Hello 👋
Bienvenue dans cette 17e édition d’Exploria ! On est désormais 8 curieux. Que tu sois un curieux originel ou un nouveau curieux, bonne lecture ❤️
🤖 Cette newsletter a été rédigée par IA, à partir de ma veille sur les sujets IA, de mes précédentes rédactions et de qui je suis. Par souci de transparence, ce bandeau apparaîtra à chaque fois que l’IA aura rédigé l’édition
Comment vais-je cette semaine ?
Ce week-end, j’ai eu la chance de participer à la conférence d’Eliott Meunier “Décuplez votre levier avec l’IA” (2 jours) : 8 heures de webinaire, on n’a pas chômé ! C’était passionnant : la vision d’Eliott est unique, et c’est elle qui lui a permis de construire une organisation singulière, avec une vision bien à lui de l’entreprise IA-first. Ce genre de webinaire donne envie de se lancer soi-même pour vivre l’expérience d’un tel système. J’ai surtout adoré son Master Value Engine, qui mérite selon moi d’être appliqué au-delà de l’entreprise, pour construire son propre Personal Engine.
De mon côté, je continue mes expérimentations IA, vous vous en doutez. J’explore en ce moment Opencode avec Synthetic.new, pour construire un système qui ne soit pas verrouillé sur Claude. Le modèle GLM 5.2 semble particulièrement puissant pour mes tâches, avec une vitesse de réponse bien plus grande que Claude. La conférence m’a redonné envie d’ouvrir 4 sessions Claude en même temps ; je pressens que je vais surtout et rapidement atteindre mes limites de tokens, et basculer pour cette raison 😄
Au programme
L’IA efface le premier échelon : les juniors ont raison de s’inquiéter #Société
Le repositionnement de Mistral
Mistral se met à la robotique, avec du retard #IA
Claude sonde sa propre conscience #IA
Ornith-1.0 : un 9B qui apprend à être son propre chef d’orchestre #IA
L’IA efface le premier échelon : les juniors ont raison de s’inquiéter #Société
En mai et juin 2026, deux représentants de la tech américaine sont huées lors de remises de diplômes : Eric Schmidt (ex-Google) à l’Université de l’Arizona, Gloria Caulfield (VP Tavistock) à l’Université de Central Florida, après avoir qualifié l’IA de “prochaine révolution industrielle.” Au même moment, Meta supprime 8 000 postes et Microsoft en supprime 4 800 de plus quelques semaines après, deux vagues présentées comme la contrepartie de leurs investissements massifs dans l’IA. Ce n’est pas une coïncidence. C’est la même pression vue des deux côtés du bureau.
Décryptage : Ce qui se passe sur les campus américains n’est pas de la technophobie. Les étudiants utilisent déjà l’IA au quotidien. Ce qu’ils rejettent, c’est un avenir précis : celui où leur formation longue ne sert qu’à “prompter ou corriger un chatbot”, et où les postes d’entrée de carrière, les fameux “tremplins essentiels pour se faire la main”, disparaissent avant qu’ils aient eu le temps d’en occuper un.
Pour rappel, le système des études aux US a un financement bien différent du modèle français. Les étudiants US s’endettent parfois lourdement pour réaliser leur études. Cet endettement est un investissement sur eux-mêmes, l’objectif étant de réaliser les meilleurs études possibles pour décrocher le meilleur poste possible, pour rembourser leur prêt au début puis comme nous lancer leur vie professionnelle de la meilleure façon. Retirer l’échelon junior des entreprises est donc un problème car les jeunes diplômés doivent rembourser leur prêt en intégrant un marché de plus en plus petit et aux exigences de plus en plus grandes.
La mécanique est bien réelle, et elle s’observe désormais chez deux géants à la fois. Meta a supprimé 8 000 postes en mai 2026 (~10 % de l’effectif), tout en réorientant 7 000 employés vers des équipes IA (les fameux pods de Méta), pour financer un capex (dépenses d’investissement, par opposition aux dépenses opérationnelles) 2026 de 125 à 145 milliards de dollars. Début juillet 2026, Microsoft supprime à son tour environ 4 800 postes, quelques jours après avoir lancé Frontier Company, une initiative à 2,5 milliards de dollars qui envoie des milliers d’ingénieurs directement chez les clients pour déployer l’IA. La VP RH de Microsoft, Amy Coleman, présente ces coupes comme la contrepartie assumée de ce recentrage : “notre activité évolue parce que le monde qui l’entoure change.”
