Jamais deux sans trois : Mythos 5, Fable 5 et Sonnet 5 sont disponibles dès aujourd'hui

Washington lève les restrictions sur Claude Mythos 5 et Fable 5

Le département du Commerce des États-Unis a levé le 30 juin 2026 toutes les restrictions à l'exportation des modèles d'IA d'Anthropic. Dans une lettre adressée à l'entreprise, le secrétaire au Commerce Howard Lutnick a indiqué qu'aucune licence n'est plus requise pour les exportations ou les transferts nationaux de Claude Mythos 5 et Claude Fable 5, annulant ainsi l'ordonnance du 12 juin. Initialement, l'agence avait contraint Anthropic à bloquer l'accès à ses modèles phares pour tous les étrangers, invoquant la sécurité nationale. Les deux modèles sont particulièrement performants pour détecter les failles de sécurité dans les logiciels et sont considérés comme une avancée significative par rapport à leurs prédécesseurs. Anthropic s'est engagé à identifier de manière proactive les risques, à collaborer avec le gouvernement sur des protocoles et à signaler les activités malveillantes. C'était la deuxième intervention de l'administration Trump auprès de l'entreprise : en mars, le Pentagone avait classé Anthropic comme un risque inacceptable pour la chaîne d'approvisionnement, une décision que l'entreprise conteste en justice. En parallèle, le gouvernement pousse désormais OpenAI (GPT-5.6 Sol) et Meta à adopter le même régime d'examen volontaire. → www.nytimes.com

Synthszr Take : Dix-huit jours entre le blocage et l'autorisation – voilà la véritable nouvelle. En avril, nous parlions encore des «  AI Avengers  » s'alliant contre la Corée du Nord et la Chine, et Mythos était le modèle phare qui détectait les vulnérabilités en un clin d'œil. C'est précisément cette capacité qui en fait un enjeu politique : un modèle qui obtient 80,9 % sur SWE-bench et révèle des failles de sécurité en quelques minutes est à la fois un catalyseur et un objet de contrôle. Ce qui se met en place ici, c'est une obligation de facto d'approbation pour les modèles frontières, déguisée en coopération volontaire, et Meta est le dernier grand acteur à y résister. Les garde-fous promis par Anthropic (détection proactive des risques, obligations de signalement, normes communes) sont essentiellement la même gouvernance d'entreprise qui existe depuis longtemps dans chaque service de conformité, mais maintenant appliquée au niveau de l'État. La phrase «  se réserve le droit de réévaluer  » signifie en clair : l'accès aux meilleurs modèles devient un objet de négociation, révocable à tout moment. Ceux qui, en Europe, misent sur l'IA américaine devraient marquer cette semaine dans leur calendrier et prendre plus au sérieux l'idée de découplage évoquée en avril.

Anthropic lance Claude Sonnet 5

Anthropic a lancé le 30 juin 2026 Claude Sonnet 5, son modèle de milieu de gamme le plus agentique à ce jour. Pour de nombreuses tâches, il se rapproche du modèle phare Opus 4.8, mais coûte moins de la moitié. Le prix de lancement est de 2 dollars par million de tokens d'entrée et 10 dollars pour la sortie, valable jusqu'au 31 août 2026, puis passera à 3 et 15 dollars. À titre de comparaison, Opus 4.8 coûte 5 et 25 dollars. Dans le benchmark de codage agentique, Sonnet 5 atteint 63,2 % selon Anthropic, contre 69,2 % pour Opus et 58,1 % pour son prédécesseur Sonnet 4.6. Il dispose également d'un curseur «  Effort  » qui permet d'arbitrer entre coût et précision. Le modèle peut élaborer des plans, contrôler des navigateurs et des terminaux, et travailler de manière autonome sur de longues périodes. Une subtilité se cache dans les petits caractères : un nouveau tokenizer peut représenter le même texte avec jusqu'à 1,35 fois plus de tokens, ce qui rend le changement à peu près neutre en termes de coût. → thenextweb.com

