
Tech • IA • Crypto
Anthropic introduit “routines” dans Claude Code, transformant l’assistant en agent proactif. Les tâches se déclenchent par temps ou événements sans prompts manuels. L’outil gère hébergement, état et orchestration des sessions distantes. Objectif: automatiser des workflows complets sans infrastructure custom.
Amazon Web Services approfondit son alliance avec Anthropic autour de Amazon Bedrock. Le projet Project Rainier et les puces Trainium (gen 3) visent coût et performance à grande échelle. Trois modes d’accès à Claude: API Bedrock, plateforme Claude sur AWS, et outils desktop. Des engagements d’infrastructure dépassant 100 Md$ ancrent la stratégie long terme.
Devin incarne la bascule vers des agents d’ingénierie autonomes. Ces systèmes planifient, codent et exécutent des tâches complexes de bout en bout. L’ambition affichée est un développement jusqu’à 10× plus rapide. Banques, assurances et administrations expérimentent déjà ces capacités en production.
Spotify déploie des agents qui génèrent plus de 1 000 pull requests par mois. Les migrations de dépôts sont accélérées de plus de 90 %. Les agents opèrent à grande échelle avec supervision minimale. L’impact se mesure en délais drastiquement réduits sur des opérations lourdes.
Binti applique l’IA aux processus sociaux critiques. Les flux d’agrément en placement familial gagnent 20 jours. L’automatisation améliore la vitesse sans dégrader la conformité. Les effets sont directement tangibles pour les bénéficiaires finaux.
Microsoft Foundry sert de plateforme unifiée pour agents IA avec Visual Studio Code, GitHub et Copilot Studio. Les modèles Claude Sonnet 4.6 et Opus 4.7 y sont intégrés pour le raisonnement avancé. Plus de 1 400 connecteurs relient des systèmes comme SAP et ServiceNow. L’accent est mis sur observabilité, gouvernance et sécurité.
Les mises à jour de Claude Code permettent des sessions asynchrones et multi‑appareils. Un système de garde-fous autorise des actions sans validation quand elles sont jugées sûres. Le contrôle à distance et les notifications maintiennent la continuité. Le terminal virtualisé stabilise la mémoire sur de longues sorties.
Augmenter le test-time compute (tokens d’inférence) améliore nettement la précision. Les modèles résolvent mieux des tâches de code et de raisonnement multi-étapes. Mais les rendements décroissants apparaissent à effort élevé, avec plus de latence et de coûts. L’optimisation devient un arbitrage entre qualité et budget.