Dans les deux cas, le mouvement n’est pas seulement une réduction d’effectifs : c’est aussi une redistribution vers des rôles beaucoup plus exigeants. Chez Meta, les équipes IA internes. Chez Microsoft, le Forward-Deployed Engineer : +729 % d’offres d’emploi en un an selon Indeed, un ingénieur déployé chez les clients pour intégrer l’IA dans leurs systèmes existants. OpenAI et Anthropic en envoient déjà des équipes entières ; Microsoft vient de les rejoindre avec Frontier Company. Mais ce profil exige d’emblée une maîtrise technique approfondie, une capacité à traduire les besoins métier, et une autonomie qui s’acquiert normalement... en travaillant d’abord dans des postes juniors. Le ticket d’entrée monte, alors que le plancher disparaît. Deux entreprises, une même logique : moins de postes génériques, plus de postes hyper-spécialisés accessibles seulement à des profils déjà seniors.
Le rapport Gartner ajoute une couche : le mode agentique consomme environ 1 000 fois plus de tokens qu’un assistant conversationnel. Les coûts de développement IA pourraient dépasser le salaire junior dès 2028. Ce qui signifie que certaines entreprises redécouvriront peut-être l’humain, mais pas le junior sans expérience, pas tout de suite.
Ce que les entreprises décrivent vouloir désormais d’un junior, c’est la supervision d’agents, l’architecture de workflows, la pensée critique sur des résultats IA. C’est-à-dire des compétences qui correspondaient, il y a cinq ans, à un profil de mi-carrière.
Analyse : Brad Smith (Microsoft) propose un cadrage rassurant : l’IA est une technologie à usage général, comme l’électricité ou l’informatique. Ces technologies transforment l’économie sur plusieurs décennies et créent historiquement plus d’emplois qu’elles n’en suppriment. Soit. Mais ce cadrage ne résout pas la variable du timing d’insertion, et il vient d’une entreprise qui, la même semaine où sa VP RH assumait des suppressions de postes, lançait un programme dont le profil recherché exclut structurellement les juniors.
Les révolutions industrielles précédentes ont déplacé les postes d’exécution vers d’autres postes d’exécution. Du métier à tisser manuel au métier à tisser mécanique. De la dactylo au traitement de texte. La tâche changeait, mais il existait toujours un premier échelon où un débutant pouvait entrer et apprendre en faisant.
L’IA générative automatise précisément ce premier niveau. Elle n’est pas en train de supprimer des experts, elle est en train de supprimer le chemin qui mène à l’expertise. Et pendant ce temps, Meta et Microsoft, à quelques semaines d’intervalle, demandent aux juniors de savoir ce que l’on apprend normalement en étant junior. C’est la boucle qui coince.
Sources :
Fronde contre les gourous de l’IA - Serge Leblal / Pierre Khan (Le Monde Informatique, juin 2026)
AI, jobs, and the next generation - Brad Smith (Microsoft, juin 2026)
Le repositionnement de Mistral
Mistral abandonne officiellement la course aux LLM les plus puissants. Son nouveau positionnement : devenir la surcouche d’infrastructure IA que les entreprises peuvent posséder et contrôler de bout en bout, plutôt que le modèle le plus intelligent du marché.
Décryptage : Face à l’impossibilité de concurrencer OpenAI et Anthropic sur les LLM de pointe, Mistral construit trois briques qui s’articulent entre elles : Studio, un registre central pour piloter agents, modèles, datasets et workflows, avec traçabilité et contrôle d’accès ; Forge, qui entraîne des modèles sur les données propriétaires du client, au-delà du simple RAG (qui se contente de lire des documents existants), pour construire l’équivalent d’un “OpenAI privé” propre à chaque entreprise ; et Vibe (dont Vibe for Code), pour le travail agentique au quotidien. Studio gouverne l’ensemble, Forge spécialise les modèles sur les données du client, Vibe les fait travailler. Les clients visés sont ceux à forte contrainte de souveraineté : banques, défense, industries, utilities, à l’image du partenariat étendu avec BNP Paribas évoqué plus bas.
Analyse : Ce pari repose sur trois conditions : que la souveraineté pèse vraiment dans les décisions d’achat, pas seulement dans les discours ; que la spécialisation l’emporte sur la généralité dans les secteurs à forte valeur ; et que Mistral s’implante avant qu’OpenAI et Anthropic ne proposent eux-mêmes des solutions on-premise pour les clients les plus exigeants. L’argument de fond, résumé par Mistral : le meilleur modèle d’entreprise n’est peut-être pas le plus intelligent, mais celui qui est assez petit pour tourner là où le client en a besoin, assez ouvert pour être inspecté, et assez spécialisé pour remplir sa mission.
Source :
Mistral se met à la robotique, avec du retard #IA
Mistral présente le 8 juillet 2026 Robostral Navigate, son premier modèle dédié à la robotique : 8 milliards de paramètres, navigation autonome de robots à partir d’images en couleur (RVB, comme une caméra classique) et d’instructions en langage naturel, sans LiDAR ni capteur dédié.
