The Agent Watch
Briefing · Articles · Outils · À propos EN FR DE ES 中文 IT PT SV FI DA

Briefing quotidien

14 novembre 2026 · 5 histoires

🔥 À la une

1

ChatGPT a désormais un portefeuille : l'agent peut payer, jamais sans vous

OpenAI ajoute un portefeuille à ChatGPT : votre assistant peut désormais régler une commande à votre place. Le principe tient en une phrase : l'agent paie, mais il n'a jamais votre numéro de carte. Vous enregistrez votre carte une seule fois, puis vous validez chaque achat par une reconnaissance d'empreinte ou de votre visage, comme pour déverrouiller votre téléphone. Le marchand ne reçoit qu'un jeton valable une seule fois, sans lien avec un vrai compte bancaire. Vous gardez la main sur vos prix, vos retours et vos litiges. Le service est réservé aux abonnés ChatGPT Pro, aux États-Unis seulement. L'étape suivante annoncée va plus loin : une délégation permanente, plafonnée, avec des catégories autorisées et des horaires. Source : https://openai.com/index/introducing-chatgpt-wallet

2

Sierra fige la façon dont vos agents se présentent aux boutiques

Sierra publie la version 1.0 de Poppy, un standard ouvert qui explique à un assistant personnel comment se présenter à une entreprise. Concrètement, c'est une carte d'identité numérique pour agents : elle dit qui est l'agent, ce qu'il a le droit de faire, et le client peut retirer ses autorisations à tout moment. Les boutiques de plus de 175 pays qui utilisent la plateforme Shopify l'activent automatiquement, sans installation, et l'assistant Muse de Meta l'utilise partout. Plus de cent entreprises testent déjà la norme. Le marchand reste maître de ses prix, de ses clients et de ses retours : l'agent passe la porte, il ne prend pas les clés. Source : https://sierra.ai/blog/releasing-poppy

Source : sierra.ai →
3

Google mesure son garde-fou : 87 % des instructions nuisibles exécutées sont signalées

Google publie les résultats de son détecteur d'anomalies, un garde-fou qui relit après coup ce que les agents ont fait. Sur 1 774 sessions d'essai, tirées de cinq bancs d'essai écrits par d'autres, le système signale 87 % des instructions nuisibles que les agents ont effectivement exécutées. Il est redoutable contre les détournements d'objectif et les mauvais usages d'outils. En revanche, il est presque aveugle quand la consigne est cachée dans la mémoire longue de l'agent : 4 cas sur 18 seulement. Autrement dit, l'alarme fonctionne quand la demande est visible, et se tait quand elle est glissée dans les données. Source : https://developers.googleblog.com/how-agent-anomaly-detection-scores-on-benchmarks-we-didnt-write/

4

LangChain lève 300 millions de dollars pour garder les agents dans les entreprises

LangChain annonce une levée de 300 millions de dollars, qui porte sa valorisation à 3 milliards. Le tour est mené par le fonds de croissance de Google, avec le fonds souverain de Singapour et DFJ Growth comme nouveaux entrants. L'entreprise dit que plus de 7 000 organisations utilisent sa plateforme payante, dont Nvidia, Toyota et Salesforce. Son pari tient en une phrase : une entreprise qui contrôle ses propres agents garde aussi ce qu'ils apprennent, et ce savoir-faire devient un avantage difficile à copier. C'est le contre-pied direct des offres des grands fournisseurs de modèles et de cloud. Source : https://www.langchain.com/blog/series-c

