Une fausse maladie contamine l’IA & Benchmarks d’agents plus stricts - Actualités IA (10 avr. 2026)

On commence par cette histoire de “bixonimania”. Une chercheuse de l’Université de Göteborg a inventé une fausse maladie, publié de faux préprints truffés d’indices, et observé ce qui se passait. Résultat : en quelques semaines, de gros chatbots et moteurs de réponse ont commencé à décrire la maladie comme si elle était réelle, parfois avec des “conseils” et même des estimations. Le plus préoccupant, c’est l’effet boule de neige : la fiction a fini par se retrouver citée dans la littérature scientifique, et un article a été rétracté après qu’un journal a relevé des références hors sujet. Ce n’est pas juste un problème de hallucinations : c’est un problème de contamination de l’écosystème par du contenu qui a l’air crédible.

Dans la foulée, un autre sujet gagne en importance : comment on mesure réellement les agents IA. Le benchmark open source Claw‑Eval vient renforcer son approche avec un score plus strict, appelé “Pass au cube” : pour dire qu’un modèle sait faire une tâche, il doit la réussir plusieurs fois, pas juste une fois sur un coup de chance. C’est un changement discret, mais crucial, parce que les agents dépendent de facteurs instables — outils, API, timing, aléas — et une “réussite” isolée ne prouve pas grand-chose. Claw‑Eval mise aussi sur des grilles d’évaluation détaillées et de l’audit de trajectoire, ce qui pousse le secteur vers des classements plus vérifiables, et moins magiques.

Toujours sur les agents, Anthropic annonce Claude Managed Agents, une offre hébergée qui veut rendre les agents plus robustes sur la durée. L’idée clé : séparer le “cerveau” de l’agent, ses “mains” — les outils et sandboxes — et surtout la “mémoire” de session, conservée dans un journal d’événements. Pourquoi ça compte ? Parce que, dans la vraie vie, un agent qui tombe en panne sans trace exploitable, c’est du temps perdu, et parfois un incident de sécurité. En externalisant un historique durable et en isolant mieux les secrets, Anthropic vend un message simple : des agents redémarrables, audités, et plus sûrs.

Mais Anthropic fait aussi face à un revers politique et commercial : une cour d’appel fédérale à Washington a refusé de suspendre, même temporairement, la décision du Département de la Défense de blacklister l’entreprise comme “risque supply chain” pendant la procédure. Concrètement, cela maintient la barrière sur les contrats DoD et oblige les sous-traitants défense à certifier qu’ils n’utilisent pas Claude pour des travaux militaires. Le dossier illustre un point de fond : dans l’IA, l’accès au secteur public — surtout défense — devient autant une affaire de gouvernance et de confiance que de performance.

Côté OpenAI, le discours entreprise se durcit : selon sa direction commerciale, les clients ne sont plus en phase de test, ils cherchent à réorganiser le travail autour d’agents capables d’opérer à l’échelle de l’entreprise. OpenAI insiste sur une couche unifiée de gouvernance et de permissions, pour éviter l’empilement de solutions isolées. Le signal à retenir, c’est moins le marketing que la dynamique : les agents deviennent une question d’architecture d’entreprise, avec des enjeux de droits d’accès, traçabilité et conformité — autrement dit, de “qui a le droit de faire quoi, et comment on le prouve”.

Dans le même mouvement, Perplexity est présenté comme en forte croissance après un virage : passer de la recherche assistée à des agents qui exécutent des tâches. Ça confirme une tendance simple : beaucoup d’utilisateurs ne veulent pas seulement des réponses, ils veulent des actions, dans des flux de travail. Et ça met la pression sur la fiabilité, parce qu’un agent qui agit — surtout sur des sujets sensibles comme l’administratif — doit être plus prévisible qu’un chatbot généraliste.

Un billet de développeur fait écho à tout ça avec une critique assez juste : l’“agentic software” risque de répéter une vieille erreur d’ingénierie, en optimisant des composants isolés sans concevoir le système global. Le message est clair : la sécurité ne peut pas dépendre d’une consigne dans un prompt. Elle doit être imposée par des frontières techniques, des identités, des permissions cohérentes, et des logs auditables. Si vous déployez des agents en production, ce rappel est précieux : l’agent remplace une partie de la logique métier, mais les règles du logiciel sérieux, elles, ne disparaissent pas.