Synthszr Take : Le véritable levier de cette annonce n'est pas le score au benchmark, mais la courbe des prix. Les agents fonctionnent en boucles, appellent des outils et consomment des tokens à la seconde, et c'est précisément là que de nombreuses entreprises ont hésité à déployer au cours du dernier semestre en voyant arriver les factures. Celui qui a la capacité de faire baisser la courbe des prix ne résout pas un problème de qualité, mais un problème de facturation, et c'est actuellement le plus coûteux des deux. Paradoxe de Jevons classique : si le prix par exécution d'agent diminue, le nombre d'exécutions augmente, et Anthropic lie ainsi plus profondément les développeurs à son propre écosystème, juste avant son introduction en bourse prévue, où la croissance du chiffre d'affaires et la portée auprès des développeurs comptent toutes deux. Attention à l'astuce du tokenizer : le prix affiché semble bas, mais le nombre de tokens augmente discrètement. Il faut donc mesurer le coût réel par tâche accomplie, et non par million de tokens. Pour la plupart des équipes, la question n'est plus de savoir si le modèle est assez intelligent, mais s'il est assez bon marché pour le laisser travailler toute la journée. Quiconque met en place une stack de codage aujourd'hui combine Sonnet 5 pour le fonctionnement continu avec Opus pour les cas difficiles, et laisse le curseur «  Effort  » gérer le reste.

Amazon fait un coup à la Palantir et investit 1 milliard dans ses propres équipes de déploiement

Amazon Web Services a lancé mardi une nouvelle organisation interne d'ingénieurs avancés (Forward-Deployed Engineers) spécialisés en IA. Ces ingénieurs s'intègrent directement chez les clients, y construisent des agents sur mesure et doivent ensuite permettre aux entreprises de continuer à travailler de manière autonome. Francesca Vasquez, VP de Frontier AI chez AWS, promet qu'après ces interventions, les clients disposeront non seulement de systèmes agentiques fonctionnels dans leur propre environnement AWS, mais aussi de compétences, de workflows et de modèles d'IA durables. Amazon alloue un milliard de dollars à cet effet, mais il s'agit de ressources internes, et non d'une coentreprise ou d'un investissement classique. Le modèle FDE a été popularisé par Palantir : un ingénieur du prestataire travaille temporairement chez le client, et une grande partie de la technologie peut être réutilisée entre les missions. OpenAI et Anthropic ont mis en place leurs propres véhicules FDE ces derniers mois, évalués à 4 milliards et 1,5 milliard de dollars, respectivement, aux côtés de sociétés de capital-investissement. Le principal inconvénient du modèle reste le coût en personnel : il faut entretenir tout un corps d'ingénieurs. → TechCrunch

Synthszr Take : Le milliard est un communiqué de presse, pas un chèque ; ce sont des ressources internes d'AWS, donc essentiellement une réaffectation de personnel. Le modèle sous-jacent est intéressant. AWS applique ici la stratégie de Palantir : intégrer ses propres ingénieurs dans les processus, construire l'infrastructure sur sa propre stack, et créer ainsi une dépendance qu'aucun changement d'outil ultérieur ne pourra défaire. Au niveau de la couche de construction (build-layer), c'est-à-dire les modèles, les agents, les pipelines, la capacité elle-même est interchangeable ; ce qui n'est pas remplaçable, c'est le fournisseur qui l'a profondément intégrée dans son propre cloud. Mais le vrai problème des clients se situe ailleurs, à un niveau qu'aucune équipe externe ne peut résoudre : qui a le droit d'agir sur la base de la réponse de l'agent, qui contre-signe, qui est responsable en cas d'erreur ? AWS fournit l'outil prêt à l'emploi, mais l'entreprise doit elle-même redéfinir sa propre constitution organisationnelle, et c'est précisément là que la plupart des projets pilotes restent bloqués dans le laboratoire d'innovation. Quiconque engage l'équipe FDE devrait considérer cela sobrement : comme un accélérateur au niveau de la couche de construction et un pari conscient sur une plus grande dépendance à AWS, non comme un raccourci pour répondre à des questions qui ne peuvent être résolues qu'en interne.

Amazon copierait Claude pour réduire les coûts de tokens

Selon un rapport de The Information, certains ingénieurs d'Amazon construisent déjà des modèles plus petits et moins chers en distillant les modèles Claude d'Anthropic, c'est-à-dire en faisant apprendre un modèle plus petit à partir des sorties du plus grand. Amazon dispose pour cela de certains droits d'utilisation, similaires à ceux d'Apple pour l'accès à Google Gemini. Le déclencheur est le partenariat renégocié : à partir de l'année prochaine, Amazon ne paiera plus en fonction des heures de calcul, mais en fonction des tokens traités, ce qui pourrait considérablement augmenter les coûts. Un porte-parole d'Amazon conteste et affirme que le partenariat élargi n'augmente pas les coûts ; Anthropic met en avant des prix avantageux par rapport à la performance. En parallèle, Amazon évalue des alternatives comme OpenAI et ses propres modèles Nova. Cette année, le groupe a investi jusqu'à 25 milliards de dollars supplémentaires dans Anthropic et jusqu'à 50 milliards dans OpenAI. Sur la plateforme Bedrock d'Amazon, il existe bien un service de distillation, mais Claude n'y est pas disponible, seulement Nova et Llama de Meta. → MyClaw Newsletter

