Briefing quotidien
9 novembre 2026 · 5 histoires
🔥 À la une
1Google fait relire le travail par un agent qui ne sait rien du projet
Google met en code ouvert une méthode de relecture qui tient en une image : un « éléphant » rédige la spécification avec tout le contexte, un « poisson rouge » la relit sans aucune trace de la conversation de rédaction. Le relecteur n'a rien à défendre, puisqu'il n'a rien écrit : il traque donc les hypothèses non dites, les exigences floues et les risques que l'auteur a sautés. Le dépôt est libre, compte plus de 15 000 étoiles, et s'installe sur Codex CLI, Claude Code et Antigravity. Trois rôles se partagent le travail : l'auteur, le relecteur neuf, et un humain qui tranche les points relevés. Concrètement, c'est la méthode qu'on applique quand on confie un document à un collègue qui n'était pas dans la réunion : il pose la question à laquelle l'auteur n'avait jamais pensé. Source : https://github.com/google/elephant-goldfish-model
2Anthropic explique la mémoire de ses agents : quatre couches et un travail de nuit
Anthropic publie le détail du mécanisme de mémoire de ses agents. Quatre couches, de bas en haut : le journal brut des sessions, les notes que Claude rédige lui-même, des fiches encyclopédiques reliées entre elles, et enfin une petite liste réinjectée au début de chaque session. Entre les deux, un travail de fond que l'éditeur appelle le « rêve » : hors conversation, le système relit les journaux, corrige les notes fausses, crée ce qui manque et élague ce qui est devenu faux. Les mesures sont publiées : sur la base d'apprentissage continu, Opus 5.5 passe de 0,655 à 0,838 avec mémoire, Sonnet 5.5 de 0,644 à 0,833, et Opus 5 est celui qui gagne le plus, de 0,564 à 0,828. Un enseignement est simple : la liste réinjectée doit rester courte. Chaque ligne de contexte livrée consomme de la place et peut réduire l'obéissance. Source : https://www.anthropic.com/research/components-of-agent-memory
3Intrusion numérique : un modèle téléchargeable par tous frôle le modèle réservé
Vals AI a laissé des agents s'attaquer seuls à deux faux réseaux d'entreprise, Nova et Lighthouse. Sur le réseau le plus dur, Lighthouse, le modèle d'OpenAI réservé aux partenaires de cybersécurité atteint 27 objectifs sur 31 ; DeepSeek, que tout le monde peut télécharger, en atteint 21. Sur le réseau plus simple, les deux sont à égalité : 16,3 sur 21 pour DeepSeek contre 15,7. L'écart de prix est net : une tentative coûte moins de 3 dollars avec DeepSeek et environ 22 avec le modèle d'OpenAI, soit dix fois moins. Un détail change la lecture : DeepSeek n'a rien réussi pendant ses 25 premiers millions de mots et n'a progressé qu'après 100 millions. Un test court sous-estime les modèles bon marché. Pour nos serveurs, la question n'est plus « un agent peut-il entrer ? » mais « avec quel modèle, à quel prix, en combien de temps ? ». Source : https://www.vals.ai/benchmarks/cyber_offense
4Un laboratoire lève 120 millions de dollars pour envoyer des agents enquêter sur vos pannes
Traversal lève 120 millions de dollars en série B et atteint une valorisation d'un milliard de dollars. L'entreprise envoie des agents enquêter sur les pannes, sans attendre qu'un ingénieur ouvre un ticket. Le contexte est chiffré : 42 % des développeurs écrivent désormais l'essentiel de leur code avec l'aide d'une intelligence artificielle, contre 12 % un an plus tôt, mais 52 % passent plus de temps à déboguer une fois le code en production. Les enquêtes mensuelles de Traversal sont passées de 513 à près de 73 000 en un an. La limite est assumée par son directeur technique d'exploitation chez Anthropic : « on ne peut pas faire confiance aux grands modèles pour la gestion d'incident », car ils confondent facilement ce qui arrive en même temps et ce qui en est la cause. Source : https://www.traversal.com/blog/traversal-series-b-120-million-ai-sre
5Le modèle se télécharge sans problème, mais sa licence interdit de le vendre
