Cannes : OpenAI se lance dans la publicité et Meta dans l'automatisation publicitaire

Cannes (I) : OpenAI fait ses débuts à Cannes et se transforme en régie publicitaire

OpenAI a fait ses débuts aux Cannes Lions, non pas depuis le toit-terrasse d'un palace de la Croisette, mais sur une terrasse à moitié isolée, à 15 minutes à pied du cœur du festival. Dave Dugan, Head of Global Ads Solutions et ancien de Meta pendant douze ans, a annoncé «  un produit publicitaire entièrement nouveau  ». Les chiffres qui le soutiennent : 900 millions d'utilisateurs hebdomadaires, environ 20 % des questions ayant une intention commerciale directe. Selon Axios, OpenAI a promis aux investisseurs d'atteindre 100 milliards de dollars de chiffre d'affaires en quatre ans, un seuil que Meta a mis 17 ans à franchir. La CRO Denise Dresser ne veut pas mesurer le succès en impressions, mais au fait que la publicité «  aide les gens à accomplir des tâches  ». La publicité doit subventionner l'accès gratuit, et les données conversationnelles ne seront jamais transmises aux annonceurs. Avec l'agent de codage Codex, les directeurs créatifs sans connaissances en programmation pourront construire leurs propres workflows de production. → AI Secret

Synthszr Take: Un ancien manager de Meta se tient sur une terrasse et explique que ChatGPT est le contraire du défilement, tout en important le modèle économique de Meta. Pendant des années, Sam Altman a évité la publicité pour ce qu'elle est : le moment où l'utilisateur n'est plus le client, mais le produit. Maintenant, elle est là, joliment emballée sous le nom d'«  Intelligence Economy  » et présentée comme une mission visant à donner accès à plus de gens. Les 100 milliards en quatre ans sont une déclaration de guerre contre ses propres coûts de calcul, car les 900 millions d'utilisateurs gratuits coûtent de l'oxygène que quelqu'un doit payer. La question des garde-fous devient intéressante : «  Nous ne partagerons jamais les données conversationnelles  » sonne bien, sauf que toute la valeur de la publicité sur ChatGPT réside précisément dans cette intention que l'utilisateur révèle dans la conversation. En mars, on disait encore ici que la simple mise à l'échelle ne mènerait pas à l'AGI ; le business de la publicité est la réponse honnête à la question de savoir comment financer cette mise à l'échelle d'ici là. Quiconque utilise ChatGPT devrait désormais supposer que chaque planification de voyage dans les Alpes est un signal de haut de tunnel (upper-funnel).

Cannes (I) : Meta automatise la publicité et WPP approuve

À Cannes, Meta a présenté une nouvelle génération d'outils d'IA pour les annonceurs et les agences, destinée à boucler la boucle (le fameux «  Closed Loop  ») : un système qui identifie les créations publicitaires performantes, analyse leur impact et génère de manière autonome de nouvelles variantes. Nicola Mendelsohn, responsable des activités publicitaires mondiales, le décrit comme un outil qui apprend l'identité et la tonalité d'une marque à partir des publicités existantes et utilise ces informations pour la création générative de supports publicitaires. WPP sera le premier partenaire agence à tester la solution, intégrée directement dans WPP Open, la plateforme d'IA du groupe qui réunit la planification, la création, la production et le pilotage des médias en un seul système. WPP n'avait annoncé qu'au printemps une collaboration approfondie avec Adobe et intègre de manière centralisée des partenaires comme AWS et Meta. Au festival, il a souvent été question de la transition du «  web de la recherche et du clic  » vers une utilisation conversationnelle d'Internet, où des plateformes comme Meta, Pinterest ou OpenAI se positionnent comme des moteurs de recommandation. Les critiques avertissent que de tels systèmes reproduisent principalement ce qui a fonctionné par le passé, rendant ainsi les campagnes plus similaires. L'agence créative Fifty Thousand Feet, en revanche, souligne l'imagination et la compréhension culturelle comme les facteurs de différenciation décisifs. → MEEDIA Daily Update

