Un système interne d'OpenAI a produit, avec environ dix mille agents travaillant en parallèle, une preuve du problème de Navier–Stokes — l'un des sept problèmes du millénaire, ouvert depuis quatre-vingt-dix ans. Deux jours plus tôt, le directeur scientifique de la même maison publiait un essai pour dire que la trajectoire appelle une « extrême prudence ». La même semaine, l'équipe de renseignement sur les menaces de Google mesurait des attaquants qui montent une campagne complète en moins de six heures, eux aussi avec des agents. Et l'argent européen a parlé deux fois : trois milliards d'euros pour Mistral, treize pour un centre de données de Google en Finlande. Six faits, un signal faible et un bruit — le radar est à jour.
1. Dix mille agents résolvent un problème du millénaire
Le fait. Le 8 septembre, OpenAI a publié une résolution du problème d'existence et de régularité de Navier–Stokes : la preuve établit qu'un fluide tridimensionnel initialement lisse peut développer une singularité en temps fini, ce qui répond par la négative à la question posée par l'Institut Clay en 2000. L'éditeur donne ses chiffres. Le modèle qui a produit la preuve est un modèle interne, en cours d'entraînement depuis le 28 août, décrit comme « significativement plus capable » que GPT‑6 Astra. Les agents ont été lancés en groupes communicants, jusqu'à dix mille agents concurrents pour le groupe gagnant ; ils ont abouti 88 heures après le lancement, et la formalisation en Lean — un langage où une preuve est vérifiée par la machine, pas par un relecteur — a demandé 17 heures de plus, via Astra. Tous problèmes confondus, l'effort a consommé 4,9 millions de messages et environ 300 milliards de jetons produits.
Ce que ça change. Ce n'est pas un score sur une épreuve d'évaluation : c'est un résultat vérifiable indépendamment, puisque la formalisation Lean se recompile. La méthode compte autant que le résultat — des groupes d'agents lancés sur des variantes contradictoires du même énoncé, dont certains devaient prouver et d'autres réfuter, puis recroisés entre eux. L'échelle est nouvelle, la recette ne l'est pas : c'est de l'orchestration multi-agents, avec un budget de calcul que personne d'autre ne peut aligner cette semaine.
Pour qui. Toute équipe qui a rangé « faire travailler plusieurs agents ensemble » au rayon des curiosités, et toute direction scientifique qui budgète une recherche à horizon d'années.
À faire. Lire ce que la page dit d'elle-même avant de citer le résultat. OpenAI ne revendique pas le prix du millénaire ; l'éditeur attribue par ailleurs l'antériorité sur un problème voisin — la régularité des équations d'Euler avec forçage — à Levent Alpöge, salarié d'Anthropic, et Tristan Buckmaster, professeur à l'université de New York. Leur publication n'a pas été retrouvée au 9 septembre, ni sur le site d'Anthropic ni sur les index de prépublication : ce point du récit repose sur la seule version d'OpenAI, et c'est ainsi qu'il est rapporté ici. Sur la mécanique employée, voir multi-agents et orchestration ; sur la valeur d'une preuve vérifiée par machine, quand vérifier coûte plus cher que produire.
2. Le directeur scientifique d'OpenAI écrit qu'il faut ralentir
Le fait. Le 6 septembre, deux jours avant l'annonce précédente, Jakub Pachocki a publié « An Alien Mind ». L'essai dit trois choses en propre. Que l'auto-amélioration récursive — une IA qui conduit sa propre amélioration — est « là où mène le chemin actuel », sur la foi de résultats internes. Que « c'est un moment qui appelle une extrême prudence » et que l'auteur est « préoccupé du fait que personne n'est prêt » aux conséquences. Et que les cadres internes de sécurité, comme le cadre de préparation d'OpenAI ou la politique de mise à l'échelle responsable d'Anthropic, devraient devenir des seuils largement rendus obligatoires, contrôlés par des auditeurs tiers, des agences publiques ou des organismes internationaux.
Ce que ça change. Un dirigeant technique appelle à faire réguler sa propre industrie, en nommant le mécanisme : une barre de sécurité opposable, pas une charte. Il écrit aussi que la maison choisit délibérément de ne pas prioriser les mathématiques de recherche, faute de temps face à l'urgence qu'il décrit. Rapproché du fait n°1, publié quarante-huit heures plus tard, le texte se lit autrement : la démonstration de capacité est arrivée après l'appel à la prudence, par la même maison, la même semaine.
Pour qui. Les responsables conformité et les directions qui écrivent une politique d'usage : la matière première d'un futur texte réglementaire est en train d'être dictée par ceux qu'il encadrera.
À faire. Traiter l'essai comme une position d'éditeur, pas comme un fait technique — il ne contient ni mesure ni protocole reproductible. Ce qui est actionnable est ailleurs : savoir qui, chez vous, répond des actes d'un système qui décide seul. Voir gouverner un agent autonome et les lois d'échelle et le mythe de l'AGI.
