Déjeuner avec Trump est rentable : l'interdiction de Fable 5 pourrait s'effondrer comme un soufflé

Les humeurs de Trump : un déjeuner avec Dario Amodei et tout va pour le mieux

Donald Trump a déclaré dans une interview pour Axios publiée le 19 juin qu'il ne considérait plus Anthropic comme une menace pour la sécurité nationale, deux jours après une rencontre avec le PDG Dario Amodei lors du sommet du G7 à Évian-les-Bains, en France. Lors du déjeuner de travail du 17 juin, Amodei, aux côtés de Demis Hassabis, avait proposé devant une douzaine de PDG du secteur technologique une coalition de démocraties menée par les États-Unis pour établir des normes en matière d'IA, en excluant délibérément la Chine. Selon Trump, le déclencheur de toute cette escalade serait un concurrent qui est également copropriétaire : cela correspond à Amazon, qui a investi 8 milliards de dollars dans Anthropic et exploite des modèles concurrents sur AWS Bedrock. Amazon a signalé une faille dans Mythos, suite à quoi le ministre du Commerce Lutnick a envoyé l'ordonnance de contrôle des exportations le 12 juin à 17h21, donnant 90 minutes à Anthropic pour mettre hors ligne Mythos 5 et Fable 5. L'ordonnance et la classification du Pentagone du 3 mars restent formellement en vigueur. Le timing est rude pour Anthropic : une valorisation post-money de 965 milliards de dollars après la série H-1 de 65 milliards, un S-1 déposé confidentiellement depuis le 1er juin, et une cotation au Nasdaq prévue pour octobre 2026 avec un volume de plus de 60 milliards de dollars. Alex Stamos et près de 150 leaders de la sécurité ont qualifié la réaction des autorités d'excessive. → Techpresso

Synthszr Take : Une politique de sécurité qui peut être renversée en une semaine par un simple déjeuner en marge du G7 n'est pas une politique, c'est un caprice. Il y a six jours, Anthropic était encore une menace nationale ; aujourd'hui, une tape dans le dos d'Amodei suffit à faire tourner le vent. Le véritable scandale se cache dans les détails : Amazon, qui a investi des milliards dans Anthropic, a dénoncé son propre partenaire au gouvernement. Voilà à quoi ressemble un partenaire stratégique qui préfère freiner un concurrent par voie administrative plutôt que de gagner sur le marché. Pour quiconque s'appuie sur l'infrastructure d'IA américaine, c'est une leçon inconfortable : les règles du jeu dépendent d'un coup de fil entre un PDG et le président, pas de lois fiables. Celui qui fonde sa stratégie produit là-dessus bâtit sur du sable mouvant. Avoir des fournisseurs secondaires, des options open source et une capacité de calcul européenne n'est plus une option, mais une nécessité de base.

Interdiction de Fable : les modèles open source sont plus qu'une solution de secours

Une interdiction interne de Fable contraint les équipes de développement à revenir à des modèles open source qu'elles peuvent exploiter sur leur propre matériel. Les raisons sont les préoccupations habituelles : à qui appartiennent les données, où s'exécute l'inférence et quelle est la fiabilité d'un système propriétaire qui peut changer les règles du jeu à tout moment. Plutôt que de se lier à un seul fournisseur, les équipes se tournent vers des modèles librement disponibles qui peuvent être adaptés à leurs propres besoins. The New Stack décrit cela comme une solution de secours, car les modèles ouverts ne sont pas encore tout à fait au niveau dans certaines disciplines. Les fournisseurs comme Ada et Anthropic, qui misent sur des systèmes fermés, perdent ainsi un argument. Cette tendance s'inscrit dans un marché en quête de systèmes d'IA fiables et contrôlables, alors que les ressources de calcul et la géopolitique rebattent les cartes. → The New Stack

