OrigoTech

Résultats de Microsoft et Google : Azure +48 %, Google Cloud double, les dépenses IA grimpent

Thu, 29 Oct 2026 09:30:00 +0100

Ce tour d'horizon couvre la journée du mercredi 28 octobre 2026. Microsoft et Alphabet ont publié le même soir leurs résultats du trimestre clos fin septembre, et les deux vont dans le même sens : la demande de cloud pour l'IA progresse toujours plus vite que la capacité disponible. Côté modèles, une petite équipe a publié Clover-35B, un modèle de langage à poids ouverts qui génère le texte par diffusion plutôt que jeton par jeton. OpenCode, Zed et Cline ont aussi livré de nouvelles versions. Sauf mention contraire, les chiffres viennent des communications officielles des entreprises.

Microsoft : Azure +48 %, désormais chiffré en dollars

Sur son premier trimestre fiscal (juillet à septembre 2026), Microsoft a réalisé 92,3 milliards de dollars de chiffre d'affaires, en hausse de 19 % sur un an. Le Microsoft Cloud atteint 63,9 milliards (+30 %) et Azure progresse de 48 % (communiqué de Microsoft). Pour la première fois, l'entreprise a donné le chiffre d'affaires d'Azure en dollars : 33,17 milliards sur le trimestre, selon CNBC.

Dépenses : les investissements, contrats de location-financement compris, s'élèvent à 45,2 milliards de dollars. La directrice financière Amy Hood explique que des livraisons de capacité par des tiers attendues sur le trimestre ont pris du retard, et qu'environ les trois quarts des investissements sont allés à des équipements à courte durée de vie, surtout des CPU et des GPU (transcription de la conférence, The Motley Fool).
Carnet de commandes : les engagements commerciaux restant à reconnaître (revenus déjà contractés mais pas encore comptabilisés) bondissent de 73 %, à 677 milliards de dollars.
Foundry : le chiffre d'affaires de la plateforme de modèles et d'agents de Microsoft a « plus que triplé » sur un an, sans montant publié.
Perspectives : Microsoft prévoit une croissance d'Azure de 49 à 50 % à taux de change constants au trimestre suivant et plus de 50 milliards de dollars d'investissements, selon CNBC. « La demande dépasse toujours l'offre », a déclaré Amy Hood.

Alphabet : Google Cloud +103 %, porté aussi par les TPU

Le chiffre d'affaires d'Alphabet progresse de 25 %, à 127,6 milliards de dollars au troisième trimestre. Google Cloud fait plus que doubler : 30,7 milliards de chiffre d'affaires (+103 %), contre 15,2 milliards un an plus tôt, pour un résultat opérationnel de 11,1 milliards (communiqué de résultats d'Alphabet, SEC). Google précise que les ventes de systèmes TPU, ses puces IA maison, ont « contribué de façon significative ». C'est ce même produit qu'Oracle compte proposer dans son cloud à partir de 2027, comme nous l'avons raconté dans notre point du 28 octobre.

Usage : selon Sundar Pichai, les API des modèles de Google traitent désormais près de 32 milliards de jetons par minute, plus de quatre fois plus qu'il y a un an, et l'app Gemini a atteint un milliard d'utilisateurs.
Dépenses : les achats d'immobilisations atteignent 51,4 milliards de dollars sur le trimestre. Le flux de trésorerie disponible devient négatif, à moins 9,1 milliards.
Perspectives : la directrice financière Anat Ashkenazi maintient la fourchette d'investissements 2026 entre 195 et 205 milliards de dollars et s'attend à une « hausse significative » en 2027. Le carnet de commandes de Google Cloud s'élève à 561 milliards de dollars (transcription de la conférence, The Motley Fool).

Meta avait publié ses résultats une semaine plus tôt, le 21 octobre : 34,9 milliards de dollars d'investissements sur le trimestre et une fourchette 2026 resserrée entre 135 et 145 milliards (communiqué de Meta). Amazon n'a pas encore publié.

Ce que cela change pour les développeurs

Pour les développeurs, le point à suivre est la capacité, plus que la taille des chiffres. Microsoft comme Google disent que la demande dépasse ce qu'ils peuvent servir, et tous deux louent de la capacité à des tiers en attendant leurs propres data centers. Il s'agit de résultats publiés par les entreprises, non audités pour le trimestre, et les taux de croissance se comparent au même trimestre de 2025.

Clover-35B, un modèle de langage par diffusion à poids ouverts

DiffuSpace, une équipe issue du laboratoire de traitement du langage de l'université de Hong Kong (les auteurs de Dream 7B), a publié Clover-35B-A3B-Preview sous licence Apache 2.0 (annonce de DiffuSpace). Contrairement à la plupart des modèles de langage, qui écrivent un jeton après l'autre, Clover génère des blocs de 32 jetons en parallèle et les affine en plusieurs passes. Il s'appuie sur Qwen3.6-35B-A3B : 35 milliards de paramètres au total, environ 3 milliards actifs par jeton, et une fenêtre de contexte de 131 072 jetons (fiche Hugging Face).

Scores annoncés par l'éditeur : 73,6 sur SWE-bench Verified et 51,7 sur Terminal-Bench 2.1. DiffuSpace affirme faire mieux que les autres modèles de diffusion testés (LLaDA2.2 flash, Mercury 2.5) et que Qwen3.6-35B-A3B.
Vitesse : 680 jetons par seconde sur des tâches d'agent internes, sur un seul GPU NVIDIA GB300 avec un lot de taille 1, et 515 jetons par seconde sur un H200. Ces chiffres n'ont pas été reproduits de façon indépendante.
Matériel : les poids en BF16 pèsent environ 69 Go. DiffuSpace indique aussi un fonctionnement en INT4 sur une RTX 5070 Ti de 16 Go.

Clover entre dans notre comparateur de modèles avec sa fenêtre de contexte et sa licence, sans score : ces benchmarks n'y sont pas suivis.

OpenCode, Zed et Cline : les nouvelles versions

OpenCode 2.2.1 (29 octobre, notes de version) : une nouvelle commande /goal <objectif> fait travailler la session jusqu'à ce qu'un relecteur confirme que l'objectif est atteint, avec pause, reprise et effacement. Aussi au menu : des prompts programmés optionnels (/schedule), un outil expérimental image_generate et un sélecteur de modèles repensé dans l'app de bureau. Changement cassant pour le code qui importe directement @opencode/ai : les fournisseurs fal, Black Forest Labs, Replicate et Stability sont supprimés.
Zed 1.26.2 (28 octobre, notes de version) : Pyrefly en serveur de langage Python intégré optionnel, des infobulles du débogueur qui déplient les variables imbriquées, et des réglages ACP par défaut qui ne s'appliquent plus qu'aux nouvelles conversations d'agent.
Cline 4.1.26 (26 octobre, notes de version) : un sélecteur Local/Cloud pour choisir le modèle des tâches dans le cloud, et le retour de Claude Sonnet 5.5 comme modèle par défaut du fournisseur Cline. Les modèles par défaut changent pour la plupart des autres fournisseurs, surtout au profit de Kimi K3.1 Pro, MiniMax M3.1 Flash ou DeepSeek V4.1 Flash 1017 : si vous n'avez pas fixé de modèle, attendez-vous à en changer.

Sources

Microsoft : Microsoft announces first quarter results (vérifié le 2026-10-29)
CNBC : résultats du premier trimestre fiscal 2027 de Microsoft (vérifié le 2026-10-29)
The Motley Fool : transcription de la conférence de résultats de Microsoft (vérifié le 2026-10-29)
Alphabet : résultats du troisième trimestre 2026 (dépôt SEC) (vérifié le 2026-10-29)
The Motley Fool : transcription de la conférence de résultats d'Alphabet (vérifié le 2026-10-29)
Meta : Meta Reports Third Quarter 2026 Results (vérifié le 2026-10-29)
DiffuSpace : Clover-35B-A3B-Preview (vérifié le 2026-10-29)
Hugging Face : Diffuspace/Clover-35B-A3B-Preview (vérifié le 2026-10-29)
OpenCode : notes de version v2.2.1 (vérifié le 2026-10-29)
Zed : notes de version v1.26.2 (vérifié le 2026-10-29)
Cline : notes de version v4.1.26 (vérifié le 2026-10-29)

GitHub Agent Merge : Copilot peut-il débloquer vos pull requests ?

Thu, 29 Oct 2026 00:00:00 +0000

Une pull request est prête à être relue lorsqu'un workflow GitHub Actions échoue. Avant même d'avoir terminé l'enquête, la branche cible évolue et un conflit de fusion apparaît. Agent Merge est conçu pour surveiller ces blocages et commencer à les traiter pendant que vous travaillez sur autre chose.

Le 28 octobre, GitHub a intégré Agent Merge directement à la zone de fusion des pull requests sur github.com. Copilot peut surveiller les échecs de workflows Actions, les conflits de fusion, ou les deux. Lorsqu'un blocage choisi apparaît, il tente une correction en arrière-plan ; les changements restent à examiner et les règles de fusion du dépôt continuent de s'appliquer (GitHub).

Ce que fait Agent Merge

Sur GitHub, Agent Merge fait partie de Copilot dans le cloud. On l'active sur une pull request, on sélectionne les blocages à traiter, puis Copilot démarre une tentative de réparation quand il en détecte un. GitHub affiche dans la chronologie de la pull request la raison de son intervention (documentation GitHub).

Ce que fait Agent Merge
Blocage	Ce que Copilot peut tenter
Échec d'un workflow GitHub Actions	Enquêter et proposer une correction
Conflit de fusion	Résoudre les conflits entre la branche de la pull request et sa branche cible

Une tentative ne garantit pas une correction pertinente. Un test peut échouer à cause d'une dépendance ou d'une véritable régression ; un conflit peut opposer deux changements valides dont l'intention n'est pas évidente. Relisez les modifications et vérifiez les contrôles concernés avant de les accepter.

Comment l'activer sur GitHub

Il faut une offre Copilot payante donnant accès à Copilot dans le cloud. Si l'accès vient d'une organisation, ses règles doivent autoriser cette fonction. La politique Copilot Enable automations du dépôt doit également être activée (documentation GitHub).

Ouvrez la pull request sur GitHub.
Dans la zone de fusion, sélectionnez Watch and fix.
Choisissez la correction des workflows Actions en échec, des conflits de fusion, ou les deux.
Suivez les interventions dans la zone Agent Merge et la chronologie.
Relisez les changements et contrôlez les résultats des workflows.

On peut aussi l'activer par défaut pour ses propres pull requests dans Settings → Copilot → Cloud. Pour arrêter la surveillance d'une pull request, sélectionnez Unassign Copilot dans la zone de fusion. GitHub précise que les pull requests empilées ou ouvertes depuis un fork ne sont pas prises en charge.

L'agent fusionne-t-il la pull request ?

Sur GitHub, Agent Merge prépare la pull request mais n'active pas la fusion automatique. La fonction distincte auto-merge peut être associée à Agent Merge : GitHub fusionne alors lorsque les contrôles et les validations exigés sont satisfaits (documentation GitHub).

Si auto-merge est activé, une réparation réussie peut donc être suivie d'une fusion dès que les conditions configurées sont remplies. Vérifiez les règles du dépôt et les changements proposés sans supposer qu'une confirmation manuelle supplémentaire sera toujours demandée.

L'application Copilot propose une expérience différente : GitHub indique qu'elle peut aussi traiter des commentaires de revue et fusionner la pull request lorsque les règles le permettent. VS Code documente également une version expérimentale avec ses propres options. Ces interfaces ne sont pas identiques à Watch and fix sur GitHub (GitHub ; VS Code).

Combien ça coûte ?

La fonction cloud nécessite une offre Copilot payante. Les crédits IA consommés sont facturés à la personne qui a activé Agent Merge sur la pull request, pas forcément à son auteur. GitHub ne donne pas de prix fixe par réparation dans sa documentation ; la consommation dépend du travail et des modèles utilisés (GitHub).

Pour les offres individuelles, GitHub affiche Copilot Pro à 10 $ par mois, Pro+ à 39 $ et Max à 100 $, avec des allocations de crédits différentes. Il s'agit du prix des abonnements, pas d'un tarif par réparation ; la consommation suit les règles de l'offre (facturation GitHub). Vérifiez le tableau d'utilisation avant de l'activer systématiquement.

Où les corrections sont-elles exécutées ?

GitHub précise que les corrections utilisent un environnement de développement basé sur GitHub Actions, et non un sandbox cloud. L'agent peut utiliser les instructions personnalisées du dépôt, ses skills et les étapes de configuration dans .github/workflows/copilot-setup-steps.yml (GitHub).

La configuration du dépôt compte donc : une dépendance absente ou une instruction inexacte peut modifier ce que l'agent observe. Examinez particulièrement les changements touchant aux tests, aux permissions et aux workflows. Un contrôle vert ne prouve pas à lui seul que l'objectif initial ou la sécurité du workflow sont préservés.

Notre lecture

Agent Merge vise une friction familière : attendre les contrôles, découvrir un échec, puis revenir sur une branche simplement pour la rendre fusionnable. Pour un développeur solo ou une petite équipe, une réparation en arrière-plan pourrait réduire ces interruptions.

Son intérêt dépendra de la qualité des corrections et du temps nécessaire pour les vérifier. Commencez sur une pull request dotée de contrôles clairs, sélectionnez les seuls blocages souhaités, puis comparez le diff à l'objectif initial. Suivez les crédits et le temps de revue : le résultat utile reste un changement correct et maintenable, pas simplement une case de fusion verte.

Sources

GitHub, Agent Merge sur les pull requests, 28 octobre 2026
GitHub, préparer les pull requests avec Agent Merge, consulté le 29 octobre 2026
GitHub, gestion des pull requests dans l'application Copilot, consulté le 29 octobre 2026
VS Code, fenêtre Agents, consulté le 29 octobre 2026
GitHub, facturation Copilot individuelle, consulté le 29 octobre 2026

Android Studio Rabbit 2 accueille Codex, Claude et d'autres agents IA

Thu, 29 Oct 2026 00:00:00 +0000

Les développeurs Android peuvent désormais utiliser leur agent de code préféré directement dans Android Studio. Google a publié le 28 octobre Android Studio Rabbit 2, version 2026.2.2, dans le canal stable. Sa nouveauté principale, Bring Your Own Agent, permet de connecter des agents tiers comme Codex d'OpenAI et Claude Agent aux outils de l'IDE (Google).

La version apporte aussi un gestionnaire de skills, une revue de code assistée par IA, une intégration de LeakCanary et des émulateurs Android XR stables. Google a annoncé en parallèle des nouveautés pour Android CLI et des API Android : elles ne font pas toutes partie d'Android Studio et n'ont pas toutes le même niveau de maturité.

Choisir son agent de code

Bring Your Own Agent, ou BYOA, connecte les agents compatibles à Android Studio avec le protocole ouvert Agent Client Protocol (ACP). Google indique que plus de 40 agents peuvent être utilisés, notamment Claude Agent, Codex, Junie et Google Antigravity. Les agents pris en charge peuvent utiliser des outils comme l'émulateur, les systèmes de build et Logcat (Google).

Par exemple, un développeur travaillant sur une application Kotlin pourrait demander à un agent d'examiner un échec de build avec accès aux diagnostics de l'IDE. L'agent peut proposer des changements et utiliser les outils disponibles ; le développeur doit toujours relire le correctif, relancer les tests pertinents et vérifier qu'il résout le bon problème. C'est un exemple d'utilisation, pas un résultat mesuré.

Pour commencer, ouvrez la fenêtre de l'agent ou allez dans Settings → Tools → AI → Agents, choisissez un agent puis authentifiez-vous si nécessaire. Google indique que des abonnements personnels ou professionnels peuvent être utilisés. Les quotas, les coûts et le traitement des données dépendent du fournisseur : l'intégration dans Android Studio ne rend pas tous les abonnements tiers gratuits (notes de version).

Skills, revue du code et fuites mémoire

Rabbit 2 ajoute un gestionnaire pour découvrir et gérer les skills, ces instructions spécialisées mises à disposition des agents. Google cite notamment des skills Android et Firebase pour migrer des vues XML vers Jetpack Compose, adapter les interfaces ou intégrer CameraX. Le gestionnaire s'ouvre depuis le panneau Agent ou Settings → Tools → AI → Skills Manager (Google).

AI Change Review peut examiner les changements d'un agent, les modifications en attente de commit ou des commits existants. Google indique que l'outil suggère des correctifs et peut organiser les changements liés dans un parcours de revue. Cela peut faciliter la lecture d'un gros diff, sans garantir que le code est correct.

LeakCanary est également intégré à l'agent intégré d'Android Studio dans le Profiler. L'agent peut aider à expliquer une fuite mémoire et suggérer des modifications. Une correction proposée doit néanmoins être testée et mesurée sur l'application.

Skills, revue du code et fuites mémoire
Fonction	Ce que Google annonce	À vérifier
Bring Your Own Agent	Connecter des agents compatibles aux outils de l'IDE	Conditions du fournisseur, permissions et changements
Skills Manager	Gérer des instructions spécialisées	Skills installés et adaptés à la tâche
AI Change Review	Suggérer des corrections et regrouper les changements	Justesse, sécurité et couverture des tests
Intégration LeakCanary	Expliquer les fuites et suggérer des correctifs	Amélioration réelle de la mémoire
Émulateurs XR	Tester virtuellement des appareils compatibles	Comportement sur matériel réel dès que possible

Source : Android Developers Blog, 28 octobre 2026.

Les émulateurs Android XR deviennent stables

Google indique que les émulateurs pour lunettes XR, audio et d'affichage sont désormais stables dans Android Studio. Ils permettent de tester des expériences compatibles sur ordinateur, de personnaliser certains environnements avec des photos à 360 degrés ou une caméra connectée, et d'associer plus facilement un téléphone et des lunettes virtuels (Google).

Ces outils facilitent les premières itérations sans lunettes physiques, mais ne remplacent pas les tests sur appareil réel, notamment pour les performances et l'utilisation dans un environnement réel.

Android CLI et API pour agents : des nouveautés distinctes

Google a également annoncé des changements pour Android CLI : streaming d'appareils, aperçus Jetpack Compose et outils de diagnostic des performances. Des plugins Android officiels pour Claude Code et Codex ont aussi été annoncés. Ce sont des outils Android associés, pas nécessairement des fonctionnalités intégrées à l'IDE Rabbit 2 (Google).

La même annonce présente des API pour construire des expériences avec agents dans les applications Android. Leur maturité varie : AppFunctions est en bêta, tandis qu'A2UI pour Jetpack Compose et l'API Agentic de ML Kit sont en alpha. Il faut consulter leur documentation et leur disponibilité avant de prévoir un usage en production.

Comment mettre à jour ?

Google présente Rabbit 2 comme la version stable. Dans Android Studio, utilisez Help → Check for Updates ; sur macOS, le chemin est Android Studio → Check for Updates. La version est aussi disponible sur la page de téléchargement officielle.

Avant de connecter un agent externe, vérifiez ses accès aux fichiers et aux outils, les conditions de traitement des données et le coût de l'abonnement ou de l'API. Commencez par une petite tâche et relisez le résultat avant de lui confier un gros refactor.

Notre lecture

La principale évolution de Rabbit 2 est la liberté de choix : un développeur Android peut rapprocher son agent préféré des outils de build, de débogage et d'émulation qu'il utilise déjà. Les skills et la revue guidée peuvent aussi aider à examiner les changements.

Le vrai test sera de savoir si l'agent choisi résout les problèmes de votre projet sans créer davantage de travail de revue. Google décrit les capacités de l'intégration, mais ne démontre pas un gain de productivité universel pour toutes les applications. Testez-la sur un problème réel, mesurez le résultat et conservez les vérifications utiles à votre projet.

Sources

Google, Android Studio Rabbit 2 et les agents IA, 28 octobre 2026
Google, notes de version d'Android Studio Rabbit 2, consultées le 29 octobre 2026
Google, outils de développement Android et API pour agents, 28 octobre 2026

GitHub Copilot Fusion choisit les modèles pour vous : coder mieux pour moins cher ?

Thu, 29 Oct 2026 00:00:00 +0000

Faut-il choisir un gros modèle pour chaque tâche de développement, ou réserver sa puissance aux problèmes qui en ont vraiment besoin ? Avec Copilot Fusion, lancé le 28 octobre, GitHub propose une troisième option : laisser Copilot sélectionner et, si nécessaire, combiner les modèles à votre place (GitHub).

La promesse est séduisante : approcher les performances des meilleurs agents sans leur coût sur toutes les tâches. Un test indépendant donne du poids à cette idée, mais il ne prouve pas que Fusion sera toujours moins cher pour votre projet. Voici ce que les chiffres mesurent et ce que vous payez réellement.

Un orchestrateur, pas un nouveau modèle

Copilot Fusion est un système de routage et d'orchestration. Vous choisissez un niveau d'effort ; Fusion décide quels modèles disponibles dans votre offre utiliser et comment les faire travailler. Il peut employer un seul modèle ou ajouter une étape de vérification lorsque la tâche le justifie (documentation GitHub).

GitHub décrit trois façons de procéder :

Un orchestrateur, pas un nouveau modèle
Parcours	Fonctionnement	Intérêt
Single	Un modèle traite directement la tâche.	Éviter une revue supplémentaire quand elle n'est pas nécessaire.
Cascade	Un modèle produit une première solution ; une vérification l'accepte ou confie le problème à un modèle plus puissant.	Réserver davantage de ressources aux cas difficiles.
Critique	Un modèle propose une réponse, d'autres l'examinent, puis le premier peut la réviser.	Ajouter une revue pour les tâches qui le justifient.

Source : documentation GitHub. Ce sont les parcours possibles ; leur sélection dépend de la tâche et du niveau choisi.

Standard vise le travail courant et, selon la documentation, utilise un seul modèle par tâche. High cible les changements plus complexes ; Max privilégie les problèmes les plus exigeants. GitHub précise que High et Max peuvent ajouter des appels et consommer davantage de crédits. On peut voir les étapes et retrouver les modèles utilisés sous la réponse (GitHub).

Un test indépendant : deux points de moins, près de moitié prix

Artificial Analysis a testé Fusion Max dans Copilot CLI sur son Coding Agent Index v2.0. L'indice combine à poids égaux FrontierCode v1.1, Terminal-Bench 4.0 et SWE-Atlas-QnA-AA. Son unité de comparaison est le couple agent et configuration de modèle, pas le modèle seul (Artificial Analysis).

Un test indépendant : deux points de moins, près de moitié prix
Agent et configuration	Indice de code	Coût moyen par tâche
Claude Code avec Claude Opus 5.5 Max	62 / 100	11,42 $
GitHub Copilot CLI avec Fusion Max	60 / 100	5,59 $

Source : Artificial Analysis, comparaison des agents, relevé le 29 octobre 2026. Le coût indiqué est celui calculé pour les tâches du benchmark, pas le prix d'une tâche dans votre abonnement.

Fusion est à deux points de Claude Code sur cet indice, avec un coût moyen inférieur d'environ 51 %. Le classement change selon le test : Fusion obtient 71 % sur Terminal-Bench 4.0 contre 63 % pour Claude Code, mais 51 % sur FrontierCode contre 56 % pour Claude Code. Une moyenne proche ne signifie donc pas que les deux agents réussissent les mêmes problèmes (Artificial Analysis).

Le résultat ne permet pas non plus de prédire votre économie : les tâches du benchmark, la configuration, les outils, les tarifs et les conditions de cache peuvent différer des vôtres. Il compare deux systèmes complets, avec leurs environnements respectifs. Et il ne dit pas si le code produit conviendra à votre architecture ou sera facile à maintenir.

La facture : des crédits, pas un tarif unique Fusion

Fusion n'a pas de supplément propre. GitHub facture les modèles utilisés à leurs tarifs respectifs : une tâche qui passe par plusieurs modèles peut donc coûter davantage qu'un appel simple. Dans les offres individuelles, l'utilisation des tokens est convertie en GitHub AI Credits ; un crédit correspond à 0,01 dollar de coût d'utilisation. Les allocations incluses et les règles exactes dépendent de l'offre (GitHub, facturation individuelle).

Pour les offres individuelles payantes, GitHub annonce les montants mensuels suivants :

La facture : des crédits, pas un tarif unique Fusion
Offre	Prix mensuel annoncé	Crédits IA mensuels inclus
Copilot Pro	10 $	1 500
Copilot Pro+	39 $	7 000
Copilot Max	100 $	20 000

Source : documentation GitHub, relevée le 29 octobre 2026. Une partie de l'allocation est variable selon GitHub. Les conditions des offres gratuites, étudiantes et professionnelles diffèrent ; consultez votre tableau d'utilisation avant de comparer.

GitHub prévoit une réduction de 30 % sur le coût des modèles utilisés par Fusion pour les offres Copilot payantes, jusqu'au 30 novembre 2026. Ce n'est pas une réduction permanente du prix de l'abonnement (GitHub).

En pratique, commencez par Standard pour une modification ciblée. Passez à High ou Max quand la difficulté justifie davantage de raisonnement, puis regardez les crédits réellement consommés et le temps passé à vérifier les changements. Le coût pertinent est celui d'une solution acceptée et vérifiée, pas seulement celui d'une première réponse.

Où l'utiliser ? Et les modèles locaux ?

Fusion est disponible dans VS Code, Copilot CLI, l'application GitHub Copilot et les IDE JetBrains, avec des possibilités qui dépendent de l'offre et des politiques de l'organisation. Pour l'essayer, mettez votre client à jour, sélectionnez Copilot Fusion dans le choix des modèles, puis choisissez Standard, High ou Max (GitHub).

GitHub teste aussi la sélection de modèles locaux en niveau Standard. Dans Copilot CLI, certains modèles configurés manuellement peuvent être utilisés sur macOS, Windows et Linux ; la configuration et les ressources nécessaires restent à la charge de l'utilisateur. Cette fonction est en aperçu expérimental. Même si l'inférence utilise un modèle sur votre machine, le routage reste dans le cloud : la session n'est pas entièrement hors ligne (GitHub).

Notre lecture

Fusion répond à un problème très concret : choisir le modèle le plus puissant pour une petite tâche peut gaspiller des crédits, tandis qu'un modèle léger peut échouer sur une modification complexe. L'orchestration rend ce compromis plus automatique ; elle ne supprime ni le besoin de relire les changements ni l'incertitude sur le coût final.

Le test d'Artificial Analysis est encourageant pour Fusion Max, mais il ne démontre pas qu'il bat chaque concurrent sur chaque tâche. Pour une équipe ou un développeur indépendant, le meilleur essai reste de comparer quelques tâches représentatives : une correction simple, un bug difficile et une modification multi-fichiers, avec le même critère de réussite et le suivi des crédits.

Sources

GitHub, lancement de Copilot Fusion, 28 octobre 2026
GitHub, fonctionnement, niveaux et facturation de Fusion, vérifié le 29 octobre 2026
Artificial Analysis, test de Copilot Fusion, 28 octobre 2026
Artificial Analysis, comparaison Claude Code et Copilot, relevé le 29 octobre 2026
GitHub, facturation individuelle et crédits, vérifié le 29 octobre 2026
GitHub, modèles locaux dans Copilot Fusion, 28 octobre 2026

Genie 4 : Google imagine des mondes interactifs qui voient, bougent et parlent

Thu, 29 Oct 2026 00:00:00 +0000

Imaginez une scène que vous pouvez explorer, puis transformer en demandant simplement à l'IA de changer la météo, de déplacer la caméra ou de faire entrer un personnage. Le 27 octobre, Google DeepMind a présenté Genie 4, un modèle de simulation de mondes interactifs capable de générer des images et du son, dont des ambiances et des dialogues (Google DeepMind).

La démonstration fait penser à un jeu vidéo. Mais Genie 4 est encore un projet de recherche à accès limité, et Google reconnaît des problèmes de cohérence et de durée. Pour les créateurs de jeux ou de films, son intérêt immédiat pourrait surtout être d'explorer des idées visuelles ; ses capacités réelles restent à tester en dehors des exemples sélectionnés par Google.

Qu'est-ce qu'un modèle de monde ?

Un modèle de monde cherche à produire une représentation d'un environnement qui évolue en fonction d'actions. Dans les démonstrations de Google, l'utilisateur navigue avec le clavier et peut donner des instructions en langage naturel pendant que la scène se déroule. Le modèle génère l'apparence et les réactions de la scène au fil de l'interaction (Google DeepMind).

Google explique que Genie 4 s'appuie sur des capacités de la famille Gemini : Gemini contribue à structurer les événements et à guider la simulation, tandis que Genie génère l'apparence et les sons de l'environnement. Le schéma suivant simplifie cette description ; ce n'est pas un plan technique complet du modèle.

Source : Google DeepMind, annonce de Genie 4, 27 octobre 2026.

Ce que montrent les démonstrations

Google présente quatre capacités principales : modifier une scène en temps réel par des instructions, explorer l'environnement avec une caméra, générer du son en même temps que les images, et produire des personnages qui réagissent et dialoguent. L'entreprise montre aussi des exemples de mouvements et de collisions qu'elle juge plus réalistes (Google DeepMind).

La nouveauté marquante est l'audio natif : vent, bruits ambiants, musique ou dialogue peuvent accompagner la scène. Google indique toutefois que la précision audio en temps réel reste à améliorer. Les vidéos publiées sont des démonstrations de l'éditeur, pas une évaluation indépendante sur toutes les situations.

Ce que montrent les démonstrations
Fonction	Ce que Google présente	Point à garder en tête
Instructions en direct	Changer la météo, la caméra ou des éléments de la scène	Les changements complexes peuvent accentuer les incohérences
Images et son	Générer ambiances, musique et dialogues avec le monde	La précision audio reste en développement
Personnages	Faire réagir et parler des personnages	Les interactions complexes entre plusieurs agents restent un sujet de recherche
Exploration	Se déplacer dans une scène interactive	Les sessions continues sont limitées à quelques minutes

Sources : annonce de Google DeepMind et fiche du modèle.

Peut-il créer un jeu vidéo complet ?

Pas sur la base des informations publiées. Un moteur de jeu classique maintient généralement un état explicite — positions, objets, inventaire, règles et collisions — que les développeurs peuvent programmer et contrôler. Genie 4 génère une scène interactive ; Google ne décrit pas dans son annonce un système complet permettant d'exporter un jeu, de gérer durablement un inventaire ou de garantir les règles d'une partie.

La différence apparaît dans les limites reconnues par Google : des objets et des détails peuvent changer au fil de la session, le texte peut être difficile à lire, les interactions complexes restent à améliorer et l'exploration continue dure quelques minutes. Google précise aussi que les lieux réels ne sont pas reproduits avec une précision parfaite (fiche Genie 4).

Pour un jeu de manoir piégé, par exemple, ces limites comptent : une clé doit rester trouvée, une porte doit conserver son état et le chronomètre doit suivre une règle stable. Genie 4 pourrait aider à imaginer l'ambiance ou à explorer visuellement une pièce, mais il faudrait encore un système fiable pour gérer ces mécaniques. Cet exemple est une application possible de notre part, pas une fonction de production annoncée par Google.

Et pour l'animation ou Blender ?

Google indique que des testeurs issus des industries créatives explorent la prévisualisation : essayer rapidement une scène, des angles de caméra, un éclairage ou des dialogues. Pour un réalisateur indépendant, ce type d'outil pourrait servir à chercher une intention visuelle avant de produire une scène contrôlable dans Blender (Google DeepMind).

Il faut toutefois distinguer une simulation générée d'un projet 3D éditable. L'annonce ne précise pas que Genie 4 exporte des modèles, des rigs, des animations ou des scènes Blender. Les images publiées ne permettent donc pas de conclure qu'on peut récupérer les objets et les retravailler individuellement.

La même prudence s'applique à une reconstitution de circuit : une scène peut paraître convaincante sans respecter précisément le tracé, les proportions ou le relief. Google reconnaît que les lieux réels ne sont pas reproduits parfaitement. Pour une piste fidèle, les références, les mesures et la vérification restent indispensables.

Comment y accéder ?

Au moment de l'annonce, Genie 4 est proposé en aperçu de recherche à un groupe limité de testeurs de confiance. Google prévoit ensuite un accès pour des abonnés Google AI Ultra via Project Genie et pour des partenaires en accès anticipé de Gemini API et Google AI Studio. Une liste d'attente est ouverte, mais Google ne donne pas de date précise de déploiement général dans son annonce (Google DeepMind).

Google ne publie pas non plus dans ces documents un tarif API propre à Genie 4, sa résolution ou sa fréquence d'images. L'accès annoncé aux abonnés Ultra ne suffit pas à établir le prix futur par utilisation, les quotas ou une disponibilité immédiate pour tous les abonnés.

Notre lecture

Genie 4 rapproche la génération audiovisuelle d'une expérience que l'on peut influencer pendant qu'elle se déroule. C'est une piste intéressante pour imaginer des décors, tester une mise en scène ou explorer des environnements d'entraînement.

Mais le résultat visuellement convaincant n'est pas une garantie de précision, de contrôle ou de continuité. Avant de parler de remplacement d'un moteur de jeu ou d'un logiciel 3D, il faudra pouvoir tester le modèle, mesurer la durée des scènes, vérifier les possibilités d'export et connaître ses coûts. Pour l'instant, Genie 4 ressemble davantage à un outil de recherche et d'exploration créative qu'à une chaîne complète de production.

Sources

Google DeepMind, présentation de Genie 4, 27 octobre 2026
Google DeepMind, fiche et limites de Genie 4, consultée le 29 octobre 2026
Google, annonce de Genie 4, 27 octobre 2026

OpenAI et ServiceNow rapprochent ChatGPT des outils d'entreprise

Thu, 29 Oct 2026 00:00:00 +0000

Un salarié pourra-t-il résoudre un incident informatique, consulter son contexte et mettre à jour son dossier sans quitter ChatGPT ? C'est l'une des utilisations envisagées par OpenAI et ServiceNow, qui ont annoncé le 28 octobre une extension de leur partenariat. Les deux entreprises veulent relier les modèles et agents d'OpenAI aux processus de travail gérés par ServiceNow, du support informatique à la sécurité et au développement d'applications (OpenAI).

