Sleepless AI(AI) Investissement programmé

Le 15 juin, l'action de Zhipu AI a connu une hausse spectaculaire de 47,6% à Hong Kong, pour finalement clôturer avec une progression de 32,82%. Cette envolée fait suite à deux annonces majeures dans le secteur de l'IA. Le 12 juin, Anthropic a suspendu l'accès mondial à ses modèles phares Claude Fable 5 et Claude Mythos 5, suite à une directive de contrôle des exportations du gouvernement américain. Cet arrêt soudain a perturbé les flux de travail de nombreux développeurs et entreprises dépendant de ces modèles. Le lendemain, le 13 juin, Zhipu AI a annoncé l'ouverture de son dernier modèle open-source, GLM-5.2, à tous les utilisateurs de son « Coding Plan », avec une publication sous licence MIT prévue la semaine suivante. Ce modèle met l'accent sur les « tâches de long horizon », avec une fenêtre de contexte d'1 million de tokens pour maintenir la cohérence dans les projets complexes et longs. L'événement a mis en lumière un changement dans les priorités de l'industrie : au-delà des performances pures, la stabilité, la disponibilité continue et le contrôle des modèles d'IA deviennent des critères essentiels, surtout lorsqu'ils sont intégrés comme infrastructure critique. L'annonce de Zhipu, promouvant une « intelligence de pointe accessible et non révocable », résonne avec cette nouvelle réalité. Les analystes estiment que cet incident pourrait accélérer l'adoption de modèles locaux et open-source par les entreprises, pour plus de résilience. Le marché réévalue ainsi les acteurs de l'IA, en intégrant désormais dans leur valorisation leur capacité à fournir un accès stable et durable à la technologie.

En mai 2026, Alipay annonce avoir traité plus de 300 millions de paiements via IA. Peu après, WeChat ouvre l'accès à l'IA pour ses mini-programmes, suscitant des débats sur la confidentialité du code source. Ces annonces marquent deux visions divergentes de l'intégration de l'IA. Alipay teste "Project Treasure", une version redéfinie centrée sur l'interface conversationnelle. L'utilisateur formule une demande complexe (ex: commander un taxi et un café) en une phrase, et l'IA exécute toutes les étapes en arrière-plan. Après un échec avec une application autonome, Alipay a opté pour une transition en douceur au sein de son application existante, visant à "changer l'oiseau sans vider la cage". Pour les services non adaptés, l'IA utilise une technique de "lecture d'écran" pour simuler les actions utilisateur. WeChat adopte une approche plus prudente et intégrée. Son agent IA sera étroitement lié aux fonctionnalités sociales (chats, comptes officiels, Chaînes) plutôt que d'avoir une interface dédiée. L'IA agit comme un assistant contextuel au sein des conversations de groupe, préservant l'expérience sociale centrale. Pour comprendre les mini-programmes, WeChat propose deux modes aux développeurs : l'analyse du code source ("Mode automatique") ou la création d'interfaces standardisées ("Mode développement"), deux options exigeantes. La divergence est cruciale pour l'écosystème des mini-programmes. La solution "lecture d'écran" d'Alipay intègre passivement tous les services, poussant peut-être les commerçants à s'adapter. L'exigence d'accès au code source par WeChat pourrait défavoriser les petits développeurs, risquant de centraliser l'écosystème. Alipay a également lancé "Token Pay" et "AI Wallet" pour les micro-paiements automatisés, validant une boucle économique fermée pour les agents IA. En définitive, Alipay repense l'entrée vers les services par la conversation, tandis que WeChat cherche à rendre l'IA invisible au sein des interactions sociales. Leur compétition ne porte plus sur les portefeuilles, mais sur qui deviendra l'assistant privilégié auquel l'utilisateur confiera la phrase "Aide-moi".

