SpaceXAI lancera une startup d'ici 72 heures grâce à un nouvel outil d'IA

Nic Reeve13:37 05.10.20267 min de lecture

Les employés de SpaceXAI tenteront de bâtir une startup fonctionnelle à partir de zéro en seulement 72 heures à partir du 15 septembre 2026, en utilisant le nouvel outil AInews connu sous le nom de Grok Bot. Cet événement en direct, intitulé Grok Bot Galaxy, mettra en scène Matt Palmer, Lauren Tan et Roshan Sadanani, qui prendront chaque décision commerciale devant la caméra à San Francisco. Les participants utiliseront des agents autonomes pour gérer diverses opérations, avec pour objectif de transformer une page blanche en une entreprise opérationnelle d'ici la fin de la période de trois jours, le 17 septembre.

Qu'est-ce que l'événement Grok Bot Galaxy ?

L'événement Grok Bot Galaxy est un défi diffusé en direct où trois employés tenteront de lancer une entreprise en trois jours à l'aide d'agents d'IA. L'événement débutera le 15 septembre et s'achèvera le 17 septembre, avec des sessions quotidiennes de 8h30 à 18h00, heure du Pacifique.

Selon coincentral.com, l'équipe commence sans nom d'entreprise, sans produit ni idée centrale prédéfinis. Tous les choix stratégiques seront faits en direct pendant la diffusion. Un livestream gratuit accessible dans le monde entier permettra au public d'observer quelle part du travail lourd est effectuée par le logiciel par rapport aux créateurs humains.

En quoi le Grok Bot diffère-t-il du chatbot Grok standard ?

Grok Bot est une plateforme d'agents autonomes, ce qui la distingue du chatbot Grok utilisé pour répondre aux questions sur X. Alors que le chatbot génère du texte et des médias, le bot est conçu pour exécuter des projets multi-étapes et des tâches de travail de manière indépendante.

La technologie permet aux utilisateurs de créer des agents spécifiques, de leur attribuer des noms et de leur fixer des objectifs à accomplir. Selon cnet.com, ces agents diffèrent des assistants car ils peuvent agir de manière proactive. Là où un assistant pourrait effectuer une réservation, un agent pourrait potentiellement aider à gérer l'ensemble des opérations d'un restaurant.

Quelles sont les capacités de cette nouvelle plateforme d'agents IA ?

Les agents Grok Bot fonctionnent sur des ordinateurs cloud persistants plutôt que sur le matériel local de l'utilisateur. Cela leur permet d'exécuter des tâches 24 heures sur 24, même après que l'utilisateur humain s'est déconnecté de son appareil.

Le logiciel peut se connecter à diverses applications, sites web et boîtes de réception d'e-mails pour effectuer du travail. Selon eweek.com, les bots peuvent travailler via les interfaces utilisateur au lieu de s'appuyer uniquement sur des API. Cela signifie qu'ils peuvent interagir avec les outils numériques de la même manière qu'un employé humain, y compris avec des services qui ne disposent pas de connexions dédiées.

Les agents fonctionnent sur des ordinateurs dédiés basés sur le cloud.
Le système peut se souvenir des conversations passées et apprendre les préférences de l'utilisateur.
Les bots peuvent exécuter des tâches de bout en bout.
Les utilisateurs peuvent interagir avec les agents via téléphone ou ordinateur pour fournir des mises à jour.

Plusieurs agents d'IA peuvent-ils travailler ensemble ?

Oui, la plateforme permet le déploiement de plusieurs agents capables de communiquer, de partager le travail et de coordonner les tâches. Cela crée une main-d'œuvre numérique où différents bots occupent des rôles spécialisés.

SpaceXAI a déjà utilisé cette coordination en interne. Selon thenextweb.com, l'entreprise a utilisé les agents pour des tâches d'ingénierie, de croissance et de marketing. Cela inclut des activités telles que l'extraction de reçus de dépenses depuis des e-mails et la réalisation de recherches de ventes pendant la nuit.

Les cas d'utilisation internes rapportés par cnet.com montrent des agents gérant :

La prospection commerciale.
Les processus de recrutement.
Le traitement des factures.
L'implémentation de correctifs de bugs.
Les mises à jour du CRM.

Comment les utilisateurs entraînent-ils ces agents autonomes ?

