GitHub accueille le lancement de l'alternative Git de Cursor avec un blackout record

Un timing parfait : Cursor lance son alternative à GitHub, qui subit une panne de sept heures juste après

Cursor a commencé lundi matin le déploiement d’Origin, sa propre plateforme d'hébergement de code, qui est lancée en version bêta pour tous les utilisateurs payants des forfaits Pro, Teams et Enterprise (à l’exception des organisations Enterprise ayant choisi l'opt-out). Environ trois heures et demie plus tard, une panne mondiale a débuté sur GitHub, qui, selon le journal d’incidents du fournisseur, a duré 6 heures et 42 minutes. Les taux d’erreur s’élevaient à près de 20 % pour les Pull Requests, les Issues et l'API et à environ 50 % pour les téléchargements de fichiers bruts et d’archives. L'authentification unique Enterprise est également tombée en panne : SAML, OIDC, le provisionnement SCIM et Team Sync ne fonctionnaient pas, tout comme Copilot. Guillermo Rauch, le PDG de Vercel, a commenté publiquement ce timing sur X, admettant que sa propre entreprise était bloquée à cause de GitHub. Un employé de Cursor, Matt Palmer, a écrit à propos de leur lancement qu’ils auraient livré plus tôt, mais que GitHub était en panne.

Origin se trouve dans un nouvel onglet Codebase dans l'éditeur Cursor et est également accessible via son propre outil en ligne de commande. Les équipes nomment une codebase, qui devient une partie de l’URL, et y effectuent des pushs via la ligne de commande. Chaque repository bénéficie de Pull Requests complètes avec timeline, commits, vérifications et diffs, y compris des revues empilées, des commentaires et des merges, sans quitter l’éditeur. Les agents travaillent dans la même interface que le code et les Pull Requests : un commentaire de revue peut être transmis à un agent, qui modifie la pull request sur-le-champ ou pousse une branche. Cursor prend en charge les agents locaux et les agents cloud dans une sandbox, qui continuent de fonctionner même lorsque l’ordinateur est éteint.

Trois intégrations étaient disponibles au lancement. Vercel génère un déploiement de prévisualisation pour chaque pull request et publie en production lors du merge, disponible en bêta publique pour les clients Pro et Enterprise. Depot et Buildkite se chargent de la Continuous Integration, et tous deux exécutent les workflows GitHub-Actions existants sans modification ; Buildkite superpose ses propres pipelines par-dessus. D’autres partenaires devraient suivre, ainsi que des fonctionnalités «  agent-native  » non encore spécifiées.

Le deuxième volet de la stratégie est la synchronisation : en connectant une organisation GitHub et en sélectionnant des repositories, on les voit apparaître à côté des repos propres à Origin. Les pushs continuent d’être envoyés à GitHub, qui, selon le changelog, reste la source de vérité pour tout ce qui y a été initié. Les droits d’accès reflètent les paramètres de lecture et d’écriture existants de GitHub, au lieu de créer un système parallèle, et les conversations des pull requests sont synchronisées dans les deux sens en quelques secondes, selon l’entreprise.

Cursor avait annoncé Origin en juin lors de son premier événement pour développeurs à San Francisco, le présentant alors comme une forge Git pour l’ère des agents. L’argument était le suivant : GitHub et GitLab ont été conçus pour des humains qui écrivent du code, ouvrent des pull requests et attendent des jours pour des revues, tandis que les agents génèrent de nombreuses modifications en parallèle. Lors de la démonstration de juin, l’entreprise a montré 22,6 commits par seconde avec 81 000 pushs et 295 000 clones par heure sur un seul repository. Origin est également la première mise à jour majeure du produit depuis la vente de Cursor à SpaceX pour 60 milliards de dollars en juin. Depuis janvier, GitHub a enregistré au moins un incident chaque mois, dont deux en janvier avec un taux d’erreur de 100 % sur Copilot en raison d’un bug de configuration lors d’une mise à jour du modèle, et plus de cinq pannes en douze heures le 9 février. Les lancements de produits sont généralement planifiés des semaines à l’avance, et rien ne prouve que Cursor ait choisi cette date en fonction de la panne. → VentureBeat, Neowin, SiliconANGLE, Notebookcheck

