Au-delà du lancement de modèles : les indicateurs qui révèlent la vitesse de progression de l'IA de pointe

Nic Reeve14:00 24.09.20268 min de lecture

Selon des recherches et des reportages récents, les laboratoires de pointe évoluent trop rapidement pour qu'un score unique ou une date de sortie puisse expliquer le rythme du développement de l'IA. L'image la plus fidèle combine la cadence de sortie, les gains de référence (benchmarks), la durée des tâches, les ressources informatiques, la fiabilité et les résultats de sécurité. Ce problème de mesure plus large est désormais au cœur de l'actualité de l'IA, alors que les entreprises passent de lancements occasionnels de modèles à une amélioration continue.

Qu'est-il arrivé au cycle de sortie ?

Les lancements de modèles sont devenus plus fréquents en 2026, mais les seules annonces de produits ne permettent pas de montrer à quel point un système s'est amélioré. Une sortie peut représenter un nouveau modèle, une variante optimisée, une mise à jour de sécurité ou une version à moindre coût. Compter les sorties reste utile, mais seulement si cela est couplé à des tests et des dates cohérents.

Selon The Register, publié le 23 septembre 2026, la cadence de sortie d'Anthropic est passée de lancements approximativement trimestriels en 2025 à des sorties presque mensuelles en 2026.
Selon le rapport de Tech Insider du 5 septembre 2026, quatre laboratoires de pointe ont commercialisé des modèles majeurs sur une période de 72 heures au début du mois de septembre.
Selon ce même rapport, les mises à jour majeures qui arrivaient une ou deux fois par trimestre au début de 2026 apparaissent de plus en plus fréquemment, chaque mois ou plus rapidement.

Un cycle plus rapide peut signaler une capacité d'ingénierie et de déploiement accrue. Cela peut également refléter des mises à jour mineures, un conditionnement de produit ou des versions parallèles plutôt qu'un bond comparable en termes de capacité générale. Les chercheurs ont donc besoin de registres de sortie qui enregistrent la taille du modèle, l'utilisation prévue, la date d'évaluation et si le système est une version préliminaire (preview) ou une version de production.

Quels benchmarks montrent un progrès réel ?

Les benchmarks de capacité restent le moyen le plus clair de comparer les systèmes, pourtant les tests perdent de leur valeur lorsque les modèles de pointe atteignent un plafond. Un système de mesure utile suit à la fois le score et la marge de progression restante. Il devrait également inclure des tâches inhabituelles, car la performance sur un benchmark ne garantit pas une performance fiable ailleurs.

Selon l'AI Index 2026 de l'Université de Stanford, publié en septembre 2026, presque tous les principaux développeurs de modèles de pointe rapportent des résultats de capacité, tandis que les rapports sur les benchmarks d'IA responsable restent incohérents.
Selon les chiffres de l'AI Index de Stanford cités dans des rapports récents, la performance sur SWE-bench Verified est passée d'environ 60 % à près de 100 % en un an.
Selon le rapport de Stanford, les incidents d'IA documentés ont atteint 362, contre 233 en 2024. Le chiffre précédent constitue un contexte historique et non un décompte pour l'année en cours.

La saturation des benchmarks crée un problème pratique. Un test conçu pour rester difficile pendant des années peut devenir facile en quelques mois. La prochaine génération d'évaluations doit mesurer la recherche ouverte, le travail logiciel, le raisonnement scientifique, l'exactitude factuelle et la résistance à la manipulation dans des conditions qui ressemblent à une utilisation réelle.

Pourquoi la durée des tâches devient-elle une mesure clé ?

La durée des tâches mesure le temps pendant lequel un modèle peut travailler avec succès avant que les erreurs ne deviennent probables. Au lieu de demander si un modèle répond correctement à une question, les évaluateurs testent s'il peut accomplir un travail multi-étapes qu'un humain qualifié effectuerait normalement sur une période définie. Cette mesure capture l'autonomie de manière plus directe qu'un simple score de précision.

Le suivi récent des modèles de pointe a utilisé des évaluations d'horizon de tâche (task-horizon), dans lesquelles les chercheurs estiment le temps humain requis pour les tâches et identifient le point où un modèle réussit environ la moitié du temps. Cette approche peut distinguer un système qui résout des problèmes de codage de cinq minutes d'un système capable de gérer une mission d'ingénierie de plusieurs heures.

Selon l'analyse de Big Matrix du 11 septembre 2026, METR a évalué plusieurs sorties de pointe au cours de l'année 2026, notamment Claude Opus 4.6, GPT-5.4 et Gemini 3.1 Pro, sur une période d'environ 100 jours.
Selon la même analyse, les tests d'horizon de tâche mesurent la durée de travail équivalente à celle d'un humain avant que le taux de réussite du modèle ne tombe à 50 %.

La mesure est encore incomplète. Les tâches longues peuvent masquer des échecs, et un modèle peut produire un travail convaincant mais incorrect. Les évaluateurs doivent enregistrer le temps de correction, l'utilisation d'outils, la supervision et le coût des tentatives répétées.

Comment la capacité de calcul révèle-t-elle le rythme des laboratoires ?

Le calcul d'entraînement offre une mesure physique des ressources qu'un laboratoire investit dans ses nouveaux systèmes. Les chercheurs peuvent comparer les heures de processeur, les générations d'accélérateurs, la consommation d'énergie, le volume de données et la capacité d'inférence. Le calcul n'est pas égal à la capacité, mais il aide à expliquer pourquoi le développement peut s'accélérer même lorsque les sorties publiques semblent similaires.

