IA et nouveaux médicaments protéiques & Coût réel des agents de code - Actualités IA (29 mai 2026)

On commence par la biologie, avec une annonce qui pourrait peser lourd sur la découverte de médicaments. Biohub publie ce qu’il appelle un “world model” de la biologie des protéines: un ensemble d’outils ouverts pour prédire des structures et surtout concevoir de nouveaux binders, ces protéines qui se fixent à une cible. Dans un préprint, l’équipe affirme avoir conçu des binders pour plusieurs cibles en cancérologie et immunologie — comme EGFR ou PD‑L1 — en quelques jours, et avec des taux de réussite annoncés très élevés sur certains “minibinders”. Pourquoi c’est intéressant: si ces approches tiennent leurs promesses à plus grande échelle, elles peuvent raccourcir drastiquement la phase amont, celle où l’on cherche “quoi tester”, et déplacer le centre de gravité vers une boucle calcul + validation en labo.

Restons dans la recherche, mais dans un registre plus léger: la cuisine. Un article sur arXiv présente Epicure, une famille de modèles qui apprennent des “représentations” d’ingrédients à partir de millions de recettes multilingues et, en parallèle, de liens chimiques entre ingrédients et composés aromatiques. L’idée n’est pas seulement de recommander des recettes: c’est d’obtenir une carte plus interprétable de ce qui va ensemble, de ce qui se substitue, et de la manière dont les cuisines se ressemblent — soit par usage culturel, soit par chimie. À terme, ce genre de travail sert autant aux applis grand public qu’à des analyses plus sérieuses sur la diversité culinaire, les biais de données, ou la formulation alimentaire.

Passons au sujet qui fâche dans beaucoup d’entreprises: le coût des agents, surtout pour le code. Selon Fortune, Microsoft aurait annulé la plupart des licences internes de Claude Code, seulement quelques mois après avoir poussé l’outil auprès de milliers d’employés. Les équipes seraient réorientées vers GitHub Copilot CLI, maison. Le signal derrière l’anecdote est clair: à grande échelle, ces assistants deviennent des postes budgétaires massifs, parce qu’ils consomment beaucoup de calcul — et donc beaucoup de tokens — parfois plus vite que les gains de productivité ne se matérialisent.

Et ce n’est pas un cas isolé. Un billet de Simon Willison avance qu’Anthropic et OpenAI touchent enfin une forme de product-market fit grâce aux produits orientés “agent” pour le code et le travail quotidien — mais que cette réussite se traduit par une facture plus prévisible… et plus élevée. Plusieurs offres enterprise se rapprochent d’une logique “payer comme l’API”, plutôt que des forfaits illimités. Pour les directions, ça change la discussion: on ne juge plus seulement la qualité du modèle, mais la capacité à maîtriser l’usage, à mesurer le ROI, et à éviter l’effet “outil devenu réflexe” qui consomme du budget en arrière-plan.

Dans cette même vague, Cognition — l’entreprise derrière l’agent Devin — annonce un nouveau tour de financement qui la valorise très haut, avec une narration centrée sur l’adoption en entreprise et l’industrialisation du développement logiciel. Qu’on adhère ou non à la promesse du “software engineer agent”, le fait marquant est là: le marché mise sur des workflows où l’agent devient un collègue de production, pas un simple autocompléteur. Et plus on va vers des agents autonomes, plus la question du contrôle des coûts et de la gouvernance — qui valide quoi, et quand — devient centrale.

Justement, parlons gouvernance et sécurité. OpenAI publie la documentation d’un “Secure MCP Tunnel”, un mécanisme pour relier des serveurs MCP privés à des produits comme ChatGPT, Codex ou l’API Responses, sans exposer ces serveurs sur Internet et sans ouvrir de ports entrants. En clair: la connexion est initiée depuis l’intérieur du réseau de l’entreprise, ce qui colle mieux aux politiques de sécurité classiques. Pourquoi ça compte: si vous voulez des assistants capables d’agir sur des outils internes — catalogues, tickets, bases documentaires, systèmes métiers — il faut un chemin standard et auditable, qui ne transforme pas votre infrastructure en passoire.