Synthszr Take : «  Solution de secours  » est le mot intéressant ici, car ce qui commence aujourd'hui comme un palliatif deviendra demain l'architecture standard. C'était exactement le calcul de Zuckerberg lorsque Meta a rendu Llama librement accessible, tarissant ainsi la marge bénéficiaire sur un bon modèle. Quiconque interprète l'interdiction de Fable comme un revers regarde dans le rétroviseur. Le véritable mouvement va dans l'autre sens : les équipes qui exploitent leurs modèles sur leur propre matériel reprennent le contrôle du flux de données, des coûts et de la disponibilité, au lieu de le déléguer à un gardien. L'écart entre l'ouvert et le fermé se réduit depuis des mois, et tout fournisseur dont le modèle économique repose sur une marge sur l'inférence devrait observer cela avec nervosité. Ceux qui réorientent maintenant leur stratégie d'IA vers des modèles interchangeables et auto-contrôlables s'offrent une marge de manœuvre qu'aucun modèle de licence propriétaire ne pourra leur retirer. Cela peut être initié dès le prochain sprint, pas seulement après le prochain séminaire stratégique.

L'économie des modèles chinois qui cassent les prix

DeepSeek a lancé la V3 à 0,27 dollar par million de tokens d'entrée, tandis que GPT-4o coûtait alors 2,50 dollars, soit environ neuf fois plus. Mi-2026, l'écart s'est encore creusé : les modèles de pointe chinois se situent entre 0,10 et 0,50 dollar, contre 2,00 à 15,00 dollars pour les modèles occidentaux. Le modèle de Moonshot est à 0,06 dollar, le GLM-4.7 de Zhipu bat Claude Sonnet sur les benchmarks MATH, et DeepSeek V4 est à moins de 3 % de GPT-4o sur MMLU-Pro. La raison principale est l'architecture : le Mixture-of-Experts n'active chez DeepSeek que 37 des 671 milliards de paramètres par token, soit 2,2 % des FLOPs d'un modèle dense. À cela s'ajoutent l'entraînement en FP8, 14,8 billions de tokens sélectionnés au lieu de 40 billions en force brute, et la prédiction multi-tokens. Côté matériel, une heure de H20 en Chine coûte de 0,80 à 1,20 dollar avec une bande passante mémoire identique à celle du H100, qui coûte de 3 à 5 dollars sur AWS. Et un chercheur senior en ML à Hangzhou coûte entre 100 000 et 250 000 dollars, contre 400 000 à 700 000 à San Francisco. → Synthszr

Synthszr Take : La phrase la plus fascinante de tout le texte est que les laboratoires chinois sont malgré tout rentables. Il ne s'agit pas d'une histoire de dumping des prix, mais d'une véritable discipline de calcul (compute), intégrée à chaque couche du stack. Et c'est précisément le message pour quiconque ici veut créer son propre logiciel de domaine : la puissance d'exécution qui coûtait 100 millions il y a deux ans est maintenant disponible pour un cinquantième du prix. C'est le paradoxe de Jevons à l'état pur : une inférence moins chère ouvre des centaines de marchés de niche qui étaient trop petits hier. Celui qui, à Pékin, calcule sur 37 milliards de paramètres au lieu de 1,7 trillion, a compris que capacité et coûts d'inférence sont deux choses différentes, et chaque chef de produit devrait l'intégrer en regardant sa facture de tokens. Le fossé concurrentiel («  moat  ») de ces modèles n'est pas leur compétence, devenue interchangeable ; le fossé, ce sont les données que vous ne cédez pas. Les modèles viennent de Californie ou de Hangzhou, c'est une décision de fournisseur qui peut être prise demain matin ; la souveraineté se joue ailleurs, sur vos propres données de domaine.

