Le Japon lance une alternative à Fable — l'UE la bloque

Le Japon contre le mythe de Claude avec Fugu — mais sans l'Europe

Sakana, la start-up d'IA de plus en plus orientée entreprise de l'ancien de Google Brain, David Ha, a lancé Fugu hier soir : un système d'orchestration multi-agents qui offre des performances de pointe (Frontier-Performance) via une seule API compatible avec OpenAI. Au lieu de s'appuyer sur un unique modèle monolithique, Fugu (poisson-globe en japonais) route dynamiquement les requêtes vers un pool interchangeable d'agents spécialisés. Le moment n'est pas anodin : le 12 juin, Anthropic avait coupé l'accès public à ses modèles phares Claude Mythos 5 et Fable 5 suite à une ordonnance américaine de contrôle des exportations. Sur les benchmarks, Fugu prend le dessus : 93,2 sur LiveCodeBench contre 89,8 pour Fable, et 95,5 sur GPQA-Diamond. Les prix sont élevés : Fugu Ultra débute à 5 dollars par million de tokens d'entrée et 30 dollars par million de tokens de sortie. Le détail piquant : les modèles que Fugu choisit en interne restent propriétaires et cachés à l'utilisateur, et dans l'UE, le service n'est pour l'instant pas disponible en raison de questions en suspens concernant le RGPD. → venturebeat.com

L'avis de Synthszr : Le 12 juin, Anthropic a désactivé Claude Mythos 5 et Fable 5 en dehors des États-Unis. Trois jours plus tard, un système arrive de Tokyo qui le surpasse sur les benchmarks. Cela devrait nous faire réfléchir en Europe, et pour les bonnes raisons. Sakana a livré ce que Mistral & Co n'ont pas réussi à faire. Nous parlons de souveraineté, nous fondons des consortiums, nous rédigeons des documents stratégiques. David Ha a lu l'avis d'exportation et a construit un produit fini pour combler la brèche. Fugu atteint 93,2 sur LiveCodeBench contre 89,8 pour Fable. Ce n'est pas une annonce. C'est opérationnel. Et que fait l'UE ? Elle bloque le service. Questions RGPD en suspens, Fugu ne démarre pas en Europe pour le moment. Nous venons de voir en direct à quelle vitesse un fournisseur américain peut fermer le robinet. Au même moment, un pays ami livre la première véritable alternative, et Bruxelles la rejette à la frontière. C'est stratégiquement stupide.

Le Japon et l'Europe sont dans le même bateau. Tous deux dépendent des modèles américains, tous deux n'ont pas leur propre stack de pointe (Frontier-Stack), tous deux assistent à la course entre Washington et Pékin. La conclusion logique est donc : appeler au lieu de bloquer. Des normes communes, un marché commun, un deuxième pôle qui ne se trouve pas en Californie. Une alliance intelligente avec Sakana serait le premier véritable coup que l'Europe jouerait dans cette affaire. Fugu n'est pas un saint pour autant. La logique de routage reste une boîte noire (Black Box), l'utilisateur ne voit pas quel modèle travaille derrière sa requête, et 30 dollars par million de tokens de sortie, c'est cher pour une couche qui ne fait que coordonner. Sakana se protège contre le verrouillage fournisseur (Vendor Lock-in) en devenant lui-même le gardien (Gatekeeper). C'est précisément ce qui doit être négocié. Mais seuls ceux qui sont à la table peuvent négocier. Qui veut la souveraineté doit la vouloir même quand elle est inconfortable. Sinon, l'Europe restera le marché qui regarde les autres construire l'infrastructure dont elle dépendra demain.

Exode des talents chez Google : un lauréat du prix Nobel rejoint Anthropic

John Jumper quitte Google DeepMind après neuf ans pour rejoindre Anthropic. Jumper a co-développé AlphaFold, l'IA de prédiction des structures protéiques, et a reçu pour cela le prix Nobel de chimie avec Demis Hassabis. Son départ suit de quelques jours seulement celui de Noam Shazeer, co-responsable de Gemini, parti chez OpenAI, soit deux têtes d'affiche en une seule semaine. Jumper a l'intention de prendre «  une pause  » avant de commencer chez Anthropic, juste à temps pour un événement scientifique prévu le 30 juin. Récemment, il aurait également travaillé chez Google sur des outils de codage pour le secteur des entreprises, un domaine où le groupe est à la traîne par rapport à ses rivaux de pointe. Alors que les modèles de Google étaient en tête en 2024 et 2025, l'année 2026 semble marquer un recul par rapport à OpenAI et Anthropic. La science était considérée comme le terrain de jeu de DeepMind, et c'est précisément là qu'il y a maintenant un vide. → The Rundown AI

