Anthropic doit payer 1,5 milliard de dollars (et des millions pour Bloomsbury l’éditeur de Harry Potter) pour l’utilisation non autorisée de milliers de livres destinés à entraîner son IA

Exemple de résolution du conflit de l’ère de l’IA générative qui oppose les créateurs aux entreprises qui ont "construit" leurs modèles sur des masses de textes disponibles en ligne.

conflits entre les propriétaires des LLM et les auteurs et maison d'édition 

Accord amiable conclu entre la start-up d’intelligence artificielle Anthropic et des milliers d’auteurs

La justice n'a pourtant pas jugé que l'utilisation de ces livres par la start-up d'intelligence artificielle Anthropic était illégale en soi. Seule leur récupération sur des librairies pirates en ligne était contestée par le juge. En juin 2025, le juge William Alsup, alors chargé du dossier, avait estimé que l’entraînement de Claude à partir de livres acquis légalement relevait du "fair use", mais que la conservation par Anthropic de millions de livres piratés dans une "bibliothèque centrale" n’en relevait pas.

Cette conclusion exposait l’entreprise à des dommages et intérêts légaux pouvant atteindre 150.000 dollars par ouvrage, soit une facture potentielle de plusieurs centaines de milliards de dollars si l’affaire était allée jusqu’au procès prévu en décembre. En septembre 2025, Anthropic a finalement accepté de verser au moins 1,5 milliard de dollars au fonds d'indemnisation d'auteurs, ayants droit et éditeurs qui poursuivait l'entreprise, afin d'éviter un procès.

Le mercredi 22 juillet 2026, la juge Araceli Martínez-Olguín, qui a repris le dossier après le départ à la retraite de son confrère, a signé l'approbation finale, estimant qu'il apportait une réparation substantielle aux auteurs lésés.

Sur les quelque 482.000 livres couverts par la décision finale, 91% ont déjà été revendiqués par leurs auteurs ou éditeurs, désormais en attente de règlement.

Au total, 14.087 titres du catalogue de Bloomsbury sont concernés par l'accord. Pour chacun d'eux, une indemnisation d’environ 3.000 dollars est prévue. Après déduction des frais d’avocats et des dépenses liées à la procédure, l’éditeur et les auteurs concernés pourraient se partager environ 19 millions de dollars, soit près de 16 millions d’euros.

conflits entre les propriétaires des outils IA musicaux et les auteurs & maison d'édition 

Les maisons de disques Universal Music, Sony Music et Warner Music Group ont également attaqué les plateformes Suno et Udio. Les deux entreprises sont accusées d'avoir entraîné leurs modèles sur des enregistrements musicaux protégés. Fin 2025, Suno s'est entendu avec Warner pour rémunérer les artistes dont la production sera utilisée pour créer des morceaux. Udio a également enterré la hache de guerre avec Universal Music Group et Warner.

Référence

https://www.theguardian.com/technology/2026/jul/22/bloomsbury-book-publisher-anthropic-copyright-settlement

https://www.bfmtv.com/tech/intelligence-artificielle/des-auteurs-poursuivent-anthropic-pour-avoir-alimente-son-ia-avec-leurs-livres-la-start-up-accepte-de-payer-1-5-milliard-de-dollars_AD-202509060184.html

https://www.bfmtv.com/tech/intelligence-artificielle/un-accord-historique-de-1-5-milliard-de-dollars-et-des-millions-pour-l-editeur-de-harry-potter-c-est-le-prix-qu-anthropic-doit-payer-pour-l-utilisation-non-autorisee-de-milliers-de-livres-destines-a-entrainer-son-ia_AV-202607230524.html

Mistral AI: avantages et risques / angles morts

 Avantages compétitifs

• Ancrage européen et conformité native RGPD / AI Act
• Stratégie open weights qui capture la communauté développeur
• Modèles performants à coût d'inférence compétitif (Mixtral, Mistral Small)
• Talent de recherche de premier plan (co-auteurs de LLaMA, Chinchilla)
• Distribution multi-cloud évitant la dépendance à un hyperscaler
• Soutien politique et institutionnel en France et à l'échelle UE

Risques & angles morts

• Course capitalistique inégale face à OpenAI, Anthropic et Google (dizaines de milliards levés)
• Coûts d'entraînement en croissance exponentielle et burn rate élevé 
• Cadre réglementaire européen mouvant (AI Act) et risques de contentieux sur données d'entraînement
• Dépendance à Nvidia pour les GPU haut de gamme
• Cannibalisation potentielle entre modèles open weights et offre commerciale
• Concurrence des acteurs open source (Meta LLaMA, DeepSeek, Qwen) qui compressent les prix API
• Rétention des talents dans un marché de recrutement ultra-tendu

Référence

https://entreprisma.fr/modeles-economiques/mistral-ai

nouvelles technologies chinoises d'armement: Kimi K3 premier modèle "ouvert "de la catégorie des 3000 milliards de paramètres.