L’avis de Synthszr : Un avantage de trois heures et demie est trop court pour être calculé et trop parfait pour être une coïncidence ; l’explication pragmatique est que GitHub n’a pas connu un seul mois sans incident depuis janvier, ce qui fait que statistiquement, il coïncide avec presque toutes les dates de lancement. Le gain pour Cursor réside dans une question que quelqu’un au sein de l’entreprise se pose sérieusement depuis le 17 août : où se trouve notre code lorsque le fournisseur bloque les pull requests pendant 6 heures et 42 minutes et que l’authentification unique tombe en panne ? La phrase de Matt Palmer sur le concurrent de GitHub dont le lancement a été retardé par GitHub lui-même a été la communication la plus efficace de la journée et n’a pas coûté un centime en budget média. Cependant, le plus dur commence maintenant, car un miroir avec GitHub comme source de vérité passe n’importe quel audit de sécurité, mais dépend exactement de la même panne que l’original. Les choses deviendront sérieuses quand Origin pourra gérer lui-même la logique de permissions, la protection des branches et les preuves d’audit ; d’ici là, il ne reste qu’une deuxième fenêtre sur des serveurs tiers, et une journée de panne ne suffit pas à vendre une migration.

Amodei répond aux critiques des investisseurs : le scepticisme envers l’IA est «  fondamentalement une crise de confiance  »

Dario Amodei, le PDG d’Anthropic, a réfuté dans une série de publications sur X que ses avertissements sur les risques de l’IA aient alimenté le rejet croissant envers le secteur. La cause était l’investisseur Gavin Baker, qui a soutenu dans le podcast All-In et sur X que les sonnettes d’alarme d’Amodei avaient contribué à la résistance aux États-Unis, en particulier contre les nouveaux centres de données; Baker a écrit qu’Amodei avait perdu le débat sur la réglementation et qu’en tant que futur dirigeant de l’une des entreprises les plus importantes au monde, il devrait promouvoir son propre secteur de manière plus positive. Amodei a répondu que ses écrits étaient répartis de manière à peu près égale entre les risques et les avantages, et a renvoyé à son essai «  Machines of Loving Grace  », qu’il dit avoir écrit parce que le secteur ne donnait pas une image inspirante de la technologie. Il a reconnu que le public avait une vision négative de l’IA, qualifiant cela de problème majeur, mais l’a attribué à une méfiance croissante depuis des décennies envers les entreprises, les gouvernements et l’industrie technologique. La critique la plus pertinente à ses yeux envers les entreprises d’IA, y compris Anthropic : les grandes promesses n’ont pas encore été tenues. → Techpresso

L’avis de Synthszr : Le diagnostic de «  crise de confiance  » a un effet secondaire agréable pour celui qui le pose : elle date de plusieurs décennies, est répartie dans la société et n’est donc pas de la responsabilité d’une seule entreprise. Amodei présente l’opposition comme la dernière manifestation d’une méfiance générale envers les entreprises, les États et la tech, plaçant ainsi les protestations contre les centres de données dans un domaine où Anthropic n’est qu’une des victimes. Le deuxième avantage réside dans le passage sur la réglementation : des propositions qui, selon ses propres dires, freinent les grands laboratoires et favorisent les petits, semblent altruistes tout en garantissant une place à la table où les règles sont écrites. Une seule phrase de toute cette intervention est vérifiable, à savoir que les grandes promesses n’ont pas encore été tenues. C’est sur ce point qu’Anthropic sera jugé, le débat sur le ton reste accessoire.

