1008 | Agents en action : quand l'IA se met au travail

Claire Martin: Bonjour et bienvenue, moi c'est Claire Martin.

Nicolas Moreau: Et moi Nicolas Moreau. Merci de nous retrouver pour ce tour des nouveautés de la journée.

Claire Martin: Ce qui relie tout ce qu'on va voir aujourd'hui, c'est une idée assez simple : l'IA est passée de la réponse à l'action. Elle agit. Elle réserve, elle négocie, elle corrige, elle filme, elle construit. Et en face, tout un écosystème d'outils qui cherchent à reprendre le contrôle — des apps natives, de la donnée locale, de la confidentialité assumée.

Nicolas Moreau: Oui, et le fil rouge va être celui-là : des agents qui agissent, mais avec un humain quelque part au bout de la chaîne. On va commencer par la messagerie et la vidéo, puis on remonte vers les modèles, le travail, et enfin les outils locaux.

Claire Martin: Allez, on démarre avec Wabi, qui se présente carrément comme un « OS pour l'ère agentic ».

Nicolas Moreau: C'est un messager, mais la promesse va bien au-delà de la discussion. L'idée, c'est que le messager exécute lui-même les tâches de groupe. Concrètement, si votre groupe organise un voyage ou partage une facture, Wabi gère ça de bout en bout, à l'intérieur même de la conversation.

Claire Martin: C'est un vrai changement de posture. Aujourd'hui, dans un groupe WhatsApp ou iMessage, vous discutez du voyage, puis vous ouvrez un site de réservation, puis une app de partage de dépenses. Wabi propose de fusionner tout ça : la conversation est le lieu où l'action se produit.

Nicolas Moreau: Et c'est cohérent avec ce qu'on voit partout dans l'industrie : la discussion devient une interface d'exécution. Le danger, évidemment, c'est de confier des tâches sensibles — de l'argent, des réservations — à un agent qu'on ne maîtrise pas encore. C'est là qu'il faut rester prudent et regarder ce que le produit prouve, pas juste ce qu'il promet.

Claire Martin: Exactement. Et justement, là où Wabi lance son messager-agent, d'autres essaient d'apporter l'exécution là où l'humain travaille déjà. Velozity, par exemple, est un bureau IA multi-joueurs.

Nicolas Moreau: Velozity, c'est intéressant parce qu'il propose trois choses très précises : les agents partagent le contexte d'équipe, vous pouvez apporter votre propre IA — le fameux « bring your own AI » — et surtout, toute action demande une validation humaine. Rien ne part sans que quelqu'un clique sur « ok ».

Claire Martin: Ce point de validation obligatoire, c'est presque le contrepoint direct de Wabi. Wabi veut que le messager fasse tout ; Velozity dit : les agents travaillent à vos côtés, mais vous gardez la main. Ça répond à la vraie question qui se pose pour tous ces produits : jusqu'où peut-on laisser un agent agir sans supervision ?

Nicolas Moreau: Et la question du « bring your own AI », elle, montre qu'on n'est pas encore dans un monde où un modèle unique domine. Les équipes veulent choisir leurs modèles, et Velozity s'adapte à ça.

Claire Martin: Bon, maintenant, prenons le même fil — l'IA qui agit — mais poussons-le dans la vidéo, avec Manus 2.0.

Nicolas Moreau: Là, on change de braquet. Manus 2.0 est un éditeur vidéo IA qui gère la chaîne complète : la recherche, les plans, la musique, les graphiques générés en code. À la fin, il rend le montage final à l'humain.

Claire Martin: Rendre le montage final à l'humain, c'est un choix très parlant. L'IA fait le gros du travail — le cadrage, la musique, les visuels — mais la coupe finale, le go, c'est vous. C'est exactement la même logique de supervision humaine qu'on vient de voir chez Velozity, mais appliquée à la production vidéo.