Synthszr Take : La phrase la plus intéressante du rapport est celle concernant la facturation par token. Tant qu'Amazon payait à l'heure de calcul, la facture était prévisible ; dès que chaque token a un coût, l'investisseur devient un client qui surveille le compteur. Et que fait un client qui a investi 25 milliards dans un fournisseur et qui s'inquiète quand même des coûts ? Il se construit une copie moins chère et utilise les droits obtenus dans son propre accord à son avantage. C'est précisément là que l'on voit pourquoi la discipline de calcul au niveau des cas d'usage n'est pas une note de bas de page, mais la question centrale : celui qui connaît ses coûts de tokens par cas d'usage prend des décisions rationnelles sur la distillation, le changement de modèle ou une solution de secours open source. En mai, Anthropic était encore le nouveau numéro un acclamé avec une évaluation record ; aujourd'hui, son plus grand investisseur distille ses propres modèles. Celui qui se fie à un seul fournisseur de modèles s'expose à un risque de dépendance (lock-in) qui peut être couvert pour une fraction du coût avec une deuxième source d'approvisionnement et une solution de secours open source.

DeepSeek rend l'inférence jusqu'à 85 % plus rapide

DeepSeek a publié ce week-end DSpark, un système sous licence MIT qui permet aux grands modèles de langage de répondre beaucoup plus rapidement, sans altérer la sortie du modèle. Techniquement, cela repose sur le speculative decoding : un module de brouillon (draft) léger prédit les prochains tokens, le grand modèle vérifie les suggestions en parallèle et, en cas de succès, saute plusieurs étapes d'un coup. Dans les tests de production, DeepSeek rapporte une augmentation de la vitesse de génération par utilisateur de 60 à 85 % pour le modèle léger V4-Flash (284 milliards de paramètres, 13 milliards actifs) et de 57 à 78 % pour le grand modèle V4-Pro (1,6 billion de paramètres, 49 milliards actifs), tous deux avec un contexte d'un million de tokens. Avec des objectifs de vitesse très stricts, les chiffres de débit grimpent même à 661 % et 406 %, car l'approche de référence classique atteint là une falaise opérationnelle. Sont fournis le papier de recherche, les checkpoints du modèle et DeepSpec, une base de code pour entraîner ses propres modules de brouillon. Point crucial : DSpark ne fonctionne pas seulement avec les modèles de DeepSeek, mais aussi avec Qwen d'Alibaba et Gemma de Google, à condition de contrôler soi-même les poids (weights) et la stack de service. Cette sortie intervient alors que Washington continue de réguler les modèles d'Anthropic et d'OpenAI. → VentureBeat

Synthszr Take : Le poste de coût le plus élevé dans l'exploitation de l'IA n'est pas l'entraînement, c'est l'inférence en continu. C'est précisément là qu'intervient DSpark, et DeepSeek offre la méthode sous licence MIT à tous ceux qui hébergent eux-mêmes des modèles à poids ouverts (open-weight). C'est là le véritable levier : quiconque utilise Qwen ou Gemma sur sa propre infrastructure peut entraîner un module de brouillon DSpark et obtenir un gain d'efficacité pour lequel il aurait autrement dû acheter du nouveau matériel. Jevons, encore lui. Des tokens moins chers ne signifient pas moins de consommation, mais plus de workflows agentiques qui étaient auparavant non rentables. Pendant que le gouvernement américain encadre les fournisseurs propriétaires, un laboratoire chinois rend l'économie des modèles ouverts de plus en plus attractive, et c'est ce mouvement qui déplace réellement les débats sur la discipline de calcul et la souveraineté dans chaque stack d'entreprise. Pour ceux qui se demandent encore si les modèles open-weight sont prêts pour la production, voici un nouvel élément de réponse : le calcul devient de plus en plus simple de mois en mois.

