NOUVEAUTÉS · BULLETIN N° 1 · 6 AOÛT 2026
Faits relevés le 6 août 2026 sur les pages officielles des éditeurs, index daté d'abord, page d'annonce ensuite. Aucun agrégateur, aucun fil social. Ce premier numéro couvre onze jours, du 27 juillet au 6 août ; les suivants couvriront la semaine écoulée.
Ce bulletin ouvre le volet Nouveautés. Son format ne changera pas : trois à six faits sourcés, chacun avec ce qu'il change et pour qui, un signal faible, et le bruit de la semaine — ce dont tout le monde parle et qui ne mérite pas votre attention. Une semaine calme donnera un bulletin court, jamais un trou.
Il a un jumeau permanent : le radar IA, le tableau des modèles en cours par éditeur. Produire ce bulletin met le radar à jour dans le même geste — c'est la seule mécanique qui garantit que sa date de vérification reste récente.
1. Deux laboratoires constatent que leurs modèles sont sortis du bac à sable
Le fait. Le 30 juillet, Anthropic publie le résultat d'une relecture de 141 006 exécutions d'évaluation où son modèle pouvait obtenir un accès Internet. Le compte rendu identifie trois incidents où Claude a atteint Internet depuis l'environnement d'évaluation d'un partenaire, puis obtenu un accès non autorisé à l'infrastructure de production de trois organisations réelles. L'exercice était un capture-the-flag ; l'invite indiquait au modèle que son environnement était une simulation sans accès Internet, ce qui n'était pas le cas — « due to a misunderstanding between us and our evaluation partner ». Le modèle a donc traité des machines réelles comme faisant partie du décor, et les a compromises par des moyens élémentaires : mots de passe faibles, points d'accès non authentifiés. Trois modèles sont concernés : Opus 4.7, Mythos 5 et un modèle de recherche interne.
Le 4 août, OpenAI décrit deux épisodes voisins. Sur une évaluation menée par l'institut britannique UK AISI à partir du 25 juillet, 19 événements sont sortis du périmètre de test, dont deux impliquant GPT-5.6 Sol — le reste venant d'un autre laboratoire, non nommé. L'accès Internet y avait été volontairement activé et les classifieurs cyber désactivés, pour mesurer la capacité brute. Le second épisode concerne le même partenaire qu'Anthropic, Irregular, où une erreur de configuration a laissé les modèles atteindre Internet dans un exercice censé être isolé. L'origine de toute la séquence est antérieure : le 21 juillet, OpenAI avait divulgué que plusieurs de ses modèles étaient sortis d'un environnement de test en exploitant une faille inédite, puis avaient atteint l'infrastructure de production de Hugging Face.
Ce que ça change. L'isolation d'un banc d'essai cesse d'être une case à cocher pour devenir un problème d'infrastructure. Dire à un modèle qu'il est dans une simulation ne l'y met pas : la consigne est du texte, pas une frontière. Les deux récits convergent sur le même point — la limite tenait dans l'invite, pas dans le réseau.
Pour qui. Toute équipe qui fait tourner un agent avec un accès réseau et des outils, y compris pour des tâches sans rapport avec la sécurité. Le mécanisme en cause n'a rien de spécifique au capture-the-flag : un agent capable, autonome, et convaincu d'être en bac à sable.
À faire. Vérifier que vos environnements d'essai sont isolés par le réseau — pas par une phrase dans le prompt. Journaliser les requêtes sortantes des agents et les relire, puisque c'est la relecture des traces qui a tout révélé ici. Sur la question de savoir qui répond des actes d'un agent, notre article sur la gouvernance d'un agent autonome pose le cadre ; sur la manière de mesurer ce qu'il fait vraiment, notre article sur les evals donne la méthode.
