Meta forcée de céder Manus & Agents de code dans le cloud - Actualités IA (23 mai 2026)

On commence par le dossier le plus politique: les cofondateurs de Manus chercheraient des solutions pour se conformer à l’ordre de Pékin de défaire le rachat de l’entreprise par Meta, une opération annoncée à environ deux milliards de dollars. L’option sur la table serait de lever des capitaux pour “racheter” l’activité et la reconfigurer, possiblement via une structure plus ancrée en Chine et une trajectoire vers une cotation à Hong Kong. L’enjeu est simple: la Chine durcit la ligne pour éviter que technologies, données et talents IA ne partent vers des géants américains — et quand une intégration est déjà en cours, démêler les fils devient presque un problème d’ingénierie autant que de droit.

Dans un registre plus terrain, Cursor raconte ce que beaucoup d’équipes découvrent à leurs dépens: construire des agents de code dans le cloud, ce n’est pas “mettre l’agent local sur un serveur”. C’est bâtir une couche d’exploitation autour de l’agent. Leur leçon clé: la qualité de sortie dépend énormément d’un environnement cloud réellement “niveau développeur” — les dépendances manquantes ou un outil absent ne déclenchent pas toujours une erreur nette, mais se traduisent par des dégradations subtiles. Et quand les agents commencent à travailler longtemps, en parallèle, sans supervision, les ennuis se déplacent: moins de limites de laptop, plus de pannes cloud, redémarrages de nœuds et interruptions de fournisseur. Cursor dit s’être appuyé sur Temporal pour rendre l’exécution durable, avec reprises et retries, tout en séparant boucle d’agent, état de VM et état de conversation pour garder un flux cohérent côté client. Pourquoi c’est important: on passe de “l’agent est intelligent” à “l’agent est fiable”, et la fiabilité est souvent un sujet d’infrastructure, pas de modèle.

Toujours côté production, Datadog publie un guide de bonnes pratiques d’observabilité pour les applications à base de LLM. Le point marquant: surveiller uniquement la latence et l’uptime ne suffit plus. Quand une feature IA s’appuie sur des chaînes multi-étapes — prompts, outils, appels API, vérifications — le débogage et la mesure deviennent une discipline à part. Le guide insiste aussi sur la sécurité spécifique aux LLM, notamment la détection de prompt injection et d’usages abusifs. Le message, en filigrane: si vous déployez de l’IA en prod, vous devez instrumenter la “qualité” et les comportements, pas seulement l’infrastructure.

Passons aux outils de dev et à la bataille des assistants de code. D’après des sources relayées par The Verge, Microsoft annulerait des licences internes de Claude Code pour pousser les équipes vers GitHub Copilot CLI, avec une bascule demandée d’ici fin juin dans certaines divisions. Officiellement, l’argument est le contrôle: Copilot est un produit que Microsoft peut façonner selon ses dépôts, ses exigences de sécurité et ses workflows. Officieusement, le timing de fin d’année fiscale laisse aussi penser à une logique de coûts. Ce qui nous amène à un signal plus large: plusieurs entreprises découvrent que l’IA “agentique” peut coûter très cher à grande échelle, parce que ces systèmes consomment énormément de tokens et multiplient les étapes. Autrement dit, même si le coût unitaire baisse, la facture globale peut grimper si l’usage explose.

Et cette tension apparaît aussi dans les chiffres d’adoption. Un sondage 2026 sur l’IA dans le web dev indique que le code généré par IA occuperait désormais une part majoritaire du travail déclaré par beaucoup de répondants, et que les agents deviennent une interface naturelle. Mais le même sondage relève un point constant: les hallucinations et erreurs restent le irritant numéro un, juste devant la qualité du code et le manque de contexte. Ce mélange — usage massif, confiance fragile — explique pourquoi observabilité, garde-fous et pratiques d’équipe deviennent aussi stratégiques que le choix du modèle.

Côté modèles, Alibaba annonce Qwen3.7-Max, présenté comme un modèle “fondation” pour des usages agentiques, notamment le code et l’automatisation sur la durée. L’entreprise met en avant une expérience d’optimisation de noyau menée de façon autonome pendant des dizaines d’heures, avec une avalanche d’appels d’outils, et un gain de performance revendiqué sur un matériel non vu auparavant. Au-delà du storytelling, l’intérêt est là: la prochaine frontière n’est pas seulement de répondre correctement à une question, mais de rester cohérent et utile sur un long horizon, avec des outils, des fichiers, des tests, et des retours en arrière — bref, un vrai travail.

Cette course aux agents s’inscrit dans une économie sous tension. Un rapport cité par Sherwood News donne OpenAI autour de 5,7 milliards de dollars de revenus au premier trimestre, devant Anthropic à environ 4,8 milliards, tout en suggérant qu’Anthropic pourrait accélérer fortement au trimestre suivant. En parallèle, on parle de valorisations potentiellement vertigineuses. Pourquoi ça compte: ces chiffres conditionnent la capacité à financer du compute, la politique de prix des API, et la stratégie “enterprise” des labs — et ils alimentent aussi la pression pour démontrer une rentabilité durable.