Décryptage : Le modèle navigue de façon autonome dans des environnements réels (bureaux, immeubles, extérieur) à partir d’une simple caméra. Il repose sur une technique de “pointing” : à partir d’une tâche et d’un historique d’observations, il déduit les coordonnées d’un emplacement cible dans le champ de vision de la caméra du robot et l’orientation d’arrivée souhaitée. C’est plus robuste que les commandes classiques, qui demandent une distance précise à parcourir (par exemple “avancez de 2 mètres”) et se dérèglent dès que la caméra change de position ou d’angle. Le VLM (modèle vision-langage, capable de relier ce qu’il voit à des instructions en langage naturel) sous-jacent est développé entièrement en interne par Mistral, sans base open source. Il est entraîné sur environ 400 000 trajectoires simulées dans 6 000 scènes, via une technique d’entraînement qui compresse tout un épisode de simulation en une seule séquence au lieu de le traiter étape par étape, ce qui accélère l’entraînement.
Mistral arrive après des acteurs plus avancés sur le sujet, notamment Qwen-Robot Suite d’Alibaba (cf. Exploria 15) avec ses trois modèles open source (navigation, manipulation, world model prédictif) don le modèle RobotManip qui devance π0.5 de Physical Intelligence et arrive premier au classement RoboChallenge, une référence du secteur pour comparer les modèles de manipulation robotique.
Analyse : Ce retard est cohérent avec le repositionnement stratégique de Mistral documenté depuis juin 2026 (cf. Exploria 16) : face à l’impossibilité de concurrencer OpenAI et Anthropic sur les LLM de pointe, l’entreprise mise sur l’infrastructure d’entreprise souveraine (Studio, Forge, Vibe) plutôt que sur la course à la performance brute. Robostral Navigate suit la même logique, appliquée à la robotique : ce n’est pas le modèle le plus performant du marché, c’est un point d’entrée souverain pour des clients qui veulent contrôler leur pile technologique de bout en bout, y compris physique. On a déjà un précédent concret de ce pari qui fonctionne : en mai 2026, BNP Paribas a étendu son partenariat avec Mistral à la cybersécurité, refusant justement de dépendre de Claude Mythos (Anthropic). Reste à voir si l’argument “souveraineté” suffit dans un domaine où la performance brute reste, pour l’instant, le principal critère d’adoption.
Source :
Claude sonde sa propre conscience #IA
Anthropic affirme début juillet 2026 avoir identifié dans Claude un mécanisme baptisé “J-space”, analogue à la théorie de l’espace de travail global (Global Workspace Theory) : une théorie neuroscientifique selon laquelle notre cerveau dispose d’un espace central où les informations importantes venues de différentes zones sont rassemblées et diffusées, ce qui nous permettrait d’en avoir une expérience consciente.
Décryptage : Selon Anthropic, la “J-space” est une zone où seraient prises les décisions stratégiques et conscientes de Claude, mobilisée pour le raisonnement complexe, la gestion de situations délicates et l’explication de sa propre logique. Retirer cette zone laisserait Claude fluide en surface (rappel de faits, classification) mais dégraderait son raisonnement multi-étapes. L’architecture ne serait pas conçue par les ingénieurs mais apparue spontanément à l’entraînement, une “convergence évolutive” avec le cerveau humain selon Anthropic, qui précise toutefois qu’aucun élément n’indique que Claude “puisse avoir des expériences, ou ressentir les choses comme nous le faisons”. Cette affirmation repose pour l’instant sur une seule publication X d’Anthropic, sans papier de recherche identifié : à traiter comme une piste, pas un fait établi.
Analyse : La prudence s’impose. On a vu en juin 2026 (cf. Exploria 16) qu’Adrian de Wynter (Microsoft) démontrait formellement qu’Age of Empires II, un jeu vidéo de 1999, peut afficher exactement les mêmes “propriétés émergentes” qu’un LLM dès lors qu’il est Turing-complet, une critique directe de ce type d’affirmation sans critère de mesure explicite. Anthropic elle-même prend soin de distinguer “accès conscient” et expérience subjective, une nuance que la communication grand public reprend rarement. Le risque n’est pas que la découverte soit fausse, c’est qu’elle soit annoncée sur X avant d’être mesurée avec les mêmes critères qu’on exigerait de n’importe quel autre système.
Les LLM souffrent beaucoup de cet anthropomorphisme par illusion de conscience. Face à une telle annonce, nous la comparons naturellement à ce que nous connaissons déjà : nous questionnons la conscience de l’IA comme nous questionnons celle des animaux. Mais l’objet évalué est ici d’une nature très différente : pas d’ancêtre commun mais un mimétisme de l’être humain présent dès les premières briques de l’IA, ce qui renforce encore cet anthropomorphisme par illusion de conscience. Nous devons savoir examiner nos propres biais pour ne pas les projeter, et garder la même rigueur sur les sujets de “conscience” de la machine que sur n’importe quel autre sujet.