Nicolas Moreau: Et ça, c'est ce qui rend le sujet intéressant pour un créateur. Si vous faites des vidéos régulièrement, le temps mort c'est la recherche, l'assemblage, les graphiques. Si Manus 2.0 fait vraiment tout ça et vous laisse le montage final, ça peut changer l'économie d'une chaîne. Mais attention, on parle de ce que le produit annonce — est-ce que les montages sont réellement utilisables en l'état, ou est-ce que vous passez deux heures à corriger ? Ça, la source ne le dit pas.

Claire Martin: Voilà, c'est la question qu'il faut garder en tête pour tout ce qu'on couvre aujourd'hui : ces descriptions viennent des makers. Ce sont des revendications, pas des tests indépendants.

Nicolas Moreau: Et je veux ajouter un dernier produit sur ce thème, plus discret mais très parlant : IrisGo.

Claire Martin: IrisGo, c'est le « Watch & Learn ».

Nicolas Moreau: Voilà. Le concept : vous enregistrez une tâche une fois, une seule fois, et IrisGo la transforme en workflow réutilisable. Vous n'avez plus besoin de refaire les mêmes clics, les mêmes étapes. Et le point clé : les données restent en local.

Claire Martin: Là encore, le fil est le même. L'IA ne vous répond pas, elle apprend de vous en regardant, puis elle refait. Mais IrisGo a un argument supplémentaire : la donnée ne quitte pas votre machine. C'est une réponse très directe à la méfiance qu'on a quand un agent observe tout ce qu'on fait à l'écran.

Nicolas Moreau: Donc sur ce premier bloc, on a quatre réponses différentes à la même question : comment l'IA passe-t-elle de la conversation à l'action ? Wabi le fait dans la discussion de groupe, Velozity dans un bureau partagé, Manus dans la vidéo, IrisGo par imitation locale. Et tous — sauf peut-être Wabi — insistent sur le fait que l'humain garde un rôle.

Claire Martin: Voilà. Et une fois qu'on a dit ça, la question qui se pose naturellement, c'est : d'accord, mais ces agents, ils tournent sur quoi ? Quel modèle, quelles capacités ?

Nicolas Moreau: Parfait, c'est le moment de parler de Mistral Large 4.

Claire Martin: Alors, les chiffres, parce qu'ils sont impressionnants : c'est un MoE — un mélange d'experts — de mille milliards de paramètres, dont seulement quarante-neuf milliards sont actifs à chaque instant.

Nicolas Moreau: Et c'est ça, l'intérêt du MoE : vous avez la capacité d'un modèle géant, mais le coût de calcul d'un modèle beaucoup plus petit, puisque seuls les experts pertinents s'activent. En plus, le contexte monte à un million de tokens. Mistral le présente comme le plus fort modèle open-weight d'Europe et des États-Unis, et les poids arrivent fin octobre.

Claire Martin: Un million de tokens de contexte, ça veut dire qu'on peut lui donner des documents entiers, des bases de code complètes, des conversations très longues, sans les découper. Et l'aspect open-weight, c'est crucial : vous pouvez télécharger les poids, les héberger vous-même, les auditer.

Nicolas Moreau: Mais on reste honnête : c'est la présentation de Mistral. Les benchmarks indépendants, on ne les a pas encore. Fin octobre, quand les poids sortiront, la communauté va les passer au crible, et c'est là qu'on saura si « le plus fort open-weight » tient la route face aux modèles fermés.

Claire Martin: C'est la même nuance qu'on appliquait aux produits tout à l'heure. Et ce qu'il y a de bien avec ces modèles ouverts, c'est qu'ils créent tout un écosystème autour. Rool, par exemple.

Nicolas Moreau: Rool, c'est une machine IA privée située en Finlande, dans l'Union européenne. Ils ont leurs propres modèles, ils ne utilisent pas vos données pour l'entraînement, et il y a un free tier pour essayer.

Claire Martin: Donc concrètement : vous voulez utiliser un modèle puissant sans que vos conversations nourrissent un entraînement ni quittent l'Europe ? Rool répond à ça. C'est une infrastructure, pas un produit grand public, mais c'est une réponse à une vraie préoccupation.

