Fuite d’un nouveau modèle d’images & Agents IA en entreprise: OpenAI - Actualités IA (24 avr. 2026)

Merci de soutenir ce podcast en visitant nos sponsors: - SurveyMonkey, Utiliser l'IA pour faire émerger des insights plus rapidement et réduire le temps d'analyse manuelle - https://get.surveymonkey.com/tad - Découvrez l'avenir de l'audio IA avec ElevenLabs - https://try.elevenlabs.io/tad - Lindy est votre assistant IA ultime qui gère proactivement votre boîte de réception - https://try.lindy.ai/tad Soutenez directement The Automated Daily: Offre-moi un café: https://buymeacoffee.com/theautomateddaily Sujets du jour: Fuite d’un nouveau modèle d’images - Des indices sur “GPT Image 2” apparaissent via LM Arena et des traces dans ChatGPT, avec un enjeu: remplacer DALL‑E avant son arrêt. Mots-clés: génération d’images, texte dans l’image, watermarking, EU AI Act. Agents IA en entreprise: OpenAI - OpenAI lance en aperçu des “workspace agents” dans ChatGPT: des agents partagés, persistants, capables d’agir via outils et code dans le cloud, sous contrôles entreprise. Mots-clés: agents, workflows, permissions, Compliance API, sécurité. Plateformes d’agents: Google Cloud - Google Cloud dévoile la Gemini Enterprise Agent Platform, une couche unifiée pour construire, déployer et gouverner des agents avec identité, registre et passerelle de sécurité. Mots-clés: Vertex AI, gouvernance, observabilité, prompt injection, production. IA dans Google Workspace - Google pousse “Workspace Intelligence” pour relier mails, chats et fichiers en contexte commun, afin que Gemini puisse agir à travers Docs, Sheets, Gmail et Drive. Mots-clés: contexte sémantique, conformité, chiffrement, souveraineté des données. Coder avec l’IA: adoption massive - Google affirme que 75% de son nouveau code est généré par l’IA puis revu, pendant que Microsoft préparerait une facturation Copilot au token. Mots-clés: agentic workflows, productivité, coûts GPU, gouvernance usage. Fiabilité des agents et documentation - Deux signaux sur la fiabilité: Augment mesure l’impact réel des fichiers AGENTS.md, et Garry Tan propose de transformer chaque incident en “skill” testée comme du logiciel. Mots-clés: tests, procédures, QA, anti-patterns, robustesse. Benchmarks: mesurer les vrais agents - Applied Compute critique les benchmarks d’inférence trop “one-shot” et publie des profils réalistes d’agents multi-tours avec outils, où le cache KV devient le goulot. Mots-clés: latence p99, KV cache, concurrence, vLLM, SGLang. Recherche IA: entraînement et personnalisation - Perplexity décrit une recette post-training pour des agents de recherche fiables et sobres en appels outils, tandis qu’un article recadre la personnalisation comme variation contrainte autour d’un noyau stable. Mots-clés: RL, SFT, tool budget, intent, visibilité éditeurs. Mésinformation: faux loup généré - En Corée du Sud, une fausse image générée d’un loup échappé a détourné des ressources publiques et déclenché une alerte aux habitants. Mots-clés: deepfakes, crise, confiance, preuves, responsabilité. Financement infrastructure données IA - Vast Data lève 1 milliard de dollars avec Nvidia et grimpe à 30 milliards de valorisation, illustrant l’appétit pour les “pelles et pioches” de l’IA. Mots-clés: stockage, données, GPU, infrastructure, financement. - OpenAI Launches Shared ‘Workspace Agents’ for Team Workflows in ChatGPT - Google Cloud Launches Gemini Enterprise Agent Platform to Build and Govern AI Agents - Google: 75% of New Code Is AI-Generated as Company Moves to Agentic Workflows - Applied Compute Releases Agentic Workload Benchmarks to Test LLM Inference Engines - Report: OpenAI quietly tests ‘GPT Image 2’ with hints of a near-term launch - Study Finds AGENTS.md Can Sharply Improve or Degrade AI Coding Output - Perplexity Unveils Two-Stage SFT-to-RL Pipeline to Train More Efficient, Reliable Search Agents - Google Launches Workspace Intelligence to