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

IA : comment les modèles « open-weights » souverains sont devenus la nouvelle frontière technologique

Le 4 août 2026, un nouveau cadre fédéral américain de gouvernance de l'IA et une vague de récentes publications de modèles à « poids ouverts » (open-weight) ont démontré comment l'IA souveraine à poids ouverts a atteint la frontière technologique, un changement largement suivi sous la bannière de l'AInews dans les cercles politiques et de développement. Pourquoi l'IA souveraine à poids ouverts est-elle soudainement à la pointe ? Les gouvernements et les entreprises traitent désormais le contrôle des poids des modèles et de l'infrastructure comme un enjeu stratégique, répondant aux préoccupations en matière de sécurité, de coûts et de propriété intellectuelle tout en exploitant un afflux de publications massives de modèles à poids ouverts en provenance d'Asie, d'Europe et des États-Unis. La frontière a progressé rapidement au milieu de l'année 2026. Plusieurs développements ont convergé en quelques semaines, et non en quelques années : Le 4 août 2026 , la Maison-Blanche a présenté un cadre fédéral de gouvernance de l'IA qui exempte les modèles à poids ouverts de l'examen de sécurité , tout en soumettant les systèmes fermés de pointe à une fenêtre d'évaluation de 30 jours. Selon une analyse du 21 juillet 2026 concernant le modèle Kimi K3 de Moonshot AI, les modèles à poids ouverts publient les paramètres entraînés pour permettre à quiconque de les télécharger et de les exécuter, même si le code et les données d'entraînement restent fermés. Un document politique européen du 20 juillet 2026 a défini la « capacité souveraine » comme le contrôle intellectuel et opérationnel, l'indépendance de l'infrastructure vis-à-vis des fournisseurs non européens, et la reproductibilité vérifiable des méthodes d'entraînement et de sécurité. L'indice de l'IA souveraine (Sovereign AI Index), publié le 18 août 2026, a rapporté que la plupart des projets nationaux de modèles s'appuient sur l'ajustement (fine-tuning) de bases étrangères à poids ouverts avec des données locales pour intégrer la langue et la culture à moindre coût. Une analyse commerciale du 28 août 2026 a décrit une « troisième voie » pour les entreprises : construire des modèles de domaine sur leurs propres données dont les droits ont été clarifiés, afin d'éviter la dépendance vis-à-vis de fournisseurs externes tout en protégeant les informations propriétaires. Ces éléments convergent vers une frontière claire : les modèles à poids ouverts comme substrat commun, et l'infrastructure et les données souveraines comme facteurs de différenciation. Quelles publications récentes de modèles à poids ouverts façonnent cette frontière ? Entre début juillet et début août 2026, des laboratoires de modèles et des entreprises de télécommunications ont publié des systèmes à poids ouverts dotés de plusieurs centaines de milliards de paramètres, offrant aux gouvernements et aux entreprises de nouvelles options pour auto-héberger des modèles de langage de haut niveau. Des publications clés créent la base technique des déploiements souverains : Le 27 juillet 2026 , le modèle « mélange d'experts » (mixture-of-experts) Kimi K3 de Moonshot AI a été lancé avec 2 800 milliards de paramètres au total et 104 milliards actifs par jeton , avec des poids complets téléchargeables sur Hugging Face. Un rapport du 21 juillet 2026 a qualifié Kimi K3 de plus grand modèle à poids ouverts jamais construit, notant que les poids seraient publiés d'ici le 27 juillet afin que les gouvernements ou les entreprises disposant de matériel suffisant puissent l'exécuter « sans payer un seul centime par jeton ». Un outil de suivi des publications open-source au 20 juillet 2026 listait neuf modèles notables dont les poids étaient téléchargeables au 27 juillet, notamment : Hy3 – 295 milliards de paramètres, 21 milliards actifs, sous licence permissive à poids ouverts. Inkling – 975 milliards de paramètres, 41 milliards actifs, également à poids ouverts permissifs. Solar Open 2 – 250 milliards de paramètres, 15 milliards actifs, sous licence ouverte personnalisée. Laguna S 2.1 – 118 milliards de paramètres, 8 milliards actifs, utilisant la licence OpenMDW-1.1. Un résumé des publications du 31 juillet 2026 a comptabilisé 11 modèles à poids ouverts publiés en juillet 2026 , menés par Kimi K3 et incluant des systèmes compacts et en temps réel tels que MOSS-VL-Realtime et Laguna S 2.1. Un benchmark du 19 août 2026 a montré que les poids de GLM-5.3 seront rendus publics sous licence MIT après des audits de sécurité, élargissant le pool de poids ouverts avec un autre système hautement performant. Ces publications ont maintenu les capacités proches de la frontière tout en abaissant la barrière à l'entrée pour tout acteur capable de se procurer de la puissance de calcul. Comment les gouvernements utilisent-ils