Les utilisateurs peuvent entraîner les agents en leur faisant observer le flux de travail spécifique d'un humain. Une fois que l'agent comprend les étapes et les processus nécessaires, il peut effectuer la routine de manière indépendante à l'avenir.

La plateforme est conçue pour devenir de plus en plus proactive à mesure qu'elle apprend. Selon cnet.com, les agents peuvent finir par accomplir un travail avant même qu'un client ne le demande. Ce processus d'apprentissage vise à réduire le besoin d'instructions répétitives au fil du temps.

Qui est actuellement éligible pour utiliser le logiciel ?

La plateforme Grok Bot est actuellement en phase bêta avec un accès restreint. Elle n'est pas encore disponible pour tous les utilisateurs ni pour toutes les organisations de niveau entreprise.

Selon thenextweb.com, l'accès actuel est limité aux abonnés des niveaux suivants :

SuperGrok Heavy.
Cursor Ultra.
Cursor Teams Premium.

Le logiciel est disponible sur macOS, Windows, Linux et iOS, une version Android devant suivre. Les clients entreprises sont actuellement sur une liste d'attente pour un accès futur.

Quelle est l'histoire de l'entreprise SpaceXAI ?

SpaceXAI a été établie suite à une acquisition majeure au début de l'année 2026. Cette opération a permis d'intégrer différentes technologies d'IA sous une seule bannière corporative.

Selon coincentral.com, SpaceX a acquis xAI en février, une transaction qui valorisait xAI à 250 milliards de dollars. Suite à cela, l'entreprise a acquis la société de codage Cursor en août pour 60 milliards de dollars. Cette fusion a positionné l'entreprise pour concurrencer directement le marché de l'IA agentique en pleine évolution.

Quels sont les principaux risques associés aux agents d'IA ?

Le risque principal réside dans la possibilité que les agents agissent de manière imprévisible ou provoquent des failles de sécurité lorsqu'ils reçoivent l'accès à des systèmes commerciaux et des identifiants sensibles.

Uttara M. Ananthakrishnan, professeure adjointe à l'Université de Washington, avertit que la fiabilité est le plus grand obstacle. S'exprimant auprès de cnet.com, elle a déclaré :

D'autres risques signalés incluent :

L'accès non autorisé aux dossiers clients ou aux applications internes.
Le risque de "dérive" (going rogue), comme un agent en Australie supprimant une personne d'une liste d'attente pour réserver un cours.
Les vulnérabilités de sécurité, comme noté lorsqu'un chercheur a découvert que Grok Build téléchargeait des dépôts Git complets vers un stockage cloud.

Comment l'entreprise traite-t-elle la sécurité des entreprises ?

SpaceXAI fournit divers contrôles de sécurité pour ses versions commerciales et entreprises de niveau supérieur, bien qu'il ne soit pas clair si ceux-ci s'appliquent à la bêta actuelle.

Selon eweek.com, les contrôles d'entreprise pour Grok Business et Enterprise incluent l'authentification unique (SSO), les contrôles d'accès basés sur les rôles et les capacités d'audit. L'entreprise propose également un "Enterprise Vault" avec des clés de chiffrement gérées par le client et garantit qu'aucun entraînement n'est effectué sur les données des clients.

Cependant, des questions subsistent quant à la manière dont la version bêta gère la rétention des données. Les conditions de l'entreprise du 12 mai suggèrent une période de rétention de 30 jours pour la plupart des interactions, mais on ignore si Grok Bot utilise un modèle différent.

Comment le marché perçoit-il cette technologie ?

Le passage vers l'IA agentique est considéré comme une tendance majeure de l'industrie, les cabinets de services professionnels prédisant une adoption massive dans les années à venir.

Selon cnet.com, Deloitte estime que 75 % des entreprises prévoient d'incorporer des systèmes d'agents d'IA dans leurs opérations d'ici 2028. Cela représente un passage des simples chatbots vers des systèmes capables d'exécuter réellement des projets complexes et multi-étapes de manière autonome.

Qui sont les principaux concurrents dans ce domaine ?

SpaceXAI entre dans un champ de développeurs très encombré travaillant sur des agents autonomes capables de naviguer dans les interfaces logicielles.

Selon cnet.com, plusieurs prédécesseurs et rivaux existent, notamment :

OpenClaw.
Claude Computer Use.
OpenAI Operator.
Manus.
Hermes Agent.