Anthropic prévoit d'intégrer Claude directement dans Microsoft Teams

Selon The Information, Anthropic prévoit d'intégrer Claude comme agent directement dans Microsoft Teams, après que le partenariat avec Salesforce ait déjà amené Claude dans Slack la semaine dernière. Le plus curieux : les deux entreprises vendent leurs propres agents (Copilot chez Microsoft, Slackbot et Agentforce chez Salesforce), mais autorisent des agents tiers dans leurs applications de messagerie – et ce, gratuitement. Ni Perplexity ni Viktor ne paient Salesforce pour l'hébergement sur Slack, et les règles de l'App Store de Microsoft ne s'appliquent que si de l'argent transite effectivement par des tiers. Teams a bien plus d'utilisateurs que Slack, et Claude y concurrencerait frontalement Copilot, le principal moteur de revenus de Microsoft. Chez Salesforce, cette décision crée des remous en interne ; le PDG de Rippling, Parker Conrad, a publiquement qualifié cette ouverture de «  folle  » (crazy). Un autre PDG de logiciel a comparé cette dynamique au bouton «  J'aime  » de Facebook, qui a apporté une pertinence à court terme aux éditeurs et a permis à Facebook de cartographier tout le web à long terme. La startup polonaise Viktor a annoncé, après le lancement de la balise Claude, sa «  meilleure semaine de tous les temps  » avec plus de 400 nouveaux clients. → Applied AI

Synthszr Take : La comparaison avec le bouton «  J'aime  » est pertinente, mais la vraie question est ailleurs. Microsoft et Salesforce laissent le renard entrer dans le poulailler car ils savent que les clients veulent le meilleur agent, pas celui de la maison. C'est précisément là que se trouve le piège pour quiconque construit maintenant sa logique métier sur Copilot Studio ou Agentforce : la dépendance (lock-in) est forte, la tarification est volatile, et la «  taxe d'agent  » par conversation peut basculer du jour au lendemain. Depuis février, Anthropic déploie ici la stratégie d'Apple, et la distribution via Teams avec ses millions d'utilisateurs est la prochaine étape, une portée qu'on n'obtient pas seulement avec la qualité du modèle, mais qui est offerte par les plateformes tierces. La réponse sensée pour les entreprises reste la même : choisir la plateforme en fonction de l'écosystème d'outils dominant, mais garder l'orchestration multi-systèmes critique à l'extérieur, afin de pouvoir changer d'agent demain sans reconstruire toute la stack. Ceux qui séparent proprement cela maintenant s'épargneront une refonte dans dix-huit mois, lorsque le prochain fournisseur offrira un meilleur raisonnement. Les gardiens ouvrent eux-mêmes les portes, et celui qui est malin ne se lie pas à la porte, mais à son propre processus.

La Chine construit un modèle d'un billion de paramètres entièrement sur ses propres puces

Meituan, principalement connu en Chine pour la livraison de repas, a présenté mardi LongCat-2.0 : un grand modèle de langage avec 1,6 billion de paramètres et une fenêtre de contexte d'un million de tokens. Le véritable coup d'éclat, c'est le matériel. Selon Meituan, le modèle a été le premier de cette taille à être entièrement entraîné et déployé sur un cluster de calcul national de 50 000 puces, donc systématiquement sans Nvidia. Le pré-entraînement est considéré comme la partie la plus gourmande en calcul, où les puces américaines interdites faisaient jusqu'à présent la différence. La performance serait comparable à celle de Gemini 3.1 Pro de Google, sorti en février, et les poids (weights) sont open source, donc vérifiables par tous. Cette annonce vise directement les contrôles à l'exportation de Washington, qui étaient censés empêcher précisément cette avancée. Cela pourra maintenant être vérifié par la communauté open source, qui peut confronter les benchmarks et les affirmations aux résultats réels. → Techpresso

Synthszr Take : Un service de livraison construit un modèle frontière sur 50 000 de ses propres puces, et soudain, la question centrale de la politique américaine sur les semi-conducteurs est posée. C'est exactement ce que les contrôles à l'exportation devaient empêcher : la preuve que la Chine peut gérer le pré-entraînement sans matériel en silicium américain. Si cette affirmation se confirme (et c'est une grande condition, car personne ne peut vérifier directement la configuration d'entraînement de l'extérieur), alors chaque jalon de ce type réduit l'avance que les restrictions étaient censées accroître. Le fait que Meituan opte pour l'open source est une décision intelligente : distribuer les poids, semer l'adoption parmi les développeurs, signaler la confiance dans son propre silicium. Pour une entreprise dont le cœur de métier est le routage, la prévision de la demande et le service client, une puissance de calcul bon marché et géopolitiquement sécurisée n'est pas un projet de prestige, mais un calcul de coûts. En mai, nous avons écrit sur le grand carrousel de la copie, où tout le monde copie tout le monde. Ici, le même schéma se déroule au niveau du matériel, et le levier le plus efficace de Washington est en train de perdre de sa force.