Les chiffres d'entraînement sont souvent privés et les laboratoires les divulguent de manière inégale. Cela rend les comparaisons publiques difficiles. Des analystes indépendants peuvent toujours suivre la construction de centres de données, l'achat de puces, les contrats cloud et la capacité de service des modèles, mais ces indicateurs nécessitent une attribution prudente car une installation peut supporter plusieurs produits.

Selon l'AI Index 2026 de Stanford, plus de 90 % des modèles de pointe notables ont été développés par l'industrie, montrant que les principales données de mesure proviennent de plus en plus des entreprises plutôt que des universités.
Selon les conclusions sur les benchmarks du rapport, les gains de capacité arrivent plus vite que les systèmes d'évaluation destinés à les mesurer.

Pour cette raison, un indicateur de rythme crédible devrait coupler le calcul divulgué avec l'amélioration résultante par unité de calcul. Un laboratoire qui double son matériel mais gagne peu sur des tests difficiles et indépendants peut faire preuve d'une mise à l'échelle inefficace. Un laboratoire qui obtient des gains plus importants avec des ressources similaires a peut-être amélioré ses données, ses algorithmes ou ses méthodes d'entraînement.

Qu'apportent la sécurité et la fiabilité ?

Les résultats de sécurité montrent si la croissance des capacités s'accompagne d'un contrôle. Un modèle qui obtient un meilleur score en codage ou en raisonnement mais qui devient moins véridique, plus exploitable ou plus difficile à surveiller n'a pas apporté une amélioration absolue. Les évaluations de sécurité devraient donc être publiées aux côtés des résultats de capacité, et non être traitées comme un exercice de relations publiques distinct.

L'AI Index 2026 de Stanford a révélé un écart entre la diffusion généralisée des benchmarks de capacité et le reporting moins cohérent des tests d'IA responsable. Cet écart limite les comparaisons entre les laboratoires. Les tableaux de bord publics devraient inclure les taux d'hallucination, les tests de cyber-abus, les fuites de confidentialité, les mesures de biais, la précision du refus et la performance sous sollicitation adverse (adversarial prompting).

Selon le rapport de Stanford de septembre 2026, le reporting des benchmarks d'IA responsable reste lacunaire parmi les principaux développeurs.
Selon le décompte des incidents de Stanford, 362 incidents documentés ont été enregistrés dans le dernier ensemble de données du rapport, contre 233 en 2024.

Le décompte des incidents n'est pas une mesure directe de la capacité du modèle. Il montre toutefois l'ampleur des dommages observés et enregistrés autour des systèmes déployés. Les chercheurs doivent séparer les défaillances du modèle des défaillances causées par le déploiement, le comportement de l'utilisateur ou la faiblesse des garde-fous.

Que devrait contenir un tableau de bord de pointe pratique ?

Un tableau de bord utile devrait suivre les mêmes systèmes au fil du temps et publier suffisamment de détails pour permettre une vérification indépendante. La fréquence de sortie fournit la vitesse. Les benchmarks fournissent la performance des tâches. Les horizons de tâches fournissent l'autonomie. Le calcul fournit l'investissement. Les tests de sécurité fournissent le contrôle. Le coût et la fiabilité montrent si les résultats du laboratoire survivent au contact des utilisateurs réels.

Intervalle de sortie : nombre de jours entre des versions de modèles comparables, avec une distinction claire entre les versions préliminaires et les systèmes de production.
Gain de capacité : évolution sur des tests difficiles et résistants à la contamination, rapportée avec la date d'évaluation et la version du test.
Horizon de tâche : la mission la plus longue équivalente à un travail humain, accomplie avec un taux de réussite spécifié.
Efficacité : gain de capacité par unité de calcul d'entraînement et par dollar d'inférence.
Fiabilité : taux d'erreur, facticité, échecs d'outils et quantité de correction humaine requise.
Sécurité : tests de capacités nuisibles, résultats de confidentialité, évaluations cyber, précision du refus et incidents documentés.

Le développement de pointe n'est pas une course unique mesurée par un seul chronomètre. Les comparaisons les plus défendables combineront les registres de sortie publics avec des évaluations indépendantes et des divulgations de laboratoires clairement datées. Cette approche peut montrer si un nouveau système est véritablement plus capable, simplement plus disponible ou simplement mieux conditionné pour le déploiement.

Sources

Lire la suite →

Articles connexes

AI & Tech

Mistral et HUMAIN signent un accord majeur pour développer une IA souveraine en Arabie saoudite