De plus, thenextweb.com note que Sam Altman d'OpenAI a discuté de la coordination des agents avec les législateurs, indiquant que la course pour l'IA de bureau s'intensifie.

Que se passe-t-il après le défi de 72 heures ?

Le résultat de l'événement Grok Bot Galaxy servira de preuve de concept en conditions réelles de la capacité de la plateforme à soutenir une entreprise.

Au moment où le livestream se terminera le 17 septembre, le monde verra si les trois employés ont créé un produit légitime et fonctionnel avec de véritables utilisateurs. Si les agents parviennent à gérer les opérations de l'entreprise tout au long du sprint, cela démontrera que le logiciel peut gérer les complexités de l'entrepreneuriat réel. Si les bots échouent ou nécessitent une intervention humaine constante, cela pourrait suggérer que la technologie n'est pas encore prête pour une autonomie totale en entreprise.

Sources

Lire la suite →

Articles connexes

AI & Tech

L'ECRI lance un canal de signalement pour détecter les failles cachées de l'IA dans la sécurité des patients

L'organisation à but non lucratif dédiée à la sécurité des patients, ECRI , élargit son réseau national de signalement des problèmes afin de capturer explicitement les erreurs, les dysfonctionnements et les quasi-accidents liés aux outils d'intelligence artificielle (IA) et aux dispositifs basés sur l'IA utilisés dans les soins aux patients. Cette initiative vise à combler un manque critique de données, alors que les hôpitaux et les systèmes de santé déploient rapidement l'IA pour le diagnostic, le triage, la documentation et la communication avec les patients. Un nouveau canal pour suivre les préjudices liés à l'IA Depuis des décennies, ECRI recueille des rapports confidentiels sur les problèmes liés aux dispositifs médicaux et aux technologies de l'information de santé auprès des cliniciens de terrain et des organisations de santé, les examine et partage les enseignements tirés avec les sites déclarants et l'ensemble du secteur. Avec cette dernière extension, son réseau de signalement des problèmes (Problem Reporting Network) inclut désormais un canal dédié aux incidents où un outil basé sur l'IA pourrait avoir contribué à une erreur, produit un résultat incorrect ou introduit de nouveaux risques dans la prestation des soins. ECRI exhorte les prestataires de soins, les systèmes de santé et les cliniciens à travers les États-Unis à soumettre des rapports dès qu'ils soupçonnent qu'une application d'IA a joué un rôle dans un événement lié à la sécurité, que l'erreur ait atteint un patient ou qu'elle ait été détectée au préalable en tant que quasi-accident. Les rapports peuvent couvrir un large éventail de technologies, notamment les algorithmes de diagnostic, les outils d'aide à la décision clinique, les systèmes d'analyse d'imagerie radiologique, les modèles de prédiction des risques et les chatbots pilotés par l'IA utilisés dans l'engagement des patients. Des problèmes d'IA sous-déclarés dans la pratique clinique Cette extension reflète une préoccupation croissante quant au fait que les problèmes de sécurité liés à l'IA sont considérablement sous-déclarés par rapport aux défaillances de dispositifs plus traditionnels. Dans une enquête récente menée par ECRI auprès de 124 responsables de la qualité, de la sécurité, des risques et de la conformité, près d'un tiers ont déclaré avoir rencontré un résultat d'IA qu'ils estimaient incorrect ou trompeur au cours de l'année écoulée. Environ 9 % ont affirmé qu'une erreur d'IA avait touché un patient ou affecté une décision de soin. ECRI soutient que sans mécanismes de signalement formels, nombre de ces incidents restent invisibles aux yeux des organismes de surveillance et des développeurs de technologies. ECRI a précédemment averti que les événements indésirables impliquant des dispositifs médicaux et des applications basés sur l'IA sont souvent ignorés, car le personnel peut ne pas se rendre compte que l'IA fonctionne en arrière-plan, ou peut attribuer les problèmes uniquement à une erreur humaine ou à des problèmes de flux de travail. Les conseils de l'organisation soulignent la nécessité de reconnaître les événements liés à l'IA signalables , d'identifier quels produits intègrent l'IA et de mener des évaluations des risques spécifiques aux dispositifs basés sur l'IA. Exemples d'erreurs d'IA qu'ECRI souhaite voir signalées Le réseau de signalement élargi est conçu pour capturer un éventail de préoccupations de sécurité liées à l'IA, notamment : Les résultats incorrects ou trompeurs qui influencent les décisions de diagnostic ou de traitement, tels qu'une mauvaise classification des résultats d'imagerie ou des scores de risque inexacts. Les faux