Ce que l'IA coûte vraiment, et ce qu'elle rend gratuit

Ce matin, Mistral publie Leanstral 1.5, un modèle spécialisé dans la vérification formelle avec l'assistant de preuve Lean 4, sous licence Apache 2.0 — poids ouverts et interface de programmation gratuite. Le modèle compte 119 milliards de paramètres au total, mais n'en active que 6 milliards à la fois, ce qui le rend léger à faire tourner.

Sur les bancs d'essai, il sature miniF2F (100 %) et résout 587 des 672 problèmes de PutnamBench. Plus concret : lancé sur 57 dépôts publics, il a débusqué cinq bogues encore inconnus, dont un débordement dans une librairie Rust. Pour une équipe qui bâtit du logiciel critique, l'intérêt est direct : prouver formellement qu'un bout de code fait ce qu'il prétend cesse d'être un luxe réservé aux grands laboratoires.

Une étude suivant plus de 26 000 élèves du secondaire dans un comté chinois, publiée sur SSRN, arrive à un résultat inconfortable : les élèves qui s'appuient sur l'IA finissent leurs devoirs plus vite, mais voient leurs notes aux examens d'entrée chuter de 18 à 24 %.

Le hic, c'est le délai. La baisse aux examens réguliers apparaît en six mois, mais l'effet sur les grands examens d'entrée met environ deux ans à se manifester — assez longtemps pour qu'une école croie que tout va bien avant de constater les dégâts. Sur 30 mois de données, l'usage de l'IA est passé de presque zéro à 80 %. Pour quiconque déploie l'IA en formation, le message n'est pas d'interdire l'outil, mais de mesurer l'apprentissage réel, pas seulement la vitesse d'exécution.

En juin, 21 organisations ont signalé environ 1 500 vulnérabilités graves ou critiques — plus de trois fois et demie le précédent record mensuel, selon les données d'Epoch AI. La cause n'est pas une vague d'attaques, mais l'arrivée de modèles capables de chercher des failles tout seuls : Claude Mythos chez Anthropic, le programme Daybreak d'OpenAI, et Glasswing, qui aurait à lui seul remonté plus de 10 000 failles graves via des partenaires de confiance.

C'est une bonne nouvelle et un casse-tête à la fois. Les trous se rebouchent plus vite, mais les équipes de sécurité, elles, n'ont pas été conçues pour trier un tel volume. Pour une entreprise, la question du jour n'est plus « avons-nous des failles », mais « avons-nous la capacité de traiter celles qu'une IA va nous pointer ».

L'Institut britannique de sécurité de l'IA (AISI) publie un constat qui devrait faire réfléchir quiconque juge un agent sur un banc d'essai standard : ces tests sous-évaluent systématiquement ce dont les agents sont capables, faute de leur donner assez de calcul.

En faisant passer le budget de jetons d'un million à dix millions, le taux de réussite en génie logiciel bondit d'environ 25 %; côté maths et tâches académiques, on gagne 22 %. L'AISI observe aussi que la durée qu'un humain mettrait à accomplir une tâche prédit, selon une loi de puissance, le nombre de jetons nécessaires. Concrètement : si vous testez un agent en le serrant côté calcul, vous mesurez votre parcimonie, pas sa compétence. Et les modèles récents profitent davantage d'un gros budget — l'écart se creuse à mesure qu'on leur en donne.

Selon un mémo interne rapporté par The Information, Microsoft prépare pour août une refonte de Copilot : fusionner ses applications grand public et entreprise en une seule plateforme, y greffer du code assisté et de nouveaux agents « AutoPilot » qui gèrent seuls des tâches comme l'agenda ou le résumé de courriels.

Les fonctions premium deviendront payantes, et Microsoft coupe ce qui ne performe pas — Copilot Podcasts et Copilot Labs passent à la trappe. Le vice-président Jacob Andreou résume la consigne : le produit doit « mériter d'exister » en livrant du travail réel, pas de l'intelligence pour l'intelligence. C'est le même virage qu'Anthropic et OpenAI, qui poussent chacun leur « super-appli ». Pour une entreprise cliente, la bascule est claire : on ne vend plus un copilote, on vend des agents qui exécutent — et on facture au résultat.

Poolside publie Laguna XS 2.1, un modèle de programmation à 33 milliards de paramètres bâti en mélange d'experts — une architecture où seule une fraction du réseau s'active par requête, pour rester rapide et abordable.

Le gain annoncé porte sur SWE-bench Multilingual, un banc d'essai qui mesure la résolution de vrais problèmes de dépôts dans plusieurs langages : Laguna XS 2.1 y grimpe de 5,4 points, à 63,1 %. Le modèle sort sous licence OpenMDW-1.1. Pour une équipe qui code hors de l'anglais et de l'écosystème Python habituel, l'intérêt est concret : un modèle compact, moins cher à faire tourner qu'un géant, qui vise justement les langages que les gros modèles servent souvent en second. La course aux agents de code se joue de plus en plus sur ce terrain-là — la taille utile, pas la taille maximale.