Synthszr Take: Le «  Closed Loop  » optimise chaque campagne individuelle, et l'ensemble de la publicité gravite vers le même centre. C'est exactement ce qu'a montré l'expérience du restaurant milanais : dès que ChatGPT a été écarté et que les restaurateurs ont écrit eux-mêmes, la diversité lexicale a augmenté de 15 %. Le même outil qui facilite la vie de chacun rend tout le monde interchangeable. Efficacité au niveau micro, entropie au niveau macro. Le système de Meta apprend ce qui a fonctionné par le passé et le restitue à l'identique : la meilleure pratique est la nouvelle médiocrité, professionnelle et sans passion. Pour WPP, cela signifie externaliser la machine de production à Meta et se poser la vraie question : que reste-t-il quand tout le monde travaille avec la même pile technologique et le même output d'IA ? Le goût devient le dernier fossé de protection, et il ne peut pas être généré dans un pipeline. Dans ce monde, celui qui ne fait que produire la même chose plus rapidement a déjà perdu la compétition avant même que la première publicité ne soit diffusée.

OpenAI construit sa propre puce et s'affranchit de Nvidia

OpenAI et Broadcom ont présenté Jalapeño, un ASIC spécialement conçu pour l'inférence, qui, selon les deux entreprises, devrait offrir une meilleure performance par watt que le matériel de pointe actuel. La puce n'est pas un accélérateur d'entraînement reconverti, mais a été conçue dès le départ pour le comportement des grands modèles de langage et les futures charges de travail agentiques : haut débit à faible latence, un énorme chiplet de calcul avec six modules HBM au lieu de DRAM moins chère. L'estimation à partir de l'image du wafer suggère une taille de die d'environ 840 mm², dangereusement proche de la limite de réticule de la lithographie EUV de 858 mm². Des échantillons d'ingénierie tournent déjà en laboratoire et exécutent des charges de travail ML comme GPT-5.3-Codex-Spark. Le rythme est remarquable : tape-out en neuf mois, déploiement à partir de fin 2026. Les benchmarks concrets, la configuration de la mémoire et les objectifs de performance restent non divulgués, c'est pourquoi les promesses d'efficacité sont à prendre avec prudence. La vraie question est de savoir si Jalapeño pourra rivaliser avec Rubin de Nvidia et MI400 d'AMD, et non la comparaison avec la génération Blackwell déjà vieillissante. → www.tomshardware.com

Synthszr Take: En février, OpenAI a avoué que l'inférence devenait extrêmement chère. Jalapeño est la réponse logique : celui qui paie par token et traite des milliards de tokens par jour finit par récupérer sa marge grâce à son propre silicium. Neuf mois de l'idée au tape-out, c'est un rythme qu'un spécialiste du matériel relit à deux fois, et cela suggère que l'IA a fortement contribué à la conception de la puce (sinon le cycle est à peine rentable). La discipline du calcul se déplace actuellement de l'entraînement vers l'inférence, et c'est précisément là que se trouve l'argent, car le raisonnement et les agents rendent chaque requête plus coûteuse. L'absence de benchmarks est le risque réel : un die de 840 mm² proche de la limite de réticule a l'air musclé, mais ne dit rien sur l'utilisation réelle. Ceux qui misent sur OpenAI comme plateforme devraient dès maintenant intégrer le coût du vendor lock-in, car le matériel propriétaire est le point d'ancrage le plus fort qu'un laboratoire de fondation puisse construire. Les choses deviendront intéressantes fin 2026, lorsque les puces affronteront Rubin, et non un communiqué de presse.

Anthropic accuse Alibaba de la plus grande campagne de distillation jamais menée contre Claude

Anthropic a informé des sénateurs américains et la Maison Blanche que des opérateurs liés au laboratoire Qwen d'Alibaba ont utilisé près de 25 000 faux comptes entre avril et juin pour extraire les capacités de Claude. Il s'agit de près de 29 millions d'échanges, ciblant spécifiquement l'ingénierie logicielle et le raisonnement agentique, soit les compétences commercialement les plus précieuses du modèle. Alibaba dépasse ainsi à lui seul le volume des trois cas précédents (DeepSeek, MiniMax, Moonshot), qui totalisaient 16 millions d'échanges et 24 000 faux comptes. La distillation signifie : on nourrit un modèle de pointe avec des requêtes préparées, on collecte les réponses et on s'en sert pour entraîner un système concurrent moins cher. Les certificats de dépôt américains d'Alibaba ont chuté de plus de trois pour cent sous les 100 dollars ; le Pentagone avait placé le groupe sur sa liste noire des entreprises militaires chinoises le 8 juin, une décision qu'Alibaba conteste en justice cette semaine. Fait piquant : Anthropic appelle l'État à l'aide, mais est elle-même en conflit avec l'administration Trump au sujet des contrôles à l'exportation pour ses modèles Fable-5 et Mythos-5. L'entreprise, valorisée à 965 milliards de dollars après une série H de 65 milliards, a déposé confidentiellement sa demande d'introduction en bourse ce mois-ci. → thenextweb.com

