calcul, modèles de langage, outils de développement, services d’inférence et applications

Pour les DSI, cette évolution pourrait avoir des conséquences directes sur la planification des projets IA. Les capacités disponibles, les délais de mise à disposition des ressources ou encore les engagements contractuels avec les fournisseurs cloud pourraient devenir des critères de sélection aussi importants que les fonctionnalités des plateformes.

The post AWS, Azure, Google Cloud : l’IA accélère leur croissance et relance la compétition appeared first on Silicon.fr.

C’est une annonce qui traduit l’urgence ressentie à Bruxelles. La Commission européenne a officiellement lancé, ce 30 juillet, un appel d’offres pour la construction de sept usines géantes consacrées à l’intelligence artificielle, dotées d’une enveloppe publique de 10 milliards d’euros (11,5 milliards $).

Un montant que l’exécutif européen espère voir démultiplié par les investisseurs privés, avec un objectif d’au moins 20 milliards € supplémentaires apportés par le secteur privé.

De cinq à sept projets

Signe de l’appétit suscité par le projet auprès des États membres, le nombre de gigafactories prévues est passé de cinq à sept, la Commission ayant reçu un intérêt jugé « fort » de la part des pays de l’Union.

Ces installations combineront processeurs d’IA de pointe, logiciels, technologies cloud, connectivité à très haut débit et centres de données. Elles viendront s’ajouter aux 19 « AI factories » déjà existantes dans différents pays du bloc.

Pour la commissaire européenne chargée de la technologie, Henna Virkkunen, l’enjeu dépasse la simple compétition industrielle : « L’accès à la puissance de calcul brute au sein des gigafactories d’IA est une nécessité stratégique pour l’Europe, alors que le développement de l’IA s’accélère. »

Le message est clair : l’Union entend combler son retard technologique face aux États-Unis et à la Chine, qui dominent largement la course aux infrastructures d’intelligence artificielle.

L’appel d’offres est ouvert à des consortiums ou véhicules d’investissement dédiés (special purpose vehicles), réunissant fournisseurs de technologies, prestataires de services cloud, entités publiques et investisseurs.

Un enjeu de souveraineté technologique

Le calendrier fixé par Bruxelles est le suivant : clôture de l’appel à candidatures le 12 novembre 2026, annonce des lauréats début 2027 puis mise en service des installations dans les 18 mois suivant la signature des contrats.

Le projet se déroulera en deux phases : une première consacrée à l’établissement des sites, une seconde à leur montée en puissance.

Côté fournisseurs, trois poids lourds américains du secteur des puces ont d’ores et déjà manifesté leur intérêt : AMD, Nvidia et Qualcomm ont signé des lettres d’intention avec la Commission pour fournir des processeurs aux groupements impliqués dans les projets de gigafactories.

La France s’est engagée à acquérir pour 100 millions € de capacités de calcul auprès du projet qui sera retenu sur son territoire. Cette capacité sera destinée à couvrir les besoins futurs des administrations publiques, notamment ceux de la recherche et des établissements de santé.

Prévu à l’horizon 2027, cet engagement concerne l’achat de capacités auprès d’opérateurs privés. Il est distinct des investissements que l’État poursuit parallèlement pour développer ses propres infrastructures de calcul.

The post L’UE mise 10 milliards € sur sept « gigafactories » de l’IA appeared first on Silicon.fr.

Près de deux mois après le bouclage financier de l’opération, Neverhack officialise une levée de fonds de 11 millions € auprès de ses actionnaires institutionnels Carlyle et IK Partners.

Fondé en juillet 2021, Neverhack se positionne sur le terrain de la cyberdéfense souveraine en associant expertise opérationnelle, services managés et IA de cybersécurité. Et revendique plus de 1200 collaborateurs répartis dans 12 pays pour un chiffre d’affaires de 220 millions €.

Avec ces capitaux fraîchement injectés, Neverhack prévoit notamment de concevoir une offre d’IA cyber souveraine et de déployer des infrastructures dédiées à la protection des données stratégiques en renforçant ses capacités GPU en France, en Italie et en Estonie. Un programme de formation à destination des équipes techniques et commerciales complète ce dispositif.

En parallèle, sa gouvernance évolue. Arthur Bataille, fondateur et deuxième actionnaire du groupe, abandonne la direction opérationnelle pour devenir Executive Chairman chargé de piloter la vision stratégique.

C’est Frédéric Sarrailh qui assurera la direction générale du groupe. Il avait précédemment occupé les fonctions de  « VP Technology & Services »  puis « Managing Director Northern Europe ».

Rappelons que Nerverhack, ex Pr0ph3cy, est né du rapprochement de Silicom et Seela, puis de l’acquisition de Opencyber et Harmonie Technologie.

Contrôlé depuis juillet 2023 par le fonds Carlyle Europe Technology Partners (CETP) qui a investi 100 millions € contre 55% du capital, Neverhack veut proposer un « guiche unique » de solutions de cybersécurité pour des clients grands comptes et ETI.

En février 2004, Neverhack  avait racheté Expert Line e un cabinet de conseil et de services cyber mais aussi opérateur de SOC avant de jeter son dévolu quelques mois plus tard sur Innovery, une ESN italienne.

The post Neverhack lève 11 millions € pour accélérer sur l’IA et la cyber souveraine appeared first on Silicon.fr.

Wavestone accélère la mise en œuvre de son plan stratégique « Lead the shift ». Le cabinet de conseil français, coté depuis 2000, a bouclé l’acquisition d’AI Builders.

Spécialisé dans la stratégie IA & data, AI Builders a vu le jour en 2019. Depuis, le cabinet accompagne les directions générales, les Chief Data Officers et les Chief AI Officers dans leurs arbitrages stratégiques. Il aide ainsi ses clients à définir leur feuille de route IA. Il structure aussi leurs Data Offices et pilote leurs projets par la valeur créée.

Wavestone présente cette expertise comme complémentaire à la sienne. En effet, le groupe se concentre plutôt sur l’industrialisation et le déploiement à grande échelle de transformations complexes.