L'entreprise française d'IA générative Mistral AI a conclu un partenariat stratégique d'envergure avec la société saoudienne d'IA HUMAIN , une entreprise d'IA « full-stack » soutenue par le Fonds d'investissement public (PIF), afin de construire et de déployer une infrastructure et des modèles d'IA souverains et localisés en Arabie saoudite et dans l'ensemble de la région du Moyen-Orient. L'accord est évalué à plusieurs centaines de millions d'euros , soulignant l'ampleur des ambitions des deux entreprises en matière d'IA avancée et de souveraineté numérique. Une collaboration stratégique couvrant l'infrastructure et les modèles Selon un communiqué conjoint, la collaboration entre Mistral et HUMAIN repose sur trois piliers principaux : l'infrastructure d'IA , le développement de modèles avancés et le déploiement de solutions d'IA en Arabie saoudite et sur les marchés voisins. HUMAIN fournira l'infrastructure régionale de centres de données et de calcul, tandis que Mistral apportera son expertise dans le développement et l'exploitation de modèles de pointe à poids ouverts , notamment les grands modèles de langage (LLM). Les partenaires ont présenté cet accord à la fois comme un projet d'infrastructure de calcul et de modélisation : d'une part, en renforçant les capacités des centres de données haute performance dans la région ; d'autre part, en co-développant et en localisant des modèles d'IA de pointe adaptés aux besoins, aux attentes réglementaires et aux langues de la région. Focus sur l'arabe, la cybersécurité et les technologies vocales L'un des objectifs centraux du partenariat est la création de modèles d'IA de pointe localisés , particulièrement performants en arabe et optimisés pour une utilisation dans tout le monde arabe. Les premiers domaines d'intervention incluent la cybersécurité , les technologies vocales et de reconnaissance de la parole , ainsi que des capacités linguistiques arabes plus larges, adaptées aux besoins des secteurs public et privé. Les entreprises prévoient de co-concevoir des modèles capables d'alimenter des applications telles que des assistants numériques sécurisés, des copilotes sectoriels et des systèmes génératifs spécialisés dans des domaines comme les services financiers, les télécommunications, l'industrie manufacturière et l'administration publique. En ciblant les secteurs réglementés, Mistral et HUMAIN cherchent à répondre aux exigences strictes en matière de résidence des données, de conformité et d'auditabilité qui façonnent de plus en plus l'adoption de l'IA dans la région. Souveraineté des données et inférence locale La collaboration est explicitement positionnée autour du concept d' IA souveraine , c'est-à-dire une IA dont les données, les capacités de calcul et les opérations restent sous contrôle local ou national. Dans le cadre de cet accord, Mistral explorera et adoptera l'infrastructure de centre de données régionale d'HUMAIN pour effectuer des inférences locales pour ses modèles, garantissant ainsi que les charges de travail sensibles puissent être traitées à l'intérieur des frontières de l'Arabie saoudite. Cette approche est conçue pour séduire les clients qui doivent conserver leurs données sur le territoire pour des raisons réglementaires ou stratégiques. En combinant un calcul hébergé localement avec des modèles à poids ouverts, Mistral et HUMAIN présentent leur solution comme un moyen pour les entreprises et les gouvernements de conserver un meilleur contrôle sur la manière dont leurs systèmes d'IA sont entraînés, déployés et gouvernés. HUMAIN : une plateforme d'IA soutenue par le PIF pour l'Arabie saoudite HUMAIN est décrite comme une entreprise d'IA full-stack soutenue par le Fonds d'investissement public d'Arabie saoudite, créée pour fournir l'infrastructure, les plateformes et les applications nécessaires à la transformation numérique globale du pays et à ses objectifs « Vision 2030 ». Grâce à ce partenariat avec Mistral, HUMAIN vise à accélérer la disponibilité d'outils d'IA générative avancés conçus spécifiquement pour les utilisateurs arabophones, les cadres réglementaires locaux et les besoins des entreprises régionales. L'entreprise exploitera le centre de données et l'épine dorsale informatique nécessaires pour héberger et exécuter les modèles de Mistral localement, tout en collaborant sur la mise sur le marché et la commercialisation dans les secteurs clés d'Arabie saoudite et du Golfe. La stratégie d'IA souveraine et à poids ouverts de Mistral Pour Mistral AI, l'alliance avec HUMAIN étend sa stratégie plus large de promotion des modèles de pointe à poids ouverts et de l'infrastructure d'IA souveraine au-delà de l'Europe. La startup parisienne s'est imposée comme un champion des systèmes d'IA ouverts et contrôlables, travaillant avec des partenaires pour développer des capacités d'inférence régionales et des alternatives aux piles d'IA entièrement fermées et liées à un cloud spécifique. La feuille de route de Mistral comprend une combinaison de modèles ouverts , d'outils de déploiement de niveau entreprise et de partenariats avec des fournisseurs de cloud et des acteurs locaux de l'infrastructure pour offrir aux clients le choix du lieu et de la manière dont leur IA fonctionne. La collaboration avec HUMAIN étend ce modèle au Moyen-Orient, offrant aux organisations d'Arabie saoudite et des marchés environnants un accès à des modèles et à des infrastructures adaptables et gouvernables selon les exigences locales. Stratégie commerciale commune dans les secteurs réglementés Au-delà de la technologie, les deux entreprises développeront une stratégie commerciale commune en Arabie saoudite, en se concentrant en particulier sur les secteurs fortement réglementés. Leurs plans incluent le déploiement de solutions d'IA dans des domaines tels que la banque, l'assurance, la fabrication industrielle, les télécommunications et l'administration publique, où les obligations de conformité et la demande d'automatisation pilotée par l'IA sont élevées. Les partenaires soulignent que les modèles localisés, combinés à un calcul sur site et à un réglage fin spécifique au domaine, peuvent faciliter l'adoption de l'IA par les entreprises tout en respectant les obligations en matière de protection des données, de sécurité et de réglementation sectorielle. Paysage régional de l'IA et contexte mondial Le pacte entre Mistral et HUMAIN intervient dans un contexte de pression croissante des pays du Golfe, notamment l'Arabie saoudite et les Émirats arabes unis, pour devenir des acteurs mondiaux de l'infrastructure, de la recherche et de la commercialisation de l'IA. Le PIF saoudien construit un écosystème d'investissements dans le cloud, les semi-conducteurs et l'IA afin d'attirer des partenaires internationaux tout en développant des capacités nationales. Pour Mistral, cet accord complète son réseau croissant d'alliances, qui comprend d'importants partenariats cloud en Europe et ailleurs. En travaillant avec HUMAIN, l'entreprise étend son récit sur l'IA souveraine à une région qui investit massivement dans les services publics et l'industrie basés sur l'IA, et qui cherche à héberger davantage de son infrastructure numérique à l'intérieur de ses frontières nationales. Et ensuite ? Bien que les entreprises n'aient pas encore divulgué de produits spécifiques ou de calendriers de lancement, l'annonce décrit une collaboration pluriannuelle dans laquelle Mistral et HUMAIN co-développeront des modèles axés sur l'arabe, des solutions d'IA sectorielles et l'infrastructure pour les héberger à grande échelle. L'évaluation en centaines de millions d'euros suggère des investissements substantiels prévus dans les centres de données, les GPU et la capacité de développement de modèles. Alors que les régulateurs et les entreprises saoudiens affinent leur approche de l'IA générative, ce partenariat est positionné comme un vecteur pour fournir des capacités avancées dans un cadre qui privilégie la souveraineté des données, le contrôle local et le soutien aux langues régionales. La rapidité avec laquelle les services concrets atteindront les clients — et la manière dont ils rivaliseront avec les offres des géants technologiques américains et chinois — sera un test clé de la stratégie Mistral-HUMAIN dans les années à venir.

