Les fournisseurs sont responsables des réponses de l'IA

Tribunal de Munich : Google est responsable des AI Overviews

Par une ordonnance de référé, le tribunal de grande instance de Munich a décidé que Google était directement responsable des fausses déclarations de ses AI Overviews. Les résumés de l'IA avaient associé, de manière totalement inventée, deux éditeurs munichois à des abonnements piégés, des escroqueries et des «  pratiques commerciales douteuses  », sans que cela ne soit mentionné dans les sources citées. Le tribunal qualifie ces textes de «  déclarations propres  » à Google, car le système produit des «  énoncés autonomes, nouveaux et substantiels  » dans les propres mots de Google. Ainsi, l'ancien bonus des moteurs de recherche, qui ne font que renvoyer vers des sites tiers et ont donc une responsabilité limitée, ne s'applique plus. Le tribunal a rejeté la défense de Google, qui soutenait que les utilisateurs pouvaient vérifier les sources eux-mêmes : une analyse montre que seulement 1 % des utilisateurs cliquent sur une source. Une évaluation du NYT a révélé que les Overviews basés sur Gemini 3 sont corrects à 91 %, mais que plus de la moitié des réponses justes n'étaient pas étayées par les sources citées. Google supporte 80 % des frais et peut faire appel. → Techpresso

Synthszr Take : Le juge a compris ce que les avocats de Google ne veulent pas admettre. Une recherche classique affiche des liens externes et n'est pas responsable de leur contenu. Un AI Overview produit lui-même du texte, et Google devient ainsi l'auteur, non l'intermédiaire. C'est toute l'astuce juridique : celui qui écrit est responsable, et un LLM qui tisse des sources pour créer de nouvelles affirmations est bel et bien en train d'écrire. Google admet lui-même que les Overviews sont «  occasionnellement  » erronés, ce qui, avec des milliards de requêtes par jour, conduit à un joli nombre d'accusations de fraude inventées. Fin mai, nous avions déjà parlé du boom de DuckDuckGo, avec 30 % de téléchargements en plus par mécontentement envers la recherche par IA, et ce jugement est le prolongement juridique de ce même problème de confiance. Quiconque construit une machine à réponses assume la responsabilité des réponses, et c'est précisément ce qui ne peut plus être délégué à la page source.

Anthropic demande un coupe-circuit légal pour l'IA

Anthropic a publié une proposition de réglementation qui donnerait aux gouvernements le pouvoir légal de bloquer les modèles d'IA dangereux ou d'empêcher leur utilisation. La justification s'accompagne de chiffres concrets : il y a quelques années, les modèles pouvaient à peine écrire du code ; cette année, Claude Mythos Preview a trouvé des milliers de vulnérabilités très critiques dans tous les principaux systèmes d'exploitation et navigateurs. Les règles ne devraient s'appliquer qu'aux modèles entraînés avec plus de 10²⁵ FLOPs et développés par des entreprises avec plus de 500 millions de dollars de revenus liés à l'IA ou plus d'un milliard de dollars de dépenses en recherche sur l'IA. Quatre risques catastrophiques sont abordés : les armes biologiques, les cyberattaques contre les infrastructures critiques, la perte de contrôle et la recherche automatisée par l'IA, qui amplifie les trois autres. Anthropic exige de la transparence, une évaluation indépendante, des programmes de sécurité stricts et des sanctions civiles liées au chiffre d'affaires annuel mondial, qui s'intensifieraient en cas de récidive. Une réglementation fédérale américaine ne devrait prévaloir sur les États que si elle est au moins aussi stricte que la proposition de l'État concerné. La deuxième partie du cadre mise sur la résilience sociétale : le criblage de la synthèse génique, la biosurveillance, le renforcement des logiciels Internet et le remplacement des systèmes hérités dans les infrastructures critiques. → www.anthropic.com