positifs et faux négatifs dans les outils de diagnostic basés sur l'IA, même lorsque les mesures de performance semblent acceptables, s'ils contribuent à des soins manqués ou inutiles. Le biais algorithmique conduisant à de moins bonnes performances pour des groupes de patients spécifiques, notamment les femmes et les minorités raciales ou ethniques. Les comportements inattendus ou recommandations dangereuses provenant de chatbots ou d'assistants virtuels utilisés dans les flux de travail cliniques ou en contact avec les patients. Les dysfonctionnements du système ou échecs d'intégration où les composants d'IA interagissent de manière incorrecte avec les dossiers de santé électroniques ou les dispositifs médicaux, provoquant des retards, des pertes de données ou l'affichage d'informations erronées. Tous les rapports soumis à ECRI sont gardés confidentiels, et le service est gratuit pour les organisations et les cliniciens participants. ECRI trie et examine les rapports, peut avertir les fabricants lorsque cela est approprié et intègre les conclusions dans ses alertes de sécurité, ses documents d'orientation et ses ressources pour les membres. Les risques liés à l'IA déjà au cœur des agendas de sécurité d'ECRI Le réseau de signalement élargi s'aligne sur l'évaluation plus large d'ECRI selon laquelle les risques liés à l'IA figurent désormais parmi les défis les plus urgents en matière de sécurité des patients. Dans sa liste annuelle des 10 principaux risques technologiques en santé pour 2026 , ECRI a classé le mauvais usage des chatbots d'IA dans les soins de santé comme le risque numéro un, avertissant que des chatbots mal gouvernés ou insuffisamment supervisés peuvent fournir des conseils inexacts ou dangereux aux patients et aux cliniciens. Le rapport 2026 d'ECRI sur les principales préoccupations en matière de sécurité des patients a identifié de la même manière « Naviguer dans le dilemme du diagnostic par l'IA » comme la principale préoccupation de sécurité, citant un risque croissant de diagnostics manqués, retardés ou incorrects lorsque les outils d'IA sont déployés sans validation robuste, gouvernance et supervision clinique. L'organisation recommande un enregistrement structuré des moments où l'IA informe les décisions diagnostiques, la tenue de pistes d'audit détaillées et des processus clairs permettant aux cliniciens de passer outre les résultats de l'IA lorsqu'ils entrent en conflit avec le jugement clinique. Comment le réseau élargi s'intègre dans la surveillance globale Les agences de réglementation telles que la Food and Drug Administration (FDA) des États-Unis gèrent des bases de données d'événements indésirables et de dispositifs médicaux basés sur l'IA autorisés, mais le réseau de signalement d'ECRI offre un canal complémentaire axé spécifiquement sur la sécurité des patients et les problèmes de mise en œuvre pratique. ECRI encourage les organisations à signaler les événements liés à l'IA non seulement aux bases de données réglementaires, mais aussi à son propre système, où les incidents peuvent être analysés dans le contexte de modèles plus larges de risques liés aux technologies de santé. Les rapports soumis via le canal IA élargi alimenteront les bases de données internes d'ECRI et pourraient donner lieu à des alertes de sécurité ciblées, des recommandations de pratique ou des enquêtes plus approfondies sur des produits ou cas d'utilisation spécifiques. Avec le temps, ECRI s'attend à ce qu'un signalement plus riche aide à quantifier la fréquence à laquelle les outils d'IA cliniques produisent des résultats incorrects ou trompeurs, quels types de flux de travail sont les plus vulnérables et quels contrôles sont efficaces pour prévenir les préjudices. Appel à l'action pour les cliniciens et les systèmes de santé Alors que l'adoption de l'IA s'accélère dans la radiologie, la pathologie, le triage d'urgence, la planification et la messagerie des patients, le message d'ECRI aux organisations de santé est direct : traitez les incidents liés à l'IA comme des événements de sécurité des patients signalables et soumettez-les par les canaux établis, y compris le réseau élargi d'ECRI. L'organisation exhorte les hôpitaux à former le personnel de terrain sur la manière de repérer les erreurs potentielles de l'IA, de les documenter systématiquement et de faire remonter les préoccupations pour examen. En capturant systématiquement les problèmes liés à l'IA — des classifications erronées subtiles aux défaillances diagnostiques majeures — ECRI vise à offrir aux cliniciens et aux développeurs de technologies une visibilité plus claire sur les risques réels, façonnant ainsi un déploiement de l'IA plus sûr dans l'ensemble du système de santé.

