Veille IA #28

La semaine du 6 au 12 septembre 2026 confirme deux mouvements de fond : les modèles deviennent plus spécialisés et moins chers à exploiter, tandis que les agents IA sortent du cadre expérimental pour toucher les données métier, la navigation, la sécurité et la recherche scientifique.

Outils retenus

DeepSeek V4.1 Flash

DeepSeek a présenté DeepSeek V4.1 Flash, un nouveau modèle multimodal de type MoE de 552 milliards de paramètres, accessible via l’API deepseek-flash.

L’intérêt principal est très concret : DeepSeek met en avant une réduction du cache KV et des prix abaissés. Pour un lecteur technique, cela compte parce que le coût mémoire et le coût d’inférence restent deux freins majeurs au déploiement d’agents multimodaux en production. Si le modèle tient ses promesses, il peut devenir une option à tester pour des workflows où le volume d’appels API est important.

Meta Muse

Meta a détaillé son approche de sécurité autour de Muse, un agent personnel lancé le 8 septembre. Muse s’appuie sur une machine virtuelle dédiée, un navigateur, des sous-agents, des connecteurs et des garde-fous comme Sentinel contre les attaques par injection de prompt.

Ce qui rend Muse intéressant n’est pas seulement la promesse d’un agent personnel. C’est l’architecture de sécurité. Plus les agents disposent d’accès à des outils, des comptes et des données, plus la question devient : que peut faire l’agent, dans quel contexte, et comment l’empêcher d’exécuter une instruction malveillante cachée dans une page ou un document ? Muse mérite donc une veille attentive, mais aussi des tests prudents avant tout usage sensible.

ChatGPT Images 2.5

OpenAI a annoncé ChatGPT Images 2.5, un nouveau modèle image axé sur une édition plus précise et une latence annoncée jusqu’à 50 % plus faible. Le rapport mentionne aussi des capacités autour des croquis, des modèles, des commentaires et une API avec GPT-Image-2.5 Flare et GPT-Image-2.5 Sunburst.

Pour les équipes produit, design ou contenu, l’enjeu est moins la génération d’images spectaculaires que la précision dans les itérations. Une édition plus contrôlable et plus rapide change la manière de travailler : on peut corriger, décliner et intégrer des visuels dans des chaînes de production plus courtes.

Data agent dans ChatGPT Work

OpenAI a aussi présenté un Data agent dans ChatGPT Work, conçu pour connecter des données d’entreprise, enquêter sur des métriques et produire des tableaux de bord ou rapports interactifs.

Ce type d’outil vise un problème récurrent : les données existent, mais leur exploration dépend encore souvent de requêtes ad hoc, de feuilles de calcul fragiles ou d’allers-retours entre équipes métier et équipes data. Pour les organisations dont les données sont propres et bien structurées, un agent de ce type peut accélérer l’analyse opérationnelle. La valeur dépendra toutefois fortement de la qualité des sources connectées.

AlphaGenome Atlas

Google DeepMind a publié AlphaGenome Atlas, une base qui prédit l’effet de 9 milliards de variants ADN à une lettre.

Le point important est l’aide à la priorisation. Dans la recherche génomique, tous les variants ne peuvent pas être étudiés expérimentalement avec le même niveau d’attention. Un outil comme AlphaGenome Atlas peut aider à repérer les mutations les plus pertinentes à explorer. Le rapport rappelle toutefois une limite essentielle : ce type de prédiction ne suffit pas, à lui seul, pour conclure cliniquement.

NASA-IBM Lunar Foundation Model

IBM et la NASA ont publié un modèle ouvert pour l’exploration lunaire. Il sert à cartographier des cratères, de la glace et des formations lunaires à partir de données multi-instruments. Le gain annoncé atteint jusqu’à 22 à 23 % selon les tâches.

Ce signal est intéressant car il montre l’usage de modèles de fondation hors des cas classiques de texte, code ou image grand public. Ici, l’IA sert à fusionner des données scientifiques hétérogènes et à améliorer des tâches de cartographie spécialisées. Pour les équipes techniques, c’est un exemple clair de modèle adapté à un domaine, avec des objectifs opérationnels précis.

Recherche

OpenAI et le problème de Navier-Stokes

Le problème de départ est simple à formuler, mais extrêmement difficile : les équations de Navier-Stokes décrivent le mouvement des fluides, et la question de leur régularité cherche à savoir si certaines solutions peuvent développer des comportements singuliers. C’est l’un des grands problèmes mathématiques encore ouverts.

OpenAI affirme avoir produit un contre-exemple formalisé en Lean. Lean est un assistant de preuve : il permet d’écrire des raisonnements mathématiques dans une forme vérifiable par ordinateur. Cela rend l’annonce particulièrement notable, car elle touche à la fois aux mathématiques avancées et à la formalisation des preuves.

Il faut cependant lire ce résultat comme un jalon de recherche, pas comme un verdict final. Le rapport indique que la revue mathématique et une controverse de priorité restent ouvertes. En pratique, l’intérêt est double : suivre l’évaluation par la communauté mathématique, et observer jusqu’où les systèmes IA peuvent contribuer à des preuves formelles complexes.

Menace IA agentique

Le problème ici n’est plus seulement qu’un attaquant puisse demander à un modèle de générer un email de phishing. Le changement observé concerne le passage vers des workflows plus autonomes, où plusieurs agents peuvent enchaîner des tâches : reconnaissance, rédaction, adaptation, exploitation et diffusion.

Google GTIG décrit cette évolution dans son analyse From prompting to autonomy, tandis qu’Anthropic publie son rapport de threat intelligence de septembre 2026. Les deux sources pointent des usages liés au phishing, à la supply chain, au vol d’identifiants et aux opérations d’influence.

Ce que cela change en pratique : l’IA agentique réduit le coût et le temps nécessaires pour mener certaines attaques. La défense ne peut donc plus se limiter à filtrer des prompts isolés. Elle doit prendre en compte des chaînes d’actions, des accès à des outils, des permissions et des comportements persistants sur plusieurs étapes.

Conclusion

Les priorités de test sont assez nettes cette semaine : DeepSeek V4.1 Flash pour les coûts et les agents multimodaux, et le Data agent de ChatGPT Work si les données métier sont suffisamment propres pour produire des analyses fiables.

Le signal à surveiller de près reste Meta Muse. Dans les agents personnels, la différence ne se fera pas seulement sur les capacités, mais sur la qualité de l’architecture de sécurité.