Nic Reeve·14:30 25.08.2026

AI & Tech

La refonte technologique de M&T Bank ouvre la voie à un déploiement massif de l'IA

Le 2 septembre 2026, M&T Bank a confirmé avoir déployé des copilotes d'IA et d'autres outils d'entreprise auprès de plus de 15 000 employés, dans le cadre d'une vaste expansion de l'intelligence artificielle en entreprise. Cette étape couronne une refonte technologique entamée en 2018 et positionne la banque comme un leader régional des opérations axées sur les données. Quelle est l'ampleur du déploiement de l'IA d'entreprise chez M&T Bank ? Le déploiement de l'IA d'entreprise de M&T Bank touche désormais la majeure partie de ses effectifs. Selon Yahoo Finance en septembre 2026, la banque a déployé des copilotes d'IA auprès de plus de 15 000 employés, tandis que Forbes rapporte qu'environ 16 000 membres du personnel utilisaient activement des outils d'IA générative pour leur travail quotidien en août 2026. L'expansion des outils d'IA au sein de M&T Bank constitue désormais l'un des plus grands déploiements documentés dans une banque régionale américaine. Voici quelques chiffres clés : Selon Forbes, août 2026 : environ 16 000 employés utilisent des outils d'IA générative à travers l'entreprise. Selon Yahoo Finance, septembre 2026 : les copilotes d'IA assistent plus de 15 000 employés dans des tâches telles que l'analyse d'appels, la rédaction de rapports et la génération de code. Selon ArtificialIntelligence‑News, septembre 2026 : les projets pilotes initiaux concernaient environ 800 employés avant une mise à l'échelle à l'échelle de l'organisation. Selon AIM Media House, décembre 2025 : Microsoft 365 Copilot et Copilot Chat avaient été déployés auprès d'environ 17 000 employés début 2025. La plupart de ces outils fonctionnent sur la suite Copilot de Microsoft, délivrée via l'architecture cloud et de données modernisée de M&T Bank. Le personnel accède désormais aux modèles génératifs par le biais d'applications Office, d'interfaces de chat internes et de fonctionnalités intégrées aux systèmes métier existants. Quels sont les cas d'usage concrets de l'IA mis en place au sein de M&T Bank ? M&T Bank utilise l'IA d'entreprise pour ses opérations internes, la gestion des risques, le développement de logiciels et le suivi du crédit commercial, plutôt que pour les interactions directes avec les clients. Ces cas d'usage combinent Microsoft Copilot avec des plateformes spécialisées de fournisseurs tels que RDC.AI et Rich Data Co. Selon Yahoo Finance et ArtificialIntelligence‑News, les applications internes et orientées vers le risque actuelles incluent : L'analyse des conversations des centres d'appels pour identifier les besoins des clients et les risques émergents du portefeuille. La rédaction de rapports, de communications internes et de comptes rendus de réunions pour les employés de tous les départements. La génération et la révision de code logiciel pour accélérer le travail de développement et de maintenance. La détection de modèles de fraude potentiels et le renforcement de la surveillance de la cybersécurité. Au-delà des copilotes, M&T a introduit des plateformes d'IA spécifiques à certains domaines dans le crédit commercial : Selon la présentation des Banking Tech Awards USA, mai 2026 : M&T Bank s'est associée à RDC.AI en 2025 pour remplacer le suivi manuel du crédit commercial basé sur des règles par une plateforme de surveillance continue pilotée par l'IA. La même source note que la plateforme soutient plus de 1 200 responsables de relations et associés au crédit, en fournissant des alertes automatisées sur le risque de l'emprunteur et l'exposition du portefeuille. AIM Media House rapporte que M&T intègre également la plateforme de décision de Rich Data Co. via le fournisseur nCino, et adopte le cloud de données client d'Amperity pour unifier les interactions et personnaliser les communications sur tous les canaux. Ces outils reposent sur l'environnement de données contrôlé de la banque plutôt que d'alimenter directement des décisions non supervisées. Quelle refonte technologique a permis l'expansion actuelle de l'IA chez M&T Bank ? L'avancée de M&T Bank vers une IA à grande échelle fait suite à un effort pluriannuel visant d'abord à corriger les données et les systèmes hérités. La banque a entamé une vaste refonte technologique vers 2018, reconstruisant sa gouvernance des données, son architecture cloud et son paysage applicatif pour soutenir l'analyse moderne et l'adoption réglementée de l'IA. Forbes décrit comment M&T a « bâti une base de données solide » à Buffalo, qui soutient désormais des dizaines de cas d'usage de l'IA générative selon trois axes : la maîtrise de l'entreprise, les capacités intégrées aux applications existantes et les modèles propriétaires. Les éléments clés de cette fondation incluent : Selon Forbes, mai 2025 : un portefeuille croissant de produits de données basés sur le cloud et le retrait progressif des plateformes héritées. Selon CDO Magazine, décembre 2025 : une architecture en « médaillon » superposée aux produits de données activés par le cloud, avec une responsabilité claire à chaque niveau. Selon Portfolio by BISA, septembre 2025 : un référentiel de données central appelé Edison, soutenu par des outils de traçabilité de Solidatus et Monte Carlo pour suivre le mouvement des données. Selon les rapports du Windows Forum, mars 2026 : une stratégie de données cloud centralisée conçue pour créer une vue unifiée « Client 360 » et réduire les frais de réconciliation en décommissionnant les outils d'analyse obsolètes. Le Chief Data Officer de M&T Bank, Andrew Foster, a souligné que des données fiables sont la condition préalable à l'IA générative. Portfolio by BISA le cite en affirmant qu'une traçabilité et une gouvernance fiables sont essentielles pour contrôler les risques opérationnels, de conformité et de réputation à mesure que l'utilisation de l'IA se développe. Comment M&T Bank gouverne-t-elle les données et l'IA dans le cadre d'un déploiement aussi vaste ? M&T Bank a bâti sa gouvernance de l'IA sur ses contrôles de données plutôt que de la traiter comme un exercice distinct. La banque utilise un modèle de données fédéré, une architecture en médaillon et des outils de traçabilité stricts, et séquence les projets