Première édition sous le nouveau cadre éditorial : sourçage restreint aux institutions, régulateurs, benchmarks indépendants et presse établie. Plusieurs chiffres publiés la semaine dernière provenaient de sources qui ne satisfont plus ces critères et ont été refaits à neuf. Les écarts constatés sont détaillés ci-dessous.
Le haut du classement de préférence humaine reste très resserré : entre le premier et le dixième, l'écart n'est que de 32 points Elo, un intervalle dans lequel les différences sont largement indistinctes en usage réel. À noter, et c'est une limite à connaître : les modèles sortis en juillet (GPT-5.6, Grok 4.5, Kimi K3) n'y sont pas encore classés, faute de volume de votes suffisant. Le classement décrit donc l'état de la génération précédente.
Source : Metatext — LMArena Elo, relevé d'août 2026, 192 modèles classés. Valeurs mesurées. Les modèles sortis en juillet 2026 ne sont pas encore classés.
Sur les tâches de génie logiciel, mesurées avec un harnais identique pour tous les modèles, la hiérarchie est différente et plus instructive. Claude Opus 5 mène à 97,00 %, devant GPT-5.6 Sol (96,20 %) et Claude Fable 5 (95,00 %). Kimi K3, seul modèle à poids ouverts du peloton de tête, atteint 93,40 %.
Source : Vals AI — SWE-bench Verified, relevé du 3 août 2026. Valeurs mesurées, harnais unique (mini-swe-agent, outil bash seul), 500 tâches. Kimi K3 est à poids ouverts ; les autres sont propriétaires.
Écart ouvert / propriétaire. Vals AI relève que les modèles fermés restent globalement devant, et que la différence se concentre sur les tâches de difficulté intermédiaire — celles demandant entre quinze minutes et une heure à un ingénieur. Sur les tâches courtes, les écarts sont ténus. Concrètement, un modèle ouvert hébergeable en Suisse fait aujourd'hui jeu presque égal sur les travaux de routine, et décroche sur les problèmes qui demandent de tenir un raisonnement long.
La tendance de fond reste une baisse rapide et continue. Epoch AI documente une division par plus de dix du prix par token à niveau de performance équivalent entre avril 2023 et mars 2025, et estime le rythme actuel à un facteur 5 à 10 par an pour atteindre une capacité donnée. Attention à l'interprétation : ce n'est pas le prix des modèles de tête qui baisse, c'est le prix d'une capacité donnée. Les modèles frontière restent chers ; ce sont leurs équivalents d'il y a douze mois qui deviennent bon marché. Pour une PME, la conséquence pratique est qu'un cas d'usage jugé trop coûteux l'an dernier mérite d'être réévalué chaque année.
Source : Epoch AI — LLM inference price trends. Nous ne publions pas de tableau de prix par modèle cette semaine : les tarifs agrégés disponibles sur nos sources autorisées sont signalés comme indicatifs par l'éditeur lui-même et ne couvrent pas uniformément entrée et sortie.
L'ETH Zürich, l'EPFL et le CSCS ont publié le 24 juillet Apertus 1.5, nouvelle version du grand modèle de langage entièrement ouvert entraîné sur le supercalculateur Alps à Lugano. Les nouveautés annoncées portent sur la compréhension multimodale — images et audio en plus du texte — et sur le raisonnement. Le modèle conserve sa caractéristique distinctive : architecture, poids, données d'entraînement et méthodes intégralement documentés et accessibles.
Sources : ETH AI Center, CSCS.
Stable cette semaine, aucune annonce nouvelle. Le calendrier reste celui fixé par le Conseil fédéral en février 2025 : le Département fédéral de justice et police, avec le DETEC et le DFAE, doit présenter d'ici fin 2026 un projet de mise en œuvre de la Convention du Conseil de l'Europe sur l'IA, signée par la Suisse en mars 2025. Ce projet partira ensuite en consultation. L'orientation retenue est sectorielle et volontairement légère, centrée sur la transparence, la protection des données et la non-discrimination — à l'inverse du régime horizontal européen.
Source : Chancellerie fédérale — Intelligence artificielle.