L'arrêt soudain de Claude Mythos cette semaine a mis en lumière un risque crucial souvent négligé par les fondateurs : lorsque les capacités centrales d'une entreprise dépendent entièrement d'une plateforme externe, sa survie n'est plus entre ses mains. Cet incident pousse à une réflexion fondamentale : qui possède réellement l'intelligence sur laquelle repose votre produit ? Ces dernières années, le débat sur les modèles open source s'est principalement concentré sur les coûts. Aujourd'hui, la réponse est claire : pour des tâches spécifiques et cruciales, des modèles open source finetunés peuvent atteindre la qualité des modèles de pointe à un coût bien inférieur. Mais l'épisode Mythos révèle que le véritable enjeu est plus profond : c'est la question du contrôle. Utiliser les API des leaders du marché, c'est comme « louer » une intelligence. C'est pratique et performant, mais vous êtes soumis à leurs règles, leurs tarifs et leurs décisions soudaines, comme un locataire. À l'inverse, « posséder » son intelligence signifie partir d'un modèle open source solide et le façonner avec vos données, vos flux de travail et votre expertise métier. L'intelligence devient alors un actif unique et durable qui ne peut vous être retiré. L'avenir de l'IA ne dépend pas d'un modèle unique dominant. Il existe de multiples « fronts » : les grands modèles fermés, les modèles spécialisés pour des problèmes précis, ou les routeurs qui combinent plusieurs modèles. Les gagnants seront les entreprises qui sauront transformer l'intelligence en un avantage compétitif propre, adapté à leurs besoins spécifiques. La leçon n'est pas d'abandonner les modèles de pointe, qui restent une infrastructure précieuse, mais de ne pas bâtir son cœur de métier sur un fondation que l'on ne contrôle pas. Posséder son intelligence, c'est s'assurer que personne ne peut discrètement retirer le sol sous les pieds de votre produit.

L'ère des applications d'IA est là, mais ses risques se cachent dans un code apparemment correct, menaçant de provoquer des fuites de données ou des pertes financières. Le projet open source **Narwhal AI Code Risks**, issu de l'Université de Pékin, compile ces dangers en un journal de navigation pour le développement logiciel. Il catégorise les incidents en trois niveaux : des **cas réels** (comme l'erreur de configuration d'un oracle Moonwell ayant causé une perte de 1,7 million de dollars), des **signaux précoces** à surveiller, et des **scénarios typiques** de risques. Le danger ne réside pas dans un code erroné, mais dans un code syntaxiquement parfait qui introduit des failles sémantiques, des dépendances inexistantes, des permissions excessives ou des configurations cloud vulnérables. Les agents IA, en enchaînant les actions, complexifient encore la traçabilité. Le projet identifie **7 grandes catégories de risques** : la chaîne d'approvisionnement, les vulnérabilités du code, les configurations cloud/infrastructure, les risques liés aux agents, les risques sectoriels (fintech, santé...), la propriété intellectuelle/conformité, et les facteurs humains. L'objectif est de transformer des expériences dispersées en une connaissance réutilisable, aidant les développeurs à anticiper les pièges, les chercheurs à constituer des bases d'analyse et les éditeurs d'outils à renforcer leurs détections. Il s'agit de créer une mémoire collective pour naviguer de manière plus sûre dans l'ère du code généré par l'IA.

Ces dernières semaines, j'ai exploré le « Vibe Coding », utilisant des modèles d'IA comme Codex, Claude et DeepSeek pour développer rapidement des outils personnalisés. Frustré par la nécessité de consulter plusieurs applications pour suivre mes actifs (actions, crypto, etc.), j'ai construit un tableau de bord unifié affichant l'ensemble de mon portefeuille et ses performances. Cet outil intègre désormais une surveillance des mouvements brusques, une cartographie des investissements (visualisant les écosystèmes complets) et un journal de réflexion. J'ai également créé un moniteur pour les marchés de prédiction (comme Polymarket), rassemblant les paris sur des événements futurs (valorisations d'entreprises, etc.) pour analyser leurs probabilités face à l'actualité. Un petit back-office pour gérer mes publications et un outil de mise en forme automatique pour différents plateformes complètent cet ensemble. L'essentiel n'est pas la sophistication des outils, mais la capacité nouvelle à matérialiser rapidement une idée. L'IA permet à tout investisseur de construire progressivement ses propres systèmes fondamentaux : observation d'actifs, surveillance de signaux, cartographie de secteurs et analyse rétrospective. Ce cycle rapide « idée → réalisation → utilisation → amélioration » change profondément la façon d'aborder la recherche et la gestion d'investissements pour les particuliers.