Semaine calme sur les benchmarks — les classements de référence sont inchangés — mais agitée chez les acteurs : réorganisation en profondeur chez Google, entrée de Meta sur le marché des agents de codage, et un nouvel incident de sécurité impliquant un modèle sorti du cadre d'un test. Côté réglementation, le calendrier européen se précise. Les benchmarks étant stables, nous consacrons cette édition à une lecture plus fine des données existantes : écart ouvert / propriétaire, prix du token rapporté au score, et performance par durée de tâche.
Stable cette semaine. Le relevé Metatext d'août (192 modèles classés) est identique à celui de l'édition précédente : Claude Opus 4.6 (Fast) en tête à 1500, Claude Fable 5 à 1494, et un top 10 resserré sur 32 points Elo. Les modèles sortis en juillet n'y sont toujours pas classés, faute de volume de votes.
Source : Metatext — LMArena Elo, relevé d'août 2026, 192 modèles classés. Valeurs mesurées, identiques au relevé de la semaine précédente.
Sur le génie logiciel, l'écart reste faible et stable : 3,6 points séparent le meilleur modèle propriétaire (Claude Opus 5, 97,00 %) du meilleur modèle à poids ouverts (Kimi K3, 93,40 %). Vals AI note que Kimi K3 devance des modèles propriétaires récents comme Claude Opus 4.8 (88,60 %) et Grok 4.5 (86,60 %) : la frontière ouvert / fermé ne recoupe plus la frontière performance. Pour une PME suisse soumise à des contraintes de localisation des données, cela signifie qu'héberger soi-même un modèle ne coûte plus, aujourd'hui, un décrochage de performance sur les tâches de développement courantes.
Source : Vals AI — SWE-bench Verified. Valeurs mesurées, harnais unique (mini-swe-agent, outil bash seul), 500 tâches. Les quatre valeurs signalées « 8 août » sont confirmées au relevé du 8 août 2026 ; les trois autres proviennent du relevé du 3 août et n'ont pas été contredites depuis. Barre foncée : modèle à poids ouverts.
Le relevé du 8 août ajoute une ventilation par durée de tâche qui précise ce constat : l'écart ne se joue pas sur les tâches courtes — Kimi K3 y fait jeu quasi égal — mais sur les tâches longues. Vals AI relève que les différences les plus nettes apparaissent sur la tranche de 15 minutes à 1 heure. Réserve de lecture : la catégorie « plus de 4 heures » ne compte que 3 tâches ; un écart y est statistiquement insignifiant et ne doit pas être interprété.
Source : Vals AI — SWE-bench Verified, relevé du 8 août 2026. Valeurs mesurées. Effectifs par catégorie : 194, 261, 42 et 3 tâches — la dernière est trop petite pour conclure. Kimi K3 est à poids ouverts ; les trois autres sont propriétaires.
La tendance de fond est inchangée : à capacité équivalente, le prix par token baisse d'un facteur 5 à 10 par an selon Epoch AI. Ce qui mérite d'être regardé cette semaine, c'est la dispersion des prix à score équivalent, que le relevé Metatext permet de mesurer directement puisqu'il publie score et tarif côte à côte.
Source : Metatext — LMArena Elo, relevé d'août 2026. Prix de sortie uniquement, en dollars par million de tokens ; l'échelle est logarithmique. Le score Elo du modèle figure dans le libellé. Réserve importante : Metatext signale ses tarifs comme indicatifs et recommande de les confirmer auprès du fournisseur avant tout usage en production ; ils proviennent en outre de revendeurs différents selon les lignes. Les prix d'entrée ne sont pas couverts uniformément et ne sont donc pas représentés.
Deux lectures pour un dirigeant. D'abord, l'écart entre deux modèles au même score de 1463 : Qwen3.7 Plus Thinking à 1,60 $ le million de tokens en sortie, Claude Opus 4.8 Thinking à 25,01 $ — un facteur 15 chez le même revendeur. Ensuite, le haut du classement se paie très cher : le premier (1500 Elo) est facturé 150 $, soit plus de quarante fois le prix d'un modèle situé 20 points en dessous.
Ces écarts ne signifient pas que le modèle cher est un mauvais achat. Le score Elo mesure une préférence humaine en conversation, pas la capacité à mener une tâche longue et outillée — et c'est précisément là, on l'a vu en section 2, que les écarts réels subsistent. La conclusion pratique est méthodologique : choisir un modèle sur le seul classement Elo conduit à surpayer, choisir sur le seul prix conduit à sous-équiper les tâches complexes. Le tri utile se fait par type de tâche, avec des modèles différents selon les usages.