Nicolas Moreau: Et à côté, dans le même esprit, Vresk : c'est un workspace à vingt dollars par mois pour les modèles ouverts. Le détail intéressant, c'est que Vresk choisit automatiquement le modèle en fonction de la tâche, et vos chats ne servent pas à entraîner les modèles.

Claire Martin: Donc Rool et Vresk, c'est deux réponses différentes à la même question : comment héberger et utiliser ces grands modèles en gardant la confidentialité ? Rool est une machine dédiée, Vresk est un abonnement workspace avec sélection automatique du modèle.

Nicolas Moreau: Voilà. Passons à l'image maintenant, avec Nano Banana 2.1 de Google.

Claire Martin: Nano Banana 2.1 apporte plusieurs choses : du mask-editing — donc la possibilité d'éditer une zone précise d'une image —, une meilleure cohérence d'une image à l'autre, des résolutions de 1K à 4K, et du Search Grounding, c'est-à-dire que le modèle s'appuie sur des résultats de recherche.

Nicolas Moreau: La cohérence, c'est le nerf de la guerre en génération d'image. Si vous créez un personnage et que vous voulez le retrouver dans dix images différentes, c'est le vrai défi. Et le mask-editing, ça veut dire qu'on s'oriente vers de la retouche ciblée plutôt que de la régénération complète — ce qui est beaucoup plus utile en production réelle.

Claire Martin: Donc on a textuel avec Mistral, visuel avec Nano Banana. Et il y a un troisième front, plus inattendu : l'action physique, avec Pegasus 1.6.

Nicolas Moreau: Là, on quitte les pixels. Pegasus 1.6 s'attaque à un vrai problème de robotique : comment obtenir des données d'entraînement pour les robots ? La réponse : on prend de la vidéo egocentrique — donc des vidéos prises du point de vue de la personne qui agit, en Ego ou en Teleop — et le modèle la transforme automatiquement en données d'entraînement robotiques labellisées et horodatées, sans labellisation manuelle.

Claire Martin: C'est énorme comme gain de temps, si ça marche. Historiquement, la robotique est bloquée par le coût de la labellisation : il faut des milliers d'heures de données annotées à la main. Si Pegasus 1.6 automatise ce pont entre la vidéo humaine et les données robotiques, ça peut accélérer tout le domaine.

Nicolas Moreau: Et c'est un bon exemple de la même logique qu'on a vue chez IrisGo : on regarde quelqu'un faire, et on apprend. Sauf que là, l'apprenant est un robot, et le résultat, ce sont des données d'entraînement formelles.

Claire Martin: Donc trois fronts : le texte, l'image, l'action physique. Avec, pour le texte, un gros point d'interrogation qui se lève fin octobre avec la sortie des poids de Mistral 4.

Nicolas Moreau: Et maintenant, connectons ça au monde du travail. Parce que si l'IA devient un agent qui agit, il faut bien qu'elle travaille quelque part, avec des règles. Commençons par l'accessibilité, avec DevAlly Agent.

Claire Martin: DevAlly Agent, c'est très simple dans le principe : vous décrivez un parcours utilisateur en langage naturel — « l'utilisateur arrive sur la page d'accueil, clique sur le bouton, remplit le formulaire » — et l'agent vérifie chaque étape contre les normes WCAG, les standards d'accessibilité web, et propose des correctifs.

Nicolas Moreau: Ce qui est fort, c'est que vous ne devez pas connaître les WCAG par cœur. Vous décrivez en français ce que fait l'utilisateur, et l'agent traduit ça en vérifications techniques. L'accessibilité, aujourd'hui, c'est souvent une étape qu'on reporte parce qu'elle demande une expertise rare. Un agent qui la rend conversationnelle, ça peut changer les pratiques.

Claire Martin: Et maintenant, un agent qui agit dans un domaine où les enjeux sont très concrets : l'argent. Ana, de Vertice, négocie les achats de logiciels.

