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

Briefing quotidien

18 novembre 2026 · 5 histoires

🔥 À la une

1

Tencent ouvre les poids de Hy4 flash : la licence nous laisse travailler

Les poids du modèle Hy4 flash de Tencent sont enfin disponibles : le dépôt contient 148 fichiers de poids, et on peut le télécharger. L'intérêt n'est pas technique, c'est le contrat. La licence lue dans le dépôt n'est pas la licence libre classique : elle ajoute deux paliers. Au-delà de 50 millions de dollars de chiffre d'affaires mondial, ou de 100 millions d'utilisateurs mensuels, il faut demander une autorisation écrite à l'éditeur. En dessous, l'usage est libre, et la Norvège n'apparaît dans aucune clause d'exclusion, contrairement à plusieurs modèles chinois récents. Le modèle compte 220 milliards de paramètres au total, dont 11,3 milliards travaillent à chaque mot. Concrètement, c'est comme une location avec deux paliers de tarif : tant que vous restez sous le seuil, vous payez le tarif normal. Source : https://huggingface.co/tencent/Hy4-flash

2

OpenAI fait chuter le prix du texte déjà lu, et le travail à plusieurs devient natif

OpenAI a mis à jour ses deux modèles, Astra pour les tâches dures et Sol pour le quotidien. Le chiffre qui change la vie des longues sessions : le texte déjà lu coûte 0,40 dollar au lieu de 1, soit 60 % de moins. C'est exactement la facture qu'on paie quand un agent relit sans cesse le même dossier. L'autre nouveauté est plus discrète : l'interface officielle permet désormais de déléguer des morceaux du travail à des agents auxiliaires, sans bricolage maison. Le modèle le plus puissant passe à 8 dollars par million de mots lus, contre 10 avant. Pour un service qui vend un résultat et non des jetons, c'est cette ligne de coût qui compte. Source : https://platform.openai.com/docs/models/gpt-6.2-astra

3

Anthropic laisse votre application faire payer le client final

Pour la première fois, une application peut facturer l'usage de Claude directement au compte de son propre client. Le client relie son compte, l'application choisit à chaque appel qui paie, et le client fixe un plafond mensuel. Si le débit échoue, la requête est refusée plutôt que facturée au développeur. Deux limites à connaître : seuls les clients qui paient Anthropic directement en profitent, et les garanties de confidentialité du client ne s'appliquent plus à ces requêtes. L'image est simple : c'est le ticket de caisse du fournisseur d'accès, mais il appartient au client. Source : https://docs.anthropic.com/en/release-notes/api

4

Une étude chiffre le prix de la répartition : moins de conflits détectés

Quand on découpe une recherche entre plusieurs agents, ils remontent davantage de faits qui se contredisent : 50,2 % contre 68,7 %. Mais ils en repèrent moins : 16,2 % contre 13,2 %. Le résultat a l'air paradoxal et ne l'est pas : la détection est meilleure quand un seul agent a vu les deux affirmations, et pire quand elles sont réparties. Autrement dit, ce n'est pas le nombre d'agents qui pose problème, c'est la séparation de l'information. Les auteurs concluent que le passage de l'information du travailleur vers le chef est la cible prioritaire. Pour nous, c'est une règle simple à appliquer : faire confronter les versions côte à côte par celui qui a vu les deux. Source : https://arxiv.org/abs/2611.22245

Source : arxiv.org →
5

Model ML lève 250 millions de dollars avec des agents à 2 % du prix

La société londonienne Model ML lève 250 millions de dollars, pour une valorisation de 1,5 milliard. Elle automatise le travail répétitif des banquiers d'affaires : modèles financiers, présentations, rapports d'analyse. Son argument économique est chiffré : ses agents tournent sur des modèles libres et fonctionnent à environ 2 % du coût des modèles de pointe, selon l'éditeur, sans mesure indépendante. Le reste est une question de modèle économique : l'agent ne vend pas des jetons, il vend du travail fini. C'est la différence entre facturer une consommation et facturer un résultat. Source : https://techcrunch.com/2026/11/17/model-ml-raises-250m-to-automate-investment-banking-grunt-work/

📡 À surveiller

Microsoft prépare le contexte de l'entreprise pour tous les agents

Microsoft présente IQ, une couche qui rassemble le travail des gens, les données de l'entreprise, les documents de référence et l'information du web, avec plus de 350 connecteurs tiers. Le point intéressant : un module d'entreprise préparé chez Microsoft peut être repris par d'autres assistants, dont ceux d'OpenAI et d'Anthropic. Préparer le contexte une fois, le réutiliser partout. Source : https://azure.microsoft.com/en-us/blog/introducing-the-new-microsoft-iq-putting-your-organizations-intelligence-to-work-in-every-agent/

NVIDIA arrête de vendre ses puces à la Chine et surveille ses exportations

Deux annonces le même jour. La direction a dit en conférence que l'entreprise n'expédie plus de puces de centre de données vers la Chine, alors que Washington l'y autorisait : 2,4 milliards de dollars avaient été vendus au trimestre précédent, et zéro sont prévus pour le suivant. En parallèle, le conseil d'administration crée un comité permanent chargé de la sécurité nationale et du contrôle des exportations, qui se réunit au moins une fois par trimestre. Source : https://nvidianews.nvidia.com/news/nvidia-board-of-directors-establishes-national-security-and-export-control-oversight-committee

Liquid AI mesure l'erreur de confiance à 0,8 point près

Ces modèles ne rédigent pas de texte : ils donnent une probabilité pour chaque réponse possible, et acceptent maintenant l'audio. L'erreur de calibration atteint 0,8 point sur treize bancs d'essai, contre 3,7 pour l'équivalent de Perplexity et 7,2 pour un modèle de pointe. Si le modèle dit 80 %, il a raison 80 % du temps : on peut donc fixer un seuil de renvoi vers un humain. Source : https://www.liquid.ai/blog/d1-2

Datadog relie les tests en production à la facture des agents

On peut répartir au hasard le trafic entre deux versions d'un agent et mesurer ce qui change vraiment : le coût, la lenteur, les erreurs. L'exemple publié : changer de modèle a fait baisser le coût estimé de 44,3 % sans perte de qualité, et les appels d'outils qui échouaient ont servi à corriger l'agent avant le déploiement. Source : https://www.infoq.com/news/2026/11/datadog-ai-agent-observability/

📊 Tendance

Les actus du jour racontent la même chose : les agents sortent du laboratoire et entrent dans l'organisation, avec des conséquences concrètes. Un éditeur chinois publie les poids de son modèle et une licence qui autorise les petites entreprises à s'en servir. Un autre fait chuter le prix du texte déjà lu, parce que c'est là que se loge la facture d'une longue session. Un troisième laisse l'application faire payer le client final, ce qui change la façon dont on peut vendre un agent. Et une étude chiffre ce que nous savions sans le mesurer : partager le travail entre agents fait remonter davantage de contradictions et en détecter moins. Concrètement, vos agents coûtent moins cher à faire tourner, mais ils demandent de la vigilance sur la façon dont vous partagez l'information entre eux.