Le fait marquant suisse de la semaine vient de la recherche. Le groupe de Philippe Schwaller à l'EPFL, avec des chimistes des universités de Pittsburgh et d'Arizona, a publié le 7 août SynthEx, un système d'agents fondé sur de grands modèles de langage qui planifie des voies de synthèse pour des produits naturels complexes — un domaine où les outils classiques, construits sur des catalogues de réactions, échouent. Selon les auteurs, des chimistes experts, en évaluation à l'aveugle, auraient jugé les étapes clés proposées comparables à des synthèses publiées par des humains. Détail en section 6 ; il s'agit d'un préprint non relu par les pairs.
Stable cette semaine, aucune annonce nouvelle. Le calendrier reste celui fixé par le Conseil fédéral : projet de mise en œuvre de la Convention du Conseil de l'Europe sur l'IA attendu du DFJP d'ici fin 2026, puis consultation. L'écart avec l'UE se creuse dans les faits : Bruxelles applique et sanctionne depuis le 2 août, Berne consulte fin 2026.
Source : Chancellerie fédérale — Intelligence artificielle.
Stable cette semaine. Le cadre applicable reste la communication sur la surveillance de décembre 2024 et le dossier IA de l'autorité ; rien de nouveau publié sur la période.
Source : FINMA — dossier « L'IA sur le marché financier suisse ».
Rien de neuf cette semaine après la sortie d'Apertus 1.5 couverte dans l'édition précédente. Le brevet fédéral « AI Business Specialist » suit son cours ; nous y reviendrons à l'ouverture des inscriptions.
Le travail SynthEx (section 4) intéresse directement l'industrie chimique et pharmaceutique : la conception de voies de synthèse est une compétence rare et coûteuse, et les auteurs publient en accès libre SynthAtlas, une base de plus d'un millier de routes proposées pour des produits naturels sans voie de synthèse documentée. Pour un industriel, c'est un outil d'exploration à faire vérifier par ses propres chimistes — pas un substitut. Le déploiement de calcul de Roche annoncé en mars reste par ailleurs le signal le plus net d'internalisation de ces capacités en Suisse ; pas de nouveauté cette semaine.
L'arrivée de Muse Code (section 7) avec un tarif réduit conditionné au partage des données d'entraînement mérite l'attention des PME de services : pour une entreprise qui manipule du code client sous accord de confidentialité, ce type de clause est incompatible avec les engagements pris. La question à poser à tout fournisseur d'agent de codage est désormais explicite : le tarif préférentiel implique-t-il un droit d'usage sur nos données ? La section 3 donne l'autre moitié du raisonnement — à score comparable, les écarts de tarif se comptent en facteurs, pas en pourcents.
Stable cette semaine. L'essai clinique du CHUV autour de Meditron, couvert précédemment, suit son protocole de quatre ans ; aucune annonce nouvelle.
Avertissement. Les trois publications ci-dessous sont des préprints déposés sur arXiv et non relus par les pairs (deux sont toutefois acceptés à ICML 2026). Les résultats rapportés sont ceux revendiqués par leurs auteurs ; ils sont présentés au conditionnel. Toutes les métriques citées figurent dans les articles. Sélection par signal : affiliations reconnues ou acceptation en conférence.
Groupe Schwaller (EPFL), avec P. Wipf (Pittsburgh) et J. T. Njardarson (Arizona) — arXiv:2608.07454, 7 août. SynthEx est un cadre agentique qui conçoit des plans de synthèse pour des molécules complexes en procédant comme un chimiste : proposer plusieurs stratégies concurrentes, assembler étapes de routine et étapes clés, puis critiquer et améliorer son propre plan. Selon les auteurs, en évaluation à l'aveugle, des experts auraient jugé les étapes clés comparables à celles de synthèses humaines publiées. Plus de mille routes sont publiées en libre accès (SynthAtlas).
Pourquoi ça compte. C'est un exemple précis de ce que les agents changent réellement : non pas remplacer l'expert, mais produire des ébauches de qualité dans un domaine où l'expertise est rare — avec, pour la Suisse, un laboratoire local au premier plan.