Nic Reeve·16:00 29.08.2026

AI & Tech

Le projet CW-Net de Motional et du MIT mise sur l'IA pour améliorer la prise de décision des robotaxis

Le projet Motional–MIT CW-Net met l'accent sur une prise de décision plus claire pour les robotaxis Le 2 septembre 2026, des chercheurs du MIT et la société de véhicules autonomes Motional ont dévoilé un nouveau système baptisé Concept-Wrapper Network (CW-Net). Celui-ci permet à un véhicule autonome d'expliquer ses décisions en temps réel, une avancée qui a rapidement attiré l'attention mondiale sur l'actualité de l'IA. Comment le CW-Net aide-t-il les gens à comprendre les décisions d'une voiture autonome ? Le CW-Net convertit le processus de planification opaque d'un robotaxi en concepts courts et en langage clair, tels que « approche d'un véhicule à l'arrêt » ou « proximité d'un cycliste ». Il force ensuite le planificateur de la voiture à utiliser ces concepts pour choisir son prochain mouvement, garantissant ainsi que l'explication corresponde à la raison réelle de l'action. Les travaux, décrits dans un article publié dans Nature le 2 septembre 2026, s'attaquent à l'un des problèmes fondamentaux de la conduite autonome : les modèles d'apprentissage profond en « boîte noire » qui sont performants, mais qui n'offrent ni aux passagers, ni aux conducteurs de sécurité, ni aux régulateurs, une compréhension claire des raisons pour lesquelles une voiture a accéléré, freiné ou fait un écart. Selon MIT News, le CW-Net est un « classificateur de concepts » intégré au cœur du réseau de planification de mouvement d'une voiture autonome, où il fait correspondre les données brutes des capteurs à des concepts de haut niveau sur lesquels le modèle s'appuie déjà. Le système contraint ensuite l'étape finale du planificateur à prendre ses décisions de trajectoire en utilisant ces concepts, préservant ainsi les performances de conduite tout en rendant le raisonnement explicite. Comme le décrit Motional, les explications apparaissent aux côtés de la trajectoire prévue en temps réel, offrant aux conducteurs de sécurité et aux passagers un commentaire continu sur ce que la voiture interprète de son environnement. Les rapports indiquent que les étiquettes de concept du CW-Net incluent des situations de circulation quotidiennes telles que « céder le passage à un piéton », « attente au feu rouge » et « freinage d'urgence », plutôt que des caractéristiques mathématiques abstraites. Cette conception découle d'un axe de recherche plus large au MIT sur les modèles à « goulot d'étranglement conceptuel » (concept bottleneck), où les systèmes d'IA sont forcés de réfléchir à travers des idées compréhensibles par l'homme avant de produire un résultat. Une étude du MIT de mars 2026 sur ces goulots d'étranglement a posé une grande partie des bases de l'approche du CW-Net, démontrant que l'extraction de concepts à partir de modèles existants peut améliorer à la fois la précision et la clarté des explications. Quels tests le MIT et Motional ont-ils effectués sur ce nouveau système d'IA explicable ? L'équipe du CW-Net a entraîné le système sur un ensemble massif de données de scènes de conduite réelles, puis l'a déployé sur les robotaxis de Motional, d'abord sur des pistes privées, puis dans des simulations à Las Vegas, afin de déterminer si les humains pouvaient prédire le comportement de la voiture et détecter les erreurs avec plus de précision. Les rapports décrivant les expériences présentent une campagne d'évaluation contrôlée conçue pour répondre à une question directe : le fait d'exposer le raisonnement de la voiture par le biais de concepts rend-il les superviseurs humains plus sûrs et plus efficaces ? Selon un résumé de l'industrie, le CW-Net a été entraîné sur environ 130 millions de scènes de conduite étiquetées, chacune associée à des concepts décrivant la situation routière, avant d'être intégré aux planificateurs de Motional. MIT News précise que le CW-Net a été déployé sur un véritable véhicule de test autonome, où un conducteur de sécurité humain surveillait à la fois la trajectoire de la voiture et le flux d'explications en direct. Lors d'un incident sur piste privée, cité dans plusieurs rapports, le CW-Net a révélé que le véhicule s'était arrêté en raison d'un « freinage d'urgence » plutôt que d'un « cycliste détecté », aidant ainsi le conducteur de sécurité à comprendre comment une quasi-collision aurait pu se produire. Les simulations à Las Vegas avec des utilisateurs non experts ont montré des