Pentagone contre garde-fous IA & Guerre des puces et calcul - Actualités Technologiques (27 févr. 2026)

On commence donc par ce bras de fer très politique autour de l’IA et de la défense. Selon l’Associated Press, le secrétaire à la Défense Pete Hegseth aurait posé un ultimatum à Anthropic: autoriser l’usage de Claude par l’armée « sans restrictions » d’ici vendredi, ou perdre le contrat. Dans l’ombre, il est même question de brandir la Defense Production Act — un outil légal historique destiné à mobiliser l’industrie pour la défense nationale. Le point dur, c’est la demande d’accès pour « tous usages légaux ». Anthropic, par la voix de son CEO Dario Amodei, affirme ne pas pouvoir accepter « en bonne conscience » une formule sans limites, et réclame deux garde-fous: pas d’armes pleinement autonomes et pas de surveillance de masse. Le Pentagone répond qu’il n’a pas d’intérêt pour ces scénarios, mais refuse qu’un fournisseur dicte les décisions opérationnelles. Si la menace de DPA se concrétisait, ce serait inédit dans ce contexte: utiliser une loi de mobilisation industrielle pour contourner des restrictions éthiques et de sûreté logicielle. Et même si le Pentagone semble aussi évoquer une option plus simple — couper la relation et qualifier Anthropic de “supply chain risk” — l’affaire pose une question plus large: qui fixe les limites d’usage des modèles, quand l’État est client, et quand l’enjeu est la sécurité nationale ?

Dans la même veine « souveraineté et compétition », on voit la bataille du calcul IA s’intensifier, avec des alliances parfois surprenantes. D’après The Information, Meta aurait signé un accord pluriannuel à plusieurs milliards pour louer des puces IA… chez Google. Oui, Google, à la fois concurrent et fournisseur. L’idée, c’est d’absorber la demande explosive en compute, et aussi de diversifier face à Nvidia. Google pousse ses TPU comme alternative crédible, et ce type de contrat renforce la place de Google Cloud dans l’équation des revenus IA. Autre signal fort: Reuters indique que DeepSeek, le labo chinois qui avait secoué le marché avec un modèle à bas coût, retiendrait l’accès anticipé à son prochain modèle V4 vis-à-vis de grands fondeurs américains comme Nvidia et AMD, pour favoriser des acteurs domestiques — notamment Huawei — dans l’optimisation. Quelques semaines d’avance, sur une sortie majeure, ça peut compter, surtout si l’optimisation logicielle se fait désormais “en semaines plutôt qu’en mois” grâce aux outils de code assisté. Et au-dessus de tout ça, un constat d’économiste: Jason Furman soutient que l’IA de pointe est, paradoxalement, plus compétitive que les précédentes vagues tech. On change facilement de modèle, on “multihome”, on route les requêtes selon coût et qualité, et les prix chutent à une vitesse qui ressemble à de la déflation technologique. Cela ne supprime pas les risques — deepfakes, spam, désinformation — mais ça déplace le débat: la régulation ne se résume pas à “casser un monopole”.

Passons à un sujet qui secoue la culture logicielle: l’open source face au clonage accéléré par l’IA. John O’Nolan, connu pour Ghost, décrit début 2026 comme un moment paradoxal: d’un côté, les assistants de code réduisent la charge quotidienne des mainteneurs; de l’autre, ils fragilisent les hypothèses économiques qui rendaient l’open source viable — notamment l’idée que le code est coûteux à produire et à maintenir. Il rappelle un scénario classique: un projet open source réussit, puis un concurrent réutilise le code pour rivaliser — il cite Substack et des reprises passées de portions significatives du code de Ghost. La réponse habituelle des mainteneurs? Licences plus restrictives, ou “fermer” une partie du stack, par exemple des suites de tests. Sauf que si une équipe — ou même une seule personne, selon une anecdote récente attribuée à Cloudflare — peut reconstruire en une semaine un équivalent de Next.js sur Vite, la question devient gênante: à quoi sert une licence si un modèle peut réécrire une base de code « depuis zéro » sans copier littéralement ? O’Nolan ne nie pas les critiques sur la qualité — le fameux « vibecoding » parfois brouillon — mais il insiste sur la tendance: les interfaces publiques des produits, open source ou propriétaires, deviennent des plans de reconstruction. Et c’est peut-être là que l’ironie pointe: l’idéal “étudier, modifier, répliquer, partager” pourrait se réaliser… par le clonage assisté, davantage que par les mécanismes traditionnels du libre.