les modèles à poids ouverts pour poursuivre la souveraineté en matière d'IA ? Les gouvernements soutiennent des projets nationaux de modèles de fondation et des exceptions réglementaires qui favorisent les systèmes auto-hébergés ou construits localement, considérant les poids ouverts comme une voie vers un contrôle national sur l'infrastructure critique d'IA. Des mesures récentes montrent comment la politique et l'ingénierie s'alignent : Le ministère sud-coréen des Sciences et des TIC dirige un projet de modèle de fondation d'IA souveraine , décrit le 1er août 2026 comme une compétition soutenue par le gouvernement pour construire de grands modèles utilisant « une technologie et des données entièrement sud-coréennes ». Aucun poids figé de modèles étrangers n'est autorisé. Le même rapport note que SK Telecom a publié A.X K2 , un modèle à poids ouverts de 688 milliards de paramètres, le 29 juillet 2026, suivi deux jours plus tard par le modèle K-EXAONE 2.0 de LG AI Research, doté de 750 milliards de paramètres. La plateforme européenne Futurium a établi le 20 juillet 2026 trois critères pour classer un système comme souverain et ouvert en Europe : Propriété intellectuelle, architecture et gouvernance sous juridiction européenne. Compilation, ajustement et déploiement sur une infrastructure européenne multi-fournisseurs, sans dépendance forte aux API non européennes. Entraînement transparent, lignée des jeux de données et alignement de sécurité ouverts à un audit indépendant. L'indice de l'IA souveraine (Sovereign AI Index) publié le 18 août 2026 a observé que la plupart des efforts nationaux de modèles de fondation ajustent des bases étrangères à poids ouverts sur des données locales pour encoder les langues nationales, le contexte culturel et les connaissances sectorielles pour une fraction du coût d'entraînement total. Une analyse du 20 août 2026 issue du même indice a rapporté qu'à la mi-2026, Llama de Meta reste le modèle de base le plus utilisé pour les projets d'IA souveraine suivis, Mistral (France) et Gemma (Google) étant à égalité en deuxième place. Les choix politiques et d'approvisionnement transforment la disponibilité des poids ouverts en un levier de stratégie géopolitique et industrielle. Comment les entreprises construisent-elles leurs propres piles d'IA souveraine ? Les entreprises combinent des poids téléchargeables avec des données propriétaires et une infrastructure auto-hébergée pour réduire la dépendance vis-à-vis des fournisseurs externes, suivant une « troisième voie » entre les API publiques et l'entraînement complet en interne. Des rapports récents soulignent cette approche d'entreprise : Une analyse du 28 août 2026 de la stratégie de Thomson Reuters décrit comment les entreprises possédant des « données uniques dont les droits ont été clarifiés » peuvent construire des modèles d'IA spécialisés pour protéger leur propriété intellectuelle tout en réduisant leur dépendance aux fournisseurs tiers. Le même article soutient que cette méthode apporte la souveraineté de l'IA au niveau de l'entreprise, et non seulement de la nation, en gardant à la fois le modèle et les données au sein d'environnements contrôlés. Un guide technique du 24 juillet 2026 a introduit le terme « souveraineté des poids » comme le contrôle juridique et opérationnel sur un artefact de modèle. Selon ce modèle, les organisations peuvent télécharger, inspecter, ajuster, quantifier et exécuter des systèmes à poids ouverts sur le matériel qu'elles possèdent, et changer de modèle ultérieurement sans réécrire leurs produits. Le guide a expliqué que les poids ouverts seuls ne fournissent pas la « souveraineté contextuelle », qui fait référence au contrôle des connaissances institutionnelles auxquelles un modèle accède via des incorporations (embeddings) et la récupération de données. Pour combiner ces deux formes de contrôle, le guide recommande d'exécuter un point de terminaison de modèle à poids ouverts entièrement dans le périmètre de l'entreprise et de conserver la couche de connaissances qui l'alimente au sein de la même limite. Pour les grandes entreprises, l'attrait est clair : elles obtiennent des performances de pointe tout en gardant leurs données stratégiques et leurs opérations en interne. Que signifie le cadre fédéral américain pour l'IA à poids ouverts ? Le cadre américain esquissé début août 2026 crée une friction réglementaire plus légère pour les modèles à poids ouverts, signalant que les systèmes auto-hébergés et téléchargeables feront face à moins d'obstacles fédéraux que les services fermés de pointe. Les éléments clés mis en évidence dans une note d'orientation du 11 août 2026 incluent : Le cadre de la Maison-Blanche exempte les modèles à poids ouverts de l'examen de sécurité fédéral, même lorsqu'ils atteignent des capacités de niveau frontière. Les modèles de pointe fermés font face à une fenêtre d'évaluation de 30 jours sous