Justement, un site de suivi intitulé “Is AI Profitable Yet?” avance une thèse provocatrice: collectivement, l’industrie serait encore largement déficitaire si l’on compare les dépenses cumulées IA aux revenus estimés, à date de mai 2026. Le tableau désigne un grand gagnant: Nvidia, qui capterait une part disproportionnée de la valeur via les GPU. Qu’on soit d’accord ou pas avec les estimations, l’intérêt est de rappeler une réalité: l’IA est un chantier de capex massif, et la création de valeur ne se répartit pas forcément là où on l’imagine.

Autre angle utile: Epoch AI estime que les labs “frontier” — OpenAI, Anthropic, xAI et les efforts de pointe chez Google et Meta — ne représenteraient qu’une minorité du compute IA opérationnel mondial. Le reste partirait dans de l’inférence, des modèles open-weight, et des usages non-LLM comme la recommandation, la vision ou la robotique. Mais la note ajoute un risque: si certains labs continuent de croître plus vite que le reste de l’industrie, ils pourraient absorber une fraction beaucoup plus grande de la capacité, avec à la clé des tensions sur l’offre de GPU et des prix de location en hausse. En clair: le progrès n’est pas seulement une question d’algorithmes, c’est aussi une question de logistique énergétique et industrielle.

Dans cette bataille de l’approvisionnement, Bloomberg rapporte qu’Anthropic discuterait avec Microsoft pour utiliser les puces IA Maia 200. Rien n’est signé, mais l’idée est révélatrice: les labs cherchent à diversifier au-delà de Nvidia, et les clouds veulent se différencier avec leur propre silicium. Si Maia devenait réellement accessible à des clients externes, ce serait un pas de plus vers un Azure qui vend non seulement des GPU, mais une pile complète — puces, modèles, outils et gouvernance.

Sur le plan des coûts, un article souligne que la baisse rapide du prix de l’inférence ne vient pas uniquement de nouveaux GPU, mais surtout d’améliorations côté modèles et logiciels. L’auteur raconte avoir testé un modèle open-weight en local, suffisamment bon pour certaines tâches réelles, afin de ramener une facture mensuelle de plusieurs milliers à quelques centaines. L’idée à retenir: la “commoditisation” progresse; des modèles locaux corrects, sur matériel grand public, peuvent limiter le pouvoir de fixation des prix des modèles premium — surtout pour des usages quotidiens où l’excellence absolue n’est pas indispensable.

Petit détour par la culture de travail: une page-manifeste, “Don’t quote the AI at me”, critique l’habitude de répondre en collant tel quel un texte généré par chatbot. Le reproche n’est pas d’utiliser l’IA, mais d’éviter la responsabilité: si quelqu’un vous demande un avis, il cherche votre jugement, votre contexte, vos arbitrages — pas un bloc générique. Dans des équipes où l’IA devient omniprésente, ça pose une question très concrète: comment garder des échanges fiables, traçables, et respectueux, sans transformer chaque conversation en relais automatique de probabilités?

Et puis il y a le signal social. Des diplômés, notamment à l’Université d’Arizona et à l’Université de Central Florida, ont hué des intervenants décrivant l’IA comme une nouvelle révolution industrielle. L’article qui relate la scène y voit moins une hostilité à la technologie qu’une lecture froide du marché: les postes juniors paraissent plus exposés, les entreprises investissent en automation tout en réduisant des effectifs, et la promesse de “requalification” arrive souvent trop tard, ou trop faiblement. Que l’on partage ou non ce diagnostic, l’important est de noter le décalage: l’IA est célébrée comme progrès, mais perçue, par une partie des entrants, comme une contraction du pipeline de carrière.

Enfin, côté recherche, Goodfire publie un travail sur les sparse autoencoders, souvent utilisés pour interpréter des réseaux en “features”. Leur conclusion est nuancée: ces features donnent de l’interprétabilité locale, mais capturent mal la structure globale — la géométrie — des représentations. Ils proposent donc de regrouper des features qui “s’allument” ensemble pour reconstruire des sortes de cartes de concepts, plus proches de la manière dont un modèle organise l’information. Pourquoi c’est intéressant: si on veut auditer, contrôler et sécuriser des modèles de plus en plus autonomes, il faudra peut-être des outils d’interprétabilité qui décrivent des structures complètes, pas seulement des signaux isolés.

Et pour terminer sur un outil communautaire: Models.dev se présente comme une base de données open-source pour cataloguer les modèles, leurs capacités et métadonnées, avec une API publique. Dans un écosystème où les noms changent vite, où les versions se multiplient et où les intégrations deviennent un casse-tête, ce type de référentiel peut devenir une brique discrète mais très pratique pour comparer, tracer et automatiser des choix de modèles.