AI Builders emploie une cinquantaine de consultants. Par ailleurs, le cabinet vise pour 2026 un chiffre d’affaires de 10,3 millions €. Sa marge d’EBITDA ajusté atteint 15 %. Si les chiffres restent modestes, ils positionnent le cabinet comme un acteur rentable sur un segment de niche à forte valeur ajoutée.

Wavestone a réglé l’intégralité des 19,3 millions € de l’opération en numéraire, sur ses fonds propres. AI Builders rejoindra les comptes du groupe dès le 1ᵉʳ août 2026..

Le nouvel actif s’inscrit pleinement dans son plan stratégique « Lead the shift » qui fait de l’IA l’un de ses principaux relais de croissance à l’horizon 2030.

Illustration : © DR

The post Wavestone renforce son offre en IA en s’offrant AI Builders appeared first on Silicon.fr.

HAWK n’est plus candidat à la standardisation NIST.

L’équipe à l’origine de cet algorithme de signature vient de le retirer de la compétition. En toile de fond, la découverte d’une faiblesse mathématique qui diminue de près de moitié la « taille effective » des clés. Elle exploite une symétrie – dite automorphisme – dans le réseau de treillis, permettant une énumération plus rapide.

Il aura fallu à Claude Mythos environ 60 heures – et 100 000 $ de coûts d’API – pour développer une attaque de bout en bout. Un chercheur expérimenté en théorie informatique – mais pas spécialiste de la cryptographie – a orchestré la « gestion de projet ». Par exemple, expliquer au modèle comment garder trace de ses idées ou quelles bibliothèques utiliser.

Anthropic livre une implémentation de référence, avec une commande unique et des checkpoints. Elle permet de récupérer une clé HAWK-256 en un peu moins de 4 heures sur un serveurs à 96 cœurs Sapphire Rapids.

Une méthode « naïve » consisterait à utiliser des clés deux fois plus longues pour compenser cette vulnérabilité. Elle rendrait toutefois l’algo bien moins compétitif. En l’état, la génération et la vérification de signatures HAWK-512 sont censées prendre moins de 0,1 ms sur un PC de bureau standard. L’implémentation optimisée mémoire consomme 14 kiB de RAM.

À consulter en complément :

Quelques solutions françaises pour amorcer la transition post-quantique
En froid, GPG et OpenPGP avancent séparément sur la cryptographie post-quantique
Comment Anthropic est passé de Claude Mythos à Claude Fable

Illustration principale © Siarhei – Adobe Stock

The post Claude Mythos met à mal un algorithme post-quantique appeared first on Silicon.fr.

Avec les attaques agentiques, le travail forensique prend une autre dimension.

L’évidence trouve une illustration dans le récit de Hugging Face.

Mi-juillet, l’entreprise avait révélé avoir subi une telle attaque. Elle en avait tracé les grandes lignes : exploitation de son pipeline de traitement de datasets pour exécuter du code sur un de ses pods, obtention d’un accès de niveau nœud, récupération d’authentifiants et latéralisation sur d’autres clusters, etc.

Quelques jours plus tard, OpenAI avait admis être à la source de l’incident. Plusieurs de ses modèles, mis à l’épreuve sur une suite de tests visant à mesurer leurs capacités d’exploitation de vulnérabilités, avaient choisi de tricher et s’étaient dit qu’ils pourraient trouver des solutions… chez Hugging Face. Pour atteindre leur cible, ils se sont échappés de leur sandbox grâce à une 0-day dans un logiciel tiers qui servait de cache proxy pour installer des packages. S’en est suivie une série d’élévations de privilèges et de mouvements latéraux sur l’infra de test d’OpenAI, jusqu’à atteindre un nœud qui avait accès à Internet.

La base d’opérations : une sandbox Modal non sécurisée

Hugging Face en dit désormais plus sur ce qui s’est passé par après.

L’agent a d’abord trouvé un endpoint public non sécurisé qui pointait vers une infrastructure tierce elle aussi destinée à expérimenter les capacités cyber des LLM. En l’occurrence, des sandbox Modal. Sur cet environnement, il a détourné un harnais permettant de tester du code C contre des programmes cibles. Il a utilisé deux techniques injectant des commandes système respectivement dans des fonctions et dans des métadonnées. L’ensemble lui a permis d’obtenir un accès root dans la sandbox.

Le point d’ancrage interne : un pod de conversion

Depuis là, pour pénétrer l’infra de Hugging Face, l’agent a d’abord tenté un SSRF. Mais il s’est heurté à une liste d’autorisations. Pour la contourner, il a forcé le serveur à interagir avec ses ressources locales plutôt que d’aller chercher des ressources externes.

Cela a ouvert la voie à l’exploitation du pipeline de traitement des datasets. Via deux vecteurs visant chacun le chargeur de configurations.

L’un a impliqué un dataset malveillant qui ciblait des fichiers au format HDF5. Ceux-ci déclaraient que leurs données brutes se trouvaient dans un chemin local du système de fichiers du worker. L’agent a pu, par ce biais, récupérer les variables d’environnement – dont des secrets. Ainsi que le code source dudit worker ; ce qui lui a donné la carte du fonctionnement interne.

L’autre vecteur est une vulnérabilité dans le moteur de rendu. Elle a permis l’injection d’un template Jinja2, avec une expression à la place d’un champ numérique. Au final, l’agent a pu remonter l’arbre d’objets Python jusqu’à la fonction lui permettant d’exécuter du code arbitraire dans un pod de conversion sur le cluster de production. Ce pod a servi de point d’ancrage dans le réseau interne.

L’identité d’un nœud usurpée pour cartographier l’environnement

Avant de commencer à exécuter des commandes depuis sa sandbox externe, l’agent a sélectionné des services publics légitimes pour constituer son infrastructure de commande et de contrôle : capture de requêtes HTTP, pastebins, hébergeurs de fichiers, etc.

Le gros de l’activité est intervenue le surlendemain (11 juillet). Depuis son pod, l’agent a notamment contacté le service de métadonnées d’AWS pour récupérer des identifiants IAM associés au serveur. Pour contourner les éventuels blocages DNS, il a réécrit à la volée un module en mémoire afin de forcer la résolution d’un nom de domaine vers une IP spécifique.