OpenAI dissout son équipe dédiée aux risques catastrophiques de l’IA

Fin juillet, OpenAI a fermé son équipe «  Preparedness  », qui était chargée de vérifier si ses propres modèles pouvaient engendrer des risques graves ou catastrophiques. C’est ce que rapporte le Financial Times, citant des sources internes. Le travail sur les risques biologiques et cybernétiques a été réparti entre les équipes existantes. L’ancien responsable, Dylan Scandinaro, se consacre désormais aux questions de sécurité liées à l'auto-amélioration récursive, c’est-à-dire des systèmes qui s’optimisent eux-mêmes et entraînent d’autres modèles. Le cofondateur Greg Brockman explique ce changement par le fait que le travail de sécurité est désormais plus étroitement intégré au développement des modèles. → Techpresso

L’avis de Synthszr : Une équipe dédiée aux risques catastrophiques possède une caractéristique que la répartition entre plusieurs groupes existants annule immédiatement : une adresse à laquelle on peut poser une question de l’extérieur. La supervision nécessite un mandat désigné, un droit d’escalade et quelqu’un qui assume la responsabilité en cas de refus, et c’est précisément ce qui n’est plus traçable de l’extérieur depuis fin juillet. L’explication de Brockman, selon laquelle la sécurité est plus étroitement intégrée au développement, est peut-être correcte sur le plan organisationnel, mais elle n’a aucune valeur pour un audit externe, car une responsabilité diluée n’engage plus personne nommément. Le départ simultané de la Chief Ethics Officer et de Joshua Achiam, alors qu’on parle en interne d’un certain malaise, transforme une restructuration en une déclaration de priorités. Après l’incident Hugging Face, un registre des risques publiquement accessible avec des noms, des seuils et une procédure d’escalade aurait été la réponse crédible ; à la place, on a livré un organigramme sans point de contact.

Goldman Sachs : les dépenses en IA ne se reflètent pas dans les bénéfices des entreprises

Dans une analyse, Goldman Sachs conclut que la forte augmentation des dépenses des entreprises en intelligence artificielle ne se traduit pas encore par des bénéfices proportionnellement plus élevés. Selon un rapport de Seeking Alpha du 16 août, qui cite l’analyse, seulement 2 % des entreprises du S&P 500 ont chiffré les effets de l’IA dans leurs rapports trimestriels. Parmi celles-ci, 11 % ont mentionné des gains de productivité mesurables, par exemple dans la programmation ou le service client, sans pour autant connaître une croissance nettement plus forte que le reste du marché : la croissance médiane des bénéfices de ces entreprises était de 17 % contre 14 % pour les autres. La situation est beaucoup plus claire chez les fournisseurs d’infrastructure, où les hyperscalers et autres bénéficiaires des investissements dans l’IA ont augmenté leurs bénéfices de 54 %, représentant ainsi environ la moitié de la croissance totale des bénéfices de l’indice. En ce qui concerne le niveau des dépenses, le Ramp AI Index cité par Goldman montre un doublement : une médiane de 12 dollars par employé et par mois en juillet, contre 5 dollars en début d’année, et dans le décile supérieur des entreprises, 650 dollars au lieu de 240. → MyClaw Newsletter

Synthszr Take : Une différence de trois points de pourcentage dans le bénéfice médian, voilà la seule preuve tangible après deux ans de vague d’investissements. 17 contre 14 pour cent, c’est une différence qui peut aussi s’expliquer par un bon service commercial ou une faible comparaison avec l’année précédente, et le fait que seulement 2 % des entreprises chiffrent les effets parle de lui-même. En revanche, le bond de 54 % des bénéfices chez les fournisseurs d’infrastructures est clairement mesurable, car c’est tout simplement là que l’argent des autres arrive. Les directeurs financiers disent la même chose plus discrètement : ils estiment désormais à 6,28 ans le délai pour une intégration complète, soit presque deux fois plus que dans leur estimation de l’année précédente. Douze dollars par employé et par mois ne font pas bouger visiblement un compte de résultat. La preuve ne sera faite que lorsque ces dépenses atteindront un ordre de grandeur supérieur.