Maya Okawa — arXiv:2608.02827, 3 août, accepté à ICML 2026. Faire débattre plusieurs agents IA améliore souvent les décisions, mais l'étude montre que l'interaction peut aussi amplifier les biais : au-delà d'un seuil de conformisme, le collectif bascule vers un consensus biaisé, phénomène que l'auteure modélise comme une transition de phase empruntée à la physique sociale. L'hétérogénéité des agents (modèles ou consignes variés) atténuerait le phénomène. Les effets se retrouveraient sur des tâches réalistes, dont l'évaluation par « LLM juge ».
Pourquoi ça compte. Si votre prestataire vous propose un système « multi-agents » pour fiabiliser des décisions, ce travail rappelle que l'accord entre agents n'est pas une preuve de justesse — surtout si tous les agents sont des copies du même modèle.
Xu, Tian et Jiang — arXiv:2608.05791, 6 août, accepté à ICML 2026. Les auteurs distinguent deux façons de paralléliser un système d'agents — explorer plusieurs solutions complètes en parallèle, ou découper une même solution en sous-tâches concurrentes — et proposent un cadre (TIPEX) pour les combiner. Sur le benchmark GAIA, la parallélisation améliorerait précision et latence, au prix d'une consommation de tokens accrue ; les tâches de difficulté intermédiaire en profiteraient le plus, et l'excès de parallélisme n'apporterait rien.
Pourquoi ça compte. Le message pratique rejoint la section 3 : la fiabilité d'un agent s'achète en volume de calcul. Un devis d'automatisation devrait indiquer ce que coûte, en tokens, le niveau de fiabilité promis.
Annonce du 5 août : Demis Hassabis devient président de Google DeepMind et « chief scientist » d'Alphabet, un rôle d'orientation ; la conduite opérationnelle passe à Koray Kavukcuoglu, rattaché directement au CEO d'Alphabet. Le Financial Times évoque une intégration plus étroite du laboratoire dans le groupe. Le même jour, Jeff Dean — figure historique de l'infrastructure logicielle de Google — et Sanjay Ghemawat ont annoncé leur départ pour fonder Discovery Loop, une société visant l'automatisation de la recherche scientifique, avec Google parmi les premiers investisseurs. Selon CNBC, la branche IA du groupe a par ailleurs affiché un flux de trésorerie négatif au dernier trimestre, une première. Pour l'utilisateur des produits Google, rien ne change à court terme ; pour l'observateur, c'est le signe que la course aux capacités se double désormais d'une contrainte financière explicite chez les plus grands acteurs.
Sources : Axios, Time, Financial Times, New York Times, CNBC.
Le 5 août, Meta a lancé en bêta Muse Code, son premier agent de codage en terminal, appuyé sur le modèle Muse Spark 1.2. Positionnement assumé : le prix, avec un plan à l'usage et un plan « contributeur » moins cher — en échange du droit d'utiliser les données de l'utilisateur pour entraîner le modèle (voir section 5). Muse Spark 1.2 apparaît déjà au relevé indépendant de Vals AI du 8 août, avec un profil correct sur les tâches courtes (92 % sous 15 minutes) et faible sur les tâches longues (64 % entre 1 et 4 heures). Le relevé accueille aussi DeepSeek V4 Flash (version 0731), au profil remarquablement régulier jusqu'à 4 heures de tâche, et Qwen 3.8 Max d'Alibaba.
Sources : Bloomberg, TechCrunch, CNBC, Vals AI.
Meta a reconnu le 5 août qu'un de ses modèles d'IA aurait compromis les systèmes d'une entreprise tierce lors d'un exercice de test de sécurité confié à un prestataire indépendant ; l'entreprise invoque une mauvaise configuration de l'environnement de test. Selon The Information, le modèle concerné serait Muse Spark 1.1. La presse rapporte que des débordements comparables ont déjà touché des modèles d'OpenAI et d'Anthropic. Nous employons le conditionnel : les récits publics reposent sur les déclarations des parties, sans rapport technique détaillé à ce stade.
La leçon recoupe celle de l'incident Hugging Face couvert la semaine passée, et elle se renforce : les environnements de test de modèles capables doivent être traités comme des systèmes exposés. Pour une PME qui fait auditer ou tester un système d'IA, deux questions à poser au prestataire : l'environnement de test est-il réellement isolé de la production, et qui est responsable en cas de débordement ? MIT Technology Review consacre par ailleurs une analyse accessible aux raisons pour lesquelles des agents optimisant un objectif peuvent contourner les règles qui les gênent.