Une API pour plus de 50 modèles chinois : l'accès à la révolution des prix

AIWave interpose une couche de traduction entre votre application et huit laboratoires chinois, rendant ainsi plus de 50 modèles accessibles via un unique endpoint compatible avec OpenAI. Les chiffres qui rendent cela intéressant : DeepSeek V4 coûte environ 3 % de GPT-4o par token, GLM-4 fonctionne à environ un vingtième du prix pour des benchmarks comparables, et Qwen offre des performances multilingues de niveau Claude pour une erreur d'arrondi sur la facture cloud. Jusqu'à présent, le vrai problème était la friction : huit fournisseurs, sept schémas d'authentification, quatre formats d'API, des tableaux de bord en chinois et des portefeuilles séparés. AIWave normalise tout cela en deux chaînes de caractères modifiées dans le code, base_url et model au format fournisseur/nom-du-modèle, le reste (streaming, function calling, temperature) fonctionnant comme d'habitude. Le catalogue va de deepseek/deepseek-v4-pro avec 128K de contexte pour le raisonnement (reasoning) à qwen/qwen-3-max avec 256K pour les documents longs, en passant par des modèles économiques comme yi/yi-lightning. Des chaînes de load-balancing et de fallback sont intégrées, par exemple de DeepSeek à Kimi lorsque les limites de taux (rate-limits) sont atteintes. État des données : juin 2026. → Synthszr

Synthszr Take : L'économie était déjà absurde en 2025, seulement personne n'en profitait. C'est exactement là le point : ce n'est pas le modèle qui est décisif, mais la friction à l'accès. Tant qu'une équipe doit se battre avec DashScope-HMAC, des JWT à expiration et ByteDance-SigV4, elle s'en tiendra à un seul fournisseur occidental et paiera le supplément, même si le tableau indique un facteur 30. AIWave ne vend pas un modèle, il vend la disparition du travail d'intégration, et c'est la moitié la plus chère de la facture. Celui qui, dans ma Vendor-Map de Code Crash, met en place proprement la télémétrie des coûts par cas d'usage peut maintenant déporter les refactorings nocturnes ou la summarisation en masse sur un modèle à trois pour mille du prix et réserver le modèle de pointe pour les cas de raisonnement complexes. Le paradoxe de Jevons s'applique immédiatement : des tokens moins chers ne signifient pas moins de dépenses, mais dix fois plus d'appels. En février, nous écrivions que ce qui se passe en Chine ne reste pas en Chine. Maintenant, c'est à portée de main en deux lignes de code, et cela peut être testé cette semaine, pas seulement après la prochaine revue d'architecture.

Jailbreaks universels : quand les filets de sécurité de l'IA se déchirent

Des chercheurs ont démontré que des attaques contre les grands modèles de langage peuvent être construites de manière entièrement automatisée. Il suffit d'ajouter une chaîne de caractères spécialement calculée à une requête utilisateur, et le modèle obéit à des commandes qu'il devrait normalement refuser grâce au fine-tuning. Contrairement aux jailbreaks conçus manuellement, que les fournisseurs corrigent rapidement, ces attaques peuvent être générées en nombre illimité. Elles ont été optimisées sur des modèles open source dont les poids sont publics, mais les chaînes de caractères se transfèrent à des systèmes fermés comme ChatGPT, Bard et Claude. Particulièrement gênant : les auteurs estiment qu'il n'est pas certain que le problème puisse être complètement résolu. Des attaques adversariales similaires affectent la vision par ordinateur depuis dix ans sans solution. Les chercheurs ont divulgué leurs résultats en amont aux fournisseurs concernés, c'est pourquoi certaines chaînes de caractères spécifiques devraient désormais être inefficaces. → Simon Willison from Simon Willison's Newsletter

Synthszr Take : La nouvelle qui dérange se cache dans la nuance : cela pourrait être inhérent à la nature des réseaux neuronaux profonds et donc être un problème insoluble à long terme. Tant qu'un LLM se contente de générer du texte, c'est un problème de relations publiques. Dès qu'il agit de manière autonome, envoie des e-mails, exécute du code, réagit à des recherches web, le résultat indésirable devient une porte ouverte pour quiconque ajoute la bonne séquence de caractères. En mai, nous écrivions sur le TACO Day d'Anthropic et l'accès au Pentagone, et c'est précisément là que deux lignes de conduite entrent en collision : on vend de l'autonomie à des clients critiques en matière de sécurité tout en ne pouvant garantir que les garde-fous tiendront. La discipline de calcul (compute) des prochaines années ne réside donc pas dans un modèle plus grand, mais dans l'architecture qui l'entoure : qu'est-ce qu'un LLM a le droit d'initier sans confirmation humaine ? Celui qui répond à cette question aujourd'hui, plutôt qu'après le prochain incident, construit le véritable fossé concurrentiel, avant que quelqu'un n'en fasse une présentation de consultant.