Synthszr Take : L'essai d'Amodei semble intelligent, et il l'est en partie, mais la logique commerciale qui le sous-tend est transparente. Exiger un régime de licences pour les modèles frontières revient à construire une barrière réglementaire où seuls les plus grands acteurs survivent. Le timing est maladroit : la semaine même où Mythos bloque les revues de code et les questions de sciences de la vie, le mot «  sécurité  » sonne pour de nombreux développeurs comme un produit qu'on ne peut tout simplement plus utiliser. Willccbb dit ouvertement que Mythos est le premier modèle publiquement disponible qu'il ne peut explicitement pas utiliser pour son travail sur la recherche de modèles ouverts. Anthropic lie ainsi la recherche sur les capacités et l'alignement à son propre contrôle, et c'est précisément ce qui pousse les clients vers Opus ou directement vers Google, dont le DiffusionGemma est sorti cette semaine sous licence Apache 2.0 avec plus de 1000 tokens par seconde. Une réglementation qui ne protège que le leader du marché n'est pas un garde-fou, c'est un péage. La confiance naît d'un modèle qui fonctionne, pas d'un document de politique générale qui raréfie la concurrence.

OpenAI s'attend à une guerre des prix avec Anthropic

OpenAI envisage de baisser considérablement les prix des tokens, l'unité de facturation utilisée par les entreprises d'IA pour leurs produits. Selon des sources du WSJ, cette décision anticipe des mesures similaires de la part d'Anthropic. Le PDG Sam Altman a récemment qualifié les coûts de «  problème énorme  » et a promis d'offrir aux clients «  plus de valeur pour moins de dépenses  ». Les deux entreprises perdent déjà des milliards en raison des coûts de calcul énormes, et des baisses drastiques réduiraient encore leurs marges. Le chiffre d'affaires d'Anthropic a explosé après le succès viral de Claude Code, dépassant pour la première fois la valorisation d'OpenAI. Chez Uber, le budget des agents pour 2026 est déjà épuisé, et la Silicon Valley débat maintenant du «  tokenmaxxing  », c'est-à-dire la consommation d'un maximum de tokens sans retour sur investissement clair. OpenAI a déposé une demande d'IPO confidentielle cette semaine, et Altman vise une introduction en bourse «  dans l'année à venir  ». → www.wsj.com

Synthszr Take : Le point sensible est mentionné dans l'article lui-même, presque en passant : l'interchangeabilité des produits. Si un client peut remplacer Codex par Claude Code en deux clics, alors il n'y a pas de barrière à l'entrée, seulement une étiquette de prix. C'est exactement ce que Zuckerberg fait depuis deux ans avec Llama : il banalise le modèle et assèche les flux de revenus des autres. Maintenant, OpenAI et Anthropic se banalisent mutuellement, volontairement, juste avant leur entrée en bourse. Mi-mai, Anthropic dépassait encore en termes de clients entreprises, début juin en termes de valorisation avec 965 milliards, et maintenant les deux discutent de réduire la marge qui soutient ces chiffres. L'aveu de «  tokenmaxxing  » d'Uber est le signal le plus honnête : les entreprises réalisent qu'une grande consommation ne signifie pas une grande valeur, et elles resserrent les budgets. Quiconque veut lancer une IPO ici vend aux investisseurs une histoire de croissance dont il est en train de brader le carburant.

Microsoft bloque Claude Mythos en interne

Anthropic a lancé hier Claude Mythos 5, le premier modèle de la nouvelle classe Mythos, et Microsoft l'a immédiatement retiré à ses propres employés. Alors que les clients de GitHub Copilot et Foundry ont reçu le modèle tout de suite, Mythos 5 n'apparaît pas dans la sélection de modèles internes du personnel de Microsoft. La raison réside dans les nouvelles exigences d'Anthropic en matière de stockage de données : Mythos 5 nécessite une rétention de données pour faire fonctionner les nouveaux classifieurs de sécurité, ce qui signifie qu'Anthropic conserve les prompts et les outputs et ne les supprime qu'après 30 jours. En cas de violation des conditions d'utilisation, des prompts individuels peuvent même être conservés jusqu'à deux ans. Tous les autres modèles Claude restent disponibles en interne car ils fonctionnent sous le régime de la Zero Data Retention. Le service juridique de Microsoft examine maintenant si le modèle peut être approuvé pour les données confidentielles des clients et de l'entreprise. Mythos 5 arrive quelques semaines seulement après qu'Anthropic ait qualifié la famille Mythos de trop dangereuse pour une publication ouverte en raison de ses capacités en cybersécurité. → www.theverge.com