Des identifiants temporaires récupérés sur le service de métadonnées d’AWS ont permis d’usurper l’identité du nœud auprès de l’API Kubernetes. Et ainsi de cartographier l’environnement cloud de Hugging Face (VPC, clusters EKS, passerelles…).

L’agent a créé des pods à privilèges pour remonter sur les hôtes

Ayant récupéré un jeton d’accès Git avec des droits en écriture, l’agent a cloné un dépôt de datasets sur une branche latérale qu’il avait créée au préalable pour éviter de se faire repérer immédiatement. Il a ainsi constitué une zone de transit pour stocker des données exfiltrées et recevoir des instructions.

L’agent a ensuite déployé un pod privilégié dans lequel il a monté le système de fichiers de la machine hôte. Aucune règle de sécurité ne l’interdisait. Cela lui a permis de sauter du pod vers l’OS du nœud hôte. De cette façon, il a étendu son emprise à une dizaine de nœuds. Et a configuré un mécanisme de régénération automatique de flotte.

Parmi les secrets dérobés, il y avait un mot de passe statique qui a permis de se connecter à la base MongoDB du serveur de datasets. L’agent y a lu des données, sans réaliser d’exfiltration massive (il a tenté de cibler le magasin d’identifiants et les clés de chiffrement du cluster).

Une montange de secrets… dont une clé VPN

L’élément crucial fut l’accès à un objet contenant 136 secrets. Les privilèges root et la capacité à fabriquer des jetons de compte de service ont permis cet accès. Parmi les identifiants, la clé d’authentification du maillage VPN et les identifiants du broker.

La clé VPN a servi à enregistrer le nœud compromis au sein du mesh corporate. Il a alors fait office de proxy HTTPS pour interagir avec les services internes et les outils de gestion du code source. Parallèlement, l’agent a interrogé l’annuaire du cluster pour obtenir l’adresse IP de l’API du connecteur de services internes. Il a récupéré le catalogue du broker (URL de connexion et certificats des clusters internes gérés par ce broker). Et tiré parti du fait qu’un même identifiant de connecteur, doté des droits cluster-admin, était réutilisé partout.

Un accès aux sous-réseaux CI

Au quatrième jour, la clé VPN a permis de connecter des appareils au réseau depuis la sandbox externe. Celle-ci ne disposant pas de périphérique réseau virtuel, l’agent a lancé Tailscale en mémoire utilisateur, en l’associant à un proxy SOCKS local.

La clé donnait aussi accès aux sous-réseaux CI. L’agent a détourné une application GitHub interne pour tenter de récupérer, via un PR malveillant, le jeton de compte de service d’un exécuteur. Les politiques en place ont bloqué l’exécution.

De même, la tentative d’utiliser l’accès IAM natif d’AWS pour s’attaquer à la base de données de production du Hub Hugging Face a échoué. Le cluster n’acceptait que du trafic issu d’IP autorisées sur une liaison privée.

Un protocole de messagerie sur mesure et une agilité face aux coupures réseau

Au cinquième jour, l’agent a entrepris d’automatiser un peu plus les opérations au niveau de la sandbox externe. Il a injecté un script qui, à chaque nouveau test, téléchargeait et exécutait automatiquement du code malveillant depuis un pastebin.

Face aux coupures réseau, il a recouru plusieurs techniques. Parmi elles, forcer l’utilisation des DNS Google, ajouter manuellement des adresses IP dans le fichier hosts et acheminé des binaires à travers un espace Hugging Face configuré avec un proxy CORS ouvert.

Pour maintenir un canal C2 robuste, l’agent a créé son propre protocole de messagerie, séparé du moyen de transport. Il était interchangeable sur n’importe quel support texte (requêtes HTTP, commits de datasets, messages d’erreur système…). Chaque message transportait sa charge utile accompagnée de métadonnées (actions à exécuter, regroupement et séquençage des flux, somme de contrôle…).

Entre le 9 et le 13 juillet, l’agent aura réalisé environ 17 600 actions automatisées. Dont beaucoup de tentatives avortées… qui ont engendré autant de bruit au milieu duquel se sont dissimulés les indicateurs fondamentaux.

Illustration générée par IA

The post « 17 600 actions automatisées » : comment l’attaque agentique contre Hugging Face s’est articulée appeared first on Silicon.fr.

L’intelligence artificielle agentique marque une nouvelle étape dans l’évolution des systèmes numériques.

D’après une étude récente de KPMG, les agents s’intègrent désormais comme de véritables coéquipiers pour gérer des tâches opérationnelles clés, offrant de nouvelles opportunités d’automatisation et d’efficacité. Ils peuvent analyser des informations, prendre des décisions et interagir avec des applications ou des données sans intervention humaine constante.

Néanmoins, cette autonomie croissante soulève également de nouveaux enjeux de sécurité. Les entreprises doivent pouvoir identifier, contrôler et surveiller leurs agents au même titre qu’un utilisateur humain.

Dans ce contexte, où existe un fort lien entre potentiel de l’IA et grande autonomie, les principes historiques du Zero Trust restent pertinents et forment un cadre essentiel pour l’usage des agents IA.

La déclinaison de ces principes impose de doter chaque agent d’une identité vérifiable, d’un niveau d’accès adapté et d’un comportement conforme aux politiques de sécurité définies. L’application du Zero Trust aux environnements agentiques permet alors d’exploiter pleinement le potentiel de l’IA tout en limitant les risques liés à son autonomie.

Donner une identité aux agents, une condition essentielle du Zero Trust

L’extension des principes Zero Trust aux agents nécessite avant tout que ces derniers disposent d’une identité. Comme pour les utilisateurs humains, les entreprises doivent connaître précisément l’agent qui agit, pour le compte de quel utilisateur et le contexte de la réalisation d’une action.

