IA et perte de compétences humaines & Universités face à la triche LLM - Actualités IA (15 mai 2026)

On commence par la santé, avec un signal d’alarme très concret. L’auditrice générale de l’Ontario explique que des outils de “scribe” IA, autorisés pour aider à rédiger des notes médicales, ont souvent produit des comptes rendus inexacts. Dans des tests sur des consultations simulées, certains systèmes ont carrément halluciné des informations, modifié des traitements ou raté des éléments importants — notamment sur la santé mentale. Le point qui pique: la grille d’achat aurait donné beaucoup plus de poids à la “présence locale” des fournisseurs qu’à la précision clinique. Pourquoi c’est important? Parce que la documentation médicale, ce n’est pas un brouillon: une erreur peut se propager dans tout le parcours de soin. Et si la relecture humaine n’est pas réellement garantie, on crée une illusion de sécurité.

Dans un autre registre, mais avec un même thème — l’érosion — un blogueur, James Pain, raconte comment l’usage intensif d’IA générative a progressivement rongé sa confiance et ses compétences. Il explique que l’IA devient une tentation permanente: écrire, coder, reformuler… Sauf qu’à la longue, il ne se reconnaît plus dans les textes, et il finit par douter de sa propre voix. Et côté code, il affirme qu’après un an ou deux à “piloter” du code par prompts sans écrire lui-même, il a en partie oublié et doit réapprendre à la main. Son idée n’est pas que le métier disparaît, mais qu’il y aura moins de personnes capables de lire et d’écrire du code avec assurance. Intéressant, parce que ça renverse le discours habituel: le risque n’est pas seulement l’automatisation, c’est aussi la dépendance.

Cette question de substitution apparaît aussi à l’université. Un essai publié dans la presse américaine décrit des LLM passés d’une triche occasionnelle à une délégation systématique: devoirs, mails, parfois même pendant des examens, et jusqu’à des articles publiés sans que personne ne remarque. L’auteur estime que les institutions perdent un outil central: mesurer ce que les étudiants savent vraiment. Et il pointe un décalage entre, d’un côté, les investissements et les annonces optimistes sur “l’innovation”, et de l’autre, une montée des affaires d’intégrité académique. Le sujet est sensible, mais l’enjeu est simple: si l’effort intellectuel est externalisé en continu, on garde le diplôme… et on vide la formation de sa fonction.

Passons aux agents autonomes et à la sécurité: Perplexity a détaillé l’architecture de protection derrière “Perplexity Computer”, un agent capable de naviguer sur le web, exécuter du code et se connecter à des services externes. Le message: pour qu’un agent fasse des choses dans le monde réel, il faut des garde-fous de niveau entreprise — isolation forte, contrôle des connecteurs, traçabilité, et défenses contre la prompt injection via des contenus web piégés. Pourquoi ça compte? Parce que le risque des agents n’est pas théorique: dès qu’ils ont des identifiants et des actions possibles, une simple page web peut devenir une tentative de prise de contrôle. Le vrai différenciateur, dans les mois qui viennent, ce ne sera pas seulement “l’agent le plus malin”, mais “l’agent qu’on ose déployer”.

Dans la même veine “agentic mais sous contrôle”, OpenAI explique avoir construit un nouveau sandbox Windows pour Codex. Jusqu’ici, les utilisateurs Windows étaient coincés entre deux extrêmes: approuver presque chaque commande, ou donner un accès large qui fait peur. Le nouveau modèle vise à imposer, au niveau du système, des limites sur ce qui peut être écrit dans l’espace de travail, et à réduire l’accès réseau par défaut. C’est un détail d’ingénierie, mais avec un impact produit énorme: si l’agent devient fiable et peu intrusif, il passe d’un gadget à un collègue de travail, surtout dans les environnements d’entreprise.

Côté cybersécurité, Microsoft annonce que son système de scan de vulnérabilités, baptisé MDASH, prend la tête d’un benchmark académique très suivi, devant des modèles concurrents. La particularité: ce n’est pas un seul modèle, mais une orchestration de nombreux agents spécialisés qui débattent, vérifient l’exploitabilité et tentent de reproduire des failles. En parallèle, Microsoft dit avoir identifié et fait corriger de nouvelles vulnérabilités Windows. Pourquoi c’est intéressant? Parce que ça suggère que la performance vient de l’organisation du travail entre agents autant que du modèle lui-même. Mais il y a aussi un revers: les mêmes outils peuvent accélérer la défense… comme l’attaque. Et les scores restent à prendre avec prudence tant que les évaluations ne reflètent pas totalement le terrain.

Un mot sur l’outillage ML: PyTorch sort une nouvelle version, avec l’objectif récurrent d’aller plus vite et de mieux s’adapter à des matériels variés. Traduction non technique: entraîner et déployer des modèles coûte cher, et chaque gain de performance ou de portabilité peut se transformer en économies réelles, ou en itérations plus rapides. Ce qui est notable, c’est l’insistance sur des workflows de déploiement plus robustes, et sur le fait de ne pas dépendre d’une seule famille d’accélérateurs — un sujet de plus en plus stratégique vu les tensions sur le compute.