Synthszr Take : Deux valeurs d'Anthropic entrent ici en collision, et toutes deux proviennent de la même maison. La sécurité exige que le modèle lise les prompts et les conserve pendant 30 jours, sinon les classifieurs ne fonctionnent pas. C'est précisément cette conservation qui rend le modèle inutilisable pour la protection des données, du moins là où des données clients confidentielles sont traitées. Le fait que Microsoft, le plus grand partenaire de distribution d'Anthropic, déploie d'abord le modèle pour les clients puis l'interdise à son propre personnel en dit plus sur la réalité de la conformité que n'importe quelle feuille de route. Dans toute matrice de fournisseurs, la conformité et la souveraineté sont des dimensions à part entière, et la Zero Data Retention est le point de rupture où un modèle techniquement performant échoue. Quiconque achète des modèles a besoin d'un adaptateur à chaque couche et d'un plan de migration dans son registre des risques, pour qu'une simple clause de rétention ne paralyse pas tout le flux de travail. L'agnosticisme des modèles n'est pas une idéologie, c'est l'assurance contre ce genre de jeudis.

Xiaomi atteint 1 000 tokens par seconde sur du matériel standard

L'équipe MiMo de Xiaomi annonce plus de 1 000 tokens par seconde en décodage avec MiMo-V2.5-Pro-UltraSpeed sur un modèle MoE d'un billion de paramètres, et ce, sur un serveur 8-GPU tout à fait normal. Pas de wafer Cerebras, pas de puce spéciale Groq. L'astuce réside dans l'interaction entre le modèle et le système : un co-design nommé TileRT. Concrètement, la pile combine la quantification FP4/MXFP4 uniquement pour les experts MoE avec un Quantization-Aware-Training, tandis que les modules non-experts restent à une précision plus élevée. À cela s'ajoute DFlash, un Block-Level-Masked-Speculative-Decoding, qui accélère encore la génération. L'affirmation est encore soumise à une vérification indépendante, mais la direction est claire. → AINews

Synthszr Take : Le matériel spécialisé était jusqu'à présent la réponse à la question de savoir comment obtenir des modèles 1T rapides. Xiaomi montre qu'un travail de co-design intelligent permet d'obtenir le même effet à partir de GPU standards, ce qui change la donne pour quiconque réfléchit aux coûts d'inférence. Fin mai, nous avons parlé des réductions de prix de Xiaomi allant jusqu'à 99 %, et voici la justification technique : celui qui extrait plus de tokens de la même machine peut faire chuter le prix par token sans perdre de marge. C'est le paradoxe de Jevons en temps réel : une inférence moins chère crée plus de demande, pas moins. Pour les entreprises allemandes qui calculent leurs charges de travail auto-hébergées, cela signifie que l'hypothèse d'un matériel spécialisé coûteux doit être réévaluée, car les gains d'efficacité proviennent désormais du logiciel. Planifier sa pile d'inférence aujourd'hui en se basant sur des barrières matérielles, c'est planifier à côté du marché.

Gemini 3.5 Live Translate devient un interprète en direct

Google a lancé mardi Gemini 3.5 Live Translate, un modèle audio qui traduit la parole en continu dans plus de 70 langues, sans attendre la fin de la phrase. Le résultat est décalé de quelques secondes par rapport à l'orateur et conserve l'intonation, le rythme et la hauteur de la voix. Dans Google Meet, la fonction passe de cinq paires de langues avec l'anglais à plus de 2 000 combinaisons dans une seule réunion ; la Private Preview pour les clients Workspace s'ouvre ce mois-ci. Dans l'application Translate, la fonctionnalité est gratuite pour les consommateurs et sera intégrée aux niveaux payants de Workspace. Les fournisseurs d'interprétation par IA facturent entre 8 et 35 dollars par participant et par heure pour la même prestation ; le marché des solutions linguistiques valait 30,85 milliards de dollars en 2025 selon Slator. Le même jour, la propre Model Card de Google admet que les voix peuvent changer de sexe en pleine réunion et que la reconnaissance vocale est moins performante avec les accents non natifs. Grab teste déjà la technologie pour plus de 10 millions d'appels vocaux mensuels entre chauffeurs et passagers. → Marcus Schuler

