Sujet

IA générative

L'intelligence artificielle générative produit du contenu original (textes, images, code) à partir de données. Intégrée dans les outils métier, elle transforme la collaboration humain-machine. Ses enjeux : propriété intellectuelle, désinformation, biais, transparence et régulation.

148 articles · Mis à jour il y a 3 mois

À propos de IA générative

De quoi il s'agit

L'IA générative est un ensemble de systèmes informatiques capables de produire du contenu nouveau : textes, images, vidéos, code source, données synthétiques. Entraînés sur des corpus textuels et visuels massifs, ces modèles identifient des motifs et génèrent des réponses pertinentes à des prompts spécifiques. Distincts des systèmes de classification ou de prédiction, les modèles génératifs se déploient comme une couche cognitive transversale, intégrée progressivement dans les logiciels métier (ERP, CRM, suites bureautiques, plateformes industrielles), équipant chaque fonction d'un assistant automatisé.

Enjeux et débats

Quatre enjeux structurants fragmentent le débat public. Le premier concerne la propriété intellectuelle : les modèles sont entraînés sur des contenus créés par des humains (textes, images, code) sans compensation ni consentement explicite des auteurs, soulevant des questions sur la rémunération et les droits d'usage. Le second est la désinformation : la capacité à produire massivement du contenu plausible (images synthétiques, textes, voix artificielles) abaisse drastiquement le coût de la désinformation, complexifiant la vérification des contenus. Le troisième porte sur les biais : les modèles reproduisent et amplifient les inégalités présentes dans leurs données d'entraînement (représentations stéréotypées dans les images, biais de genre en traduction, discrimination dans les systèmes d'aide à la décision). Enfin, la transparence reste fragile : comprendre comment et pourquoi un modèle produit une réponse donnée demeure techniquement difficile, compliquant la responsabilité juridique et la confiance.

Cadre et acteurs

En Europe, l'AI Act, impose un cadre « basé sur le risque ». Les modèles généralistes d'IA (foundation models) sont soumis à des obligations spécifiques : documentation des données d'entraînement, évaluation des capacités systémiques, mesures de prévention des contenus interdits (discours de haine, incitation à la violence). L'application se fait par étapes. En France, la CNIL apporte des précisions sur la transparence et la gestion des données, tandis que la Commission européenne pilote la mise en œuvre. Parallèlement, les pouvoirs publics européens débattent des mesures d'incitation à la souveraineté technologique et de l'encadrement des modèles fondamentaux. Les fournisseurs de modèles doivent désormais justifier leurs pratiques d'entraînement et limiter les risques systémiques.

Ce que suit ActuIA

ActuIA couvre l'évolution du cadre légal (AI Act, règlementations nationales et sectorielles), les débats sur la propriété intellectuelle et les compromis entre innovation et protection, les avancées en matière de robustesse et d'audit des modèles, les expériences pilotes d'IA générative dans les secteurs public et privé, et les controverses portant sur les usages problématiques (deepfakes, discrimination automatisée). Nous suivons aussi les initiatives de transparence, les travaux de standardisation et les initiatives open source alternatives aux modèles propriétaires.

Le guide complet

L'intelligence artificielle générative produit du contenu original (textes, images, code) à partir de données. Intégrée dans les outils métier, elle transforme la collaboration humain-machine. Ses enjeux : propriété intellectuelle, désinformation, biais, transparence et régulation.

Concepts clés

Dernières brèves

Nouveau modèle

StepFun lance Step 5 Preview, un MoE de 600 milliards de paramètres dont 27 actifs, et promet les poids ouverts le 15 octobre

Le 19 septembre 2026, le laboratoire chinois StepFun a mis en ligne Step 5 Preview, son modèle phare pour les tâches agentiques. La fiche publiée par l'éditeur décrit une architecture Mixture-of-Experts creuse de 600 milliards de paramètres au total, 27 milliards activés par jeton, une fenêtre de contexte d'un million de jetons et une entrée visuelle. StepFun revendique 44 points sur l'Artificial Analysis Intelligence Index, 67,7 % sur DeepSWE v1.1, 93,5 % sur GPQA Diamond et 33,3 % sur Terminal-Bench v4, contre 52,3 % pour Claude Opus 5 sur ce dernier test. Le modèle est déjà accessible par API et par les produits maison ; l'éditeur annonce la publication des poids ouverts le 15 octobre. Un dépôt vide nommé Step-5-Preview-BF16 a été créé sur Hugging Face le 20 septembre.