Nicolas Moreau: Les chiffres donnés : entraîné sur soixante-quinze milliards de dollars de spend, trente-deux mille vendors, plus de deux millions de points de prix. Résultat revendiqué : dix-huit pour cent d'économie en moyenne. Et un détail important : les e-mails ne partent qu'après validation humaine.

Claire Martin: La négociation de licences logicielles, c'est un domaine où les entreprises paient souvent trop, faute de données de marché. Si Ana a vraiment une vue sur deux millions de prix réels, elle a un avantage informationnel énorme sur un acheteur isolé. Mais on reste prudent : dix-huit pour cent, c'est ce que Vertice annonce, pas une mesure indépendante.

Nicolas Moreau: Et la validation humaine des e-mails, encore une fois, c'est le même réflexe qu'on a vu chez Velozity et Manus. L'agent prépare, l'humain approuve. On voit un vrai consensus émerger chez les makers sur ce point.

Claire Martin: D'ailleurs, ça amène à une question qu'on doit poser honnêtement : cette gouvernance humaine, cette validation obligatoire… jusqu'à quand ? Est-ce que dans deux ans, on laissera ces agents envoyer des e-mails de négociation tout seuls ? C'est une vraie question ouverte.

Nicolas Moreau: Passons à la visibilité maintenant. Il y a un chantier nouveau : quand les gens demandent des choses à des IA — ChatGPT, Perplexity, et les autres — est-ce que votre marque apparaît dans la réponse ?

Claire Martin: Et c'est le sujet de Proofsource — pas Proofstart, la source corrige elle-même le nom, c'est Proofsource.

Nicolas Moreau: Voilà, Proofsource, donc. Il mesure chaque jour les mentions d'une marque sur quatre moteurs d'IA, et il permet à des agents de publier des corrections et de les vérifier. L'idée, c'est que l'AEO — l'optimisation pour les moteurs de réponse — devient un chantier quotidien, comme le SEO l'était pour Google.

Claire Martin: C'est un vrai changement de métier. Pendant vingt ans, les gens ont optimisé pour la page de résultats Google. Maintenant, la « page de résultats », c'est la réponse que l'IA donne. Et si elle cite un concurrent ou une info fausse, il faut pouvoir le savoir le jour même et agir.

Nicolas Moreau: Et pour rester sur le thème de la présence en ligne, Figma Agent, mais dans le design cette fois.

Claire Martin: Figma Agent, c'est intéressant parce qu'il travaille directement avec les vrais composants et les vrais fichiers sur le canvas. Donc pas une maquette approximative générée à côté : l'agent manipule votre design system tel qu'il existe. Avec des bulk-edits — des modifications en masse — et des Skills accessibles par la barre « / ».

Nicolas Moreau: Le point différenciant, c'est justement ça : travailler sur les composants réels. Beaucoup d'outils IA de design génèrent des écrans statiques qu'il faut ensuite reconstruire. Si l'agent touche vraiment vos fichiers Figma, le résultat est directement exploitable par l'équipe.

Claire Martin: Bon, maintenant, on va parler croissance, mais vite, parce qu'on a plein de produits qui s'attaquent au même problème sous des angles différents. GenPage 3.0 d'abord.

Nicolas Moreau: GenPage 3.0 génère des landing pages IA — une par annonce, par mot-clé, par compte publicitaire — et les teste automatiquement de A à Z. L'idée : au lieu d'envoyer tout votre trafic sur une page générique, chaque visiteur tombe sur une page alignée avec ce qu'il a cliqué.

Claire Martin: Ensuite Supademo, avec son AI Demo Agent.

Nicolas Moreau: Oui : l'agent interagit avec le prospect vingt-quatre heures sur vingt-quatre, en parlant pendant la démo. Le prix : zéro dollar quatre-vingt-dix-neuf par session de quinze minutes. Donc au lieu d'un commercial en démo à heure fixe, une démo vivante disponible en permanence, à un prix unitaire très bas.