surveillance fédérale avant tout déploiement ou mise à jour majeure. La note soutient que cette asymétrie « pourrait avoir plus d'impact pratique que tout autre élément » du document, car elle fait de l'IA auto-hébergée basée sur des poids téléchargeables la voie la moins contraignante pour de nombreuses organisations. Le moteur derrière cette structure est l'hypothèse selon laquelle les acteurs ayant un contrôle opérationnel sur leurs propres déploiements peuvent gérer les risques localement, réduisant le besoin d'une pré-autorisation centrale. Le cadre ne supprime pas les obligations de sécurité, mais il place davantage de responsabilité sur les déployeurs tout en leur accordant plus de liberté dans le choix du système et de l'architecture. Où la nouvelle pile d'IA souveraine de l'Inde s'inscrit-elle dans cette tendance ? Le secteur technologique indien construit ses propres couches d'IA souveraine au-dessus de modèles à poids ouverts, visant à servir les entreprises nationales et les institutions publiques avec des outils et des agents gouvernés localement. Un rapport de fin août 2026 décrit le lancement d' Artha , une pile d'IA souveraine de l'entreprise indienne Gnani : Artha est conçue comme une pile de bout en bout pour les entreprises et institutions publiques indiennes, intégrant des modèles et des outils d'orchestration. Deux composants, Evon v3.3 et Plexus, font partie de la pile, prenant en charge à la fois les capacités fondamentales et les agents en aval. L'approche reflète les agendas d'IA souveraine d'autres pays mais cible des déploiements sectoriels tels que les centres de contact, les services financiers et les applications gouvernementales. Artha illustre comment la disponibilité des poids ouverts permet aux acteurs régionaux de créer des écosystèmes d'IA localisés sous une gouvernance nationale. Quels défis subsistent pour atteindre une véritable souveraineté technologique avec les poids ouverts ? Les systèmes à poids ouverts abaissent les barrières à l'auto-hébergement, mais les analystes préviennent qu'ils ne suffisent pas à eux seuls pour assurer une pleine souveraineté technologique, qui dépend également des données, de l'infrastructure et de méthodes transparentes. Des commentaires récents soulignent plusieurs obstacles : Un article du 21 juillet 2026 soutient que les systèmes à poids ouverts « ne résolvent pas seuls la question de la souveraineté technologique », car ils publient les paramètres mais pas nécessairement les données d'entraînement, le code ou la méthodologie complète. La même pièce cite la définition de 2025 de l'Open Source Initiative, selon laquelle les modèles réellement open-source doivent publier le code et les données, pas seulement les poids. L'indice de l'IA souveraine a constaté que les trois cinquièmes des bases étrangères utilisées dans les projets nationaux sont américaines, avec Llama de Meta comme base la plus courante, ce qui soulève des questions de dépendance. Les penseurs politiques européens ont souligné que sans indépendance de l'infrastructure vis-à-vis des fournisseurs de cloud et d'API non européens, les pays peuvent obtenir un accès au modèle mais pas un contrôle opérationnel. Les analystes ont également averti que l'opacité de la lignée des jeux de données et de l'alignement de sécurité peut compromettre l'auditabilité, même lorsque les poids sont téléchargeables. Les poids ouverts sont un outil puissant, mais ils ne constituent pas une solution complète. Que se passera-t-il ensuite dans la course à l'IA souveraine à poids ouverts ? La prochaine phase devrait se caractériser par des projets de fondation nationaux plus vastes, des licences à poids ouverts plus permissives et des stratégies d'entreprise qui traitent l'infrastructure d'IA comme un actif central plutôt que comme un service loué. Plusieurs tendances sont déjà visibles : La compétition d'IA souveraine de type éliminatoire de la Corée du Sud testera si des piles technologiques entièrement nationales peuvent égaler les performances construites sur des poids ouverts étrangers. Les initiatives européennes tenteront de passer d'une dépendance aux bases américaines comme Llama à des architectures développées localement et régies par le droit de l'UE. Les entreprises suivant le modèle de Thomson Reuters devraient augmenter leurs équipes internes d'IA et leurs budgets d'infrastructure pour garder à la fois les poids et les données en interne. Les laboratoires promettant des publications à poids ouverts, comme le modèle GLM-5.3 sous licence MIT après son audit de sécurité, élargiront le menu technique des projets souverains. La frontière n'est plus définie uniquement par l'échelle brute du modèle. Elle est définie par ceux qui contrôlent les poids, l'infrastructure et les connaissances que les modèles lisent.

Nic Reeve·14:00 08.09.2026

AI & Tech

Duel de l'IA : Gemini Omni Flash ou Kling 3.0 pour la vidéo nouvelle génération ?