d'IA pour suivre la maturité en matière de surveillance et de gestion des risques. AIM Media House décrit un plan étape par étape pour l'adoption de l'IA chez M&T Bank : Réinitialiser la gouvernance des données, la traçabilité et les contrôles avant tout pilote d'IA majeur. Mener des preuves de concept de six mois avec des outils comme Microsoft Copilot avant le déploiement à l'échelle de l'entreprise. Déployer largement les copilotes internes, tout en limitant et en supervisant étroitement les applications destinées aux clients. Intégrer l'IA spécifique au domaine, comme le suivi du crédit commercial et les plateformes de données clients, uniquement là où les cadres de surveillance sont matures. Portfolio by BISA rapporte qu'Edison et les plateformes de traçabilité aident la banque à retracer les sources de données pour les résultats de l'IA, soutenant ainsi les audits internes et les examens des régulateurs. L'analyse du Windows Forum sur les banques de l'ouest de l'État de New York souligne les politiques d'IA publiées par M&T, l'inventaire des modèles et la surveillance continue avec des alertes sur les dérives et les anomalies dans le cadre de ses contrôles des risques. Quels employés et unités commerciales sont les plus touchés par l'expansion de l'IA de M&T Bank ? Le déploiement de l'IA de M&T Bank affecte davantage le personnel administratif, les technologues et les professionnels du risque que les clients de première ligne. L'accès à Copilot est large à travers les fonctions d'entreprise, tandis que des plateformes spécialisées ciblent les équipes de crédit commercial et les groupes d'analyse utilisant l'environnement de données cloud de la banque. D'après les rapports de Yahoo Finance, Forbes et AIM Media House, les principaux groupes utilisant les nouveaux outils d'IA incluent : Le service client et les agents de centres d'appels, qui utilisent l'IA pour résumer les appels et identifier les prochaines meilleures actions. Le personnel des opérations, qui s'appuie sur des copilotes pour rédiger des e-mails, des rapports et des notes de réunion. Les ingénieurs logiciels et les équipes technologiques, où les copilotes aident au codage, à la documentation et au dépannage. Les gestionnaires de risques et les associés au crédit, qui utilisent la plateforme de suivi du crédit commercial de RDC.AI. Les équipes marketing et analytiques, qui travaillent avec le cloud de données client d'Amperity et les outils de décision de Rich Data Co. pour affiner le ciblage et les offres de produits. AIM Media House cite les responsables des données de M&T soulignant que la banque « ne se tourne pas encore vers le côté client » pour une utilisation large de l'IA générative, soulignant une décision de se concentrer sur la productivité du personnel et les connaissances sur les risques avant que l'IA n'influe directement sur les décisions des clients. Quelle stratégie guide les investissements en IA et les projets futurs de M&T Bank ? La stratégie d'IA de M&T Bank combine trois axes principaux : étendre la maîtrise de l'IA dans l'entreprise, intégrer l'IA dans les applications existantes et construire des modèles propriétaires utilisant les données propres à la banque, le tout dans un environnement réglementé et prêt à être inspecté. Forbes rapporte que les trois voies sont : La maîtrise de l'entreprise, où environ 16 000 employés expérimentent des outils génératifs pour améliorer la productivité et apprendre leurs capacités. Les capacités intégrées dans environ 1 800 applications, dont beaucoup proviennent de fournisseurs tiers, où des fonctionnalités d'IA ciblées prennent en charge des tâches comme la révision de documents et la notation des risques. Le développement propriétaire de grands modèles de langage et de solutions d'agents construits autour des données et des processus de M&T. ArtificialIntelligence‑News rapporte que le Chief Data Officer Andrew Foster et son équipe ont articulé un cadre similaire : utilisation générale de l'IA générative par les employés, IA intégrée dans les systèmes existants et solutions personnalisées alignées sur les flux de travail distinctifs de M&T. Forbes et CDO Magazine décrivent tous deux une approche visant à « avancer lentement pour aller vite », où un travail préparatoire minutieux sur les données, la gouvernance et la culture permet une mise à l'échelle plus rapide une fois les contrôles prouvés. À l'avenir, les commentaires publics et les dossiers de candidature aux prix indiquent plusieurs étapes probables : Selon Forbes, mai 2025 : expansion continue des produits de données basés sur le cloud et retrait des plateformes héritées à mesure que la demande en IA augmente. Selon le dossier des Banking Tech Awards USA, mai 2026 : intégration plus profonde de la surveillance continue par IA dans le crédit commercial, incluant de nouvelles mesures analytiques de la résilience du portefeuille. Selon Yahoo Finance, septembre 2026 : exploration de l'IA agentique pour la cybersécurité et la détection des fraudes, en s'appuyant sur les cas d'usage de détection existants. Comment le parcours d'IA de M&T Bank se compare-t-il à celui d'autres banques régionales ? M&T Bank se distingue désormais parmi les banques régionales de l'ouest de l'État de New York par son accent mis sur une stratégie de données centralisée et une adoption large de l'IA en interne, tandis que des pairs comme Five Star Bank sont documentés comme se concentrant sur l'IA dans des lignes de produits spécifiques, comme le crédit automobile indirect. Les résumés du Windows Forum sur la couverture locale décrivent deux trajectoires dans la région : M&T Bank investit dans l'architecture de données cloud, les connaissances clients gouvernées et l'accès à grande échelle des employés aux outils génératifs. Five Star Bank applique l'IA de manière plus étroite à l'automatisation au niveau du produit et à la prise de décision de crédit, avec des déploiements plus restreints. Ces comparaisons montrent que M&T Bank utilise sa taille et sa longue refonte technologique pour traiter l'IA comme une capacité à l'échelle de l'entreprise plutôt que comme une expérience isolée, en mettant l'accent sur la discipline des données et la maîtrise interne avant toute innovation agressive tournée vers le client.