Synthszr Take: 29 millions d'échanges via 25 000 faux comptes, ce n'est pas un hasard, c'est de la reproduction industrialisée à grande échelle. L'économie derrière tout ça est fascinante : Anthropic brûle des milliards en calcul et en entraînement, et un distillateur approxime le résultat pour une fraction du coût. C'est le paradoxe de Jevons de la propriété intellectuelle des modèles : plus les compétences en ingénierierie sont précieuses, plus on cherche à les siphonner. Nous avons déjà vu cela en février lorsque DeepSeek et consorts ont été nommés ; maintenant, un groupe de 965 milliards de dollars est sur le point d'entrer en bourse et a soudainement besoin d'une clôture de propriété intellectuelle autour d'un logiciel qui est par définition copiable. C'est là que ça devient kafkaïen : le même gouvernement américain qui est censé freiner les laboratoires chinois bloque simultanément les propres modèles d'Anthropic pour les utilisateurs étrangers via l'ordonnance Lutnick. Celui qui construit son fossé de protection uniquement sur l'avance de son modèle a un fossé rempli d'eau. La leçon pour toute organisation d'ingénierie qui parie sur un seul modèle de pointe : l'avantage durable réside dans le déploiement et la diffusion des connaissances au sein de l'équipe, pas dans le poids du modèle qui tournera demain, distillé, dans le cloud du concurrent.

Computer Use migre vers le modèle de base : Gemini 3.5 Flash contrôle désormais lui-même l'écran

Google a annoncé hier l'intégration de la capacité Computer Use directement dans Gemini 3.5 Flash. Ce qui était auparavant un modèle distinct (Gemini 2.5 Computer Use) est maintenant intégré nativement dans le modèle principal et offre, selon Google, les meilleures performances à ce jour pour les tâches informatiques agentiques. Cela permet aux développeurs de créer des agents capables de voir, de comprendre et de manipuler des navigateurs, des applications mobiles et de bureau, par exemple pour des tests logiciels continus ou des tâches intellectuelles sur plusieurs applications. Pour contrer les injections de prompt, Google mise sur un entraînement contradictoire ciblé et deux systèmes de protection d'entreprise optionnels : une confirmation explicite de l'utilisateur pour les actions sensibles et un arrêt automatique de la tâche en cas d'injection détectée. L'accès se fait via l'API Gemini et la Gemini Enterprise Agent Platform, avec des démos hébergées par Browserbase. Google recommande une approche de défense en profondeur avec sandboxing, intervention humaine (human-in-the-loop) et des droits d'accès stricts. → blog.google

Synthszr Take: Le véritable levier réside dans le mot «  Flash  ». Computer Use n'est plus le modèle spécialisé coûteux, mais fait partie du modèle standard, rapide et abordable, ce qui change la donne pour quiconque envisage l'automatisation à grande échelle. Cela rappelle le bond provoqué par Claude Code fin 2025 : l'IA quitte la fenêtre de chat et intervient là où le travail se fait. Pour une entreprise allemande comptant 200 postes d'ingénieurs, cela signifie concrètement que les refactorisations nocturnes, les tests logiciels et le travail intellectuel sur SAP, Salesforce et Office s'effectuent soudainement à des prix par token qui s'intègrent dans le tableau de bord du directeur financier. Le point sensible reste l'injection de prompt dans les environnements de production, et les deux systèmes de protection de Google sont un début, mais personne ne devrait laisser un agent sans sandbox et sans contrôle d'accès sur des systèmes productifs. Ceux qui ne commencent pas dès maintenant à préparer leurs flux opérationnels pour de tels agents paieront plus tard pour rattraper leur retard d'apprentissage. La question n'est plus de savoir si, mais quels sont les trois cas d'usage qui entreront dans le pipeline dès demain matin.