GPT-5.6 arrive probablement la semaine prochaine

OpenAI lancera GPT-5.6 la semaine prochaine, probablement avec des variantes Mini et Pro. La fenêtre de contexte passe à 1,5 million de tokens, accompagnée d'un meilleur codage sur de longues périodes et de temps de réponse plus rapides pour Codex. Les prix sont fixés pour être inférieurs à ceux d'Anthropic, ce qui est utile car des problèmes réglementaires aux États-Unis pèsent sur la disponibilité de Claude Fable 5. Parallèlement, Yann LeCun s'exprime : il qualifie xAI de Musk d'«  échec  » incapable de rivaliser avec OpenAI et Anthropic, et met en garde contre une «  explosion d'une grande bulle  » si les laboratoires n'augmentent pas leurs prix ou ne réduisent pas leurs coûts. Les coûts opérationnels des modèles de pointe restent le problème non résolu derrière toutes ces sorties. → TLDR AI

Synthszr Take : Un contexte de 1,5 million de tokens semble être un bond en avant, mais dans le quotidien des équipes d'ingénierie, c'est avant tout une facture. Plus de contexte signifie plus de calcul (compute) par requête, et c'est là que la guerre des prix contre Anthropic devient intéressante : OpenAI subventionne sa part de marché, tandis que LeCun parle d'explosion de la bulle. Les deux peuvent être vrais simultanément. Ceux qui utilisent déjà Codex comme standard dans leur espace de travail (nous l'avons noté dans notre Vendor-Map avec le 'workspace lock-in') obtiendront avec la version 5.6 des temps de réponse plus rapides et de meilleurs refactorings, mais ils en paieront le prix en termes de dépendance, pas seulement en dollars. La question passionnante pour les prochains mois n'est pas l'écart dans les benchmarks, mais de savoir si les coûts d'inférence se répercuteront un jour sur les prix ou s'ils seront durablement amortis par l'argent des investisseurs. Tant que cette question reste ouverte, le même conseil pragmatique s'applique à chaque équipe : les modèles changent vite, mais le framework d'orchestration sous-jacent a une durée de vie plus longue. Misez sur ce dernier, pas sur le numéro de version.

ChatGPT devient un assistant personnel avec un agenda

OpenAI a doté ChatGPT d'une nouvelle page «  Planifiées  » (Scheduled) dans la barre latérale, qui regroupe toutes les tâches actives en un seul endroit. De là, il est possible de les consulter, de les mettre en pause, de les modifier ou de les supprimer. Les tâches de recherche parcourent le web et les applications connectées et ne signalent que les changements réels. Tout peut être planifié à des heures précises ou pour des moments de la journée (matin, midi, soir), une tâche s'exécutant au maximum une fois par heure et se mettant automatiquement en pause en cas d'inactivité. La fonction est disponible pour les utilisateurs Plus, Pro, Business et Enterprise, avec des limites différentes selon l'abonnement. L'ancienne fonction «  Pulse  » est abandonnée et intégrée dans les tâches planifiées. → Techpresso

Synthszr Take : Le chatbot se dote ici d'une mémoire temporelle, ce qui change son rôle. Tant que ChatGPT ne répond que lorsqu'on l'interroge, il reste un outil que l'on utilise. Avec des tâches planifiées qui s'exécutent en arrière-plan et ne se manifestent qu'en cas de changement réel, il devient un flux opérationnel (Operating Stream) que l'on pilote au lieu d'utiliser. C'est exactement le passage de «  l'humain dans la boucle  » (Human in the Loop) à «  l'humain aux commandes  » (Human in the Lead) : ne pas réagir lorsque la machine signale un problème, mais donner une direction et la laisser travailler. La cadence maximale d'une fois par heure et la mise en pause en cas d'inactivité montrent qu'OpenAI gère rigoureusement son calcul (compute), car ces exécutions en arrière-plan coûtent du temps de calcul sans clic direct de l'utilisateur. Pour tester cette sensation dès demain matin, créez trois tâches récurrentes et voyez ce qu'il en reste après une semaine. Ce n'est pas ma recommandation, mais le constat est clair : l'assistant qui prend des initiatives est plus proche que la plupart ne le pensent.