Duel de l'IA : Gemini Omni Flash ou Kling 3.0 pour le contrôle vidéo de nouvelle génération ? Le 19 mai 2026, Google a commencé à déployer Gemini Omni Flash dans ses applications et API pour la génération et le montage vidéo conversationnels, tandis que Kling 3.0 de Kuaishou, lancé les 4 et 5 février 2026, a propulsé la continuité multi-plans et les storyboards cinématographiques au cœur de la course à l'actualité de l'IA. Que sont exactement Gemini Omni Flash et Kling 3.0 ? Gemini Omni Flash est le modèle rapide de Google, conçu pour transformer le texte et l'image en vidéo, destiné au montage interactif et désormais disponible sous le nom de Gemini Omni 1.1 Flash. Kling 3.0 est la troisième génération de modèles multimodaux de Kuaishou, articulée autour des moteurs Video 3.0 et Video 3.0 Omni, capables de produire des clips natifs 4K courts avec des outils de contrôle de storyboard. Ces deux systèmes se situent à la pointe de la vidéo par IA. Selon l'annonce du modèle Gemini de Google en mai 2026, Gemini Omni Flash transforme des invites textuelles et des images de référence optionnelles en courts clips vidéo, et permet aux utilisateurs d'« éditer facilement leurs vidéos par la conversation » dans l'application Gemini, Google Flow et les outils YouTube. Selon la documentation développeur de Google, l'API Gemini Omni Flash est décrite comme un modèle de « génération et de montage » vidéo qui affine les clips via des conversations en langage naturel et prend en charge l'extension vidéo. Selon les notes de version de Google du 27 août 2026, Gemini Omni 1.1 Flash est désormais disponible pour le grand public et remplace l'ancien point de terminaison de prévisualisation, qui sera obsolète à partir du 30 septembre 2026. Selon la fiche Kling 3.0 de l'AI Wiki mise à jour le 11 septembre 2026, Kling 3.0 comprend Video 3.0, Video 3.0 Omni, Image 3.0 et Image 3.0 Omni, tous basés sur une architecture multimodale unifiée produisant des clips courts en résolution 4K native avec un son multilingue synchronisé. Selon le guide de Genra du 20 février 2026, Kuaishou a programmé la sortie publique de Kling 3.0 au 5 février 2026, avec des modes texte-vidéo, image-vidéo et basés sur des références pour l'ensemble de la gamme. Comment Gemini Omni Flash gère-t-il le montage vidéo et le contrôle utilisateur ? Gemini Omni Flash se concentre sur le montage conversationnel : les utilisateurs peuvent demander des modifications, étendre des scènes et ajuster des plans à l'aide du langage naturel, avec une prise en charge d'extensions incrémentielles de 10 secondes jusqu'à 40 secondes dans Gemini Omni 1.1 Flash. Cela donne au modèle de Google l'aspect d'un éditeur interactif plutôt que celui d'un simple générateur ponctuel. Le montage dans l'écosystème Gemini repose sur un dialogue constant. Selon le blog de Google sur Omni 1.1 Flash du 27 août 2026, le modèle offre une « production vidéo de qualité studio » et permet aux utilisateurs d'étendre les vidéos par incréments de 10 secondes, jusqu'à un total de 40 secondes, tout en analysant jusqu'à 10 secondes de contexte préalable au lieu de seulement la dernière seconde. Selon la même publication, Gemini Omni 1.1 prend en charge des fonctionnalités telles que l'interpolation entre la première et la dernière image et une sortie 4K dans les environnements compatibles, améliorant ainsi la continuité entre les montages. Selon le blog produit de Gemini Omni de Google du 19 mai 2026, les utilisateurs peuvent « éditer facilement leurs vidéos par la conversation » et le modèle est déjà intégré dans l'application Gemini, Google Flow et YouTube Shorts, avec un déploiement mondial pour les abonnés Google AI Plus, Pro et Ultra, et une utilisation gratuite dans certains outils YouTube. Selon la documentation de l'API Gemini Omni Flash, les développeurs peuvent affiner et modifier les vidéos générées en envoyant des instructions en langage naturel lors d'une interaction continue, positionnant le modèle comme un éditeur dynamique prenant en charge aussi bien l'extension que la génération de vidéos. Selon une annonce de Google Workspace du 16 juillet 2026, Gemini Omni Flash alimente désormais Google Vids, où les utilisateurs peuvent monter des vidéos en utilisant de simples invites textuelles et générer de nouveaux clips mettant en scène des avatars personnels qui leur ressemblent et ont leur voix. Selon l'explication d'ilisai mise à jour le 2 septembre 2026, le générateur vidéo du service utilise désormais Gemini Omni 1.1 Flash et facture au moins 10 secondes par clip, ce qui indique que le modèle rapide de Google est déjà déployé sur des plateformes tierces. Ce flux de travail conversationnel favorise les créateurs qui ont besoin d'itérer rapidement, comme les monteurs de vidéos pour les réseaux sociaux ou les équipes marketing