Anthropic recommande l’utilisation de certificats numériques pour la vérification d’identité et du protocole TLS mutuel pour l’authentification. Cependant, cette solution présente des inconvénients. De nombreux agents développés ou téléchargés par les entreprises ne peuvent gérer des certificats.

De plus, le protocole TLS mutuel risque d’entraver l’interception du trafic des agents pour vérifier le respect des politiques de sécurité en place. Les organisations cherchent à disposer d’une identité fiable permettant d’associer l’agent à l’utilisateur humain qui s’en sert. Cette identité fusionnée s’avère essentielle pour créer des politiques mettant en œuvre des systèmes de contrôle précis. Les développeurs ne doivent pas créer, stocker ni partager de jetons d’accès entre les agents, car ils représentent une cible particulièrement vulnérable en cas d’attaque.

Sitôt une base d’identité solide en place, une stratégie Zero Trust peut définir le niveau d’accès approprié selon les ressources concernées. Anthropic fait référence au principe de « capacité d’action minimale » (« least agency ») de l’OWASP, qui correspond au principe du moindre privilège appliqué aux agents. Un agent ne doit donc disposer que des capacités strictement nécessaires à son fonctionnement et ne pouvoir effectuer que les actions correspondant à son rôle et à son objectif.

L’application de ce principe se fait notamment grâce aux contrôles d’accès basés sur les rôles et sur le contexte. Les politiques de sécurité peuvent associer les identités des agents à des rôles et définir précisément les conditions autorisées pour chaque accès : heure, localisation, niveau de confidentialité, score de risque, instance applicative utilisée ou encore caractéristiques de la ressource demandée. Cette approche permet de limiter les possibilités d’action des agents et d’éviter qu’un agent compromis ou mal utilisé puisse accéder à des ressources qui ne correspondent pas à son usage prévu.

La visibilité et les contrôles d’accès comme premier rempart

En l’absence de pratiques DevSecOps bien établies, la majorité des entreprises doit acquérir une visibilité sur l’ensemble de leur environnement d’IA et mettre en place des systèmes de contrôle efficaces. De plus, l’usage sécurisé de l’IA agentique passe par l’ajout d’une couche de politiques et de gouvernance régissant l’utilisation de cette IA et les interactions de ses agents.

Les stratégies Zero Trust partent du principe que les entreprises connaissent l’ensemble de leurs ressources, systèmes et données. Depuis la généralisation de l’IA, cette idée perd en pertinence, d’où le complément indispensable que représente l’inspection en transit.

Elle permet d’identifier de façon continue les serveurs et clients MCP utilisés ainsi que leurs principales caractéristiques. Elle facilite également l’attribution de scores de risque aux serveurs MCP publics afin d’identifier les outils d’IA et les intégrations qui présentent les plus grands risques en matière de sécurité et de conformité.

La visibilité ne se limite toutefois pas à la détection. Le livre d’Anthropic rappelle par exemple que les contrôles d’accès empêchent les actions non autorisées, mais qu’une surveillance continue reste essentielle pour comprendre les événements détectés et déterminer si l’activité des agents paraît normale ou suspecte.

Comme cela se fait déjà pour les utilisateurs humains, leurs utilisateurs peuvent désormais définir un comportement de référence pour les agents, puis détecter les anomalies ou les signes de dysfonctionnement afin d’adapter les politiques de contrôle.

Vérifier l’intention des agents pour empêcher les abus

Il existe toujours un risque qu’un agent se comporte de manière imprévisible, avec comme potentielles conséquences d’importants préjudices. Dans l’approche Zero Trust généralisée à l’IA, toute action doit partir du principe que des acteurs malveillants exploitent déjà une faille.

Les entreprises utilisant l’IA doivent donc détecter et surveiller le trafic entre les serveurs MCP, les clients, les fonctions, les hôtes, les sources de données et les outils de développement. En parallèle, elles gardent à l’esprit le trafic interne à tous ces éléments, tout en enregistrant les événements MCP, notamment les sessions, les requêtes, les réponses de fonctions et les déploiements.

Un aspect parfois négligé des stratégies Zero Trust consiste à identifier la raison pour laquelle une personne ou un agent agit d’une certaine manière ou possède l’autorisation de le faire. Évaluer l’intention de chaque agent doit devenir une étape obligatoire dans toute stratégie Zero Trust. Cela nécessite de filtrer les données exploitées par les agents, car ceux-ci ne peuvent pas faire la distinction entre des instructions légitimes et des commandes malveillantes.

Les dispositifs de contrôle automatiques fournissent ainsi une couche de défense supplémentaire en analysant le trafic en temps réel, afin de neutraliser les attaques par injection de prompt, le « jailbreaking » ou les tentatives d’exfiltration de données. Ils permettent également de modérer les contenus et de bloquer la diffusion de ceux soumis à des contraintes de propriété intellectuelle.

À mesure que les agents gagnent en autonomie, cette capacité à contrôler leur identité, leurs accès et leurs intentions devient donc un élément central de toute stratégie de sécurité. Même avec l’ajout de celui-ci, le cœur de l’approche Zero Trust reste que les bonnes personnes et les bons agents disposent du bon niveau d’accès aux bonnes ressources, au bon moment et pour les bonnes raisons.

*Steve Riley est Field CTO chez Netskope

Photo : © DR

The post Le Zero Trust à l’ère des agents : une approche dépassée ? appeared first on Silicon.fr.

The post Vent de révolte contre Anthropic dans la Silicon Valley appeared first on Silicon.fr.

MCP est désormais un protocole sans état… et sans session. La dernière version de la spec (2026-07-28) entérine ce changement majeur.

Initialement, il était plutôt envisagé que MCP devienne stateless par défaut, avec le stateful en option de dernier ressort. Ce schéma de coexistence n’a pas été retenu, au motif qu’il aurait largement accru la complexité du protocole. Clients et serveurs auraient eu à maintenir des logiques séparées, avec une surface de bugs d’autant plus grande. Quant à l’idée de réintroduire les sessions sous une autre forme, elle a aussi été abandonnée… au motif que les applications existantes implémentaient déjà mal le concept.