Connect Gemini Across Gmail, Drive, Docs and Chat - South Korea arrests man over AI-generated photo that misled search for escaped zoo wolf - Ex-OpenAI researcher Jerry Tworek launches Core Automation to automate AI research - Anthropic Explains Why Production AI Agents Are Shifting to the Model Context Protocol - Garry Tan Calls for ‘Skillify’ Workflow to Make AI Agent Fixes Permanent - Vast Data raises $1 billion at $30 billion valuation with Nvidia among backers - Google Cloud Next 2026 in Las Vegas to Spotlight Agentic AI and Keynotes - Simon Willison Tests Qwen3.6-27B, a Smaller Open Model Claiming Flagship Coding Performance - AI-Managed SF Store Draws Scrutiny Over Odd Orders and Pay Disparity - Every Podcast Argues Humans Provide the ‘Bread’ in AI Workflows as Workplace Agents Consolidate - MeshCore Core Team Splits After Trademark and AI-Code Dispute with Andy Kirby - Anker Unveils ‘Thus’ Compute-in-Memory Chip to Bring Local AI to Earbuds and More - Personalized LLM Answers Often Share a Stable Core, Not Infinite Divergence - Microsoft Reportedly Shifting GitHub Copilot to Token-Based Billing Starting in June Transcription de l'Episode Fuite d’un nouveau modèle d’images On commence par l’image, parce que le timing est explosif. OpenAI aurait brièvement mis en ligne, de façon anonyme, plusieurs modèles de génération d’images sur LM Arena début avril. La communauté a rapidement fait le lien, et les modèles ont été retirés en moins de deux jours. Depuis, les développeurs parlent d’un “GPT Image 2”. Ce qui intrigue, ce sont les indices qui s’accumulent: chaînes de caractères repérées dans des applis mobiles, en-têtes techniques évoqués par certains tests, et surtout des sorties qui semblent mieux gérer le texte dans l’image, avec un rendu plus photoréaliste et plus rapide. Pourquoi c’est important? Parce que DALL‑E 2 et DALL‑E 3 doivent être arrêtés le 12 mai 2026. Sans remplaçant solide, la transition risque d’être brutale pour les usages pros. Et en toile de fond, les exigences de transparence de l’AI Act européen à partir d’août pourraient accélérer des fonctionnalités de provenance, comme le watermarking. Agents IA en entreprise: OpenAI Dans la même idée — l’IA qui passe de “répondre” à “agir” — OpenAI présente des “workspace agents” dans ChatGPT. En clair: des agents partagés, pensés pour des équipes, capables de mener des workflows longs, de garder un état, de tourner en arrière-plan ou à horaires fixes, et d’utiliser des outils connectés, y compris en exécutant du code. L’angle clé, c’est la gouvernance: ces agents sont censés respecter les permissions existantes de l’organisation, demander des validations quand une action est sensible, et s’intégrer à un suivi entreprise via des contrôles admin et des API de conformité. OpenAI met en avant des cas très concrets: tri de feedback produit depuis Slack vers des tickets, rapports hebdo de métriques, qualification de leads, ou clôture comptable. C’est un changement de posture: ChatGPT n’est plus seulement une interface de requêtes, mais un composant de processus internes. Plateformes d’agents: Google Cloud Google Cloud répond quasiment point pour point avec sa Gemini Enterprise Agent Platform, annoncée comme la nouvelle colonne vertébrale pour construire et opérer des agents en production. Google la présente comme l’évolution naturelle de Vertex AI — au point de dire que la feuille de route future passera par cette plateforme plutôt que par Vertex comme produit séparé. Ce qui retient l’attention côté entreprise, c’est l’empilement “ingénierie + contrôle”: un studio visuel et un kit orienté code pour créer les agents, un runtime fait pour démarrer vite et tenir des workflows sur plusieurs jours, et une mémoire persistante. Et surtout une gouvernance centralisée: identité d’agent, registre d’outils approuvés, passerelle qui applique des politiques de sécurité et des protections contre les fuites de données et les attaques de type prompt injection. Bref, Google acte que la question n’est plus seulement “quel modèle?”, mais “comment on déploie sans perdre la maîtrise?”