souhaitant effectuer de nombreuses petites modifications sans reconstruire les clips à partir de zéro. Qu'offre Kling 3.0 en matière de continuité multi-plans et de storyboard ? Les modèles Video 3.0 et Video 3.0 Omni de Kling 3.0 mettent l'accent sur la génération multi-plans : jusqu'à six plans connectés dans un seul clip, avec une identité de personnage, un éclairage et un environnement stables lors des coupes. La planification des plans peut être automatique ou entièrement personnalisée, transformant les invites en mini-séquences structurées. Les outils multi-plans donnent à Kling l'aspect d'un moteur de prévisualisation pour réalisateurs. Selon le guide utilisateur de Kling Video 3.0 mis à jour le 26 août 2026, le modèle prend en charge deux modes pour la vidéo multi-plans : « Multi-Shot » et « Custom Multi-Shot ». Lorsque « Multi-Shot » est activé, il planifie automatiquement les transitions et crée un contenu multi-scènes ; « Custom Multi-Shot » permet aux utilisateurs de configurer le nombre de plans et leur durée. Selon le guide multi-plans de Kling du 28 juillet 2026, le mode « Multi-Shot » structure une scène par la couverture des caméras, les changements de plans et la progression narrative, en lisant les informations de couverture et de plan à partir de l'invite pour ajuster les angles et les compositions pour une narration cinématographique. Selon le guide Kling 3.0 de Morphic d'août 2026, Kling Video 3.0 prend en charge des séquences multi-plans allant jusqu'à six coupes de caméra par génération, avec des modes texte-vidéo, image-vidéo et image de début/fin vers vidéo, pour une durée maximale de 15 secondes par clip. Selon la présentation d'Invideo du 28 mai 2026, Kling 3.0 peut générer jusqu'à six plans connectés tout en permettant aux utilisateurs soit de décrire la scène et de laisser le modèle planifier les coupes, soit de spécifier le cadrage, la durée et le mouvement de caméra de chaque plan pour une exécution précise du découpage technique. Selon la page de fonctionnalités de Kling3Pro du 26 mars 2026, la génération multi-plans de Kling 3.0 définit jusqu'à six plans individuels dans un seul clip de 15 secondes, chacun avec sa propre invite et son propre angle de caméra, tout en verrouillant l'apparence des personnages, la garde-robe et la continuité de l'environnement via un encodage d'identité au niveau de la scène. Selon le classement des produits de l'AI Wiki et de Synthszr mis à jour le 6 septembre 2026, l'architecture unifiée de Kling 3.0 produit des vidéos 4K natives jusqu'à 60 images par seconde et prend en charge des storyboards multi-plans avec jusqu'à six coupes de caméra, renforçant son rôle dans la continuité haute fidélité. Ces garanties de continuité sont importantes pour les agences de publicité, les équipes de prévisualisation et les cinéastes indépendants qui ont besoin d'une séquence de plans connectés, et non seulement de clips isolés. Comment se comparent les durées, la résolution et les capacités audio ? Gemini Omni Flash met l'accent sur la flexibilité de la durée via des extensions et se concentre sur des clips 720p rapides dans de nombreux services déployés, tandis que Kling 3.0 se concentre sur des séquences 4K natives courtes mais denses allant jusqu'à 15 secondes avec un son multilingue synchronisé. Les compromis techniques déterminent qui bénéficie le plus de chaque système. Selon le blog de Google sur Omni 1.1 Flash, les utilisateurs peuvent étendre une vidéo par incréments de 10 secondes, jusqu'à 40 secondes au total, Omni analysant jusqu'à 10 secondes de contexte préalable pour maintenir l'alignement du mouvement et de la composition. Selon l'article d'ilisai du 19 juillet 2026, la prévisualisation originale de Gemini Omni Flash produisait de courts clips 720p à partir d'invites textuelles ou d'images de référence et, à compter d'une mise à jour du 1er septembre, chaque vidéo générée avec Gemini Omni 1.1 Flash est facturée au moins 10 secondes de sortie. Selon le profil Kling 3.0 de l'AI Wiki, la nouvelle génération est passée d'environ 10 secondes en 1080p dans Kling 2.6 à 15 secondes en 4K native dans Kling 3.0, ajoutant une synchronisation labiale audio dans cinq langues. Selon le tableau technique de Morphic, le modèle Video 3.0 de Kling 3.0 prend en charge des durées comprises entre 3 et 15 secondes, des formats tels que 16:9, 9:16 et 1:1, ainsi qu'une résolution 4K native avec d'autres options en 1080p et 720p. Selon le classement de Synthszr du 6 septembre 2026, Kling 3.0 génère nativement des vidéos 4K jusqu'à 60 images par seconde avec un son synchronisé et prend en charge jusqu'à six coupes de caméra par clip. Les utilisateurs recherchant une résolution maximale et un son intégré pencheront vers Kling ; les équipes optimisant pour le montage itératif au sein des outils Google