gains similaires : les participants ayant accès aux explications du CW-Net étaient plus à même de prédire quand la voiture risquait de commettre une erreur ou d'avoir un comportement inattendu. Ces expériences s'appuient sur des travaux académiques antérieurs. Selon une version en libre accès de l'article datée de mars 2023, le concept initial du CW-Net montrait déjà que les explications basées sur des concepts amélioraient les modèles mentaux des conducteurs de sécurité, alignant les attentes humaines sur le processus décisionnel interne du véhicule. Pourquoi l'IA explicable est-elle importante pour les projets de robotaxis de Motional ? Motional s'est engagé à retirer les opérateurs de sécurité humains de ses robotaxis commerciaux d'ici la fin de 2026, rendant un comportement de l'IA transparent et prévisible indispensable pour les régulateurs, les partenaires et les passagers qui doivent accorder leur confiance à un service entièrement sans conducteur dans des villes comme Las Vegas. L'entreprise, née d'une coentreprise entre Hyundai Motor Group et Aptiv, exploite des flottes de test depuis des années. Elle cherche désormais à passer de pilotes supervisés à des trajets commerciaux sans conducteur, à une époque où la surveillance publique de la sécurité des véhicules autonomes s'intensifie. La couverture médiatique du secteur technologique en janvier 2026 a rapporté que Motional visait à lancer de véritables services sans conducteur d'ici la fin de l'année, en retirant les conducteurs de secours des robotaxis après obtention de l'approbation réglementaire. Les communications de Motional décrivent le CW-Net comme une manière d'ouvrir « le cerveau d'une voiture autonome », un moyen de montrer aux passagers et aux régulateurs pourquoi la voiture réagit face aux dangers ou à des situations de circulation complexes. Selon des médias axés sur les start-ups, la collaboration avec le MIT permet aux ingénieurs de Motional de déboguer les cas d'échec plus rapidement, car ils peuvent voir sur quel concept le planificateur s'est appuyé lorsqu'il a pris une mauvaise décision. Les rapports d'actualité technologique générale soulignent que des explications plus claires pourraient également faciliter la résolution des questions de responsabilité après des incidents, en documentant ce que le système a détecté et comment il a interprété la scène. Pour les agences de transport urbain envisageant des partenariats avec des robotaxis, cette interprétabilité pourrait être aussi importante que les mesures de sécurité brutes. Elle leur donne un outil pour interroger le comportement du système, plutôt que de considérer la pile d'IA comme une boîte noire impénétrable. Qu'est-ce qui différencie le CW-Net des méthodes d'IA explicable précédentes ? Le CW-Net ne se contente pas d'ajouter un module d'explication séparé au-dessus du planificateur. Il remodèle le planificateur de telle sorte que son raisonnement interne soit exprimé via des concepts utilisés directement par le système d'explication. Les chercheurs soutiennent que cela garantit la fidélité causale des explications, plutôt que de simples éléments décoratifs. L'IA explicable s'est souvent appuyée sur des outils post-hoc qui mettent en évidence des parties d'une image ou d'une entrée de capteur après coup, laissant planer le risque que la visualisation ne soit qu'une corrélation lâche plutôt que le moteur réel de la décision. Les travaux du MIT et de Motional tentent de resserrer ce lien. Les informaticiens du MIT ont exploré des modèles à goulot d'étranglement conceptuel qui forcent les systèmes d'IA à faire des prédictions en utilisant des concepts explicites, qui sont ensuite décrits en langage naturel par un grand modèle multimodal. Selon l'étude du MIT de mars 2026, cette approche demande à un auto-encodeur spécialisé d'extraire les caractéristiques les plus pertinentes d'un modèle pré-entraîné et de les transformer en un ensemble compact de concepts. Ces concepts sont ensuite étiquetés et décrits à l'aide d'un modèle de langage multimodal, entraîné à reconnaître quand chaque concept est présent dans une scène. Le CW-Net applique cette famille d'idées à la planification de mouvement pour les véhicules autonomes, traduisant des flux de capteurs denses en concepts de circulation étiquetés, partagés à la fois par le planificateur et le module d'explication. En couplant étroitement les explications au cheminement interne du planificateur, le CW-Net vise à réduire ce que les chercheurs appellent