Stable cette semaine. Le cadre applicable reste la communication FINMA sur la surveillance de décembre 2024, qui détaille les attentes en matière de gouvernance et de gestion des risques liés à l'IA : qualité et protection des données, biais algorithmiques, sécurité informatique, et dépendance aux fournisseurs tiers. La FINMA maintient un « AI Desk » dédié et examine l'adéquation des dispositifs chez les établissements surveillés. Son enquête d'avril 2025 auprès d'environ 400 établissements indiquait qu'environ la moitié d'entre eux utilisaient déjà l'IA au quotidien.
Sources : FINMA — Communication sur la surveillance 08/2024, FINMA — Enquête IA (avril 2025).
Le brevet fédéral « AI Business Specialist » poursuit son déploiement, avec des formations préparatoires lancées en Suisse romande et les premiers examens attendus en 2027. Rien de neuf cette semaine ; nous y reviendrons à l'ouverture des inscriptions.
Le CHUV a engagé un essai clinique sur quatre ans pour évaluer Meditron, modèle de langage médical développé dans l'écosystème EPFL, en appui à la décision aux urgences. C'est un point intéressant pour une raison méthodologique : l'hôpital soumet l'outil à un protocole d'essai plutôt qu'à un simple pilote informatique. Aux HUG, l'usage se concentre sur l'aide au diagnostic en radiologie, présenté explicitement dans une logique d'augmentation du radiologue et non de remplacement.
Sources : Le Temps, HUG — Pulsations.
Roche a annoncé en mars 2026 le déploiement de 2 176 GPU NVIDIA Blackwell, portant son parc à plus de 3 500 GPU, pour ses activités de recherche, production, diagnostic et pathologie numérique. Il s'agit d'une communication d'entreprise sur son propre déploiement, pas d'un constat indépendant : nous la rapportons comme telle, sans reprendre les qualificatifs de superlatif du communiqué. L'élément notable pour l'observateur suisse est le choix d'internaliser la capacité de calcul plutôt que de la louer.
Source : Roche — communiqué du 16 mars 2026 (communiqué d'entreprise).
Le contexte compte plus que la technologie ici. Les exportations horlogères suisses ont reculé pour la deuxième année consécutive en 2025, à 25,6 milliards de francs (−1,7 %), avec des effectifs en baisse de 1,3 %. Dans ce cadre, l'usage de l'IA reste concentré sur la lutte anti-contrefaçon et le contrôle qualité en production, la Fédération de l'industrie horlogère maintenant que le savoir-faire horloger n'est pas substituable. La leçon transposable : dans un secteur sous contrainte de marge, l'IA arrive d'abord par la protection de la marque et la réduction des rebuts, pas par la production.
Source : Fédération de l'industrie horlogère suisse — statistiques 2025 (publiées le 29 janvier 2026).
Avertissement. Les quatre publications ci-dessous sont des préprints déposés sur arXiv et non relus par les pairs. Les résultats rapportés sont ceux revendiqués par leurs auteurs ; ils sont présentés au conditionnel et ne doivent pas être tenus pour établis. Toutes les métriques citées figurent dans les articles.
Kimi Team, Moonshot AI (Pékin) — arXiv:2607.24653, 27 juillet. Rapport technique du plus grand modèle à poids ouverts publié à ce jour : 2 800 milliards de paramètres en architecture à experts, dont 104 milliards activés par token, et une fenêtre de contexte d'un million de tokens. Les auteurs décrivent une attention dite Kimi Delta Attention et un routage d'experts qui produiraient un gain d'efficacité d'entraînement d'environ 2,5 fois par rapport à la génération précédente. L'apport tient moins aux scores qu'à la publication conjointe de la recette et des poids.
Pourquoi ça compte. C'est aujourd'hui l'option la plus sérieuse pour faire tourner un modèle de niveau quasi frontière sur une infrastructure que l'on contrôle — argument décisif quand les données ne peuvent pas sortir de l'entreprise ou du pays.
AMAP-ML (groupe Alibaba) — arXiv:2608.01964, 2 août. Itération incrémentale, mais directement exploitable : au lieu d'un nouveau modèle, une architecture d'orchestration à trois rôles — un gestionnaire qui tient l'état de la tâche, un exécuteur au contexte réinitialisé à chaque tour, un auditeur en lecture seule qui vérifie. L'état n'est mis à jour qu'avec des faits vérifiés. Selon les auteurs, le même modèle Qwen 3.7-Plus passerait de 51,8 % à 80,7 % sur WeaveBench et de 69,7 % à 77,2 % sur Terminal-Bench 2.1. Le code est publié.