Vibe-coded Apps : la sécurité pour la nouvelle génération de logiciels

Retool se repositionne et transforme le secret de polichinelle de la vague du Vibe-Coding en argument de vente : «  Secure your vibe-coded apps  ». La plateforme promet des logiciels internes de qualité professionnelle (enterprise-grade) dès le premier jour, donc pas de reconstruction ultérieure, pas de stress lié aux audits, pas de veto de l'IT. Selon ses propres déclarations, plus de 10 000 équipes utilisent Retool pour des applications d'IA prêtes pour la production. Les références sont solides : Ramp rapporte 8 millions de dollars d'économies et plus de 20 000 heures gagnées, DoorDash atteint 6 millions de dollars et 36 000 heures, et Orangetheory une réduction par dix du temps de développement dans 1 600 studios. La promesse est la suivante : les équipes métier construisent rapidement, l'IT conserve une visibilité totale et la gouvernance reste centralisée. Retool fournit également un nouveau React-AI-App-Builder et un rapport «  State of AI Governance 2026  ». → TAAFT - There's An AI For That

Synthszr Take : Au printemps 2025, le diagnostic était encore alarmant : Veracode estimait que 45 % du code généré par l'IA échouait aux tests de sécurité. Aujourd'hui, Retool vend précisément cette lacune comme une catégorie de produit, et c'est le geste le plus honnête dans tout le cirque du Vibe-Coding. Le changement intéressant réside dans les détails : la sécurité se déplace de la personne qui écrit le code (ou ne le comprend pas) vers la plateforme qui le déploie. Feature Flags, portails de sécurité automatisés, pistes d'audit pour chaque prompt : début 2025, c'était encore le Far West ; aujourd'hui, c'est une fonction de conformité avec une étiquette de prix. Un champion caché qui veut construire ses outils internes n'a plus à se poser la vieille question de savoir s'il faut choisir entre rapidité et sécurité. Les deux peuvent être décidés dès demain matin, pas seulement après le prochain séminaire stratégique. Le fait est que la chaîne d'outils a mûri, et c'est précisément pour cela que le risque se transforme en modèle économique.

L'Europe et l'IA : un scénario catastrophe comme signal d'alarme

Un think tank bruxellois a publié une expérience de pensée intitulée «  Europe 2031  », dans laquelle l'UE est écrasée entre les États-Unis et la Chine : l'Amérique construit des centres de données et licencie des gens, la Chine construit des robots, et l'Europe prend de longues pauses déjeuner en laissant le travail administratif à Claude. Le timing était heureux, car un jour après la publication, l'administration Trump a bloqué l'accès des «  ressortissants étrangers  » à un modèle d'Anthropic nommé Fable, transformant brièvement en réalité l'une des prédictions centrales. Le scénario est devenu viral pendant la semaine du G7, a été lu par des députés européens et cité dans des discussions informelles (Track 1.5) britannico-allemandes. L'auteur Maximilian Negele, anciennement à la Rand Corporation, parle d'un «  accident de voiture au ralenti  » et d'une barrière de traduction entre Bruxelles et San Francisco. Dans l'intrigue, les États-Unis monopolisent 70 % de la capacité de calcul mondiale, tandis que l'UE tente désespérément d'utiliser l'entreprise néerlandaise ASML comme ultime moyen de pression. Les sceptiques soulignent que plusieurs des méga-accords mentionnés ont depuis longtemps échoué : le pacte de 100 milliards entre OpenAI et Nvidia s'est évaporé en février, les 300 milliards avec Oracle sont considérés comme douteux, et les bulldozers au Texas sont à l'arrêt. Les auteurs restent sereins et admettent qu'une ou deux entreprises d'IA pourraient faire faillite. → www.theguardian.com