Autre angle de la sécurité, plus offensif: Ramp explique avoir utilisé une approche “scale compute” pour la chasse aux vulnérabilités, en lançant des milliers de sessions d’agents de code en parallèle sur sa base applicative. Après déduplication et revalidation, l’entreprise dit avoir confirmé plusieurs milliers de problèmes, dont quelques-uns jugés critiques et corrigés. Le message à retenir n’est pas “l’IA trouve tout”, mais plutôt: le goulot d’étranglement historique, c’est le temps humain. Si des agents permettent de multiplier les tentatives d’analyse et de reproduction, défenseurs comme attaquants gagnent en vitesse. Ça pousse les équipes sécu à repenser leurs processus, et à considérer que la “surface d’audit” peut être explorée à une échelle nouvelle.

Et ça rejoint une inquiétude plus subtile: la fragilité du “human-in-the-loop” quand l’humain est pressé. Une page-jeu met en scène une minute avant la prochaine réunion, et vous devez approuver ou refuser des actions proposées par un assistant de code. C’est volontairement stressant, et ça montre un point simple: si la revue humaine devient un réflexe de validation sous contrainte, elle ne joue plus son rôle de garde-fou. Dans les organisations qui déploient des agents, la question n’est donc pas seulement “qui approuve”, mais “dans quelles conditions l’approbation a du sens”.

Côté plateformes grand public, YouTube change la visibilité des labels de contenu généré ou fortement modifié par IA. Pour les vidéos longues, l’indication remonte sous le lecteur; pour les Shorts, elle devient une surimpression. Et surtout, YouTube commence à déployer des signaux de détection automatique à partir de mai 2026, pour appliquer un label même si le créateur ne le fait pas. L’enjeu est la confiance: quand le photoréalisme devient facile à simuler, l’information contextuelle — sans forcément pénaliser la diffusion — devient un élément d’hygiène de plateforme.

Dans la même bataille d’expérience utilisateur, Anthropic semble préparer une grosse mise à jour du mode voix de Claude sur mobile, avec une interface rafraîchie et surtout davantage de langues. Si cela se confirme, c’est une réponse directe à un écart concurrentiel: la voix multilingue n’est plus un gadget, c’est un usage quotidien pour beaucoup de gens — et un point d’entrée vers des assistants réellement universels, y compris dans des environnements où taper n’est pas pratique.

On fait un détour par la vision par ordinateur, avec NVIDIA qui présente LocateAnything, un système qui vise à accélérer la localisation d’objets à partir de requêtes en langage naturel. Dit autrement: rendre plus rapide et plus net le fait de “montrer” dans une image ce dont on parle — un objet, une zone d’interface, un élément de document. Pourquoi c’est important: des agents capables de naviguer des écrans, des robots, ou des pipelines d’annotation à grande échelle ont besoin de cette précision, et la vitesse devient vite un facteur bloquant en production.

Et puisqu’on parle de NVIDIA, Jensen Huang annonce un investissement massif à Taïwan et la construction d’un nouveau siège local, avec l’objectif de garder l’île au cœur de l’écosystème matériel de l’IA. C’est aussi un rappel géopolitique: malgré les discours de “relocalisation”, la chaîne la plus avancée — fabrication, packaging, intégration serveurs — reste fortement concentrée à Taïwan. Pour les entreprises qui planifient leurs capacités GPU sur plusieurs années, c’est une donnée structurante, autant économique que stratégique.

On termine avec le grand bal des prédictions: AGI, automatisation, emplois. Demis Hassabis, chez Google DeepMind, avance désormais une fenêtre 2029–2030 pour l’AGI, plus tôt que ses estimations précédentes. En parallèle, un article qui compile des prévisions chiffrées montre surtout… l’instabilité des timelines, qui avancent et reculent selon les sorties de modèles et l’humeur du moment. Et côté emploi, Sam Altman et Dario Amodei nuancent leurs scénarios de disparition rapide des jobs de bureau: l’IA booste la productivité, mais l’organisation du travail, l’interaction humaine et les contraintes réelles freinent la substitution pure. Ce qui ne veut pas dire “pas d’impact” — on voit des licenciements et des réorganisations — mais plutôt: la transition est moins mécanique que les slogans, et elle se jouera secteur par secteur.