01.AI veut devenir le Palantir de la Chine

Kai-Fu Lee a restructuré sa startup d'IA 零一万物 (01.AI) presque sans bruit l'année dernière, rencontrant personnellement plus d'une centaine de PDG, moitié chinois, moitié étrangers. Au lieu de modèles de base coûteux, qui sont devenus une pure question de capital dans la guerre des prix des tokens après DeepSeek, l'entreprise s'inspire désormais explicitement non pas d'OpenAI ou d'Anthropic, mais de Palantir : intégration de données, aide à la décision et systèmes d'exécution pour les gouvernements et les industries clés. Lee évite le marché américain et se tourne plutôt vers l'Asie centrale, l'Asie du Sud-Est, le Moyen-Orient, l'Europe et l'Afrique. Au Kazakhstan, il siège au conseil de développement de l'IA du pays ; avec le géant de l'agroalimentaire Charoen Pokphand, il a créé la coentreprise 万蜂智能, qui déploie l'IA dans les élevages de poulets pour améliorer la mortalité et la marge. Les chiffres des commandes confirment ce revirement : environ 500 millions de yuans en 2025, déjà 1,5 milliard de yuans de contrats pour 2026, plus une nouvelle levée de fonds et une introduction en bourse prévue pour 2027. La thèse centrale de Lee est que les vrais contrats ne sont pas des agents de service à 200 000 yuans, mais une transformation complète par l'IA que seul le «  一号位  », le numéro un d'une entreprise, peut décider. → Hello China Tech

Synthszr Take: Lee joue ici la seule carte qui reste à un homme de 65 ans peu enclin à une guerre de capitaux, et il le fait intelligemment. Pendant que les autres «  大模型六小虎  » brûlent des milliards pour construire un OpenAI chinois, il va là où se trouvent les marges : dans le bilan du client. Sa meilleure phrase est le diagnostic selon lequel traiter un projet d'IA comme un projet informatique revient à installer un moteur de locomotive dans une calèche. Cela correspond à ce que nous décrivions en mars dans «  CODE CRASH  » : lorsque le codage et les modèles deviennent des commodités interchangeables, la valeur se déplace du modèle vers la transformation de l'organisation qui l'entoure. Le scepticisme demeure quant au modèle économique de l'IA souveraine, car les rendez-vous présidentiels à Astana et les coentreprises dans des élevages de poulets se déploient moins bien qu'un produit SaaS, et la comparaison avec Palantir comporte un risque politique que Lee enrobe. Mais la direction est la bonne : mieux vaut facturer moins que McKinsey et livrer des résultats plutôt que des PowerPoint, que de continuer à monter le cheval de bataille mort de la course aux modèles de base. Quiconque collecte 1,5 milliard de yuans de contrats avant d'annoncer une introduction en bourse a compris que la viabilité prime sur la vision.

L'Oréal écrit lui-même les données d'entraînement

Toute une industrie s'est spécialisée dans l'inscription des marques dans les moteurs de réponse depuis l'extérieur : l'optimisation pour les moteurs génératifs (GEO), des fils de discussion Reddit préparés, de la rétro-ingénierie de ce que le modèle lit. L'Oréal saute complètement cette étape et fournit directement sa base de données de produits à OpenAI. L'essai virtuel de Maybelline ne passe donc plus par le détour de l'optimisation, mais est intégré au système. Celui qui a le contact téléphonique d'OpenAI n'a plus besoin de se battre depuis les gradins bon marché pour influencer les données d'entraînement. À la question «  Comment puis-je influencer ce que le modèle sait de moi ?  », L'Oréal répond en devenant lui-même la source. À côté, le GEO ressemble au SEO pour tous ceux qui n'ont pas de numéro dans le carnet d'adresses d'OpenAI. → AI Secret