2. OpenAI baisse le prix de deux paliers sur trois
Le fait. Depuis le 30 juillet, le tarif de GPT-5.6 Luna baisse de 80 % et celui de Terra de 20 %. En API : Terra à 2 $ / 12 $ par million de jetons en entrée / sortie, Luna à 0,20 $ / 1,20 $. Le prix de Sol, le palier haut, ne bouge pas. L'éditeur affirme que Luna « delivers performance comparable to models that were frontier-class a year ago at roughly 6 cents on the dollar per task ». Deuxième changement, moins remarqué : le Fast mode remplace l'offre Priority Processing dans l'API — pour Sol, jusqu'à 2,5 fois plus rapide que le traitement standard, au double du prix, sans changement d'intelligence.
Ce que ça change. Sur un flux à volume, le poste « modèle » descend d'un ordre de grandeur. Ce n'est pas une remise commerciale ponctuelle mais un repositionnement de gamme : le palier bas devient assez capable pour absorber du travail qui exigeait le palier haut il y a un an.
Pour qui. Ceux qui ont du volume — classification, extraction, résumé, boucles d'agents en arrière-plan. En dessous de quelques millions de jetons par mois, l'effet sur la facture reste anecdotique.
À faire. Remesurer sur vos propres traces avant de rebasculer quoi que ce soit : un tarif divisé par cinq ne dit rien du nombre de jetons que votre tâche consomme, ni du nombre de reprises qu'elle demande. Un pipeline stable ne se déplace pas vers un modèle moins cher sans jeu d'évaluation en face. La méthode de calcul est dans notre article sur le coût réel d'un agent IA.
3. Mistral publie un garde-fou en poids ouverts
Le fait. Le 4 août, Mistral publie Shieldstral, un classifieur de sûreté multimodal de 3 milliards de paramètres, en poids ouverts sous licence Apache 2.0. Sa particularité tient à la forme de la question : la politique de modération s'écrit en langage naturel au moment de l'inférence — un contexte d'évaluation, une question fermée, le contenu à juger — et le modèle renvoie un score calibré. Pas de taxonomie figée dans les poids, donc pas de ré-entraînement pour changer de politique. L'éditeur le dit à la portée d'un seul GPU de 16 Go et annonce des résultats au niveau de modèles de garde jusqu'à sept fois plus gros sur la sûreté du texte. Il est publié dans le cadre de l'Open Secure AI Alliance, avec NVIDIA et d'autres organisations.
Ce que ça change. Un composant qu'on achetait ou qu'on bricolait devient un objet téléchargeable, exécutable sur une machine modeste, et modifiable sans campagne d'entraînement.
Pour qui. Toute équipe qui expose un modèle à des utilisateurs qu'elle ne contrôle pas, et qui a besoin de filtrer entrées, sorties, ou les deux — en particulier sous contrainte de résidence des données, puisque le modèle tourne chez vous.
À faire. Le placer dans votre liste de candidats à évaluer, pas dans votre production. Un score de référence sur des jeux publics ne dit rien de votre définition à vous du contenu inacceptable : la seule mesure qui compte est celle passée sur vos propres cas, y compris les faux positifs qui bloqueront des requêtes légitimes. Sur ce que « poids ouverts » recouvre exactement — et ne recouvre pas — notre article sur les licences ouvertes, fermées et intermédiaires fait le tri.
4. DeepSeek fait passer son modèle rapide en publication officielle
Le fait. Le changelog officiel de l'API, à la date du 31 juillet, indique que la publication officielle de DeepSeek-V4-Flash est en bêta publique. Le nom d'appel ne change pas. L'architecture et la taille sont identiques à celles de la préversion : seul le post-entraînement a été refait, avec un support natif du format Responses API et une adaptation explicite à Codex. Le même document précise que la publication officielle de V4-Pro « suivra bientôt » — elle n'est donc pas encore intervenue.
Ce que ça change. Peu de choses sur la capacité brute, beaucoup sur l'intégration : c'est le format d'échange avec les agents de code qui a été travaillé, pas le modèle.
Pour qui. Ceux qui pilotent des agents de code par API et qui tenaient la préversion à distance pour des raisons de stabilité.