L'éditeur webAI publie les poids de TwIL-8B, un modèle de raisonnement de 8,8 milliards de paramètres dérivé de Granite 4.2 d'IBM. Il tient dans 5 gigaoctets et tourne sur un ordinateur de bureau : les six fichiers de poids sont bien téléchargeables. Mais le fichier de licence lu dans le dépôt s'appelle « webAI Non-Commercial License ver. 1.0 » et précise que le modèle et ses dérivés ne peuvent servir qu'à la recherche et à l'éducation, jamais commercialement. Le modèle de base, lui, est en Apache 2.0, sans seuil de chiffre d'affaires ni pays exclu. C'est le piège à éviter : un poids téléchargeable n'est pas un poids utilisable dans une activité payante. La leçon vaut pour tous les modèles que nous hébergeons pour des clients. Source : https://huggingface.co/webAI-Official/TwIL-8B
📡 À surveiller
Une faille SSH vieille de dix ans, trouvée par une nuée d'agents, exploitée en quelques heures
Un chercheur a monté une nuée d'agents qui a fait environ 17 600 essais d'authentification sur douze configurations d'OpenSSH, et a trouvé une faille qui permet d'entrer sur un compte sans mot de passe, sur les Linux fondés sur musl, dont Alpine. La faille a été corrigée le 5 novembre dans OpenSSH 10.6p2, et elle a été exploitée dans les heures qui ont suivi sa publication. Le mainteneur du projet estime désormais que les longs embargo sont devenus dangereux : les agents retrouvent parfois la même faille en quelques heures. Source : https://www.bleepingcomputer.com/news/security/openssh-flaw-lets-attackers-log-into-password-disabled-linux-accounts
Adobe installe son agent de relation client dans ChatGPT, Claude, Gemini et Copilot
L'agent d'Adobe pour la relation client, jusqu'ici utilisé dans les seuls outils d'Adobe, devient disponible dans les plateformes que les entreprises utilisent déjà : ChatGPT, Claude, Gemini pour les entreprises, Copilot, et bientôt Amazon, IBM et Snowflake. Adobe ajoute des connecteurs prêts à l'emploi pour une dizaine d'outils de marketing, bâtis sur des standards ouverts. L'idée : une seule demande suffit à extraire les données, à agir dans les systèmes et à améliorer le parcours client, sans que l'entreprise écrive elle-même les branchements. Plus de 20 000 marques utilisent déjà ces technologies. Source : https://news.adobe.com/news/2026/11/adobe-integrates-agentic-cx-enterprise-coworker-into-ai-platforms
Google fait sortir de l'expérimental la communication entre agents
La version 2.14 de la boîte à outils pour agents de Google, publiée le 7 novembre, sort de l'expérimental plusieurs briques : le protocole qui permet aux agents de se parler, les environnements d'exécution isolés, les outils d'évaluation et le cœur du moteur. Elle ajoute une liaison directe avec les conversations de Teams, et un mode d'évaluation qui rejoue chaque cas plusieurs fois pour mesurer un taux de réussite plutôt qu'une seule exécution. Google indique en outre des tâches longues plus rapides. Source : https://github.com/google/adk-python/releases/tag/v2.14.0
Une boîte de réception pour les agents qui travaillent des heures
Plannotator sort une boîte de réception pensée pour les agents qui tournent longtemps : l'agent y dépose ses questions, ses blocages, ses plans et ses maquettes, et continue de travailler. Le humain ouvre la boîte quand il a le temps, répond ou annote, et cette réponse devient le tour suivant de la session. Tout reste sur la machine, et les conversations sont rangées par fil. Le dépôt est libre, et le projet a publié plusieurs versions le 8 novembre. Source : https://plannotator.ai/inbox/
📊 Tendance
Ce matin, aucune nouvelle étoile : ce sont les pièces invisibles qui sortent. La mémoire qu'un agent garde entre deux sessions, la relecture confiée à un inconnu, le prix d'une intrusion menée par un modèle que tout le monde peut télécharger, l'agent qui part enquêter sur une panne sans que personne l'ait appelé, la boîte de réception qui ramène ses questions, et la licence qui décide si ce qu'on a téléchargé peut se vendre. La question du jour n'est donc plus « quel modèle est le meilleur ? », mais « à quelles conditions un agent peut-il travailler dans une entreprise ? » : une mémoire bornée, un regard neuf sur son propre travail, un périmètre écrit, et le droit de tirer un revenu du résultat.