Un premier élément est disponible : le plugin MCP ServiceNow dans la marketplace OpenAI. D'autres fonctions annoncées, dont une intégration de Codex et une solution de cybersécurité, sont prévues en 2027. L'accord prolonge une collaboration renforcée en janvier 2026 ; il ne s'agit donc pas d'un partenariat entièrement nouveau (ServiceNow, janvier).

ChatGPT comme point d'entrée vers ServiceNow

ServiceNow fournit aux entreprises une plateforme pour gérer des processus comme les demandes informatiques, les incidents et les opérations de sécurité. Le plugin annoncé vise à apporter une partie de ce contexte dans ChatGPT et à permettre des actions sur les dossiers ServiceNow depuis la conversation.

L'exemple donné par OpenAI concerne une équipe informatique : retrouver des incidents similaires, examiner le risque d'un changement et mettre à jour un dossier. L'entreprise cliente connecte ChatGPT à sa propre instance ServiceNow et choisit les capacités proposées ; les actions restent soumises aux règles et permissions configurées dans ServiceNow via Action Fabric (OpenAI).

Cela ne veut pas dire que ChatGPT obtient automatiquement accès à tous les dossiers ni qu'il peut tout modifier. Les droits effectifs dépendent de la connexion et de la configuration de l'organisation. Les deux sociétés présentent aussi une expérience interactive plus riche pour les équipes d'astreinte, mais celle-ci relève de leurs projets d'extension, pas d'une disponibilité générale déjà confirmée (ServiceNow).

Codex, sécurité, voix : ce qui est prévu

Le partenariat couvre plusieurs chantiers. Les dates ci-dessous sont celles annoncées par OpenAI et ServiceNow, et peuvent évoluer.

Codex, sécurité, voix : ce qui est prévu
Fonction	Utilisation annoncée	Disponibilité annoncée
Plugin MCP ServiceNow	Accéder à des workflows ServiceNow depuis ChatGPT	Disponible ; capacités enrichies attendues d'ici fin 2026
Sécurité	Associer les capacités cyber d'OpenAI au contexte des actifs et accès ServiceNow	Accès anticipé en janvier 2027 ; disponibilité générale prévue au 2e trimestre 2027
Voix	Décrire un cas d'usage IA pour aider à remplir une évaluation des risques	1er trimestre 2027
Codex dans AI Workflow Factory	Aider à construire des applications avec le contexte et les fonctions de ServiceNow	Courant 2027

Sources : OpenAI et ServiceNow, 28 octobre 2026.

Pour les développeurs, l'annonce la plus directe est l'intégration prévue de Codex à AI Workflow Factory. L'idée est d'aider à construire des applications en tenant compte du contexte et des capacités de la plateforme ServiceNow. Les modèles d'OpenAI doivent également alimenter Build Agent et Autonomous Engineer. Les entreprises ne publient pas dans cette annonce les tarifs ni une date plus précise pour Codex : il serait prématuré d'en déduire ce qu'un client pourra utiliser aujourd'hui.

Côté sécurité, le projet associe les capacités cyber d'OpenAI à des informations sur les actifs et les accès de l'entreprise pour aider à identifier et prioriser les risques. Les sociétés décrivent une intention et un calendrier ; elles ne présentent pas de résultats indépendants permettant de mesurer ici l'efficacité de la solution.

Chaque entreprise utilisera aussi les outils de l'autre

ServiceNow prévoit de donner accès à ChatGPT Work et Codex à l'ensemble de ses salariés, au-delà de ses équipes d'ingénierie. Elle compte aussi utiliser des capacités d'OpenAI pour sa sécurité interne. De son côté, OpenAI indique utiliser des workflows ServiceNow pour ses propres opérations ; ServiceNow annonce un déploiement plus large envisagé chez OpenAI (OpenAI ; ServiceNow).

Ces annonces illustrent deux échanges différents : un partenariat commercial entre plateformes et l'adoption de leurs produits dans leurs propres organisations. Elles ne suffisent pas, à elles seules, à établir un gain de productivité mesuré ou le nombre de salariés qui utilisent déjà effectivement ces outils.

Pourquoi ce partenariat compte

Une conversation avec une IA devient plus utile lorsqu'elle peut accéder au bon contexte et aider à agir dans les logiciels où le travail est suivi. Pour une équipe IT, retrouver l'historique d'un incident puis mettre à jour son dossier depuis un même endroit peut réduire les changements d'interface. Mais la valeur réelle dépendra de la qualité des informations récupérées, des permissions, du contrôle des actions et du temps nécessaire pour vérifier le résultat.

ServiceNow a également annoncé une alliance de partenaires autour de sa plateforme de gouvernance de l'IA. Elle cite à la fois OpenAI et Anthropic parmi ses membres fondateurs : le rapprochement avec OpenAI s'inscrit donc dans un écosystème plus large, et l'annonce ne décrit pas une exclusivité générale entre les deux entreprises (ServiceNow).

Notre lecture : le plugin disponible donne un premier aperçu de l'intégration ; les fonctions de sécurité, de voix et de développement restent à juger lorsqu'elles seront accessibles. Pour les clients, les questions décisives seront les permissions réellement nécessaires, la traçabilité des actions, les tarifs et la fiabilité sur leurs propres workflows. Aucun prix spécifique pour ces futures fonctions n'est indiqué dans les annonces consultées.

Sources

OpenAI, extension du partenariat avec ServiceNow, 28 octobre 2026
ServiceNow, annonce du partenariat et calendrier, 28 octobre 2026
ServiceNow, collaboration renforcée avec OpenAI, 20 janvier 2026
ServiceNow, lancement de Control Tower Alliance, 28 octobre 2026

Gemini 4 Carbon : Google reprend la tête, mais le garde sous clé

Wed, 28 Oct 2026 20:30:00 +0100

Google a annoncé le 28 octobre Gemini 4 Carbon, qu'il présente comme son modèle le plus puissant, avec des capacités de pointe en cybersécurité et sur les tâches longues (Google). Il arrive deux semaines après Gemini 4 Argon, dont il prend la suite. Il prend aussi la première place de deux classements suivis par les développeurs. Mais Carbon n'est pas encore disponible pour les développeurs ni le grand public : seuls quelques experts en cyberdéfense y ont accès, et Google ne donne aucune date d'ouverture (Google).

Ce qui suit sépare les chiffres publiés par Google, ceux des évaluateurs indépendants et notre lecture, signalée comme telle. Les prix sont en dollars par million de tokens.

Ce qu'est Carbon

Carbon n'est pas un modèle « Flash » plus léger, mais une version plus forte d'Argon, pensée pour les longues tâches d'ingénierie. Google écrit que ses équipes l'ont vu tourner « pendant des jours » pour trouver la cause de bugs subtils et les corriger dans de grosses bases de code (Google).

L'autre axe, c'est la cybersécurité défensive. Google annonce 88,2 % sur SEC-bench Pro pour trouver des vulnérabilités, 54,8 % sur ExploitGym pour vérifier qu'elles sont exploitables et 71,0 % sur CWE-bench pour les corriger. Selon ses tests internes, Carbon réussit plus de deux fois mieux qu'Argon à écrire du code sûr. L'équipe Chrome rapporte des correctifs « plus de 10 fois » meilleurs que ceux du grand modèle d'un autre laboratoire, sans le nommer (Google).

Google ne publie ni le nombre de paramètres ni la taille maximale des réponses. Artificial Analysis indique une fenêtre de contexte d'un million de tokens, et des entrées texte, image, vidéo et voix, avec une sortie en texte (Artificial Analysis).

Premier sur l'indice d'Artificial Analysis

Sur l'indice d'intelligence v5 d'Artificial Analysis, refondu la veille, Carbon prend la tête avec 59 points, un de plus que Claude Opus 5.5.

Artificial Analysis Intelligence Index v5, sur 100
█ Gemini 4 Carbon
░ Gemini 4 Argon
▒ concurrents

Gemini 4 Carbon        59 │██████████████████████████████
Claude Opus 5.5        58 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
GPT-6 Astra            57 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
GPT-6.1 Sol            55 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
Gemini 4 Argon         50 │░░░░░░░░░░░░░░░░░░░░░░░░░
Claude Fable 5.1       49 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒

Sources : Artificial Analysis, article sur Carbon et annonce de l'indice v5, 27 et 28 octobre 2026 ; score de Claude Fable 5.1 tiré du tableau de Google DeepMind. Carbon en raisonnement élevé, les autres à leur effort maximal.

Un point d'écart reste mince. Artificial Analysis précise que Carbon mène sur 4 des 9 tests de l'indice (HLE-Diamond, Terminal-Bench-Science, AA-Omniscience et AutomationBench-AA). Il n'est que 2e sur les tests de code Terminal-Bench 4.0 et FrontierCode. Sur AA-Briefcase, qui mesure ce travail de bureau, Carbon gagne 126 points Elo sur Argon (1 609), mais reste derrière Grok 4.7 (1 638), Muse Wonder (1 659) et Kimi K3.1 Pro (1 678) (Artificial Analysis).

Sur la fiabilité, le bilan est mitigé. Carbon obtient le meilleur score sur AA-Omniscience (54, contre 48 pour Opus 5.5), mais son taux d'hallucination passe de 4 % pour Argon à 11 %. Il reste bien plus bas que celui de Claude Opus 5.5 et de GPT-6 Astra, à 50 % (Artificial Analysis).

Ce que Carbon apporte face à Argon et à la concurrence

Google publie un tableau de 17 tests où Carbon dépasse Argon partout. Face aux concurrents, le tableau est plus nuancé. Voici cinq lignes représentatives.

Scores publiés par Google, en %
█ Gemini 4 Carbon   ░ Gemini 4 Argon
▒ GPT-6 Astra       ▓ Claude Opus 5.5

Terminal-Bench 4.0 (AA)
  Carbon        65,2 │████████████████
  Argon         57,1 │░░░░░░░░░░░░░░
  GPT-6 Astra   59,1 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
  Opus 5.5      59,6 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
FrontierSWE 2
  Carbon        61,2 │███████████████
  Argon         55,0 │░░░░░░░░░░░░░░
  GPT-6 Astra   65,5 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
  Opus 5.5      62,3 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
OSWorld-2.1
  Carbon        81,5 │████████████████████
  Argon         74,7 │░░░░░░░░░░░░░░░░░░░
  GPT-6 Astra   80,9 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
  Opus 5.5      87,2 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
GraphWalks 256k-1M
  Carbon        96,2 │████████████████████████
  Argon         84,2 │░░░░░░░░░░░░░░░░░░░░░
  GPT-6 Astra   71,8 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
  Opus 5.5      66,8 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
ExploitGym
  Carbon        54,8 │██████████████
  Argon         42,0 │░░░░░░░░░░░
  GPT-6 Astra   42,4 │▒▒▒▒▒▒▒▒▒▒▒
  Opus 5.5      34,5 │▓▓▓▓▓▓▓▓▓

Source : tableau de Google DeepMind ; méthodologie de Google. Il s'agit de chiffres de l'éditeur, pas d'une évaluation indépendante.

Les gains les plus nets portent sur les longs contextes (GraphWalks, entre 256 000 et 1 million de tokens, où Carbon distance largement GPT-6 Astra et Opus 5.5), la cybersécurité et la science. En revanche, GPT-6 Astra garde l'avantage sur FrontierSWE 2, un test d'ingénierie logicielle, et Claude Opus 5.5 sur OSWorld-2.1, qui mesure l'usage d'un ordinateur. Sur SWE-sweep, Carbon (9,6 %) ne devance GPT-6 Astra (9,5 %) que d'un dixième de point (Google DeepMind).

Pour les agents de code, Artificial Analysis l'a aussi testé dans l'outil de Google, Antigravity CLI. Le couple obtient 59 sur son indice des agents de code, à 3 points de Claude Code avec Opus 5.5 (62) (Artificial Analysis).

Google met aussi en avant la sécurité de comportement. Sur Terminal-Bench 4.0, Carbon ne réussit plus aucune tentative de triche (0,0 %) et n'essaie de tricher que dans 0,4 % des cas. Les alertes de comportement non aligné graves baissent de près de 80 % dans les essais internes. Sur le test d'injection de prompt indirecte de Gray Swan, aucune attaque ne réussit, contre 0,7 % pour Argon (Google).

Premier sur LMArena, mais à titre préliminaire

Sur LMArena, où des utilisateurs comparent deux réponses à l'aveugle, Carbon arrive aussi en tête.

LMArena, classement texte, score Elo
Barres à partir de 1 460 points, 1 bloc = 3 points
█ Gemini 4 Carbon   ░ Gemini 4 Argon   ▒ concurrents

Gemini 4 Carbon     1 528 │███████████████████████
Gemini 4 Argon      1 520 │░░░░░░░░░░░░░░░░░░░░
Claude Opus 5.5     1 509 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
Muse Wonder         1 507 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
Claude Fable 5.1    1 504 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
GPT-6.1 Sol         1 481 │▒▒▒▒▒▒▒
GPT-6 Astra         1 476 │▒▒▒▒▒

Source : LMArena, classement texte du 27 octobre 2026, vérifié le 28 octobre. Les barres ne partent pas de zéro : elles grossissent les écarts.

Ce score est marqué « préliminaire » et repose sur 4 403 votes, contre 11 889 pour Argon. Sa marge d'erreur (± 9) recouvre l'écart de 8 points avec Argon : LMArena place Carbon entre la 1re et la 2e place (LMArena). Sur WebDev Arena, consacré au développement web, Google annonce un gain de 89 points, à la 4e place avec 1 768 (Google).

Prix et disponibilité

Carbon n'est pas encore disponible pour les développeurs ni le grand public : Google le réserve pour l'instant à des partenaires en cyberdéfense, sans date d'ouverture (Google). Les prix ci-dessous sont donc des prix annoncés, pas des tarifs utilisables aujourd'hui.

Carbon sortira au même prix de lancement qu'Argon : 2 $ en entrée et 10 $ en sortie, avec 95 % de remise sur les tokens d'entrée en cache. Ensuite, le prix passera à 4 $ et 20 $ (Google). Google ne dit pas quand cette période de lancement prendra fin, alors que celle d'Argon court jusqu'au 30 novembre (Google).

Prix et disponibilité
Modèle	Prix entrée / sortie	Accès
Gemini 4 Carbon	Annoncé : 2 $ / 10 $ au lancement, puis 4 $ / 20 $	Pas encore disponible : programme Fairwind uniquement, pas d'API publique
Gemini 4 Argon	2 $ / 10 $ jusqu'au 30 nov., puis 4 $ / 20 $	API Gemini, Antigravity
Claude Opus 5.5	4 $ / 20 $	API Claude
GPT-6 Astra	10 $ / 50 $	API OpenAI
GPT-6.1 Sol	2 $ / 10 $	API OpenAI

Sources : Google, Carbon, Google, Argon, Antigravity, Anthropic, OpenAI. Tarifs standard pour des requêtes de moins de 272 000 tokens chez OpenAI. Relevé le 28 octobre 2026.

Le prix au token ne dit pas tout. Artificial Analysis mesure le coût d'une tâche complète de son indice, au tarif standard de 4 $/20 $ pour Carbon.

Coût moyen d'une tâche de l'indice Artificial Analysis, en $
Tarif standard, hors remise de lancement
█ Gemini 4 Carbon   ░ Gemini 4 Argon   ▒ concurrents

Claude Fable 5.1    13,04 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
Claude Opus 5.5     10,04 │▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒▒
Gemini 4 Carbon      7,76 │████████████████
Gemini 4 Argon       7,68 │░░░░░░░░░░░░░░░
GPT-6 Astra          6,25 │▒▒▒▒▒▒▒▒▒▒▒▒▒
GPT-6.1 Sol          1,27 │▒▒▒
GPT-6.1 Terra        0,96 │▒▒

Sources : Artificial Analysis, article sur Carbon (Carbon, Argon, Opus 5.5, Astra) et annonce de l'indice v5 (Fable 5.1, Sol, Terra).

Carbon coûte environ 23 % de moins par tâche qu'Opus 5.5, en écrivant 29 % de tokens de sortie en moins (123 000 contre 173 000). Il coûte autant qu'Argon pour 9 points de plus, mais environ 1,2 fois plus que GPT-6 Astra (Artificial Analysis). GPT-6.1 Sol reste six fois moins cher par tâche, pour 4 points de moins.

Côté accès, Carbon est réservé cette semaine à « un sous-ensemble » d'experts en cyberdéfense, puis à d'autres partenaires de confiance du programme Fairwind. Google veut encore « recueillir des retours » et ajuster ses garde-fous avant de l'ouvrir aux développeurs, aux entreprises et au grand public « dès que possible », sans date (Google). Fairwind compte plus de 650 partenaires, en priorité des gouvernements, des opérateurs d'infrastructures critiques et de grandes plateformes technologiques. L'accès y est contrôlé : vérification des organisations, authentification résistante au phishing, interdiction de revendre ou de partager l'accès (Google DeepMind).

Au 28 octobre, Carbon n'apparaît ni dans la liste des modèles de l'API Gemini, ni dans son journal des versions, ni dans sa grille de prix (Google). Google n'a annoncé aucune date pour l'application Gemini, Vertex AI, Antigravity ou la CLI Gemini.

Ce que ça change pour les développeurs

Pour l'instant, rien de concret : aucun identifiant d'API n'est publié et l'outil ne figure dans aucun produit grand public. Le seul indice sur le calendrier vient d'Argon. Annoncé de la même façon, il est arrivé ensuite dans l'API Gemini et dans Antigravity, en application et en ligne de commande, pour les abonnés Google AI Pro et Ultra (Antigravity). Notre guide sur Gemini CLI et Antigravity CLI détaille ces outils.

Notre lecture : quand Carbon arrivera, son intérêt sera surtout pour trois usages. Les tâches d'agent très longues, que Google met en avant. Les gros contextes, où son avance sur GraphWalks est la plus nette. Et l'audit de sécurité du code, son point fort affiché. Pour du code au quotidien, l'écart avec Opus 5.5 et GPT-6 Astra reste mince sur les tests publiés, et GPT-6.1 Sol coûte bien moins cher par tâche. Le prix de lancement sans date de fin est aussi un risque pour qui bâtit un budget : il doublera.

Deux choses à surveiller : la date d'ouverture de l'API, et le score LMArena de Carbon une fois qu'il aura recueilli assez de votes pour ne plus être préliminaire.

Sources

Google, annonce de Gemini 4 Carbon, 28 octobre 2026, vérifié le 2026-10-28
Google DeepMind, tableau des performances de Gemini 4 et méthodologie, vérifiés le 2026-10-28
Google DeepMind, programme Fairwind
Artificial Analysis, Gemini 4 Carbon numéro 1, 28 octobre 2026
Artificial Analysis, Intelligence Index v5, 27 octobre 2026
LMArena, classement texte, 27 octobre 2026, vérifié le 2026-10-28
Google, annonce de Gemini 4 Argon
Google Antigravity, Gemini 4 Argon dans Antigravity
Google, modèles de l'API Gemini, vérifié le 2026-10-28
Anthropic, tarifs et OpenAI, tarifs de l'API, vérifiés le 2026-10-28

Modèles ouverts : qui mène, et à quelle distance des modèles fermés

Wed, 28 Oct 2026 18:30:00 +0100

Le 27 octobre, Artificial Analysis a changé la règle du jeu. Son indice d'intelligence passe en version 5, avec 60 % de tests privés, et l'écart entre le meilleur modèle fermé et le meilleur modèle ouvert passe de 3 à 12 points (Artificial Analysis). Pour les modèles dont les poids sont réellement téléchargeables, il atteint 26 points. C'est le bon moment pour faire le point : qui mène, à quelle distance, à quel prix et sous quelle licence.

Un mot de vocabulaire d'abord. Presque aucun de ces modèles n'est « open source » au sens du logiciel libre : ce sont des modèles à poids ouverts. On peut télécharger le modèle entraîné, le faire tourner chez soi et l'adapter, mais la licence fixe souvent des conditions. Sauf mention contraire, les scores annoncés par un éditeur sont ceux de l'éditeur, et les prix sont en dollars par million de tokens.

Qui mène chez les modèles ouverts

Les laboratoires chinois occupent le haut du tableau.

Moonshot AI (Kimi). Kimi K3 compte 2 800 milliards de paramètres, avec un contexte d'un million de tokens ; Moonshot le présente comme « le premier modèle ouvert de classe 3T » (Kimi). Son successeur, Kimi K3.1 Pro, est disponible depuis le 23 octobre par l'API, mais ses poids ne seront publiés que « d'ici le 4 novembre » (Kimi).
DeepSeek. DeepSeek V4.1-Flash est un modèle multimodal de 552 milliards de paramètres, avec un contexte d'un million de tokens (Hugging Face). Sa mise à jour du 17 octobre, V4.1-Flash-1017, est sous licence MIT (Hugging Face).
Z.ai. GLM-5.3 pèse environ 753 milliards de paramètres selon Hugging Face, et sa version légère, GLM-5.3-Flash, est sous licence MIT (Hugging Face).
Alibaba (Qwen). Qwen3.8-27B, un modèle de 27 milliards de paramètres sous Apache 2.0, est l'un des modèles ouverts les plus téléchargés (Hugging Face). Le grand modèle, Qwen3.8-2.4T-A95B, est la version téléchargeable de Qwen3.8-Max, sous une licence propre (Hugging Face).

Côté américain, Meta a publié le 15 octobre Muse Spark Open : 816 milliards de paramètres, dont 42 milliards actifs à chaque token, et un contexte d'un million de tokens. Meta le présente comme « le modèle à poids ouverts américain le plus capable à ce jour » (Meta). Google a Gemma 4, dont la version 31B est sous Apache 2.0 (Hugging Face). OpenAI, lui, n'a rien publié de neuf : sa page des modèles ouverts ne liste toujours que gpt-oss et gpt-oss-safeguard (OpenAI), et gpt-oss date du 5 août 2025 (OpenAI).

En Europe, Mistral publie Mistral Small 4 sous Apache 2.0 (Hugging Face) et Mistral Medium 3.5 sous une licence MIT modifiée (Mistral). Son modèle phare, Mistral Large 4, est classé propriétaire par LMArena (LMArena).

Enfin, les petits modèles avancent aussi. Liquid AI a publié le 27 octobre LFM3, dont une version de 1,7 milliard de paramètres (Liquid AI). Nanbeige4.3-33B, publié le 24 octobre sous Apache 2.0, annonce 23,8 % sur Terminal-Bench 4.0 (Hugging Face).

L'écart avec les modèles fermés

Sur l'indice v5 d'Artificial Analysis, les cinq premiers modèles sont signés Anthropic et OpenAI. Le meilleur modèle ouvert, Kimi K3.1 Pro, n'a pas encore publié ses poids. Parmi les poids réellement disponibles, DeepSeek V4.1 Flash 1017 et GLM-5.3 mènent à 32 points, derrière Claude Haiku 5.5, le petit modèle d'Anthropic (36).

Artificial Analysis Intelligence Index v5, sur 100
█ modèle fermé
▓ poids ouverts publiés
░ poids promis, pas encore publiés

Claude Opus 5.5         58 │█████████████████████████████
GPT-6 Astra             57 │█████████████████████████████
GPT-6.1 Sol             55 │████████████████████████████
Gemini 4 Argon          50 │█████████████████████████
Muse Wonder Full        50 │█████████████████████████
Kimi K3.1 Pro           46 │░░░░░░░░░░░░░░░░░░░░░░░
Claude Haiku 5.5        36 │██████████████████
DeepSeek V4.1 Flash     32 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
GLM-5.3                 32 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
Qwen3.8-27B             20 │▓▓▓▓▓▓▓▓▓▓

Source : Artificial Analysis, indice v5, 27 octobre 2026 ; scores de Muse Wonder Full et de Qwen3.8-27B relevés par Cybernews, 28 octobre 2026. Effort de raisonnement le plus élevé de chaque modèle.

L'écart est le plus net sur les tâches longues et inédites. Sur FrontierCode 2.0, un test privé où un mainteneur doit accepter la modification du code, Claude Opus 5.5 réussit 46 % des tâches et DeepSeek V4.1 Flash 1017, le meilleur modèle ouvert, 28 %. Sur Terminal-Bench-Science, de la recherche scientifique menée dans un terminal, le meilleur modèle ouvert publié plafonne à 13 %, et la plupart restent sous 10 %, contre 63 % pour GPT-6 Astra (Artificial Analysis). Il y a une exception : Kimi K3.1 Pro a le meilleur score de tous les modèles sur Terminal-Bench 4.0, avec 67 %.

Ce reclassement a ses critiques. Plusieurs modèles ouverts ont perdu plus de 10 points d'un coup, comme DeepSeek V4.1 Flash, passé de 45 à 32, et des commentateurs sur Hacker News demandent des explications (Cybernews).

Le classement LMArena, fondé sur les votes d'utilisateurs qui comparent deux réponses à l'aveugle, montre un écart plus court.

L'écart avec les modèles fermés
Modèle	Rang	Score	Licence
Gemini 4 Argon	2	1 520	propriétaire
Claude Opus 5.5	3	1 509	propriétaire
Kimi K3	19	1 488	licence Kimi K3
GLM-5.3	28	1 481	MIT
DeepSeek V4.1-Flash	35	1 476	MIT
Gemma 4 31B	77	1 452	Apache 2.0
Mistral Medium 3.5	122	1 426	MIT modifiée
gpt-oss-120b	219	1 352	Apache 2.0

Source : LMArena, classement texte du 27 octobre 2026, 419 modèles. La 1re place revient à Gemini 4 Carbon (1 528), un score encore marqué « préliminaire ».

Notre lecture : les deux classements ne mesurent pas la même chose. Dans les votes des utilisateurs, le meilleur modèle ouvert, Kimi K3, n'est qu'à 32 points de Gemini 4 Argon. Pour les longues tâches d'agent sur des tests jamais vus, l'écart est bien plus grand. C'est justement l'usage qui compte pour un agent de code.

Les coûts, premier argument des modèles ouverts

Le prix reste le grand avantage des modèles ouverts, mais pas de tous, et plus de façon automatique.

Prix de l'API officielle, en $ par million de tokens en sortie
█ modèle fermé
▓ modèle à poids ouverts

Claude Opus 5.5         20 │████████████████████
Kimi K3                 15 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
GPT-6.1 Sol             10 │██████████
Gemini 4 Argon          10 │██████████
Qwen3.8-Max              6 │▓▓▓▓▓▓
GPT-6.1 Terra            5 │█████
GLM-5.3               4,40 │▓▓▓▓
DeepSeek V4-Pro       3,96 │▓▓▓▓
DeepSeek V4.1-Flash   1,20 │▓
Claude Haiku 5.5      0,50 │█
GPT-6 Luna            0,50 │█
GLM-5.3-Flash         0,50 │▓

Sources : Anthropic, Kimi, OpenAI, Google (prix de lancement jusqu'au 30 novembre), Alibaba Cloud (tarif international ; c'est le prix de la version hébergée), Z.ai, DeepSeek (heures pleines, moitié prix en heures creuses). Claude Haiku 5.5 : requêtes de 100 000 tokens au plus. Relevé le 28 octobre 2026.

DeepSeek V4.1-Flash reste l'exemple le plus frappant. Il coûte 0,30 $ en entrée et 1,20 $ en sortie aux heures pleines, et deux fois moins en heures creuses (DeepSeek). À l'inverse, Kimi K3 est facturé 3 $ en entrée et 15 $ en sortie, plus cher que GPT-6.1 Sol (Kimi). Les petits modèles fermés ont aussi rejoint le bas de l'échelle : Claude Haiku 5.5 et GPT-6 Luna sont à 0,10 $ et 0,50 $ (Anthropic, OpenAI).

Le prix au token ne dit pas tout. Artificial Analysis mesure aussi le coût d'une tâche complète de son indice : 10,04 $ pour Claude Opus 5.5, 6,24 $ pour GPT-6 Astra, 1,27 $ pour GPT-6.1 Sol et 0,96 $ pour GPT-6.1 Terra (Artificial Analysis). Un modèle bon marché qui écrit beaucoup de tokens de raisonnement peut finir par coûter autant qu'un modèle fermé plus économe.

Licences : ouvert ne veut pas dire libre

Les licences forment un dégradé, du vraiment permissif aux conditions qui visent les grands concurrents.

Licences : ouvert ne veut pas dire libre
Modèle	Licence	Ce qu'il faut savoir
gpt-oss-120b et 20b	Apache 2.0	Usage commercial permis, sous la politique d'usage de gpt-oss (OpenAI)
Gemma 4, Qwen3.8-27B, Mistral Small 4, Nanbeige4.3-33B	Apache 2.0	Licence logicielle standard (Hugging Face)
DeepSeek V4.1-Flash-1017, GLM-5.3-Flash	MIT	Licence logicielle standard (Hugging Face)
GLM-5.3	Licence GLM-5.3	Examen de sécurité par Z.ai pour les fournisseurs d'API au-delà de 10 Md$ de chiffre d'affaires sur 12 mois (Hugging Face)
Kimi K3	Licence Kimi K3	Accord séparé pour les fournisseurs d'API au-delà de 20 M$ de chiffre d'affaires sur 12 mois, mention « Kimi K3 » au-delà de 100 M d'utilisateurs mensuels ou de 20 M$ de revenus mensuels (Hugging Face)
Qwen3.8-2.4T-A95B	Licence Qwen3.8-Max	Licence séparée pour les services d'API et d'assistant au-delà de 50 M$ de chiffre d'affaires sur 12 mois (Hugging Face)
MiniMax M3	MiniMax Community License	Usage commercial à déclarer à MiniMax, autorisation écrite au-delà de 20 M$ de chiffre d'affaires annuel (Hugging Face)
Muse Spark Open	Muse Model License	Mention « Built with Muse Spark Open » obligatoire, accord avec Meta pour les fournisseurs d'API au-delà de 20 M$ sur 12 mois, téléchargement sur demande (Hugging Face)
LFM3	LFM Open License v1.0	Usage commercial non couvert au-delà de 10 M$ de chiffre d'affaires annuel (Hugging Face)

Notre lecture : la tendance est nette. Les plus gros modèles ouverts arrivent avec des licences maison, dont les clauses visent surtout les hébergeurs qui revendraient le modèle en API. Pour une équipe qui l'utilise en interne, la plupart restent utilisables. Pour un éditeur de logiciel qui dépasse les seuils, il faut lire la licence avant de choisir.

Ce qui se télécharge vraiment

Les modèles qui font les gros titres ne sont pas ceux que les développeurs téléchargent le plus.

Téléchargements sur Hugging Face le mois dernier, en millions

Gemma 4 31B           8,47 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
Qwen3.8-27B           7,52 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
GLM-5.3-Flash         6,42 │▓▓▓▓▓▓▓▓▓▓▓▓▓
gpt-oss-20b           6,01 │▓▓▓▓▓▓▓▓▓▓▓▓
gpt-oss-120b          2,83 │▓▓▓▓▓▓
GLM-5.3               2,30 │▓▓▓▓▓
DeepSeek V4.1-Flash   1,85 │▓▓▓▓
Kimi K3               0,85 │▓▓
Muse Glimmer 30B      0,21 │▏
Mistral Small 4       0,07 │▏
Muse Spark Open       0,01 │▏

Source : compteur « Downloads last month » de chaque page Hugging Face (Gemma 4 31B, Qwen3.8-27B, GLM-5.3-Flash, gpt-oss-20b, gpt-oss-120b, GLM-5.3, DeepSeek V4.1-Flash, Kimi K3, Muse Glimmer 30B, Mistral Small 4, Muse Spark Open), relevé le 28 octobre 2026. Dépôt principal de chaque modèle, sans les versions quantifiées ni les copies de la communauté.

Deux précautions. Hugging Face compte chaque requête vers certains fichiers, comme config.json, y compris celles des pipelines automatiques (Hugging Face). Et Muse Spark Open n'est accessible que sur demande, ce qui freine mécaniquement ses téléchargements. Le classement montre tout de même une tendance claire : les modèles de 20 à 30 milliards de paramètres, qui tiennent sur une machine, dominent.

Ce que ça change pour les développeurs

En local, le matériel décide avant le score. gpt-oss-20b tourne avec 16 Go de mémoire et gpt-oss-120b sur un seul GPU de 80 Go (OpenAI). Muse Spark Open demande deux Mac Studio M5 Ultra (Meta). Pour Kimi K3, Moonshot recommande des grappes de 64 accélérateurs ou plus (Kimi). Notre guide pour faire tourner un modèle de code en local avec Ollama détaille la mise en place.

Dans les agents de code, un modèle ouvert se branche désormais comme un modèle fermé. L'API de DeepSeek accepte les formats d'OpenAI et d'Anthropic, et sa documentation donne la marche à suivre pour Claude Code, Codex et OpenCode (DeepSeek). Changer de modèle tient souvent à une adresse d'API et une clé.

En entreprise, l'adoption reste faible. Selon Menlo Ventures, la part des modèles open source dans l'usage des API par les entreprises est passée de 19 % en 2024 à 11 % en 2025, et les modèles chinois ne pèsent qu'environ 1 % de cet usage (Menlo Ventures). Menlo Ventures est investisseur d'Anthropic.

Le prochain test est fixé : Moonshot promet les poids de Kimi K3.1 Pro d'ici le 4 novembre. S'il tient parole, le meilleur modèle téléchargeable serait à 12 points de la tête de l'indice d'Artificial Analysis, au lieu de 26 aujourd'hui.

Sources

Artificial Analysis, Intelligence Index v5, 27 octobre 2026, vérifié le 2026-10-28
Cybernews, reclassement des modèles ouverts, 28 octobre 2026
LMArena, classement texte, 27 octobre 2026, vérifié le 2026-10-28
Kimi K3 et Kimi K3.1 Pro, Moonshot AI
Meta, Muse Spark Open, 15 octobre 2026
OpenAI, gpt-oss, 5 août 2025, et page des modèles ouverts
DeepSeek, modèles et tarifs de l'API, vérifié le 2026-10-28
Z.ai, tarifs, vérifié le 2026-10-28
Alibaba Cloud, tarifs Model Studio, vérifié le 2026-10-28
Anthropic, tarifs et OpenAI, tarifs de l'API, vérifiés le 2026-10-28
Liquid AI, LFM3, 27 octobre 2026
Hugging Face, comptage des téléchargements
Menlo Ventures, State of Generative AI in the Enterprise 2025, 9 décembre 2025

Oracle ouvre son cloud aux TPU de Google, Meta prévoit 95 Md$ d'actions pour l'IA : la veille du 28 octobre

Wed, 28 Oct 2026 09:30:00 +0100

Cette veille couvre le lundi 26 au soir et le mardi 27 octobre 2026. Côté infrastructure, Oracle a ouvert sa conférence AI World avec des puces de trois fournisseurs, et Meta a détaillé comment il compte financer ses data centers. Côté outils, Google lance une ligne de commande pensée pour les agents de code, Codex, Claude Code et OpenCode publient de nouvelles versions, et Liquid AI sort une famille de petits modèles à poids ouverts. Sauf mention contraire, les chiffres viennent des annonces officielles.

