Chrome télécharge un modèle 4Go & Anthropic verrouille Google Cloud - Actualités IA (7 mai 2026)

On commence donc avec Google Chrome, et une polémique très concrète. D’après plusieurs témoignages, Chrome aurait commencé à télécharger silencieusement un fichier d’environ 4 Go correspondant à Gemini Nano, un modèle local destiné à des fonctions comme l’aide à la rédaction et la détection d’arnaques directement dans le navigateur. Le point sensible, ce n’est pas l’idée d’IA sur l’appareil — ça peut être utile et plus respectueux de la vie privée — mais la manière : pas de demande de consentement claire, un téléchargement automatique, et un fichier qui revient si on le supprime tant que certaines options restent actives. À l’échelle de millions de machines, ça touche à la transparence, au coût environnemental et, surtout, à la confiance : l’IA “par défaut” ne peut pas être une surprise.

Restons chez Google, mais côté infrastructure. Alphabet aurait profité d’un joli rebond après des informations selon lesquelles Anthropic s’engagerait à dépenser environ 200 milliards de dollars sur Google Cloud sur cinq ans. C’est massif : un contrat de ce type pèse directement sur le carnet de commandes cloud et, plus important encore dans la course à l’IA, ça sécurise du calcul sur la durée. Le signal de fond est limpide : les labs qui ont de la demande verrouillent de la capacité comme on réserverait une chaîne d’approvisionnement critique. Et pour Google, c’est un double avantage potentiel : revenus cloud, mais aussi valorisation de son écosystème matériel et logiciel autour de l’IA.

Dans le même esprit “qui contrôle la capacité, contrôle la vitesse”, Google vient aussi de publier des modèles “drafters” pour Gemma 4, destinés à accélérer l’inférence via des techniques de prédiction spéculative. En clair : obtenir des réponses plus rapides sans changer le contenu final. Pourquoi c’est intéressant ? Parce qu’une grande partie du coût d’un LLM n’est pas dans la “pensée”, mais dans le fait d’aller chercher les poids en mémoire, encore et encore. Toute amélioration qui réduit cette friction se transforme en économies, en réactivité, et en meilleure expérience pour le chat, la voix et les agents.

Toujours chez Google, mais pour les développeurs : l’API Gemini améliore son outil de File Search pour les systèmes de RAG, avec trois évolutions qui visent surtout la fiabilité en production. La recherche devient multimodale — donc texte et images —, on peut ajouter des métadonnées pour mieux filtrer, et surtout obtenir des citations au niveau des pages, utiles quand il faut vérifier une réponse dans un PDF. Ce sont des détails en apparence, mais dans le monde réel, c’est exactement ce qui fait la différence entre une démo et un outil déployable avec audit et traçabilité.

Et pendant ce temps, Google semble préparer une montée en gamme de Gemini Flash avant I/O 2026 : un candidat aperçu sur des plateformes de benchmark, des messages de migration côté Vertex, et même une option qui serait brièvement apparue dans l’app. Si ça se confirme, l’idée est simple : rendre un modèle “rapide et pas trop cher” nettement plus intelligent. C’est souvent là que se joue l’adoption à grande échelle, parce que la majorité des usages n’ont pas besoin du modèle le plus cher — ils ont besoin du bon compromis.

Passons à Apple. Selon Bloomberg, iOS 27 — et ses équivalents iPadOS et macOS — pourrait permettre de choisir parmi plusieurs modèles tiers pour alimenter Apple Intelligence, via un mécanisme interne d’« extensions ». Concrètement, Siri et les outils d’écriture pourraient appeler des capacités d’IA depuis des apps installées, selon le besoin. L’enjeu ici, c’est la stratégie : Apple peut avancer plus vite sans tout construire seul, tout en laissant aux utilisateurs et aux développeurs des options différentes en termes de style, de performance, et de confidentialité. Si Apple réussit ce virage “modulaire”, ça pourrait redéfinir le rôle du système d’exploitation comme orchestrateur d’IA, plutôt que comme fournisseur unique.

Chez Meta, le mot-clé reste “agentique”. D’après la presse, l’entreprise développerait un assistant très personnalisé, pensé pour exécuter des tâches du quotidien avec moins d’instructions, et avec des intégrations prévues — notamment autour du shopping sur Instagram. Ce qui compte, ce n’est pas seulement une nouvelle interface : c’est la bataille pour devenir l’assistant par défaut, celui qui voit vos messages, vos contenus, vos habitudes, et qui peut agir. Et ça remet aussi une pression sur Meta : plus d’IA signifie plus d’infrastructure, plus de risques de réputation, et une question permanente sur l’impact social, en particulier avec la fatigue d’une partie des jeunes utilisateurs vis-à-vis des réseaux.