Nic Reeve·14:00 07.09.2026

AI & Tech

L'actu de l'IA : inégalités éducatives, essor des datacenters et étude de confiance à Rutgers

AInews Hebdo : Lacunes éducatives, envolée des dépenses en centres de données et nouvelles données sur la confiance du public Durant la semaine du 11 septembre 2026, les sujets traités par AInews ont été variés, allant d'une vaste enquête de DataCamp sur l'utilisation de l'IA en classe aux nouveaux chiffres d'IDC sur les dépenses en infrastructure, en passant par des recherches de Rutgers sur la confiance du public envers les systèmes de décision automatisés. Ces actualités illustrent la rapidité avec laquelle l'intelligence artificielle se propage, alors que les compétences fondamentales et les garde-fous peinent à suivre le rythme. Qu'a révélé DataCamp sur l'IA dans les salles de classe en 2026 ? Le nouveau rapport « L'IA dans l'éducation » de DataCamp, publié le 10 septembre 2026, révèle que l'utilisation d'outils d'IA par les étudiants est désormais quasi universelle, tandis que la maîtrise technique et les mécanismes de protection liés à l'esprit critique accusent un retard. L'étude, menée auprès de plus de 150 enseignants et 150 étudiants, met en lumière un décalage marqué entre l'utilisation quotidienne de l'IA et l'encadrement formel. Selon le rapport 2026 de DataCamp sur l'IA dans l'éducation, publié via Business Wire et relayé par le Las Vegas Sun, les principales conclusions sont les suivantes : Portée : Plus de 150 enseignants et plus de 150 étudiants issus de différents établissements ont été interrogés sur leurs habitudes et leurs attitudes vis-à-vis de l'IA. Adoption : Le rapport décrit l'adoption de l'IA par les étudiants comme étant pratiquement universelle parmi les répondants, signifiant que la plupart d'entre eux s'appuient sur des outils d'IA sous une forme ou une autre pour leur travail scolaire. Lacunes en matière de compétences : DataCamp conclut qu'il « subsiste des écarts considérables entre l'adoption de l'IA et sa maîtrise », de nombreux étudiants utilisant des outils qu'ils ne comprennent pas pleinement. Inquiétudes concernant l'esprit critique : Les enseignants interrogés expriment la crainte qu'une dépendance excessive à l'égard de l'IA n'affaiblisse les capacités de raisonnement et de rédaction autonomes des étudiants. Incertitude sur les politiques : Les répondants font état de protocoles scolaires inégaux ou flous concernant l'utilisation de l'IA, allant des règles sur le plagiat aux outils autorisés lors des devoirs. DataCamp, qui se positionne comme une plateforme de montée en compétences en IA et en données, affirme que ce rapport vise à fournir aux éducateurs une base de référence sur la façon dont la « première génération native de l'IA », diplômée en 2026, utilise concrètement l'automatisation dans ses travaux quotidiens. L'entreprise soutient qu'une formation structurée sur des sujets tels que l'éthique de l'IA, la maîtrise des données et la conception de requêtes (prompt design) est désormais un prérequis indispensable à une utilisation pertinente en classe, plutôt qu'une option facultative. Plus tôt en 2026, DataCamp s'était engagé à offrir une formation gratuite en IA à un million d'enseignants et d'étudiants dans le monde via son programme DataCamp Classrooms, incluant des cours en Python, SQL, Power BI et une initiation plus large à l'IA. Le rapport sur l'éducation de septembre apporte des chiffres et des préoccupations tangibles à cet engagement, le présentant comme une réponse aux lacunes spécifiques identifiées par l'enquête. Comment DataCamp développe-t-il ses outils et contenus d'IA pour les professionnels et les organisations ? DataCamp a consacré le troisième trimestre 2026 à intégrer plus profondément l'IA dans ses produits d'apprentissage en entreprise, allant d'une interface « AI Tutor » étendue à des tableaux de bord « AI Adoption Insights » pour les administrateurs d'équipes. La plateforme a également lancé de nouveaux parcours liés aux modèles d'OpenAI, à Claude d'Anthropic et à la formation en ingénierie IA basée sur LangChain. Dans son webinaire sur la feuille de route du troisième trimestre 2026, résumé sur le site de DataCamp, l'entreprise a rapporté des jalons importants en matière de contenu et de fonctionnalités au cours du premier semestre : Nouveaux contenus : Plus de 120 nouveaux cours, 21 nouveaux parcours d'apprentissage et la prise en charge de 13 langues ajoutés au premier semestre 2026. Expansion