Quiconque souhaite continuer à utiliser des sessions doit donc épingler son serveur MCP sur la version précédente de la spec (2025-11-25). Elle restera prise en charge encore au moins 12 mois.

Du sessionless au niveau protocole…

Dans le paradigme stateless, chaque requête est indépendante, interprétable de manière isolée. Cela favorise l’élasticité et la fiabilité. En tout cas par rapport au paradigme stateful.

Ce dernier implique un handshake initial qui établit un état persistant. Une session client étant liée à l’instance de serveur contenant cet état, il en découle l’impossibilité d’utiliser un load balancer stateless simple (type round-robin L4/L7). À moins d’implémenter des mécanismes qui ajoutent de la complexité, comme l’affinité de session.

Sur le sujet de la fiabilité, le modèle stateful implique qu’en cas de panne de l’instance serveur gérant une session, on perd l’état. Le client doit alors détecter la panne, réétablir une connexion et refaire toute la négociation.

L’approche stateful suppose aussi d’implémenter, côté client et serveur, une logique de gestion de cycle de vie.

Le modèle stateless est censé abaisser ces barrières à l’entrée. Il dégroupe des opérations jusque-là gérées en bloc lors du handshake. En particulier, la négociation de version de protocole et la découverte de capacités. Elles se font désormais au niveau des requêtes, à travers l’objet _meta, avec des endpoints spécifiques.

… et au niveau application

Le passage au stateless et au sessionless a exigé des travaux sur de nombreux composants annexes de MCP. Par exemple les tâches. Ce mode d’exécution alternatif, utile pour représenter notamment, les opérations de batch, avait été intégré dans la spec 2025-11-25. Avec la nouvelle version, il sort du cœur du protocole et devient une extension officielle.

Il a aussi fallu instaurer une alternative aux sessions pour la gestion d’état au niveau des applications. La solution retenue se fonde sur des identifiants explicites générés côté serveur et transmis en tant qu’arguments. Plusieurs éléments ont dû être clarifiés dans ce cadre, comme l’absence de mécanisme natif pour communiquer le TTL de ces identifiants ou le risque de production d’états orphelins en cas de compression du contexte.

Du stateless également pour les demandes d’informations supplémentaires par les serveurs

Entre autres changements majeurs, la spec 2026-07-28 introduit aussi le pattern MRTR (Multi Round-Trip Requests) comme moyen, pour les serveurs, de signaler qu’il leur faut des informations supplémentaires pour traiter une requête. Son principale avantage : pas besoin de couche de stockage partagée entre instances de serveurs, ni de load balancer stateful.

Il y a également des avancées sur la partie autorisation (la plus coûteuse en effort d’intégration). En particulier, l’adoption de CIMD (Client ID Metadata Documents) à la place de DCR (Dynamic Client Registration), qui reste pour le moment pris en charge pour la rétrocompatibilité. Les authentifiants clients sont en outre désormais liés à leur émetteur : on ne peut plus les réutiliser entre serveurs d’autorisation.

Tous les SDK de premier niveau (TypeScript, Python, Go, C#) gèrent la nouvelle spec. Le SDK Rust aussi, mais en bêta.

Illustration principale générée par IA

The post MCP devient un protocole sans état… et sans session appeared first on Silicon.fr.

Microsoft AI a dévoilé MAI-Cyber-1-Flash, son premier modèle d’IA spécifiquement conçu pour la cybersécurité.

L’éditeur le décrit comme un système spécialisé dérivé de sa famille MAI-Thinking-1 et destiné à traiter les tâches répétitives de la chaîne de sécurité avant de laisser les cas les plus complexes à des modèles plus puissants.

MAI-Thinking-1 s’inscrit dans la nouvelle génération de modèles maison de Microsoft AI, avec une approche clairement orientée vers le raisonnement. Soit un modèle de taille intermédiaire, capable d’activer seulement une partie de ses paramètres selon la tâche pour préserver le rapport entre performances et coût d’inférence.

Microsoft affirme l’avoir « entraîné from scratch » sur des données propriétaires, sans distillation depuis des modèles tiers. Un choix  qui souligne la volonté du groupe de reprendre la main sur sa pile IA, en privilégiant des modèles internes optimisés pour ses usages professionnels, qu’il s’agisse de raisonnement, d’agents ou de tâches de code.

Dans cette logique, MAI-Thinking-1 apparaît moins comme un concurrent frontal des grands modèles généralistes que comme une brique fondatrice de l’écosystème Microsoft AI, dirigé par Mustafa Suleyman.

MDASH, le moteur opérationnel

Le lancement de MAI-Cyber-1-Flash s’inscrit dans la montée en puissance de MDASH, le système multi-modèles de Microsoft pour la détection de vulnérabilités. L’objectif est d’orchestrer plusieurs agents spécialisés pour couvrir un flux complet allant de la découverte à la validation, puis à la correction des failles.

Selon Microsoft, MAI-Cyber-1-Flash prend en charge jusqu’à 90% des tâches de MDASH, ce qui permet de réserver les modèles plus coûteux aux cas les plus difficiles.

Selon les résultats du benchmark de CyberGym communiqués, la combinaison MDASH + MAI-Cyber-1-Flash atteint 95,95% dans certaines évaluations, et jusqu’à 96%*lorsque les cas les plus complexes sont traités avec l’ensemble de la chaîne incluant GPT-5.4.

Ces chiffres servent un message simple : l’IA ne se contente plus d’assister l’analyste, elle commence à absorber une partie du travail d’expertise technique. Microsoft pousse ainsi un modèle de défense “AI speed”, où la machine ne se limite pas au tri d’alertes mais intervient aussi dans l’analyse approfondie du code et l’élaboration de correctifs.

Ce que cela change pour les analystes SOC

Pour les analystes SOC, MDASH marque moins une rupture qu’un basculement du centre de gravité. En automatisant une partie du tri, de la détection et de la remédiation, Microsoft s’attaque aux tâches les plus répétitives et les plus chronophages du métier, celles qui saturent les équipes de première ligne.