Le Qwen 3.8 27B d’Alibaba sur-analyse même les prompts les plus simples : 21 minutes pour un SVG

Le laboratoire Qwen d’Alibaba a publié Qwen 3.8 27B, un modèle sous licence Apache 2 avec 27 milliards de paramètres et une capacité de compréhension d’images, qui, selon Simon Willison, fonctionne localement sur un ordinateur portable bien équipé. Willison a testé la version Q4_K_M de 17 Go via LM Studio sur un MacBook Pro de 128 Go avec une puce M5 Max, ainsi que sur un NVIDIA DGX Spark. Selon la documentation de Qwen, le modèle démarre par défaut avec le reasoning_effort au niveau le plus élevé «  xhigh  », avec «  medium  » et «  low  » comme autres options. En pratique, la fenêtre de contexte préconfigurée de 8 192 tokens de LM Studio se remplissait déjà pour des tâches banales, et le problème n’a disparu qu’avec le maximum possible de 262 144 tokens. Le test standard de Willison, un pélican sur un vélo en SVG, a nécessité 21 minutes et 22 276 reasoning-tokens pour une sortie de 3 223 tokens. La même tâche sans raisonnement a généré 3 715 tokens en 137 secondes. Selon lui, le résultat avec raisonnement est le meilleur qu’il ait vu jusqu’à présent d’un modèle fonctionnant localement ; les propres données de benchmark de Qwen, qui prétendent surpasser même le modèle fermé Qwen 3.7-Plus, n’ont pas encore été vérifiées de manière indépendante. → Marcus Schuler

Synthszr Take : 22 276 reasoning-tokens pour une sortie de 3 223 tokens, 21 minutes d’attente, et à la fin, un pélican à vélo s’affiche à l’écran. En local, on paie l’inférence en bruit de ventilateur et en temps de vie, et un préréglage sur xhigh brûle les deux sans demander l’avis. Pour «  dessine un cercle  », le modèle commence par des considérations sur des cercles auxiliaires concentriques et des palettes de couleurs, et la fenêtre de contexte de 8k préconfigurée est pleine avant même que la réponse réelle ne commence. Le premier geste après le téléchargement est donc de toucher au curseur : «  low  » ou «  medium  » pour les tâches quotidiennes, la profondeur de réflexion maximale uniquement là où elle est rentable. Le fait qu’un téléchargement de 17 gigaoctets sur un ordinateur portable puisse atteindre une telle qualité reste le point fort de la nouvelle ; le test de patience qui l’accompagne ne coûte qu’un clic dans la boîte de dialogue de configuration.

Anthropic et OpenAI développent leurs propres applications sectorielles : les clients craignent pour leur accès à l’API

Anthropic et OpenAI développent de plus en plus leurs propres applications d’IA adaptées à des secteurs spécifiques, mettant ainsi la pression sur les entreprises qui achètent leurs modèles via l'interface de programmation. Selon The Information, le logiciel de design Canva est le cas le plus récent d’un client qui entre désormais en concurrence directe avec son principal fournisseur. Jusqu’à présent, il était admis que les deux fournisseurs continueraient de vendre leurs meilleurs modèles via API, car cette activité leur rapporte des milliards de dollars de chiffre d’affaires. L’auteure Stephanie Palazzolo écrit que des entretiens avec des chercheurs des laboratoires et des fondateurs d’applications dépendantes l’ont fait douter de ce statu quo. Elle cite comme signes, entre autres, des lancements de modèles échelonnés avec examen au cas par cas, une mesure préconisée par l’administration Trump par crainte d’abus par des cybercriminels, ainsi que des réductions de performance déjà effectuées pour des tâches critiques en matière de sécurité, comme pour Fable d’Anthropic dans le domaine de la cybersécurité. Une autre raison des restrictions d’accès serait la distillation, c’est-à-dire le réentraînement de modèles concurrents avec les sorties de systèmes plus avancés, ce qui, selon un ancien chercheur d’Anthropic, est pratiquement impossible à empêcher complètement. Certains investisseurs avertissent également les développeurs qu’Anthropic pourrait retenir sa meilleure technologie pour créer ses propres applications. Le journal estime qu’une telle démarche rendrait probable une vaste enquête antitrust, car Anthropic domine clairement le marché des API. Des fournisseurs comme Harvey et Cursor entraînent déjà leurs propres modèles en interne pour réduire leur dépendance. → The Information AI Agenda