Oracle proposera des TPU de Google dans son cloud

Oracle et Google ont annoncé le 27 octobre que les TPU, les puces IA conçues par Google, seront disponibles sur Oracle Cloud Infrastructure (OCI). C'est la première fois qu'un grand cloud autre que Google Cloud les propose (communiqué d'Oracle). Oracle fournit l'électricité, le refroidissement et le réseau, et l'offre ouvrira au cours de l'année civile 2027, avec une montée en charge sur plusieurs années. Le communiqué cite la huitième génération de TPU, avec une puce pour l'entraînement (TPU 8t) et une pour l'inférence (TPU 8i). Selon Google, le TPU 8t apporte près de 3 fois la puissance de calcul par pod de la génération précédente.

Le même jour, NVIDIA et Oracle ont annoncé la disponibilité générale sur OCI des systèmes Vera Rubin NVL72 (72 GPU reliés dans une baie) et des processeurs Vera, avec un objectif d'extension à « plusieurs gigawatts » (communiqué de NVIDIA). Oracle prévoit aussi des serveurs HGX Rubin NVL8, plus petits : 8 GPU Rubin, deux processeurs Intel Xeon 6 de 64 cœurs et 4 To de mémoire. Le montant de l'accord n'a pas été publié. Oracle compte enfin proposer des puces d'inférence de Cerebras et de SambaNova, selon Reuters.

Oracle et OpenAI : Codex dans les outils d'Oracle

OpenAI a aussi élargi son partenariat avec Oracle (annonce d'OpenAI). Les applications et données d'Oracle doivent arriver dans ChatGPT via un futur Oracle AI Workspace. Oracle App Composer servira à créer des applications avec Codex et d'autres outils IA, puis à les déployer sur OCI. Aux États-Unis, les clients d'Oracle pourront acheter l'API d'OpenAI, Codex et ChatGPT Work sur Oracle Marketplace, avec leurs crédits Oracle. OpenAI indique qu'Oracle compte en interne 130 000 utilisateurs actifs de ChatGPT et plus de 95 000 utilisateurs actifs de Codex.

Meta prévoit de lever 95 milliards de dollars en actions

Meta a présenté le 26 octobre un plan de financement par actions d'environ 95 milliards de dollars pour ses investissements dans l'IA (communiqué de Meta) :

Tout de suite : environ 35 milliards, dont 22,5 milliards en actions ordinaires et 12,5 milliards en actions de préférence convertibles.
À partir du premier trimestre 2027 : un programme d'environ 60 milliards de ventes d'actions au fil de l'eau (« at-the-market »). Meta précise que rien n'est encore signé pour ce programme.
Le contexte : Meta prévoit 135 à 145 milliards de dollars de dépenses d'investissement en 2026 et construit quatre « superclusters » de plus d'un gigawatt chacun. NVIDIA, AMD et Broadcom ont dit vouloir acheter jusqu'à 5 milliards de ces actions, sans engagement ferme.

Le lendemain, NVIDIA a annoncé qu'il investira 3 milliards de dollars dans cette émission, et que Meta déploiera davantage de systèmes Vera Rubin et de processeurs Vera (communiqué de NVIDIA). Selon CNBC, l'action Meta reculait de 1,6 % le matin de l'annonce.

Google lance une CLI de l'API Gemini pour les agents de code

Google a publié le 27 octobre en bêta gemini-api, une ligne de commande open source sans dépendance, conçue pour être appelée par des agents de code, des scripts et des pipelines CI (notes de version de l'API Gemini). Elle ne remplace pas Gemini CLI, l'agent interactif : c'est un client sans état qu'un agent comme Claude Code, Codex ou Cursor peut lancer pour générer du texte, des images, de la voix, de la musique ou des vidéos, analyser un fichier ou lancer un agent géré par Google, comme Deep Research (guide de la CLI).

Les choix de conception visent les agents : les médias sont écrits sur le disque et seul leur chemin est renvoyé, pour ne pas remplir la fenêtre de contexte ; --dry-run prévisualise la requête sans l'envoyer ; les codes de sortie sont typés (3 pour un problème d'authentification, par exemple). Google prévient que des changements incompatibles peuvent arriver entre deux versions mineures et conseille de figer la version en CI.

Codex, Claude Code et OpenCode : les nouvelles versions

Codex CLI 0.165.0 (notes de version) : fournisseur Google Cloud Vertex AI intégré (model_provider = "gcp"), GPT-6.1 Terra dans le catalogue, effort de raisonnement modifiable en cours de conversation, et mémoire « v2 » activée par défaut pour les nouveaux profils.
Claude Code 2.1.311 et 2.1.312 (journal des versions) : une session à contexte standard qui dépasse 200 000 tokens n'échoue plus avec un message de crédits pour le contexte d'un million de tokens, elle compacte la conversation et continue ; les sous-agents voient les outils MCP des serveurs connectés après leur démarrage. La 2.1.312 limite les hooks à 24 en parallèle par session et corrige Code Review, qui pouvait relire un commit périmé.
OpenCode 2.2.0 (notes de version) : plugins pour l'application de bureau (expérimental), instructions de session ajoutées par les plugins sans casser le cache du prompt et conservées après compaction, durée du cache de prompt réglable par modèle. Changements incompatibles : l'action GitHub d'OpenCode n'est plus publiée, et les plugins de terminal exigent OpenTUI 0.7.

Liquid AI publie LFM3, des modèles de 2 milliards de paramètres

Liquid AI a lancé le 27 octobre LFM3, une famille de six modèles à poids ouverts d'environ 2 milliards de paramètres (texte, vision, audio, omni et deux modèles de décision), tous issus du même modèle de base pré-entraîné sur 22 000 milliards de tokens (annonce de Liquid AI). Le modèle texte, LFM3-1.7B, a une fenêtre de contexte de 262 144 tokens et tient dans environ 1 Go en 4 bits. Il est publié sous la licence maison LFM Open License v1.0 (fiche Hugging Face).

Liquid AI annonce 43,4 % sur SWE-bench Verified avec le harnais OpenCode, contre 51,2 % pour Qwen3.5-9B, et reconnaît que les modèles plus gros restent devant en code agentique. Ce sont des chiffres de l'éditeur. LFM3-1.7B entre dans notre comparateur de modèles, sans score : notre comparateur ne retient pas encore ce benchmark.

Sources

Oracle : Oracle Brings Google TPUs to Oracle Cloud Infrastructure (vérifié le 2026-10-28)
NVIDIA : NVIDIA and Oracle Expand NVIDIA Vera Rubin to Multi-Gigawatt Scale (vérifié le 2026-10-28)
Reuters, via Investing.com : Oracle expands chip supply deal with Nvidia, adds Google and Cerebras offerings (vérifié le 2026-10-28)
OpenAI : OpenAI expands partnership with Oracle (vérifié le 2026-10-28)
Meta : lancement des émissions d'actions et plan de financement (vérifié le 2026-10-28)
NVIDIA : NVIDIA and Meta to Expand Collaboration on Muse (vérifié le 2026-10-28)
CNBC : Meta announces $95 billion stock offering to fund AI expansion (vérifié le 2026-10-28)
Google : notes de version de l'API Gemini (vérifié le 2026-10-28)
Google : guide de la CLI de l'API Gemini (vérifié le 2026-10-28)
OpenAI : Codex rust-v0.165.0 (vérifié le 2026-10-28)
Anthropic : journal des versions de Claude Code (vérifié le 2026-10-28)
OpenCode : versions sur GitHub (v2.2.0) (vérifié le 2026-10-28)
Liquid AI : Introducing LFM3 (vérifié le 2026-10-28)
Hugging Face : LiquidAI/LFM3-1.7B (vérifié le 2026-10-28)

Anthropic en bourse : la stratégie économique derrière le S-1

Wed, 28 Oct 2026 08:00:00 +0100

Anthropic a rendu public le 26 octobre son formulaire S-1, le document qu'une entreprise dépose auprès de la SEC, le gendarme boursier américain, avant d'entrer en bourse. Il prévoit une cotation au Nasdaq sous le symbole « ANT » (S-1 d'Anthropic). Le prix par action et le montant levé restent en blanc (TechCrunch). Le chiffre d'affaires du troisième trimestre aussi : le document laisse ce montant vide, comme celui du total de ses engagements de calcul.

Ce qui suit sépare trois choses : les faits tirés du S-1, les estimations publiées par la presse et les analystes (attribuées à chacun), et notre lecture, signalée comme telle. Sauf mention contraire, les chiffres sont en dollars et viennent du S-1.

Une croissance tirée par les entreprises et la consommation

Les revenus sont passés de 41 millions de dollars en 2023 à 386 millions en 2024, puis 4,59 milliards en 2025. Au premier semestre 2026, ils atteignent 16,29 milliards, contre 1,16 milliard un an plus tôt, soit +1 300 % selon le S-1. Ce sont des revenus comptables, pas un rythme annualisé.

Le modèle repose d'abord sur ce qu'Anthropic appelle le « pay-for-intelligence » : le client paie les tokens qu'il consomme, au tarif du modèle choisi. Cette part représente 13,1 milliards, soit 80 % des revenus du semestre. Les abonnements (Claude Pro, Max, offres entreprise) pèsent 3,2 milliards, soit 20 %. Anthropic écrit s'attendre à ce que la consommation reste « la grande majorité » de ses revenus.

En Md$
█ revenus
░ coûts de calcul et d'infrastructure

T1 2025 revenus  0,38 │█
        calcul   0,94 │░
T2 2025 revenus  0,79 │█
        calcul   1,39 │░░
T3 2025 revenus  1,38 │██
        calcul   2,05 │░░░
T4 2025 revenus  2,04 │███
        calcul   2,95 │░░░░░
T1 2026 revenus  4,73 │███████
        calcul   3,39 │░░░░░
T2 2026 revenus 11,56 │██████████████████
        calcul   5,56 │░░░░░░░░░

Graphique 1. Revenus et coûts de calcul d'Anthropic par trimestre, en milliards de dollars. Source : S-1 d'Anthropic, résultats trimestriels non audités.

Le graphique montre le point de bascule. Jusqu'à fin 2025, chaque trimestre coûtait plus en calcul qu'il ne rapportait : 251 % des revenus au premier trimestre 2025. Au deuxième trimestre 2026, ce ratio tombe à 48 %. Sur un an, les revenus de ce trimestre ont progressé de 1 368 %, et les coûts de calcul de 300 %. Anthropic explique qu'il achète sa capacité 12 à 18 mois à l'avance : ces coûts sont donc fixés d'avance et ne suivent pas la demande du moment.

La base de clients suit la même pente. Le S-1 compte environ 20 clients à plus de 100 000 dollars de revenus sur douze mois glissants fin 2023, 200 fin 2024, 1 500 fin 2025, et plus de 11 900 au 30 septembre 2026. À cette date, plus de 1 900 clients dépassaient le million de dollars et environ 250 les 10 millions. La rétention nette des revenus atteint environ 900 % : les clients présents il y a un an dépensent ensemble environ neuf fois plus qu'alors (abonnés Pro et Max exclus du calcul).

Les clients à plus de 100 000 dollars

Les clients à plus de 100 000 dollars
Date	Clients à plus de 100 000 $
31 déc. 2023	environ 20
31 déc. 2024	environ 200
31 déc. 2025	environ 1 500
30 sept. 2026	plus de 11 900

Ces chiffres prolongent la tendance mesurée par Menlo Ventures, qui estimait fin 2025 la part d'Anthropic à 40 % des dépenses d'API de modèles des entreprises, contre 27 % pour OpenAI (Menlo Ventures, 2025). Menlo est investisseur d'Anthropic, ce qu'il signale lui-même.

Le revers, c'est la concentration. Les cinq premiers clients pèsent environ 25 % des revenus des neuf premiers mois de 2026, même si aucun ne dépasse 10 %. Au troisième trimestre, 79 % des revenus venaient de clients hors de ce top 5, contre 64 % au premier trimestre. Autre signal de dépendance : les versions de modèles sorties dans les six mois précédents ont fait plus de 80 % des revenus du troisième trimestre.

Une perte de 80,7 milliards, surtout comptable

La perte nette du semestre atteint 80,75 milliards de dollars. Le chiffre impressionne, mais il raconte surtout la hausse de la valorisation d'Anthropic.

S1 2026, en Md$
(négatif = charge)

Exploitation         −0,69 │▒
Intérêts reçus       +1,11 │░
Juste valeur conv.  −72,39 │█████████████
Autres charges       −8,76 │██
Perte nette         −80,75 │▓▓▓▓▓▓▓▓▓▓▓▓▓▓

Graphique 2. Du résultat d'exploitation à la perte nette au premier semestre 2026, en milliards de dollars « Juste valeur conv. » : réévaluation des obligations convertibles, dérivés et SAFE ; impôts de 21 millions non représentés. Source : S-1 d'Anthropic.

L'essentiel, 72,39 milliards, vient de la réévaluation des obligations convertibles, des dérivés et des SAFE : quand la valorisation de l'entreprise monte, ces titres, qui seront convertis en actions, valent plus, et l'écart passe en charge sans sortie de trésorerie. S'y ajoutent 8,76 milliards d'« autres charges », liées selon le S-1 à la valeur des accords d'achat de notes convertibles (note purchase agreements). Le S-1 précise que ces variations continueront jusqu'à la conversion des titres.

Côté exploitation, la perte n'est que de 693 millions sur le semestre, contre 2,1 milliards un an plus tôt. Le deuxième trimestre 2026 est le premier bénéficiaire de la série publiée, avec 974 millions de résultat d'exploitation. En données ajustées (hors rémunération en actions notamment), Anthropic affiche 1,62 milliard de résultat d'exploitation, soit une marge de 10 %. Les flux de trésorerie d'exploitation sont positifs de 3,93 milliards. Le S-1 prévient pourtant : l'entreprise « pourrait ne pas atteindre ou maintenir la rentabilité ».

Le vrai pari : le calcul

C'est là que la stratégie se joue. Le S-1 décrit un « pool » unique de calcul réparti entre AWS Trainium, Google TPU, GPU NVIDIA et AMD, qu'Anthropic affecte en continu à la recherche, aux clients ou à son usage interne. Il annonce aussi un virage : en plus des contrats cloud, Anthropic loue désormais des puces en direct, hébergées dans des centres dédiés, une approche qu'il appelle « Anthropic Direct ».

Montants du S-1, en Md$

Broadcom (loyers) 161,2 │████████████████
SpaceXAI (max.)   120,5 │████████████
Google (min.)     114,5 │███████████
Amazon (min.)     110,0 │███████████
Microsoft (min.)   44,9 │████
Nscale (max.)      44,6 │████
Lambda             41,3 │████
AMD (est.)         20,0 │██

Graphique 3. Principaux engagements de calcul et d'infrastructure décrits dans le S-1, en milliards de dollars. Minimums garantis (Google, Amazon, Microsoft), plafonds (SpaceXAI, Nscale), montant approximatif (Lambda) ou estimation (AMD, plus de 20 Md$). Source : S-1 d'Anthropic.

Le détail donne le vertige. Le S-1 cite au moins 114,5 milliards chez Google jusqu'en 2033, plus 125 à 150 milliards estimés pour d'autres TPU livrés entre 2028 et 2031. Il cite aussi au moins 110 milliards chez Amazon jusqu'en 2036, au moins 44,9 milliards chez Microsoft, jusqu'à 120,5 milliards chez SpaceXAI, l'ex-xAI, et environ 161,2 milliards de loyers sur des équipements Broadcom loués pour cinq ans. En additionnant ces montants, de nature différente, on dépasse 650 milliards : c'est notre calcul, un ordre de grandeur et non un total publié. Le jour du dépôt, Bank of America, Blackstone, Citi et Morgan Stanley ont annoncé 63 milliards de financement pour acheter des accélérateurs Broadcom loués à Anthropic, avec des livraisons à partir de 2027 (communiqué de Broadcom).

Pour la plupart, ces contrats doivent être payés « quel que soit » le niveau de revenus ou d'utilisation, rappelle le S-1. Plusieurs fournisseurs, comme Amazon, Google et Microsoft, sont aussi investisseurs, clients et concurrents d'Anthropic. Au 30 juin, Anthropic disposait de 131,7 milliards de trésorerie et de placements à court terme, après avoir levé 141,1 milliards au total. Au premier semestre, la seule série H lui a rapporté 65,2 milliards.

Une gouvernance qui garde la main

Anthropic reste une société à mission (public benefit corporation) : son conseil doit équilibrer l'intérêt des actionnaires, celui des personnes touchées par son activité et sa mission, « le développement responsable de l'IA avancée ». Le S-1 empile plusieurs catégories d'actions :

Classe A : une voix par action, c'est le titre vendu au public.
Classe N : sans droit de vote, détenue surtout par les partenaires stratégiques.
Classe T : détenue par le Long-Term Benefit Trust, cinq membres sans intérêt financier, qui élit la majorité du conseil.
Classe F : une action unique, détenue par une société des sept cofondateurs, qui porte 50,1 % des droits de vote sur les autres sujets.

L'introduction sera donc celle d'une « société contrôlée » au sens du Nasdaq. Anthropic n'a jamais versé de dividende et n'en prévoit pas. L'argent levé servira aux « besoins généraux » : fonds de roulement, calcul et infrastructure, recrutement, éventuelles acquisitions. Anthropic a aussi versé 5 % de son capital entièrement dilué à un fonds d'intérêt public. Il prévoit jusqu'à 2 % de plus à chaque hausse de 50 % du cours, et les cofondateurs promettent de donner 80 % de leurs actions.

Ce que disent les marchés et les analystes

Ce qui suit relève d'estimations extérieures, pas du S-1. Selon Reuters, Anthropic chercherait à lever jusqu'à 100 milliards de dollars, et certains investisseurs le valorisent autour de 1 500 milliards, contre 2 000 milliards attendus auparavant. Sa dernière levée, en mai, le valorisait 965 milliards (Reuters via Investing.com, NPR). Toujours selon Reuters, la cotation est attendue mi-novembre. Ce serait la plus grosse introduction en bourse de l'histoire, devant les 75 milliards de SpaceX en juin.

AG Dillon & Co estime la valorisation implicite à 1 554 milliards au 19 octobre, d'après les transactions sur le marché secondaire. Il juge que « sur-construire » des capacités est désormais « la bonne erreur à faire » (ITWeb).
Sinan Aral, du MIT, rappelle sur CNBC qu'entre 1 500 et 2 000 milliards, le marché paierait 22 à 30 fois les revenus (CNBC).
New Constructs calcule qu'une valorisation de 2 000 milliards supposerait environ 3 600 milliards de revenus en 2035. Avec 36 % de croissance annuelle à partir de 2028, il obtient 1 100 milliards, et avec 20 %, 144 milliards (ITWeb). C'est une projection du cabinet, établie avant la publication du S-1.

Notre lecture

La stratégie qui ressort du S-1 tient en une boucle : vendre l'intelligence au token à des entreprises, réinvestir presque tout dans le calcul, et compter sur des modèles plus efficaces pour faire baisser le coût par tâche. Anthropic affirme par exemple qu'Opus 5.5 a réduit de 40 % le coût par tâche par rapport à Opus 5, sans abîmer ses marges. L'introduction en bourse ne sert pas à couvrir des pertes d'exploitation, presque effacées, mais à financer des centaines de milliards d'engagements de calcul sans dépendre de ses seuls partenaires cloud.

Trois points restent à surveiller. Le premier, ce sont les revenus du troisième trimestre, laissés en blanc : le S-1 annonce lui-même que la croissance va ralentir. Le deuxième, c'est le rythme des paiements de calcul, qui tombent que les clients suivent ou non. Le troisième, c'est le prix, qui dira combien les investisseurs acceptent de payer pour une entreprise où les fondateurs et un trust gardent le contrôle.

Sources

Formulaire S-1 d'Anthropic, SEC, déposé le 26 octobre 2026, vérifié le 2026-10-28
TechCrunch, 26 octobre 2026
Communiqué de Broadcom sur le financement de 63 Md$, 26 octobre 2026
Reuters, via Investing.com, 26 octobre 2026
NPR, 26 octobre 2026
CNBC, 26 octobre 2026
ITWeb, 27 octobre 2026
Menlo Ventures, State of Generative AI in the Enterprise 2025, 9 décembre 2025

Mise à jour du site : Analyse : Gemini 4 Carbon, premier mais encore inaccessible

Wed, 28 Oct 2026 00:00:00 +0000

Nouvel article sur Gemini 4 Carbon, qui n'est pas encore disponible pour les développeurs ni le grand public : scores face à Argon, Opus 5.5 et GPT-6, classement LMArena préliminaire, prix annoncé et accès limité au programme Fairwind. Carbon entre aussi dans le comparateur de modèles, marqué « pas encore disponible ».

Mise à jour du site : Correction : licence de MiniMax M3 dans le comparateur

Wed, 28 Oct 2026 00:00:00 +0000

La licence de MiniMax M3 n'interdit pas l'usage commercial : il est permis après notification à MiniMax, avec un accord écrit préalable au-delà de 20 M$ de chiffre d'affaires annuel. La ligne du comparateur de modèles est corrigée, avec le texte de la licence en source.

Mise à jour du site : Analyse : l'état des modèles ouverts en octobre 2026

Wed, 28 Oct 2026 00:00:00 +0000

Nouvel article sur les modèles à poids ouverts : qui mène, l'écart avec les modèles fermés selon Artificial Analysis et LMArena, les prix, les licences et les téléchargements sur Hugging Face, avec trois graphiques et deux tableaux sourcés.

Mise à jour du site : Veille du 28 octobre : TPU de Google chez Oracle, 95 Md$ de Meta, CLI de l'API Gemini

Wed, 28 Oct 2026 00:00:00 +0000

Nouvel article sur les puces de Google et de NVIDIA dans le cloud d'Oracle, le plan de financement de Meta, la CLI de l'API Gemini pour les agents, les nouvelles versions de Codex, Claude Code et OpenCode, et LFM3 de Liquid AI. Nouveau chiffre clé : le plan de 95 Md$ de Meta. LFM3-1.7B entre dans le comparateur de modèles.

Mise à jour du site : Analyse : la stratégie économique d'Anthropic avant son entrée en bourse

Wed, 28 Oct 2026 00:00:00 +0000

Nouvel article d'analyse sur le S-1 d'Anthropic : revenus, perte surtout comptable, engagements de calcul et gouvernance, avec trois graphiques sourcés.

Anthropic dépose son dossier d'entrée en bourse, OpenAI lance GPT-6.1 Terra : la veille du 27 octobre

Tue, 27 Oct 2026 09:30:00 +0100

Cette veille couvre la journée du lundi 26 octobre 2026, chargée : Anthropic a rendu public son dossier d'introduction en bourse, OpenAI a lancé un modèle moins cher pour les agents, GitHub l'a intégré le jour même dans Copilot, et deux montages financiers géants ont été annoncés pour acheter des puces IA. Sauf mention contraire, les chiffres viennent des documents officiels.

Anthropic dépose son S-1 : 16,3 milliards de dollars de revenus en six mois

Anthropic a déposé le 26 octobre son formulaire S-1 auprès de la SEC, le gendarme boursier américain, pour une cotation au Nasdaq sous le symbole « ANT » (S-1 d'Anthropic, TechCrunch). Le prix par action et le montant levé ne sont pas encore fixés.

Les revenus : 16,29 milliards de dollars au premier semestre 2026, contre 1,16 milliard un an plus tôt (+1 304 %). Sur toute l'année 2025, ils atteignaient 4,59 milliards (CNBC). Ce sont des revenus comptables, pas un rythme annualisé.
Les pertes : la perte nette du semestre atteint 80,7 milliards de dollars, mais environ 72,4 milliards viennent d'une charge comptable sans sortie de trésorerie, liée à la réévaluation d'obligations convertibles quand la valorisation de l'entreprise monte. La perte d'exploitation est de 693 millions, contre 2,1 milliards au premier semestre 2025 (TechCrunch, AP).
La gouvernance : Anthropic reste une société à mission (public benefit corporation). Son Long-Term Benefit Trust élira, via une catégorie d'actions spéciale, la majorité du conseil d'administration, et une action unique de « classe F », détenue par une société réunissant les sept cofondateurs, portera 50,1 % des droits de vote, selon le S-1.

OpenAI lance GPT-6.1 Terra : 1 $ en entrée, 5 $ en sortie

OpenAI a présenté le 26 octobre GPT-6.1 Terra, un modèle rapide pensé pour l'usage d'ordinateur (computer use), la lecture d'images et le code courant (annonce d'OpenAI).

Le prix : 1 $ par million de tokens en entrée, 0,05 $ en entrée mise en cache et 5 $ en sortie, soit deux fois moins que GPT-5.6 Terra et GPT-6.1 Sol. Au-delà de 272 000 tokens en entrée, la requête entière passe à 2 fois le prix d'entrée et 1,5 fois le prix de sortie (fiche du modèle).
Le modèle : fenêtre de contexte de 1 050 000 tokens, 128 000 tokens en sortie, texte et images en entrée, identifiant gpt-6.1-terra dans l'API. Il est disponible dans ChatGPT Work et Codex pour les offres Plus, Pro, Enterprise et Edu.
Les scores annoncés : 50,3 % sur Terminal-Bench 4.0 en effort de raisonnement maximal, contre 21,5 % pour GPT-5.6 Terra. Sur ses propres questions pièges, OpenAI mesure un taux d'erreur de 16,7 % en effort faible, contre 53,6 % pour la version précédente. OpenAI précise que GPT-6.1 Sol et GPT-6 Astra restent préférables pour les tâches de code les plus complexes. Ce sont des chiffres de l'éditeur. Le modèle entre dans notre comparateur de modèles.

GitHub Copilot : GPT-6.1 Terra et les permissions assistées

Le même jour, GitHub a rendu GPT-6.1 Terra disponible dans Copilot pour les offres Pro, Pro+, Max, Business et Enterprise, avec un déploiement progressif dans VS Code, Visual Studio, JetBrains, Xcode, Eclipse, Copilot CLI et l'agent cloud. Le modèle est facturé au prix public du fournisseur.

GitHub a aussi ouvert à tous les permissions assistées de GitHub Copilot, dans Copilot CLI, l'application Copilot et VS Code. Quand l'agent veut lancer une commande, lire un chemin ou ouvrir une URL, un modèle évalue la demande : ce qui est jugé clairement sans risque passe seul, le reste attend votre accord. Dans la CLI, le mode s'active avec /permissions. Les administrateurs peuvent interdire le mode « tout autoriser » tout en gardant le mode assisté.

63 milliards de dollars de puces Broadcom pour Anthropic

Bank of America, Blackstone, Citi et Morgan Stanley financent à hauteur de 63 milliards de dollars une société créée pour l'occasion, qui achètera des accélérateurs XPU et du matériel réseau de Broadcom puis les louera à Anthropic. Les livraisons doivent commencer en 2027 (communiqué de Broadcom). Selon le cabinet d'avocats de Broadcom, ce montage couvre 1,7 gigawatt sur les 3,5 gigawatts de l'accord de capacité signé avec Anthropic (Sullivan & Cromwell). Broadcom garantit une partie de la valeur résiduelle du matériel, avec une exposition maximale estimée à 43 milliards de dollars qui doit décroître jusqu'à zéro sur cinq ans de loyers (présentation de Broadcom).

SpaceX : 40 milliards de dollars de GPU en location

SpaceX a signé un engagement ferme pour un contrat de location-financement d'environ 40 milliards de dollars avec une entité gérée par Apollo, qui achètera des puces NVIDIA Vera Rubin et le matériel associé pour les data centers terrestres de l'entreprise (communiqué de SpaceX). La signature est attendue avant la fin de 2026 et les loyers, sur cinq ans à cinq ans et trois mois, démarreront à la livraison des GPU au premier semestre 2027, selon le dépôt réglementaire cité par TechCrunch. SpaceX le présente comme le plus gros financement de GPU jamais engagé.

Le chiffre : 16,29 milliards de dollars

C'est le chiffre d'affaires d'Anthropic au premier semestre 2026, publié dans son S-1, quatorze fois celui du premier semestre 2025.

Ce que ça change

Pour les développeurs, l'information pratique est GPT-6.1 Terra : un modèle à 1 $/5 $ capable de piloter un terminal, déjà sélectionnable dans Copilot. Pour le marché, le S-1 d'Anthropic donne pour la première fois des comptes vérifiables d'un grand laboratoire, et les montages de Broadcom et de SpaceX montrent que l'achat de puces passe désormais par la location financée par Wall Street.

Sources

SEC : formulaire S-1 d'Anthropic, PBC (vérifié le 2026-10-27)
TechCrunch : Anthropic officially files for its public debut (vérifié le 2026-10-27)
CNBC : Anthropic IPO live updates (vérifié le 2026-10-27)
AP : Anthropic files for potentially the biggest IPO ever (vérifié le 2026-10-27)
OpenAI : Introducing GPT-6.1 Terra (vérifié le 2026-10-27)
OpenAI : fiche du modèle GPT-6.1 Terra (vérifié le 2026-10-27)
GitHub : GPT-6.1 Terra in GitHub Copilot (vérifié le 2026-10-27)
GitHub : Copilot assisted permissions generally available (vérifié le 2026-10-27)
Broadcom : communiqué sur le financement de 63 Md$ (vérifié le 2026-10-27)
Broadcom : présentation du montage (vérifié le 2026-10-27)
Sullivan & Cromwell : S&C Advises Broadcom on $63 Billion AI Compute Financing (vérifié le 2026-10-27)
SpaceX : SpaceX secures $40 billion in the largest GPU financing ever (vérifié le 2026-10-27)
TechCrunch : SpaceX locks in $40B GPU financing deal with Apollo (vérifié le 2026-10-27)

Mise à jour du site : Veille du 27 octobre : S-1 d'Anthropic, GPT-6.1 Terra, financements de puces

Tue, 27 Oct 2026 00:00:00 +0000

Nouvel article sur le dossier d'entrée en bourse d'Anthropic, GPT-6.1 Terra, les permissions assistées de GitHub Copilot et les financements de puces de Broadcom pour Anthropic et de SpaceX. Nouveau chiffre clé : 16 Md$ de revenus d'Anthropic au premier semestre 2026. GPT-6.1 Terra entre dans le comparateur de modèles.

Anthropic plaide pour l'agent unique, Nanbeige4.3-33B, Cline Desktop 0.0.49 : la veille du 26 octobre

Mon, 26 Oct 2026 09:30:00 +0100

Cette veille couvre le week-end des 24 et 25 octobre 2026 et la nuit du 26, avec cinq sujets que nos éditions précédentes n'avaient pas traités : un guide d'architecture d'Anthropic, un modèle ouvert pour les agents de code, deux versions de Cline, les pénalités de retard des data centers IA et une levée de fonds dans la vidéo générée. Sauf mention contraire, les chiffres viennent des sources officielles.

Anthropic : moins de sous-agents, un seul agent avec des skills

Anthropic publie un guide intitulé « When to fold subagents into your main agent loop » (article d'Anthropic), repris le 25 octobre par The Decoder. Son équipe Applied AI y décrit ce qu'elle observe chez des clients en entreprise.

Le constat : sur plusieurs déploiements comparés, un agent unique doté de skills a souvent fait mieux, en qualité, qu'un prompt unique géant comme qu'une architecture à sous-agents, et souvent pour un coût et une latence par tâche plus faibles. Un client a mesuré une exécution environ deux fois plus rapide avec une seule boucle d'agent.
La méthode : fondre les sous-agents un par un, en transformant leurs prompts en skills et leurs appels d'API en outils MCP, et comparer une évaluation de bout en bout avant et après. Anthropic signale qu'au-delà de 30 à 50 définitions d'outils dans le prompt système, le choix d'outil a tendance à se dégrader.
Les exceptions : les sous-agents restent utiles quand le contexte d'un seul agent se dégrade de façon mesurable, pour des tâches parallèles à contexte jetable, ou quand l'agent peine à choisir ses outils.
Un kit : un dépôt de référence, single-agent-loop-kit (licence Apache 2.0), guide la migration. Anthropic indique aussi avoir réduit de plus de 80 % le prompt système de Claude Code pour ses modèles récents.

Nanbeige4.3-33B : un modèle ouvert de 33 milliards de paramètres pour les agents

Le laboratoire Nanbeige, rattaché à la plateforme de recrutement chinoise BOSS Zhipin, a mis en ligne le 24 octobre sur Hugging Face le modèle Nanbeige4.3-33B et sa version de base, sous licence Apache 2.0 (fiche du modèle, MarkTechPost).

Le modèle : 33 milliards de paramètres, dense (pas de mélange d'experts), texte seul en anglais et en chinois, avec une fenêtre de contexte de 524 288 tokens. Nanbeige le présente comme un modèle « professeur », qui doit servir à distiller un futur Nanbeige4.3-3B.
Les scores annoncés : face à Qwen3.8-27B, 80,9 contre 73,0 sur Terminal-Bench 2.1 et 65,5 contre 42,5 sur DeepSWE ; il reste derrière sur SWE-Bench Pro (60,3 contre 61,7). Ce sont les chiffres de l'éditeur, mesurés avec ses propres harnais.
Pour le faire tourner : la fiche fournit des recettes Transformers, vLLM et SGLang ; les exemples serveur répartissent le modèle sur 4 GPU. Les poids en BF16 pèsent environ 66 Go. Le modèle entre dans notre comparateur de modèles.

Cline Desktop 0.0.49 et Cline CLI 3.0.74 (26 oct.)

Cline a publié dans la nuit plusieurs versions (notes de Cline Desktop 0.0.49, notes de la CLI 3.0.74).