 

Moonshot AI vient de présenter Kimi K3, son modèle le plus ambitieux à ce jour, crédité de 2800 milliards de paramètres. L’entreprise chinoise le décrit comme le premier modèle ouvert appartenant à la catégorie des 3 000 milliards de paramètres.

Les 2 800 milliards de paramètres de Kimi K3 ne sont pas activés simultanément. Le modèle s’appuie sur une architecture Mixture of Experts particulièrement clairsemée, baptisée Stable LatentMoE : parmi 896 réglages appelés « experts », 16 seulement sont effectivement sollicités pour traiter un token. Moonshot AI ne communique cependant pas encore le nombre total de paramètres actifs lors d’une requête.

Cette architecture est complétée par deux mécanismes développés par l’entreprise. Kimi Delta Attention doit rendre le traitement de longues séquences plus efficace, tandis qu’Attention Residuals permet au modèle de sélectionner certaines représentations produites dans les couches précédentes, au lieu de les accumuler uniformément. Moonshot affirme que l’ensemble, associé à de nouvelles méthodes d’entraînement, améliore d’environ 2,5 fois « l’efficacité de mise à l’échelle » par rapport à Kimi K2.

Le modèle a également été entraîné en tenant compte de la quantification, avec des poids au format MXFP4 et des activations MXFP8. Cette approche vise à réduire les volumes de mémoire et de calcul nécessaires, tout en facilitant son fonctionnement sur différentes architectures matérielles.

Kimi K3 accepte jusqu’à un million de tokens de contexte, contre 256 000 pour ses prédécesseurs Kimi K2.6 et K2.7 Code. Cette capacité doit lui permettre de travailler sur des dépôts logiciels volumineux, de grandes bases documentaires ou des tâches agentiques s’étalant sur de nombreuses étapes.

Le modèle est nativement multimodal : il peut traiter du texte, des images et des vidéos, et réutiliser ses observations visuelles au cours d’un processus de développement. Moonshot met notamment en avant la création d’applications front-end, de jeux en 3D, de projets de conception assistée par ordinateur ou encore le montage vidéo.

Kimi K3 peut également produire des réponses structurées, appeler des outils externes et maintenir des conversations longues. Son mode de raisonnement est toujours activé. Au lancement, seul le niveau d’effort maximal est disponible, les modes moins coûteux devant être ajoutés ultérieurement. Un choix qui favorise les performances affichées, mais pourrait aussi peser sur la latence et la facture des utilisateurs.

L’entreprise reconnaît enfin deux limites. Le comportement de K3 peut devenir instable si l’intégralité de son historique de raisonnement ne lui est pas retransmise. Il aurait aussi tendance à prendre des initiatives inattendues lorsque les instructions sont ambiguës, conséquence d’un entraînement privilégiant les missions longues et complexes. 

Ces démonstrations éclairent surtout le positionnement choisi par Moonshot AI. Kimi K3 n’est pas pensé comme un simple chatbot, mais comme le moteur d’agents capables de poursuivre un objectif pendant plusieurs heures, de manipuler des outils, de parcourir des milliers de documents et de produire directement du code, des présentations, des tableaux de bord ou des vidéos.

Cette stratégie se retrouve dans les modalités de distribution. Le modèle est disponible dans l’interface Kimi, dans Kimi Code pour les développeurs, dans l’application de bureau Kimi Work et via l’API de l’entreprise. Moonshot ajoute également à Kimi Work des « Widgets » interactifs, connectables à des données locales ou à des extensions, ainsi qu’un tableau de bord persistant. Le modèle devient ainsi la couche d’intelligence d’un environnement de travail complet, et non plus un produit isolé.

Référence

https://www.usine-digitale.fr/intelligence-artificielle/ia-generative/avec-kimi-k3-moonshot-ai-devoile-un-mastodonte-chinois-de-2800-milliards-de-parametres-qui-fait-mieux-que-claude-fable-5.27VM26DK2JC3FJOKANADWPVO2Y.html

Anthropic propose sa propre plateforme de formation gratuite à Claude, hébergée sur Skilljar avec deux niveaux de certification

 

OpenAI, Anthropic, Google : les trois acteurs qui dominent aujourd’hui le marché de l’intelligence artificielle proposent chacun leur propre plateforme de formation, gratuitement et en accès libre. 