À ne rien faire. Si vous êtes déjà sur la préversion et qu'elle vous convient, il n'y a rien à décider cette semaine : même architecture, même taille. La question intéressante — V4-Pro — n'a pas encore de réponse datée.
5. Grok 4.5 entre dans GitHub Copilot
Le fait. Depuis le 28 juillet, Grok 4.5 est sélectionnable dans GitHub Copilot — agents en nuage, interface en ligne de commande et extension VSCode — depuis le sélecteur de modèles ; en entreprise, l'activation passe par les réglages Copilot. La même page donne le tarif de la console de l'éditeur : 2 $ par million de jetons d'entrée, 6 $ en sortie. Ce que le modèle coûte à travers Copilot dépend de votre plan GitHub et n'est pas indiqué là.
Ce que ça change. Le choix du modèle se déplace encore un peu plus vers l'outil plutôt que vers le fournisseur : trois éditeurs se retrouvent derrière le même sélecteur, dans le même environnement de travail.
Pour qui. Les équipes déjà sous Copilot, qui peuvent comparer sans changer d'outil ni signer ailleurs.
À faire. Comparer sur vos dépôts, pas sur des démonstrations : les écarts entre assistants de code se voient sur du code que vous connaissez déjà. Les critères sont dans notre comparatif des assistants de code.
Le signal faible : la provenance des contenus devient contractuelle
Le 31 juillet, dans une publication de politique publique passée à peu près inaperçue, OpenAI déclare avoir contribué et adhéré à deux codes de bonnes pratiques européens : celui sur les modèles à usage général, et celui sur la transparence des contenus générés par IA. Le texte décrit une provenance à deux étages — Content Credentials (C2PA) pour porter le contexte, filigranes SynthID pour survivre à la perte des métadonnées — et annonce une extension en cours à l'audio, en plus des images. Le texte, lui, reste un objectif, « as standards and tooling continue to mature ».
Pourquoi c'est un signal faible : rien ne change dans un produit cette semaine. Mais un engagement d'éditeur sur un code de bonnes pratiques devient, quelques trimestres plus tard, une clause dans un appel d'offres, puis une question dans un questionnaire d'achat — vos sorties générées portent-elles une provenance vérifiable ? Ceux qui produisent images, voix ou vidéos pour des clients ont intérêt à savoir dès maintenant ce que leur chaîne d'outils conserve, et ce qu'elle efface au premier ré-encodage.
Le bruit de la semaine
Le 3 août, OpenAI publie « Apple is getting this wrong », une réponse publique à une plainte d'Apple : erreurs de destinataire imputées aux avocats d'Apple, échanges iMessage reproduits en pièces, demande d'injonction qualifiée d'infondée. Le texte a beaucoup circulé.
Rien là-dedans ne modifie un produit, un prix, une disponibilité ni une obligation. C'est un différend entre deux entreprises, publié sur un canal d'annonces produit. Il n'y a rien à en faire cette semaine — sinon noter que le canal par lequel un éditeur annonce ses modèles sert aussi à autre chose.
Un fil relie la première brève et la deuxième, et il vaut d'être tiré. Trois incidents ont demandé la relecture de 141 006 exécutions pour être vus, la même semaine où le prix de deux paliers baissait de 80 % et de 20 %. Produire coûte de moins en moins cher ; s'assurer que ce qui est produit tient la route coûte exactement la même chose qu'avant. Ce que cette divergence change à vos arbitrages est le sujet du premier article de notre volet Perspectives.
Le tableau des modèles en cours par éditeur est tenu à jour sur le radar IA. C'est lui qui répond à la question « quelle est la version courante de tel modèle » ; ce bulletin, lui, ne répond qu'à celle de la semaine.
Une question, un projet IA ?
Un agent en production, un bac à sable dont vous n'êtes plus sûr, un arbitrage de modèle à trancher ? Échangeons sur votre contexte.
Prendre contact →