Côté OpenAI, deux infos à retenir. D’abord, ChatGPT bascule son modèle “Instant” par défaut vers GPT-5.5 Instant, avec une promesse de baisse notable des hallucinations dans des domaines sensibles et des réponses plus propres, moins verbeuses. Ensuite, OpenAI sort une application “ChatGPT for Intune” pour iOS et iPadOS, afin de s’intégrer dans les environnements où les apps doivent être gérées par Microsoft Intune. C’est très terrain : beaucoup d’entreprises ne peuvent tout simplement pas autoriser une app non gérée. Résultat, l’IA ne progresse pas seulement par la qualité des modèles, mais aussi par la conformité et la distribution.

Un point important sur les agents, justement : une étude comparative montre à quel point le choix de l’interface peut exploser les coûts. Un agent “computer use”, qui navigue dans une interface à coups de captures d’écran et de clics, s’est révélé très variable, lent, et gourmand en tokens sur une tâche pourtant simple. Le même objectif via des outils structurés, appelant des endpoints HTTP, a été rapide et presque déterministe. La morale est assez pratique : si vous contrôlez l’outil interne, exposez une API. Gardez les agents “à l’écran” pour les logiciels tiers impossibles à modifier.

Sur le front juridique et politique, gros signal aux États-Unis : un juge fédéral a suspendu l’application de la loi du Colorado SB 24-205, l’un des premiers cadres étatiques visant les systèmes d’IA “à haut risque”, après une plainte de xAI. Le ministère de la Justice a même cherché à intervenir. Le nœud du conflit porte sur la frontière entre encadrer des risques — comme la discrimination — et imposer, de fait, une forme de contrainte sur les outputs, donc potentiellement une question de liberté d’expression et de flou dans les définitions. Ce gel ressemble à un avertissement : réguler l’IA au niveau local est politiquement séduisant, mais juridiquement explosif.

Autre dossier légal, cette fois au Canada : le musicien Ashley MacIsaac poursuit Google après qu’un AI Overview l’aurait faussement présenté comme délinquant sexuel. Au-delà du cas individuel — avec un concert annulé, des dommages réputationnels et un sentiment d’insécurité — c’est un exemple brutal de ce que signifie “halluciner” dans un produit de recherche. Quand une réponse erronée arrive avec l’autorité d’un moteur, l’impact peut être immédiat, et les questions de responsabilité deviennent inévitables.

Dans un registre plus culturel, mais pas moins révélateur : Richard Dawkins dit être persuadé, après des échanges avec des chatbots, qu’ils seraient conscients — même s’ils ne le “savent” pas. Beaucoup de chercheurs rétorquent qu’un texte fluide n’est pas une preuve d’expérience subjective, et qu’on confond empathie perçue et états internes. Ce débat n’est pas juste philosophique : plus les IA deviennent convaincantes, plus le public leur prête des intentions, et plus ça influence les demandes de droits, les normes d’usage, et la façon dont on juge leurs “erreurs”.

Et justement, sur les hallucinations : un papier de position sur arXiv propose de moins se focaliser sur le tout-ou-rien — répondre ou s’abstenir — et d’apprendre aux modèles à exprimer une incertitude fidèle, alignée sur leurs limites. Pour des agents capables d’agir, c’est crucial : savoir quand vérifier, quand chercher une source, et quand ralentir. La confiance, demain, viendra peut-être moins d’un ton assuré que d’un bon sens de l’auto-contrôle.

Deux signaux techniques pour finir. D’abord, une startup, Subquadratic, affirme avoir un modèle capable de gérer jusqu’à 12 millions de tokens de contexte avec de bonnes performances de récupération d’information. C’est le genre d’annonce qui peut changer la donne si c’est reproductible, parce qu’un très long contexte réduit la dépendance à certaines astuces comme le découpage agressif des documents. Mais le secteur a déjà vu des promesses “long context” surévaluées, donc on attendra des validations indépendantes.

Enfin, un article assez élégant mesure l’entropie des poids de modèles et conclut qu’une partie significative des bits stockés ne porte pas réellement d’information, surtout dans certains formats numériques. Pourquoi ça compte ? Parce que l’inférence est souvent limitée par la bande passante mémoire : si on trouve de meilleures façons de compresser ou d’encoder les poids sans perdre la qualité, on peut accélérer et réduire les coûts — ce qui, à grande échelle, est une nouveauté plus stratégique qu’elle n’en a l’air.

Bonus robotique : Ai2 publie MolmoAct 2 et open-source plusieurs briques, dont des poids et un gros dataset de démonstrations. Dans un domaine où beaucoup d’annonces sont difficiles à reproduire, l’ouverture est un signal positif. Et l’objectif est clair : rendre les robots plus fiables sur des manipulations du monde réel, pas seulement en simulation.