Dans l’univers des agents et de l’outillage, deux signaux intéressants aujourd’hui: ce que recommandent réellement les assistants, et comment penser leur positionnement. D’abord, une analyse d’Amplifying.ai: ils ont lancé Claude Code 2 430 fois sur de vrais dépôts, avec des prompts ouverts qui ne citaient aucun outil. Résultat marquant: Claude a tendance à “construire plutôt qu’acheter”. Le label Custom/DIY est celui qui revient le plus, dans 12 catégories sur 20. Exemple: pour l’authentification Python, il part souvent sur du JWT + bcrypt/passlib “maison” plutôt que de pousser une solution clé en main. Même logique sur les feature flags, où la recommandation penche vers des variables d’environnement, des configs et des pourcentages de rollout. À l’inverse, quand il choisit un outil tiers, il est très tranché: GitHub Actions pour le CI/CD, Stripe pour les paiements, shadcn/ui pour des composants d’interface. L’étude souligne aussi un “stack par défaut” très JavaScript, et des absences intrigantes: peu d’outils dédiés à la couche API, peu de recommandations de test en “choix principal”, et quasi aucun attachement fort à un gestionnaire de paquets. Ensuite, un cadre simple proposé par Kenneth Auchenberg: distinguer les agents “Leverage” — qui augmentent une personne, comme un chef de cabinet infatigable — et les agents “Function”, censés faire le job de bout en bout, sans humain dans la boucle sauf validation. Cette distinction change tout: acheteur, pricing, responsabilité, go-to-market. Et, dit-il, beaucoup de startups d’agents se perdent parce qu’elles n’ont pas tranché. Son idée: on démarre souvent en “copilot”, puis on gagne progressivement le droit de passer en “autopilot”.

Côté science et innovation, OpenAI remet une pièce dans la machine avec une vision très structurée de l’accélération. Kevin Weil, VP Science, explique une dynamique qu’on voit aussi ailleurs: une capacité IA passe vite de “impossible” à “ça marche 5 à 10% du temps”, puis à “c’est fiable et utile” en 6 à 12 mois. Selon lui, ce rythme commence à s’appliquer à la science de frontière, avec des modèles qui ont déjà aidé à résoudre des problèmes de maths restés ouverts. Son scénario central: fermer la boucle entre modèles et laboratoires robotisés. Les modèles conçoivent des expériences, lancent des simulations, produisent des protocoles, des labos robotisés les exécutent 24/7, les résultats réels reviennent, et un cycle de raffinement — façon apprentissage par renforcement — recommence. Ce n’est pas de la pure science-fiction, dit-il, parce que les briques existent déjà: robots de labo, pipelines de mesure, et premiers jalons crédibles. Dans la même zone “maths + IA”, des chercheurs affirment avoir résolu des questions jusque-là sans réponse avec des outils génératifs. Terence Tao, souvent cité comme arbitre de certains résultats, tempère: il parle plutôt de “victoires bon marché”, sur la longue traîne des problèmes les plus abordables. Mais il reconnaît un apport concret: l’IA peut exhumer des astuces, des références, et accélérer des explorations à grande échelle — à condition de mieux gérer l’incertitude et de construire de bonnes normes d’usage.