. IA dans Google Workspace Et Google pousse aussi cette logique au niveau des applications de bureau. Avec “Workspace Intelligence”, l’ambition est de relier emails, chats, fichiers, projets et collègues dans une sorte de couche sémantique commune, pour que Gemini puisse comprendre le contexte d’une organisation et agir à travers Gmail, Docs, Sheets, Slides et Drive. L’intérêt, c’est la promesse d’un “poste de commande” dans Google Chat — demander un briefing, retrouver un document pertinent, préparer un contenu, planifier, sans naviguer dans dix onglets. Mais l’enjeu réel, c’est la confiance: quand l’IA raisonne sur des contenus sensibles, la conformité, le chiffrement et les options de souveraineté des données deviennent des arguments de vente autant que des garde-fous. Coder avec l’IA: adoption massive Côté développement logiciel, Google lâche un chiffre qui marque les esprits: environ 75% de son nouveau code serait désormais généré par l’IA, puis relu par des ingénieurs. C’est une accélération impressionnante par rapport à 2024 et 2025. Sundar Pichai relie ça à des “workflows agentiques”, où l’IA ne se contente pas de suggérer une fonction, mais prend en charge des tâches plus autonomes, comme des migrations internes complexes réalisées bien plus vite qu’avant. Et signe que l’IA devient un outil de management autant que de productivité: certains employés auraient des objectifs d’usage de l’IA qui comptent dans l’évaluation. À noter aussi, en arrière-plan, des tensions rapportées autour de l’usage de Claude Code par certaines équipes, preuve que même chez les géants, le choix des modèles est devenu politique. Fiabilité des agents et documentation Dans le même registre “industrialisation”, une fuite de documents internes suggère que Microsoft préparerait un basculement de GitHub Copilot vers une facturation davantage indexée sur les tokens dès juin. L’idée serait de garder un abonnement mensuel, mais avec un quota de tokens, et — point important pour les entreprises — une mutualisation au niveau de l’organisation. Ce changement dit deux choses: d’abord, les coûts de calcul restent un sujet brûlant, même à grande échelle. Ensuite, ça pourrait rendre la dépense plus difficile à anticiper pour les gros utilisateurs, et pousser les équipes à mettre en place des règles d’usage, des métriques, et peut-être des “budgets IA” par projet. Benchmarks: mesurer les vrais agents Alors, comment on rend ces agents plus fiables au quotidien? Deux lectures se complètent. D’un côté, Augment a mesuré l’impact réel de fichiers AGENTS.md — des guides conçus pour être “découverts” par les agents de code. Résultat: ça peut aider énormément… ou empirer la qualité, selon la structure. Les meilleurs documents seraient courts, orientés tâches, avec juste assez d’instructions et des renvois vers des références chargées seulement si nécessaire. À l’inverse, des pavés d’architecture et des listes de “ne fais pas” peuvent rendre l’agent trop prudent, trop exploratoire, et finalement incomplet. De l’autre côté, Garry Tan propose une discipline: transformer chaque échec réel d’un agent en “skill” durable, c’est-à-dire une procédure codifiée, testée, et intégrée à une chaîne d’évaluations — comme on le fait pour des bugs logiciels. L’idée est simple: arrêter de corriger au feeling avec des prompts, et rendre certains chemins d’erreur littéralement impossibles. Recherche IA: entraînement et personnalisation Pour savoir si tout ça tient la route en production, encore faut-il mesurer correctement. Applied Compute critique les benchmarks d’inférence qui ressemblent à un simple aller-retour prompt-réponse. Selon eux, les agents modernes, ce sont des sessions multi-tours, avec des appels outils, des pauses, des reprises, et des caches qui vivent