Synthszr Take : Ici, un marché de 30 milliards de dollars devient une fonctionnalité interchangeable dans un service logiciel que l'on paie déjà. Quiconque facture aujourd'hui par participant et par heure devrait regarder ce chiffre : 35 dollars contre zéro. C'est le levier classique du bundling avec lequel Google banalise des catégories entières, et ça marche parce que la traduction n'est plus un produit, mais un point de contact dans le flux d'une réunion. Ce qui est intéressant, c'est la lacune que Google documente lui-même : les voix changent de sexe, les accents perturbent la reconnaissance, et il manque précisément les données de fiabilité qui diraient à un acheteur quand la fonctionnalité gratuite est suffisante. Pour les appels de prise en charge non critiques chez Grab, c'est manifestement suffisant, mais probablement pas encore pour une négociation juridique. Les prestataires d'interprétation professionnels survivent donc d'abord dans les cas limites, où une erreur coûte cher. Ceux qui se trouvent dans cette niche devraient désormais axer leur proposition de valeur sur la responsabilité et la précision, car le marché de masse sous-jacent vient de disparaître.

AI Notetaker : Tout est désormais enregistré

David Haber soutient dans une tribune chez a16z que la plupart des conversations de travail sont désormais enregistrées par défaut, sans que cela n'ait jamais été vraiment débattu. Son idée centrale : il faut intégrer l'IA comme un nouvel employé, c'est-à-dire à travers les réunions, où la culture, les attentes et les cas limites se forment réellement, et non via le CRM ou le Wiki. OpenAI fonctionnerait déjà ainsi, avec des agents qui remplacent des dirigeants absents dans les réunions, et Bridgewater aurait établi ce principe comme politique il y a des années. Granola en serait le meilleur exemple : l'outil connaîtrait a16z mieux que presque n'importe qui d'autre, car il était présent dans la pièce. Haber voit émerger une nouvelle catégorie de logiciels organisée autour de la parole plutôt que du texte, car le contexte le plus précieux réside dans les conversations et les LLM rendent ces données vocales non structurées consultables. Les cultures verbales comme Shopify et OpenAI en profiteraient de manière disproportionnée, tandis que les cultures écrites comme Stripe et Anthropic consignent déjà leur contexte. Sa prédiction : dans six mois, le défaut passera de «  ne pas enregistrer  » à «  partez du principe que tout est enregistré  ». → a16z

Synthszr Take : Le point intéressant ne réside pas dans le frisson lié à la protection des données, mais dans l'argument de l'intégration. Quand on forme une personne, on l'envoie en réunion, pas sur le Wiki, et c'est exactement ce qui s'applique maintenant à chaque agent. Haber a raison de dire que les cultures verbales ont laissé s'évaporer leur contexte le plus précieux pendant des années, car ce qui était vraiment décidé lors d'une revue de produit n'était jamais consigné nulle part. Ce que nous notions mi-février comme «  le contexte est roi  » trouve ici sa mécanique opérationnelle : la parole devient le système de référence. La partie inconfortable est l'aspect descendant, qu'il intègre presque en passant, car l'enregistrement est aussi un instrument de contrôle pour la direction, et «  dé-livrer  » est plus coûteux que livrer. L'attitude la plus honnête à ce sujet : traitez chaque réunion comme un e-mail qui pourrait se retrouver devant un tribunal, et décidez consciemment quels espaces ne seront explicitement pas enregistrés. Ce garde-fou peut être défini cette semaine, pas après le prochain atelier sur la gouvernance.

Les géants de la tech peuvent-ils apprendre à aimer les modèles d'IA bon marché ?