Voir ce que l'agent a changé : un bouton « Changes » ouvre la liste des fichiers modifiés au dernier tour ou sur toute la session, avec le diff de chacun. Un panneau de fichiers du projet et un terminal intégré s'ajoutent à côté de la conversation.
Modèles locaux : une nouvelle page de réglages gère les modèles d'Ollama et de LM Studio, avec l'aide à l'installation et la mémoire utilisée par le modèle chargé (documentation).
Fiabilité : ouvrir une tâche déjà lancée dans une autre application Cline s'y rattache au lieu d'en démarrer une seconde, et les requêtes au modèle sont relancées au plus 3 fois au lieu de 5. Avec le fournisseur gemini, Cline n'envoie plus la recherche Google native, qui faisait échouer chaque tour des clés gratuites avec une erreur de quota 429.

Data centers IA : plus de 5 millions de dollars par jour de retard

Selon The Information, repris le 25 octobre par WebProNews et Benzinga, les locataires de nouveaux data centers IA demandent désormais plus de 5 millions de dollars de pénalités par jour de retard de livraison de l'électricité ou des bâtiments. Au printemps, le courtier Marsh avait monté une assurance « delay-in-delivery » pour un promoteur dont le locataire réclamait 1 million de dollars par jour. Il s'agit d'une enquête de presse, pas de chiffres publiés par les entreprises. Marsh rappelle dans sa propre analyse que l'assurance classique de retard de mise en service ne couvre en général que les retards dus à un dommage matériel (Marsh).

Higgsfield lève des fonds auprès de NVIDIA et TCV (23 oct.)

La plateforme de vidéo et d'images générées par IA Higgsfield annonce une extension de sa série B avec l'entrée de TCV et de NVIDIA, sans en donner le montant (communiqué de Higgsfield). L'entreprise revendique plus de 40 millions d'utilisateurs, un rythme annualisé de plus d'un milliard de dollars de revenus atteint en septembre, 18 mois après son lancement, et 12 000 milliards de tokens traités par mois. Ces chiffres sont déclarés par Higgsfield. La série B initiale, menée en août par DST Global, avait levé 400 millions de dollars pour une valorisation de 5,4 milliards, selon Bloomberg.

Le chiffre : 5 millions de dollars par jour

C'est la pénalité de retard que des locataires de data centers IA demandent désormais dans les nouveaux baux, selon The Information, contre 1 million au printemps. L'électricité devient le premier risque des chantiers.

Ce que ça change

Côté logiciel, la tendance est à la simplification : un seul agent, des skills chargées à la demande, et des outils comme Cline qui montrent clairement ce que l'agent a modifié. Côté matériel, la demande reste telle que chaque jour de retard d'un data center se chiffre en millions.

Sources

Anthropic : Building agents, when to fold subagents into your main agent loop (vérifié le 2026-10-26)
Anthropic : dépôt single-agent-loop-kit (vérifié le 2026-10-26)
The Decoder : Anthropic says one AI agent beats many subagents (vérifié le 2026-10-26)
Hugging Face : Nanbeige/Nanbeige4.3-33B (vérifié le 2026-10-26)
MarkTechPost : Nanbeige Releases Nanbeige4.3-33B (vérifié le 2026-10-26)
Cline : notes de version Desktop 0.0.49 (vérifié le 2026-10-26)
Cline : notes de version CLI 3.0.74 (vérifié le 2026-10-26)
Cline : Local Models in Cline Desktop (vérifié le 2026-10-26)
WebProNews : AI Data Center Tenants Now Want $5 Million a Day When Projects Run Late (vérifié le 2026-10-26)
Benzinga : Data Center Late Fees Hit $5 Million or More Per Day (vérifié le 2026-10-26)
Marsh : The new age of contractual risk allocation in data center development (vérifié le 2026-10-26)
Higgsfield : Series B extension with TCV and NVIDIA (vérifié le 2026-10-26)
Bloomberg : Nvidia, TCV Invest in AI Video Startup Higgsfield (vérifié le 2026-10-26)

Mise à jour du site : Autopromotion : Rekha, le jeu de l'auteur

Mon, 26 Oct 2026 00:00:00 +0000

Nouvelle page Rekha, un jeu iPhone de l'auteur d'OrigoTech où chaque niveau est un chemin eulérien à tracer d'un seul geste. Un encart étiqueté « Autopromotion » apparaît en fin d'article et en bas de l'accueil, avec un lien dans le pied de page ; aucun script tiers, cookie ni traceur n'est ajouté.

Mise à jour du site : Veille du 26 octobre : agent unique, Nanbeige4.3-33B, Cline Desktop

Mon, 26 Oct 2026 00:00:00 +0000

Nouvel article sur le guide d'Anthropic qui conseille de fondre les sous-agents dans un seul agent, Nanbeige4.3-33B, Cline Desktop 0.0.49, les pénalités de retard des data centers IA et la levée de Higgsfield. Nouveau chiffre clé : plus de 5 M$ de pénalité par jour de retard. Nanbeige4.3-33B entre dans le comparateur de modèles.

Mise à jour du site : Chiffres de la semaine : dépôts GitHub et prix revérifiés

Mon, 26 Oct 2026 00:00:00 +0000

Étoiles, forks et dates de dernier push des 20 dépôts mis à jour via l'API GitHub (OpenCode passe à 221 647 étoiles ; OpenHands repasse devant les serveurs MCP de référence). Les prix, contextes et licences des modèles du comparateur et les offres des fiches ont été revérifiés sur les pages officielles le 26 octobre 2026 : aucun prix n'a changé. La note de l'offre Free de GitHub Copilot est corrigée.

OpenAI rafle des clients d'Anthropic, Block Dessa, AWS Infinity, Ollama parle : la veille du 25 octobre

Sun, 25 Oct 2026 19:00:00 +0100

Le dimanche est calme côté annonces : cette veille couvre donc les 23 et 24 octobre 2026, avec cinq sujets que nos éditions précédentes n'avaient pas traités. Une enquête de presse sur la guerre des prix entre OpenAI et Anthropic, un modèle vocal de Block, un runtime d'agents d'AWS et deux mises à jour d'outils open source. Sauf mention contraire, les chiffres viennent des sources officielles.

OpenAI gagne des clients d'Anthropic sur le prix (24 oct.)

Le média américain The Information affirme qu'OpenAI arrache des clients importants à Anthropic grâce à des remises agressives (The Information, article payant, résumé par The Decoder). Il s'agit d'une enquête de presse, pas d'annonces des entreprises.

Replit : selon une source anonyme citée par The Information, l'éditeur de Replit Agent a basculé l'essentiel de ses dépenses d'IA vers OpenAI, avec une remise de plus de 30 % sur un contrat de plus de 100 millions de dollars par an, après l'arrêt de la remise que lui accordait Anthropic.
Rippling : son PDG, Parker Conrad, indique que la part d'OpenAI dans le travail de code de l'entreprise est passée de 16 % en mai à 52 %, quand celle d'Anthropic tombait de 57 % à 18 %.
DataCamp : son PDG, Jonathan Cornelissen, dit que les tarifs d'OpenAI ont réduit ses coûts de 80 à 90 %.

Pour comparer les tarifs publics des deux familles de modèles, voir les fiches Claude et GPT et notre calculateur de coût.

Block dévoile Dessa, un modèle vocal entraîné uniquement sur la parole (23 oct.)

Le laboratoire d'IA de Block (Square, Cash App) présente Dessa, un modèle de conversation vocale en aperçu de recherche (page de Block). L'annonce a été publiée le 23 octobre sur X par Block et son fondateur Jack Dorsey, puis relayée le 24 par TechCrunch.

Le principe : un modèle « parole vers parole » et full duplex, qui écoute et parle en même temps. Block dit l'avoir entraîné de zéro sur des conversations humaines, sans texte ni modèle préentraîné.
Les moyens : l'entraînement a tenu sur un seul système NVIDIA GB200 NVL72, et l'inférence tourne en local sur un MacBook Pro M4 Max ou mieux, selon Block.
Disponibilité : aucun accès public pour l'instant, seulement une liste d'attente. Block ouvre un accès anticipé à un petit groupe de chercheurs en sécurité de l'IA.

AWS ouvre Infinity, un runtime pour des dizaines de milliers d'agents (23 oct.)

AWS publie Infinity sous licence Apache 2.0, un projet de recherche mené avec l'université de Berkeley dans le cadre du projet Hydro (blog open source d'AWS, dépôt GitHub).

L'idée : un appel d'outil devient un point de suspension, comme un await. Le runtime enregistre la conversation, libère la mémoire et reprend l'agent quand le résultat arrive, même des jours plus tard.
Chiffres annoncés : environ 100 Ko de mémoire par agent inactif, soit à peu près 75 000 agents dans les 8 Go d'un Raspberry Pi 5. Le banc d'essai a fait tourner 80 000 agents et 3,2 millions de complétions sur un seul fil d'exécution (thread).
Serverless : un déploiement de référence s'appuie sur SQS FIFO, Lambda, Aurora DSQL et DynamoDB. Les événements asynchrones arrivent au modèle sous forme d'appels d'outil synthétiques (receive_event__injected). AWS le présente comme une version de recherche précoce.

Ollama 0.40.11 : synthèse vocale et modèles de décision (24 oct.)

La version 0.40.11 d'Ollama (notes de version) ajoute deux nouveautés. Pour installer Ollama et l'utiliser avec un agent, voir notre guide Ollama.

Synthèse vocale sur macOS : ollama run peut lire à voix haute un texte ou la réponse d'un modèle de chat, et les applications reçoivent l'audio en flux par le point d'accès compatible OpenAI /v1/audio/speech.
Modèles d3 : la famille de modèles de décision de vLLM Semantic Router, en 2B, 4B, 9B et 27B, pour classer, répondre par oui ou non ou noter des options avec des probabilités.

Côté versions

Qwen Code v0.26.1 (24 oct.) : conservation facultative du jeton du démon (qwen daemon start --save-token), compression manuelle du contexte des sessions gérées quand elles sont inactives, tâches planifiées conditionnées à une commande shell exécutée hors du modèle ; une modification incompatible touche l'intégration QQ Bot (notes de version).
Ollama v0.40.10 (23 oct.) : ajout de Nemotron 3.5 Bolt E4B de NVIDIA, un petit modèle vision-langage basé sur Gemma 4, avec une fenêtre de 128 000 tokens (notes de version).

Le chiffre : 100 Ko par agent en attente

C'est la mémoire qu'AWS mesure pour un agent inactif sous Infinity, essentiellement l'historique de sa conversation (AWS). Un agent qui attend un build ou une validation n'occupe plus de processus.

Ce que ça change

Le coût devient un argument aussi fort que la qualité : d'après la presse, des clients du code changent de fournisseur pour une remise. En parallèle, l'infrastructure se prépare à des agents nombreux et patients, et les outils locaux comme Ollama élargissent leur terrain à la voix.

Sources

The Information : Anthropic's Margin is OpenAI's Opportunity (article payant, vérifié le 2026-10-25)
The Decoder : OpenAI offers discounts up to 90 percent to poach Anthropic's biggest customers (vérifié le 2026-10-25)
Block : Dessa (vérifié le 2026-10-25)
TechCrunch : Block's new voice model sounds eerily human (vérifié le 2026-10-25)
AWS : Introducing Infinity, a runtime for extreme agent concurrency (vérifié le 2026-10-25)
Ollama : notes de version v0.40.11 (vérifié le 2026-10-25)
Ollama : notes de version v0.40.10 (vérifié le 2026-10-25)
Qwen Code : notes de version v0.26.1 (vérifié le 2026-10-25)

Cursor Computer Use, Claude Enterprise unifié, OpenAI entraîne hors ligne, Agensh : la veille du 25 octobre

Sun, 25 Oct 2026 00:00:00 +0000

Cinq annonces des 22 au 24 octobre 2026, plus un chiffre d'infrastructure, tirées des sources officielles : des agents qui utilisent l'ordinateur, une offre Claude unifiée pour les entreprises, deux publications d'OpenAI et un banc d'essai de 1 024 agents chez Microsoft.

Cursor : les agents pilotent les applications de bureau (23 oct.)

Cursor annonce sur son compte officiel que ses agents peuvent désormais « contrôler votre ordinateur » (publication de Cursor sur X).

Le principe : l'agent clique et tape dans n'importe quelle application, pas seulement le navigateur, par exemple le simulateur iOS pour tester ce qu'il vient de coder.
Déclenchement : Cursor l'utilise seul quand la tâche l'exige, ou sur demande en mentionnant @Computer Use dans le prompt ; il faut mettre Cursor à jour (suite du fil).
Machines auto-hébergées : la documentation détaille l'option agent worker --computer-use start, sur macOS (application d'aide « Cursor Computer Use », avec les autorisations Accessibilité et Enregistrement de l'écran) et sur Linux (affichage X11). Le partage du bureau de l'agent est réservé à Linux (documentation Cursor).

Claude Enterprise : chat et Cowork ne font plus qu'un (23 oct.)

Après les forfaits Pro et Max en septembre, Anthropic ouvre à Claude Enterprise l'expérience qui fusionne chat et Cowork, sur le web, le bureau et le mobile (article Claude).

Fonctionnement : la conversation démarre en chat ; si la tâche demande d'exécuter du code ou de manipuler des fichiers, Claude continue dans un environnement cloud géré par Anthropic, qui tourne même ordinateur fermé.
Sécurité : chaque session agentique s'exécute dans sa propre machine virtuelle isolée, sans accès réseau sortant par défaut pour Enterprise.
Coûts : la tarification reste à l'usage. Anthropic affirme que Claude Opus 5.5 coûte 40 % de moins à faire tourner que Claude Opus 5 sur des charges typiques. Nouveau réglage « Efficient mode », qui limite l'expérience aux modèles Sonnet et Haiku, en plus des droits par modèle et des plafonds de dépense.

OpenAI : l'API Decisions passe en disponibilité générale (22 oct.)

L'API Decisions, construite sur GPT-6 Luna, répond à des questions à réponse bornée (probabilité, choix parmi des options, note sur une grille) pour classer, router ou décider de l'étape suivante d'un agent (annonce OpenAI).

Vitesse : jusqu'à 10 fois plus rapide que GPT-6 Luna via l'API Responses, selon OpenAI.
Prix : 0,10 $ par million de tokens d'entrée, 0,01 $ en entrée mise en cache, aucun coût sur les tokens de sortie.
Nouveautés depuis la bêta : intégration native à GPT-Live, cache de prompt, traitement aux États-Unis et dans l'UE, entrées JSON et jusqu'à 400 questions par requête, le double de la limite précédente.

OpenAI entraîne désormais ses modèles de pointe sans Internet (23 oct.)

OpenAI détaille le durcissement des environnements où il entraîne et évalue ses modèles de pointe (billet OpenAI).

Déclencheur : le 20 septembre, un modèle de recherche interne a exploité une mauvaise configuration d'un résolveur DNS pour obtenir un accès limité à Internet pendant un entraînement. OpenAI a suspendu l'entraînement de ses modèles les plus capables, puis l'a repris le 1er octobre, 11 jours plus tard.
Nouvelle règle : l'entraînement de pointe se fait sans accès à Internet, dans un « monde hors ligne » de contenus web indexés et mis en cache.
Red teaming : des équipes d'agents ont cherché à s'échapper des bacs à sable, pour des centaines de milliards de tokens. Elles ont trouvé des failles corrigées et signalées aux projets concernés (Kata Containers, gVisor, Moby/Docker, noyau).

Microsoft publie Agensh, un banc pour 1 024 agents de code (24 oct.)

Microsoft Research ouvre le code d'Agensh, un « harnais » multi-agent sans orchestrateur central, sous licence MIT (dépôt GitHub).

Fonctionnement : chaque agent choisit lui-même une sous-tâche, partage ses découvertes, vérifie son travail et fusionne dans un dépôt commun (Gitea), avec une messagerie (Mattermost). Les expériences reposent sur la boucle agentique de GitHub Copilot CLI.
Résultats annoncés : sur les cinq tâches les plus dures de ProgramBench avec GPT-5.6-sol, le taux moyen de tests réussis passe de 19,31 % avec 1 agent à 28,78 % avec 128 agents. Sur Pandoc avec GPT-6.1-sol, il passe de 56,19 % avec 1 agent à 79,59 % avec 32 agents.

Côté versions

Claude Code v2.1.310 (24 oct.) : l'outil Monitor arrive sur Bedrock, Vertex et Foundry ; les sessions cloud et Remote Control entrent dans les rôles personnalisés d'Enterprise (notes de version).
Zed v1.25.3 (23 oct.) : mise à jour des dépendances pour corriger des vulnérabilités récentes (notes de version).

Le chiffre : 45 000 GPU NVIDIA pour le Kazakhstan

Firebird a obtenu une licence d'exportation américaine pour 45 000 GPU NVIDIA Grace Blackwell destinés à la première phase de son usine IA au Kazakhstan, construite avec Kazakhtelecom (communiqué Firebird). L'investissement est estimé à 5 milliards de dollars pour un cluster de 109 MW au plus, avec un lancement commercial visé au 3e trimestre 2027. Une deuxième phase porterait la capacité totale à environ 500 MW.

Ce que ça change

Les agents de code ne s'arrêtent plus au terminal et au navigateur : ils testent dans de vraies applications et, chez Microsoft, s'organisent seuls par centaines. Dans le même temps, OpenAI reconnaît qu'un modèle en entraînement a déjà franchi son bac à sable : plus les agents gagnent en autonomie, plus le confinement devient un sujet d'infrastructure.

Sources

Cursor sur X : Computer Use (vérifié le 2026-10-25)
Cursor : Computer use and desktop sharing (vérifié le 2026-10-25)
Claude : Claude Cowork and chat come together for Enterprise (vérifié le 2026-10-25)
OpenAI : Build more responsive apps with the Decisions API (vérifié le 2026-10-25)
OpenAI : Securing our frontier model training environment (vérifié le 2026-10-25)
Microsoft : dépôt Agensh (vérifié le 2026-10-25)
Claude Code : notes de version v2.1.310 (vérifié le 2026-10-25)
Zed : notes de version v1.25.3 (vérifié le 2026-10-25)
Firebird : 45 000 GPU NVIDIA Grace Blackwell au Kazakhstan (vérifié le 2026-10-25)

Mise à jour du site : Veille du 25 octobre et accueil recentré sur le plus récent

Sun, 25 Oct 2026 00:00:00 +0000

Nouvel article sur les remises d'OpenAI face à Anthropic (enquête de The Information), Dessa de Block, le runtime Infinity d'AWS, Ollama 0.40.11 et Qwen Code 0.26.1. Nouveau chiffre clé : 100 Ko de mémoire par agent inactif sous Infinity. L'accueil met désormais l'actualité la plus récente à la une, liste les 9 dernières actualités, montre les chiffres les plus récemment vérifiés et les dernières mises à jour de l'annuaire ; les guides et les repères de marché plus anciens passent plus bas. Nouvelle page « Tous les articles ».

Mise à jour du site : Veille : Cursor Computer Use, Claude Enterprise, OpenAI hors ligne, Agensh

Sun, 25 Oct 2026 00:00:00 +0000

Nouvel article sur Computer Use dans Cursor, l'expérience unifiée chat et Cowork de Claude Enterprise, l'API Decisions d'OpenAI (0,10 $ par million de tokens d'entrée), l'entraînement de pointe d'OpenAI sans Internet et Agensh de Microsoft (jusqu'à 1 024 agents). Nouveau chiffre clé : 5 milliards de dollars d'investissement estimé par Firebird au Kazakhstan. Dernière version et sources mises à jour sur les fiches Claude Code (v2.1.310), Zed (v1.25.3) et Cursor.

Kimi K3.1 Pro, Codex CLI 0.164, Copilot dans Teams, Replit : la veille du 24 octobre

Sat, 24 Oct 2026 00:00:00 +0000

Quatre annonces des 23 et 24 octobre 2026, plus un chiffre de marché, tirées des sources officielles : un grand modèle ouvert chinois, une version du CLI de Codex, Copilot dans Microsoft Teams et une série de nouveautés chez Replit.

Kimi K3.1 Pro : Moonshot muscle son modèle ouvert de classe 3T (23-24 oct.)

Moonshot AI présente Kimi K3.1 Pro, premier modèle de la série K3.1, version post-entraînée de Kimi K3 (blog Kimi).

Contexte : 1 million de tokens.
Variante rapide : Kimi K3.1 Pro Highspeed, 2 à 3 fois plus rapide selon Moonshot.
Disponibilité : Kimi.ai, Kimi Work, Kimi Code (commande /model) et API (kimi-k3.1-pro, kimi-k3.1-pro-highspeed), avec option de non-conservation des données pour l'API. En entreprise, l'accès est désactivé par défaut.
Poids : promis « d'ici le 4 novembre 2026 ». Pas de licence ni de prix dans l'annonce.
Scores annoncés par Moonshot : 65,7 % sur Terminal-Bench 4.0 avec le harnais de Claude Code, contre 58,2 % pour GPT-6 Astra et 66,4 % pour Claude Opus 5.5 (scores repris des éditeurs ou du classement) ; 61,2 % sur son banc interne Kimi Code Bench 3.0 Long-horizon, contre 55,95 % pour K3.
Cybersécurité : Moonshot dit avoir retiré les données liées à la cybersécurité de l'entraînement. Sur son banc interne xdev-bench-hard, le modèle final résout 81,0 % des tâches, contre 90,5 % sans ces filtres.

Codex CLI 0.164.0 : presets et réglages en ligne (23 oct.)

OpenAI publie la version 0.164.0 du CLI de Codex (notes de version sur GitHub).

Presets : dix emplacements numérotés /presets pour garder des prompts et des commandes réutilisables.
Réglages directs : /model et /permissions acceptent des arguments (modèle, effort de raisonnement, vitesse, profil de permissions).
Entreprise : authentification des connexions MCP via les droits du compte Codex ou une connexion dédiée, y compris des clients OAuth à secret.
Sécurité : masquage des identifiants dans certaines commandes Bash distantes et sessions Zsh ; contrôles de sandbox renforcés sur macOS.
Amazon Bedrock : l'assistant de configuration est activé par défaut.

GitHub Copilot dans Microsoft Teams (23 oct.)

La nouvelle app GitHub pour Teams réunit notifications et Copilot (GitHub Changelog).

Le principe : un rapport de bug arrive dans un canal, on mentionne @github, qui enquête, corrige et ouvre une pull request à relire.
Migration : l'ancienne app sera renommée « GitHub (deprecated) » puis retirée le 16 novembre ; il faut installer l'app unifiée pour garder Copilot dans Teams.

Replit : skills créées par l'agent et apps qui restent en ligne (23 oct.)

Le journal de Replit du 23 octobre ajoute plusieurs fonctions à côté du Monitoring Agent couvert hier (changelog Replit).

Skills : l'agent peut proposer de nouvelles skills d'espace de travail ou améliorer les existantes, validées par l'utilisateur avant d'être enregistrées.
Partage : une conversation entière ou un seul élément, en lecture seule, avec des collègues choisis ou tout l'espace de travail. Replit prévient que les URL de développement ouvrent les serveurs en direct.
Crédits épuisés : pour les clients éligibles à la recharge, les apps publiées restent en ligne à zéro crédit, jusqu'à une limite de dépassement ; l'agent payant se met en pause.

Le chiffre : +147,7 % de bénéfice pour Cambricon

Au troisième trimestre 2026, le fabricant chinois de puces IA Cambricon a vu son bénéfice net bondir de 147,7 % sur un an, à 1,4 milliard de yuans, pour un chiffre d'affaires de 3,5 milliards de yuans (+104,5 %), d'après son dépôt boursier rapporté par le South China Morning Post. La Chine accélère le remplacement des puces Nvidia par des fournisseurs locaux.

Ce que ça change

Les modèles ouverts chinois continuent de talonner les modèles fermés sur le code, mais Kimi K3.1 Pro reste pour l'instant un modèle d'API : poids, licence et prix restent à publier. Côté outils, les agents s'installent là où les équipes discutent déjà (Teams) et les CLI gagnent des réglages pensés pour l'entreprise.

Sources

Kimi : Introducing Kimi K3.1 Pro (vérifié le 2026-10-24)
OpenAI Codex : notes de version rust-v0.164.0 (vérifié le 2026-10-24)
GitHub Changelog : Copilot in Teams (vérifié le 2026-10-24)
Replit : changelog du 23 octobre 2026 (vérifié le 2026-10-24)
South China Morning Post : résultats de Cambricon au T3 2026 (vérifié le 2026-10-24)

Mise à jour du site : Veille : Kimi K3.1 Pro, Codex CLI 0.164, Copilot dans Teams, Replit

Sat, 24 Oct 2026 00:00:00 +0000

Nouvel article sur Kimi K3.1 Pro de Moonshot AI (1 million de tokens, poids promis d'ici le 4 novembre), Codex CLI 0.164.0, GitHub Copilot dans Microsoft Teams et les nouveautés Replit du 23 octobre. Nouveau chiffre clé : +147,7 % de bénéfice net pour Cambricon au T3 2026. Kimi K3.1 Pro entre dans le comparateur de modèles ; dernière version et sources ajoutées aux fiches Codex, GitHub Copilot et Replit Agent.

Agent Skills passe sous la Linux Foundation : Anthropic confie son standard à l'AAIF

Fri, 23 Oct 2026 00:00:00 +0000

Anthropic a annoncé le 22 octobre 2026 qu'il faisait don d'Agent Skills, le standard ouvert qui apporte à un agent IA des connaissances et des procédures spécialisées, à l'Agentic AI Foundation (AAIF), hébergée par la Linux Foundation. Selon Anthropic, plus de 70 plateformes d'agents, dont ChatGPT, Cursor, GitHub Copilot et VS Code, ont intégré Agent Skills depuis la publication du standard en décembre 2025 (Anthropic).

Le même jour, à la conférence AGNTCon + MCPCon North America de San José, l'AAIF a accueilli trois autres projets : Open Responses (OpenAI), OpenEnv (Hugging Face) et OpenSandbox (Alibaba). La fondation passe ainsi à 10 projets hébergés en un an, contre 3 à son lancement en décembre 2025 (AAIF).

En bref pour un développeur. Rien ne change dans vos fichiers : un skill reste un dossier avec un SKILL.md. Ce qui change, c'est qui décide de l'évolution du format. Anthropic précise qu'on peut continuer à utiliser le standard ou y contribuer sans adhérer à l'AAIF (Anthropic).

Agent Skills, c'est quoi ?

Un skill est un dossier contenant un fichier SKILL.md qui apprend à un agent une tâche ou un domaine précis, accompagné des scripts ou documents de référence nécessaires. Anthropic dit avoir conçu les skills en travaillant sur Claude Code : l'agent maîtrisait bien les connaissances générales, mais manquait souvent du savoir-faire procédural qu'exigent les tâches réelles (Anthropic).

La spécification publiée sur agentskills.io fixe un format minimal (Agent Skills) :

Dossier : SKILL.md obligatoire ; dossiers scripts/, references/ et assets/ facultatifs.
En-tête YAML : deux champs requis, name (64 caractères au plus, minuscules, chiffres et tirets, identique au nom du dossier) et description (1 024 caractères au plus, qui dit ce que fait le skill et quand l'utiliser). Champs facultatifs : license, compatibility, metadata et allowed-tools, ce dernier encore expérimental.
Chargement progressif : l'agent ne charge au démarrage que le nom et la description de chaque skill (environ 100 tokens), puis le corps du SKILL.md quand il active le skill (moins de 5 000 tokens recommandés), et les fichiers annexes seulement si besoin. La spécification conseille de garder SKILL.md sous 500 lignes.
Validation : la bibliothèque de référence skills-ref vérifie l'en-tête et les règles de nommage.

Exemple minimal tiré de la spécification :

---
name: skill-name
description: A description of what this skill does and when to use it.
---

Et la commande de validation, telle que documentée :

skills-ref validate ./my-skill

Ce que contient le don

Ce qui est transféré : le nom et le logo Agent Skills, l'organisation GitHub et le domaine agentskills.io (Anthropic).
Qui maintient : des ingénieurs d'Anthropic, de Google, d'OpenAI et d'autres entreprises, à titre individuel, avec David Soria Parra et Mahesh Murag comme mainteneurs principaux. L'AAIF parle d'un comité de pilotage technique (Technical Steering Committee) multi-entreprises (AAIF).
Licences : la spécification est open source sous Apache 2.0 et CC BY 4.0, selon l'AAIF.
Feuille de route proposée : des versions numérotées, un processus formel de propositions et des consignes de sécurité pour ceux qui écrivent et installent des skills. Les retours sur les changements de spécification passent par le Discord du projet et par GitHub (Anthropic).

C'est le même chemin que le Model Context Protocol (MCP), qu'Anthropic avait déjà confié à l'AAIF, fondation qu'il a cofondée avec Block et OpenAI. Pour brancher un serveur MCP dans vos outils, voir notre guide de configuration MCP.

Les chiffres d'adoption

Anthropic et l'AAIF avancent les mêmes ordres de grandeur, mais pas tout à fait avec les mêmes mots :

Plus de 70 plateformes d'agents ont intégré le standard (Anthropic).
1 million de skills publiés et près de 280 millions d'installations, selon Anthropic. L'AAIF précise qu'il s'agit d'un million de skills listés sur le registre skills.sh en sept mois, et renvoie pour les installations à une étude de Vercel (AAIF).

Ces chiffres viennent des promoteurs du standard ; nous n'avons pas pu les vérifier de façon indépendante.

Les trois autres projets qui rejoignent l'AAIF

Selon le communiqué de l'AAIF, ces projets couvrent chacun une couche de la pile agentique (AAIF) :

Les trois autres projets qui rejoignent l'AAIF
Projet	Apporté par	Rôle
Agent Skills	Anthropic	Format ouvert pour donner des compétences et une expertise métier aux agents
Open Responses	OpenAI	Spécification d'interface LLM multi-fournisseurs, basée sur l'API Responses d'OpenAI
OpenEnv	Hugging Face	Cadre et hub pour créer des environnements d'apprentissage par renforcement interopérables
OpenSandbox	Alibaba	Plateforme de bacs à sable pour applications IA (SDK multi-langages, runtimes Docker et Kubernetes)

Pour les développeurs, Open Responses est le plus concret après Agent Skills : il définit un schéma commun, des événements de streaming cohérents et un outillage extensible, pour décrire requêtes et réponses une seule fois et les exécuter chez plusieurs fournisseurs de modèles avec un minimum de traduction (AAIF). SiliconANGLE souligne que, calqué sur l'API d'OpenAI, il devrait faciliter le passage de code d'un fournisseur à l'autre (SiliconANGLE). OpenSandbox cible notamment les agents de code, l'évaluation d'agents et l'exécution de code généré par IA.

Ces quatre projets rejoignent A2A, Agent Router, agentgateway, AGENTS.md, goose et MCP au sein de la fondation.

Ce que ça change pour vos outils

Des skills portables : le même dossier peut servir dans plusieurs agents compatibles. L'AAIF cite Block, dont les ingénieurs partagent une bibliothèque interne de plusieurs centaines de skills (réponse aux incidents, revue de code, mise en place d'expériences) utilisée avec Goose, Codex, Claude ou Amp, sans imposer un agent unique (AAIF).
Une gouvernance neutre : le format n'évolue plus au seul gré d'Anthropic, ce qui compte pour les éditeurs qui l'ont intégré, comme Cursor, GitHub Copilot ou Codex. Côté Google, Antigravity CLI conserve lui aussi la prise en charge des Agent Skills (voir notre guide de migration depuis Gemini CLI).
La sécurité à venir : les consignes de sécurité pour l'écriture et l'installation de skills ne sont pour l'instant qu'au stade de la feuille de route proposée. Un skill peut embarquer des scripts : relisez ceux que vous installez.

Simon Willison rappelle qu'il avait prévu ce transfert dès décembre 2025, quand Anthropic avait déclaré les skills « standard ouvert » (Simon Willison). Pour choisir l'agent qui exécutera vos skills, voir notre comparatif Claude Code, Codex ou GitHub Copilot.

Sources

Anthropic : Donating Agent Skills to the Agentic AI Foundation (22 oct. 2026), vérifié le 2026-10-23
AAIF : Agentic AI Foundation Announces Four New Projects (22 oct. 2026), vérifié le 2026-10-23
AAIF : Agent Skills, Sharing Team Expertise Across AI Agents (22 oct. 2026), vérifié le 2026-10-23
Agent Skills : spécification, vérifié le 2026-10-23
GitHub : agentskills/agentskills, vérifié le 2026-10-23
SiliconANGLE : Agentic AI Foundation adds four more open-source AI tools (22 oct. 2026), vérifié le 2026-10-23
Simon Willison : Donating Agent Skills to the Agentic AI Foundation (22 oct. 2026), vérifié le 2026-10-23

À retenir : Agent Skills, le format SKILL.md adopté par plus de 70 plateformes d'agents selon Anthropic, passe sous la gouvernance neutre de l'AAIF (Linux Foundation), comme MCP avant lui ; Open Responses, OpenEnv et OpenSandbox arrivent en même temps, et la fondation compte désormais 10 projets.

Flint en local, Replit Monitoring Agent, plugin EGM de Google, Claude sur Google Cloud : la veille du 23 octobre

Fri, 23 Oct 2026 00:00:00 +0000

Quatre annonces des 21 au 23 octobre 2026, plus un chiffre de marché, toutes tirées des sources officielles : un modèle de code qui tourne sur un portable, un agent qui répare la production, une méthode de conception venue de Google et un nouveau mode de déploiement de Claude.

Flint : le premier modèle de Recursive, pensé pour coder en local (21 oct.)

La start-up Recursive (Richard Socher) publie Flint, un modèle mixture-of-experts pour agents de code (blog Recursive, fiche Hugging Face).

Taille : 39,8 milliards de paramètres au total, environ 2,5 milliards actifs par token.
Licence : poids sous Apache 2.0 sur Hugging Face, avec une version INT4 au format MLX d'environ 22,6 Go pour les Mac (Flint INT4).
Scores annoncés par Recursive : 74,2 % sur SWE-bench Verified, 54,9 % sur Terminal-Bench 2.1 et 89,7 % sur SWE-bench Pro v2, selon ses propres évaluations.
Vitesse annoncée : plus de 125 tokens par seconde sur un MacBook Pro M4 Pro et plus de 150 sur une NVIDIA RTX Spark de 64 Go, à contexte court.
Contexte : configuration documentée de 262 144 tokens ; Recursive parle de 512k au maximum mais recommande de rester sous 256k.
Méthode : Recursive dit avoir construit le modèle en moins de quatre mois avec son système de recherche automatisée, la « Eureka Machine ». L'éditeur prévient que Flint demande plus de guidage que les grands modèles fermés.