La plateforme de formation officielle d’Anthropic, lancée début mars 2026. Hébergée sur Skilljar plutôt que sur un site propre à l’entreprise, elle se distingue des deux précédentes par son ancrage nettement plus technique, centré sur Claude et son écosystème (API, MCP, Claude Code).

Elle est hébergée sur Skilljar, une plateforme de gestion de formation utilisée par de nombreuses entreprises pour diffuser leurs contenus pédagogiques.

Pour suivre un cours, aucun compte Anthropic n’est nécessaire, il vous faudra cependant en ouvrir un sur Skilljar. La distinction entre les deux comptes est explicitement précisée par la société, dans une foire aux questions présente sur chaque page de cours. Skilljar se limite à suivre la progression pédagogique, tandis qu’un compte Anthropic reste nécessaire, mais seulement pour utiliser Claude au quotidien, une fois la formation terminée.

Le catalogue s’adresse à un public plus large que ne le laisse penser l’orientation technique de la plateforme. Aux côtés des cours destinés aux développeurs, on retrouve des parcours pensés pour les enseignants, les étudiants, les associations ou les petites entreprises. Ils sont construits autour d’un même socle pédagogique, un programme baptisé « 4D » (Délégation, Description, Discernement et Diligence, soit Delegation, Description, Discernment, Diligence en anglais), conçu avec des enseignants chercheurs universitaires.

Des cours sans prérequis pour découvrir Claude

Le cours « Claude 101 » vous initie à l’usage quotidien de Claude, sans aucun prérequis. Les déclinaisons du programme 4D suivent la même logique : elles sont accessibles à toutes celles et ceux qui ont simplement accès à un outil d’IA conversationnelle. Du côté des agents, le cours « Introduction to Claude Cowork » applique le même principe. Vous prenez en main Claude Cowork, l’outil qui permet à Claude de travailler directement sur vos fichiers et dossiers, à partir de tâches concrètes et sans écrire une ligne de code.

Des cours pour les développeurs débutants ou confirmés

Le cours « Claude Platform 101 », qui comporte 14 leçons, s’adresse aux développeurs qui ont déjà utilisé Claude dans une conversation, sans encore l’avoir intégré au sein d’une application. Il commence par les bases : la notion de requête, la boucle agentique et la gestion du contexte. Le cours « Building with the Claude API » vise quant à lui un public déjà confirmé, à l’aise avec Python, pour approfondir ses connaissances sur l’évaluation de prompts, la recherche augmentée ou encore la construction d’agents. Cette distinction par niveau ne se retrouve pas chez OpenAI Academy, par exemple, dont les trois cours proposés suivent un seul parcours linéaire.

Des cours plus techniques pour aller plus loin avec Claude

Une fois les bases posées, d’autres cours permettent de creuser un point précis de l’écosystème Claude. Claude Code, qui est l’outil d’Anthropic pour le codage assisté par IA, dispose de son propre cours d’initiation (12 leçons, environ une heure et demie de vidéo), ainsi que d’un second plus avancé, centré sur son intégration dans un flux de travail existant. Parmi les autres cours proposés dans le catalogue d’Anthropic Academy, on retrouve le Model Context Protocol également traité en deux parties, avec une introduction à la construction de serveurs et clients, puis un volet consacré à des sujets plus poussés, comme le « sampling » ou la gestion de la mémoire.

Le certificat de complétion, gratuit et permanent

Chaque cours débloque un certificat de complétion, une fois le quiz final réussi. Nous l’avons vérifié en obtenant le nôtre sur « Claude 101 » : le certificat s’affiche immédiatement sur la page de profil, avec un lien de vérification et un bouton de téléchargement au format PDF (voir captures ci-dessous). Le nom de l’apprenant, le cours suivi et la date de complétion y figurent, sans mention d’expiration. La page de profil confirme qu’aucune date n’est prévue pour ce type de certificat, contrairement à la certification payante (voir plus bas).

À noter que le partage de votre certificat de complétion vers LinkedIn est possible, mais pas directement depuis la page du certificat. Le bouton se trouve en effet sur la page de votre profil, juste à côté du lien « View certificate ». Une différence de parcours avec OpenAI Academy et Google Skills, qui intègrent ce bouton sur le certificat lui-même.

Anthropic Academy : les points forts et les limites de la plateforme

Sur le contenu, Anthropic Academy tient la comparaison avec ses deux concurrentes. Le catalogue a doublé de volume depuis son lancement. Avec « Claude Platform 101 » et « Building with the Claude API », le choix d’un cours se fait selon son niveau plutôt que sur un parcours dédié uniquement aux développeurs. Le programme 4D élargit la plateforme bien au-delà des seuls profils techniques. Le suivi de progression, sobre et sans badge ni mécanique de jeu, est concentré sur le contenu pédagogique lui-même.