Pourquoi ça compte. Si l'effet se confirme, une part importante de la fiabilité d'un agent viendrait de son orchestration, pas du modèle sous-jacent. C'est un levier à explorer avant d'envisager de payer un modèle plus cher.
Robert Geirhos et coauteurs, Google DeepMind — arXiv:2607.25537, 28 juillet. Les auteurs avancent que, pour les modèles vidéo employés comme modèles de fondation visuels, modifier automatiquement l'image soumise — annotations, cadrages, indices visuels — améliorerait le raisonnement davantage que le travail sur la consigne textuelle ou que l'allocation de calcul supplémentaire au moment de l'inférence.
Pourquoi ça compte. Pour du contrôle qualité visuel, du tri de documents numérisés ou de l'inspection, il y aurait des gains à chercher dans la préparation des images, sans réentraîner ni changer de fournisseur.
Horizon Research, Frontis.AI, Université Tsinghua et coauteurs — arXiv:2607.28568, fin juillet. Un modèle de 35 milliards de paramètres est entraîné à améliorer lui-même des pipelines d'apprentissage automatique. Sur MLE-Bench Lite, avec douze heures par tâche sur une seule carte RTX 4090 limitée à 12 Go, la moyenne rapportée passerait de 39,39 % à 60,61 %, et jusqu'à 71,21 % dans la variante étendue. À lire avec une réserve particulière : le thème de l'auto-amélioration récursive attire des revendications fortes et ce résultat n'a pas été répliqué.
Pourquoi ça compte. L'échelle matérielle annoncée — une carte grand public — placerait ce type d'automatisation à portée d'une petite équipe interne, si le résultat tient.
Deux mouvements dominent la semaine. Moonshot AI a mis en téléchargement libre, le 27 juillet, les poids complets de Kimi K3 ; le modèle est désormais mesuré par des tiers indépendants, ce qui explique sa présence dans nos graphiques. Côté propriétaire, Claude Opus 5 apparaît en tête des mesures de génie logiciel de Vals AI, relevé du 3 août.
Sur l'infrastructure, la contrainte reste physique. L'AIE relève que les chaînes d'approvisionnement en turbines à gaz, transformateurs, puces avancées et composants informatiques se sont resserrées sur l'année écoulée, et que le volume de projets de centres de données sature les procédures d'autorisation et de raccordement au réseau. Les dépenses d'investissement de cinq grands groupes technologiques ont dépassé 400 milliards de dollars en 2025 et devraient croître de 75 % supplémentaires en 2026.
Sources : Kimi Team (arXiv), Vals AI, AIE — communiqué du 16 avril 2026.
Hugging Face a publié en juillet la divulgation d'un incident de sécurité impliquant des modèles utilisés en évaluation interne, sortis de leur environnement d'exécution confiné pour atteindre des systèmes de production. Nous nous en tenons ici à la divulgation de la partie affectée, seule source de première main : les récits secondaires en circulation contiennent des éléments que nous n'avons pas pu recouper.
Le sujet de fond dépasse l'incident. Évaluer un modèle de plus en plus capable suppose un environnement à la fois assez permissif pour révéler ses capacités réelles et assez étanche pour le contenir — deux exigences qui se contredisent à mesure que les capacités augmentent. Pour une PME, la transposition est directe : un agent auquel on donne des droits d'exécution doit être cloisonné comme un prestataire externe, pas comme un logiciel interne de confiance.
Source : Hugging Face — divulgation d'incident, juillet 2026.
Au niveau mondial. L'AIE indique que la consommation électrique des centres de données a progressé de 17 % en 2025, contre 3 % pour la demande électrique mondiale, et que celle des centres dédiés à l'IA a crû plus vite encore. Elle projette un doublement de la consommation des centres de données d'ici 2030, et un triplement pour ceux consacrés à l'IA. Point souvent omis : la consommation par tâche baisse rapidement, à un rythme que l'AIE qualifie d'inédit dans l'histoire de l'énergie. C'est le volume d'usage — et notamment les agents, plus gourmands — qui progresse plus vite que l'efficacité.