la « fuite de concept », où les explications font référence à des idées qui n'ont pas réellement conduit à la sortie du modèle. Cette distinction est cruciale dès lors qu'un humain doit se fier à l'explication pour des décisions critiques en matière de sécurité. Qui a travaillé sur le projet et comment est-il publié ? L'équipe de recherche du CW-Net réunit le Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT et les ingénieurs en conduite autonome de Motional. Leur article commun sur l'apprentissage profond explicable pour les voitures autonomes a été publié dans Nature début septembre 2026, faisant suite à des présentations en conférence et des versions pré-imprimées. Cette collaboration reflète une tendance plus large des grands programmes de véhicules autonomes à associer le développement interne à des partenariats académiques pour aborder des questions fondamentales d'IA telles que l'interprétabilité, l'équité et la sécurité. MIT News crédite les chercheurs du CSAIL comme auteurs principaux de la méthode « concept-wrapper », travaillant directement avec les équipes de robotique de Motional qui ont déployé le système sur les véhicules de test. Motional cite plusieurs de ses scientifiques et cadres supérieurs, dont son PDG, comme collaborateurs sur l'article de Nature et co-auteurs de travaux antérieurs sur la planification de mouvement explicable. Une version pré-imprimée intitulée « L'apprentissage profond explicable améliore les modèles mentaux humains des voitures autonomes » est apparue pour la première fois en ligne en mars 2023, posant les bases scientifiques de la publication dans Nature . Les sites d'actualités commerciales et technologiques soulignent que la publication de cet article dans une revue de haut niveau signale que l'interprétabilité devient centrale dans la recherche sur la conduite autonome, et non plus une simple curiosité académique. Publier dans une revue de premier plan ouvre également les travaux à l'examen d'experts extérieurs, des éthiciens de l'IA aux analystes de la sécurité des transports, ce qui pourrait influencer la manière dont les régulateurs évalueront les systèmes explicables dans les futures réglementations sur les véhicules autonomes. Quelle est la suite pour l'IA explicable des voitures autonomes ? Le MIT et Motional affirment que le CW-Net est une étape vers une utilisation plus large des explications basées sur les concepts dans l'IA critique pour la sécurité. Les travaux futurs testeront probablement le système dans d'autres villes, l'étendront à de nouveaux scénarios de conduite et le connecteront à des efforts plus larges d'audit et de tests de résistance des modèles d'IA face aux biais et aux modes de défaillance. Les chercheurs explorent déjà des idées connexes. Le CSAIL du MIT a développé des agents d'interprétabilité automatisés qui sondent les réseaux neuronaux à l'aide de modèles vision-langage, tandis que les techniques de goulot d'étranglement conceptuel continuent d'évoluer pour la vision par ordinateur et la robotique plus largement. Un rapport de juillet 2024 sur le projet MAIA du MIT décrit un agent multimodal qui conçoit des expériences pour comprendre le comportement des modèles d'IA, laissant entrevoir des outils capables un jour d'inspecter des systèmes comme le CW-Net à la recherche de failles cachées. Les avant-premières des conférences de robotique de mi-2026 montrent des équipes du MIT utilisant de grands modèles de langage pour aider les robots à interpréter des instructions complexes, renforçant l'idée que les explications en langage naturel deviendront une partie standard du comportement des machines. Les observateurs de l'industrie s'attendent à ce que Motional et ses pairs combinent une planification explicable avec d'autres mesures de protection, telles que la fusion de capteurs diversifiés, des systèmes de freinage redondants et des conseils indépendants d'analyse des défaillances. À mesure que les robotaxis seront déployés sur davantage de marchés, les agences de transport pourraient demander l'accès aux journaux d'explication de systèmes comme le CW-Net lors de l'examen d'incidents ou de l'octroi de permis. Pour les passagers du quotidien, le changement le plus visible pourrait être simple : lorsqu'ils seront assis dans une voiture sans conducteur et qu'ils se demanderont « Pourquoi s'est-elle arrêtée ? », la voiture sera en mesure de répondre dans un langage clair, en puisant directement dans les mêmes concepts qui guident sa conduite.