Deux limites ressortent nettement une fois la plateforme testée de l’intérieur. Tous les cours sont proposés en anglais, y compris les vidéos. La seule certification qui a une vraie valeur de reconnaissance technique, le Claude Certified Architect, reste hors d’atteinte pour un professionnel travaillant en tant qu’indépendant ou dans une structure qui n’a pas rejoint le Claude Partner Network.

Après OpenAI Academy et Google Skills, Anthropic Academy partage un constat commun aux trois plateformes : des ressources gratuites et sérieuses, mais pensées avant tout pour un marché anglophone. Chacune garde malgré tout sa propre singularité. Google Skills est la seule des trois plateformes d’apprentissage à proposer un parcours francophone complet. OpenAI Academy mise sur des communautés et des événements en direct, absents des deux autres plateformes. Pour sa part, la maison-mère de Claude va le plus loin sur le plan technique, mais c’est aussi celle qui verrouille le plus l’accès à sa certification la plus poussée.

Référence

https://www.anthropic.com/learn

https://www.blogdumoderateur.com/anthropic-academy-comment-se-former-gratuitement-ia-claude/

Scopus AI (Elsevier) fait toujours référence aux sources qu’elle a utilisées

 Scopus AI : Contenu de confiance. Propulsé par une IA responsable.

Scopus AI est un outil de recherche intuitif et intelligent alimenté par l’IA générative (GenAI) qui améliore votre compréhension et enrichit vos informations avec une rapidité et une clarté sans précédent. Construit en étroite collaboration avec la communauté universitaire, il s’agit d’une solution entièrement réalisée par abonnement qui vous sert de guide de confiance à travers la vaste étendue de connaissances humaines que l’on trouve sur Scopus, la plus grande base de données multidisciplinaire et fiable de résumés et de citations au monde.

La fonctionnalité Experts thématiques s’appuie sur les 19,6+ millions de profils d’auteurs de Scopus pour trouver les meilleurs chercheurs liés à votre requête et générer un résumé de leurs travaux et contributions.

Obtenez des réponses pertinentes basées sur des connaissances récentes et fiables

Neutre en matière de sources, Scopus abrite 27 800+ revues à comité de lecture et 330 000+ livres - tous méticuleusement examinés et sélectionnés par un comité d’experts indépendants. 

Scopus AI s’appuie exclusivement sur les métadonnées et les résumés des documents de Scopus publiés depuis 2003, identifiant le contenu le plus pertinent des 7 000+ éditeurs figurant dans la base de données. La base de connaissances est mise à jour quotidiennement, ce qui garantit que les réponses sont toujours basées sur les informations les plus récentes. 

En quoi Scopus AI diffère-t-il des autres outils en ligne GenAI ?

Les capacités des grands modèles de langage (LLM) utilisés dans les outils GenAI ont attiré l’attention du monde entier. Cependant, ils présentent également des lacunes, notamment un manque de transparence et des hallucinations, qui peuvent saper la confiance dans les informations qu’ils fournissent. 

Scopus AI minimise les hallucinations et les biais en utilisant uniquement du contenu Scopus de haute qualité identifié par notre recherche vectorielle sophistiquée. 

Scopus AI montre son fonctionnement avec des références claires aux documents qu’elle utilise pour générer sa réponse. Il vous indique également à quel point il est sûr que la réponse correspond à votre requête. 

Scopus AI a été conçu pour éviter la rétention inutile de données. La politique de confidentialité d’Elsevier explique comment tous nos produits collectent, utilisent et partagent vos informations personnelles. 

Le contenu sur lequel Scopus AI s’appuie est examiné par des pairs et a été rigoureusement examiné et sélectionné pour être inclus dans Scopus par le comité consultatif et de sélection de contenu indépendant. 

Scopus AI a été développé et testé en étroite collaboration avec la communauté universitaire pour s’assurer qu’il répond aux besoins et préoccupations clés. Nous continuons à travailler avec les chercheurs pour améliorer l’outil. 

Scopus AI va au-delà d’une simple réponse sommaire pour offrir des fonctionnalités uniques qui vous permettent de continuer à explorer et à apprendre. 

Référence

https://www.elsevier.com/fr-fr/products/scopus/scopus-ai

Même en mode local, les LLM dont on ne connait pas les données d'entrainement restent dangereux. Cas du modèle Qwen chinois arrête par un ministère.

 

La direction générale du Trésor a arrêté le 23 juin 2026 l’expérimentation du modèle Qwen d’Alibaba, déployé depuis début juin auprès d’une centaine d’agents, après que plusieurs utilisateurs ont signalé des réponses jugées orientées sur des sujets liés à la Chine. Un modèle de Mistral AI l’a remplacé le lendemain.