L'avis de Synthszr : Le talent est le véritable fossé concurrentiel dans le domaine de l'IA, et Google est en train de le perdre au profit des deux entreprises qu'il affronte. Jumper n'est pas un chercheur ordinaire ; avec AlphaFold, il a livré le projet phare qui a propulsé DeepMind au-delà des simples modèles de langage. Le fait qu'il rejoigne justement Anthropic, dont nous voyions déjà le chiffre d'affaires approcher les 20 milliards de dollars début mars, en dit plus sur la force d'attraction des valorisations que sur Google lui-même. Un groupe avec une telle profondeur de recherche peut répliquer des modèles, mais il ne peut pas sortir un deuxième prix Nobel de son chapeau. La question pragmatique pour Sundar Pichai est de savoir pourquoi les meilleurs cerveaux préfèrent les stock-options d'une start-up surévaluée à la sécurité d'un géant valant des milliers de milliards. Celui qui ne répond à cela qu'avec plus de puissance de calcul et de salaire n'a pas compris la question. Il s'agit du sentiment d'être dans la voiture la plus rapide, et ce sentiment, Google l'a dilapidé en douze mois.

Modèles open-weight : le «  moment ChatGPT  » de poche

Pour la première fois, un modèle librement téléchargeable sous licence MIT rivalise avec les systèmes fermés les plus chers. Il s'agit de GLM-5.2 de Zhipu AI (Z.ai), qui enthousiasme les développeurs en série : Matt Velloso, ancien VP chez Meta, DeepMind et Microsoft, le qualifie de «  premier modèle open source qui puisse servir au quotidien  ». Jeremy Howard, cofondateur de Fast AI, le place au même niveau qu'Opus 4.8 et GPT-5.5. Les chiffres confirment cet engouement : une fenêtre de contexte d'un million de tokens, capable de contenir une base de code complète, la première place dans les classements indépendants open-weight et la première place pour le codage frontend sur Arena AI. Le tout fonctionne sur son propre matériel, gratuitement et sous une licence permissive. Mi-juin déjà, nous notions comment GLM-5.2 surpassait GPT-5.5 pour une fraction du prix ; aujourd'hui, l'écart avec le camp du code source fermé a pratiquement disparu. → Linas from Linas's Newsletter

L'avis de Synthszr : Fin mai, Anthropic était encore le numéro un incontesté avec une valorisation record ; aujourd'hui, un modèle open-weight chinois offre un niveau de performance digne d'Opus 4.8 pour une fraction des coûts d'exploitation. C'est exactement le paradoxe de Jevons en action : plus l'inférence devient bon marché, plus on en consomme, et la valeur se déplace de la pondération du modèle vers l'orchestration. Fugu Ultra de Sakana le rend visible, car ce n'est pas un modèle géant qui l'emporte, mais la coordination intelligente de modèles spécialisés derrière une API. Dans les OH-SO-Vendor-Maps, on peut lire depuis la sixième édition que le choix du framework d'orchestration a une durée de vie plus longue que le choix du modèle, et GLM-5.2 le confirme une fois de plus. Quiconque lie aujourd'hui exclusivement son stack de codage à un fournisseur propriétaire s'expose à un risque de verrouillage (lock-in) qui pourrait coûter très cher dans six mois. La «  souveraineté raisonnable  » («  Reasonable Sovereignty  ») signifie : un modèle de pointe (Frontier-Modell) par défaut, une sauvegarde open-weight comme GLM-5.2 ou Llama à côté, et la logique dans un framework agnostique comme LangGraph. Cette architecture peut être configurée en phase pilote, pas seulement après le prochain séminaire stratégique.

GLM-5.2 devance de peu Kimi K2.7 : deux modèles open source chinois redéfinissent les prix de pointe