Source : StepFun
Ranger dans…
Enregistré. Ajouter une note ?
Mise à jour de modèle

SGLang 0.5.20 agrège 713 contributions, ajoute huit modèles et des masques d'échantillonnage pour rejouer les déroulés d'apprentissage par renforcement

Le 19 septembre 2026, le projet SGLang a publié la version 0.5.20 de son moteur d'inférence, qui regroupe 713 demandes de fusion issues de 237 contributeurs. Huit modèles entrent dans la liste prise en charge, dont GLM-5.3-Flash, Hy4-Preview de Tencent, Qwen3.8-Flash-Next, K2 Horizon et Nanbeige4.2, plus trois modèles de diffusion. La nouveauté mise en avant est l'option return_sampling_mask : à chaque pas de décodage, le moteur renvoie l'ensemble exact des jetons parmi lesquels l'échantillonneur a tiré, ainsi que la log-probabilité du jeton retenu, ce qui permet à un entraîneur de rejouer un déroulé sans reconstruire le top-k ni le top-p. Sur Qwen3-8B, l'équipe mesure un débit de décodage supérieur de 17 % à lot unitaire et de 52 % à lot de 64 par rapport à l'implémentation précédente. La capacité est réglée par le paramètre sampling-mask-max-tokens, fixé à 4 096 jetons par défaut.

Usage malveillant (deepfake, fraude…)

Google confirme que Gemini a pénétré trois entreprises réelles en mai, pendant des évaluations de sécurité menées par Irregular

Le 18 septembre 2026, Google a confirmé au Guardian que son modèle Gemini avait pénétré en mai les systèmes de trois entreprises réelles, pendant une évaluation de cybersécurité conduite par la société israélienne Irregular. L'environnement de test, peuplé d'entreprises fictives, n'était pas censé être relié à Internet, selon le Wall Street Journal, qui a révélé l'affaire. « Lors d'une évaluation standard, le modèle a trouvé des informations publiques en ligne et deviné des identifiants pour accéder à des sites qu'il pensait faire partie du test », a déclaré Heather Adkins, vice-présidente de l'ingénierie de sécurité de Google. « Dans ces trois cas, le modèle s'est arrêté. » Dans un test, l'entreprise fictive portait le nom d'une société réelle ; dans les deux autres, le modèle a trouvé des identifiants dans des dépôts publics. Google n'a pas rendu ces incidents publics mais dit avoir averti les trois entreprises visées. Irregular l'avait prévenu fin juillet 2026.

Ranger dans…
Enregistré. Ajouter une note ?
Nouveau modèle

Claude Code lit désormais le fichier AGENTS.md dans les projets sans CLAUDE.md, sauf pour les déploiements Bedrock, Vertex et Foundry

Le 18 septembre 2026, Anthropic a publié la version 2.1.277 de Claude Code, qui ajoute la prise en charge du fichier AGENTS.md : dans un projet dépourvu de CLAUDE.md, l'agent de code lit AGENTS.md à la place, le réglage figurant sous « Project instructions » dans la commande /config. Le journal des modifications précise que cette lecture n'est pas encore active pour les déploiements passant par Amazon Bedrock, Vertex et Foundry. Jusqu'à cette version, Claude Code ne lisait que son propre fichier de consignes. Le projet LLVM débattait début septembre d'adopter ce même fichier à la racine de son dépôt. La version 2.1.278 a suivi le 19 septembre.

Alliance stratégique

Amazon Bedrock ouvre l'accès à Kimi K3 de Moonshot AI, crédité de 2 800 milliards de paramètres et d'un contexte d'un million de jetons

Le 18 septembre 2026, Amazon Web Services a mis Kimi K3, le modèle du chinois Moonshot AI, à disposition sur Amazon Bedrock. AWS reprend les indications de Moonshot AI : 2 800 milliards de paramètres, ce qui en ferait le premier modèle ouvert à ce niveau, des capacités natives de vision, une fenêtre de contexte d'un million de jetons et une efficacité d'échelle environ 2,5 fois supérieure à celle de Kimi K2. C'est le premier modèle à poids ouverts de Bedrock à accepter la mise en cache explicite des invites, qui réduit la latence et le coût d'entrée quand le contexte est réutilisé. L'appel passe par un profil d'inférence inter-régions, le profil mondial revenant environ 10 % moins cher qu'un profil géographique. Depuis 2025, Bedrock a ajouté des dizaines de modèles ouverts de DeepSeek, Google, MiniMax, Mistral AI, Moonshot AI, NVIDIA, OpenAI et Qwen.

Articles

148 au total