Sur la question de la mémoire et de l’amélioration continue des agents, IBM Research propose ALTK‑Evolve, un système qui transforme des expériences passées en “principes” réutilisables. L’intérêt n’est pas de stocker plus de texte, mais d’extraire des règles compactes, pertinentes, puis de les rappeler juste au bon moment. Le bénéfice annoncé : moins de répétition d’erreurs, et davantage de cohérence sur des variantes de tâches. À mesure que les agents deviennent des collègues numériques récurrents, la mémoire utile — pas la mémoire brute — devient un avantage compétitif.

Passons au matériel : Apple donnerait des signaux d’une intégration plus poussée autour de sa puce serveur IA, surnommée “Baltra” dans la chaîne d’approvisionnement. Ce qui se joue ici, c’est le contrôle : du packaging avancé, de la validation des composants, et potentiellement davantage d’étapes en interne à terme. Dans un marché où les capacités GPU et les chaînes de production sont sous tension, gagner en indépendance et en qualité de fabrication peut peser autant que quelques points de performance.

Chez Meta, l’actualité se partage en deux couches. D’un côté, Meta Superintelligence Labs présente Muse Spark, un modèle multimodal orienté raisonnement et orchestration d’outils, avec des modes de calcul au moment de l’inférence pour mieux traiter les questions difficiles. De l’autre, un débat plus corrosif circule : l’industrie aurait transformé la “consommation de tokens” en trophée, et cette surproduction de texte de raisonnement coûterait cher tout en créant des incitations bizarres. La spéculation la plus piquante : que la distillation de sorties d’un modèle concurrent, à très grand volume, puisse accélérer un rattrapage. Vrai ou non, l’enjeu est réel : si la performance dépend de “penser plus longtemps” en tokens, la facture explose — et les frontières entre apprentissage, imitation et avantage durable deviennent floues.

Dans les outils de dev, Cursor affirme que son Bugbot, un assistant de revue de code, voit davantage de ses alertes réellement corrigées avant fusion. Ce genre de métrique est intéressant parce qu’il rappelle une vérité terrain : un bon outil n’est pas celui qui trouve le plus de problèmes, c’est celui qui fait gagner du temps sans épuiser l’équipe avec des faux positifs. La promesse ici, c’est une boucle d’apprentissage basée sur le retour des PRs réelles, donc plus proche des besoins des projets au quotidien.

Pour ceux qui apprennent ou partagent des notebooks, Google met à jour Gemini dans Colab avec deux idées simples : pouvoir définir des instructions au niveau du notebook, et activer un mode “apprentissage” plus tutoriel que copilote. L’impact est pratique : un notebook partagé peut embarquer non seulement du code, mais aussi une façon cohérente d’être accompagné — utile pour l’enseignement, l’onboarding, ou des équipes qui veulent standardiser des habitudes de projet.

Enfin, côté infrastructure ML, les développeurs PyTorch font évoluer Monarch, un framework qui vise à rendre le calcul distribué moins pénible à exploiter et à déboguer, notamment dans des environnements orchestrés comme Kubernetes. Ce n’est pas le sujet le plus visible, mais c’est souvent là que se gagnent — ou se perdent — des semaines de productivité : itérer plus vite, observer ce qui se passe, et réduire la friction quand on passe du prototype au cluster.

Et un dernier dossier, plus politique : un responsable du Pentagone, impliqué dans l’accélération de l’IA côté défense, aurait réalisé un gain important en revendant une participation privée dans xAI, dans une période où des accords impliquant xAI ont été annoncés. Le point clé n’est pas le chiffre exact, mais le signal : à mesure que l’IA devient stratégique, les questions de conflits d’intérêts, de calendrier de désinvestissement et de transparence vont s’intensifier — et elles pèseront sur la confiance dans les achats publics.

On termine avec un baromètre social : un sondage Gallup indique que la Gen Z utilise régulièrement l’IA générative, mais se montre plus négative qu’il y a un an. Moins d’espoir, moins d’enthousiasme, et plus de colère déclarée, surtout sur le lieu de travail. C’est un rappel utile : l’adoption ne dépend pas seulement des capacités techniques. Elle dépend aussi de la perception, de la peur du déclassement, et de la manière dont écoles et entreprises encadrent l’usage.