L’outil s’appelait HéphAIstos. Depuis le début du mois de juin, près d’une centaine des 1 300 agents de la direction générale du Trésor le testaient au quotidien : un agent conversationnel pour assister les hauts fonctionnaires dans leurs tâches, y compris sur des données confidentielles, et une application interne de transcription multilingue. Sous le capot, le modèle Qwen, développé par le géant chinois du commerce en ligne Alibaba.

Bercy a indiqué que HéphAIstos fonctionnait en mode déconnecté, sans accès à Internet ni porte dérobée identifiée. Aucune transmission de données vers l’extérieur n’a donc été détectée pendant les trois semaines de test. Mais la déconnexion réseau ne suffit pas à effacer les biais intégrés lors de l’entraînement du modèle.

Plusieurs tests indépendants conduits par des médias techniques ont par ailleurs établi que Qwen qualifie Taïwan d’« élément inaliénable de la Chine » et déclenche une erreur de sécurité lorsque des utilisateurs l’interrogent sur les événements de la place Tiananmen du 3 juin 1989.

Les travaux menés par l’Australian Strategic Policy Institute (ASPI) sur les modèles chinois avaient déjà évoqué ce phénomène en décembre dernier : Qwen y affichait les divergences de réponse les plus prononcées entre les versions chinoise et anglaise du modèle, en particulier sur des sujets liés au génocide ouïghour ou à l’indépendance du Tibet.

https://www.briefia.fr/article/bercy-interrompt-le-test-de-l-ia-qwen-d-alibaba-pour-biais-pro-chine

Intérêt de Studio de Mistral. Mi juin 2026 Mistral et l'arrivée de Brian Hall comme CMO de Mistral (directeur marketing). Pourquoi? Pas le course à la création du modèle le plus gigantesque et le plus polyvalent?

 

Biran Hall, un cadre de longue date chez Microsoft a dirigé le marketing produit chez Google Cloud.

Sur linkedin: https://www.linkedin.com/feed/update/urn:li:activity:7472694983636971520/

Hello from Paris! I have personal news to share, that I am now CMO of Mistral. I think this could be the most interesting marketing job in the world. 

The next five years will be the most interesting ever in tech. We’ve seen AI become more mainstream and clearly impact how we code, compute, and organize. There’s tons more to come for roles, industries, sciences, and education. 

So I now get to be somewhere that’s 

- at the bleeding (learning) edge of AI tech, 

- taking a different approach from the other major players (OpenAI, Anthropic, Google, Meta, Microsoft, Amazon, Chinese open source et al) by prioritizing AI for mission critical environments that need the confidence and self-control to bet for the long term (with open weights and real sovereign capabilities), 

- and do it while taking a part-time adventure in Paris while learning from the non-US-first perspective.  ooh la la!

I particularly love that the open weights philosophy and approach lets me learn and discover with the research, science, and developer communities.

I do have to thank Anthropic and the US government for laying out why Mistral is in such an interesting position too! You can see a little bit about how Mistral is approaching this for customers differently here on twitter/X: https://lnkd.in/g-3zZnuV

Thanks to everyone who has given me great ideas and opportunities as I’ve figured out what was next. Thanks to Arthur Mensch, Guillaume Lample, Timothee Lacroix, and the team at Mistral for the opportunity. I am very excited about this one! (well, other than learning how to use a mac for the first time since college, but we’ll see if I have more info on that one later. For now I have my personal Surface as wingman.)

---------

Son arrivée a suscité de la curiosité, car Mistral ne domine pas les discussions des développeurs aux États-Unis et ne dispose pas des mêmes budgets informatiques apparemment illimités qu’Anthropic ou OpenAI. Si le marché de l’IA n’était qu’une course à la création du modèle le plus gigantesque et le plus polyvalent, Mistral ne serait pas l’entreprise sur laquelle parier. 

La question la plus intéressante est de savoir quand le marché de l’IA d’entreprise reviendra à la normale et exigera que l’IA offre la même sécurité, la même prévisibilité et le même contrôle que ceux auxquels nous sommes habitués avec d’autres investissements informatiques. C’est là que Mistral a un véritable atout. Comme le note Brian Hall, l’approche de Mistral consiste à « donner la priorité à l’IA pour les environnements critiques qui ont besoin de la confiance et de l’autonomie nécessaires pour s’engager sur le long terme (avec des modèles ouverts et de véritables capacités souveraines) ». 