Meta lit des phrases entières directement dans le cerveau

Meta a présenté la version 2 de Brain2Qwerty, une méthode non invasive qui lit les signaux cérébraux pendant la frappe et en reconstruit des mots entiers, y compris leur signification. Alors que la v1 épelait encore lettre par lettre, la v2 fonctionne avec deux modèles : l'un lit les signaux bruts, le second complète le sens. Neuf volontaires ont passé chacun dix heures dans un scanner, produisant près de 22 000 phrases de données d'entraînement. La précision moyenne au niveau du mot est de 61 %, le meilleur sujet de test a atteint 78 %. À titre de comparaison, les meilleures méthodes concurrentes non invasives atteignaient jusqu'à présent des pics d'environ 8 %. Meta publie en open source le code et les ensembles de données des v1 et v2, et affirme que l'écart avec les implants chirurgicaux peut être encore réduit uniquement grâce à davantage de données. → The Rundown AI

Synthszr Take : Le véritable levier ne réside pas dans les 61 %, mais dans la phrase concernant les volumes de données. Si la précision évolue avec les données et que le seul obstacle pour atteindre le niveau chirurgical est simplement un plus grand nombre d'heures de scanner, alors c'est un problème soluble et non plus une question fondamentale. Meta joue ici la même carte qu'à l'époque avec Llama : publier le code et les données, ouvrir le champ à tous, et faire progresser la courbe collectivement. Cela coûte peu à Meta et accélère une technologie qui pourrait permettre aux personnes privées de parole de communiquer à nouveau sans que l'on ait à leur ouvrir le crâne. L'aspect de la protection des données sera brutal (une entreprise qui traduit les pensées en texte est d'une autre catégorie que celle qui suit les clics), et il faut en parler maintenant, pas quand la précision atteindra 95 %. Mais la direction est claire : ce qui, en 2016, nécessitait un câble dans une salle d'opération, se dirige vers l'appareil de tous les jours. Ceux qui pensent que c'est de la science-fiction devraient se rappeler à quelle vitesse ChatGPT est devenu un outil pour 100 millions de personnes.

L'IA a-t-elle tué l'heure facturable ?

L'ancien accord dans les services professionnels était simple : des esprits brillants passaient des heures sur des problèmes complexes et facturaient ces heures. Selon le Wall Street Journal, les cabinets de conseil tentent maintenant de s'éloigner de la facturation horaire, car l'IA rend de nombreuses tâches plus rapides et moins chères, ce qui les rend plus difficiles à mesurer selon l'ancien modèle. Deloitte a montré en interne à ses consultants un graphique selon lequel la part de marché du conseil classique basé sur le temps de travail pourrait considérablement diminuer d'ici 2035. McKinsey affirme que plus de 30 % des honoraires mondiaux sont déjà liés aux résultats des clients, et Business Insider rapporte que les clients exigent de plus en plus un «  engagement concret  » (skin in the game). Des prix fixes pour des projets définis ainsi que des modèles basés sur les résultats, où la rémunération dépend des résultats convenus, sont à l'essai. Selon le WSJ, un modèle viable basé sur les résultats nécessite quatre éléments : une base stable, un objectif clair, des garde-fous de qualité et un partage des revenus. Parallèlement, Ford signale que son propre service juridique adopte l'IA plus rapidement que de nombreux cabinets d'avocats externes. → The Neuron

Synthszr Take : L'heure facturable pénalise le travail rapide, c'est son défaut de conception intrinsèque. Celui qui est efficace réduit son propre chiffre d'affaires, l'inertie est donc payante. C'est exactement ce que l'IA met en évidence maintenant : si une équipe réalise un projet de 40 heures en 10 heures, le client finit par se demander à juste titre pourquoi il paie pour 40. Le piège de la tarification au résultat, cependant, est que les consultants chassent les résultats les plus faciles à mesurer, et c'est le plus souvent la réduction des coûts par la suppression de postes. Ainsi, le conseil en IA devient un accélérateur de licenciements liés à l'IA, le tout présenté dans un joli tableur de réductions de coûts. La réponse honnête est une base pour la fiabilité, plus une prime uniquement en cas d'amélioration prouvée de la qualité, sinon le modèle optimise la mauvaise valeur. Celui qui vend encore aujourd'hui du temps comme approximation de la valeur bat un cheval mort ; la question à l'avenir ne sera pas dans quel département vous êtes, mais si vous pouvez inventer, livrer, nettoyer, faire croître ou opérer.