Synthszr Take: Dans Code Crash, il est écrit que les mentions sur le web sont environ trois fois plus corrélées à la visibilité par l'IA que les backlinks (0,664 contre 0,218), et que le modèle ne croit pas la page «  À propos  », mais ce que les autres disent. L'Oréal a retourné la situation et devient lui-même ce que le modèle lit. C'est le véritable fossé de protection de cette phase : non pas la tactique intelligente venue de l'extérieur, mais la place directe à la source. Celui qui fournit la base de données détermine la part de voix dans le modèle (Share of Model) dans sa catégorie avant même que les consultants en GEO n'aient déplié leur checklist. C'est précisément pourquoi la compétition se déplace de «  Qui optimise le mieux ?  » à «  Qui est invité à co-écrire ?  ». Pour les marques de taille moyenne sans contact chez OpenAI, cela signifie : trouver les domaines non occupés que les grands n'ont pas encore balayés, et les occuper tant que le modèle ne les connaît pas encore. L'espace blanc dans le modèle se referme plus vite que la plupart des budgets marketing ne peuvent réagir.

Chez Meta, l'agent rédige le rapport de statut, pas l'équipe

Nikhyl Singhal a discuté dans le Skip Podcast avec Jagjit Chawla, un VP of Product chez Meta responsable de Feed, Reels et, plus récemment, de Search. L'idée maîtresse : dès que les idées deviennent bon marché, l'évaluation des idées devient le véritable travail, et le chef de produit devient le principal goulot d'étranglement. Le document classique de spécifications produit (PRD) a été réduit dans ses équipes à un paragraphe plus un prototype, complété par un ensemble d'évaluation dans le domaine du ML. Les rapports de statut ne remontent plus la hiérarchie via des présentations : l'agent de Chawla lit chaque nuit chaque modification de code, chaque e-mail et chaque document et lui présente à sept heures du matin une liste à puces, projet par projet, en rouge, jaune, vert. Dans certaines parties de son organisation, l'agent rédige même le document de revue, surligne les trois questions litigieuses et nomme les cinq personnes à réunir. Une question de données qui nécessitait auparavant un transfert de 24 heures à l'équipe de science des données est maintenant répondue en cinq minutes par un agent d'analyse. Tout cela n'a pas été ordonné de manière centralisée ni acheté, mais construit par les équipes elles-mêmes, parfois en une seule soirée. → Lenny's Newsletter

Synthszr Take: Ce que Chawla appelle l'«  Algorithme de Compression  » est exactement le changement que je décris dans Code Crash : autrefois, le code était cher et l'intention bon marché, maintenant c'est l'inverse. Quand l'output ne coûte plus rien, l'input devient la ressource rare, et l'évaluation l'emporte sur la production. Ce qui est intéressant, ce n'est pas tant que Meta utilise l'IA (tout le monde le fait en ce moment), mais que le pipeline est radicalement condensé : la revue commence par la décision au lieu de trente minutes de mise en contexte. L'organigramme a été pendant des décennies le canal d'information, et un agent nocturne le remplace maintenant pour 50 projets simultanément. La manière de construire est remarquable. Personne n'a lancé un programme de 18 mois ; les équipes ont construit leurs systèmes en une soirée, avec les outils qui étaient déjà sur la table. Ceux qui, en mai, lisaient des articles sur les 8 000 employés licenciés de Meta et pensaient qu'il s'agissait simplement de réduire les coûts voient ici l'autre moitié de l'équation : le travail lui-même est réinventé, et cela peut commencer dès demain matin autour d'un café, pas seulement après le prochain séminaire de stratégie.

Postgres sans serveur pour applications et agents

Databricks lance Lakebase, une base de données Postgres entièrement gérée qui se connecte directement au Lakehouse et est conçue pour les agents et les applications d'IA. L'astuce : la base de données se branche comme du code. Les développeurs peuvent créer instantanément des branches pour les tests ou le développement, travailler sur des données de production et revenir en arrière, sans toucher à l'environnement live. Le calcul et le stockage sont découplés et s'adaptent indépendamment, avec une mise à l'échelle à zéro (scale-to-zero) en cas d'inactivité et un paiement à l'usage. Un cas d'utilisation phare mis en avant est la mémoire d'agent (Agent Memory) : les sessions de chat et les messages sont stockés de manière persistante dans Lakebase, afin qu'un agent puisse accéder aux conversations précédentes d'un déploiement à l'autre. Via pgvector, PostGIS, la gouvernance Unity Catalog et le Change Data Feed, le stockage opérationnel se connecte au monde de l'analytique, sans que personne n'ait besoin de construire ses propres pipelines ETL. → Latent.Space