Le boom de l'IA reposait sur une hypothèse simple : les modèles plus grands sont plus puissants, et les plus puissants gagnent. Maintenant, cette hypothèse s'effrite car la facture des tokens arrive et les subventions des investisseurs se tarissent. Le cofondateur de Coinbase, Brian Armstrong, prédit que d'ici 12 à 18 mois, 80 % de toutes les charges de travail fonctionneront sur des modèles 99 % moins chers, tandis que seulement 20 % nécessiteront la dernière génération. Les premiers tests le confirment : l'IA juridique Harvey, en collaboration avec la plateforme d'inférence Fireworks AI, a divisé ses coûts par trois sans perte de qualité, en combinant Claude Opus avec le GLM 5.1 de Fireworks et en n'utilisant Opus que pour les tâches les plus exigeantes. La véritable ligne de démarcation ne se situe pas entre les modèles propriétaires et ouverts, mais entre les grands et les petits. Si la prédiction d'Armstrong se réalisait, cela bouleverserait l'économie de tout le secteur, et une grande partie des économies proviendrait directement des poches d'OpenAI et d'Anthropic, juste au moment où ils se dirigent vers leur IPO. → Techpresso

Synthszr Take : Il se passe ici la même chose que ce que nous décrivions fin mai à propos de l'explosion des coûts des tokens, sauf que la chaîne de réflexes est maintenant complète. Tant que les investisseurs subventionnaient l'inférence, il n'y avait aucune raison de choisir autre chose que le modèle le plus puissant. Ce n'était pas de la discipline, mais de la commodité aux frais des autres. La conclusion de Harvey est décisive : si le système est bien construit, le petit modèle prend en charge la majorité du travail, et le modèle frontière coûteux n'est sollicité que pour les cas qui nécessitent un réel discernement. C'est précisément cette répartition qui est la compétence qui compte : savoir quelle requête peut être traitée par un modèle 99 % moins cher et laquelle ne le peut pas. Le paradoxe de Jevons atténue un peu la douleur pour les laboratoires, car une intelligence moins chère suscite plus de demande ; mais celui qui entraîne un modèle frontière pour des centaines de millions et voit ensuite 80 % des charges de travail s'en détourner doit refaire ses calculs. La discipline en matière de calcul est désormais un avantage concurrentiel, et elle peut être testée dès le prochain sprint, pas après l'IPO.

Le codage par IA est en plein essor, mais la gouvernance est à la traîne

Presque toutes les équipes de développement utilisent désormais des assistants IA pour programmer, mais seule une minorité a réglementé leur utilisation. C'est ce que révèle une enquête menée auprès de 831 ingénieurs logiciels et professionnels du DevOps par UserEvidence en mars 2026 pour Black Duck : 97 % utilisent activement ces outils, mais seulement 30 % ont un processus de supervision entièrement réglementé. GitHub Copilot est en tête avec 83 %, suivi de Claude Code avec 63 %, la plupart des équipes utilisant plusieurs assistants en parallèle. Le bénéfice est mesurable : 92 % rapportent des livraisons plus rapides, en moyenne huit heures par semaine et par développeur. Le problème vient après. Neuf équipes sur dix rencontrent des problèmes avec le code généré par l'IA à un moment ou à un autre du flux de travail, les frictions se situant au niveau de la revue manuelle (52 %), des tests de sécurité (51 %) et des reprises (48 %). Là où la gouvernance est pleinement établie, 90 % signalent un gain d'efficacité important, contre 44 % pour les équipes sans règles claires. → AI Secret

Synthszr Take : Ces chiffres confirment exactement ce qui a été décrit dans Code Crash : les modèles ne sont plus le problème, c'est la chaîne d'outils qui les entoure qui est décisive. 97 % d'adoption et 30 % de gouvernance, c'est le fossé où la productivité promise s'évapore. La ventilation est intéressante : les équipes avec une gouvernance complète atteignent 90 % de gain d'efficacité, celles sans en atteignent 44. Donc, ceux qui pensent que les règles sont un frein ont lu l'étude à l'envers. Intégrer la sécurité tôt dans le pipeline, effectuer des scans SAST à chaque commit, une revue humaine pour l'authentification et les paiements, cela coûte une journée de mise en place contre des mois de dommages après un incident. Le fait que 86 % souhaitent un agent IA pour la revue de code mais que 84 % veulent conserver l'humain dans la boucle montre la bonne attitude : diriger plutôt que de laisser passer. Ceux qui mettent en place des garde-fous maintenant récupéreront réellement ces huit heures par semaine, au lieu de les perdre à nouveau en QA et en AppSec.