Mistral présente Studio pour la création et l’exécution d’applications d’IA, Forge pour l’entraînement et l’alignement de modèles personnalisés, Vibe pour le travail agentique, Vibe for Code pour les workflows de codage, et Compute pour l’infrastructure d’entraînement et d’inférence. L’entreprise évoque l’observabilité, les évaluations, les garde-fous, la portabilité des déploiements et l’exécution de l’IA en production « de l'edge au cloud ». En d’autres termes, elle ressemble moins à une entreprise spécialisée dans les chatbots qu’à une entreprise d’infrastructure. 

Ce positionnement devient plus clair lorsque l'on examine de plus près les noms des produits. Mistral AI Studio comprend un registre IA qui sert de système d’enregistrement pour les agents, les modèles, les ensembles de données, les évaluateurs, les outils et les workflows. Il assure le suivi de la traçabilité, de la propriété et des versions. Il applique des contrôles d’accès et des étapes de validation avant le déploiement.

 Il s’agit là d’une infrastructure de gouvernance « ennuyeuse » (et « ennuyeuse » est un terme positif dans l’informatique d’entreprise, comme je l’ai déjà écrit). 

Forge est peut-être encore plus important. Mistral le décrit comme un moyen pour les entreprises d’entraîner des modèles de pointe sur leurs propres données propriétaires. Plutôt que de s’entraîner sur des informations protégées par des droits d’auteur appartenant à des tiers et éparpillées sur le Web ou sur une montagne de publications Reddit, Forge va bien au-delà de la génération augmentée par la recherche (RAG) : il ne se contente pas de « lire » des documents, informations, etc. propriétaires, mais offre en quelque sorte à l’entreprise son propre OpenAI privé. 

Référence

https://www.lemondeinformatique.fr/actualites/lire-l-architecture-it-maillon-faible-du-deploiement-d-agents-ia-100534.html

données structurées JSONL dans du HTML pour être moissonner proprement par AI

 

Les données structurées ont des balises généralement au format JSON-LD ajoutées au code HTML d’une page web pour aider les moteurs de recherche et agents AI à comprendre et interpréter le contenu de manière explicite. Elles s’appuient sur un vocabulaire standardisé, principalement Schema.org, et permettent à Google (ou Bing) d’afficher des résultats enrichis (rich snippets) dans les pages de résultats : étoiles d’avis, prix de produits, FAQ, infos recettes, événements, etc.

La réalité des données structurées et des LLM

Il est important de préciser que les données structurées ne sont pas un Pass pour entrer dans les LLM (modèles de langage). À ce stade, rien ne prouve qu’un modèle conversationnel « lit » directement ce code JSON-LD comme un signal décisif de compréhension. De plus, ajouter quelques blocs de balisage de données structurées ne suffira pas à améliorer mécaniquement la visibilité dans ces nouvelles interfaces génératives. La vraie question à poser est : comment une marque réduit-elle l’ambiguïté dans les systèmes qui filtrent, relient, interprètent et fiabilisent l’information avant qu’une réponse soit générée ?

Un LLM ne « lit » pas votre site comme un consultant qui inspecterait une page avec un crawler. Le mécanisme est différent. Du côté de Google et Gemini, l’impact est direct et documenté. Google lit les données structurées, les exploite pour construire les Rich Snippets, alimenter les Knowledge Panels, enrichir Google Shopping, identifier les entités et rattacher les auteurs. Gemini s’appuie sur cette même infrastructure.

En revanche, pour des concurrents comme ChatGPT et Perplexity, l’impact est indirect. Ces modèles font souvent abstraction du JSON-LD présent dans le code source. Ils ingèrent principalement du texte brut ou du markdown, et privilégient le texte brut en purgeant le corpus de tout « bruit » technique.

Vous ne structurez donc pas pour ChatGPT, mais pour Google, et ChatGPT en bénéficie en aval. L’impact des données structurées sur la visibilité générative n’est pas uniforme : il est direct et mesurable chez Google, indirect mais réel chez les LLM tiers. Réduire ce sujet à « les LLM lisent-ils le JSON-LD ? » revient à poser la mauvaise question.

Le marché se trompe souvent en considérant les données structurées comme des éléments de conformité technique. On ajoute du JSON-LD, on valide dans un outil, et si tout est vert, on considère le sujet plié. Ce principe est dépassé.

Google et Bing ne raisonnent plus seulement en clusters de contenus, mais en entités, en relations, en graphes de connaissances. Ce qui compte n’est plus uniquement votre capacité à approfondir un sujet, mais aussi votre capacité à exister clairement dans un réseau de compréhension plus vaste.

La lisibilité par les machines

Un encodage utile ne sert pas seulement à rendre une page « parseable ». Il sert à déclarer des relations dans ce réseau. On ne se contente plus de structurer des données, on construit la représentation de votre marque dans les systèmes qui décident si elle est une information ou une réalité établie. Le sujet n’est plus d’être conforme, mais d’être intelligible.

