IA

Actualités IA du 1 octobre 2026

À la une : Les « Dots » d’OpenAI : agents IA persistants et autonomes 24h/24

Publié le 1 octobre 2026

Veille IA - 01/10/2026

Les « Dots » d’OpenAI : agents IA persistants et autonomes 24h/24

  • Date : 29/09/2026
  • Catégorie : agent IA / automatisation
  • Résumé technique : OpenAI lance les « Dots », des assistants IA alimentés par GPT-6 Astra qui opèrent en tâche de fond sans interruption. Chaque Dot dispose d’un ordinateur cloud dédié et d’un navigateur isolé, lui permettant d’exécuter des workflows complexes, d’appeler plus de 4 000 applications via les plugins ChatGPT, et de maintenir un contexte persistant après la déconnexion utilisateur. Le système intègre un moteur de règles personnalisées (Custom Rules) pour autoriser, bloquer ou exiger une validation sur les actions sensibles, un mode read-only pour la recherche proactive, et un moniteur de sécurité capable de mettre en pause l’agent si un comportement à risque est détecté 31.
  • Pourquoi c’est intéressant : C’est une rupture avec le paradigme conversationnel prompt-réponse. L’IA devient un collaborateur toujours actif, capable de gérer des projets multi-étapes (recherche, analyse, génération de code, suivi d’avancement) sans supervision constante. La gestion isolée des credentials et les garde-fous automatiques résolvent deux freins majeurs à l’adoption d’agents en production : la sécurité des accès et le contrôle du flux décisionnel.
  • Angle possible pour une vidéo YouTube : « OpenAI tue le chatbot ? J’ai confié un projet réel à un agent IA autonome 24h/24 » ou « Comment déléguer vraiment son travail à l’IA sans micro-manager ».
  • Source originale : MarkTechPost (couverture DevDay OpenAI)
  • URL directe :

GPT-6.1 Sol : le modèle mid-tier qui concurrence les flags à 20% du coût

  • Date : 29/09/2026
  • Catégorie : LLM / méthode / conseil d’usage
  • Résumé technique : OpenAI commercialise GPT-6.1 Sol, positionné entre Luna et Astra. Il atteint des performances proches de GPT-6 Astra sur le coding (DeepSWE v1.1), l’utilisation de l’ordinateur (OSWorld 2.0) et les tâches professionnelles (AutomationBench, GDP.pdf), tout en facturant 5 fois moins cher ($2/$10 par M tokens entrée/sortie). La mise en cache des entrées passe à $0,10/M tokens, soit 5% du tarif d’entrée standard, optimisé pour les boucles agentic qui rejettent prompts et schemas à chaque étape. Le contexte s’étend à 1,05M tokens avec un output max de 128K 32.
  • Pourquoi c’est intéressant : Le rapport performance/coût redéfinit la viabilité économique des agents IA en production. Pour les devs, startups et équipes tech, Sol permet d’orchestrer des flux multi-agents ou des boucles de reasoning intensives sans exploser le budget API. La tarification cache agressive est un signal clair qu’OpenAI optimise son infrastructure pour l’inférence répétée, crucial pour les workflows automatisés.
  • Angle possible pour une vidéo YouTube : « L’IA à 20% du prix : test de GPT-6.1 Sol contre les modèles haut de gamme » ou « Comment faire tourner des agents IA 5x moins chers en 2026 ».
  • Source originale : MarkTechPost (analyse OpenAI API)
  • URL directe :