À terme, cela pourrait réduire la pression sur les volumes d’alertes, mais aussi accélérer l’exigence de montée en compétence des profils juniors, dont le rôle se déplacera vers la validation, l’investigation et la qualification fine des incidents.

Le SOC ne disparaît pas avec l’IA mais il se polarise entre exécution industrialisée et analyse à forte valeur ajoutée, avec un humain davantage placé en surplomb dans une logique de supervision et d’arbitrage.

Une stratégie « très Microsoft »

Ce lancement illustre la volonté d’intégrer davantage l’IA au cœur de la pile de sécurité Microsoft, plutôt que de laisser les usages cyber se répartir entre outils tiers.

Microsoft cherche à faire converger ses modèles spécialisés, sa plateforme Defender et les workflows de remédiation dans un ensemble plus cohérent, automatisé et nettement plus économique en coûts d’inférence

Pour le marché, le signal est important. Microsoft n’essaie pas seulement de démontrer que son IA sait trouver des failles mais qu’elle peut industrialiser une partie du cycle de sécurité, de la détection à la correction, tout en gardant l’opérateur humain dans la boucle pour les arbitrages critiques.

The post Microsoft lance MAI-Cyber-1-Flash et pousse l’IA au cœur du SOC appeared first on Silicon.fr.

À une échelle de quasiment 3000 milliards de paramètres et près de 1000 experts, il faut repenser la circulation de l’information.

Ce chantier a guidé le développement du dernier flagship open-weight de Moonshot AI : Kimi K3. Il s’est décliné sur trois dimensions : longueur de séquence, profondeur de réseau et largeur de modèle.

Sur le premier aspect, Moonshot AI a exploité un mécanisme d’attention hybride. Il entrelace, à raison de 3 pour 1, des couches KDA (Kimi Delta Attention) et MLA (Multi-head Latent Attention). Les unes exploitent un état récurrent de taille constante pour limiter l’empreinte mémoire. Les autres permettent de maintenir le contexte global.

Le mécanisme dit Attention Residuals agit sur le deuxième aspect. Il remplace la connexion résiduelle classique en permettant à chaque couche de récupérer et pondérer de manière sélective les représentations issues de l’ensemble des blocs précédents.

Stable LatentMoE intervient sur le troisième aspect. Comm son nom l’indique, il stabilise l’entraînement à l’échelle des 896 experts de Kimi K3. Son rôle : équilibrer la charge, pour éviter que certains soient sous-utilisés ou surutilisés. En complément, plutôt que de faire passer la totalité de la dimension cachée à travers chacun des 16 experts que sélectionne chaque token, l’architecture les compresse dans un espace latent de plus faible dimension où les experts effectuent leurs calculs. Les sorties sont ensuite réétendues vers la dimension d’origine.

Des microVM pour tenir le million de tokens

Le post-entraînement a combiné fine-tuning supervisé, apprentissage par renforcement et distillation. La fenêtre de contexte a été progressivement étendue, jusqu’au million de tokens.

Pour gérer le parallélisme des experts, Moonshot AI a développé sa propre bibliothèque. Elle exploite notamment des formes de calcul statiques. Elle réserve en l’occurrence à chaque token des tampons mémoire fixes, de sorte que le GPU n’a plus à exécuter des instructions dynamiques de changement de taille.

Pour maintenir la trajectoire d’attention dans le cadre des usages agentiques, l’entraînement a mis à contribution des microVM permettant de suspendre les sandbox et de les relancer en quelques dizaines de millisecondes. Moonshot AI y a ajouté un regroupement des opérations élémentaires des blocs KDA dans un unique noyau GPU personnalisé.

L’ensemble de ces techniques lui a permis affirme-t-il, d’atteindre un rendement d’échelle 2,5 fois supérieur à celui de Kimi K2.

Kimi K3, sous licence permissive, mais…

Kimi K3 est fourni avec de l’outillage d’inférence pour vLLM, SGLang et TokenSpeed. Il a une licence MIT-like très permissive… sauf pour les grandes entreprises.

Celles qui fournissent une offre MaaS (models as a service) doivent négocier un accord commercial avec Moonshot AI dès lors qu’elles ont déjà – filiales comprises – réalisé au moins 20 M$ de CA sur 12 mois glissants.

Une autre exigence s’applique. Elle n’est pas limitée aux fournisseurs MaaS. Elle impose d’afficher clairement « Kimi K3 » sur l’UI de tout produit ou service commercial qui compte plus de 100 millions d’utilisateurs actifs par mois et/ou dégage au moins 20 M$ de chiffre d’affaires mensuel.

Meta impose une limite du même genre pour ses modèles Llama à poids ouverts. Doit prendre une licence commerciale quiconque exploite des produits ou services comptant plus de 700 millions d’utilisateurs actifs par mois.

À consulter en complément :

Qui est Moonshot AI, l’éditeur des modèles Kimi ?
Mistral AI change d’approche pour l’apprentissage par renforcement
AMD entre vraiment dans le jeu des racks IA exascale
L’IA agentique change les méthodes de travail : Doctolib l’expérimente auprès de ses développeurs
Cohere et Aleph Alpha : les noces de l’IA souveraine

Illustration principale générée par IA

The post Kimi K3 : comment Moonshot AI est passé à l’échelle appeared first on Silicon.fr.

Nvidia continue de tisser sa toile dans l’écosystème de l’IA.

Le groupe de Jensen Huang annonce un investissement « conséquent » dans Safe Superintelligence (SSI), le laboratoire ultra-discret fondé par Ilya Sutskever, ancien chef scientifique d’OpenAI.

Selon des sources proches citées par le Financial Times, le montant s’élèverait à environ 5 milliards $ dans le cadre d’un « partenariat stratégique de long terme » entre les deux entreprises.

Un accès démultiplié à la puissance de calcul

Concrètement, cet accord donnera à SSI un accès massif aux GPU haut de gamme de Nvidia, notamment sa toute dernière plateforme Vera Rubin.

Les deux sociétés indiquent que cela permettra à la start-up de multiplier par dix ses capacités de calcul dans les douze prochains mois. Une bascule stratégique pour SSI, qui s’appuyait jusqu’ici principalement sur les puces TPU de Google, selon des informations du Wall Street Journal.