existants pourront accepter une résolution inférieure en échange de la vitesse et de l'intégration. Où ces modèles sont-ils disponibles et comment sont-ils tarifés ? Gemini Omni Flash est intégré aux niveaux d'abonnement et aux outils de Google, de l'application Gemini aux produits YouTube et à Google Vids, tandis que Kling 3.0 est accessible via les plateformes de Kuaishou et les API partenaires destinées aux créateurs et aux développeurs. Les conditions commerciales varient, mais les deux ciblent un usage professionnel et prosumer. Selon le blog de lancement de Gemini Omni de Google du 19 mai 2026, Gemini Omni Flash a commencé à être déployé auprès des abonnés Google AI Plus, Pro et Ultra dans le monde entier via l'application Gemini et Google Flow, et est devenu disponible sans frais dans YouTube Shorts et l'application YouTube Create. Selon le blog de Google Workspace du 16 juillet 2026, Gemini Omni Flash alimente désormais Google Vids, donnant aux utilisateurs de Workspace un accès au montage basé sur des invites textuelles et à la génération d'avatars au sein d'une suite de productivité. Selon les notes de version de l'API Gemini, Gemini Omni 1.1 Flash est devenu disponible pour le grand public début septembre 2026, signalant que la facturation de production et les quotas s'appliquent désormais à mesure que le point de terminaison de prévisualisation approche de son obsolescence. Selon le guide des fonctionnalités de Kuaishou du 9 février 2026, Kling 3.0 a été officiellement lancé le 4 février 2026 à 23h00, heure de Pékin, avec un accès API pour les développeurs à partir du 5 février 2026. Selon la présentation de Genra du 20 février 2026, le déploiement de Kling 3.0 a donné la priorité aux abonnés « Ultra » avant de s'ouvrir plus largement, positionnant les modèles comme des outils haut de gamme pour les créateurs sérieux. Selon le guide de Morphic, les plateformes tierces intègrent les modes de Kling 3.0 dans leurs propres interfaces, offrant aux créateurs un contrôle sur la durée, la résolution et les fonctionnalités multi-plans en plus de leur propre tarification. Selon le classement de Synthszr de septembre 2026, Kling 3.0 apparaît dans des listes de produits IA ciblant les utilisateurs de production, indiquant son positionnement dans les flux de travail vidéo professionnels et semi-professionnels. Ces stratégies de distribution sont importantes. Google lie étroitement l'IA vidéo à ses suites de productivité et à ses réseaux sociaux, tandis que Kuaishou et ses partenaires poussent Kling dans des environnements de création et de montage dédiés où les utilisateurs peuvent construire des pipelines entiers autour de cet outil. Qui profite le plus de la flexibilité de montage, et qui a besoin de la continuité multi-plans ? Les créateurs qui itèrent rapidement sur des clips individuels — avec des ajustements fréquents par texte, des changements d'avatar et des extensions de scène — profitent le plus du montage conversationnel de Gemini Omni Flash et de son intégration poussée dans les outils Google. Les équipes planifiant des storyboards ou des séquences publicitaires bénéficient davantage de la continuité multi-plans et des sorties 4K riches en audio de Kling 3.0. Des flux de travail différents pointent vers des vainqueurs différents. Pour les responsables des réseaux sociaux et les créateurs de contenu court au sein de YouTube et de Workspace, la capacité de Gemini à étendre des scènes, à interpoler des images et à appliquer des modifications en langage naturel — « rapproche ce plan », « éclaircis l'arrière-plan » — réduit les frictions pour transformer des idées brutes en clips peaufinés. Pour les directeurs de la photographie, les agences et les équipes de prévisualisation, la combinaison par Kling de jusqu'à six plans connectés, de l'identité de personnage verrouillée et des visuels 4K signifie qu'ils peuvent monter des storyboards miniatures, tester la couverture de caméra et maintenir la continuité plan par plan. Selon la comparaison d'Invideo, Kling 3.0 contraste explicitement le support multi-plans avec les modèles à plan unique, soulignant qu'il peut soit planifier automatiquement la couverture, soit suivre un découpage technique détaillé écrit par l'humain. Selon le blog d'Omni 1.1 de Google, la fenêtre de contexte étendue et les outils d'interpolation sont conçus autour d'une production de « qualité studio » pour les créateurs qui ne souhaitent peut-être pas penser en plans discrets, mais qui se soucient tout de même de la fluidité du mouvement et du cadrage cohérent dans la vidéo finale. Aucun modèle ne gagne haut la main. Le choix dépend de la façon dont une équipe créative travaille : en clips avec des modifications conversationnelles ou en séquences de plans avec une continuité serrée et des visuels haut de gamme.