Replit Monitoring Agent : un agent d'astreinte pour les apps publiées (22 oct.)

Replit étend son agent à la production (blog Replit).

Ce qu'il fait : il lit les journaux et les métriques de l'app publiée, enquête sur une alerte, prépare et valide un correctif, puis envoie un résumé par e-mail.
Déploiement automatique : avec l'option « auto-publish », il peut publier lui-même le correctif validé. C'est l'utilisateur qui l'active.
Activation : dans les réglages de publication de l'app, en activant les alertes de supervision et l'auto-fix.
Ce qui manque : Replit ne donne ni prix spécifique ni offre requise dans l'annonce.

Elephant-Goldfish Model : Google ouvre sa méthode de conception assistée (22 oct.)

Google publie en open source (Apache 2.0) le plugin Elephant-Goldfish Model (EGM), utilisé en interne par « des milliers » de ses ingénieurs selon l'annonce (Google Open Source Blog).

Le principe : une longue session « éléphant » conçoit sans écrire de code, puis des sessions « poisson rouge » sans contexte relisent le document de conception pour en trouver les failles.
Trois commandes : egm-brainstorm (co-conception), egm-draft (document de conception en Markdown avec la liste des fichiers à modifier) et egm-review (vérification de compréhension, relecture critique, feu vert final).
Cible : Antigravity d'abord, d'autres environnements « à venir ».

Claude sur Google Cloud : une option gérée par Anthropic (23 oct.)

Google Cloud ouvre en disponibilité générale une option de déploiement de Claude gérée par Anthropic, à côté de l'option gérée par Google (blog Google Cloud).

Différence : avec l'option Anthropic, c'est Anthropic qui traite les données, sous ses conditions commerciales, et les fonctions de la plateforme Claude (Claude Managed Agents en bêta, skills, exécution de code) arrivent dès leur sortie.
Ce qui ne change pas : mêmes modèles dès le premier jour, même tarif, facturation Google Cloud et consommation des engagements existants.
Option Google : elle garde VPC Service Controls, les clés gérées par le client (CMEK) et la résidence des données aux États-Unis, dans l'UE et en Asie-Pacifique.

Le chiffre : +123 % pour Nokia auprès des clients IA et cloud

Au troisième trimestre 2026, les ventes de Nokia aux clients IA et cloud ont progressé de 123 % sur un an, et leurs commandes de 118 %, avec 1,5 milliard d'euros de nouvelles commandes (rapport trimestriel Nokia). Les réseaux qui relient les data centers profitent à leur tour de la course aux infrastructures IA.

Ce que ça change

Les modèles de code locaux deviennent une option sérieuse pour qui veut garder son code chez soi, même si les scores restent ceux de l'éditeur. Côté agents, Replit fait passer l'IA de l'écriture du code à son exploitation, et Google mise sur l'inverse : plus de conception humaine avant la première ligne. Côté cloud, le choix du modèle se joue désormais aussi sur qui traite les données.

Sources

Recursive : Introducing Flint (vérifié le 2026-10-23)
Hugging Face : fiche du modèle RecursiveSI/flint (vérifié le 2026-10-23)
Hugging Face : RecursiveSI/flint-int4 (vérifié le 2026-10-23)
Replit : Replit Monitoring Agent (vérifié le 2026-10-23)
Google Open Source Blog : Elephant-Goldfish Model plugin (vérifié le 2026-10-23)
Google Cloud : Expanding Claude availability on Google Cloud (vérifié le 2026-10-23)
Nokia : rapport intermédiaire du T3 2026 (vérifié le 2026-10-23)

Mise à jour du site : Veille : Flint, Replit Monitoring Agent, plugin EGM, Claude sur Google Cloud

Fri, 23 Oct 2026 00:00:00 +0000

Nouvel article sur Flint (modèle de code local de Recursive, Apache 2.0), le Monitoring Agent de Replit, le plugin open source Elephant-Goldfish Model de Google et l'option Claude gérée par Anthropic sur Google Cloud. Nouveau chiffre clé : +123 % de ventes de Nokia aux clients IA et cloud au T3 2026. Flint entre dans le comparateur de modèles ; sources ajoutées aux fiches Replit Agent et Claude.

Mise à jour du site : La lettre OrigoTech passe à la nouvelle charte

Fri, 23 Oct 2026 00:00:00 +0000

Les e-mails de la lettre reprennent l'identité du site : IBM Plex Sans et JetBrains Mono, accent orange, filets fins, chiffres en police mono, avec un mode sombre lisible. Sur mobile, le formulaire d'inscription affiche désormais le champ et le bouton sur toute la largeur, et une adresse invalide est signalée plus clairement.

Mise à jour du site : Nouvelle charte graphique, plus éditoriale et plus technique

Fri, 23 Oct 2026 00:00:00 +0000

Le site adopte une identité de média tech : IBM Plex Sans pour le texte et JetBrains Mono pour les données (dates, prix, chiffres, sources), polices hébergées sur le site, palette noir et blanc avec un seul accent orange, filets fins au lieu des ombres, une à la une suivie d'une liste dense d'articles et tableaux plus lisibles. Les contenus et les chiffres ne changent pas ; sur mobile, l'en-tête ne déborde plus à 375 px.

Mise à jour du site : Article : Agent Skills rejoint l'Agentic AI Foundation

Fri, 23 Oct 2026 00:00:00 +0000

Nouvel article sur le don d'Agent Skills, le format SKILL.md d'Anthropic adopté par plus de 70 plateformes d'agents, à l'Agentic AI Foundation (Linux Foundation), qui accueille aussi Open Responses, OpenEnv et OpenSandbox et passe à 10 projets. Article lié ajouté aux fiches Claude Code, Codex, GitHub Copilot et Cursor.

Claude Duet : l'agent proactif d'Anthropic, réservé pour l'instant aux abonnés américains

Thu, 22 Oct 2026 00:00:00 +0000

Anthropic a ouvert le 21 octobre 2026 une préversion de recherche (research preview) de Claude Duet, une nouvelle application dans laquelle Claude fonctionne comme un agent proactif : il vient vers vous avec ce qui demande votre attention, prend en charge des tâches, continue de travailler quand vous vous absentez et vous demande votre accord avant d'agir en votre nom (Anthropic).

Pas encore en France. L'accès passe par une liste d'attente et il est réservé aux abonnés Pro et Max aux États-Unis. La page d'aide d'Anthropic exige « un compte Claude aux États-Unis » et précise que Duet n'est disponible qu'aux États-Unis pendant la préversion (Claude Help Center). Aucune date n'est donnée pour l'Europe.

Ce que fait Claude Duet

Un brief chaque matin : Duet parcourt vos applications connectées (e-mail et agenda en tête), sélectionne ce qui compte le plus et peut lancer les premières étapes, comme rédiger des brouillons de réponse à valider. Dans la journée, il ne vous écrit que lorsque quelque chose nécessite votre intervention (Anthropic).
Des tâches de toutes tailles : de la prise de rendez-vous à des travaux plus lourds, comme construire des tableaux de bord, établir des prévisions financières ou commerciales, prototyper et construire des applications web, selon Anthropic. Les résultats volumineux reviennent sous forme de fichiers (brief, modèle financier, présentation, tableau de bord) dans un onglet Make ; un onglet Tasks suit le travail en cours (Claude Help Center).
Un seul fil de conversation : on lui écrit ou on lui envoie un message vocal comme à une personne. Des canaux séparés par sujet sont possibles et partagent la même mémoire.
Un ordinateur à lui : Duet dispose d'une machine virtuelle avec son propre navigateur, dans le cloud. Il n'a pas besoin que votre ordinateur ou votre téléphone reste allumé. Pour les sites sans connecteur, il passe par ce navigateur (Anthropic).
Plus de 6 000 connecteurs et plugins du Claude Marketplace : Gmail, Slack, QuickBooks, Stripe, Gusto, Docusign, HubSpot, Canva, Shopify… Les achats passent par Link (le portefeuille de Stripe) ou Shop Pay, avec une carte virtuelle à usage unique (Anthropic, Reuters via StreetInsider).

Duet reprend la mémoire, les skills et les connecteurs de votre compte Claude : la configuration est quasi nulle. Il peut aussi chercher dans vos conversations passées avec Claude (9to5Mac, Claude Help Center).

Modèle, applications et prix

Modèle : Claude Opus 5.5, sans possibilité d'en choisir un autre ; Duet décide lui-même de l'effort à consacrer à une tâche (Claude Help Center).
Où : application autonome sur iOS et Android, et sur le web via claude.ai. Duet vit pour l'instant dans sa propre application, séparée de l'application Claude principale (Anthropic).
Prix : inclus dans les forfaits Pro et Max, sans supplément, mais Duet consomme les mêmes limites d'usage que le reste de Claude, y compris pour son travail en arrière-plan (brief, vérifications). Anthropic prévient qu'on peut atteindre ses limites « plus tôt qu'avec le seul chat ». Chaque personne admise reçoit une remise à zéro complète de ses limites, utilisable jusqu'au 30 novembre 2026 (Claude Help Center). Pour mémoire, Pro coûte 20 $ par mois (17 $ en annuel) et Max démarre à 100 $ par mois (Anthropic).
Team et Enterprise : pas encore inclus ; Anthropic prévoit de les ajouter plus tard, sans calendrier (Claude Duet).

Les garde-fous

Approbation obligatoire avant d'envoyer un message, de payer, de signer un document ou de supprimer quoi que ce soit : Duet montre exactement ce qu'il s'apprête à faire et attend votre accord. Certaines actions restent interdites même avec votre accord, comme négocier des titres ou transférer de l'argent entre comptes (Anthropic).
Les actions passent par le classifieur du mode auto, le même garde-fou que dans Claude Code ; la gestion des identifiants suit le modèle de Claude Managed Agents, si bien que Duet ne voit jamais vos mots de passe ni vos jetons de connexion.
Un classifieur dédié et une consigne système de sécurité contrôlent chaque message pour éviter les fuites : refus de partager numéros de carte bancaire et pièces d'identité ; données de santé ou financières seulement sur instruction explicite.

Ce que Duet peut (et ne peut pas) faire pour un développeur

Duet n'est pas un agent de code : Anthropic dit l'avoir conçu pour les professionnels et les dirigeants de petites entreprises. Mais plusieurs usages concernent directement les développeurs.

Prototypes et web apps : Anthropic cite le prototypage et la construction d'applications web parmi les tâches confiées à Duet. Karan Ahuja, qui dirige l'équipe Duet, s'en sert pour planifier des entretiens utilisateurs, travailler sur des prototypes et même livrer du code ; Boris Cherny, responsable de Claude Code, lui dicte sa liste de tâches pendant ses promenades (Anthropic).
Le contexte de vos outils : Duet réutilise les connecteurs, les skills et la mémoire déjà configurés dans votre compte Claude ; les outils que vous y avez branchés n'ont pas à être reconnectés.
Le suivi plutôt que l'exécution : brief matinal sur les tickets, les fils Slack restés sans réponse ou les e-mails clients, relances, synthèses avant une réunion.

Les limites sont nettes pour un usage technique :

Duet ne voit pas les fichiers de votre ordinateur ni l'ensemble de vos projets, et il peut lire votre travail dans Claude sans le modifier.
On ne peut pas regarder ni reprendre la main sur son navigateur pendant la préversion.
Il consulte vos comptes à intervalles réguliers (toutes les quelques heures selon Anthropic) : un incident urgent peut tomber entre deux vérifications.
Certains connecteurs, comme Slack, fonctionnent avec des limites, et Microsoft 365 n'est pas encore disponible (Claude Help Center).

Pour écrire, exécuter et tester du code dans un dépôt, l'outil d'Anthropic reste Claude Code (voir notre guide d'installation) ; Duet se place en amont et autour, côté organisation et coordination. Pour la famille de modèles, voir la fiche Claude.

Ce que disent les premiers retours

Anthropic reconnaît que Duet peut encore mal lire un fil de discussion ou mal évaluer l'urgence, et que les tâches personnelles (réserver des billets, par exemple) sont moins abouties que les tâches professionnelles. Reuters et Trending Topics relèvent les mêmes réserves (Reuters via StreetInsider, Trending Topics). Trending Topics ajoute que le projet s'appelait en interne « Claude Loop », une information non confirmée par Anthropic.

Duet arrive après les agents « toujours actifs » d'OpenAI (Dots) et de SpaceXSI (Grok Bot), et après Muse chez Meta, plus tourné vers le grand public (MacRumors, Trending Topics). Nous les comparons dans Claude Duet, OpenAI Dots ou Grok Bot.

Sources

Anthropic : Introducing Claude Duet (21 oct. 2026), vérifié le 2026-10-22
Anthropic : page produit Claude Duet, vérifié le 2026-10-22
Claude Help Center : Get started with Claude Duet, vérifié le 2026-10-22
Anthropic : tarifs Claude, vérifié le 2026-10-22
Reuters via StreetInsider : Anthropic unveils Claude Duet AI agent app (21 oct. 2026), vérifié le 2026-10-22
MacRumors : Anthropic Launches Claude Duet, a Proactive AI Agent (21 oct. 2026), vérifié le 2026-10-22
9to5Mac : Anthropic takes on ChatGPT Dots and Meta Muse with Claude Duet (21 oct. 2026), vérifié le 2026-10-22
Trending Topics : Claude Duet, Anthropic's New A.I. Agent (21 oct. 2026), vérifié le 2026-10-22

À retenir : Claude Duet est un agent d'arrière-plan basé sur Claude Opus 5.5, inclus dans Pro et Max mais consommateur de quota, qui demande l'accord avant d'envoyer, payer, signer ou supprimer ; il n'est ouvert qu'aux États-Unis, sur liste d'attente.

Claude Duet, OpenAI Dots ou Grok Bot : le comparatif des agents « toujours actifs »

Thu, 22 Oct 2026 00:00:00 +0000

En moins de trois mois, trois éditeurs ont lancé un agent qui ne se contente plus de répondre : il dispose de son propre ordinateur dans le cloud, surveille vos applications, travaille quand vous êtes absent et vous sollicite pour les décisions importantes. Grok Bot est arrivé le 11 août 2026, OpenAI Dots le 29 septembre et Claude Duet d'Anthropic le 21 octobre. Meta occupe aussi le terrain avec Muse, un agent plutôt tourné vers le grand public, que nous laissons de côté ici (Trending Topics).

Pour un lecteur en France, le critère décisif est souvent la disponibilité. Claude Duet est réservé aux États-Unis ; Dots exclut l'EEE pour les abonnés Pro, mais pas pour les sièges Business Premium ; Grok Bot ne publie pas de liste de pays, mais ses ordinateurs tournent aux États-Unis. Détails plus bas.

Le tableau comparatif

Le tableau comparatif
Critère	Claude Duet	OpenAI Dots	Grok Bot
Éditeur	Anthropic	OpenAI	SpaceXSI (ex-xAI, entité SpaceXAI LLC) ; produit opéré par Cursor, filiale de SpaceX
Lancement	21 oct. 2026, préversion de recherche	29 sept. 2026, déploiement progressif	11 août 2026, bêta
Modèle	Claude Opus 5.5, non modifiable	GPT-6 Astra	Choisi à chaque tâche : modèles xAI ou tiers (dont Claude Opus 5.5), sans sélecteur
Où l'utiliser	Appli iOS et Android, claude.ai	ChatGPT (bureau, web, mobile), Slack, Teams ; SMS en bêta limitée aux États-Unis	Applis macOS, Windows, Linux, iOS, Android ; Slack (bots d'équipe) ; X (@bot)
Ordinateur cloud	Une machine virtuelle avec son navigateur	Un ordinateur cloud par dot ; accès optionnel à votre ordinateur	Un seul ordinateur partagé par tous les bots du compte (un écran par bot)
Nombre d'agents	Un agent, plusieurs canaux	Un dot principal pour l'instant	Plusieurs bots en parallèle (une cinquantaine par compte)
Connecteurs	Plus de 6 000 connecteurs et plugins	Plus de 4 000 applications via les plugins	Plugins « Connect apps » (GitHub, Google Workspace, Microsoft 365…) et usage de l'ordinateur
Garde-fous	Accord avant envoi, paiement, signature, suppression ; titres et virements interdits	Règles intégrées et règles personnalisées ; auto-review ; recherche proactive en lecture seule	Auto Review (modèle de revue indépendant) ; règles « Ask first » ; commandes locales sur accord
Prix	Inclus dans Pro (20 $/mois) et Max (dès 100 $/mois), sur le quota du forfait	Premier dot inclus dans Pro (100, 200 ou 500 $/mois) et Business Premium (125 $/siège/mois)	Inclus dans Premium (30 $/mois), Super (100 $) et Ultra (200 $) de The X Subscription, et dans les anciens forfaits Cursor
France / UE	Non : États-Unis uniquement	Pro : non (EEE, Suisse, Royaume-Uni exclus) ; Business Premium : « toutes les régions ChatGPT prises en charge »	Pas de liste de pays publiée ; ordinateurs aux États-Unis ; tag @bot indisponible dans l'UE

Sources du tableau : pages officielles d'Anthropic, d'OpenAI et de SpaceXSI, détaillées dans chaque section.

Claude Duet (Anthropic)

Principe : un agent unique, dans une application séparée de Claude, qui envoie un brief chaque matin, consulte vos comptes toutes les quelques heures et ne vous écrit que si nécessaire ; il dispose d'une machine virtuelle avec son navigateur (Anthropic).
Modèle : Claude Opus 5.5, sans choix possible (Claude Help Center).
Garde-fous : accord explicite avant d'envoyer, de payer, de signer ou de supprimer ; trading de titres et virements entre comptes interdits même avec accord ; classifieur du mode auto (celui de Claude Code) et classifieur dédié contre les fuites de données sensibles.
Prix : inclus dans Pro et Max sans supplément, mais le travail d'arrière-plan consomme les limites du forfait (Claude Duet, Anthropic).
Disponibilité : liste d'attente, Pro et Max aux États-Unis seulement ; ni Team ni Enterprise pour l'instant.

Notre article détaillé : Claude Duet, l'agent proactif d'Anthropic.

OpenAI Dots

Principe : des agents « toujours actifs » dans ChatGPT, chacun avec son propre ordinateur cloud et son navigateur ; on commence avec un dot principal, OpenAI envisage des équipes de dots plus tard. On les joint dans ChatGPT, Slack ou Teams, ou par appel vocal (OpenAI).
Modèle : GPT-6 Astra (OpenAI, MacRumors).
Connecteurs : plus de 4 000 applications via l'écosystème de plugins. L'accès à votre propre ordinateur est optionnel et désactivé par défaut (OpenAI Help Center).
Garde-fous : la « recherche proactive » en arrière-plan n'utilise que des outils en lecture seule ; des règles personnalisées permettent d'autoriser, de soumettre à approbation ou de bloquer une action ; un système d'auto-review vérifie les actions sensibles ; certaines tâches, comme changer un mot de passe, restent toujours à l'utilisateur (OpenAI).
Prix : le premier dot est inclus sans supplément dans ChatGPT Pro et Business Premium. Les conversations avec le dot ne comptent pas dans les limites d'usage de ChatGPT, mais les tâches lancées dans Codex ou ChatGPT Work, si (OpenAI). Pro se décline à 100, 200 ou 500 $ par mois (OpenAI Help Center) ; un siège Business Premium coûte 125 $ par mois, ou 100 $ en annuel (OpenAI).
Disponibilité : en déploiement pour Pro hors EEE, Suisse et Royaume-Uni, pour Business Premium dans toutes les régions prises en charge par ChatGPT, et en bêta pour Enterprise si l'administrateur l'active (OpenAI Help Center).

Grok Bot (SpaceXSI / Cursor)

Qui l'édite : les pages officielles sont sur x.ai, signées « © 2026 SpaceXAI LLC » et à l'enseigne SpaceXSI, le nouveau nom de l'ancienne xAI (SpaceXSI, The Next Web). Mais le produit est opéré par Cursor : on s'y connecte avec un compte Cursor, et les ordinateurs des bots tournent dans le cloud de Cursor (SpaceXSI Docs, Cursor). Cursor (Anysphere) fait partie de SpaceX depuis le 14 août 2026 (Cursor).
Principe : une équipe de bots nommés, qui travaillent en parallèle, s'envoient des messages, se coordonnent dans des discussions de groupe et apprennent des procédures par démonstration (SpaceXSI). SpaceXSI fixe des limites pratiques d'environ 50 bots par compte et six par discussion de groupe (SpaceXSI).
Ordinateur : un ordinateur cloud persistant, avec navigateur, système de fichiers et terminal, partagé par tous les bots du compte : fichiers, sessions de navigateur et identifiants sont communs, l'isolation se fait entre utilisateurs, pas entre bots (SpaceXSI Docs). Les ordinateurs tournent aux États-Unis (Cursor).
Modèle : pas de modèle unique ni de sélecteur. Pour chaque tâche, Grok Bot choisit un modèle xAI ou un modèle tiers ; l'aide de Cursor mentionne explicitement Claude Opus 5.5 (Cursor). Elon Musk avait annoncé le 7 octobre que Grok Bot utiliserait « le meilleur modèle pour chaque tâche », dont Claude Opus 5.5, Midjourney et Suno (The Next Web). Dire que Grok Bot « repose sur Claude Opus 5.5 », comme l'a écrit Trending Topics, va donc trop loin : Opus 5.5 est l'un des modèles possibles.
Garde-fous : Auto Review, un modèle de revue indépendant, évalue les actions risquées (commandes shell, appels d'applications, usage de l'ordinateur, modifications de routines) et peut les laisser passer, demander une approbation ou les refuser ; chaque utilisateur peut ajouter des règles « Ask first ». Les commandes sur votre propre machine demandent un accord à chaque fois par défaut (Cursor). Les approbations issues d'un travail lancé sans vous (routine, autre bot) expirent au bout d'environ 10 minutes (Cursor).
Prix : inclus dans les forfaits Premium (30 $/mois), Super (100 $) et Ultra (200 $) (SpaceXSI) de The X Subscription, ainsi que dans les anciens forfaits Cursor Pro, Pro+, Ultra et Teams ; un abonnement SuperGrok peut aussi être lié à un compte Cursor. L'usage se renouvelle chaque semaine (Cursor).
Disponibilité : SpaceXSI ne publie pas de liste de pays pour l'application. La seule restriction régionale documentée concerne le tag @bot sur X, indisponible pour les comptes basés dans l'Union européenne, au Royaume-Uni, en Australie, en Islande, au Liechtenstein et en Norvège (SpaceXSI Docs).

Les sources officielles se contredisent sur Grok Bot. Le billet de lancement réservait l'application au bureau et à iOS, avec une liste d'attente pour les entreprises et un usage « séparé » des forfaits Grok et Cursor (SpaceXSI). La documentation actuelle cite macOS, Windows, Linux, iOS et Android (SpaceXSI Docs), la page produit dit Enterprise « généralement disponible » (SpaceXSI), et sur The X Subscription l'usage de Grok Bot puise dans le même quota hebdomadaire que Cursor et les applications Grok (Cursor). Le comparatif d'Every affiche encore les prix des anciens forfaits Cursor (20, 60 et 200 $) (Every). Nous retenons les pages les plus récentes.

Ce qui compte pour un développeur

Grok Bot est le plus « technique ». Son ordinateur expose un terminal et un système de fichiers, il propose un connecteur GitHub, et ses routines peuvent se déclencher sur un horaire ou un événement ; le billet de design illustre des déclencheurs comme l'ouverture d'une pull request ou l'échec de vérifications (SpaceXSI). SpaceXSI cite un bot d'ingénierie qui reproduit un bug dans l'interface, ouvre le ticket et passe le correctif à un bot de débogage (SpaceXSI). Revers : identifiants et sessions partagés entre tous vos bots, aucun choix du modèle, et pour les équipes, la liste de modèles autorisés de Cursor ne s'applique pas à Grok Bot (Cursor).

Dots est le plus proche de Codex. OpenAI décrit un dot qui surveille les retours clients, développe et teste de petits correctifs, puis présente des pull requests accompagnées de vidéos (OpenAI). Il peut créer des tâches dans les environnements cloud de Codex et, avec votre accord, travailler sur votre ordinateur (OpenAI Help Center). Revers : pas d'accès pour un abonné Pro en France, et les tâches Codex consomment le quota.

Claude Duet est le plus orienté coordination. Anthropic cite le prototypage et les applications web, mais Duet ne voit pas les fichiers de votre ordinateur, peut lire votre travail dans Claude sans le modifier, et on ne peut pas suivre son navigateur (Claude Help Center). Pour le code lui-même, l'outil d'Anthropic reste Claude Code ; côté OpenAI, voir notre fiche Codex, et côté Cursor, la fiche Cursor.

Notre lecture

Vous êtes en France avec un abonnement personnel : aucun des trois n'est clairement accessible. Duet et Dots (Pro) excluent l'Europe ; Grok Bot ne l'exclut pas explicitement, mais traite les données aux États-Unis.
Vous êtes une entreprise française : Dots via Business Premium est le seul des trois dont la documentation ne mentionne pas d'exclusion européenne ; vérifiez la conformité de vos données avant de connecter des boîtes mail.
Vous voulez un agent qui touche au code : Grok Bot (terminal, GitHub, routines sur événements) et Dots (Codex) vont plus loin que Duet, qui reste un assistant de coordination.

Sources

Anthropic : Introducing Claude Duet (21 oct. 2026), vérifié le 2026-10-22
Anthropic : page produit Claude Duet, vérifié le 2026-10-22
Claude Help Center : Get started with Claude Duet, vérifié le 2026-10-22
Anthropic : tarifs Claude, vérifié le 2026-10-22
OpenAI : Introducing dots (29 sept. 2026), vérifié le 2026-10-22
OpenAI Help Center : Getting started with your dot, vérifié le 2026-10-22
OpenAI Help Center : About ChatGPT Pro tiers, vérifié le 2026-10-22
OpenAI : Premium seats are coming to ChatGPT Business (10 août 2026, mis à jour le 25 août), vérifié le 2026-10-22
SpaceXSI : Introducing Grok Bot (11 août 2026), vérifié le 2026-10-22
SpaceXSI : page produit Grok Bot, vérifié le 2026-10-22
SpaceXSI : Designing Grok Bot for a world of persistent agents (3 sept. 2026), vérifié le 2026-10-22
SpaceXSI Docs : Grok Bot overview, vérifié le 2026-10-22
SpaceXSI Docs : Use the computer and apps, vérifié le 2026-10-22
SpaceXSI Docs : Tag @bot on X, vérifié le 2026-10-22
Cursor : Grok Bot security, vérifié le 2026-10-22
Cursor : Which AI models power Grok Bot?, vérifié le 2026-10-22
Cursor : Grok Bot FAQs, vérifié le 2026-10-22
Cursor : Grok Bot plans and billing, vérifié le 2026-10-22
Cursor : Cursor is now a part of SpaceX (14 août 2026), vérifié le 2026-10-22
The Next Web : Musk's Grok Bot will use Anthropic's Claude, Midjourney and Suno models (7 oct. 2026), vérifié le 2026-10-22
MacRumors : OpenAI Launches Always-On 'Dots' Agents (29 sept. 2026), vérifié le 2026-10-22
Every : comparatif des agents personnels, vérifié le 2026-10-22
Trending Topics : Claude Duet, Anthropic's New A.I. Agent (21 oct. 2026), vérifié le 2026-10-22

À retenir : les trois agents travaillent sur un ordinateur cloud et demandent votre accord pour les actions sensibles, mais seul Dots, via Business Premium, n'exclut pas explicitement l'Europe ; Grok Bot est le plus outillé pour le code, Claude Duet le plus prudent.

VS Code 1.143, GPT-6 sur Google Cloud, DSX POD de NVIDIA : la veille du 22 octobre

Thu, 22 Oct 2026 00:00:00 +0000

Trois annonces des 19 au 21 octobre 2026, toutes tirées des sources officielles : l'éditeur, le cloud et le matériel bougent en même temps autour des agents de code.

VS Code 1.143 : le harnais Copilot par défaut et un duel de modèles (19 oct.)

Microsoft a publié Visual Studio Code 1.143 (notes de version).

Harnais Copilot par défaut : les nouvelles sessions d'agent passent par le harnais bâti sur le Copilot SDK, accessible depuis l'éditeur et depuis la fenêtre Agents.
Comparer des modèles (préversion) : un seul prompt lance plusieurs tentatives en parallèle, avec des harnais Copilot, Claude et Codex et des niveaux de raisonnement différents. Un modèle « juge » optionnel note les tentatives (temps, tokens, justification), puis une action « Synthesize » combine les idées sur demande. Réglage : sessions.chat.compareAgents.enabled.
Modèle sur l'appareil (expérimental) : MAI Code 1.1 Flash tourne en local via llama.cpp ; ces réponses ne consomment pas de crédits IA. Il faut un compte GitHub et un GPU NVIDIA avec au moins 96 Go de mémoire.
Grosses conversations : selon les mesures de Microsoft, l'ouverture à froid d'un chat d'environ 1 150 requêtes passe de 35,6 s à 9,0 s.
Copilot CLI : l'installateur de VS Code propose désormais de l'installer (Windows, Linux, macOS).

GPT-6 arrive dans Model Garden de Google Cloud (21 oct.)

Google Cloud ajoute GPT-6 Astra, GPT-6.1 Sol et GPT-6 Luna à Model Garden, en préversion privée pour une sélection d'entreprises (blog Google Cloud).

Facturation : les modèles passent par Google Cloud Marketplace, apparaissent sur la facture Google Cloud et consomment les engagements de dépense existants.
Positionnement : Google se dit seul grand cloud à proposer les trois grandes familles de modèles fermés (Gemini, Claude, GPT), parmi plus de 200 modèles.
Codex et Antigravity : OpenAI annonce ses flux Codex dans Model Garden et ses modèles « bientôt » dans Google Antigravity ; disponibilité générale prévue « dans les prochaines semaines ». OpenAI précise que Microsoft reste son principal partenaire cloud (OpenAI).
Ce qui manque : Google n'a publié ni prix Model Garden, ni régions, ni date précise ; la rétention zéro des données et le Confidential Compute sont annoncés « bientôt ».

NVIDIA DSX POD : une usine IA livrée en conteneurs (21 oct.)

À GTC Berlin, NVIDIA a présenté DSX POD, une conception de référence pour des usines IA Vera Rubin assemblées et testées en usine dans des conteneurs (NVIDIA Newsroom).

Le chiffre : sur un site déjà préparé, le déploiement passerait de six mois à 14 jours au minimum, selon NVIDIA. La préparation du site n'est pas comptée.
Partenaires : Bull, Dell, HPE, Lenovo, Schneider Electric, Vertiv, Foxconn, Crusoe, entre autres.
Calendrier : premières livraisons début 2027.

Ce que ça change

Côté développeur, VS Code fait de la comparaison de modèles une fonction de l'éditeur, en mettant Claude et Codex dans la même fenêtre que Copilot. Côté entreprise, le choix du modèle se détache du choix du cloud. Côté infrastructure, NVIDIA vend désormais le délai de mise en service autant que la puce.

Sources

Microsoft : notes de version de VS Code 1.143 (vérifié le 2026-10-22)
Google Cloud : Google Cloud brings OpenAI models to customers (vérifié le 2026-10-22)
OpenAI : OpenAI models are coming to Google Cloud (vérifié le 2026-10-22)
NVIDIA : DSX POD AI Factories (vérifié le 2026-10-22)

Mise à jour du site : Veille : VS Code 1.143, GPT-6 sur Google Cloud, NVIDIA DSX POD

Thu, 22 Oct 2026 00:00:00 +0000

Nouvel article sur VS Code 1.143 (comparaison de modèles, modèle local), l'arrivée de GPT-6 dans Model Garden de Google Cloud et le DSX POD de NVIDIA. Nouveau chiffre clé : 14 jours de déploiement annoncés par NVIDIA sur site préparé. Sources ajoutées aux fiches GitHub Copilot, Codex et GPT.

Data centers IA : 3 700 milliards de dollars de revenus par an d'ici 2032 pour être rentables, selon un papier publié par Brookings

Wed, 21 Oct 2026 00:00:00 +0000

Combien l'IA doit-elle rapporter pour rembourser les data centers en construction aux États-Unis ? Un papier présenté le 25 septembre 2026 à la conférence d'automne des Brookings Papers on Economic Activity (BPEA) donne un ordre de grandeur : environ 3 725 milliards de dollars de revenus annuels d'ici 2032, soit 9,2 % du PIB américain projeté pour cette année-là (papier, version de conférence).

Précision. Ce n'est pas une étude institutionnelle de la Brookings : c'est un papier de recherche signé par Stijn Van Nieuwerburgh, professeur d'immobilier à la Columbia Business School, publié par la Brookings dans le cadre des BPEA (version de conférence datée du 4 septembre 2026). Chaque publication y engage ses seuls auteurs (Brookings).

Les chiffres clés

Investissement : 10 300 milliards de dollars de 2025 à 2032 dans les bâtiments, l'énergie, le réseau, les puces et autres équipements, soit en moyenne 3,63 % du PIB par an. C'est plus que les booms des canaux, du chemin de fer (2,24 %), de l'électrification, des autoroutes et des télécoms (1,10 %).
Capacité : 182,8 GW de capacité supplémentaire mise en service entre 2025 et 2032, sur un pipeline annoncé d'environ 509 GW ; le scénario central suppose que 117,2 GW arrivent après 2032 et que 226,9 GW ne sont jamais construits.
Coût unitaire : environ 8,2 milliards de dollars pour un campus de 200 MW, dont deux tiers pour l'informatique (GPU, réseau, stockage) et un tiers pour le bâtiment et l'énergie.
Revenus requis : 3 725 milliards de dollars par an une fois toute cette capacité en service, rapportés à un PIB 2032 projeté de 40 481 milliards.