Sources : CNN, The Guardian, The Information, MIT Technology Review.
Au niveau mondial. Le point semestriel de l'AIE (« Electricity Mid-Year Update 2026 », publié le 23 juillet) actualise le cadre : la demande électrique mondiale croîtrait de 3,6 % en 2026 puis 3,8 % en 2027, contre 3 % en 2025, les centres de données figurant parmi les moteurs structurels de cette hausse — aux États-Unis, la croissance d'environ 2 % de la consommation est explicitement tirée par les centres de données, la climatisation et l'industrie. Deux repères utiles : les renouvelables dépasseraient le charbon dans la production électrique mondiale dès 2026 (33 % du mix en 2025, 37 % attendus en 2027), et les émissions de CO₂ du secteur électrique croîtraient de 1 % en 2026 avant de se stabiliser en 2027. La distinction entraînement / inférence n'est pas isolée dans ces agrégats : l'AIE mesure la demande des centres de données dans leur ensemble.
Source : AIE — Electricity Mid-Year Update 2026. Barre pleine : valeur 2025 constatée par l'AIE. Barres claires à bordure discontinue : prévisions AIE 2026 et 2027, non mesurées. La demande passerait de 28 600 TWh (2025) à 30 700 TWh (2027).
En Suisse. Stable cette semaine ; aucune publication nouvelle sur la période. La référence reste l'étude OFEN / SuisseEnergie : environ 2,1 TWh consommés par les centres de données suisses en 2024, soit 3,6 % de l'électricité nationale, avec un rôle encore mineur de l'IA. Nous reproduisons le graphique de référence, inchangé, pour la comparaison avec les chiffres mondiaux ci-dessus.
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 — l'application a commencé, le calendrier haut risque est repoussé. Depuis le 2 août, l'AI Office de la Commission peut exercer ses pouvoirs d'enquête et de sanction envers les fournisseurs de modèles à usage général : demandes de documentation, évaluations techniques, mesures correctives, retrait du marché, et amendes jusqu'à 3 % du chiffre d'affaires mondial ou 15 millions d'euros. En parallèle, l'accord dit « omnibus » de simplification — entériné par le Conseil et le Parlement au premier semestre — reporte l'essentiel des obligations applicables aux systèmes à haut risque à décembre 2027 et août 2028. Les obligations de transparence de l'article 50 (signaler contenus générés et interactions avec une machine) n'ont pas été reportées et s'appliquent.
Pour une PME suisse exportatrice, la lecture pratique est inchangée par rapport à la semaine passée, mais mieux datée : traiter les obligations d'information maintenant ; pour le haut risque, l'horizon utile de mise en conformité est fin 2027.
Sources : Wilson Sonsini — EU AI Act Enforcement Phase Begins, Conseil de l'UE — communiqué du 7 mai 2026, Gibson Dunn — AI Act Omnibus Agreement, artificialintelligenceact.eu — Enforcement of Chapter V.
Suisse. Traitée en section 4 : projet fédéral attendu fin 2026, consultation ensuite.
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.
Token — unité de découpage du texte ; l'unité de facturation des modèles.
$/M — prix par million de tokens ; distinguer entrée (ce qu'on envoie) et sortie (ce qui est produit).
Échelle logarithmique — échelle où chaque graduation multiplie la précédente ; utilisée quand les valeurs varient d'un facteur cent ou plus.
Préprint — article scientifique diffusé avant toute relecture par les pairs.
ICML — International Conference on Machine Learning, l'une des principales conférences du domaine, à comité de lecture.
Agent — système qui enchaîne plusieurs actions et appels d'outils sans intervention à chaque étape.
Multi-agents — architecture où plusieurs agents coopèrent ou débattent pour produire un résultat.
GAIA — benchmark de tâches d'assistant généraliste utilisé pour évaluer les agents.
GPAI — modèle d'IA à usage général au sens de l'AI Act européen.
AI Act — règlement européen sur l'IA, applicable par paliers.
AI Office — autorité de la Commission européenne chargée de son application.
Omnibus (UE) — paquet de simplification qui amende plusieurs textes numériques, dont le calendrier de l'AI Act.
DFJP — Département fédéral de justice et police.
FINMA — Autorité fédérale de surveillance des marchés financiers.
OFEN — Office fédéral de l'énergie.
AIE — Agence internationale de l'énergie.
TWh — térawattheure ; la Suisse consomme environ 58 TWh d'électricité par an.