Claire Martin: Et puis Ownfeed, qui s'attaque au problème du bruit sur les réseaux.

Nicolas Moreau: Ownfeed, c'est : vous collez une URL, et le feed ne montre que les posts de gens qui ont besoin de votre produit. Un jour test à un dollar, et surtout : pas d'auto-replies. Donc pas de bots qui spamment des commentaires, ce qui est une position assez rare aujourd'hui.

Claire Martin: Et enfin, Plugins Radar, qui traque l'écosystème ChatGPT.

Nicolas Moreau: Le répertoire des plugins ChatGPT compte plus de cinq mille plugins, avec cent quatre-vingt-douze recherches effectuées. Le chiffre frappant : trois quarts des dix premiers résultats ont le mot de la recherche dans leur nom ou leur tagline. Autrement dit, le référencement par le nom est déjà un facteur dominant. Et Plugins Radar alerte quand un rival apparaît.

Claire Martin: Ce qu'on voit dans ce bloc, c'est que l'IA a créé de nouvelles surfaces à surveiller — les réponses des moteurs IA, les répertoires de plugins — et de nouvelles façons de vendre — les landing pages dynamiques, les démos agentes. Mais partout, la même règle : Proofsource fait vérifier les corrections, Ana fait valider ses e-mails, Ownfeed refuse les auto-replies. La gouvernance humaine reste la règle, pour l'instant.

Nicolas Moreau: Et ça nous amène naturellement à notre dernier bloc : les outils où la promesse, cette fois, c'est justement la maîtrise. On commence sur le Mac, avec Redlamp.

Claire Martin: Redlamp, c'est un éditeur RAW open-source, natif pour Apple Silicon — écrit en Swift et en Metal, donc il exploite la puce du Mac directement. Il est pensé pour le workflow Lightroom, il est gratuit, et sous licence MPL-2.0.

Nicolas Moreau: Le fait qu'il soit natif Apple Silicon, c'est le point clé de performance : la retouche RAW est gourmande, et Metal permet d'utiliser le GPU. Et l'alternative à Lightroom qui soit gratuite et open-source, ça manquait.

Claire Martin: Donc un photographe qui veut garder ses photos chez lui, sans abonnement, a désormais une option sérieuse. Et dans le même esprit « natif Apple, sans fuite de données », il y a Cinch.

Nicolas Moreau: Cinch, c'est un client natif des Rappels Apple — sur iOS, macOS, watchOS et visionOS. Zéro télémétrie, iCloud uniquement comme synchronisation. Et le détail qui est très 2025 : un CLI pour agents LLM. Concrètement, votre agent IA peut piloter vos rappels, mais sans passer par un cloud tiers.

Claire Martin: C'est un beau contrepoint à tout ce qu'on a vu en première partie. Les gros agents agissent via leurs propres serveurs ; Cinch dit : voici une interface pour que vos agents agissent, mais sur vos données, dans votre écosystème iCloud. Même capacité d'action, contrôle différent.

Nicolas Moreau: Et pour rester chez Apple, Thalia, qui cette fois s'adresse aux développeurs.

Claire Martin: Thalia, c'est une app SwiftUI gratuite pour Mac, qui enveloppe le Muse Code CLI de Meta. Ce qu'elle apporte : un mode plan forcé — donc l'agent doit d'abord présenter ce qu'il va faire —, la validation des commandes avant exécution, la revue de snapshots, des checkpoints, et aucune télémétrie.

Nicolas Moreau: Le plan mode forcé, c'est très malin. Les CLI de code agents peuvent être puissants, mais dangereux : ils modifient des fichiers, lancent des commandes. En forçant le plan et la validation, Thalia prend le meilleur de l'agent et le meilleur du contrôle humain. C'est exactement la philosophie qu'on a croisée chez Velozity, mais pour un développeur seul sur sa machine.

Claire Martin: Et on peut glisser ici deux outils qui complètent ce tableau « natif et maîtrisé » : Kitbar et Temp Mail.