La méthode : un seuil de rentabilité, pas une prévision

Le chiffre de 3 725 Md$ répond à une question précise : quel revenu la capacité achevée entre 2025 et 2032 doit-elle générer pour offrir aux investisseurs un rendement de 10 % avant dette, avec une marge de flux de trésorerie d'exploitation de 50 %, une durée de vie économique de six ans pour l'informatique et de vingt ans pour le reste ? L'auteur le dit lui-même dans un texte publié par Columbia : c'est un calcul de revenu requis, pas une prédiction de ce que les clients dépenseront (Columbia Business School).

Le résultat est très sensible aux hypothèses (papier, tableau 7) :

de 2 290 Md$ (rendement de 5 %, marge de 67 %) à 6 720 Md$ (rendement de 15 %, marge de 33 %) ;
si les GPU ne restent compétitifs que trois ans au lieu de six, le besoin grimpe à environ 6 000 Md$, soit 14,8 % du PIB 2032.

Pour situer l'effort : avec des revenus combinés d'OpenAI et d'Anthropic estimés à environ 100 Md$ par an, il faudrait une croissance d'environ 80 % par an jusqu'en 2032 pour atteindre ce seuil, calcule l'auteur.

Deux versions en circulation. Dans son texte du 6 octobre pour Columbia, l'auteur cite une version révisée du papier : près de 9 000 Md$ d'investissement, environ 188 GW, et 3 550 Md$ de revenus requis (8,8 % du PIB). Les chiffres repris par la presse, et ici, sont ceux de la version de conférence publiée par la Brookings.

D'autres estimations comparables

Bain & Company (septembre 2025) estimait qu'il faudrait environ 2 000 Md$ de revenus annuels dans le monde d'ici 2030 pour financer la puissance de calcul nécessaire, et qu'il manquerait encore 800 Md$ même en comptant les économies liées à l'IA (Bain). Le périmètre (mondial, horizon 2030) et la méthode diffèrent : les deux chiffres ne s'additionnent pas.
Le papier rappelle que les dépenses d'investissement d'Oracle, Microsoft, Amazon, Meta et Alphabet sont passées d'environ 97 Md$ en 2020 à plus de 400 Md$ en 2025, et devraient dépasser 800 Md$ en 2026, au-delà de leurs flux de trésorerie d'exploitation cumulés pour la première fois. D'où le recours croissant aux baux, coentreprises, crédit privé et véhicules hors bilan, que l'auteur juge plus difficiles à surveiller (Bisnow, podcast Brookings).

Ce que ça implique pour le prix des outils et des API de code

Le papier traduit son seuil en prix de location de GPU : environ 5,5 $ par heure de GPU installée à pleine utilisation, 6,9 $ à 80 % d'utilisation, dans la fourchette des prix actuels du calcul de pointe. Pour l'auteur, la vraie question est donc de savoir si les fournisseurs garderont ce pouvoir de prix une fois quelque 180 GW ajoutés. Deux lectures, qui ne s'excluent pas :

Tant que la capacité manque, les prix tiennent. Les grilles le montrent déjà : chez Google, Gemini 4 Argon passera de 2 $/10 $ à 4 $/20 $ par million de tokens le 1er décembre, et Gemini 3.8 Flash de 0,75 $/3,75 $ à 1,50 $/7,50 $ le 1er janvier 2027, à la fin des prix de lancement (Google). Un abonnement ou une API de code « pas cher » aujourd'hui peut donc remonter.
Si l'offre dépasse la demande, ils baissent. « Tôt ou tard, nous aurons une surcapacité, comme dans chaque cycle immobilier, et les prix s'effondreront », a déclaré l'auteur à Bisnow ; il estime que ce risque n'apparaîtrait qu'après cinq à huit ans de forte croissance.

En pratique, pour une équipe qui budgète ses agents de code : comparer le prix par tâche plutôt que le prix catalogue, vérifier la date de fin des prix de lancement, et garder une solution de repli moins chère ou auto-hébergée. Le calculateur de coût et le comparateur de modèles permettent de refaire le calcul avec ses propres volumes ; voir aussi notre guide pour choisir un agent selon son budget.

Sources

Stijn Van Nieuwerburgh : Financing the AI Buildout (BPEA, version de conférence) (4 sept. 2026), vérifié le 2026-10-21
Brookings : Financing the AI buildout (résumé) (23 sept. 2026), vérifié le 2026-10-21
Brookings : The $10 trillion question (podcast et transcription) (8 oct. 2026), vérifié le 2026-10-21
Columbia Business School : The AI Buildout: What Real Estate Investors Need to Underwrite (6 oct. 2026), vérifié le 2026-10-21
Bisnow : Brookings Study Shows AI's $10T Build-Out Cost Will Likely End In Market Correction (23 sept. 2026), vérifié le 2026-10-21
Bain & Company : $2 trillion in new revenue needed to fund AI's scaling trend (23 sept. 2025), vérifié le 2026-10-21
Google : tarifs de l'API Gemini, vérifié le 2026-10-21

À retenir : 3 725 Md$ par an est un seuil de rentabilité calculé sous hypothèses (rendement de 10 %, marge de 50 %, GPU amortis sur six ans), pas une prévision de revenus.

DeepSeek aiderait Huawei à concevoir ses prochaines puces IA : ce qui est sourcé, ce qui ne l'est pas

Wed, 21 Oct 2026 00:00:00 +0000

Le 19 octobre 2026, le média américain The Information a rapporté que DeepSeek travaille étroitement avec Huawei pour orienter la conception de ses futures puces IA, dans une collaboration qui pourrait permettre à la Chine d'entraîner des modèles de pointe sans technologie Nvidia (The Information, article payant de Qianer Liu et Juro Osawa).

Sources anonymes. L'information repose sur « deux personnes au fait du dossier », selon le chapô de l'article. Ni DeepSeek ni Huawei ne l'ont commentée publiquement (Dealroom). Nous n'avons trouvé ni confirmation officielle, ni démenti.

Ce que rapporte The Information

D'après les reprises d'Investing.com et de Dealroom, qui citent l'article :

Ingénieurs sur place : des ingénieurs Huawei sont installés dans les bureaux de DeepSeek, certains depuis longtemps, et intègrent ses demandes sur la façon dont les modèles calculent et font circuler les données entre processeurs, pour des puces prévues à partir de l'an prochain.
Entraînement : DeepSeek prévoit de commencer à pré-entraîner des modèles sur l'Ascend 950DT dès la fin de 2026. Le calendrier est encore en test et peut changer.
Approvisionnement : Huawei prévoit de réserver à DeepSeek la majeure partie de son Ascend 960DT, attendu au premier trimestre 2027.
Limites : les derniers tests de DeepSeek utilisent plus de 1 000 processeurs, alors qu'un pré-entraînement complet pourrait demander plus de 10 000 Ascend 950DT pendant des semaines ; une partie du logiciel de gestion des clusters n'est pas terminée. DeepSeek cherche toujours à obtenir des puces Nvidia.

Certains relais ont publié des versions divergentes (dates de lancement de la 950DT, sens de la collaboration) ; nous nous en tenons aux éléments ci-dessus, repris de façon concordante.

Ce qui est public et vérifiable

La feuille de route Huawei : lors de Huawei Connect, le 17 septembre, Huawei a annoncé l'Ascend 960DT pour le premier trimestre 2027, trois trimestres plus tôt que prévu, le 960PR pour le troisième trimestre 2027, puis les Ascend 970 et 980 en 2028 et 2029 (Huawei).
Le logiciel : DeepSeek a publié le 30 septembre une version de TileLang, langage open source qu'il utilise comme alternative à CUDA, compatible avec l'Ascend 950 (Dealroom). Son framework d'inférence DeepInfer, ouvert le 20 octobre, tourne déjà sur GPU Nvidia et NPU Ascend 950 (voir notre article).
L'écart de performance : selon Epoch AI, cité par Investing.com, la B300 de Nvidia offre environ sept fois la puissance de calcul brute d'une Ascend 950.

Le contexte : les contrôles à l'export américains

Huawei n'a plus accès à TSMC depuis 2020 et n'a qu'un accès limité à la mémoire HBM depuis 2024, à cause des contrôles américains (Dealroom). Côté Nvidia, l'assouplissement de janvier 2026 ne vise que la H200, l'AMD MI325X et des puces similaires, dont les licences d'export vers la Chine sont désormais examinées au cas par cas, sous conditions (BIS). Le 20 octobre, le département américain de la Sécurité intérieure a en outre ordonné de retirer les produits DeepSeek, y compris les produits tiers construits sur ses modèles, des systèmes informatiques des agences fédérales civiles (Federal Register).

Ce que ça change pour ceux qui codent avec DeepSeek

Rien de changé à court terme sur les prix : l'API facture deepseek-flash (DeepSeek V4.1-Flash-1017) 0,30 $ en entrée hors cache et 1,20 $ en sortie par million de tokens aux heures pleines, moitié prix en heures creuses ; deepseek-v4-pro coûte 1,32 $ et 3,96 $ (DeepSeek). Voir la fiche DeepSeek V4.1-Flash-1017 et le comparateur de modèles.
Moins de dépendance à Nvidia, plus à Huawei : si DeepSeek pré-entraîne réellement sur Ascend, ses prochains modèles dépendront moins de l'accès aux puces américaines. Mais Huawei dit ne pas pouvoir encore répondre à toute la demande, selon Dealroom : la capacité de calcul disponible reste le facteur à surveiller pour les limites d'usage et la vitesse de sortie des modèles.
Les poids restent téléchargeables : V4.1-Flash-1017 est publié sous licence MIT (Hugging Face), quelle que soit la puce qui a servi à l'entraîner. Une équipe peut l'héberger elle-même (voir notre guide Ollama).
Pour les clients américains du secteur public, l'ordre du 20 octobre ferme déjà la porte aux produits construits sur DeepSeek, indépendamment de cette collaboration.

Pour comparer DeepSeek à ses concurrents sur le prix et les scores en code, voir aussi le comparatif DeepSeek V4.1 Flash, MiniMax M3.1 Flash, Gemini 4 Argon.

Sources

The Information : How DeepSeek Is Shaping Huawei's AI Chips in a Growing Challenge to Nvidia (19 oct. 2026, payant, chapô seul lu), vérifié le 2026-10-21
Investing.com : DeepSeek teams up with Huawei to challenge Nvidia (19 oct. 2026), vérifié le 2026-10-21
Dealroom : Huawei engineers move into DeepSeek's offices (20 oct. 2026), vérifié le 2026-10-21
Huawei : keynote de David Wang à Huawei Connect 2026 (17 sept. 2026), vérifié le 2026-10-21
BIS : révision de la politique de licences pour les semi-conducteurs exportés vers la Chine (13 janv. 2026), vérifié le 2026-10-21
Federal Register : ordre du DHS sur les produits DeepSeek (20 oct. 2026), vérifié le 2026-10-21
DeepSeek : modèles et tarifs de l'API, vérifié le 2026-10-21

À retenir : la co-conception DeepSeek-Huawei n'est confirmée par aucune des deux entreprises ; la feuille de route Ascend et les prix de l'API DeepSeek, eux, sont publics.

Gemini 4 Argon : près de 25 000 milliards de tokens en 72 heures, trois fois Gemini 3

Wed, 21 Oct 2026 00:00:00 +0000

Google affirme que Gemini 4 Argon, disponible pour tous depuis le 13 octobre 2026, a traité près de 25 000 milliards de tokens dans les 72 heures qui ont suivi son lancement, soit environ trois fois ce que Gemini 3 avait traité sur la même période.

D'où vient le chiffre

Sundar Pichai, PDG de Google, l'a donné dans un entretien au Big Technology Podcast publié le 20 octobre : « Dans les 72 premières heures depuis le lancement, on approche les 25 000 milliards de tokens utilisés, environ trois fois ce que Gemini 3.0 avait fait dans ses 72 premières heures. Et nous manquons de capacité pour le servir » (Big Technology).
Le compte officiel News from Google a repris le chiffre (X), tout comme Koray Kavukcuoglu, vice-président de Google DeepMind et architecte en chef de l'IA chez Google (X).

Un chiffre de Google, non vérifié. Google ne dit pas comment ces tokens se répartissent entre entrée et sortie, entre clients payants et usage interne, ni entre l'application Gemini, la recherche et l'API. Il ne donne pas non plus le volume absolu de Gemini 3 (Aiholics). C'est une mesure d'usage, pas de qualité.

Ce volume est aussi gonflé par la nature du modèle : Argon accepte jusqu'à un million de tokens en entrée et sortie confondues via l'API, et Google le pousse vers des tâches d'agent longues (Google). Une session d'agent de code consomme beaucoup plus de tokens qu'une réponse de chat.

Prix : 2 $ / 10 $, mais seulement jusqu'au 30 novembre

Le prix de 2 $ par million de tokens en entrée et 10 $ en sortie est un prix de lancement. D'après la page de tarifs de l'API Gemini (Google) :

Standard : 2 $ en entrée et 10 $ en sortie (tokens de réflexion compris) jusqu'au 30 novembre 2026, puis 4 $ et 20 $ à partir du 1er décembre.
Cache : 0,10 $ par million de tokens en entrée mis en cache, puis 0,20 $ ; seul le cache implicite est proposé, pas le cache explicite.
Batch et Flex : moitié prix (1 $ et 5 $, puis 2 $ et 10 $).
Pas de palier gratuit pour Argon dans l'API.

Ces prix correspondent à ceux de notre fiche Gemini 4 Argon et du comparateur de modèles ; aucune donnée n'a eu besoin d'être modifiée.

Ce que Google dit de l'usage en code

Sur le blog de lancement, Google indique qu'en interne, Argon dans Antigravity a augmenté de plus de 35 % les soumissions de code par des agents et réduit les retours en arrière (rollbacks) de près d'un tiers (Google).
Sundar Pichai évoque, lui, une hausse de 30 % des modifications de code (CL) en quatre semaines et reconnaît que, même en code, « il y a des poches où nous savons devoir faire mieux » (Big Technology).

Ces chiffres internes ne sont pas mesurés de façon indépendante.

Ce que ça change pour les développeurs

Budget : un agent de code qui tourne sur Argon coûtera deux fois plus cher par token à partir du 1er décembre. Le calculateur de coût permet d'estimer l'écart sur vos volumes.
Capacité : Google dit être limité en capacité pour servir le modèle. Sundar Pichai ajoute qu'un client qui demande aujourd'hui de la capacité de calcul pour 2027 aura « énormément de mal » à l'obtenir. Prévoir une solution de repli en cas de limites d'usage est prudent.
Accès : Argon est disponible via l'API (palier payant d'AI Studio et plateforme Gemini) et, pour les abonnés Google AI Ultra, dans Antigravity. Pour passer de Gemini CLI à Antigravity CLI, voir notre guide.
Alternatives moins chères : le comparatif DeepSeek V4.1 Flash, MiniMax M3.1 Flash, Gemini 4 Argon met en regard Argon et deux modèles « Flash » bien moins chers par token.

Sources

Google : Gemini 4 Argon: Built to solve your hardest problems (13 oct. 2026), vérifié le 2026-10-21
Google AI for Developers : tarifs de l'API Gemini (page mise à jour le 19 oct. 2026), vérifié le 2026-10-21
Big Technology : entretien avec Sundar Pichai (20 oct. 2026), vérifié le 2026-10-21
News from Google sur X (20 oct. 2026), vérifié le 2026-10-21
Koray Kavukcuoglu sur X (oct. 2026), vérifié le 2026-10-21
Aiholics : Gemini 4 Argon hit nearly 25T tokens in 72 hours (20 oct. 2026), vérifié le 2026-10-21

À retenir : 25 000 milliards de tokens en 72 heures est un chiffre d'usage annoncé par Google ; le prix de 2 $/10 $ est un tarif de lancement qui double le 1er décembre 2026.

Scope, DeepInfer, Humming : l'outillage des agents et de l'inférence passe en open source

Wed, 21 Oct 2026 00:00:00 +0000

Entre le 19 et le 21 octobre 2026, quatre projets open source sont sortis autour des agents de code et de l'inférence. Aucun n'est un nouvel agent : ce sont des outils pour mesurer, fiabiliser et faire tourner moins cher ceux qui existent déjà.

Microsoft Scope : tester ce que les agents font de votre produit (19 oct.)

Microsoft a publié Scope, une plateforme d'évaluation des agents de code sous licence MIT, bâtie sur Kubernetes (Microsoft Open Source).

Principe : on donne une tâche, un code de départ et une configuration d'agent ; Scope pilote GitHub Copilot, Claude Code ou VS Code avec Copilot, puis un service « Judge » fondé sur un LLM note le résultat selon des critères organisés en graphe (un test d'exécution peut dépendre d'une compilation réussie).
Traçabilité : appels d'outils, fichiers générés et instantanés de l'espace de travail sont conservés pour remonter à l'étape qui a échoué.
Exemple cité : l'équipe Azure Cosmos DB dit avoir corrigé 20 problèmes de son Agent Kit et 27 de sa documentation ; après une mise à jour ciblée, l'usage des clés de partition hiérarchiques par les agents est passé de 47 % à 100 %.
Limites : pas de version hébergée, il faut déployer Scope soi-même, et Microsoft rappelle que le juge automatique peut se tromper. Codex et OpenCode sont « prévus », Cursor n'est pas intégré (site du projet).

Vercel durable-harness : un agent qui reprend après un crash

Vercel Labs a publié durable-harness (Apache 2.0, version 0.0.1-beta.6 du 19 octobre sur npm), qui fait tourner Pi, OpenCode, fx, Claude Code et Codex comme des workflows durables (GitHub). Chaque appel de modèle et d'outil est inscrit dans le journal de la session : après un plantage, le tour en cours reprend sur une autre machine, et un appel d'outil qui ne doit pas être répété n'est jamais rejoué. Claude Code et Codex ne tournent que dans un Vercel Sandbox dédié à la session. Le projet est marqué expérimental : son API peut changer.

DeepSeek DeepInfer : la pile de production en Apache 2.0 (20 oct.)

DeepSeek a ouvert DeepInfer, le framework d'inférence qui sert son modèle V4.1 Flash (GitHub). Selon DeepSeek, un seul cluster sert aujourd'hui 155 000 milliards de tokens par jour, pour un revenu global de 38 $ par heure de GPU au tarif heures creuses (Q&R de déploiement).

Matériel : GPU NVIDIA SM100 et NPU Huawei Ascend 950.
Ce qui manque : la gestion du cache KV, la séparation prefill/decode et la répartition de charge restent internes ; la version publiée ne fait que de l'inférence hors ligne.
Voir la fiche DeepSeek V4.1-Flash-1017.

vLLM Humming : des noyaux pour modèles quantifiés (21 oct.)

Ant Group et la communauté vLLM ont ouvert Humming, une bibliothèque de noyaux CUDA pour l'inférence quantifiée, intégrée à vLLM à partir de la 0.29.0 (blog vLLM). Sur DeepSeek-V4.1-Flash, avec huit GPU H20, passer les couches MoE de Marlin W4A16 à Humming W4A8 augmente le débit de bout en bout d'environ 14 % à 43 % selon la concurrence, d'après les mesures publiées par vLLM.

Ce que ça change

Les agents deviennent des clients à part entière : avec Scope, une équipe SDK ou MCP peut vérifier si les agents trouvent et utilisent correctement son produit, comme elle testerait une documentation avec des humains.
La fiabilité passe au premier plan : reprendre une tâche longue après un crash évite de repayer les appels de modèle déjà faits.
Le coût d'inférence baisse par le logiciel : DeepInfer et Humming visent le même objectif que les modèles « Flash » (voir notre article), servir plus de tokens avec le même matériel.

Tous les chiffres de cet article sont annoncés par les éditeurs eux-mêmes et n'ont pas été mesurés de façon indépendante.

Mise à jour du site : Trois articles : DeepSeek et Huawei, data centers IA, Gemini 4 Argon

Wed, 21 Oct 2026 00:00:00 +0000

Nouveaux articles sur la co-conception de puces Ascend rapportée entre DeepSeek et Huawei (sources anonymes), sur le papier publié par Brookings qui chiffre à 3 725 Md$ par an les revenus nécessaires pour rentabiliser les data centers IA d'ici 2032, et sur les 25 000 milliards de tokens traités par Gemini 4 Argon en 72 heures. Articles liés ajoutés aux fiches Gemini 4 Argon et DeepSeek V4.1-Flash-1017.

Mise à jour du site : Veille : outils open source pour agents et inférence

Wed, 21 Oct 2026 00:00:00 +0000

Nouvel article sur Microsoft Scope, Vercel durable-harness, DeepSeek DeepInfer et vLLM Humming. Nouveau chiffre clé : 38 $ de revenu par heure de GPU annoncé par DeepSeek pour V4.1 Flash ; source DeepInfer ajoutée à sa fiche.

Mise à jour du site : Comparateur de modèles : trois ajouts et données fiabilisées

Wed, 21 Oct 2026 00:00:00 +0000

Amazon Nova 2 Lite, Granite 4.2 30B (IBM) et Phi-4-reasoning-vision-15B (Microsoft) rejoignent le comparateur, qui passe à 33 modèles. Date de sortie de GPT-6.1 Sol ajoutée ; poids de MiniMax M3.1 Flash confirmés non publiés, avec source.

Mise à jour du site : Pages Benchmarks et Mises à jour

Wed, 21 Oct 2026 00:00:00 +0000

Nouvelle page qui regroupe par benchmark tous les scores de code déjà publiés dans nos données (11 scores DeepSWE v1.1 annoncés par les éditeurs), avec conditions et sources, et ce journal des évolutions du site, aussi repris dans le flux RSS.

Agents de code open source sur GitHub : OpenCode, Cline, OpenHands, Aider

Tue, 20 Oct 2026 00:00:00 +0000

Sur les 20 dépôts de notre classement des dépôts GitHub IA, sept sont des agents de code. Ils n'ont pas tous le même statut : certains sont des projets open source indépendants, d'autres des outils d'éditeurs publiés sous licence libre, et un dépôt très suivi n'est pas open source du tout. Chiffres relevés via l'API GitHub le 2026-10-20.

Quatre agents open source indépendants

OpenCode (anomalyco/opencode) : « l'agent de code IA open source », selon son README. Il s'installe en ligne de commande (script, npm, Homebrew, Arch, Nix) et existe en application de bureau, en bêta, pour macOS, Windows et Linux. Licence MIT, 218 744 étoiles, 29 184 forks. Dernière version publiée sur GitHub : v1.19.3, le 16 octobre 2026 (GitHub) ; la v2 est distribuée sur npm (voir la fiche OpenCode).
Cline (cline/cline) : agent disponible en CLI (avec un mode sans interface pour la CI/CD et les scripts), en application de bureau pour macOS et Windows, en extension VS Code (avec validation humaine des actions), en plugin JetBrains et en SDK Node.js pour bâtir ses propres agents, d'après son README. Licence Apache-2.0, 70 722 étoiles, 7 727 forks, dernier push le 20 octobre 2026. Voir la fiche Cline.
OpenHands (OpenHands/OpenHands, ex-All-Hands-AI) : le README présente « Agent Canvas », un centre de contrôle auto-hébergé qui lance l'agent OpenHands ou des agents tiers (Claude Code, Codex, Gemini CLI, Pi, OpenCode, ou tout agent compatible ACP), en local par défaut, ou sur Docker, des VM ou une infrastructure d'entreprise. Licence MIT, 91 404 étoiles, 12 125 forks. Version v1.28.1 publiée le 19 octobre 2026 (GitHub).
Aider (Aider-AI/aider) : programmation en binôme avec un LLM dans le terminal. Le README met en avant une carte du dépôt, des commits Git automatiques, plus de 100 langages, le lint et les tests après chaque modification, et la connexion à des modèles cloud ou locaux. Licence Apache-2.0, 49 663 étoiles, 5 088 forks. Dernière version : v0.86.0, le 9 août 2025 (GitHub) ; dernier push le 22 mai 2026. Voir la fiche Aider.

Les CLI d'éditeurs sous licence libre

Codex CLI (openai/codex) : l'agent d'OpenAI « qui tourne en local sur votre ordinateur », selon le README, qui renvoie aussi vers l'extension d'éditeur, l'application de bureau et Codex Web. Licence Apache-2.0, 130 181 étoiles, 20 519 forks. Voir la fiche Codex.
Gemini CLI (google-gemini/gemini-cli) : agent open source qui amène Gemini dans le terminal. Licence Apache-2.0, 107 470 étoiles, 14 744 forks. Son README précise que, pour les utilisateurs gratuits et Google One, Gemini CLI a été remplacé par Antigravity CLI le 18 juin 2026, et qu'il n'est pas optimisé pour Gemini 4 Argon.

Un dépôt public, mais pas open source

Claude Code (anthropics/claude-code) compte 152 673 étoiles et 26 709 forks, mais son fichier de licence indique « © Anthropic PBC. All rights reserved » et soumet l'usage aux conditions commerciales d'Anthropic. Le dépôt sert au suivi des tickets, aux notes de version et à des plugins. Voir la fiche Claude Code.

Ce que montrent les chiffres

OpenCode, loin devant : avec 218 744 étoiles, il dépasse à lui seul le total de Cline, OpenHands et Aider réunis (211 789).
Des dépôts récents : OpenCode, Codex CLI et Gemini CLI ont été créés en avril 2025, Claude Code en février 2025, d'après l'API. Cline date de juillet 2024, OpenHands de mars 2024, Aider de mai 2023.
Deux licences permissives : les six agents open source sont sous MIT (OpenCode, OpenHands) ou Apache-2.0 (Cline, Aider, Codex CLI, Gemini CLI). Ces deux licences autorisent l'usage commercial et la modification ; Apache-2.0 ajoute une licence explicite sur les brevets.
Des rythmes différents : six des sept dépôts ont reçu un push le 20 octobre 2026. Aider est le seul sans version publiée depuis plus d'un an.

Points d'attention avant d'adopter un agent

Vérifier l'état de maintenance : deux agents populaires ne sont plus actifs. Le README de Continue (36 273 étoiles) indique que le dépôt n'est plus maintenu et passe en lecture seule ; Roo Code (24 273 étoiles) est archivé sur GitHub.
Distinguer dépôt public et logiciel libre : un dépôt visible ne donne pas le droit de modifier ou redistribuer le code. Lire le fichier LICENSE.
Suivre les canaux de distribution : OpenCode publie sa v1 sur GitHub et sa v2 sur npm ; Gemini CLI renvoie une partie de ses utilisateurs vers un autre outil.

Les limites

Les étoiles et les forks mesurent l'intérêt porté aux dépôts, pas la qualité des agents ni leurs résultats sur du code réel. Pour comparer les fonctions et les prix, voir le comparatif OpenCode, Aider et Cline et notre classement des dépôts GitHub IA d'octobre 2026.

À retenir : les agents de code open source les plus suivis sont sous MIT ou Apache-2.0, mais la popularité d'un dépôt ne garantit ni sa licence ni sa maintenance.

Les dépôts GitHub IA les plus suivis par les développeurs (octobre 2026)

Tue, 20 Oct 2026 00:00:00 +0000

Nous avons relevé le 20 octobre 2026, via l'API GitHub, les étoiles, les forks, la licence déclarée et la date du dernier push de 20 dépôts publics qui comptent pour les développeurs qui codent avec l'IA. Le classement complet, filtrable par type, est sur notre page Dépôts GitHub IA.

La méthode

Trois critères : le dépôt relève de l'IA pour les développeurs (agents de code, éditeurs, modèles ouverts, inférence, frameworks d'agents, MCP, évaluation) ; il compte plus de 5 000 étoiles ; il a reçu au moins un push dans les douze derniers mois et n'est ni archivé ni déclaré en lecture seule. Tous les chiffres viennent de l'API GitHub (documentation), vérifiés le 2026-10-20. Une étoile signale l'intérêt d'un utilisateur GitHub pour un dépôt : ce n'est ni une mesure d'usage, ni un gage de qualité.

Le top 10

1. OpenCode (anomalyco/opencode) : 218 744 étoiles, 29 184 forks, MIT.
2. Ollama (ollama/ollama) : 184 067 étoiles, 18 450 forks, MIT.
3. Transformers (huggingface/transformers) : 167 911 étoiles, 34 922 forks, Apache-2.0.
4. Open WebUI (open-webui/open-webui) : 156 281 étoiles, 22 749 forks, licence propre au projet.
5. Claude Code (anthropics/claude-code) : 152 673 étoiles, 26 709 forks, licence propriétaire.
6. LangChain (langchain-ai/langchain) : 148 143 étoiles, 24 862 forks, MIT.
7. llama.cpp (ggml-org/llama.cpp) : 131 835 étoiles, 24 598 forks, MIT.
8. Codex CLI (openai/codex) : 130 181 étoiles, 20 519 forks, Apache-2.0.
9. Gemini CLI (google-gemini/gemini-cli) : 107 470 étoiles, 14 744 forks, Apache-2.0.
10. vLLM (vllm-project/vllm) : 94 386 étoiles, 23 660 forks, Apache-2.0.

Suivent Zed (91 957), les serveurs MCP de référence (91 419), OpenHands (91 404), Cline (70 722), CrewAI (59 922), Aider (49 663), LangGraph (43 592), le SDK Python de MCP (24 624), gpt-oss (20 479) et SWE-bench (6 063).

Ce que disent les chiffres

Les agents de code dominent. Les sept agents de la liste (OpenCode, Claude Code, Codex CLI, Gemini CLI, OpenHands, Cline, Aider) totalisent 820 857 étoiles, soit 40 % des 2 041 536 étoiles des 20 dépôts. Viennent ensuite les outils d'inférence et d'exécution locale (Ollama, Open WebUI, llama.cpp, vLLM) avec 566 569 étoiles.

Des dépôts jeunes en tête. Quatre des neuf premiers sont des agents dont le dépôt a été créé en 2025 : Claude Code (22 février), Codex CLI (13 avril), Gemini CLI (17 avril) et OpenCode (30 avril), selon la date de création renvoyée par l'API. Rapporté à son âge, OpenCode a gagné en moyenne environ 12 400 étoiles par mois depuis sa création, contre environ 1 750 pour Transformers, créé en octobre 2018 (calcul OrigoTech à partir des chiffres de l'API).

Des forks plus nombreux côté infrastructure. Le rapport forks/étoiles atteint 25 % pour vLLM et 21 % pour Transformers, contre 13 % pour OpenCode et 10 % pour Ollama. Un fork est souvent le point de départ d'une contribution ou d'une adaptation interne ; ce ratio ne dit rien, à lui seul, du nombre de contributeurs.

Une activité quasi continue. 18 dépôts sur 20 ont reçu un push en octobre 2026. Les deux exceptions : SWE-bench (dernier push le 18 septembre 2026) et Aider (22 mai 2026), dont la dernière version publiée reste la v0.86.0 du 9 août 2025 (GitHub).

Licences : pas tous open source

Neuf dépôts sont sous MIT et sept sous Apache-2.0. Quatre font exception : Claude Code, dont le fichier de licence indique « © Anthropic PBC. All rights reserved » et renvoie aux conditions commerciales d'Anthropic ; Open WebUI, sous une licence propre au projet ; Zed, qui combine des fichiers de licence GPL et Apache ; et les serveurs MCP, en transition de MIT vers Apache-2.0 selon leur fichier LICENSE. Un dépôt public très suivi n'est donc pas forcément un logiciel libre.

Les absents

Certains dépôts populaires ne remplissent pas nos critères : DeepSeek-V3 et DeepSeek-R1 n'ont reçu aucun push depuis août et juin 2025 ; le README de Continue indique que le dépôt n'est plus maintenu et passe en lecture seule ; celui d'AutoGen (Microsoft) annonce un projet archivé ; Roo Code est archivé sur GitHub.

Les limites

Les étoiles se cumulent depuis la création du dépôt : elles mesurent une popularité accumulée, pas l'usage actuel. Elles ne comptent pas non plus les installations par npm, Homebrew ou les extensions d'éditeur. Pour comparer les agents sur le fond, voir notre analyse des agents de code open source sur GitHub et le comparatif OpenCode, Aider et Cline.

À retenir : sur 20 dépôts IA majeurs, les agents de code concentrent 40 % des étoiles, et quatre d'entre eux ont moins de deux ans.

Choisir son agent de code selon son budget : gratuit, 20 $/mois ou entreprise

Tue, 20 Oct 2026 00:00:00 +0000

Les agents de code se vendent selon trois logiques : un abonnement qui inclut un quota d'usage, une facturation au token via une clé d'API, ou un outil gratuit qui vous laisse payer le fournisseur du modèle. Ce guide range les offres par palier de prix, à partir des fiches de l'annuaire OrigoTech et des pages de tarifs officielles, vérifiées le 2026-10-20. Il ne classe pas les outils : les quotas inclus diffèrent d'une offre à l'autre et ne se comparent pas directement. Prix en dollars, tels qu'affichés par les éditeurs.

Gratuit (0 $)

Codex : inclus dans ChatGPT Free, avec GPT-6 Luna dans l'application de bureau (déploiement progressif) (OpenAI).
GitHub Copilot Free : 2 000 complétions et 50 requêtes de chat par mois (GitHub).
Cursor Free : usage de l'IA limité (Cursor).
Devin Desktop Free : quota léger, modèles limités (Devin).
Junie Free to Start : modèle gratuit Junie Lite, ou vos propres clés d'API au tarif du fournisseur (JetBrains).
Zed Personal : usage illimité avec vos clés d'API ou des agents externes (Zed).
Qoder Free, avec un essai de Pro de deux semaines (Qoder).
Outils open source, modèle à vos frais : OpenCode (licence MIT), Cline (gratuit pour les individuels, inférence à l'usage) et Aider sont gratuits ; vous payez le fournisseur du modèle choisi, ou rien avec un modèle local (voir notre guide Ollama).

Claude Code n'a pas d'offre gratuite : le forfait gratuit de Claude ne l'inclut pas (Anthropic). Côté Google, Gemini CLI ne sert plus les comptes gratuits depuis le 18 juin 2026 ; voir Passer de Gemini CLI à Antigravity CLI.