On enchaîne avec deux avancées santé, très différentes, mais qui partagent un même objectif: diagnostiquer plus tôt et traiter plus précisément. D’abord, une publication de Yale dans Nature: une équipe a amélioré des cellules “natural killer” modifiées (CAR-NK) pour attaquer des tumeurs solides, un domaine où les thérapies cellulaires ont historiquement buté — infiltration faible, épuisement immunitaire, micro-environnement immunosuppresseur. Leur levier: ajouter un gène, OR7A10, identifié après un criblage massif. Dans des modèles murins de cancers du sein, du côlon et de l’ovaire, les CAR-NK enrichies montrent des performances nettement supérieures; dans un modèle du sein, l’élimination tumorale est rapportée comme complète chez tous les animaux traités. L’équipe parle aussi d’une piste “off-the-shelf”, potentiellement plus simple à industrialiser que certaines approches sur cellules T. Ensuite, les “électroniques ingérables”: des gélules capables de traverser le tube digestif, mesurer des biomarqueurs, transmettre des données, et à terme délivrer un médicament, voire réaliser une micro-biopsie. Des laboratoires — notamment à l’Université du Maryland — combinent MEMS, polymères biocompatibles et impression 3D pour faire passer ces capsules de capteurs passifs à des dispositifs adaptatifs. Le goulet d’étranglement reste souvent l’énergie, l’emballage qui survit à l’acidité, et la preuve clinique: fiabilité, sécurité, et bénéfice clair pour convaincre médecins, autorités et payeurs.

Retour aux plateformes: un procès emblématique sur l’addiction des jeunes aux réseaux sociaux entre dans une phase très concrète, avec un témoignage marquant. À Los Angeles, une jeune femme identifiée comme KGM explique avoir commencé YouTube à six ans, Instagram à neuf, puis avoir glissé vers une dépendance. Elle décrit anxiété, dépression, automutilation à dix ans, dégradation des relations, et un rapport à l’image amplifié par les filtres de beauté. Elle dit aussi quelque chose de brutalement simple: elle continue d’utiliser ces réseaux parce que “c’est trop dur de s’en passer”. Le dossier vise YouTube et Meta, accusés de concevoir des mécaniques addictives — scroll infini, autoplay, likes — en jouant sur les ressorts de validation sociale. C’est le premier procès d’un ensemble gigantesque: plus de 1 600 plaignants, dont des familles et des districts scolaires. Meta et YouTube contestent la responsabilité, évoquent d’autres facteurs, et la procédure va continuer encore plusieurs semaines. Techniquement, juridiquement, et culturellement, c’est une affaire à suivre: elle pourrait fixer un précédent sur la “dette sanitaire” des produits numériques.

Dans les semi-conducteurs, une annonce structurante: ASML affirme que ses machines High-NA EUV sont prêtes pour une utilisation en production à haut volume. Concrètement, l’enjeu du High-NA, c’est de graver des motifs plus fins avec une précision suffisante pour remplacer plusieurs étapes complexes par une seule, et maintenir les roadmaps des puces — notamment celles destinées à l’IA. Les machines sont colossales, et le prix l’est aussi, autour de 400 millions de dollars l’unité. ASML dit avoir déjà traité environ 500 000 wafers et viser une disponibilité autour de 90% d’ici fin d’année. Même avec une machine “prête”, l’intégration industrielle chez les fondeurs reste un marathon: deux à trois ans de tests et d’adaptation de procédés, selon ASML. Mais le signal est clair: la lithographie reste un des points durs qui conditionnent tout le reste de l’économie IA.

Un détour par les médias, car la tech se joue aussi dans les fusions. Netflix se retire de son projet de rachat des actifs studio et streaming de Warner Bros. Discovery, après que le conseil de WBD a jugé meilleure une offre révisée de Paramount Skydance. La différence n’est pas seulement une question de prix: Paramount propose d’acheter l’ensemble du groupe, y compris les chaînes TV payantes, et accepte de couvrir des pénalités de rupture. Netflix, de son côté, dit rester discipliné: c’était un “nice to have”, mais pas à n’importe quel prix. Les marchés ont réagi: Netflix a monté, WBD a reculé. Et désormais, le gros point d’interrogation, c’est le risque réglementaire, avec des break-up fees qui reflètent la probabilité d’un parcours compliqué.