« Nous avons des recherches qui méritent d’être passées à l’échelle, et l’accès à un grand ordinateur Nvidia va nous le permettre », a déclaré Ilya Sutskever,. De son côté, Jensen Huang, PDG de Nvidia, a salué un chercheur qui a déjà « été à l’origine de percées fondamentales dans les bases de l’IA moderne », se disant impatient de découvrir « les nouvelles avancées que SSI pourra réaliser grâce à notre plateforme Vera Rubin ».

Les modalités financières précises n’ont pas été confirmées officiellement mais ce type d’engagement s’accompagne généralement de jalons (« milestones ») à atteindre par SSI.

Ilya Sutskever…le mystérieux

Né en URSS et élevé en Israël, Ilya Sutskever s’est fait un nom comme doctorant au Canada, sous la direction du prix Nobel Geoffrey Hinton.

Leur article co-écrit en 2012 sur la vision par ordinateur est considéré comme l’un des déclencheurs de la course moderne à l’IA, en démontrant que la mise à l’échelle des réseaux de neurones profonds, combinée à d’immenses volumes de données et de calcul, produisait des gains d’intelligence mesurables.

Passé par Google, il rejoint ensuite OpenAI en 2015 comme cofondateur, où ses travaux contribuent directement à la naissance de ChatGPT. Mais sa relation avec le PDG Sam Altman se rompt brutalement fin 2023 quand il vote en faveur de son limogeage avant de quitter lui-même l’entreprise quelques mois après la réintégration de ce dernier.

Il fonde alors Safe Superintelligence en 2024, avec un objectif affiché unique : une course de recherche « en ligne droite » vers une IA surhumaine mais non menaçante pour l’humanité — ce que l’industrie désigne sous le terme de « safe superintelligence ».

La start-up lève rapidement environ 2 milliards $ auprès de poids lourds du capital-risque comme Andreessen Horowitz, Sequoia Capital, Greenoaks et Lightspeed Venture Partners, atteignant une valorisation d’environ 30 milliards $ l’an dernier.

Le grand flou entretenu

Pourtant, SSI reste l’une des entreprises les plus opaques du secteur : pas de produit, pas de  publication scientifique à ce jour et seulement quelques dizaines d’employés.

Ilya Sutskever, qui fut l’un des premiers à théoriser la fameuse « loi de mise à l’échelle » (plus de données et de calcul égale plus de capacités), semble aujourd’hui plus circonspect sur cette approche. « Maintenant que le calcul est important, très important, on est dans un sens revenu à l’âge de la recherche », avait-il déclaré en novembre dans un podcast.

Ces montages, où les fabricants de puces financent directement leurs propres clients, se multiplient dans l’industrie. La semaine dernière, AMD a annoncé un investissement pouvant atteindre 5 milliards $ dans Anthropic. Une stratégie qui permet aux chipmakers de sécuriser des débouchés massifs tout en s’assurant la fidélité de talents clés dans la course à l’IA générale.

The post Nvidia mise gros sur le mystère Sutskever appeared first on Silicon.fr.

On pouvait s’y attendre : Anthropic a fini par communiquer une position officielle sur les modèles à poids ouverts (open-weight).

En toile de fond, un ralliement massif de la tech américaine en faveur de ces modèles, dans un contexte qui incite Washington à y restreindre l’accès.

Près d’une centaine d’organisations – dont Google, Meta, Microsoft, NVIDIA et OpenAI* – ont signé une lettre ouverte vantant les bénéfices de l’open-weight pour l’économie et la société. Anthropic n’est pas dans la boucle. D’aucuns y ont perçu une forme de soutien aux ambitions de l’administration Trump, dans l’optique de protéger son activité, fondée exclusivement sur la commercialisation de modèles fermés.

L’open-weight, porteur de risques irréversibles ?

Dario Amodei nie cette version des faits. Interdire les modèles open-weight n’est pas la solution, affirme le patron d’Anthropic. L’intéressé s’y dit même favorable… aussi longtemps qu’ils ne présentent pas de danger. Et de se référer à son essai « L’Adolescence de la technologie », écrit en début d’année. Il y expose notamment sa crainte que des « gouvernements autoritaires » parviennent à développer des IA « plus puissantes que celles des États-Unis » et qu’elles les exploitent pour « renforcer leurs capacités militaires, de renseignement et de surveillance ». Ces préoccupations rejoignent celles que J.D. Vance avait exprimées au Sommet de l’IA 2025.

Dario Amodei redoute aussi l’usage abusif de l’IA pour des attaques informatiques ou biologiques. En la matière, les modèles open-weight présentent un plus grand risque que les modèles fermés, clame-t-il. Motif : il est très difficile de leur appliquer des garde-fous ou de surveiller leur usage. Et une fois les poids publiés, on ne peut plus les rappeler… Pour appuyer son propos, le dirigeant mentionne un commentaire de l’AI Safety Institute britannique. Celui-ci constate que l’ouverture des poids « crée un risque persistant et irréversible d’usage abusif » en faisant « définitivement perdre » le contrôle sur les garde-fous et les accès utilisateurs.

Anthropic appelle (à nouveau) à restreindre l’accès aux puces et la distillation

Une interdiction pure et simple d’utilisation des modèles open-weight ne résoudrait rien, estime Dario Amodei. Cela protégerait effectivement des entreprises comme Anthropic, admet-il. « Mais cela n’a jamais été mon objectif »…

Pour lui, la principale solution consisterait à ne pas vendre à la Chine des « puces puissantes », ni des équipements pour fabriquer ces puces. Tout en agissant en parallèle contre le contournement des restrictions à l’export. Le patron d’Anthropic tient depuis longtemps ce discours. La Chine a une capacité de production limitée, veut-il croire : les lois d’échelle font que sans puces américaines, elle ne pourra pas développer de modèles plus puissants que les États-Unis.