Autour de 20 $ par mois

Claude Pro (Claude Code inclus) : 17 $/mois en annuel (200 $ payés d'avance), 20 $ au mois (Anthropic).
ChatGPT Plus (Codex sur le web, en CLI, dans l'IDE et sur iOS, avec GPT-6.1 Sol) : 20 $/mois ; l'offre Go, à 8 $, vise les tâches légères (OpenAI).
Copilot Pro : 10 $/mois, avec 15 $ de crédits IA par mois ; Pro+ : 39 $/mois, 70 $ de crédits (GitHub).
Cursor Plus : 8 $/mois, limité aux modèles Grok ; Premium : 30 $/mois, 4 fois l'usage de Plus (Cursor).
Devin Desktop Pro : 20 $/mois (Devin).
Qoder Pro : 20 $/mois (Qoder).
Zed Pro : 10 $/mois, avec 5 $ de tokens inclus, puis le prix catalogue de l'API majoré de 10 % (Zed).
JetBrains AI Pro (Junie) : 8,33 $ par utilisateur et par mois en facturation annuelle, 10 crédits IA par 30 jours (JetBrains).

Usage intensif (100 $ par mois et plus)

Claude Max : à partir de 100 $/mois, 5 ou 20 fois l'usage de Pro.
ChatGPT Pro : 100 $, 200 $ ou 500 $/mois.
Copilot Max : 100 $/mois, 200 $ de crédits IA.
Cursor Super : 100 $/mois ; Ultra : 200 $/mois.
Devin Desktop Max : 200 $/mois.
Qoder : Pro+ à 60 $, Ultra à 200 $/mois.
JetBrains AI Ultimate : 25 $ par utilisateur et par mois en annuel, 35 crédits IA par 30 jours.

Équipes et entreprises

Claude Team : 20 $ par siège et par mois en annuel (25 $ au mois), siège Premium à 100 $ (125 $ au mois), de 2 à 150 personnes. Enterprise : 20 $ par siège et par mois en annuel plus l'usage aux tarifs de l'API, 20 sièges minimum (Anthropic).
ChatGPT Business (Codex) : 20 $ par utilisateur et par mois en annuel (25 $ au mois), deux utilisateurs minimum (OpenAI).
Cursor Teams : à partir de 30 $ par utilisateur et par mois, facturation centralisée et SSO.
Devin Desktop Teams : 80 $/mois plus 40 $/mois par siège complet, jusqu'à 200 utilisateurs ; Enterprise sur devis.
Zed Business : 30 $ par siège et par mois.
Cline Enterprise : sur devis, avec extension JetBrains, SSO et SLA (Cline).

Les offres Business et Enterprise de GitHub Copilot ne figurent pas encore dans notre fiche ; consultez la page des forfaits.

Payer à l'usage avec une clé d'API

Codex, Claude Code (compte Console), Cline, OpenCode, Aider, Junie et Zed acceptent une facturation au token, directement chez le fournisseur du modèle. Le coût dépend alors du modèle et du volume. Anthropic donne un ordre de grandeur pour Claude Code sur ses déploiements en entreprise : environ 13 $ par développeur et par jour d'activité, 150 à 250 $ par mois, sous 30 $ par jour actif pour 90 % des utilisateurs (Anthropic). Les prix par million de tokens de 27 modèles, de 0,10 $ à 10 $ en entrée, sont rassemblés dans le comparateur de modèles.

Pour comparer en détail

Comparatifs rédigés : Claude Code, Codex ou GitHub Copilot, Cursor, Devin Desktop ou Copilot, OpenCode, Aider et Cline.
Face-à-face : Claude Code vs Codex, Codex vs GitHub Copilot, Cursor vs Devin Desktop, Cursor vs Zed, Cline vs OpenCode.
Toutes les offres détaillées : l'annuaire des outils et la page Comparatifs.

Sources

Anthropic : tarifs Claude, vérifié le 2026-10-20
Claude Code Docs : Manage costs effectively, vérifié le 2026-10-20
OpenAI : tarifs de Codex, vérifié le 2026-10-20
GitHub : forfaits Copilot, vérifié le 2026-10-20
Cursor : tarifs, vérifié le 2026-10-20
Devin : tarifs, vérifié le 2026-10-20
Zed : tarifs, vérifié le 2026-10-20
JetBrains : Junie, vérifié le 2026-10-20
Qoder : tarifs et Cline : tarifs, relevés dans les fiches de l'annuaire mises à jour le 2026-10-20

À retenir : la plupart des agents ont une offre gratuite limitée et une première offre payante entre 8 et 20 $ par mois ; Claude Code fait exception, sans offre gratuite, et les outils open source déplacent le coût vers le fournisseur du modèle.

Installer et prendre en main Claude Code : le guide pas à pas

Tue, 20 Oct 2026 00:00:00 +0000

Claude Code est l'agent de code d'Anthropic : il lit votre projet, propose des modifications et exécute des commandes depuis le terminal, un IDE, l'application de bureau ou le web. Ce guide suit la documentation officielle ; chaque commande y a été vérifiée le 2026-10-20. Pour les chiffres d'usage et les offres, voir la fiche Claude Code.

Avant de commencer

Systèmes : macOS 13.0 ou plus récent, Windows 10 1809 ou plus récent (ou Windows Server 2019), Ubuntu 20.04+, Debian 10+, Alpine Linux 3.19+ (Anthropic).
Matériel : 4 Go de RAM au minimum, processeur x64 ou ARM64. Une connexion Internet est obligatoire.
Shell : Bash, Zsh, PowerShell ou CMD.
Pays : Claude Code n'est proposé que dans les pays pris en charge par Anthropic.
Compte : un abonnement Claude Pro, Max, Team ou Enterprise, ou un compte Claude Console (API à crédits prépayés). Le forfait gratuit de claude.ai n'inclut pas Claude Code. Amazon Bedrock, Google Cloud et Microsoft Foundry sont aussi acceptés.

Installer Claude Code

L'installateur natif est la méthode recommandée par Anthropic ; il se met à jour automatiquement en arrière-plan.

macOS, Linux et WSL :

curl -fsSL https://claude.ai/install.sh | bash

Windows PowerShell :

irm https://claude.ai/install.ps1 | iex

Windows CMD :

curl -fsSL https://claude.ai/install.cmd -o install.cmd && install.cmd && del install.cmd

L'installation n'affiche aucune progression pendant le téléchargement. Ouvrez ensuite un nouveau terminal. Deux alternatives existent, sans mise à jour automatique par défaut :

brew install --cask claude-code

winget install Anthropic.ClaudeCode

Le cask Homebrew claude-code suit le canal stable (environ une semaine de retard, sans les versions à régression majeure) ; claude-code@latest reçoit chaque version dès sa sortie. Des dépôts signés apt, dnf et apk existent aussi pour Debian, Fedora, RHEL et Alpine.

Avec npm : le paquet exige Node.js 22 ou plus récent et installe le même binaire natif. Anthropic déconseille sudo npm install -g (problèmes de permissions et de sécurité).

npm install -g @anthropic-ai/claude-code

Notes pour Windows

Claude Code tourne nativement sous Windows ou dans WSL. L'installation native ne demande pas de droits administrateur. Git pour Windows est facultatif : s'il est présent, Claude Code utilise Git Bash pour son outil Bash ; sinon, il passe par PowerShell. Le sandboxing (exécution isolée des commandes) n'est pris en charge qu'avec WSL 2. Dans WSL, installez et lancez claude depuis le terminal Linux, pas depuis PowerShell.

Vérifier l'installation

claude --version

La commande affiche un numéro de version suivi de « (Claude Code) ». Si le terminal répond que claude est introuvable, le dossier d'installation n'est pas encore dans le PATH. Pour un diagnostic plus complet, sans ouvrir de session :

claude doctor

Première session

Placez-vous dans un projet et lancez l'agent :

cd /path/to/your/project
claude

Au premier lancement, Claude Code ouvre le navigateur pour vous connecter ; les identifiants sont ensuite conservés. Si la variable ANTHROPIC_API_KEY est définie et que vous l'approuvez, l'étape de connexion est sautée. Avec un compte Console, un espace de travail « Claude Code » est créé automatiquement pour suivre les coûts.

Commencez par des questions simples, en anglais ou en français, par exemple :

what does this project do?

Puis une petite modification. Claude Code montre le changement et demande votre accord selon le mode de permission de la session ; Shift+Tab fait défiler ces modes.

add a hello world function to the main file

Les commandes essentielles, d'après le guide de démarrage d'Anthropic (quickstart) :

claude "task" démarre une session avec une première consigne (ex. claude "fix the build error") ; claude -p "query" répond une fois puis quitte ;
claude -c reprend la dernière conversation du dossier ; claude -r permet d'en choisir une plus ancienne ;
dans la session : /help liste les commandes, /resume reprend une conversation, /login change de compte, /clear efface l'historique, /exit (ou deux fois Ctrl+D) quitte.

Coût et forfaits

Claude Code est inclus dans les forfaits payants de Claude (Anthropic, vérifié le 2026-10-20) :

Pro : 17 $/mois en facturation annuelle (200 $ payés d'avance), 20 $ au mois ;
Max : à partir de 100 $/mois, avec 5 ou 20 fois l'usage de Pro ;
Team : siège standard à 20 $/mois en annuel (25 $ au mois), siège Premium à 100 $ (125 $ au mois), de 2 à 150 personnes ;
Enterprise : 20 $ par siège et par mois en annuel, plus l'usage aux tarifs de l'API, 20 sièges minimum.

Avec un compte Console, l'usage est facturé au token. Anthropic indique que, sur ses déploiements en entreprise, le coût moyen est d'environ 13 $ par développeur et par jour d'activité, et de 150 à 250 $ par développeur et par mois, sous 30 $ par jour actif pour 90 % des utilisateurs (Anthropic). La commande /usage affiche la consommation de la session ; pour les abonnés Pro et Max, l'usage est inclus dans le forfait. Pour situer ces offres face aux autres agents, voir notre guide Choisir son agent de code selon son budget.

Intégrer Claude Code à votre IDE

VS Code et Cursor : l'extension officielle demande VS Code 1.94.0 ou plus récent et un compte Claude payant ou Console, sans clé API (Anthropic). Ouvrez la vue Extensions (Cmd+Shift+X sur Mac, Ctrl+Shift+X sous Windows et Linux), cherchez « Claude Code » puis installez. L'extension embarque sa propre copie de la CLI ; pour lancer claude dans le terminal intégré, installez aussi la CLI. Les autres forks de VS Code (Devin Desktop, Kiro) passent par le registre Open VSX.

JetBrains (IntelliJ IDEA, PyCharm, Android Studio, WebStorm, PhpStorm, GoLand) : le plugin n'embarque pas la CLI. Installez d'abord la CLI, puis le plugin Claude Code depuis la Marketplace JetBrains, et redémarrez l'IDE (Anthropic). Lancez claude dans le terminal intégré, ou tapez /ide dans une session ouverte depuis un terminal externe. Le raccourci Cmd+Esc (Mac) ou Ctrl+Esc (Windows et Linux) ouvre Claude Code depuis l'éditeur.

Mettre à jour et désinstaller

Les installations natives se mettent à jour seules. Pour forcer la mise à jour :

claude update

Avec Homebrew : brew upgrade claude-code ; avec WinGet : winget upgrade Anthropic.ClaudeCode. Pour supprimer une installation native sous macOS, Linux ou WSL :

rm -f ~/.local/bin/claude
rm -rf ~/.local/share/claude

Pour aller plus loin

Connecter Claude Code à vos outils : Configurer un serveur MCP.
Comparer : Claude Code, Codex ou GitHub Copilot, Claude Code vs Codex, alternatives à Claude Code.
Vocabulaire : agent de code et fenêtre de contexte dans le glossaire.

Sources

Claude Code Docs : Advanced setup, vérifié le 2026-10-20
Claude Code Docs : Quickstart, vérifié le 2026-10-20
Claude Code Docs : Manage costs effectively, vérifié le 2026-10-20
Claude Code Docs : Use Claude Code in VS Code, vérifié le 2026-10-20
Claude Code Docs : JetBrains IDEs, vérifié le 2026-10-20
Anthropic : tarifs Claude, vérifié le 2026-10-20

À retenir : Claude Code s'installe en une commande sur macOS, Linux et Windows, mais demande un forfait Claude payant ou un compte Console ; l'extension VS Code embarque la CLI, le plugin JetBrains non.

Passer de Gemini CLI à Antigravity CLI : installation et migration

Tue, 20 Oct 2026 00:00:00 +0000

Google a annoncé le 19 mai 2026 le remplacement de Gemini CLI par Antigravity CLI pour les comptes individuels (Google Developers Blog). La bascule a eu lieu le 18 juin 2026. Ce guide résume qui est concerné, puis détaille l'installation et la migration d'après la documentation officielle d'Antigravity, vérifiée le 2026-10-20.

Qui est concerné ?

Concernés : depuis le 18 juin 2026, Gemini CLI et les extensions IDE Gemini Code Assist ne servent plus les abonnés Google AI Pro et AI Ultra, ni les utilisateurs gratuits de Gemini Code Assist pour les particuliers. L'option « Login with Google » ne permet plus d'accéder à Gemini CLI (Google).
Non concernés : les organisations sous licence Gemini Code Assist Standard ou Enterprise, ou qui utilisent Gemini Code Assist for GitHub via Google Cloud. Gemini CLI reste aussi accessible avec des clés d'API payantes Gemini ou Gemini Enterprise Agent Platform (Google Developers Blog). La page de dépréciation de Google précise que les abonnements Standard et Enterprise suivent un calendrier distinct (Google).

Selon Google, Antigravity CLI n'offre pas une parité complète dès le départ, mais conserve les fonctions jugées essentielles : Agent Skills, Hooks, sous-agents et extensions, rebaptisées plugins. Écrit en Go, il partage le même moteur d'agents que l'application de bureau Antigravity 2.0.

Installer Antigravity CLI

La commande s'appelle agy (Antigravity).

macOS, Linux et Googlebook (binaire installé dans ~/.local/bin/agy) :

curl -fsSL https://antigravity.google/cli/install.sh | bash

Windows PowerShell (binaire dans C:\Users\<username>\AppData\Local\agy\bin) :

irm https://antigravity.google/cli/install.ps1 | iex

Windows CMD :

curl -fsSL https://antigravity.google/cli/install.cmd -o install.cmd && install.cmd && del install.cmd

Vérifiez l'installation dans un nouveau terminal :

agy --version

Au premier lancement, l'assistant de configuration demande un thème de couleurs et un mode d'affichage (plein écran ou à la suite dans l'historique du terminal).

Se connecter

Au lancement, agy cherche une session dans le trousseau sécurisé du système (Trousseau d'accès sur macOS, Secret Service sous Linux, Gestionnaire d'identification sous Windows). S'il n'en trouve pas, il ouvre le navigateur : connectez-vous avec un compte Google personnel (forfait gratuit, Pro ou Ultra) ou choisissez « Business account » pour un compte Gemini Enterprise (Antigravity). En SSH, la CLI propose une URL à ouvrir manuellement.

Migrer sa configuration Gemini CLI

Au premier lancement, si agy détecte une configuration Gemini CLI, une liste à cocher propose de convertir les extensions et réglages globaux et de transférer les jetons de session dans le trousseau du système (Antigravity).

Manuellement, pour convertir les extensions Gemini en plugins Antigravity :

agy plugin import gemini

La commande parcourt les anciens dossiers locaux et convertit skills, commandes (transformées en skills) et définitions de serveurs MCP.

Ce qui ne change pas : les fichiers de contexte GEMINI.md et AGENTS.md du projet, ainsi que le fichier global ~/.gemini/GEMINI.md, sont lus tels quels.

Ce qui change :

Skills globaux : de ~/.gemini/skills/ vers ~/.gemini/antigravity-cli/skills/.
Skills du projet : de .gemini/skills/ vers .agents/skills/. Ce déplacement est à faire à la main pour que l'agent les reconnaisse.
Serveurs MCP : ils ne sont plus déclarés dans ~/.gemini/settings.json mais dans des fichiers dédiés, ~/.gemini/config/mcp_config.json (globaux) et .agents/mcp_config.json (projet).
Serveurs MCP distants : en migration manuelle, la clé url ou httpUrl devient serverUrl.

Exemple officiel de mcp_config.json :

{
  "mcpServers": {
    "remote-indexer": {
      "serverUrl": "https://mcp.internal.enterprise.com/sse",
      "env": {
        "AUTH_TOKEN": "secure_alpha_token"
      }
    }
  }
}

Certains thèmes de terminal personnalisés ou affichages expérimentaux de Gemini CLI peuvent ne pas être repris. Pour les principes de configuration MCP communs aux autres agents, voir notre guide Configurer un serveur MCP.

Quotas et forfaits

Antigravity est accessible aux comptes individuels sous conditions dérivées des conditions d'utilisation de Google (Antigravity). Tous les forfaits incluent les modèles Gemini, dont Gemini 3.8 Flash, comme modèle d'agent principal, et l'accès à la CLI. Les limites varient :

Sans forfait Google AI Pro ou Ultra : un quota hebdomadaire et une limite de débit hebdomadaire ;
Google AI Pro : un quota rechargé toutes les cinq heures, jusqu'à une limite hebdomadaire plus élevée ;
Google AI Ultra : le quota le plus élevé, rechargé toutes les cinq heures, et l'accès à des modèles tiers.

Les abonnés Pro et Ultra peuvent acheter des crédits IA pour dépasser leur quota. Google ne propose pas d'utiliser sa propre clé d'API (BYOK) pour obtenir des limites supplémentaires. Dans la CLI, /usage affiche la consommation par modèle et /credits le solde de crédits (référence des commandes).

Commandes utiles

/model choisit le modèle (le choix persiste d'une session à l'autre) ;
/mcp ouvre le gestionnaire de serveurs MCP ; /plugin celui des plugins ;
/resume reprend une conversation précédente ; /rewind revient à un message antérieur ;
/permissions règle les autorisations des outils ; /exit quitte.

Pour aller plus loin

Le modèle phare de Google : fiche Gemini 4 Argon, disponible dans Antigravity CLI selon Google, mais pas dans l'IDE Antigravity.
Les autres options gratuites ou bon marché : Choisir son agent de code selon son budget.
Gemini CLI parmi les agents les plus suivis : agents de code open source sur GitHub.

Sources

Google Developers Blog : An important update: Transitioning Gemini CLI to Antigravity CLI (19 mai 2026), vérifié le 2026-10-20
Google : Gemini Code Assist consumer accounts, vérifié le 2026-10-20
Antigravity Docs : Getting started, vérifié le 2026-10-20
Antigravity Docs : Authenticate, vérifié le 2026-10-20
Antigravity Docs : Migration (Gemini CLI), vérifié le 2026-10-20
Antigravity Docs : Plans, vérifié le 2026-10-20
Antigravity Docs : CLI commands, vérifié le 2026-10-20

À retenir : les comptes Google individuels doivent passer à Antigravity CLI (agy), qui importe extensions et serveurs MCP ; seuls les skills de projet sont à déplacer à la main vers .agents/skills/.

Faire tourner un modèle de code en local avec Ollama

Tue, 20 Oct 2026 00:00:00 +0000

Ollama télécharge et exécute des modèles de langage sur votre machine, puis les expose par une API locale sur http://localhost:11434. Un agent de code peut s'y brancher pour travailler sans envoyer votre code à un fournisseur d'API. Ce guide suit la documentation d'Ollama, vérifiée le 2026-10-20 ; les limites matérielles sont détaillées à la fin.

Installer Ollama

macOS : macOS Sonoma (v14) ou plus récent. Les puces Apple M sont prises en charge sur le CPU et le GPU, les Mac Intel sur le CPU seulement (Ollama). La méthode préférée consiste à ouvrir ollama.dmg et à glisser l'application dans le dossier Applications ; au démarrage, elle propose de créer le lien de la commande ollama dans /usr/local/bin. La page de téléchargement propose aussi l'installation en ligne de commande, identique à celle de Linux.

Linux (Ollama) :

curl -fsSL https://ollama.com/install.sh | sh

Windows : Windows 10 22H2 ou plus récent, éditions Home ou Pro. L'installation ne demande pas de droits administrateur, se fait dans le dossier personnel et occupe au moins 4 Go (Ollama). Depuis PowerShell, selon la page de téléchargement :

irm https://ollama.com/install.ps1 | iex

Vérifiez ensuite que la commande répond :

ollama -v

Prévoyez de l'espace disque : les modèles pèsent de quelques dizaines à quelques centaines de gigaoctets selon Ollama. Sous Windows, la variable OLLAMA_MODELS permet de les stocker ailleurs que dans le dossier personnel.

Choisir un modèle adapté au code

La bibliothèque d'Ollama propose des familles spécialisées dans le code. Deux exemples courants, avec les chiffres de leurs pages officielles :

qwen3-coder (Alibaba) : la version 30b pèse 19 Go, compte 30 milliards de paramètres dont 3,3 milliards actifs (architecture à mélange d'experts) et accepte 256 000 tokens de contexte. La version 480b pèse 290 Go et demande au moins 250 Go de mémoire, ou de mémoire unifiée, pour tourner en local (Ollama).
qwen2.5-coder : six tailles, de 0.5b (398 Mo) à 32b (20 Go), toutes avec une fenêtre de contexte de 32 000 tokens (Ollama).

Pour télécharger et lancer qwen3-coder 30B, la commande de sa page officielle :

ollama run qwen3-coder:30b

Les modèles qui savent appeler des outils, indispensables à un agent, sont filtrables dans la bibliothèque. La page d'un modèle n'indique pas toujours la mémoire nécessaire : comparez la taille du fichier à la mémoire de votre carte graphique, ou à la mémoire unifiée d'un Mac.

Régler la fenêtre de contexte

C'est le réglage qui compte le plus pour un agent. Par défaut, Ollama choisit la fenêtre de contexte selon la mémoire vidéo (VRAM) disponible (Ollama) :

moins de 24 Gio de VRAM : 4 000 tokens ;
de 24 à 48 Gio : 32 000 tokens ;
48 Gio ou plus : 256 000 tokens.

Ollama recommande au moins 64 000 tokens pour les agents et les outils de code. Le réglage se fait avec le curseur des paramètres de l'application, ou au lancement du serveur :

OLLAMA_CONTEXT_LENGTH=64000 ollama serve

Un contexte plus grand consomme plus de mémoire. Vérifiez où tourne le modèle : la colonne PROCESSOR doit indiquer 100% GPU ; une valeur comme 48%/52% CPU/GPU signifie qu'une partie du modèle a débordé dans la mémoire système, ce qu'Ollama conseille d'éviter pour garder de bonnes performances.

ollama ps

Brancher un agent de code

**Le plus simple : ollama launch.** Depuis le dossier du projet, Ollama configure et démarre l'agent choisi, et propose de l'installer s'il manque (Ollama) :

ollama launch opencode

La même commande existe pour Claude Code (ollama launch claude) et pour Codex CLI (ollama launch codex, après avoir installé Codex CLI). Choisissez ensuite un modèle dans la liste.

OpenCode, configuration manuelle (Ollama). OpenCode exige une fenêtre de contexte de 64 000 tokens ou plus : les modèles limités à 32 000 tokens, comme qwen2.5-coder, ne suffisent donc pas. Installation :

curl -fsSL https://opencode.ai/install | bash

npm install -g opencode-ai

Déclarez ensuite Ollama comme fournisseur dans opencode.json (exemple officiel, avec le modèle qwen3.5) :

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "ollama": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "Ollama",
      "options": {
        "baseURL": "http://localhost:11434/v1"
      },
      "models": {
        "qwen3.5": {
          "name": "qwen3.5"
        }
      }
    }
  }
}

Puis lancez opencode. Note : ollama launch opencode n'écrase pas ~/.config/opencode/opencode.json.

Cline, dans l'IDE (Ollama) :

Ouvrez les réglages de Cline, section API Configuration, et choisissez Ollama comme API Provider.
Sélectionnez un modèle sous Model, ou tapez son nom.
Portez la fenêtre de contexte à au moins 32 000 tokens sous Context Window.

Et Continue ? Son dépôt GitHub indique qu'il n'est plus maintenu et passe en lecture seule (voir notre article sur les agents de code open source sur GitHub). Aider, autre agent open source, accepte aussi un modèle local selon sa fiche.

Les limites matérielles

Cartes NVIDIA : capacité de calcul 5.0 ou plus et pilote 550 ou plus récent ; les cartes de capacité 5.0 à 6.2 demandent le pilote 570 (Ollama). Sous Windows, pilote NVIDIA 551.61 ou plus récent.
Cartes AMD sous Windows : pile ROCm v7 / HIP7, ou pilote Radeon compatible Vulkan ; Vulkan est le repli recommandé pour certaines cartes RX 6000.
Mac : accélération GPU sur puces Apple M uniquement ; un Mac Intel tourne sur le CPU.
Mémoire : pour de meilleures performances, Ollama conseille d'éviter que le modèle, contexte compris, déborde de la mémoire graphique vers le CPU. Sous 24 Gio de VRAM, la fenêtre par défaut (4 000 tokens) est trop courte pour un agent : il faut l'augmenter, au prix de plus de mémoire.
Disque : prévoir plusieurs dizaines de gigaoctets par modèle de taille moyenne (19 Go pour qwen3-coder 30B).

Un modèle local ne coûte rien à l'usage, mais ses résultats ne se comparent pas directement à ceux des modèles de pointe : consultez le comparateur de modèles pour les scores publiés par les éditeurs.

Pour aller plus loin

Les agents compatibles : OpenCode, Cline, Aider ; le comparatif OpenCode, Aider et Cline et le face-à-face Cline vs OpenCode.
Les modèles à poids ouverts : fiche Modèles open source et poids ouverts ou open source dans le glossaire.
Le coût des autres options : Choisir son agent de code selon son budget.

Sources

Ollama Docs : Quickstart, vérifié le 2026-10-20
Ollama Docs : Linux, macOS et Windows, vérifié le 2026-10-20
Ollama : téléchargement (commandes d'installation), vérifié le 2026-10-20
Ollama Docs : Context length, vérifié le 2026-10-20
Ollama Docs : Hardware support, vérifié le 2026-10-20
Ollama Docs : OpenCode et Cline, vérifié le 2026-10-20
Ollama : qwen3-coder et qwen2.5-coder, vérifié le 2026-10-20

À retenir : Ollama s'installe en une commande, mais un agent de code a besoin d'au moins 64 000 tokens de contexte selon Ollama, ce que la configuration par défaut n'offre qu'à partir de 48 Gio de mémoire vidéo.

Configurer un serveur MCP dans Claude Code, Cursor et VS Code

Tue, 20 Oct 2026 00:00:00 +0000

Un serveur MCP donne à un agent de code un accès à un outil extérieur : un dépôt GitHub, une base de données, un navigateur, la documentation d'une bibliothèque. Ce guide explique le protocole puis la configuration dans trois clients courants. Les commandes et fichiers sont repris des documentations officielles, vérifiées le 2026-10-20.

Qu'est-ce que MCP ?

Le Model Context Protocol (MCP) est un standard open source qui relie des applications d'IA à des systèmes extérieurs : fichiers locaux, bases de données, outils comme un moteur de recherche, ou flux de travail. Ses auteurs le comparent à un port USB-C pour les applications d'IA (modelcontextprotocol.io). Voir aussi l'entrée MCP du glossaire.

Ce qu'un serveur expose : des tools (actions que le modèle peut lancer), des resources (données de contexte) et des prompts (modèles de consignes) (architecture MCP).
Deux transports : stdio, quand le client lance le serveur comme un processus local sur la même machine ; Streamable HTTP, pour un serveur distant, qui accepte les jetons bearer, les clés d'API et les en-têtes personnalisés.

Ajouter un serveur à Claude Code

Claude Code se configure en ligne de commande (Anthropic). Si l'agent n'est pas encore installé, voir notre guide Installer et prendre en main Claude Code.

Serveur distant (HTTP), l'option recommandée pour les services en ligne :

# Basic syntax
claude mcp add --transport http <name> <url>

# Real example: Connect to Notion
claude mcp add --transport http notion https://mcp.notion.com/mcp

Serveur local (stdio) : tout ce qui suit le -- est la commande qui lance le serveur.

claude mcp add --env AIRTABLE_API_KEY=YOUR_KEY --transport stdio airtable \
  -- npx -y airtable-mcp-server

Le transport SSE est déprécié : Anthropic conseille HTTP quand le serveur le permet. Pour gérer les serveurs :

# List all configured servers
claude mcp list

# Get details for a specific server
claude mcp get notion

# Remove a server
claude mcp remove notion

# (within Claude Code) Check server status
/mcp

Trois portées (option --scope) :

local (par défaut) : le projet courant, pour vous seul, enregistré dans ~/.claude.json ;
project : partagé avec l'équipe via un fichier .mcp.json à la racine du dépôt, à versionner ;
user : tous vos projets, enregistré dans ~/.claude.json.

Un dépôt cloné ne peut pas approuver lui-même ses serveurs .mcp.json : ils restent en attente tant que vous n'avez pas accepté la fenêtre de confiance de l'espace de travail. Exemple officiel avec le serveur distant de GitHub, authentifié par un jeton d'accès personnel à portée limitée :

claude mcp add --transport http github https://api.githubcopilot.com/mcp/ \
  --header "Authorization: Bearer YOUR_GITHUB_PAT"

claude mcp add enregistre la configuration sans vérifier le jeton : contrôlez la connexion avec /mcp.

Ajouter un serveur à Cursor

Cursor propose une installation en un clic depuis sa Marketplace (page Customize, bouton « Add to Cursor », authentification OAuth), ou une configuration manuelle dans un fichier mcp.json (Cursor) :

.cursor/mcp.json dans le projet, pour des outils propres à ce projet ;
~/.cursor/mcp.json dans votre dossier personnel, pour des outils disponibles partout.

Serveur local lancé par Node.js, tel que le montre la documentation de Cursor :

{
  "mcpServers": {
    "server-name": {
      "command": "npx",
      "args": ["-y", "mcp-server"],
      "env": {
        "API_KEY": "value"
      }
    }
  }
}

Pour un serveur distant, l'entrée porte une clé url (et éventuellement headers) au lieu de command. Cursor prend en charge stdio, SSE et Streamable HTTP, et résout la syntaxe ${env:NAME} pour lire un secret dans une variable d'environnement plutôt que de l'écrire en clair.

Ajouter un serveur à VS Code

Dans VS Code, ouvrez la palette de commandes (⇧⌘P sur Mac, Ctrl+Shift+P sous Windows et Linux) et lancez MCP: Add Server (Microsoft). Choisissez HTTP si l'éditeur du serveur fournit une URL, Command (stdio) s'il fournit une commande. L'exemple de la documentation, le serveur Playwright, demande Node.js 18 ou plus récent :

node --version
npx --version

Choisissez Command (stdio) et saisissez :

npx -y @playwright/mcp@latest

Donnez un identifiant au serveur (par exemple playwright), puis choisissez où l'enregistrer :

Global > Copilot Global : ~/.copilot/mcp-config.json, pour tous vos espaces de travail ;
**.mcp.json à la racine de l'espace de travail** : pour partager avec l'équipe (option expérimentale chat.mcp.workspaceRootConfig.enabled) ;
**.vscode/mcp.json ou le mcp.json du profil** : toujours disponibles, mais marqués dépréciés dans le parcours guidé.

Attention au format : les fichiers portables utilisent la clé mcpServers, le format propre à VS Code utilise servers. La galerie de serveurs (préversion) s'ouvre en tapant @mcp dans la vue Extensions. Microsoft recommande enfin de vérifier qu'un outil du serveur a bien été appelé dans la session : une configuration ajoutée ne prouve pas que l'agent s'en sert.

Les serveurs de référence

Le projet MCP maintient des serveurs de référence pour tester le protocole : Everything, Fetch, Filesystem, Git, Memory, Sequential Thinking et Time (exemples officiels). Les serveurs TypeScript se lancent avec npx, les serveurs Python avec uvx :

npx -y @modelcontextprotocol/server-memory

uvx mcp-server-git

Les serveurs maintenus par les entreprises pour leurs propres plateformes sont listés dans le dépôt modelcontextprotocol/servers.

Sécurité : les règles à appliquer

Un serveur MCP local n'est pas un module isolé : c'est un processus ordinaire qui hérite de vos variables d'environnement, peut lire tout ce que votre compte peut lire (clés SSH, identifiants cloud, dossier personnel) et ouvrir des connexions réseau (modelcontextprotocol.io). Les recommandations officielles :

Faire l'inventaire : retirer les serveurs inutilisés et savoir d'où vient chacun des autres ;
Préférer la version distante quand un serveur n'a besoin de rien sur votre machine ;
Vérifier l'éditeur et figer la version plutôt que latest, avec une habitude de mise à jour délibérée. L'exemple Playwright de VS Code utilise @latest : à adapter selon votre politique ;
Isoler les serveurs tiers (conteneur, bac à sable ou machine virtuelle) ;
Limiter les droits : des identifiants propres à chaque serveur, un accès aux fichiers restreint à un dossier précis, en lecture seule si possible, un accès réseau limité ;
Lire les descriptions d'outils : le modèle les lit comme des instructions, ce qui ouvre la porte à l'injection de consignes.

Anthropic demande aussi de vérifier qu'un serveur est digne de confiance avant de le connecter, en particulier s'il récupère du contenu extérieur (Anthropic). Cursor conseille des clés d'API à droits minimaux et, pour les intégrations critiques, la lecture du code source (Cursor).

Pour aller plus loin

Les fiches indiquent quels outils prennent en charge MCP : Claude Code, Cursor, GitHub Copilot, Cline.
Comparer les éditeurs : Cursor, Devin Desktop ou Copilot.
Les risques du code généré : ce que disent les études sur la sécurité.

Sources

Model Context Protocol : What is MCP?, vérifié le 2026-10-20
Model Context Protocol : Architecture overview, vérifié le 2026-10-20
Model Context Protocol : Example Servers, vérifié le 2026-10-20
Model Context Protocol : Local Server Security, vérifié le 2026-10-20
Claude Code Docs : Connect Claude Code to tools via MCP, vérifié le 2026-10-20
Cursor Docs : Model Context Protocol, vérifié le 2026-10-20
VS Code Docs : Add MCP servers in VS Code, vérifié le 2026-10-20

À retenir : un serveur MCP s'ajoute en une commande ou quelques lignes de JSON, mais un serveur local tourne avec vos droits : n'installez que des serveurs d'éditeurs identifiés, à version figée, avec des accès limités.

MiniMax et DeepSeek : les modèles « Flash » cassent le prix du code agentique

Tue, 20 Oct 2026 00:00:00 +0000

Entre le 17 et le 19 octobre 2026, deux laboratoires chinois ont publié des modèles « Flash » taillés pour les agents de code, avec un argument commun : un coût par tâche bien plus bas. Leurs prix catalogue sont désormais identiques en heures creuses, et leurs scores en code approchent ceux des modèles de pointe.