longtemps. Résultat: les métriques pertinentes changent. Pour un agent en arrière-plan, ce qui compte, c’est la latence de bout en bout, surtout dans la queue de distribution — les p90, p99 qui cassent les SLA. Pour un agent interactif, c’est le temps avant le premier token utile et la fluidité du streaming. Ils publient des traces de charge “réalistes” et un harnais open source pour les rejouer. Conclusion intéressante: à forte concurrence, le cache KV devient un goulot, avec des évictions qui dégradent les performances. En clair, l’infrastructure doit s’adapter à des usages plus irréguliers et plus longs que les démos classiques. Mésinformation: faux loup généré Sur le front “recherche et réponses”, Perplexity détaille une méthode de post-training pour des modèles de recherche augmentée: consolider d’abord des comportements indispensables en production — suivre les consignes, savoir s’abstenir, rester cohérent — puis utiliser du RL pour gagner en précision et limiter les appels outils inutiles. Ce qui compte ici, ce n’est pas la recette exacte, mais le constat: optimiser un seul objectif casse souvent le reste, et il faut des garde-fous explicites pour éviter de sacrifier la sécurité ou la qualité rédactionnelle. Et en parallèle, un autre article recadre la “personnalisation” des réponses en recherche: elle n’est ni totalement sur-mesure, ni purement cosmétique. Les réponses varient, oui, mais autour d’un noyau stable, contraint par les mêmes modèles, la même récupération d’infos, et les mêmes limites de contexte. Pourquoi ça intéresse les éditeurs et les marques? Parce que la visibilité ne se joue plus seulement sur un classement fixe, mais sur des archétypes de réponses qui reviennent malgré la variation. Financement infrastructure données IA Un rappel brutal des risques de la génération d’images: en Corée du Sud, la police a arrêté un homme accusé d’avoir perturbé la recherche d’un loup échappé d’un zoo en diffusant une photo générée par IA, prétendument prise près d’un carrefour. L’image a circulé, les autorités ont redirigé leurs efforts et envoyé une alerte d’urgence aux habitants. Ensuite, vérification: c’était faux, via des caméras de surveillance et des traces d’usage de logiciels. Le suspect dit avoir fait ça “pour s’amuser”. Ce cas illustre un point très concret: quand une image synthétique ressemble à une preuve, elle peut déplacer des ressources publiques, créer de l’anxiété, et compliquer une situation déjà tendue. Les mécanismes de vérification et la traçabilité des contenus deviennent un sujet de sécurité civile, pas seulement un débat en ligne. Story 11 Avant de conclure, un mot sur l’infrastructure et l’argent, parce que ça conditionne tout le reste. Vast Data annonce une levée de 1 milliard de dollars, valorisant l’entreprise à 30 milliards, avec Nvidia parmi les investisseurs. Vast vend des logiciels de stockage et de gestion de données pour des charges IA massives. Le signal, c’est la continuité de la ruée vers les “pelles et pioches”: données, stockage, orchestration, tout ce qui permet d’alimenter les GPU et de tenir les pipelines. Dans un monde d’agents et de workflows longs, la donnée bien rangée, gouvernée et accessible vaut presque autant que le modèle. Abonnez-vous aux flux spécifiques par édition: - Space news * Apple Podcast English * Spotify English * RSS English Spanish French - Top news * Apple Podcast English Spanish French * Spotify English Spanish French * RSS English Spanish French - Tech news * Apple Podcast English Spanish French * Spotify English Spanish Spanish * RSS English Spanish French - Hacker news * Apple Podcast English Spanish French * Spotify English Spanish French * RSS English Spanish French - AI news * Apple Podcast English Spanish French * Spotify English Spanish French * RSS English Spanish French Visit our website at https://theautomateddaily.com/ Send feedback to [email protected] Youtube LinkedIn X (Twitter)