GLM-5.2 de Zhipu AI et Kimi K2.7 Code de Moonshot, tous deux lancés à quelques jours d'intervalle mi-juin, ont maintenant été testés en face à face par cinq évaluateurs indépendants, et le premier verdict donne une légère avance à GLM-5.2. Pour les tâches rapides en one-shot, les deux se sont partagé les victoires, Kimi étant souvent plus rapide et ajoutant des fonctionnalités non demandées. La différence est apparue au second examen : les builds de GLM résistaient mieux à l'inspection du code, tandis que les interfaces soignées de Kimi cachaient plus de bugs. GLM-5.2 dispose de 744 milliards de paramètres (40 milliards actifs), d'une licence MIT, d'une fenêtre de contexte d'un million de tokens, est en tête de l'Intelligence Index d'Artificial Analysis avec 51 points et a battu GPT-5.5 sur GDPval. Kimi K2.7 Code est l'instrument plus modeste : un billion de paramètres, 32 milliards actifs, il est le seul des deux à lire les images, mais sa fenêtre de contexte d'environ 256 000 tokens a été jugée trop juste pour du code de production par plusieurs évaluateurs. Pour le jeu de course Three.js, GLM a eu besoin d'un prompt et de 40 000 tokens, Kimi d'une relance et de 110 000. Et le prix : GLM revient à environ 50 centimes par tâche, Kimi commence à 15 dollars par mois. → Marcus Schuler

L'avis de Synthszr : Cinq exécutions individuelles subjectives ne constituent pas un benchmark ; c'est la tendance générale qui compte plus que chaque test isolé. Néanmoins, la direction est claire : deux modèles chinois librement disponibles se situent au niveau d'Opus 4.5, et l'un d'eux accomplit une tâche de codage pour environ 50 centimes. Dans notre Vendor-Map, nous avons recommandé Claude Code et Cursor comme stack standard, avec Cline plus un modèle sur site (on-premise) pour les charges de travail réglementées. C'est précisément ce troisième emplacement qui devient intéressant, car GLM-5.2 sous licence MIT est ce que nous avons appelé la «  souveraineté raisonnable  » («  Reasonable Sovereignty  ») : une sauvegarde multi-région et open source au lieu d'un verrouillage par les hyperscalers. Quiconque met en place une architecture agnostique aux modèles en 2026 aura le choix en 2027, au lieu de dépendre d'Anthropic. Il ne faut pas encore surestimer la capacité de lecture de code de GLM ; les évaluateurs ont jugé à vue de nez et ont fait vérifier par Claude. Mais ignorer le prix serait l'erreur la plus coûteuse : lorsqu'une tâche passe de 15 dollars à 50 centimes, ce n'est pas l'outillage qui change, mais les mathématiques qui le sous-tendent.

Getty Images : le partenariat avec OpenAI fait bondir l'action de 124 %

Getty Images a annoncé un partenariat pluriannuel de licence et de produit avec OpenAI, et l'action a grimpé de 124 % en début de séance. Dans le cadre de cet accord, OpenAI obtient une licence pour la bibliothèque d'images, de vidéos et de métadonnées de Getty afin d'entraîner et d'améliorer ses modèles, tandis que Getty intègre en retour les outils génératifs d'OpenAI dans ses propres produits. L'accord arrive à point nommé : au premier trimestre, le chiffre d'affaires de Getty s'élevait à 226,6 millions de dollars, en baisse de 2,5 % par rapport à l'année précédente, et son activité de licence traditionnelle est menacée par des outils qui génèrent des photos de stock en quelques secondes. Getty a été l'un des premiers grands fournisseurs de contenu à intenter une action en justice, poursuivant Stability AI en 2023 pour le scraping de millions d'images protégées par le droit d'auteur. Avant l'annonce, l'action s'échangeait sous un dollar depuis des mois. L'accord avec OpenAI fait suite à un accord de licence avec Perplexity en 2025. Les investisseurs attendent maintenant de voir si Getty peut transformer sa bibliothèque organisée en un actif d'IA plus précieux. → Techpresso

L'avis de Synthszr : Il y a deux ans, Getty poursuivait encore les entreprises d'IA ; aujourd'hui, elle octroie une licence pour sa bibliothèque à ces mêmes acteurs. Ce n'est pas un changement d'avis par conviction, c'est une action qui végétait sous un dollar depuis des mois et qui se raccroche à n'importe quelle bouée de sauvetage. Ce que montre le bond de 124 %, c'est que la valeur de Getty ne réside plus dans la vente de photos de stock individuelles, mais dans l'ensemble de données organisées, proprement étiquetées et juridiquement sûres qui se cache derrière. Exactement ce dont OpenAI a besoin pour l'entraînement et que personne ne peut plus scraper impunément depuis que les tribunaux se sont réveillés. La question passionnante est de savoir si 226 millions de revenus trimestriels suffiront à transformer cet actif en une rente de licence récurrente, ou si OpenAI, une fois l'entraînement terminé, possédera les données et Getty n'aura célébré qu'un effet ponctuel. Ceux qui accumulent du contenu organisé devraient commencer dès maintenant à le tarifer comme un bien d'entraînement pour l'IA, tant que les concepteurs de modèles paient encore. La médiocrité disparaît ici aussi ; ne reste que ce qui est vraiment unique et difficile à répliquer.