de l'AI Tutor : DataCamp a renommé son mode d'apprentissage « AI Native » en **AI Tutor** et a commencé à intégrer directement Claude d'Anthropic et Claude Cowork dans cette expérience. Infrastructure : Un serveur MCP DataCamp connecte Claude à la plateforme, permettant aux administrateurs de gérer les plans d'apprentissage et d'extraire des rapports via des requêtes en langage naturel. Analytique : Les « AI Adoption Insights » dans le Group Hub montrent comment les équipes utilisent les outils d'IA au quotidien et comparent cet usage avec celui d'autres organisations. Parcours spécialisés : De nouveaux parcours se concentrent sur les fondamentaux de Claude, Claude pour les ingénieurs logiciels et la gestion des coûts de jetons (tokens) pour les développeurs, en plus de cours sur Microsoft Fabric, Power Platform, Polars et Apache Airflow. Certifications : Une certification Python Developer Associate est disponible, et des titres en « AI for Business », « AI Agent Fundamentals » et « AI Leadership » devraient compléter l'offre sur la maîtrise de l'IA. Plus tôt dans l'année, DataCamp a également annoncé un partenariat avec LangChain pour lancer un parcours « AI Engineering with LangChain », destiné aux développeurs logiciels souhaitant concevoir des applications d'IA prêtes pour la production. Ce parcours s'inscrit dans la transition plus large allant des compétences de base en rédaction de prompts à l'ingénierie IA complète, couvrant des sujets tels que le chaînage d'outils, la gestion des fenêtres de contexte et le suivi du comportement des modèles. Ces nouveaux cours s'appuient sur la couverture par DataCamp des modèles de pointe, incluant une analyse du lancement de GPT-6 « Astra » d'OpenAI et des articles comparatifs cherchant à déterminer quand les développeurs doivent choisir les systèmes récents d'OpenAI plutôt que ceux de concurrents comme Claude Fable 5.1 d'Anthropic. Avec l'AI Tutor et les parcours LangChain, ces mises à jour montrent que DataCamp cible à la fois le marché de l'éducation et les ingénieurs en activité avec des flux de travail IA plus intensifs. Que rapporte l'IDC sur les dépenses en infrastructure et en réseautage liées à l'IA ? Les dernières recherches d'IDC en matière d'infrastructure soulignent une croissance marquée du matériel réseau à mesure que les organisations déploient des centres de données dédiés à l'IA. Le cabinet met en avant une hausse de 43,4 % sur un an du marché des commutateurs Ethernet, atteignant 18,9 milliards de dollars au deuxième trimestre 2026, portée principalement par les charges de travail d'entraînement et d'inférence de l'IA. Selon le blog d'IDC sur le marché du réseautage d'août 2026 : Le chiffre d'affaires des commutateurs Ethernet a augmenté de 43,4 % sur un an au deuxième trimestre 2026 pour atteindre 18,9 milliards de dollars, ce qu'IDC lie directement à la demande des centres de données pour l'IA. La majeure partie de cette croissance provient de commutateurs haut de gamme déployés dans des installations hyperscale et de grandes entreprises exploitant des clusters IA denses en GPU. Les analystes d'IDC soutiennent que les charges de travail liées à l'IA modifient la conception des réseaux, poussant les fournisseurs vers des densités de ports plus élevées et de nouvelles architectures optimisées pour le traitement parallèle à grande échelle. Le rapport suggère que les dépenses en infrastructure IA ne sont plus expérimentales, mais qu'elles tirent désormais les budgets des centres de données vers des niveaux records dans tous les secteurs. Parallèlement au réseautage, le centre de ressources d'IDC a mis en lumière des mouvements tels que l'acquisition de Hugging Face par NVIDIA, s'inscrivant dans une tendance plus large d'adoption des modèles ouverts par les entreprises, les fournisseurs se disputant pour intégrer des systèmes d'IA open-source et propriétaires dans des plateformes consommables. Ces tendances combinées montrent que l'aspect commercial de l'IA évolue au-delà des simples lancements de modèles vers des achats matériels massifs, des fusions-acquisitions et une planification d'infrastructure à long terme. Comment l'université Rutgers travaille-t-elle sur l'IA dans les bibliothèques, la recherche et le sentiment public ? L'université Rutgers a consacré le début du mois de septembre 2026 à promouvoir à la fois des conseils pratiques sur l'IA et de nouvelles recherches sur les attitudes du public. L'institution a lancé des