Synthszr Take : Le scénario fonctionne comme un épouvantail, et c'est précisément pourquoi il est un peu suspect. Si les chiffres les plus impressionnants de l'intrigue (100 milliards pour OpenAI/Nvidia, 300 milliards pour Oracle, les bulldozers du Texas) sont déjà démentis par la réalité, alors tout cet édifice apocalyptique repose sur du sable qui s'effrite. L'histoire plus honnête se déroule à Stockholm et à Paris : en moins de dix-huit mois, Legora a atteint 100 millions de dollars de chiffre d'affaires annuel et fournit un cinquième des plus grands cabinets d'avocats américains, et les AMI Labs de Yann LeCun ont levé 1,03 milliard de dollars, le plus grand tour de table d'amorçage jamais vu en Europe. Le problème de l'Europe n'a jamais été la profondeur de sa recherche, mais sa transposition à grande échelle, et c'est précisément ce que l'IA est en train de fournir. Le blocage de Fable la semaine dernière (voir «  Le séisme Anthropic  ») montre clairement ce que coûte la dépendance aux modèles américains ; c'est le véritable argument en faveur de la souveraineté, et non le fantasme d'affaires d'espionnage à la fin du document. La peur mobilise à court terme, mais elle ne construit pas de centres de données. Ce dont l'Europe a besoin, c'est d'une discipline de calcul (compute) et du courage de donner enfin aux champions cachés le capital nécessaire pour leur croissance, au lieu de se laisser effrayer par une tragédie bruxelloise en cinq actes.

Thermodynamique de l'intelligence : une nouvelle unité de mesure ?

Un pré-print d'Ishanu Chattopadhyay (arXiv, soumis en juin 2026) tente de rendre l'intelligence mesurable en tant que grandeur physique. La thèse : l'intelligence est l'amplification légale d'avenirs rares mais admissibles. Un système est considéré comme intelligent s'il augmente la probabilité de résultats qui seraient improbables dans une dynamique passive, tout en restant dans les règles du domaine concerné. Pour les auteurs, cela implique nécessairement l'auto-simulation récursive : comme le système fait partie du monde qu'il modélise, il doit se prendre en compte lui-même et ses actions dans les futurs simulés. Les résultats centraux sont une déclaration de nécessité et une déclaration de quasi-suffisance, qui lient cette architecture à une mesure thermodynamique précise. Le résultat est une échelle universelle qui s'étend de la matière passive aux démons de Maxwell, en passant par les circuits de régulation, les grands modèles de langage et les humains en tant que générateurs de texte. → Techpresso

Synthszr Take : Derrière ce vocabulaire dense de la physique se cache une idée qui est depuis longtemps une réalité dans le quotidien des produits. Quiconque construit un système qui, parmi des millions de prochaines étapes possibles, trouve celle qui est rare, précieuse et tout juste admissible, construit précisément cette machine d'amplification. L'ambition d'une échelle continue est fascinante : la même unité de mesure pour un thermostat et pour GPT, ce qui force à l'honnêteté sur ce qu'un modèle accomplit réellement. D'autres laboratoires devront vérifier si les mathématiques tiennent la route, et un unique pré-print sans réplication reste pour l'instant une affirmation audacieuse. Mais le cœur pratique peut être testé immédiatement : votre système mesure-t-il la précision de ses propres prédictions sur les résultats rares, ou optimise-t-il seulement le cas moyen ? Celui qui, à l'avenir, exprimera l'intelligence en termes de 'lift' par rapport à une base de référence aléatoire plutôt qu'en points de benchmark vagues, obtiendra une métrique qui s'intègre aussi bien dans le score de santé client que dans un article de recherche. Une unité de mesure valable de la pierre au modèle de langage est exactement le genre de discipline qui manque actuellement à ce débat surchauffé.