Nicolas Moreau: Kitbar, donc, regroupe Vercel, Cloudflare, GitHub, GitLab, Stripe, Polar, Claude Code et Codex dans une barre d'état native, sur Mac et Windows. Sans compte, pay once — on paie une fois, pas d'abonnement.

Claire Martin: Pour un développeur, ça évite d'ouvrir huit onglets de dashboards pour savoir si un déploiement est passé ou si une facture Stripe est tombée. Et le pay once, c'est une prise de position : pas d'abonnement, pas de compte, pas de données qui circulent.

Nicolas Moreau: Temp Mail, de son côté, ajoute des alias de transfert privés sur Android, la copie des OTP — les codes de vérification — et des domaines personnels, le tout en vingt-neuf langues. Et c'est gratuit, sans inscription.

Claire Martin: Bon, et maintenant, on va vers le produit le plus inattendu de la liste : Rhem, un robot de table pour seniors.

Nicolas Moreau: Rhem, c'est un robot physique qui vit avec la personne. Il suit les constantes vitales, il observe les habitudes de conversation, il envoie des rappels. Et il embarque des agents IA qui peuvent appeler et réserver des rendez-vous.

Claire Martin: Là, on retrouve le fil des agents qui agissent — réserver, appeler — mais dans un contexte où l'enjeu est la santé et l'autonomie des personnes âgées. Et ça pose les vraies questions : un agent qui appelle des cabinets médicaux pour un senior, qui supervise ? Quelles données de santé circulent ? C'est le produit où la question de la confiance est la plus aiguë de tout ce qu'on a vu.

Nicolas Moreau: Exactement. Et on peut le rapprocher de deux autres produits qui, chacun dans leur domaine, misent sur la proximité et la confiance : Knuff et ParakeetAI 2.0.

Claire Martin: Knuff, c'est une app de check-in familial, avec un modèle « Bubble » — donc un cercle de proches. Et le point clé : toutes les données restent en Allemagne, pas de cloud américain.

Nicolas Moreau: Le check-in familial, c'est ce petit « tout va bien » quotidien entre proches, souvent pour des parents âgés ou des ados. Le fait de garantir que les données ne quittent pas l'Allemagne, c'est un argument fort face aux gros réseaux sociaux.

Claire Martin: Et ParakeetAI 2.0, lui, s'attaque à la préparation d'entretien.

Nicolas Moreau: Oui : une banque de questions issues de vrais entretiens, des mock-interviews avec l'IA, et même des réponses en direct pendant le vrai entretien.

Claire Martin: Donc de la préparation, de l'entraînement — et une fonctionnalité, l'aide en temps réel pendant l'entretien même, qui, franchement, soulève des questions d'éthique selon qui l'utilise et comment. Mais le cœur du produit, la bank de questions réelles, c'est un vrai avantage face aux listes génériques qu'on trouve en ligne.

Nicolas Moreau: Voilà. Et si on devait résumer ce dernier bloc, ce serait : la confiance se gagne télémétrie zéro après télémétrie zéro. Redlamp, Cinch, Thalia, Kitbar, Knuff — ils font tous le même pari : en supprimant la fuite de données, on reconstruit la confiance.

Claire Martin: Et c'est un très beau contrepoids à la première moitié de l'émission. D'un côté, des agents de plus en plus autonomes qui agissent pour vous. De l'autre, des outils qui ramènent tout — les modèles, les données, les commandes — sous votre contrôle.

Nicolas Moreau: Ce qu'on suivra dans les prochains épisodes : d'abord les benchmarks indépendants de Mistral Large 4 quand les poids sortiront fin octobre. Ensuite, la fiabilité réelle des agents — Wabi, Manus, Ana — sur des tâches sensibles, au-delà des promesses des makers. Et enfin, cette grande question de la gouvernance humaine : combien de temps avant qu'on la relâche ?

Claire Martin: Merci de nous avoir écoutés. On se retrouve très vite pour un nouveau tour des nouveautés.

Nicolas Moreau: À bientôt !