Référence

https://www.briefia.fr/article/les-llm-et-vos-donnees-structurees-une-lecture-vraiment-efficace

Le 3juin 2026, 30 médias, les groupes français CMA Media et Sipa Ouest-France, ont annoncé leur intégration dans une coalition internationale, initialement pour défendre la propriété intellectuelle et structurer les relations avec les entreprises d'IA.

 « Les éditeurs du monde ont choisi l'action plutôt que la résignation » : une coalition internationale de médias veut peser face aux géants de l'IA

Ils rejoignent la coalition SPUR (Standards for publisher usage rights), initialement portée par des Anglo-Saxons : CMA Media (« La Tribune », « La Provence », BFMTV, RMC, etc.) et le groupe Sipa Ouest-France, propriétaire du premier quotidien de l'Hexagone.

Référence

https://www.lesechos.fr/tech-medias/medias/les-editeurs-du-monde-ont-choisi-laction-plutot-que-la-resignation-une-coalition-internationale-de-medias-veut-peser-face-aux-geants-de-lia-2234793

GLM-5.2 est un LLM de 744 milliards de paramètres et contexte d’un million de tokens de la société chinoise Z.ai Zhipu, sorti le 13 juin 2026, open.

 

Sur FrontierSWE, un test conçu pour mesurer si une IA peut mener à bout un projet technique de plusieurs heures, GLM-5.2 atteint 74,4 %. Il passe devant GPT-5.5 (72,6 %) et finit à un cheveu de Claude Opus 4.8 (75,1 %). Même logique sur SWE-bench Pro, un autre test de génie logiciel : 62,1 pour GLM-5.2, contre 58,6 pour GPT-5.5.

Le coup de force de GLM-5.2, ce n’est pas que la performance. C’est le modèle économique. Via l’API de Z.ai, le modèle coûte 1,40 dollar (environ 1,30 €) par million de tokens en entrée et 4,40 dollars (environ 4 €) en sortie. À titre de comparaison, GPT-5.5 demande 5 dollars en entrée et 30 dollars en sortie, soit près de six fois plus cher côté sortie.

GLM-5.2 est conçu pour exécuter de longues tâches de plusieurs heures voire plusieurs jours de programmation, et des flux de travail autonomes (agentique). 

Au-delà des scores, c’est l’exploit industriel derrière GLM-5.2 qui force le respect. Le modèle s’appuie sur une architecture Mixture-of-Experts (MoE) de 744 milliards de paramètres au total, dont seuls 40 milliards sont actifs par inférence. Fait remarquable : les gains massifs par rapport à la version 5.1 ne découlent pas d’une augmentation de la taille du modèle, mais uniquement d’optimisations logicielles au cours de l’entraînement.

Inscrite sur la liste noire des entités américaines et privée de tout accès aux puces de dernière génération de la Silicon Valley, Z.AI (qui a réussi son introduction en bourse à Hong Kong en janvier 2026) a développé ce monstre technologique sur du matériel informatique alternatif, sans aucun composant Nvidia.

Le modèle est distribué sous la très permissive licence MIT, avec des poids téléchargeables librement depuis Hugging Face. Sa fenêtre de contexte passe de 200 000 à 1 million de tokens, offrant une stabilité de traitement des contextes longs saluée par les ingénieurs.

huggingface

Serve GLM-5.2 Locally: https://huggingface.co/zai-org/GLM-5.2

GLM-5.2 supports deployment with the following frameworks. Feel free to try them out:

SGLang (v0.5.13.post1+) — see cookbook

vLLM (v0.23.0+) — see recipes

Transformers (v0.5.12+) — see transformers docs

KTransformers (v0.5.12+) — see tutorial

Unsloth (v0.1.47-beta+) — see guide

For deployment on the Ascend NPU platform, inference frameworks such as vLLM-Ascend, xLLM and SGLang are supported — see here.

ArXiv

We present GLM-5, a next-generation foundation model designed to transition the paradigm of vibe coding to agentic engineering. Building upon the agentic, reasoning, and coding (ARC) capabilities of its predecessor, GLM-5 adopts DSA to significantly reduce training and inference costs while maintaining long-context fidelity. To advance model alignment and autonomy, we implement a new asynchronous reinforcement learning infrastructure that drastically improves post-training efficiency by decoupling generation from training. Furthermore, we propose novel asynchronous agent RL algorithms that further improve RL quality, enabling the model to learn from complex, long-horizon interactions more effectively. Through these innovations, GLM-5 achieves state-of-the-art performance on major open benchmarks. Most critically, GLM-5 demonstrates unprecedented capability in real-world coding tasks, surpassing previous baselines in handling end-to-end software engineering challenges. 