Justement, parlons “production” et marché. Vercel a publié un index basé sur des mois de trafic anonymisé via son AI Gateway. On y voit un paysage très pragmatique: les équipes ne choisissent pas un modèle “pour la vie”. Elles routent, elles changent, elles mettent des fallback, et elles utilisent souvent des flottes multi-modèles. Autre signal fort: les requêtes avec appels d’outils — donc des agents qui font des actions — prennent une part majeure des usages, et rendent les charges plus lourdes et plus chères. En parallèle, l’index Ramp, basé sur des paiements d’entreprises américaines, indique qu’Anthropic dépasse OpenAI en part d’adoption chez les sociétés utilisant de l’IA. Ce qu’il faut retenir? Le gagnant du moment n’est pas forcément celui du trimestre suivant, et la vraie bataille se déplace vers la fiabilité, le coût de l’erreur, et l’orchestration.

Sur l’infrastructure, la nouvelle marquante du jour: Cerebras a réussi une IPO massive, valorisant le fabricant de puces IA à des niveaux qui en font un nouveau baromètre du secteur. L’intérêt des investisseurs a été énorme, et l’entreprise se positionne clairement comme alternative crédible dans un monde dominé par Nvidia. Pourquoi c’est important? Parce que les marchés publics redeviennent une source de carburant pour les acteurs “compute”, et parce que la chaîne d’approvisionnement en puissance de calcul reste l’étranglement principal de l’IA moderne.

Dans le même thème, une interview très commentée du directeur financier d’Anthropic, dans sa première apparition en podcast, donne un aperçu rare des arbitrages financiers et d’infrastructure: sécuriser du compute, jongler entre différents fournisseurs, et financer la montée en puissance. Même si ces chiffres et récits sont à replacer dans le contexte d’une conversation, l’intérêt est clair: l’IA de pointe n’est plus seulement une question de recherche, c’est une mécanique industrielle — capital, capacité, et contrats à long terme.

Autre nouvelle qui alimente les débats: une start-up baptisée Recursive Superintelligence, fondée par d’anciens chercheurs passés par Google, Meta et OpenAI, veut travailler sur l’idée de “self-improvement” — des systèmes capables d’améliorer leurs propres capacités avec moins d’intervention humaine. L’entreprise aurait levé plus de 650 millions de dollars et atteint une valorisation très élevée avec une équipe minuscule. Pourquoi ça fait parler? Parce que si l’amélioration devient plus automatisée, le rythme de progrès peut s’accélérer… et mettre encore plus de pression sur la gouvernance, la sécurité et l’évaluation.

Côté modèles open-weight, DeepSeek publie V4 Pro et V4 Flash sous licence MIT. Des tests indépendants soulignent un point devenu classique: les modèles peuvent produire des explications très convaincantes, mais échouer sur des détails de fiabilité quand on passe en revue le code ou qu’on reproduit des scénarios réels. Flash semble prometteur pour des “premiers jets” très bon marché, mais les erreurs de coordination et d’intégration rappellent que, pour l’instant, le vrai coût n’est pas seulement le prix au token: c’est le temps humain pour vérifier et corriger.

Un débat plus politique, maintenant. Un texte critique la façon dont la discussion sur l’“alignment” est menée: trop d’experts, trop peu de personnes directement impactées, et un face-à-face stérile entre alarmisme et accélérationnisme. L’auteur propose une approche plus participative, où l’alignement serait une relation continue entre humains et systèmes, pas une simple configuration “d’en haut”. Pourquoi ça compte? Parce que la légitimité sociale devient un facteur technique: sans confiance, même de bonnes solutions restent inapplicables.

Enfin, une analyse rappelle que l’accès aux capacités de pointe pourrait ne pas être “pour tout le monde” si vite. L’exemple pris: des modèles cyber avancés, distribués seulement à un petit cercle de partenaires. Entre risques d’abus, crainte de distillation, pénurie de compute et implication croissante des États, on pourrait voir une IA de pointe de plus en plus “gated”. L’enjeu est géopolitique autant qu’économique: qui peut innover vite, et qui reste coincé au niveau produit, sans API complète.

Et pour finir sur une note plus légère — mais à manier avec des pincettes — une rumeur affirme que Google préparerait un nouveau modèle Gemini pour la conférence I/O. Rien d’officiel, pas de détails vérifiables, donc on attend. Mais c’est révélateur: les conférences développeurs sont devenues des scènes de confrontation directe entre labs, où chaque annonce peut redistribuer les cartes des intégrations et des choix de stack.

Bonus rapide: une lecture économique du “superstar effect” tente d’expliquer les écarts de salaires vertigineux dans les labs IA. L’idée: même de petites différences de qualité peuvent produire des rémunérations énormes quand l’impact se diffuse à des millions d’utilisateurs, et quand certaines décisions — quoi entraîner, quoi prioriser — ne se parallélisent pas facilement. Ça aide à comprendre les guerres de talents… sans supposer que les meilleurs sont cent fois “plus intelligents” que les autres.