Synthszr Take : Canva paie Anthropic pour des modèles qui peuvent en parallèle alimenter un produit qui concurrence Canva. Telle est la situation actuelle pour toute une génération de fournisseurs d’applications. La dépendance est asymétrique, car le fournisseur lit la planification des produits de son client à travers les données d’utilisation et les tickets de support, avant même que le client ne les livre. Harvey et Cursor en ont tiré la conséquence logique et entraînent leurs propres modèles, ce qui est coûteux mais sauve leur position de négociation. Plus solides qu’un modèle maison, il y a les choses qu’un fournisseur n’a tout simplement pas : les données de travail de ses propres utilisateurs et la responsabilité contractuelle d’un résultat que le client paie réellement. Si Anthropic, en tant que leader incontesté du marché des API, devait vraiment retenir ses meilleurs modèles, les clients concernés auraient au moins une autorité de la concurrence de leur côté.

Un AirTag démasque Amazon : des livres d’occasion sont découpés pour l’entraînement de l’IA

Amazon achète des livres d’occasion en grandes quantités pour les découper, les scanner puis les jeter dans un entrepôt du Nevada. Selon une enquête de 404 Media, rapportée par Futurism, un libraire avait reçu une commande anonyme de 1 000 volumes sur la marketplace Biblio et avait placé un Apple AirTag entre les pages d’un des livres. Le colis a atterri sur le site Amazon VGT3 près de Las Vegas, où, selon leurs propres publications sur des forums, les employés ne traitent que des livres : une partie retire les dos, une autre scanne les codes-barres. Amazon a simplement déclaré à 404 Media qu’ils achetaient des livres via des canaux commerciaux pour développer leurs propres produits et services. Ce procédé a été révélé pour la première fois lors du procès contre Anthropic, au cours duquel un juge a qualifié la découpe et la numérisation industrielles de millions de livres de transformatrices et donc autorisées par le droit d’auteur. Comme l’ISBN de chaque volume est apparemment systématiquement enregistré dans le Nevada, les libraires voient leurs soupçons confirmés : les entreprises d’IA traitent la production mondiale de livres en suivant les numéros de série. Le libraire concerné vend des titres rares dont il ne reste que peu d’exemplaires en circulation. → Futurism

Synthszr Take : Un AirTag entre deux pages a apporté plus de clarté que toutes les déclarations de presse du secteur réunies. La véritable matière première dans cette histoire est l’anonymat de la marketplace : Biblio la vend comme une commodité pour les acheteurs, Amazon l’a utilisée comme un canal d’approvisionnement, et 1 000 volumes rares sont passés à la machine à découper dans le Nevada pour cela. Le fait qu’un tribunal ait validé la découpe et la numérisation comme étant transformatrices dans l’affaire Anthropic rend le tout juridiquement propre et économiquement attractif, tandis que le vendeur ne revoit jamais sa marchandise. Les libraires d’occasion réagissent en exigeant une preuve d’identité pour les grosses commandes et en appliquant des suppléments pour les commandes groupées par ISBN ; la confiance devient une condition préalable à l’accès au papier. Le logo du département, un T-Rex avec un livre dans la gueule, reste pour l’instant la déclaration la plus franche qu’Amazon ait faite à ce sujet.