ateliers via les bibliothèques Rutgers sur l'utilisation des outils d'IA et a soutenu une enquête, rapportée par Tech Xplore, montrant un certain malaise lorsque l'IA prend des décisions sur les personnes au lieu de simplement les assister. Le site informatique officiel de Rutgers décrit une initiative sur l'IA grandissante à l'échelle de l'université, couvrant la santé, la science des données et les services de bibliothèque. Dans ce cadre, les bibliothèques Rutgers ont annoncé des ateliers « Navigating AI » le 2 septembre 2026, avec des objectifs incluant : Apprendre aux étudiants et au personnel comment évaluer la fiabilité et les biais des outils et des résultats de l'IA. Expliquer comment les modèles génératifs traitent les données, la confidentialité et l'attribution. Montrer aux usagers des bibliothèques comment combiner les outils de recherche ou de synthèse par IA avec les méthodes de recherche académique traditionnelles. Le 9 septembre 2026, Tech Xplore a rapporté les résultats d'une nouvelle enquête liée à Rutgers sur les attitudes des Américains envers l'intelligence artificielle. L'article indique que : Les participants à l'enquête sont globalement à l'aise avec l'IA lorsqu'elle fonctionne comme un outil qu'ils contrôlent, comme la correction automatique ou les moteurs de recommandation. Les niveaux de confort chutent brutalement lorsque l'IA passe de l'assistance à la prise de décision sur les personnes, par exemple dans le scoring de crédit, le recrutement ou la police prédictive. Les répondants expriment des inquiétudes concernant la transparence et l'équité lorsque les systèmes d'IA font des choix à fort enjeu, même s'ils apprécient les gains d'efficacité. Le Wireless Information Network Laboratory (WINLAB) de Rutgers profite également de septembre pour organiser des ateliers techniques successifs axés sur des bancs d'essai réseau avancés, notamment COSMOS3 le 17 septembre 2026, où l'optimisation par l'IA et la gestion du trafic figurent à l'ordre du jour. Bien que les ateliers sur l'infrastructure puissent sembler éloignés des enquêtes sur la confiance du public et de la formation en bibliothèque, ils illustrent la façon dont le travail sur l'IA à Rutgers couvre la recherche fondamentale, l'éducation des utilisateurs et l'impact social. Quels autres développements notables en IA ont marqué le paysage de cette semaine ? La semaine de l'IA, autour du 11 septembre, a été marquée par des débats sur les modèles de pointe, la consolidation des modèles ouverts et de nouveaux outils pour surveiller l'utilisation réelle de l'IA par les organisations. Ces événements relient les actualités éducatives de DataCamp, le pic d'infrastructure identifié par l'IDC et les questions de confiance soulevées par Rutgers. À travers diverses sources, les développements notables incluent : Lancements de modèles : Les commentateurs ont résumé la sortie début septembre de GPT-6 « Astra » d'OpenAI, notant comment l'arrivée du modèle a intensifié le débat autour de la souveraineté des données et du contrôle dans l'infrastructure IA. Consolidation du marché : La couverture par l'IDC de la volonté de NVIDIA d'acquérir Hugging Face souligne comment les fournisseurs de matériel cherchent à renforcer leurs positions dans les écosystèmes de modèles ouverts utilisés par les entreprises. Analytique d'usage : Les « AI Adoption Insights » de DataCamp visent à montrer aux organisations où l'IA est réellement intégrée dans les flux de travail quotidiens, et non seulement dans des projets pilotes. Conseils éthiques : La combinaison par Rutgers de recherches sur le sentiment public et d'ateliers pratiques souligne une volonté institutionnelle croissante de donner aux utilisateurs ordinaires les moyens de juger quand l'IA est utilisée de manière appropriée. Le résumé hebdomadaire original publié par Solutions Review le 12 septembre 2026 a présenté ces mises à jour comme un instantané de la rapidité avec laquelle l'IA s'intègre dans les systèmes traditionnels, alors que les éducateurs, les équipes informatiques et les chercheurs s'efforcent d'en gérer les conséquences. En rassemblant des données d'enquête, des chiffres sur les dépenses d'infrastructure et de nouveaux programmes d'enseignement, l'actualité de cette semaine démontre la propagation de l'IA à travers les lignes techniques, sociales et institutionnelles, ainsi que tout le chemin qu'il reste à parcourir en matière de gouvernance formelle.

Nic Reeve·14:00 12.09.2026