Synthszr Take: Postgres est depuis des décennies l'ouvrier discret de la salle des machines, et Databricks en fait maintenant la mémoire des agents. C'est le véritable levier ici. Les agents sans état persistant sont des stagiaires oublieux qui repartent de zéro après chaque déploiement. Le branchement comme dans Git est le mouvement qui va simplifier le travail des développeurs dès demain, car ils pourront tester avec de vraies données de production sans rien casser. La question de l'enfermement propriétaire reste, honnêtement, ouverte : quiconque lie son stockage opérationnel au Lakehouse de Databricks paiera plus tard un prix de migration, et dans ma grille de fournisseurs, cela passe d'un enfermement modèle (faible) à un enfermement plateforme (moyen). Néanmoins, la direction est la bonne, car un Postgres ouvert avec pgvector et l'écosystème d'outils existant (pgAdmin, DBeaver, psql) ne transforme pas la transition en une impasse. La souveraineté raisonnable signifie ici : utiliser, mais penser au chemin d'exportation dès le premier jour.

ByteDance saute quatre versions et génère des vidéos 4K à partir de 50 références

ByteDance a présenté mardi, lors de la conférence Volcano Engine FORCE à Pékin, Seedance 2.5, un modèle qui génère des clips de 30 secondes en 4K natif à partir d'un seul prompt. L'entreprise est passée directement du prédécesseur à la version 2.5, sautant quatre versions intermédiaires pour marquer le bond en avant. L'amélioration principale réside dans la capacité de référence : jusqu'à 50 entrées multimodales (images, audio, modèles 3D filaires, références de style), contre 12 pour le prédécesseur. S'y ajoutent une profondeur de couleur de 10 bits, une adhérence au prompt améliorée de 20 %, une synchronisation audio native dans le même espace latent et un aperçu 3D filaire pour des animations rapides en basse fidélité avant le rendu coûteux. Le PDG Liang Rubo a qualifié l'ascension du sommet de l'IA de priorité absolue du groupe. La bêta pour les entreprises est déjà en cours, le lancement public est prévu pour début juillet, sans date pour les États-Unis. Le contexte est délicat : il y a trois mois, ByteDance a dû ajouter des filigranes et des garde-fous de propriété intellectuelle après des lettres de mise en demeure de Disney, Warner Bros, Paramount et Netflix, suite à un deepfake viral de Tom Cruise contre Brad Pitt qui a déclenché une plainte formelle de la MPA. → The Next Web

Synthszr Take: Le chiffre qui compte est 50 contre 3. Veo 3.1 de Google accepte trois images de référence, Seedance 2.5 en prend cinquante multimodales, et c'est précisément cet écart qui détermine si un modèle reste un jouet pour mèmes ou s'intègre dans un pipeline de production professionnel. Tandis qu'OpenAI a arrêté Sora en mars (un million d'utilisateurs au sommet, environ un million de dollars de coûts d'exploitation par jour, un peu plus de deux millions de dollars de chiffre d'affaires au total), les fournisseurs chinois transforment plus rapidement leurs outils en véritables outils de production. Nous écrivions en mars que les talents chinois dominent la scène de l'IA ; on voit ici ce que cela signifie sur le plan opérationnel, à savoir une distribution via les 400 millions d'utilisateurs mensuels de CapCut et une intégration verticale de la génération à l'édition jusqu'au partage. Ce qui manque à ByteDance, c'est un accord avec Hollywood, et chaque nouvelle fonctionnalité qui rend le modèle plus puissant augmente la pression dans ce conflit non résolu. La phrase la plus honnête sur la situation : la technique est résolue, la question des droits ne l'est pas, et même la meilleure 4K ne compense pas une licence manquante. Si vous voulez agir dès demain, testez la bêta pour les pipelines internes et gardez la disponibilité mondiale hors des zones à risque jusqu'à ce que la question de la propriété intellectuelle soit réglée.