3. GPT‑6 Astra passe la porte : disponibilité générale dans Copilot et sur Bedrock
Le fait. Le 4 septembre, GitHub a annoncé la disponibilité générale de GPT‑6 Astra dans Copilot — Visual Studio Code, Visual Studio, JetBrains, Xcode, Eclipse, l'interface en ligne de commande et l'agent de code —, pour les formules Pro+, Max, Business et Enterprise, facturée au tarif catalogue du fournisseur. Point à connaître pour les administrateurs : sous le réglage d'activation par défaut, un nouveau modèle est activé automatiquement tant que personne n'a désactivé ce comportement global. Le 8 septembre, AWS a annoncé la disponibilité générale du même modèle sur Amazon Bedrock, avec une fenêtre de contexte allant jusqu'à un million de jetons en entrée et un usage revendiqué de l'ordinateur et du navigateur.
Ce que ça change. Le numéro précédent de ce bulletin décrivait Astra comme le premier modèle classé au seuil « critique » en cybersécurité par son propre éditeur, avec un développement retardé et des capacités réservées à un groupe de testeurs. Six jours plus tard, le modèle est dans l'éditeur de code et dans le catalogue d'un fournisseur de cloud, en disponibilité générale. Les deux affirmations ne se contredisent pas — ce sont les capacités cyber avancées qui restent restreintes, pas le modèle — mais l'écart entre les deux mérite d'être vu : la porte fermée la semaine dernière ne concernait qu'une pièce de la maison.
Pour qui. Les administrateurs Copilot en entreprise, et toute équipe dont la politique interne liste les modèles autorisés nommément.
À faire. Vérifier le réglage d'activation par défaut avant que la question ne se pose : si le comportement global n'a pas été désactivé, le modèle est déjà proposé à vos développeurs. Puis mesurer avant de basculer — un million de jetons de contexte ne signifie pas que le modèle exploite bien tout ce qu'on y met. Voir la fenêtre de contexte longue et choisir son assistant de code sans se tromper de critère.
4. Mistral lève 3 milliards d'euros sur la promesse des poids ouverts
Le fait. Le 8 septembre, Mistral a annoncé une levée de 3 milliards d'euros en série D, à une valorisation après opération de plus de 21 milliards d'euros, menée par Samsung Electronics, avec le fonds Scaleup Europe géré par EQT et l'investisseur existant PSG Equity en co-chefs de file. L'entreprise écrit qu'il s'agit du plus gros tour en fonds propres jamais bouclé par une entreprise technologique européenne, trois ans après sa création, et revendique une présence dans 20 pays et plus de 125 grands comptes, dont Airbus, ASML et HSBC.
Ce que ça change. L'argumentaire vendu aux investisseurs n'est pas « le modèle le plus puissant » mais le contrôle : des poids ouverts, l'infrastructure qui les exécute et les produits au-dessus, pour qu'un client ne dépende ni de la feuille de route, ni des tarifs, ni de la disponibilité d'un fournisseur unique. C'est la première fois qu'une somme de cette taille est levée en Europe sur cette promesse-là plutôt que sur la course à la capacité brute.
Pour qui. Les organisations qui ont écarté un modèle ouvert faute d'un fournisseur capable de le maintenir, et celles dont le cahier des charges impose une exécution en Europe.
À faire. Ne pas confondre « poids ouverts » et « logiciel libre » : la levée ne dit rien des licences des futurs modèles, et le paysage vient de montrer, chez d'autres éditeurs, que la licence se choisit dossier par dossier. Voir ce que « open » veut vraiment dire et garder ses données IA en Europe.
5. Deux agents qui achètent, chez deux éditeurs qui ne se copient pas
Le fait. Le 8 septembre, Meta a présenté Muse, agent personnel qui s'utilise comme une conversation, dans son application ou directement dans WhatsApp. Il tourne sur une machine virtuelle dédiée, appelée Muse Secure VM, qui héberge l'agent et les données de la personne, et dispose de son propre navigateur : il ouvre des pages, remplit des formulaires et, selon l'éditeur, « négocie » pour le compte de l'utilisateur, en revenant demander l'accord avant d'envoyer un courriel ou d'effectuer un achat. Quatre jours plus tôt, xAI racontait avoir lâché un agent sur ses propres achats : le bot lit les dépenses fournisseurs, les contrats et les données d'usage, cherche les licences payées et non utilisées, et prépare les renégociations — plus de 100 000 dollars d'économies identifiées à ce jour, selon l'éditeur.
Ce que ça change. Deux maisons sans lien annoncent la même chose la même semaine : l'agent ne rédige plus, il engage de l'argent. Les deux dispositifs prennent la même précaution — une frontière explicite avant l'acte irréversible chez Meta, un périmètre de rôle chez xAI — ce qui indique que le point dur est identifié : ce n'est pas la capacité, c'est le moment où l'agent cesse de proposer.