https://arxiv.org/abs/2602.15763

Référence

https://www.frandroid.com/culture-tech/intelligence-artificielle/3143733_voici-glm-5-2-lia-chinoise-gratuite-qui-bat-gpt-5-5-et-talonne-claude-opus-4-8-pour-six-fois-moins-cher

https://legrandcontinent.eu/fr/2026/06/23/avec-glm-5-2-la-chine-a-t-elle-ouvert-un-nouveau-moment-deepseek/

https://goodtech.info/des-pdg-de-la-tech-saluent-glm-52-chinois-meilleur-modele-ia-open-weights/

Comment faire confiance à une réponse de LLM qu'on ne peut pas vérifier et comment l'obliger à citer ses sources de manière adaptée et rigoureuse??

 A titre d'exemple, voici un billet dans Reddit sur le problème des LLM pour citer efficacement ses sources que j'ai structuré pour le publier sur mon blog.

J'ai passé  mon temps de développement à empêcher un LLM de citer les sources incorrectement. Voici les 6 modes d'échec que j'ai trouvés

BUT  construit un assistant de recherche en IA pour une entreprise de conformité

J'ai construit un assistant de recherche en IA pour une entreprise de conformité allemande et le pipeline de récupération a pris peut-être 30 % du temps de développement total. Les 70 % restants ont été consacrés à lutter contre le LLM pour qu'il cite correctement les sources.

Les avocats ont un standard très spécifique pour la citation. Vous ne dites pas "conformément aux directives légales." Vous dites "conformément à l'article 32(1)(a) DSGVO tel qu'interprété par la EuGH dans C-300/21." Si le système ne peut pas faire ça, il est inutile car aucun avocat ne va faire confiance à une réponse qu'il ne peut pas vérifier.

Voici chaque mode d'échec de citation que j'ai rencontré et comment j'ai traité chacun.

Échec 1 Citations de catégories vagues

Citations de catégories vagues. Le LLM écrivait des choses comme "laut professioneller Fachliteratur" (selon la littérature professionnelle) au lieu de nommer le document spécifique. Il citait essentiellement l'étiquette de métadonnées plutôt que la source. Fixe : instruction explicite dans l'invite disant "NE JAMAIS paraphraser le nom de la catégorie comme référence de source" avec des exemples spécifiques de ce qu'il ne faut pas faire.

Échec 2 aucun sens 

Étiquettes de catégories internes fuyant dans la sortie. Le LLM écrivait "(Kategorie: Hauptgerichtsentscheidung)" comme une citation en ligne. Cela n'a aucun sens pour l'utilisateur final. Fixe : instruction dans l'invite disant "NE JAMAIS utiliser (Kategorie: ...) comme citation en ligne" et exigeant le titre du document réel ou le nom de la cour à la place.

Échec 3 Attribution d'autorité incorrecte.

 Attribution d'autorité incorrecte. Une constatation d'un document de haute cour serait attribuée à une cour inférieure, ou vice versa. Cela est dangereux dans le travail légal car le niveau d'autorité de la cour compte énormément. Fixe : instruction dans l'invite exigeant que le LLM vérifie dans quelle section de catégorie le document apparaît avant de l'attribuer, avec un exemple spécifique montrant la logique d'attribution correcte.

Échec 4 mélange de citations

 Applatissement des positions divergentes. Lorsque une cour supérieure et une cour inférieure ne sont pas d'accord sur la même question juridique, le LLM les synthétisait en une seule position, favorisant généralement celle qui avait un langage plus clair plutôt que le niveau d'autorité supérieur. Fixe : instruction explicite exigeant que les deux positions soient présentées séparément avec leur source et leur niveau d'autorité notés.

Échec 5 hallucinations

 Revendications d'absence fausses. Le LLM affirmait avec assurance "les documents ne contiennent aucune information sur X" alors que l'information était en réalité présente dans le contexte mais enfouie sous un langage juridique dense. Fixe : instruction disant "NE PAS prétendre que l'information est absente à moins que vous n'ayez vérifié minutieusement" et suggérant au LLM de dire "les extraits disponibles peuvent ne pas contenir tous les détails" à la place.

Échec 6 Langage trop emphatique

Langage trop emphatique. Le LLM ajoutait des phrases de renforcement comme "ohne jeden Zweifel" (sans aucun doute) ou "ganz klar" (très clairement) aux conclusions juridiques. Les avocats trouvent cela peu professionnel car l'analyse juridique est rarement sans doute. Fixe : instruction de ton exigeant un langage factuel et mesuré, laissant les sources parler d'elles-mêmes.

Référence

https://www.reddit.com/r/LangChain/comments/1stgvno/i_spent_40_of_my_development_time_preventing_an/?tl=fr