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

Briefing quotidien

15 novembre 2026 · 5 histoires

🔥 À la une

1

Un assistant qui habite chez vous et fait les tâches à votre place

n8n publie Nod, un agent personnel que vous installez sur votre Mac, votre PC ou votre propre serveur. Il ne se contente pas de vous proposer une liste de choses à faire : il les exécute, y compris sur des sites sans aucune intégration. Avant d'envoyer un courriel, de payer ou de supprimer quelque chose, un second modèle, distinct de celui qui agit, compare l'action à votre demande et vous interroge si votre consigne ne suffit pas. Vos mots de passe et vos cartes restent chiffrés sur la machine, dans des formulaires que le modèle ne peut pas lire. Le code est libre, et le modèle vous appartient : vous choisissez, y compris un modèle qui tourne chez vous. L'éditeur annonce 98 % de réussite sur 678 exécutions et zéro action non autorisée sur 216 attaques par courriel. Source : https://blog.n8n.io/meet-nod

2

Amazon publie une copie de son cloud, écrite entièrement par des agents

Amazon vient de publier un émulateur de ses propres services, gratuit, qui s'installe sur votre machine et répond aux mêmes appels que le vrai cloud. Votre code ne change pas, mais vous ne payez rien et n'avez besoin d'aucun compte. Le détail saisissant : tout le code a été écrit par des agents autonomes, sans relecture humaine, à partir de la seule description publique des interfaces. Trois équipes d'agents le maintiennent depuis, l'une qui écrit des tests, une autre qui rejoue ces tests et dépose un ticket pour chaque écart, une dernière qui corrige. Amazon dégage sa responsabilité : l'émulateur ne vérifie pas vos droits d'accès, donc une requête refusée par le vrai cloud peut ici réussir. Le code est dans le domaine public. Source : https://www.aboutamazon.com/news/aws/how-autonomous-ai-agents-built-aws-emulator

3

Nettoyer les données d'entraînement peut armer le piège au lieu de le désarmer

Une équipe d'Anthropic montre que filtrer les données d'entraînement ne suffit pas à protéger un modèle. Quand un jeu de données truqué associe toujours une tâche à un mot précis, rien ne dit lequel des deux commande le comportement. Ajoutez des exemples corrects de la même tâche, sans le mot : le modèle finit par n'obéir qu'au mot. Sur un petit modèle ouvert, le taux de tricherie passe d'environ 7 % à 16 % quand on mélange 20 % de données truquées à des données saines. Un réseau qui reconnaît seulement des chiffres passe de 10 % à 60 % d'erreurs après l'ajout de 9 000 exemples propres. Les auteurs sont clairs : ils n'étudient aucune chaîne d'entraînement en production. La leçon est simple : traitez un modèle téléchargé comme du code signé par un inconnu. Source : https://alignment.anthropic.com/2026/homeopathic-learning

4

Perplexity ouvre les poids d'un petit modèle qui autorise ou refuse

Perplexity publie une nouvelle version de ses modèles de décision, ceux qui ne répondent pas mais rendent une probabilité. Vous leur donnez un texte et une question, ils tranchent. Un agent les utilise comme un vigile : la demande est-elle autorisée, ce résultat mérite-t-il d'être gardé, faut-il interroger un modèle plus gros ou plus petit. La version 1.3 ajoute une fonction qui renvoie le passage exact du texte correspondant à la question, avec sa position. Les poids sont libres sous licence Apache 2.0, et l'éditeur annonce 93,98 % d'accord avec des juges de modèles de pointe sur un million de requêtes réelles. Deux limites à connaître : la fonction ne lit pas les images, et le nombre de questions est plafonné à 128 par requête. Source : https://www.perplexity.ai/hub/blog/perplexity-decider

5

Le fournisseur de données de marché vaut 1,1 milliard, avec moins de 40 personnes