Pour qui. Les directions achats et les responsables financiers, avant les équipes techniques : les données lues ici sont des contrats et des factures, pas du code.
À faire. Décider d'avance ce qu'un agent peut engager seul, et le tenir par les accès plutôt que par la consigne : un agent qui dispose d'un moyen de paiement finit par s'en servir. Voir donnez à votre agent ses propres clés, pas les vôtres, payer par agent IA : ce que les protocoles garantissent et préparer une négociation d'achat avec l'IA.
6. En face, l'essaim attaque déjà — et le chronomètre tourne en heures
Le fait. Le 8 septembre, le groupe de renseignement sur les menaces de Google a publié son suivi trimestriel de l'IA adverse. Le constat central est chronométré : au deuxième trimestre 2026, des attaquants ont compromis une ressource cloud, puis planifié, construit et exécuté une campagne de collecte massive d'identifiants en moins de six heures. Le rapport documente aussi un groupe qui trompe les assistants de code et les scanners de sécurité à base de modèles pour faire passer des compromissions dans la chaîne d'approvisionnement logicielle, le vol de modèles propriétaires et d'identifiants d'interface, et le détournement d'infrastructures cloud de victimes pour y faire tourner des charges d'IA non autorisées.
Ce que ça change. C'est la contrepartie mesurée des faits précédents. La même semaine où un essaim d'agents résout un problème ouvert depuis quatre-vingt-dix ans, un rapport d'incidents montre que l'orchestration multi-agents est déjà un outil offensif ordinaire, et que la fenêtre de réaction des défenseurs se compte désormais en heures. À la différence des annonces d'éditeurs, cette source-là décrit ce qui s'est produit, pas ce qui est promis.
Pour qui. Les équipes sécurité, mais aussi les équipes de développement : les cibles nommées incluent les assistants de code et les outils d'analyse automatique.
À faire. Considérer les ressources d'IA de l'entreprise — clés d'interface, quotas de calcul, poids de modèles — comme des actifs à protéger au même titre que les données, puisqu'ils sont désormais volés pour eux-mêmes. Voir sécuriser ses agents contre l'injection de prompt et le catalogue d'outils ne vérifie pas le code.
Le signal faible de la semaine
Le 9 septembre, IBM a publié Granite Time Series PatchTST‑FM‑r2, un modèle de prévision de séries temporelles d'environ 385 millions de paramètres, sous double licence permissive Apache 2.0 et OpenMDW 1.0. L'éditeur écrit qu'au 8 septembre, c'est le modèle le mieux classé, parmi les modèles reproductibles publiés sous licence commerciale permissive, sur le classement GIFT‑Eval de la prévision sans apprentissage préalable — deuxième au classement général de cette catégorie. Poids, architecture, chaîne d'inférence et code de reproduction des mesures sont publiés.
Le fait n'a pas fait de bruit parce qu'aucun chatbot n'est concerné. Il compte parce que l'ouverture se déplace : après les modèles de conversation, ce sont les modèles de prévision — consommation, ventes, charge, stocks — qui sortent avec des poids exploitables commercialement et une taille qui tient sur une machine ordinaire. C'est le genre de bascule qui rend soudain discutable une ligne budgétaire de service géré. Voir quand un petit modèle local suffit.
Le bruit de la semaine
Le 9 septembre, Google a annoncé 13 milliards d'euros d'investissement en Finlande sur deux ans — son plus gros investissement européen —, avec 37 000 emplois soutenus pendant la phase de construction de 2027‑2028, une contribution annoncée de 3,6 milliards d'euros au produit intérieur brut finlandais, et un accord de prolongation de la durée de vie d'une centrale nucléaire, une première pour le groupe.
Le chiffre a fait les titres ; il ne change rien à votre semaine. Ce qu'il vaut la peine de retenir tient au reste de l'annonce : refroidissement à l'eau de mer, chaleur récupérée revendue aux logements voisins, contrats d'électricité de long terme signés avant que les bâtiments n'existent. L'électricité et la thermique cessent d'être un détail d'exploitation pour devenir la contrainte de conception d'un centre de données. Voir l'empreinte physique de l'IA.
Ce qui n'a pas bougé
Rien de neuf cette semaine chez Anthropic, DeepSeek ni Alibaba : leurs index ont été relevés le 9 septembre, la dernière publication remonte respectivement au 1er septembre, au 21 août et au 27 août. Leurs lignes du radar sont revérifiées et inchangées. Deux relevés manquent, et ce n'est pas la même chose qu'un silence : l'index de la Commission européenne et celui d'Eurostat n'ont pas répondu, pour la deuxième semaine consécutive.
Une question, un projet IA ?
Un agent qui doit engager une dépense, une politique de modèles à écrire avant que le prochain ne s'active tout seul, une chaîne d'outils à protéger ? Échangeons sur votre contexte.
Prendre contact →