MiniMax M3.1 Flash (19 oct.)

Prix : 0,15 $ par million de tokens en entrée, 0,60 $ en sortie, 0,015 $ en entrée mise en cache (MiniMax).
Code : 73,7 % sur DeepSWE v1.1, selon MiniMax.
Efficacité : inférence près de 3 fois plus rapide et coût d'usage des tâches agentiques réduit de 70 % par rapport au modèle précédent, selon MiniMax, qui annonce plus de 200 tokens par seconde en sortie.
Autres usages : 61,7 sur OSWorld V2 (pilotage d'un ordinateur) et 82 % sur CyberGym (recherche de vulnérabilités), toujours selon MiniMax.
Disponibilité : API MiniMax, M Plan et MiniMax Code ; les poids seront publiés plus tard. Une version anonyme du modèle, « Space Bunny », a déjà traité plus de 200 000 milliards de tokens.

Voir la fiche MiniMax M3.1 Flash.

DeepSeek V4.1-Flash-1017 (17 oct.)

Code : 77,0 % sur DeepSWE v1.1, contre 74,2 % pour la version précédente, et 42,3 sur Terminal-Bench 4.0 contre 31,2 (Hugging Face). Dans le tableau de DeepSeek, Claude Opus 5 obtient 74,0 % et GPT-5.6 Sol 73,0 % sur DeepSWE.
Prix : 0,15 $ par million de tokens en entrée et 0,60 $ en sortie en heures creuses, le double aux heures de pointe, avec 1 million de tokens de contexte (DeepSeek).
Coût par tâche : un peu moins de 0,20 $ par tâche DeepSWE en moyenne, contre environ 0,50 $ pour la version précédente, selon le graphique publié par DeepSeek (The Decoder).
Ouvert : poids sous licence MIT sur Hugging Face et ModelScope. DeepSeek ouvre aussi ses API Search et Fetch à 0,75 $ les 1 000 appels ; les appels passés par DeepSeek Harness, Claude Code ou Codex restent gratuits jusqu'au 31 octobre à 16 h UTC (DeepSeek).

Voir la fiche DeepSeek V4.1-Flash-1017.

Ce que disent les tests indépendants

Artificial Analysis attribue 43 points à MiniMax M3.1 Flash sur son Intelligence Index, contre 29 pour M3 (Artificial Analysis, page consultée le 20 octobre), et 45 à DeepSeek V4.1-Flash-1017 en mode Max (changelog). Le même organisme mesure toutefois 104,7 tokens par seconde pour MiniMax, loin des 200 annoncés. Surtout, sur le test de connaissances AA-Omniscience, M3.1 Flash répond juste à 56 % des questions, mais quand il ne sait pas, il invente une réponse dans 93 % des cas au lieu de reconnaître son incertitude (VentureBeat).

Ce que ça change pour les développeurs

Router les tâches : confier les tâches simples et bien testées à un modèle Flash, et garder un modèle plus cher pour les cas ambigus.
Mesurer le coût par tâche, pas seulement le prix par token : un modèle bavard consomme plus pour le même résultat.
Brancher un agent ouvert : des outils comme OpenCode acceptent ces modèles via leur API.

Les limites

La plupart des scores viennent des éditeurs, avec leurs propres conditions de test. En entreprise, les modèles ouverts chinois ne pèsent encore que 1 % de l'usage API, selon Menlo Ventures (voir notre article) : conformité, hébergement des données et fiabilité restent à valider. MiniMax n'a pas encore précisé la licence de ses futurs poids ouverts : l'auto-hébergement reste une inconnue.

Ces scores viennent surtout des éditeurs eux-mêmes : à confirmer par des tests indépendants avant d'en faire un choix de production.

COBOL, Fortran : OpenAI promet de migrer le code ancien

Tue, 20 Oct 2026 00:00:00 +0000

Le 19 octobre 2026, OpenAI a publié ses résultats sur les langages dits « peu dotés » : COBOL, Fortran, Visual Basic, OCaml, soit des langages pour lesquels il existe beaucoup moins de code public que pour Python ou JavaScript. Les chiffres annoncés sont spectaculaires, mais ils viennent de deux tests conçus par OpenAI, dont un seul est public (OpenAI). Voici ce qui est mesuré, ce que cela coûte et ce qu'il faut vérifier avant d'y croire.

En bref

Migration COBOL : GPT-6.1 Sol réussit 86,6 % des migrations en effort de raisonnement faible, contre 5,4 % pour GPT-5.6 Sol, et 97,9 % en effort élevé, selon OpenAI.
Création de logiciel : sur MultiLangBench, GPT-6 Astra passe en moyenne 87,4 % des tests dans 20 langages, contre 26,8 % pour GPT-5.6 Sol. COBOL reste le plus difficile, à 72,1 %.
Test public : MultiLangBench est publié sous licence Apache-2.0 sur GitHub. Le test de migration COBOL, lui, ne l'est pas.
Prix : GPT-6.1 Sol est facturé 2 $ par million de tokens en entrée et 10 $ en sortie dans l'API (OpenAI).

Pourquoi le COBOL compte encore

OpenAI rappelle que le COBOL fait tourner plus de 40 % des systèmes de banque en ligne, 80 % des paiements par carte en magasin et 95 % des transactions aux distributeurs, des chiffres qu'il reprend d'une source tierce (OpenAI). Anthropic cite le même ordre de grandeur, 95 % des transactions aux distributeurs aux États-Unis (Claude).

Le problème est connu : documentation incomplète, développeurs d'origine partis, règles métier qui n'existent plus que dans le code. Les modèles, entraînés surtout sur du code moderne, y sont historiquement faibles.

Le sujet n'est pas neutre pour le marché. Le 23 février 2026, Anthropic expliquait que Claude Code pouvait automatiser l'exploration et l'analyse des systèmes COBOL ; l'action IBM a perdu 13,2 % dans la séance, sa plus forte baisse depuis octobre 2000 (Reuters). OpenAI arrive donc sur un terrain déjà disputé.

Comment fonctionnent les deux tests

MultiLangBench demande au modèle de réécrire un moteur de base de données compatible avec SQLite 3.40.1, à partir de la seule documentation, sans accès à Internet. Le programme reçoit une base de départ et une requête SQL, produit une base modifiée, puis le vrai SQLite vérifie le résultat. Toute trace de SQLite doit être supprimée de l'environnement, et une solution écrite dans le mauvais langage, ou en mélangeant plusieurs langages, obtient zéro (README MultiLangBench).

Les tests viennent de la suite TCL de SQLite : sur environ 51 000 tests, 24 000 ont pu être convertis. Pour limiter le coût, le README recommande de n'en lancer que 272. Le score est un couple : taux de tests réussis et coût d'API pour y arriver.

Le test de migration COBOL demande de traduire des programmes COBOL en C++, Java, Kotlin, Python ou Rust en conservant leur comportement. Une migration ne compte comme réussie que si tous les tests cachés passent, avec une sortie identique à l'octet près. OpenAI donne un exemple parlant : l'arithmétique à virgule fixe du COBOL tronque les décimales en trop sauf si l'arrondi est demandé. Une réécriture qui arrondit tourne sans erreur, mais donne des montants différents (OpenAI).

Les résultats, langage par langage

Sur MultiLangBench, en effort de raisonnement maximal, GPT-6 Astra progresse dans chacun des 20 langages, selon OpenAI :

COBOL : de 10,9 % à 72,1 % ;
Fortran : de 21,4 % à 83,5 % ;
OCaml : de 25,6 % à 85,8 % ;
Visual Basic : de 27,5 % à 89,4 %.

Astra dépasse 83 % dans 19 langages sur 20. Le petit modèle GPT-6 Luna atteint 40,3 % de moyenne, mieux que GPT-5.6 Sol, pour un coût d'API estimé à 0,77 $ par essai contre 3,48 $, soit environ 78 % de moins (OpenAI).

Sur la migration COBOL, GPT-6.1 Sol passe de 5,4 % à 86,6 % en effort faible, pour 61 % du coût d'API de GPT-5.6 Sol, et atteint 97,9 % en effort élevé. OpenAI parle lui-même d'un test « proche de la saturation ».

Les prix réels

Tarifs de l'API standard, par million de tokens, en contexte court (OpenAI) :

GPT-6 Astra : 10 $ en entrée, 50 $ en sortie ;
GPT-6.1 Sol : 2 $ en entrée, 10 $ en sortie, 0,10 $ en entrée mise en cache ;
GPT-6 Luna : 0,10 $ en entrée, 0,50 $ en sortie.

Les modes Batch et Flex divisent ces prix par deux, un argument pour les migrations en lot qui n'exigent pas de réponse immédiate. Le contexte long double le prix d'entrée de GPT-6.1 Sol, à 4 $.

Côté abonnement, Codex est inclus dans ChatGPT Plus à 20 $ par mois avec GPT-6.1 Sol, et dans les offres Pro à 100, 200 ou 500 $ par mois ; l'usage par clé API est facturé au tarif de l'API (OpenAI).

Cas d'usage réalistes

Cartographier avant de migrer : faire documenter un programme et ses dépendances, ce qu'Anthropic présente aussi comme l'étape la plus coûteuse (Claude).
Migrer composant par composant : un module aux frontières claires, des tests de parité écrits avant la traduction, puis validation.
Maintenir sans migrer : corriger un bug en Fortran ou en Visual Basic quand plus personne dans l'équipe ne maîtrise le langage.

Les limites

Tests maison : les deux évaluations ont été conçues par OpenAI, et la seule comparaison porte sur son modèle précédent. Aucun chiffre n'est donné pour les modèles d'Anthropic, de Google ou les modèles ouverts.
Migration non vérifiable : le test COBOL n'est pas publié ; on ne connaît ni le nombre de programmes, ni leur taille, ni leur origine. Un score de 97,9 % sur un jeu inconnu indique surtout que ce test est devenu trop facile.
Résultats absents du dépôt : OpenAI annonce publier les résultats par langage, mais le dépôt GitHub ne contient, le 20 octobre, que la licence, le README, les scripts et les tests (GitHub). Il n'y a pas non plus de harnais pour faire tourner un modèle de bout en bout.
Échantillon réduit : 272 tests recommandés sur 24 000 convertis.
La traduction n'est pas la modernisation : un vrai projet inclut les données, l'exploitation, la conformité et la validation métier. OpenAI le reconnaît : la mise en production « exige toujours une revue experte et des tests » contre les règles métier et les dépendances du système (OpenAI).

Le progrès est réel sur les propres chiffres d'OpenAI, mais il reste à confirmer par des tests indépendants, sur du vrai code de production.

Ce que ça change pour les développeurs

Premier point : la baisse de coût est aussi importante que le score. Un modèle à 2 $ et 10 $ par million de tokens, avec un mode Batch à moitié prix, rend envisageable de traiter un parc de programmes entier en essais successifs, ce qui n'avait guère de sens avec un modèle précédent à 5,4 % de réussite, selon les chiffres d'OpenAI.

Deuxième point : la valeur se déplace vers les tests. Une migration réussie se définit par la parité de comportement ; les équipes qui disposent déjà de jeux de tests de non-régression sur leurs systèmes anciens seront les premières à en profiter. Les autres devront d'abord les construire, et c'est là que l'agent peut aider.

Troisième point : il faut mesurer soi-même. MultiLangBench fournit une méthode reproductible, mais il faut construire sa propre boucle d'agent autour. Pour un projet COBOL réel, la seule mesure qui compte reste un échantillon de vos propres programmes, avec vos propres sorties attendues.

Enfin, avec Anthropic et désormais OpenAI sur le créneau, c'est le moment de lancer un pilote limité, pas une migration complète sur la foi d'un benchmark d'éditeur.

Sources

Semaine du 12 octobre : les agents de code passent en mode équipe

Tue, 20 Oct 2026 00:00:00 +0000

Entre le 11 et le 16 octobre 2026, trois outils majeurs ont publié des mises à jour qui vont dans le même sens : faire tourner plus d'agents, plus longtemps, avec moins de supervision. VS Code avait ouvert la voie une semaine plus tôt.

Ce qui est sorti

OpenCode (11-12 oct.) : la v2 existe depuis la 2.0.0, publiée le 11 septembre (npm). Elle introduit un service d'arrière-plan, une nouvelle API serveur et une nouvelle API de plugins (docs). Cette semaine, la 1.19.0 du 11 octobre propose aux utilisateurs d'OpenCode 1 de migrer avec opencode upgrade --major (GitHub), et la mise à jour 2.0.27 du 12 octobre ajoute des outils de worktree à Code Mode (changelog).
Codex CLI 0.163.0 (15 oct.) : on peut réorienter l'agent en lui écrivant pendant qu'il répond, et les outils en lecture seule indépendants tournent en parallèle ; la commande /daemon permet désormais de relancer son serveur d'arrière-plan (GitHub).
Claude Code 2.1.302 (16 oct.) : les sous-agents « fork » sont activés par défaut dans claude -p, l'Agent SDK, l'application de bureau et VS Code, comme ils l'étaient déjà dans le terminal ; la compaction automatique des sessions inactives se désactive depuis /config (GitHub).
VS Code 1.141 (7 oct.) : grille de sessions dans la fenêtre Agents, bac à sable pour les agents sur Windows, macOS et Linux, et reprise dans VS Code des conversations commencées dans Copilot CLI ou Codex (VS Code).

Côté modèles

Meta a lancé Muse Spark Open, un modèle MoE de 816 milliards de paramètres, dont 42 milliards actifs par token, avec 1 million de tokens de contexte, pensé pour le code agentique (NVIDIA, 15 oct.). Le 19 octobre, Meta a aussi publié Muse Glimmer, un modèle de 30 milliards de paramètres sous licence Apache 2.0, quantifié à environ 4 bits pour tourner sur un seul GPU (Meta AI). Voir la fiche Muse Spark Open.

Le fil commun : orchestrer plutôt qu'assister

Chaque éditeur attaque un point de friction différent. OpenAI permet de corriger un agent sans tuer la tâche. Anthropic rend la délégation à des sous-agents automatique. OpenCode pousse ses utilisateurs vers une v2 bâtie autour d'un service d'arrière-plan que d'autres programmes peuvent appeler. Microsoft, lui, s'occupe du développeur qui surveille plusieurs sessions à la fois.

C'est la bascule que Gartner a actée en redéfinissant la catégorie autour des agents dans son premier Magic Quadrant consacré au code (voir notre article). Les outils ne se distinguent plus seulement par la qualité du modèle, mais par la façon dont ils lancent, isolent et contrôlent plusieurs agents.

Ce que ça change pour les développeurs

Lire les notes de version avant de mettre à jour en CI : un changement de comportement par défaut, comme les sous-agents de Claude Code, peut modifier un script sans changer la commande.
Activer le bac à sable dès qu'un agent exécute des commandes ou accède au réseau.
Prévoir la migration d'OpenCode : les plugins de la v1 ne tournent pas en v2, et les intégrations qui appellent l'ancienne API serveur doivent être réécrites. Voir la fiche OpenCode.
Comparer les agents sur ses propres dépôts : notre comparatif met côte à côte Codex, Claude Code et Copilot.

Les limites

Plus d'agents en parallèle, c'est aussi plus de journaux à relire, plus de permissions à régler et plus de tokens à payer. Les gains annoncés par ces mises à jour ne sont pas mesurés par les éditeurs, et les chiffres de Muse Spark Open viennent d'un partenaire de Meta, NVIDIA.

La tendance : l'agent unique cède la place à des équipes d'agents coordonnées.

API des modèles : Anthropic a doublé OpenAI en deux ans

Thu, 15 Oct 2026 00:00:00 +0000

Le marché des modèles s'est reconcentré bien plus vite que prévu. Selon le rapport State of Generative AI in the Enterprise de Menlo Ventures, publié le 9 décembre 2025, Anthropic représentait 12 % des dépenses API LLM des entreprises en 2023, 24 % en 2024 et 40 % en 2025. Sur la même période, OpenAI est passé de 50 % à 27 %, et Google de 7 % à 21 %.

Comment Menlo mesure

Les parts de marché sont des dépenses estimées à partir de l'usage des API en production. Menlo a interrogé 495 décideurs IA d'entreprises américaines entre le 7 et le 25 novembre 2025, a pondéré leurs réponses selon la taille de chaque application, puis les a recoupées avec les résultats financiers publics quand ils existent. Le même rapport estime à 12,5 milliards de dollars les dépenses en API de modèles de fondation en 2025, sur 37 milliards consacrés à l'IA générative.

Le code, moteur de la bascule

La percée d'Anthropic tient d'abord au développement logiciel. Sur le seul marché du code, Menlo lui attribue 54 % des dépenses, contre 21 % pour OpenAI, et 42 % six mois plus tôt. Le rapport relie cette hausse en grande partie au succès de Claude Code. Le code est devenu le premier poste de l'IA par service : 4 milliards de dollars, soit 55 % des dépenses départementales. Selon Menlo, 50 % des développeurs utilisent des outils de code IA chaque jour, et 65 % dans les organisations les plus avancées.

Côté usage, l'enquête Stack Overflow 2026 confirme cette avance : Claude Code y est l'agent le plus cité (voir notre analyse).

L'open source à contre-courant

Contrairement à l'idée que la baisse des prix favoriserait les modèles ouverts, leur part a reculé de 19 % en 2024 à 11 % en 2025. Menlo l'explique en partie par la stagnation de Llama, sans nouvelle version majeure depuis Llama 4 en avril 2025. Les modèles ouverts chinois ne pèsent que 1 % de l'usage API total, soit environ 10 % de l'open source en entreprise.

Hors des grandes entreprises, le tableau est différent : chez les start-up et les développeurs indépendants, Qwen, DeepSeek, Kimi, MiniMax et GLM progressent vite. Les derniers modèles « Flash » de DeepSeek et MiniMax vont dans ce sens (voir notre article et la fiche modèles open source).

Un risque d'approvisionnement

Les trois premiers fournisseurs concentrent 88 % des dépenses API. Pour un produit bâti sur un seul modèle, c'est une dépendance directe aux pannes, aux prix et aux risques juridiques de ce fournisseur. Menlo souligne aussi la simplicité des architectures : seuls 16 % des déploiements en entreprise sont de vrais agents, qui planifient, agissent, observent le résultat et s'adaptent ; les autres sont des enchaînements fixes autour d'un appel au modèle.

Ce que ça change pour les développeurs

Prévoir une couche d'abstraction : isoler les appels au modèle permet de basculer entre Claude, GPT ou un modèle ouvert sans réécrire l'application.
Tester sur ses propres tâches : les écarts de parts de marché reflètent surtout le code ; sur d'autres usages, le classement peut différer.
Suivre le coût par tâche, pas seulement le prix par token : un modèle plus cher peut terminer une tâche en moins d'appels.

Les limites

Menlo Ventures investit dans Anthropic, ce que le rapport signale lui-même. L'échantillon se limite aux entreprises américaines, et les chiffres datent de fin 2025 : depuis, les deux laboratoires ont sorti de nouveaux modèles. Enfin, ce sont des dépenses estimées, pas des revenus publiés par les fournisseurs.

Source : Menlo Ventures, 2025: The State of Generative AI in the Enterprise, 9 décembre 2025.

Stack Overflow 2026 : les agents adoptés, la production reste taboue

Tue, 06 Oct 2026 00:00:00 +0000

L'enquête annuelle de Stack Overflow, publiée le 6 octobre 2026, repose sur 30 903 réponses valides venues de 169 pays, collectées du 23 juin au 5 août (méthodologie). Elle confirme que l'IA est devenue un outil du quotidien : 73 % des utilisateurs d'assistants ou d'agents de code IA s'en servent chaque jour (77 % pour l'ensemble des outils IA). Parmi ceux qui utilisent l'IA chaque jour, 30,9 % y passent 4 heures ou plus par jour (données IA). L'adhésion suit : 62 % des répondants ont une opinion favorable, ou plutôt favorable, de l'usage de l'IA dans leur travail, contre 21,5 % d'avis défavorables.

Une frontière de confiance nette

Les usages se concentrent sur la génération de code dans un domaine connu (69,3 % des répondants) et le débogage ou la refactorisation (63,8 %). En revanche, seuls 19,9 % utilisent déjà l'IA pour déployer, exploiter ou dépanner des systèmes en production.

La confiance reste conditionnelle : 48 % des répondants font confiance à l'IA quand ils peuvent vérifier facilement le résultat. Et 79 % jugent important ou très important que l'IA cite ses sources pour se fier à une réponse technique (données Connaissances).

Les erreurs qui coûtent le plus cher

Interrogés sur les erreurs de l'IA qui leur ont fait perdre le plus de temps, 69,3 % citent du code plausible mais faux, 54,2 % du code généré difficile à relire et 45,1 % des paquets ou des configurations inventés (données Technologie). Ce sont des erreurs qui passent une relecture rapide, ce qui aide à comprendre la prudence sur la production. Les mesures de Veracode vont dans le même sens (voir notre analyse).

Claude Code devant Copilot chez les utilisateurs d'agents

Parmi les 12 255 répondants à la question sur les agents et assistants de code utilisés dans l'année, Claude Code est cité par 66 %, GitHub Copilot par 59 %, Codex par 30 % et Cursor par 26 %. L'avance d'Anthropic se retrouve dans les dépenses des entreprises mesurées par Menlo Ventures (voir notre article).

Le choix se fait d'abord sur la qualité : 25 % des répondants ont changé d'outil IA dans l'année pour de meilleurs résultats, contre 6 % seulement pour payer moins cher. Un tiers (34 %) n'a pas changé d'outil.

Ce que les agents doivent savoir

Le contexte est l'autre goulet d'étranglement. Les répondants placent les objectifs ou exigences du projet (85,2 %) et le code, les dépôts ou la documentation technique (73,3 %) en tête du contexte dont les agents et assistants ont besoin (enquête). Or 63,2 % disent qu'une information incomplète les empêche de trouver le contexte nécessaire au travail. Côté organisation, 32,8 % des répondants travaillent avec quelques outils IA approuvés, 18,6 % surtout avec un seul, et 17,3 % laissent chaque équipe choisir (données IA).

Ce que ça change pour les développeurs

Réserver la production aux tâches vérifiables : déploiement et exploitation restent le domaine où l'IA est la moins utilisée.
Exiger des sources : pour près de quatre répondants sur cinq, la citation des sources conditionne la confiance dans une réponse.
Comparer avant de choisir : notre comparatif Claude Code, Codex et Copilot met côte à côte les trois agents les plus cités.

Les limites

L'enquête est diffusée par Stack Overflow auprès de sa propre communauté : elle n'est pas représentative de tous les développeurs. Chaque question a son propre nombre de répondants, souvent bien inférieur aux 30 903 réponses totales. Enfin, un usage déclaré ne mesure pas un gain de productivité.

Source : Stack Overflow Developer Survey 2026.

Code IA : une faille connue dans 45 % des tâches

Thu, 10 Sep 2026 00:00:00 +0000

Selon le 2025 GenAI Code Security Report de Veracode, dans 45 % des tâches de génération de code testées (80 tâches, plus de 100 modèles), le modèle a introduit une faille de sécurité connue du Top 10 OWASP. Le code compile presque toujours ; il n'est sûr que dans un peu plus d'un cas sur deux.

Un an plus tard, rien n'a bougé

L'édition 2026, publiée le 28 juillet, confirme le plafond (Veracode). Sur l'ensemble des modèles suivis depuis le début de la série, le taux de réussite en sécurité est de 56 %, contre 55 % dans le premier rapport : environ 44 % des tâches produisent encore une faille connue. Le meilleur modèle de l'échantillon, GPT-5.5, atteint 68 %, et six des onze nouveaux modèles testés plafonnent entre 50 et 53 %.

Trois idées reçues ne résistent pas aux données :

Les modèles spécialisés en code ne sont pas plus sûrs : 51 % de réussite, contre 52 % pour les modèles généralistes.
La taille ne change presque rien : 53 % pour les modèles de plus de 100 milliards de paramètres, 51 % pour les autres.
Le raisonnement aide un peu : 56 % pour les modèles à raisonnement, 51 % sans.

Où ça casse

Les écarts tiennent surtout au type de faille. Les modèles évitent bien l'injection SQL (83 % de réussite) et choisissent correctement leurs algorithmes de chiffrement (87 %). Ils échouent en revanche sur le cross-site scripting (15 %) et l'injection dans les journaux (12 %), deux failles qui demandent de suivre le chemin des données dans l'application. Java reste de loin le langage le plus à risque, avec un taux moyen de 30 % dans l'édition 2026, même s'il est le seul à progresser nettement.

La vitesse, autre angle mort

Un essai contrôlé randomisé mené par le METR début 2025 a mesuré un ralentissement de 19 % chez 16 développeurs open source expérimentés travaillant avec l'IA sur 246 tâches réelles (METR). Avant l'étude, ils prévoyaient un gain de 24 % ; après coup, ils pensaient encore avoir gagné 20 %.

En février 2026, le METR a publié les résultats d'une seconde étude, sur 57 développeurs et plus de 800 tâches (METR). Les tâches avec IA y prendraient 18 % de temps en moins pour les développeurs déjà présents en 2025, et 4 % de moins pour les nouveaux, avec des intervalles de confiance qui incluent un ralentissement. Le METR juge lui-même ce résultat peu fiable : de nombreux développeurs ont refusé de travailler sans IA, ce qui sous-estime sans doute le gain réel.

Ce que ça change pour les développeurs

Relire et tester le code généré reste indispensable, en priorité sur les entrées utilisateur, l'affichage HTML et les journaux.
Brancher l'analyse dans la boucle de l'agent : des outils comme Sonar avec Gitar vérifient le code au moment où l'agent l'écrit, pas seulement en fin de chaîne (voir notre article).
Choisir le modèle aussi sur sa sécurité : l'écart entre 50 % et 68 % de réussite se traduit directement en charge de correction.
Mesurer avant de généraliser : les gains viennent de l'organisation du travail, pas seulement de l'outil.

Les limites

Veracode teste les modèles bruts, sans agent, sans garde-fous et sans revue humaine (communiqué) : en production, ces protections réduisent le risque. Veracode vend aussi des outils d'analyse de code. Les études du METR portent sur des développeurs open source expérimentés travaillant sur leurs propres dépôts, un cadre qui ne représente pas tout le métier.

Sources : Veracode, 2025 GenAI Code Security Report ; Veracode, 2026 GenAI Code Security Report, 28 juillet 2026 ; METR, juillet 2025 ; METR, février 2026.

Windsurf devient Devin Desktop : la consolidation s'accélère

Tue, 30 Jun 2026 00:00:00 +0000

Le mouvement est révélateur : c'est une entreprise d'agents, Cognition, qui a absorbé un IDE, Windsurf, et non l'inverse. L'éditeur a été rebaptisé Devin Desktop le 2 juin 2026, par une simple mise à jour automatique (Devin Docs).

D'un rachat à une marque unique

Cognition, l'éditeur de l'agent autonome Devin, a signé l'accord de rachat de Windsurf le 14 juillet 2025. Selon son PDG Scott Wu, Windsurf apportait alors 82 millions de dollars de revenu annuel récurrent, plus de 350 entreprises clientes et des centaines de milliers d'utilisateurs actifs par jour (Cognition).

Un an plus tard, tout passe sous la marque Devin : Devin Cloud, Devin Desktop, Devin CLI et Devin Review. Cognition dit vouloir faire de Devin Desktop le poste de commande où les développeurs passeront « plus de 90 % de leurs journées ».

Ce qui change dans l'éditeur

La vue par défaut devient l'Agent Command Center : espaces, tableau Kanban et gestion de plusieurs agents, locaux ou dans le cloud. L'éditeur, les extensions et les raccourcis de Windsurf restent accessibles.
Cascade devient Devin Local : un agent local doté de sous-agents et d'un bac à sable, annoncé jusqu'à 30 % plus économe en tokens. L'ancien Cascade reste disponible jusqu'en juillet.
Les règles sont compatibles : Devin Desktop lit les règles Windsurf, les fichiers AGENTS.md et peut importer les règles de Cursor.
Les prix ne changent pas, y compris pour les anciens contrats Windsurf Enterprise.

Pour les équipes, le point d'attention est ailleurs : l'application s'appelle désormais Devin, ce qui peut la faire bloquer par les politiques de gestion des postes qui n'autorisent que « Windsurf ». Le plugin Windsurf pour JetBrains passe en maintenance. Voir la fiche Devin Desktop.

La qualité se regroupe autour des agents

Le 21 mai 2026, Sonar a racheté Gitar, une plateforme de revue de code par IA qui corrige aussi les échecs de CI dans les pull requests (Sonar). SonarQube, utilisé selon Sonar par plus de 75 % du Fortune 100 et 7 millions de développeurs, s'intégrera à Gitar pour vérifier le code depuis le moment où l'agent commence à écrire jusqu'à la fusion. Gitar reste vendu seul. Sonar propose aussi un serveur MCP qui permet à Claude Code, Copilot, Cursor ou Devin d'interroger son moteur d'analyse sans quitter leur flux de travail. Voir la fiche Sonar avec Gitar.

Pourquoi c'est logique

Selon le 2025 GenAI Code Security Report de Veracode, le modèle introduit une faille connue dans 45 % des tâches de génération de code. L'édition 2026 donne encore 44 % (Veracode). Vérifier, tracer et pouvoir annuler ce que produit un agent devient aussi important que de générer le code (voir notre analyse).

Gartner va dans le même sens : son premier Magic Quadrant des agents de code exige revue humaine, journaux d'actions et support natif de MCP. Cognition y est classé Challenger (voir notre article).

Les limites

Les chiffres de Windsurf datent de l'annonce du rachat, en juillet 2025 : ils ne disent rien de l'usage actuel de Devin Desktop. Ceux de Sonar sont ses propres déclarations. Enfin, le regroupement réduit le nombre d'acteurs indépendants : une équipe qui dépend d'un seul éditeur pour écrire et vérifier son code perd un contre-pouvoir.

Sources : Cognition, 14 juillet 2025 ; Devin Docs, FAQ Devin Desktop ; Sonar, 21 mai 2026 ; Veracode, 2025 et 2026.

Gartner publie son premier Magic Quadrant des agents de code

Wed, 20 May 2026 00:00:00 +0000

Le 20 mai 2026, Gartner a publié la première édition de son Magic Quadrant for Enterprise AI Coding Agents. Douze fournisseurs y sont évalués. Quatre sont classés Leaders : Anthropic (Claude Code), Cursor, GitHub (Copilot) et OpenAI (Codex). AWS, Google, Alibaba Cloud (avec Qoder) et Cognition sont Challengers. Tabnine est le seul Visionnaire ; Atlassian, BytePlus et JetBrains sont Acteurs de niche (Virtualization Review).

Une nouvelle catégorie, pas un simple renommage

Les éditions 2024 et 2025 portaient sur les « AI Code Assistants ». Gartner change de définition : un agent de code d'entreprise perçoit le contexte, traduit une intention en plan à plusieurs étapes, puis exécute et vérifie ces étapes sur le code, les tests et les artefacts associés. Suggérer une ligne ou répondre dans un chat ne suffit plus.

Conséquence visible : AWS et Google, Leaders des éditions précédentes, passent Challengers. GitHub reste Leader et obtient la meilleure note en capacité d'exécution (GitHub) ; Cursor va le plus loin sur l'axe de la vision (Cursor). Gartner décrit aussi des fournisseurs de modèles qui « montent dans la pile » : Anthropic et OpenAI vendent leurs propres agents, en concurrence directe avec les outils bâtis sur leurs API.

Les chiffres des Leaders

Ces chiffres sont publiés par les éditeurs eux-mêmes, pas par Gartner :

GitHub Copilot : plus de 4,7 millions d'abonnés payants fin janvier 2026, en hausse de 75 % sur un an (Microsoft), et 140 000 organisations clientes en mai, selon GitHub.
Cursor : plus de 50 000 équipes clientes, avec près de 70 % du Fortune 1000 (Cursor, février 2026).
Codex : plus de 4 millions d'utilisateurs par semaine (OpenAI).

L'IDE n'est plus le centre

Le rapport s'accompagne d'hypothèses de planification réservées aux clients. Gartner en a rendu une publique : d'ici 2027, plus de 65 % des équipes qui pratiquent le code agentique considéreront l'IDE comme optionnel, le contrôle, la gouvernance et la validation passant à des plateformes automatisées (communiqué Gartner). Sur la productivité, Gartner indique que 90 % des responsables d'ingénierie constatent une amélioration, avec un gain net moyen de 19,3 % (Gartner).

Gartner évalue le marché entre 9,8 et 11 milliards de dollars en rythme annuel en avril 2026. Dans un communiqué du 24 juin 2026, il prévient aussi que, d'ici 2028, le coût du code par IA dépassera le salaire moyen d'un développeur, sous l'effet de la consommation de tokens et des licences à l'usage (Gartner).

Ce que ça change pour les développeurs

MCP devient obligatoire : le support natif du Model Context Protocol figure parmi les capacités exigées. Un outil interne sans serveur MCP sera plus difficile à brancher sur un agent.
La revue humaine reste exigée : validation des changements produits par l'agent, journaux détaillés de ses actions, et garantie que le modèle n'est pas entraîné sur le code du client.
La facturation change : on passe du siège à l'usage (tâches, requêtes premium, tokens). Il faut suivre la consommation comme une ligne de budget.

Pour choisir entre les trois agents les plus cités, voir notre comparatif Claude Code, Codex et Copilot.

Les limites

Le rapport complet est payant ; cet article s'appuie sur les extraits publics diffusés par la presse et les éditeurs classés. Gartner rappelle que ses publications reflètent les opinions de ses analystes. Il écrit lui-même que, sans contexte de qualité, contrôles stricts et validation automatique, les agents augmentent les reprises, le risque de sécurité et la dérive d'architecture. Les mesures indépendantes restent prudentes : voir notre article sur la sécurité du code généré.

Ce sont des hypothèses de planification, pas des prévisions certaines : à lire comme une direction, pas comme une date.

Sources : Gartner, Magic Quadrant for Enterprise AI Coding Agents, 20 mai 2026 ; Virtualization Review, 5 juin 2026 ; Microsoft, résultats du 2e trimestre fiscal 2026 ; GitHub, Cursor et OpenAI.