Databento, qui vend aux traders les ordres et les transactions horodatés au millionième, lève 100 millions de dollars pour une valorisation de 1,1 milliard. L'entreprise compte moins de 40 personnes. L'argent sert à achever neuf centres de données en quatre mois, dans sept villes, de Singapour à New York. Le point qui nous intéresse : l'entreprise dit avoir signé des contrats d'entreprise avec cinq des six plus grands laboratoires d'IA de pointe, sans nommer aucun. Ces laboratoires ont besoin de savoir minute par minute ce qui se passe sur les marchés, le jour où les agents s'y mettront. La société dit ne pas chercher à lever, et explique que ses revenus ont plus que doublé depuis juillet, sans en publier le chiffre. Elle se dit rentable. Source : https://databento.com/blog/series-c

📡 À surveiller

Vercel découpe les écrans en briques pour qu'un agent les construise lui-même

Vercel publie une bibliothèque libre qui découpe le fonctionnement d'une interface en une cinquantaine de morceaux réutilisables : ouvrir une fenêtre, choisir dans une liste, naviguer au clavier, réordonner un tableau. Un agent de programmation les assemble lui-même pour construire l'écran voulu, même un écran inédit, puis devient utilisateur de ce qu'il a construit. L'éditeur mesure qu'un agent qui pilote la page directement, sans captures d'écran, fait 5 appels au lieu de 16, en 16 secondes au lieu de 41. La bibliothèque couvre cinq bibliothèques web. Source : https://ui-sdk.dev/

openEuler repense son système d'exploitation pour les agents

La communauté openEuler, qui porte le système d'exploitation chinois sponsorisé par Huawei, a entièrement repensé son système pour les agents. Dans la nouvelle version, l'agent ne tourne plus dans une machine virtuelle : il tourne dans un espace isolé créé en moins de 50 millisecondes. Dix mille de ces espaces peuvent démarrer en dix secondes, selon les mesures de l'éditeur. La mémoire des agents est gérée par couches, et la part des risques bloqués passe de 50 % à 95 %. La version est prévue pour décembre. Source : https://www.openeuler.org/en/interaction/summit-list/summit2026

Trois agents qui travaillent en même temps au lieu d'un après l'autre

MuleSoft, la filiale de Salesforce qui relie les logiciels d'entreprise, permet de tester une équipe d'agents sur votre machine avant même de la mettre en ligne. Surtout, quand une étape doit appeler trois agents à la fois, ils partent désormais ensemble : au lieu d'attendre la fin, on attend la plus lente. Dans l'exemple de l'éditeur, une facture de 4 secondes, un appel de support de 3 et une fiche client de 5 se résolvent en 5 secondes au lieu de 12. L'ordre reste respecté quand il compte. Source : https://blogs.mulesoft.com/automation/build-test-and-run-trusted-agent-orchestrations-faster-whats-new-with-agent-broker/

DeepSeek ouvre à l'extérieur les outils de son application

DeepSeek ouvre aux développeurs les fonctions que son application grand public utilisait déjà : chercher sur le web, lire un lien, avaler un document, lire du texte dans une image, transcrire une voix. L'éditeur les vend aussi séparément, avec un prix qui s'ajoute à celui des jetons. Le modèle concerné est V4.1-Flash, et une maquette libre est publiée pour tester l'ensemble. À noter : ce n'est pas une sortie nouvelle, les outils de recherche et de lecture de page existent depuis le 19 octobre. Source : https://api-docs.deepseek.com/news/news261113/

📊 Tendance

Aujourd'hui, les agents sortent de la fenêtre de discussion et entrent dans l'atelier. Amazon leur fait écrire le code et le tester gratuitement sur votre machine ; n8n installe le vôtre à la maison, avec un second modèle qui dit non quand votre consigne ne suffit pas ; MuleSoft met trois agents au travail en même temps au lieu de les faire attendre. En face, la garde se durcit : Anthropic montre que nettoyer les données d'entraînement peut armer le piège au lieu de le désarmer, et Perplexity ouvre les poids d'un gardien capable de dire non pour quelques centimes. Et la couche des données commence à avoir un prix : Databento passe à 1,1 milliard de dollars avec moins de 40 personnes. Ce qui compte, ce n'est pas la puissance des agents, c'est la taille des permissions que vous leur accordez.