5

Un modèle de 145 milliards de paramètres tient sur une seule carte graphique

Edge0, un laboratoire américain, publie les poids de son modèle Edge0-145B : 145 milliards de paramètres au total, dont 10 milliards travaillent à chaque mot. Il tient sur une seule carte graphique de 24 gigaoctets, dans un ordinateur de bureau ordinaire. L'éditeur annonce 121 mots par seconde en travail d'agent et 86,5 points sur un test qui mesure le travail d'un agent sur un terminal. Les fichiers se téléchargent sans compte, dans deux formats. La licence s'appuie sur celle de Qwen et impose d'afficher le nom du modèle au-delà de 100 millions d'utilisateurs mensuels ou de 20 millions de dollars de chiffre d'affaires mensuel. Ces chiffres viennent de l'éditeur, sans évaluation indépendante connue. Source : https://huggingface.co/Edge0/Edge0-145B-q3k

📡 À surveiller

NiCE sort une nouvelle génération de sa plateforme d'agents, avec le journal des décisions

L'éditeur de logiciels de relation client NiCE sort la nouvelle génération de sa plateforme Cognigy. Trois nouveautés dominent : un compagnon qui guide l'équipe dans la construction et les tests des agents, des compétences réutilisables d'un agent à l'autre, et un journal qui retrace chaque décision, chaque outil appelé et chaque jeton dépensé. La plateforme parle aussi aux agents des clients, par des standards ouverts, et gère la voix de bout en bout. Les clients existants gardent ce qui tourne déjà. Source : https://www.nice.com/press-releases/nice-launches-next-generation-nice-cognigy-to-accelerate-enterprise-ai-agent-deployment-and-orchestration

Google Cloud met l'observation des agents dans les tableaux de bord des entreprises

Google Cloud ajoute l'observation et le contrôle des agents à ses outils de données. Chaque agent peut envoyer ses mesures d'usage, ses temps de réponse et ses jetons consommés vers des tableaux que l'entreprise possède, puis les analyser dans les outils qu'elle utilise déjà. Les conversations complètes sont optionnelles : par défaut, on voit l'activité sans voir le contenu des échanges, et le journal détaillé s'active agent par agent, avec ses garde-fous. Des tableaux préconstruits suivent les sessions actives et les sources les plus consultées. Source : https://cloud.google.com/blog/products/data-analytics/enterprise-ai-agent-observability-with-bigquery-and-looker

Amazon montre comment payer un agent au résultat, pas au mot

Amazon publie un guide pour envoyer chaque demande d'un agent de programmation vers le modèle le plus adapté, en s'appuyant sur les échecs constatés dans l'historique. Le guide propose aussi la bonne unité de mesure : le coût par tâche résolue, plutôt que le prix par mot. Un modèle plus cher mais qui aboutit peut coûter moins cher au total. Amazon précise que l'exemple est du code de démonstration, sans garantie de production. Source : https://aws.amazon.com/blogs/machine-learning/route-coding-agent-requests-to-the-right-model-on-amazon-bedrock-with-nvidia-nemo-switchyard/

llama.cpp passe en version 1.0 et promet de ne plus casser vos agents

Le logiciel libre qui fait tourner des modèles sur un ordinateur ordinaire atteint sa version 1.0, après trois ans et demi. L'équipe s'engage à ne plus changer les fonctions utilisées par les programmes sans changer le numéro de version majeur. Plus de 150 architectures de modèles sont reconnues, et les fichiers existent pour Linux, macOS, Windows, Android et iOS. Pour les entreprises, cette promesse de stabilité est l'argument décisif : un agent qui tourne en local ne casse plus à chaque mise à jour du moteur. Source : https://huggingface.co/blog/ggml-org/llama-cpp-v1

📊 Tendance

Une journée où l'agent passe du côté de l'argent et du contrôle : OpenAI lui ouvre un portefeuille, Sierra lui donne une carte d'identité pour entrer chez les marchands, Google mesure ce que vaut son garde-fou, et LangChain lève 300 millions de dollars sur l'idée que les entreprises garderont leurs agents chez elles. En face, les outils se stabilisent : un modèle géant tient sur une carte graphique de bureau, le logiciel libre llama.cpp promet de ne plus rien casser, et Amazon apprend à payer un agent au résultat. L'agent devient un collègue que l'on équipe, que l'on contrôle et que l'on facture.