La Chine riposte : contrôles à l'exportation et interdictions d'achat pour les entreprises américaines

Lundi, la Chine a imposé de nouvelles restrictions sur les exportations et les marchés publics visant des dizaines d'entreprises américaines. Selon Nikkei, les entreprises des secteurs des drones, des terres rares et des technologies connexes sont particulièrement touchées. Ces mesures interviennent bien que Trump se soit rendu à Pékin en mai et que les deux parties aient alors parlé de détente. Depuis, les mesures commerciales se sont intensifiées de part et d'autre, et Pékin utilise désormais deux leviers simultanément : l'accès des fournisseurs chinois et l'accès à son propre marché public. Cela s'inscrit dans une escalade qui a débuté avec les contrôles draconiens à l'exportation des États-Unis contre Anthropic en juin, dont nous avions déjà parlé à l'époque. Ceux qui dépendent des terres rares sont les premiers à en ressentir les effets. → Marcus Schuler

L'avis de Synthszr : Le vrai message se trouve dans les terres rares, pas dans la liste des drones. La Chine contrôle environ 90 % de la transformation, et c'est précisément ce levier qui décide qui peut construire le matériel d'IA et les capteurs. Washington joue la carte du contrôle des exportations, Pékin celle de la dépendance aux importations, et tous deux oublient que dans une hyper-compétition, le perdant est souvent le tiers : l'Europe, qui ne contrôle ni les modèles ni les matières premières. Nous ne sommes pas en position de force, nous sommes sur la défensive, et dans cette position, ce n'est pas un séminaire stratégique qui aide, mais un inventaire honnête de nos propres chaînes d'approvisionnement. La question est à la fois banale et brutale : quels intrants critiques dépendent d'une seule source, et que se passera-t-il le jour où cette source sera fermée ? Le calcul peut être fait dès demain matin. Celui qui attend que la livraison soit interrompue a choisi le mauvais moment.

Génération de code par IA : la standardisation au sein de l'équipe de développement

Selon une enquête menée auprès de 219 responsables de l'ingénierie, 48 % du code est désormais généré par l'IA, mais l'organisation est brutalement à la traîne : seules 19 entreprises ont adapté les descriptions de poste, à peine 15 l'intégration des nouveaux arrivants, et 32 la mesure de la productivité. 55 % des dirigeants craignent que leurs équipes perdent la compréhension commune de la base de code, 39 % doutent de pouvoir encore livrer en toute sécurité avec un code de plus en plus écrit par des agents. Le problème principal n'est pas la mauvaise qualité du code IA, mais l'absence de normes : un agent utilise Jest, un autre Mocha ; l'un async/await, l'autre les Promises. Tout fonctionne, mais la base de code devient de plus en plus difficile à comprendre à chaque commit. IBM appelle ce résultat la «  dette d'intention  » («  intent debt  ») : les objectifs et les garde-fous qui devraient dire aux humains comme aux agents ce que signifie «  bien  » sont encore écrits pour l'ancien monde. La solution proposée est d'établir des règles au niveau du projet (project-level rules), c'est-à-dire des conventions explicites qui donnent aux agents d'IA le même cadre que celui que suivraient les développeurs humains. → The Deep View

L'avis de Synthszr : C'est exactement ce que j'ai décrit dans «  Code Crash  », mais sous un autre nom. Le savoir implicite a toujours été l'anti-pattern le plus coûteux, et avec les agents, la facture est immédiate. Un développeur expérimenté connaît la règle non écrite, le bug de 2019, le module auquel il ne faut pas toucher. Un LLM ne voit que ce qui est écrit dans le code, et si le code cache sa propre structure, l'agent optimise pour les mauvaises choses. Les règles au niveau du projet ne sont donc pas une charge bureaucratique, mais de l'archéologie de la connaissance à l'état pur : consacrer une heure par semaine à rendre une règle implicite explicite, et l'agent lira la même convention qu'un junior. Quiconque fait écrire 48 % de son code par des machines mais conserve les descriptions de poste de l'ancien monde se construit son propre piège de complexité. Ces normes peuvent être ancrées dans le dépôt dès demain matin, pas seulement après le prochain séminaire stratégique.