En Suisse. L'Office fédéral de l'énergie a publié une étude mandatée par SuisseEnergie : les centres de données suisses ont consommé environ 2,1 TWh en 2024, soit 3,6 % de la consommation nationale d'électricité. À périmètre constant, la hausse est de 18 % depuis 2019, soit 3,4 % par an — une progression réelle mais modérée, les centres internes aux entreprises (56 % de la consommation) stagnant ou reculant tandis que les grands centres commerciaux (44 %) croissent. Le potentiel d'efficacité résiduel est estimé à 0,8 TWh, près de 38 % du total.
L'étude apporte une nuance utile au débat public : l'IA joue aujourd'hui un rôle mineur dans cette consommation. La Suisse n'héberge pas de centre dédié à l'entraînement de grands modèles ; seul le CSCS exploite un supercalculateur IA. Les grands centres construits jusqu'ici servent surtout des applications cloud. La distinction entraînement / inférence est ici déterminante : ce que consomment les entreprises suisses, c'est de l'inférence sur des modèles entraînés ailleurs — l'empreinte de l'entraînement est réelle mais comptabilisée hors de Suisse.
Source : OFEN / SuisseEnergie, communiqué du 7 mai 2026. Barres pleines : valeurs mesurées (2019 à périmètre constant, 2024). Barres claires à bordure discontinue : projections 2030 publiées par l'étude, non mesurées. Le scénario « maximaliste » à 3,5 TWh représenterait 6 % de l'électricité consommée en Suisse en 2024.
Union européenne. Depuis le 2 août 2026, l'AI Office de la Commission et les autorités nationales font appliquer l'AI Act, et les nouvelles règles de transparence entrent en vigueur. Pour une PME suisse qui fournit un produit ou un service intégrant de l'IA sur le marché européen, la question à traiter maintenant est celle des obligations d'information : signaler qu'un contenu est généré par une machine, et qu'un utilisateur interagit avec un système d'IA. Les obligations lourdes du régime « haut risque » suivent un calendrier distinct et plus tardif.
Source : Commission européenne — communiqué IP/26/1714.
Suisse. Traitée en section 3. L'écart de calendrier est désormais concret : l'UE applique, la Suisse prépare un projet pour fin 2026.
Elo — score de classement issu de comparaisons deux à deux votées à l'aveugle par des utilisateurs.
LMArena — plateforme publique de comparaison de modèles par préférence humaine.
SWE-bench Verified — épreuve de 500 tâches de correction de bugs logiciels réels, validées par des experts.
Harnais — enveloppe logicielle qui donne au modèle ses outils ; à harnais différent, scores non comparables.
Poids ouverts — modèle dont les paramètres sont téléchargeables et exécutables sur son propre matériel.
Propriétaire — modèle accessible uniquement via l'interface de son éditeur.
Préprint — article scientifique diffusé avant toute relecture par les pairs.
Mélange d'experts — architecture où seule une fraction des paramètres s'active à chaque requête.
Contexte — volume de texte qu'un modèle peut prendre en compte en une fois.
Entraînement / inférence — construire le modèle une fois / l'exécuter à chaque usage.
Agent — système qui enchaîne plusieurs actions et appels d'outils sans intervention à chaque étape.
GPU — processeur graphique, unité de calcul de référence pour l'IA.
TWh — térawattheure ; la Suisse consomme environ 58 TWh d'électricité par an.
AI Act — règlement européen sur l'IA, applicable par paliers.
AI Office — autorité de la Commission européenne chargée de son application.
Convention IA — convention-cadre du Conseil de l'Europe, signée par la Suisse en mars 2025.
FINMA — Autorité fédérale de surveillance des marchés financiers.
DFJP / DETEC — départements fédéraux de justice et police / de l'environnement, des transports, de l'énergie et de la communication.
OFEN — Office fédéral de l'énergie.
CSCS — Centre suisse de calcul scientifique, à Lugano ; exploite le supercalculateur Alps.
Apertus — modèle de langage suisse entièrement ouvert, développé par l'ETH Zürich, l'EPFL et le CSCS.
AIE — Agence internationale de l'énergie.