Nic Reeve·14:00 11.09.2026

AI & Tech

IA fin août : modèles moins chers, nouveaux agents et risques croissants

De la chute rapide du prix des modèles au renforcement de la surveillance réglementaire, en passant par la recrudescence des cyberattaques liées à l'IA, les deux dernières semaines ont été marquées par des changements majeurs dans la manière dont l'intelligence artificielle est conçue, tarifée et régulée à l'échelle mondiale. Pour les responsables marketing et les dirigeants d'entreprise, ces évolutions redéfinissent à la fois l'économie de l'IA et le paysage des risques dans lequel ils la déploient. Les coûts baissent à mesure que les modèles de pointe deviennent plus abordables L'un des développements les plus significatifs est la nouvelle vague de baisses de prix pour les modèles d'IA avancés. Reuters rapporte qu'OpenAI a réduit les tarifs de développement pour son modèle de pointe GPT-5.6 Sol de plus de 20 %, signalant une concurrence accrue sur les coûts et rendant les capacités haut de gamme plus accessibles aux entreprises comme aux startups. Ces réductions s'inscrivent dans une tendance plus large observée en août, où plusieurs fournisseurs ont baissé les prix de leurs derniers modèles pour stimuler l'utilisation en volume et consolider leurs parts de marché. Les observateurs du secteur notent que cette pression à la baisse sur les prix s'accompagne d'améliorations en termes de performance et d'évolutivité. Le modèle Claude Opus 5 d'Anthropic a été mis en avant pour offrir une fenêtre de contexte d'un million de jetons, destinée à l'analyse de documents complexes et aux flux de travail de recherche, tandis que Gemini 3.6 Flash de Google se concentre sur la réduction des coûts de sortie et une efficacité accrue pour les agents de longue durée. Pour les équipes marketing, ces changements signifient une génération de contenu à grande échelle, des tests de campagnes et des analyses d'insights clients plus abordables, avec moins de soucis concernant les budgets de jetons et une plus grande concentration sur le déploiement créatif et stratégique. Les agents intègrent les flux de travail quotidiens Parallèlement à la baisse des coûts des modèles, le mois d'août a vu une dynamique continue en faveur de l'IA « agentique », des systèmes capables d'agir en continu pour le compte des utilisateurs. La couverture des sorties récentes souligne comment les grandes plateformes intègrent ces agents dans les outils de productivité et de consommation courants. Google et Anthropic ont tous deux promu des agents permanents et de bureau destinés à automatiser les tâches routinières au sein des flux de travail habituels, comme la gestion des e-mails, la planification, la recherche et l'édition de documents. Côté grand public, l'IA est de plus en plus intégrée aux services quotidiens. Les archives d'août de The Verge mettent en lumière l'expansion des capacités de ChatGPT, incluant désormais la possibilité de faire des réservations de dîner et de réserver des tables via des partenaires comme OpenTable et Resy, brouillant davantage la limite entre l'assistance conversationnelle et les agents de transaction complets. La couverture par TechCrunch des nouveaux plugins pour Apple Messages montre que ChatGPT gagne la capacité d'envoyer des SMS directement pour les utilisateurs, étendant la portée de l'IA à la communication mobile. Pour les marketeurs, ces développements sont particulièrement pertinents. À mesure que les agents entrent dans les flux de messagerie et de réservation, les marques gagnent de nouveaux points de contact pour des interactions personnalisées médiatisées par l'IA — de la prospection automatisée aux rappels, en passant par le service client en temps réel intégré au chat. Le défi consistera à préserver la voix et la confiance de la marque alors que les interactions sont de plus en plus gérées par des systèmes semi-autonomes. L'IA physique et la robotique attirent les capitaux des investisseurs Une tendance parallèle est la montée en flèche des investissements dans l'« IA physique » : des robots et des drones qui associent l'apprentissage automatique au matériel. Un condensé d'août note que l'introduction en bourse de Unitree a été sursouscrite plus de 5 000 fois, tandis que la société de drones orientée vers la défense, Neros, a levé 250 millions de dollars. Les commandes de robots industriels ont atteint 622 millions de dollars au deuxième trimestre, la demande d'automatisation s'étendant au-delà du secteur automobile vers la logistique, la fabrication et l'entreposage. Ces développements suggèrent que l'impact de l'IA s'étend rapidement du logiciel aux infrastructures physiques. Pour les entreprises de vente au détail, de logistique et de fabrication, cela signifie des options d'automatisation plus accessibles et, potentiellement, de nouvelles formes d'opérations basées sur les données, telles que le suivi des stocks en temps réel et l'exécution contrôlée par l'IA. Pour les professionnels du marketing, les expériences basées sur la robotique — des démonstrations automatisées en magasin aux événements propulsés par l'IA — pourraient devenir une partie intégrante d'une boîte à outils expérientielle émergente. Régulation et risque : des méfaits des chatbots à la cybercriminalité pilotée par l'IA À mesure que l'IA se diffuse dans davantage d'aspects de la vie quotidienne, les régulateurs et les forces de l'ordre concentrent leur attention sur les risques et les abus. Une analyse récente d'Al Jazeera attire l'attention sur la réglementation relativement légère de l'IA par rapport aux produits courants, notant l'inquiétude du public après des cas où des personnes ont interagi avec des chatbots IA avant des suicides ou des incidents violents. Le rapport souligne la pression croissante exercée sur la position historique