Photon de Perplexity : moteur Rust de retrieval/ranking en <70ms pour agents

  • Date : 24/09/2026
  • Catégorie : outil / automatisation / méthode
  • Résumé technique : Perplexity remplace son ancien moteur par Photon, un engine de retrieval et ranking écrit en Rust. Il utilise des adaptive posting lists (Elias-Fano pour les fréquences, galloping search pour les offset arrays), un algorithme WAND-like pour le budgeted traversal, et du io_uring pour les batched async reads. Latence p99 tombée de ~800ms à ~65ms. Le mode « Fast Search » est désormais disponible en API ($1/1k requests) avec une latence p50 de 160ms, optimisé pour les boucles agentic 30.
  • Pourquoi c’est intéressant : La recherche RAG traditionnelle souffre souvent de latences prohibitives en production. Photon démontre que la réécriture des couches d’indexation et de scoring en Rust permet des gains d’ordre de grandeur, rendant enfin viable l’appel API à chaud dans des agents qui doivent parcourir le web sans timeout. Le trade-off est clair : un léger sacrifice en pertinence fine pour gagner en vitesse et coût, idéal pour les loops quotidiennes.
  • Angle possible pour une vidéo YouTube : « Pourquoi Rust est devenu le langage secret des moteurs de recherche IA » ou « Fini la latence RAG : j’ai testé l’API de Perplexity à 65ms ».
  • Source originale : MarkTechPost (analyse Perplexity Photon)
  • URL directe :

RRSI de Google Research : amélioration auto-régulée des harness d’agents sans touch aux poids

  • Date : 2026 (mise en ligne récente du paper/code)
  • Catégorie : méthode / agent IA / automatisation
  • Résumé technique : Google Cloud AI Research publie RRSI (Regularized Recursive Self-Improvement), un framework open-source (Apache 2.0) qui permet à un LLM d’auto-modifier son propre harness (prompts, outils, mémoire, control flow) sans jamais altérer les weights du modèle. Le système impose des régulariseurs : budget d’édition annealé (cosine schedule), critic de fuite pour éviter l’overfitting sur le bench, floor ajusté au bruit, règle de coût (gains doivent compenser les tokens additionnels) et pruning automatique des composants stagnants 29.
  • Pourquoi c’est intéressant : La plupart des agents overfittent rapidement sur leurs jeux d’évaluation. RRSI introduit une contrainte mathématique stricte qui force l’agent à généraliser : chaque modification doit rapporter un gain net mesuré, sinon elle est rejetée ou supprimée. Pour les équipes builders, c’est un cadre reproductible pour faire évoluer des pipelines agentic de manière stable et traçable, sans dérive hallucinationnelle.
  • Angle possible pour une vidéo YouTube : « Comment les agents IA apprennent à s’auto-corriger sans casser leur logique » ou « Le secret Google pour éviter que vos agents ne surapprennent ».
  • Source originale : MarkTechPost / Google Cloud AI Research Blog
  • URL directe :

NVIDIA Rubin + Alpamayo VLA : hardware codesigné et modèle open pour l’autonomie L4

  • Date : Janvier 2026 (annoncé CES 2026, production active)
  • Catégorie : nouveau logiciel / outil IA important / tendance émergente
  • Résumé technique : NVIDIA dévoile la plateforme Rubin, première architecture AI codesignée à 6 puces (GPU Rubin, CPU Vera, NVLink 6, Spectrum-X, ConnectX-9, BlueField-4) optimisée pour réduire le coût des tokens de 10x. Couplé à cela, Alpamayo est lancé : une famille de modèles VLA (Vision-Language-Action) open-source capables d’autonomie niveau 4, intégrant raisonnement physique, prédiction de trajectoires et contrôle direct (volant, frein, accélérateur). AlpaSim offre un blueprint de simulation haute fidélité ouvert aux devs 27.
  • Pourquoi c’est intéressant : La convergence hardware/software est critique pour faire passer l’IA du cloud à l’edge physique. Rubin garantit la densité de calcul nécessaire à l’inférence temps réel, tandis qu’Alpamayo démocratise l’accès aux stacks complets de véhicules autonomes. Pour les équipes robotique/autonome, c’est un écosystème prêt à l’emploi : simulation → entraînement → déploiement edge sans verrou propriétaire.
  • Angle possible pour une vidéo YouTube : « NVIDIA ouvre le code des voitures autonomes : test du modèle Alpamayo » ou « Pourquoi la prochaine guerre de l’IA se joue sur l’autonomie physique ».
  • Source originale : MarkTechPost / NVIDIA CES 2026 Coverage
  • URL directe :