JD.com : 700 000 coursiers remplacés par des robots

Richard Liu, patron du géant chinois du e-commerce JD.com, a déclaré ouvertement lors du APEC China CEO Forum à Shenzhen ce que la plupart des patrons de la tech évitent : les robots rendront «  tôt ou tard  » superflus les 700 000 livreurs de l'entreprise. En même temps, il promet de ne licencier aucun employé de première ligne. Son programme s'appelle «  Nirvana  » : JD a conclu des contrats avec environ 120 écoles à travers la Chine pour reconvertir les coursiers en ingénieurs de maintenance et en formateurs d'IA. JD construit ses propres robots, exploite des entrepôts sans personnel, des livraisons par drone et des camionnettes autonomes, et teste déjà des robots d'aéroport à Shenzhen. Le contexte est tendu : la Chine compte cette année environ 320 millions de travailleurs de la gig economy, soit environ 40 % de l'emploi urbain, et le chômage des jeunes était de 16,3 % en avril. Pékin suit désormais les conséquences de l'IA sur l'emploi comme une priorité nationale. La question reste de savoir si 120 écoles peuvent reconvertir un effectif de 700 000 personnes plus rapidement que l'automatisation ne les rattrape. → Techpresso

L'avis de Synthszr : La franchise de Liu est plus rare que la technologie qu'il annonce. Alors que les PDG occidentaux édulcorent leur message au gré du vent politique (Bezos aujourd'hui comme ci, Altman demain comme ça), le patron de JD met cartes sur table et y ajoute une promesse mathématiquement difficile à tenir. Les postes de maintenance de robots n'existeront jamais en nombre équivalent à celui des coursiers, il le sait lui-même. Néanmoins, l'argument du séquencement est plus intelligent que le silence habituel : celui qui annonce la rupture tôt peut au moins lancer la reconversion, au lieu de laisser 700 000 personnes foncer droit dans le mur. Nous avons écrit à la mi-mars sur la fin de l'arbitrage salarial, lorsque 100 000 emplois informatiques indiens ont disparu ; ici, la même chose se produit un échelon plus bas, avec les emplois d'ouvriers, et la vitesse est plus brutale. La version honnête l'emporte sur celle enrobée de sucre : les propres données d'emploi de JD dans les années à venir montreront si «  Nirvana  » est un plan ou une illusion PowerPoint. Les gouvernements ou les entreprises qui n'investissent pas maintenant dans une véritable reconversion professionnelle misent sur le mauvais cheval.

Centres de données et prix de l'électricité : une analyse causale pour les États-Unis

Un nouveau document de John Bistline (arXiv, juin 2026) renverse le récit habituel : les centres de données n'ont pas fait grimper les prix moyens de l'électricité pour les consommateurs finaux américains entre 2015 et 2024, mais les ont modérément réduits. Les auteurs utilisent une approche par variables instrumentales pour isoler nettement l'effet causal d'autres facteurs. La logique sous-jacente est purement économique : les systèmes électriques ont des coûts fixes élevés, la transmission et la distribution sont scalables, et les coûts unitaires de production diminuent. Une demande en croissance constante répartit ces coûts fixes sur un plus grand nombre de kilowattheures, faisant ainsi baisser le prix moyen. L'étude constate ces économies d'échelle dans la production, la transmission et la distribution, y compris entre différentes classes de clients. La restriction est clairement énoncée dans le résumé : de futures pénuries d'approvisionnement pourraient inverser cet effet. → Techpresso

L'avis de Synthszr : Ici, quelqu'un va à l'encontre d'une intuition qui traverse chaque article sur l'IA et l'électricité depuis des mois. L'hypothèse selon laquelle les hyperscalers rendent l'électricité plus chère pour tout le monde semble plausible, mais elle est tout simplement démentie pour la période 2015-2024. Le mécanisme est le paradoxe de Jevons dans sa variante la moins sexy : plus de charge sur un système à coûts fixes élevés réduit le prix moyen par unité, tant que l'offre suit. C'est précisément là que ça devient intéressant, car les auteurs posent leur propre garde-fou : si l'expansion du réseau est à la traîne de la demande, le signe s'inverse. Pour la politique énergétique, cela signifie que le levier se trouve dans l'expansion de la transmission et de la production, pas dans le freinage des centres de données. Ceux qui prennent au sérieux les économies d'échelle développent les réseaux plus rapidement et récoltent les bénéfices de la numérisation, au lieu de les gaspiller par peur. Cela peut être influencé par le rythme des autorisations et la planification des investissements, bien avant que la prochaine pénurie ne vienne contredire l'étude.