de la Silicon Valley, selon laquelle l'innovation devrait se poursuivre avec un minimum de surveillance. Les nouvelles données sur la cybercriminalité soulignent que les risques ne sont pas seulement psychologiques ou sociaux. Une étude mise en avant par CNBC montre qu'entre mars 2025 et février 2026, une violation de données sur quatre était liée à l'IA, soit une augmentation de 56 % par rapport à l'année précédente. L'évaluation de la cybermenace africaine d'INTERPOL rapporte de même que l'IA est impliquée dans 55 % des cybercrimes signalés en Afrique, illustrant comment l'automatisation et les outils génératifs sont utilisés pour amplifier le phishing, la fraude et les attaques de réseau. Ces tendances recoupent directement le marketing et l'engagement client. Alors que les outils d'IA deviennent la norme dans les stacks de campagne, de CRM et d'analyse, les organisations doivent renforcer les pratiques de sécurité concernant l'accès aux données, les sorties des modèles et la communication automatisée, en veillant à ce que l'IA n'aide pas par inadvertance les attaquants et n'expose pas d'informations sensibles sur les clients. Implications macroéconomiques et politiques Les décideurs politiques commencent à intégrer l'IA dans leurs prévisions économiques et leurs stratégies industrielles. La couverture de Reuters note que les responsables de la Banque nationale suisse ont averti que l'intelligence artificielle pourrait contribuer à une inflation plus élevée, à mesure que les gains de productivité et les nouveaux modèles de demande se répercutent sur les marchés du travail et les prix. Dans le même temps, les gouvernements poursuivent des initiatives nationales en matière d'IA et de puces. La Corée du Sud prévoit un fonds de « manne financière des puces » visant à soutenir l'emploi des jeunes et l'investissement dans l'IA, positionnant le pays comme un hub à long terme pour la croissance de l'IA pilotée par les semi-conducteurs. Le Brésil va de l'avant avec un programme de supercalculateur IA qui répartit les projets entre des entreprises chinoises et américaines, reflétant la compétition géopolitique plus large autour de l'infrastructure et des normes de l'IA. Pendant ce temps, la Chine et l'Indonésie ont convenu d'approfondir leur coopération en matière de minerais, d'énergie et de technologie, y compris l'IA, ancrant davantage la technologie comme une priorité stratégique dans les partenariats régionaux. Dans le secteur privé, Reuters rapporte une poussée de la « dette IA » — des investissements importants et pluriannuels dans l'infrastructure et les capacités d'IA — alors que les entreprises américaines font la course pour suivre l'évolution technologique. Les analystes préviennent qu'une lassitude des investisseurs pourrait émerger alors que les entreprises peinent à démontrer des retours à court terme sur leurs programmes d'IA ambitieux. Pour les équipes marketing et commerciales, cela intensifie la pression pour démontrer un impact commercial mesurable des déploiements d'IA, en particulier dans l'acquisition de clients, la personnalisation et la croissance des revenus. Concurrence des plateformes et adoption par les utilisateurs Sur le front des plateformes, Google continue d'étendre son écosystème Gemini. The Verge note qu'un modèle Flash amélioré propulse désormais Gemini Spark, améliorant la réactivité et l'efficacité des coûts pour les expériences d'IA intégrées à la recherche. Des rapports supplémentaires provenant d'observateurs indépendants suggèrent que l'application Gemini a dépassé le milliard d'utilisateurs mensuels, consolidant les assistants IA en tant que produits grand public de premier plan. La couverture de TechCrunch pointe vers une intensification de la concurrence entre OpenAI et Anthropic sur le marché des entreprises, avec de nouvelles données indiquant qu'OpenAI gagne du terrain auprès des utilisateurs professionnels. Combiné à la croissance rapide du nombre d'utilisateurs de ChatGPT soulignée dans les blogs du secteur et les résumés d'août, cela suggère que de nombreuses organisations standardisent leurs outils autour d'un petit nombre de modèles de fondation leaders, même lorsqu'elles expérimentent des alternatives spécialisées ou open-source. Pour les marketeurs, la familiarité croissante des utilisateurs avec les assistants IA modifie les attentes du public. Les consommateurs anticipent de plus en plus un support conversationnel, des recommandations personnalisées et des transitions fluides entre les canaux humains et ceux pilotés par l'IA. Les marques qui tardent à intégrer l'IA dans leur parcours client risquent de paraître obsolètes, tandis que celles qui agissent rapidement doivent équilibrer innovation, transparence et utilisation responsable des données. Ce que cela signifie pour les responsables marketing et les dirigeants d'entreprise Dans l'ensemble, les développements des deux dernières semaines indiquent une nouvelle phase dans l'évolution de l'IA : les coûts diminuent, les capacités s'étendent aux agents et à la robotique, et les préoccupations réglementaires et de sécurité s'intensifient. Pour les équipes marketing, cet environnement offre des outils puissants pour le contenu, la segmentation et l'engagement, mais exige également une gouvernance disciplinée, une divulgation claire et une sélection minutieuse des fournisseurs. Alors que des médias spécialisés tels que MarketingProfs suivent ces changements dans leurs mises à jour régulières sur l'IA, le message central reste cohérent : l'IA n'est plus un complément expérimental. Elle est devenue une couche essentielle du marketing moderne et des opérations commerciales, nécessitant une surveillance stratégique comparable à celle appliquée aux données, à la marque et à la confiance des clients.

Nic Reeve·14:30 22.08.2026