Nic Reeve·14:00 03.09.2026

AI & Tech

Harvard intègre des avatars IA à son bootcamp pour entrepreneurs à 699 $

La Harvard Business School a apporté une touche d'intelligence artificielle à la formation à l'entrepreneuriat, en lançant un nouveau bootcamp de huit semaines dédié aux startups, qui associe des cours en direct à des avatars d'instructeurs générés par IA. Le programme, baptisé HBS Foundry, coûte 699 $ et vise à offrir aux aspirants fondateurs des retours plus personnalisés lors d'exercices de pitch et de simulations de réunions de conseil d'administration. Selon les informations rapportées par TechCrunch, le cours utilise des avatars conçus par la plateforme vidéo IA HeyGen pour imiter les instructeurs et réagir lors d'exercices tels que des simulations de pitch et des scénarios de salle de conseil. Si les sessions hebdomadaires en direct restent dirigées par de véritables enseignants, les avatars IA ont pour but de prolonger les retours que les étudiants reçoivent entre ces cours. Cette initiative reflète une tendance plus large des écoles de commerce et des plateformes d'apprentissage en ligne à rendre l'éducation à l'entrepreneuriat plus évolutive sans sacrifier l'aspect coaching personnalisé. Dans ce cas précis, Harvard tente de combiner un enseignement dirigé par des humains avec des répliques numériques capables de formuler des critiques dans un format proche d'une conversation en direct. Ce bootcamp s'inscrit dans la volonté de la Harvard Business School d'atteindre des fondateurs au-delà de ses programmes diplômants traditionnels. HBS Foundry s'adresse aux entrepreneurs en quête de conseils pratiques pour structurer et tester leurs idées, affiner leurs pitchs et se préparer aux interrogatoires des investisseurs. En utilisant des avatars IA, le programme tente d'offrir des retours plus fréquents et plus accessibles qu'un modèle de classe standard ne le permettrait. La couverture médiatique de CryptoRank a souligné le caractère novateur de ce dispositif, et l'histoire s'est rapidement propagée dans les médias spécialisés en technologie et en startups, en raison du contraste entre le prestige de la marque Harvard et l'accessibilité grand public d'un bootcamp en ligne à 699 $. Ce prix est nettement inférieur au coût de nombreuses offres de formation pour cadres, ce qui rend le cours plus accessible aux fondateurs et opérateurs en phase de démarrage. L'utilisation d'avatars IA soulève également des questions désormais courantes dans l'éducation et la formation en entreprise : dans quelle mesure les instructeurs synthétiques peuvent-ils saisir la nuance d'un mentor expérimenté, et où se situe la limite entre l'automatisation utile et l'imitation ? Dans ce programme, les avatars ne remplacent pas totalement le corps enseignant, mais ils assument un rôle qui dépend traditionnellement d'une interaction humaine individuelle. HeyGen, l'entreprise à l'origine de ces avatars, se positionne comme un outil de création vidéo et de flux de travail de présentation alimenté par l'IA. Dans le bootcamp de Harvard, sa technologie est utilisée à une fin plus spécifique : simuler les retours des instructeurs dans un environnement de formation aux startups. Cela fait de ce cours l'un des exemples les plus visibles, à ce jour, de l'intégration de l'IA générative, passant d'un usage expérimental à une éducation formelle. L'importance de cette initiative réside dans le signal envoyé par Harvard concernant l'avenir de l'enseignement de l'entrepreneuriat. Si les avatars IA peuvent fournir de manière fiable des retours structurés sur les pitchs, les réunions de conseil d'administration et la communication des fondateurs, des systèmes similaires pourraient être adoptés par d'autres écoles, accélérateurs et programmes de formation en entreprise. S'ils échouent, l'expérience servira tout de même de test utile pour évaluer jusqu'où l'IA peut aller dans des rôles dépendant du jugement, du ton et du mentorat. Pour l'instant, HBS Foundry se distingue moins comme un remplacement des professeurs que comme un modèle hybride utilisant des logiciels pour étendre leur portée. Cette combinaison d'enseignement en direct et de personnalisation par l'IA attirera probablement l'attention des fondateurs en quête de formation pratique — et des éducateurs curieux de voir jusqu'où cette technologie peut être poussée.

Nic Reeve·14:00 23.08.2026