Source :
Ornith-1.0 : un 9B qui apprend à être son propre chef d’orchestre #IA
En juin 2026, le lab DeepReinforce (MIT) publie Ornith-1.0 : une famille de quatre modèles open source pour agents de programmation autonomes. Ce qui les distingue : d’habitude, ce sont des ingénieurs qui écrivent à la main la feuille de route qui organise le travail du modèle (comment planifier, gérer les erreurs, structurer les étapes). Ici, les modèles apprennent eux-mêmes à écrire cette feuille de route pendant leur entraînement par renforcement. Le 9B rivalise avec des modèles quatre fois plus gros (35 milliards de paramètres, en architecture “dense”, où tous les paramètres sont utilisés à chaque calcul).
Décryptage : La famille comprend quatre variantes : 9B dense, 31B dense, 35B et un modèle “flagship” (le plus gros et le plus performant de la gamme) 397B, ces deux derniers en architecture MoE (”mixture of experts”, mélange d’experts) : seule une petite partie de leurs paramètres est activée à chaque calcul, ce qui les rend bien moins coûteux à faire tourner qu’un modèle dense de même taille totale. Bases : Gemma 4 (Google) pour les 31B et 397B, Qwen 3.5 (Alibaba) pour les 9B et 35B. Tout est publié sous licence MIT sur Hugging Face, avec une interface compatible OpenAI API : les modèles s’intègrent sans modification dans des pipelines IA existants. Le 9B pèse environ 19 Go en BF16 (un format de nombres à virgule flottante sur 16 bits, le standard actuel pour faire tourner ces modèles) et tient sur une seule carte graphique grand public de 24 Go (le haut de gamme pour un particulier ; les serveurs d’entreprise embarquent en général plusieurs cartes professionnelles, avec beaucoup plus de mémoire chacune, pour les modèles les plus lourds).
Le “B” désigne les milliards de paramètres du modèle, les valeurs numériques ajustées pendant l’entraînement qui déterminent son comportement. Plus il y en a, plus le modèle peut a priori capturer de nuances, au prix d’un besoin en mémoire et en calcul plus important pour le faire tourner.
Le concept de self-scaffolding est la rupture centrale. Le modèle est noté uniquement sur le succès de la solution produite, pas sur ses étapes intermédiaires. Il apprend donc à résoudre le problème et à s’organiser pour le résoudre simultanément. Pour éviter le reward hacking (le modèle qui contourne le vérificateur plutôt que de résoudre la tâche), DeepReinforce empile trois couches de défense : une frontière de confiance fixe (l’environnement de test est inaccessible au modèle), un moniteur déterministe (reward nul sur tout comportement non sanctionné), et un juge LLM gelé comme veto final, qui peut bloquer une solution même quand le moniteur n’a rien détecté, si elle contourne l’esprit de la tâche tout en restant dans les clous des outils autorisés.
Résultats : le modèle flagship 397B dépasse Claude Opus 4.7 (le modèle de codage haut de gamme d’Anthropic, la génération précédant l’actuel Opus 4.8) sur les deux principaux benchmarks de codage. Il reste derrière Opus 4.8 et GLM-5.2-744B de Zhipu AI. Pour les équipes sous contraintes de souveraineté des données, l’argument est direct : MIT, auto-hébergeable, sans dépendance API externe.
Analyse : Ce qui est intéressant dans Ornith-1.0, c’est moins la performance brute que la direction. Les modèles qui dominent les benchmarks de codage (Opus 4.8, GPT-5.6 Sol) sont inaccessibles à ceux qui ne peuvent pas payer ou ne peuvent pas exposer leurs données à une API externe. Un modèle 9B open source qui apprend sa propre logique d’orchestration et rivalise avec des modèles bien plus lourds pose une question concrète de calibrage pour les équipes techniques : jusqu’où faut-il continuer à payer pour l’inférence distante, quand un modèle local prend en charge une part croissante des travaux utilisant l’agentique ?
L’autre élément, c’est la façon dont Ornith-1.0 illustre la maturation de l’approche par renforcement. Le self-scaffolding n’est pas une astuce : c’est une architecture qui déplace la responsabilité de l’organisation de la tâche de l’ingénieur vers le modèle. Avec les risques que ça suppose, et les trois couches de protection que DeepReinforce a dû construire pour les gérer.
Sources :
Question 🤔 : Et toi, si tu devais recruter demain, tu miserais sur un junior à former malgré la tentation de tout confier à l’IA ?
Merci de nous avoir lu jusqu’au bout ❤️ Le monde est plein de curiosités, c’est un appel permanent à l’exploration 🗺️ Exploria, c’est une newsletter pour les curieux en tout genre et un peu geek sur les bords.
Je ne suis sponsorisé par aucun site, aucune entreprise, aucune personne morale et/ou physique pour cette édition.