Énergie et infrastructures: le Royaume-Uni démarre sa première centrale géothermique produisant de l’électricité, à United Downs, en Cornouailles. Le projet a demandé un forage terrestre d’environ 5 kilomètres, pour aller chercher des fluides autour de 200 degrés dans le granite. L’électricité serait vendue à Octopus Energy, de quoi alimenter jusqu’à 10 000 foyers selon les estimations. Mais l’histoire ne s’arrête pas aux kilowattheures: le site vise aussi l’extraction de lithium à partir des fluides géothermaux, avec une production initiale annoncée autour de 100 tonnes par an. Le revers, c’est le coût: le forage profond est cher, et la reproductibilité du modèle reste incertaine. Mais l’intérêt stratégique est évident: une énergie bas-carbone “toujours disponible”, au moment où les centres de données tirent la demande électrique vers le haut.

Deux brèves, plus “produits”, mais qui illustrent l’outillage créatif dopé à l’IA. Google remplace ses anciens modèles d’image par Gemini 3.1 Flash Image, aussi appelé Nano Banana 2. Promesse: qualité proche du “Pro” avec la vitesse du mode Flash, un rendu de texte plus fiable dans les images, et une meilleure cohérence de personnages et d’objets. Et chez Adobe, Quick Cut arrive en bêta dans l’éditeur vidéo Firefly: l’idée n’est pas de livrer un montage final, mais de générer un premier assemblage à partir de vos rushes et d’instructions en texte, pour éviter la page blanche sur la timeline. Utile, surtout si l’on garde en tête que le “brouillon automatique” doit ensuite passer par l’œil humain.

Côté mobilité autonome, Tesla connaît un changement de personnes au moment où le Cybercab entre dans une phase critique. Victor Nechita, responsable programme véhicule pour le Cybercab, annonce son départ après près de six ans, juste après la sortie d’un premier véhicule de production à la Gigafactory Texas. Le timing compte: Tesla vise une montée en cadence dès avril, et perdre un profil qui a piloté le développement en pleine rampe n’est jamais neutre. Le Cybercab est présenté comme un véhicule conçu dès le départ pour l’autonomie — avec, à terme, disparition des commandes traditionnelles — et une recharge par induction qui a franchi une étape réglementaire côté FCC. Le message implicite: l’entreprise mise de plus en plus sur l’axe IA, autonomie et robotique, au prix d’une rotation managériale visible.

On termine par une note macro: l’IA va-t-elle détruire l’emploi “col blanc” à court terme ? Frank Flight, chez Citadel Securities, dit que les données ne racontent pas cette histoire, en tout cas pas encore. Il observe un chômage autour de 4,28%, une explosion des investissements IA, des milliers de data centers planifiés, et — point contre-intuitif — des offres d’emploi pour ingénieurs logiciels en hausse sur un an. Son argument central: la technologie peut être “récursive”, mais l’adoption ne l’est pas; elle suit souvent une courbe en S, freinée par les coûts, l’intégration, la régulation, et les rendements décroissants. Il ajoute un facteur très concret: l’automatisation à grande échelle exige du compute, des puces, de l’énergie, et donc une frontière économique. Tant que faire faire une tâche par une machine coûte plus cher — ou plus risqué légalement — que de la confier à un humain, la substitution totale reste limitée. Bref: choc de productivité probable, crise de demande massive moins évidente. Et en écho, un rappel utile de Constance Crozier: prévoir ces fameuses courbes en S est nettement plus difficile qu’on ne le croit tant qu’on est dans la phase de décollage. Avant de voir le plateau, on peut se tromper… de très loin.