Deuxième levier, suggéré lui aussi de longue date : agir politiquement contre les « opérations industrielles de distillation ». Dario Amodei y ajoute des tests de sûreté obligatoires pour tous les modèles « suffisamment capables », qu’ils soient ouverts ou fermés, et peu importe leur pays d’origine. Cela implique que Pékin collabore. Anthropic considère qu’une coopération limitée est possible sur le risque de conception d’armes biologiques, la Chine y ayant son intérêt.

Des risques d’asymétrie attaquant-défenseur

Dario Amodei est en phase avec les signataires de la lettre ouverte sur l’idée que la réponse au problème de la distillation doit passer par des cadres juridiques et commerciaux ciblés. Il se dit plus globalement d’accord quant aux bénéfices économiques et sociétaux de l’IA. Ainsi que, « au moins dans certains cas », quant au contrôle accru donné aux utilisateurs.

Le dirigeant ne pense en revanche pas que l’ouverture favorise nécessairement le développement de garde-fous. Ni qu’en matière de cyber, elle bénéficie forcément plus aux défenseurs qu’aux attaquants. « L’inverse est au moins aussi probable », juge-t-il, projetant par exemple une forte asymétrie sur la biologie. Des modèles suffisamment puissants pourraient rapidement transformer en armes des virus de niveau pandémiques, alors que la défense contre ces virus serait un chantier de plusieurs années.

* OpenAI n’avait pas immédiatement signé la lettre.

Illustration générée par IA

The post Anthropic et les modèles open-weight : oui, mais… appeared first on Silicon.fr.

Il y a désormais, à l’agenda du Congrès américain, un « AI Kill Switch Act ».

Le démocrate Ted W. Lieu et le républicain Nathaniel Moran sont dépositaires de cette proposition de loi.

Chiffre d’affaires, ressources de calcul, préjudice… Des seuils essentiellement économiques

Le texte amenderait le Homeland Security Act de 2002. Il ciblerait les systèmes d’IA dont le développement a nécessité, sur la base du prix de marché aux États-Unis, au moins 100 M$ de puissance de calcul.

Seraient concernées les entités qui opèrent ces systèmes, les mettent à disposition de tiers par API, service hébergé ou « mécanisme similaire »… et ont réalisé un CA brut d’au moins 500 M$ sur l’année calendaire écoulée*.

Il appartiendrait à ces entités d’être techniquement capables de :

• Stopper l’inférence
• Mettre fin à l’accès utilisateur
• Suspendre l’accès pour un compte, un utilisateur ou un usage posant le risque que surviennent certains incidents
• Éteindre la technologie concernée

Les incidents en question incluraient notamment les usages imprévus causant la mort d’au moins 10 personnes ou un préjudice économique d’au moins 100 M$. Ils engloberaient aussi, entre autres, les cas où un système cacherait aux mécanismes de surveillance ses capacités, ses intentions ou ses actions. Ainsi que les scénarios de « perte de contrôle ». Autrement dit, de poursuite d’un objectif qui n’est pas celui prévu. Par exemple :

• Comportement contraire aux instructions dans des contextes « à fort enjeu » impliquant en particulier des infrastructures critiques
• Modification des règles opérationnelles ou des restrictions de sûreté sans autorisation
• Sabotage d’un mécanisme de surveillance
• Octroi de l’accès aux poids sans permission

Une « réponse graduée »… et jusqu’à 20 M$ d’amende par jour

S’il existait un risque crédible que surviennent les incidents en question, le département de la Sécurité intérieure (DHS) devrait enclencher un mécanisme de « réponse graduée ». En l’occurrence, imposer des mesures adaptées à la sévérité et à l’imminence du risque :

• Réduction ou modification du débit d’inférence, de l’accès utilisateur ou de l’allocation de puissance de calcul
• Désactivation ou restriction d’une capacité
• Suspension d’une technologie
• Extinction d’une technologie
• Basculement d’une opération dépendante de cette technologie vers une version antérieure ou vers un système de secours

Le DHS aurait la charge d’établir des normes pour le kill switch. Les entités concernées y adhéreraient sur la base du volontariat. Si un des incidents visés a effectivement lieu, il leur faudrait conserver poids et télémétrie ; tout en communiquant, dans la mesure du possible, les conséquences potentielles pour les utilisateurs.

Un délai de 48 heures serait accordé pour déposer un recours, toutefois non suspensif. Le DHS aurait 5 jours pour se prononcer. Délai au-delà duquel sa réponse serait réputée négative. Resterait alors la possibilité d’un pourvoi en appel sous 60 jours devant les tribunaux du district de Columbia.

Les sanctions pourraient aller jusqu’à 20 M$ d’amende par jour en cas de violations des dispositions concernant les cas où un incident a effectivement eu lieu.

L’AI Act impose déjà un « bouton d’arrêt » pour les systèmes d’IA à haut risque

En Europe, l’AI Act n’établit pas de tel « coupe-circuit étatique ». Son article 14 impose néanmoins des mesures de contrôle humain sur l’utilisation des systèmes d’IA classés à haut risque.

Les fournisseurs concernés ont deux options. Soit intégrer ces mesures avant la mise sur le marché ou la mise en service, soit permettre aux déployeurs de les mettre en œuvre.

Dans tous les cas, les personnes chargées du contrôle doivent pouvoir intervenir dans le fonctionnement du système d’IA. Ou l’interrompre « au moyen d’un bouton d’arrêt ou d’une procédure similaire ».

Une exigence de contrôle humain accru s’applique pour les systèmes d’identification biométrique à distance. Le déployeur ne doit pas pouvoir prendre de décision sans vérification et confirmation séparée par au moins deux personnes physiques.

* Il existerait une exception pour les technologies destinées uniquement à un usage « personnel, académique ou non commercial ».

À consulter en complément :

Comment le shadow AI s’est invité à l’Assemblée nationale
L’AI Act doit-il être l’affaire des DPO ?
La Cour suprême US a-t-elle condamné le Data Privacy Framework ?
Agents IA : Bruxelles dégaine une mesure d’urgence contre Meta

Illustration générée par IA

The post Un « kill switch » pour l’IA ? Ce que projette le législateur américain appeared first on Silicon.fr.