9 avril 2026 3 min de lecture Bono AI Team

Nouvelles du jour — 9 avril 2026

Veille IA quotidienne : Meta Muse Spark, Claude Mythos et Project Glasswing, NotebookLM dans Gemini, GLM-5.1 open source, Perplexity agents, standard de risque agentique.

Nouvelles du jour — 9 avril 2026

1. Meta lance Muse Spark, premier modèle de Meta Superintelligence Labs

Résumé — Meta a dévoilé Muse Spark, le premier modèle issu de Meta Superintelligence Labs, dirigé par Alexandr Wang. Le modèle est multimodal (voix, texte, image en entrée), prend en charge le raisonnement en chaîne visuelle, l’utilisation d’outils et l’orchestration multi-agents. Il est déployé sur WhatsApp, Instagram, Facebook, Messenger et les lunettes connectées Meta.

Pourquoi c’est notable — C’est un virage stratégique majeur pour Meta. Après la déception de Llama 4, Zuckerberg a restructuré l’équipe IA et recruté Alexandr Wang (ex-Scale AI) pour piloter la nouvelle division. Contrairement à la tradition open-source de Meta, Muse Spark est pour l’instant propriétaire — une première. Meta évoque une éventuelle publication open source future.

Angle suggéré — Analyse du pivot de Meta : de l’IA ouverte (Llama) à l’IA propriétaire (Muse Spark). Qu’est-ce que cela signifie pour l’écosystème open-source et pour les utilisateurs qui dépendaient de Llama ?

Sources

2. Anthropic retient Claude Mythos et lance le Project Glasswing pour la cybersécurité

Résumé — Anthropic a présenté Claude Mythos Preview, qu’elle décrit comme son modèle le plus puissant jamais créé. Fait inédit : le modèle ne sera pas rendu public. Il est distribué exclusivement à plus de 50 organisations technologiques via le Project Glasswing, avec plus de 100 millions de dollars en crédits d’utilisation. Le modèle a déjà identifié des milliers de vulnérabilités critiques, dont une faille vieille de 27 ans dans OpenBSD.

Pourquoi c’est notable — C’est la première fois en sept ans qu’un grand labo IA refuse publiquement de diffuser un modèle pour des raisons de sécurité. Cela relance le débat sur la responsabilité des labos IA et le déploiement contrôlé des modèles de frontière. L’angle cybersécurité est particulièrement frappant : un LLM qui trouve des failles zero-day dans tous les grands OS et navigateurs.

Angle suggéré — Le dilemme des modèles trop puissants : quand l’IA trouve les failles plus vite que les humains. Implications pour la cybersécurité défensive et offensive.

Sources

3. Google intègre NotebookLM directement dans Gemini

Résumé — Google fusionne NotebookLM et Gemini en lançant les « Notebooks » dans l’application Gemini. Les utilisateurs peuvent désormais organiser leurs conversations et fichiers dans des bases de connaissances personnelles partagées entre les deux produits. Les sources ajoutées dans l’un apparaissent automatiquement dans l’autre, avec accès aux fonctionnalités exclusives de chaque plateforme (vidéo, infographies dans NotebookLM).

Pourquoi c’est notable — Google passe de la multiplication des produits IA à leur convergence. L’intégration crée un écosystème de recherche assistée par IA plus cohérent. Le déploiement commence par les abonnés payants (AI Ultra, Pro, Plus) cette semaine, avec extension aux utilisateurs gratuits (jusqu’à 100 notebooks).

Angle suggéré — La consolidation des outils IA chez Google : vers un assistant de recherche unifié. Comparaison avec l’approche de Microsoft (Copilot) et d’Apple (Apple Intelligence).

Sources

4. Zhipu publie GLM-5.1 en open source : n°1 sur SWE-Bench Pro

Résumé — Zhipu AI (Z.ai) a publié GLM-5.1, un modèle de 744 milliards de paramètres (architecture Mixture-of-Experts, 40B actifs) sous licence MIT. Le modèle est spécialisé dans le codage agentique et peut travailler de manière autonome sur une tâche de programmation pendant huit heures. Il se classe n°1 sur SWE-Bench Pro avec un score de 58.4, devant GPT-5.4, Claude Opus 4.6 et Gemini 3.1 Pro.

Pourquoi c’est notable — Zhipu est devenue en janvier 2026 la première entreprise de modèle fondationnel cotée en bourse (IPO Hong Kong, ~31 milliards $ de valorisation). Avec GLM-5.1 sous licence MIT, l’entreprise chinoise propose le modèle open source le plus performant sur les benchmarks de code. La course à l’IA ouverte se joue désormais aussi entre la Chine et les États-Unis.

Angle suggéré — L’ascension fulgurante de Zhipu et le rôle croissant de la Chine dans l’IA open-source. Comparaison avec Gemma 4 (Google, Apache 2.0) et Qwen 3.6-Plus (Alibaba).

Sources

5. Perplexity pivote vers les agents IA et lance le « Billion Dollar Build »

Résumé — Perplexity a annoncé le « Billion Dollar Build », une compétition de 8 semaines où des équipes utilisent Perplexity Computer pour bâtir une entreprise à potentiel milliardaire. Les finalistes peuvent obtenir jusqu’à 1 M$ d’investissement et 1 M$ de crédits. En parallèle, Perplexity rapporte une hausse de revenus de 50 % liée à son virage stratégique de la recherche conversationnelle vers les agents IA autonomes.

Pourquoi c’est notable — C’est un signal fort de la transition de l’industrie IA de la recherche (search) vers l’action (agents). Perplexity Computer orchestre jusqu’à 19 modèles différents (OpenAI, Anthropic, Google) pour exécuter des workflows multi-étapes — un cas d’usage concret de l’orchestration multi-agents.

Angle suggéré — De la recherche aux agents : comment Perplexity et d’autres redéfinissent l’interaction avec l’IA. L’émergence des plateformes d’orchestration multi-modèles.

Sources

6. Un standard de risque financier pour les agents IA autonomes (ARS)

Résumé — Des chercheurs de Google DeepMind, Microsoft Research, Columbia University et T54 Labs ont publié l’Agentic Risk Standard (ARS), un cadre de gestion du risque financier pour les agents IA qui effectuent des transactions de manière autonome. Le framework s’inspire des mécanismes d’escrow, de souscription et de collatéral utilisés dans la finance traditionnelle. Les simulations montrent une réduction des pertes utilisateurs allant de 24 % à 61 %.

Pourquoi c’est notable — Alors que les agents IA commencent à gérer de l’argent et des actifs, il n’existait aucun standard de risque dédié. L’ARS propose une approche pragmatique : au lieu de rendre les modèles parfaits, encadrer financièrement leurs erreurs — comme on le fait pour les humains dans la construction, l’assurance ou les marchés financiers.

Angle suggéré — Quand les agents IA gèrent votre argent : les garde-fous financiers nécessaires. Comparaison avec les régulations existantes (EU AI Act, frameworks nationaux).

Sources