LTX intègre la vidéo multishot et l’export EXR dans le montage professionnel avec LTX-2.5

LTX a publié le 11 août la version LTX-2.5 de son modèle vidéo ouvert. Selon Turing Post, la nouveauté est une génération multishot native qui produit plusieurs plans en une seule passe, tout en maintenant la cohérence des personnages et de l’esthétique visuelle à travers les coupes, d’après le fournisseur. S’y ajoute un décodeur vidéo à diffusion pour la sortie d’image. Le modèle prend également en charge le format EXR en qualité cinéma, c’est-à-dire le format de fichier utilisé par les logiciels de compositing et d’étalonnage dans la production cinématographique et publicitaire. → 🔳 Turing Post

Synthszr Take : Le multishot avec une continuité parfaite est le point où un modèle vidéo trouve sa place en salle de montage : plusieurs plans, le même personnage, la même ambiance lumineuse, sans que personne n’ait à ajuster manuellement des dizaines de clips par la suite. Le support de l’EXR est décisif pour l’accès aux pipelines existants, car l’étalonnage et le compositing nécessitent des données linéaires en virgule flottante et non des frames 8 bits déjà finalisées. Le checkpoint brut pré-entraîné est le vrai cadeau pour les maisons de production ayant leur propre identité visuelle et qui ne veulent pas la déduire à partir du fine-tuning d’un autre.

Le véritable risque de bulle de l’IA commence par la croyance

Dans le dernier épisode de «  The Deep View Conversations  », la rédaction analyse le débat ravivé sur une bulle de l’IA et situe la réalité entre la rhétorique apocalyptique et l’optimisme sans bornes. Le point central est ce que les auteurs appellent le «  problème de la Fée Clochette  » : le boom dépendrait en partie du fait qu’un nombre suffisant de personnes continue de croire au potentiel de la technologie, alors que le scepticisme du public grandit. Sous cette couche de croyance se trouve, selon le podcast, une base plus solide, car les contrats avec les entreprises clientes représentent la majorité des revenus des laboratoires d’IA. Pour étayer une demande viable, l’analyse cite les solides résultats trimestriels des hyperscalers et la pénurie persistante de capacité de calcul, qui fait que la demande d'Inference croît plus vite que l’offre. La rédaction réfute également une affirmation devenue virale selon laquelle un abonnement Claude de 200 dollars coûterait 8 000 dollars à Anthropic pour sa fourniture. Parallèlement, elle évoque la pression croissante des entreprises pour plus de contrôle, d’efficacité et de rendement mesurable, y compris la déclaration d’une entreprise dont la consommation de tokens par certains développeurs coûte 1,5 fois leur rémunération. Les autres sujets de l'épisode incluent la logique de tarification de l’entraînement et de l’accès à l’API, ainsi que la rotation des capitaux des investisseurs vers les valeurs énergétiques et les matières premières. → The Deep View

Synthszr Take : La comparaison avec 1999 n’est pas pertinente sur un point : Pets.com avait des taux de clics et des spots publicitaires au Superbowl, alors que les laboratoires d’IA ont des contrats signés avec des entreprises clientes et des centres de données dont la capacité est attribuée avant même que le béton ne soit sec. Néanmoins, l’observation sur la croyance est juste, et la facture de 8 000 dollars pour un abonnement de 200 dollars en est la preuve : un chiffre qui, mathématiquement, ne tient pas la route, persiste pendant des semaines parce qu’il correspond à l’ambiance générale. C’est exactement ainsi que s’est déroulé le déclin après 2000 : d’abord, le récit s’est effondré, puis les chiffres ont suivi, car les clients ont gelé leurs budgets et les fournisseurs ont annulé leurs commandes. Le véritable test décisif réside dans l’autre information de l’épisode : dès que la consommation de tokens d’un développeur coûte 1,5 fois son salaire, une question de croyance se transforme en un centre de coûts que n’importe quel service de contrôle de gestion peut calculer. Les entreprises qui comparent leur consommation par cas d’usage à un rendement avéré traverseront la prochaine vague de sentiment avec sérénité ; les autres devront expliquer à l’automne où est passé le budget.