OrkStr

Netflix a utilisé l'IA sur 300 productions cette année. La citation clé de leur rapport que la plupart des fils X vont rater. C'est sorti ce soir dans le rapport Q2 de Netflix. Environ 300 films et séries ont intégré l'IA générative en 2026, à chaque étape : concept, pré-visualisation, post-production. La réaction immédiate sur X : "encore l'IA qui détruit l'industrie". Et pourtant Netflix dit noir sur blanc dans sa lettre aux actionnaires : "In some cases, productions would have had to leave out key shots and sequences in the absence of GenAI technology." Sans l'IA, ces scènes n'existaient tout simplement pas. Ce que ça a permis concrètement sur ces 300 productions : des foules de milliers de personnes qu'on ne peut pas rassembler physiquement, des reconstitutions de batailles historiques fidèles à l'époque, des plans de worldbuilding qui construisent un univers cohérent. Netflix cite trois titres : Glory (Inde), Brasil 70 (Brésil), The American Experiment (docusérie Révolution américaine). Le co-CEO Ted Sarandos a une ligne de partage que je trouve honnête : "I don't think faster and cheaper matters if it's not better." L'IA n'est pas là pour baisser la qualité en taillant dans les coûts. Elle est là pour rendre possible ce qui était impossible. Et ce mouvement ne vient pas de nulle part. Dans la pub, l'IA générative s'est imposée sur les packshots et les compositions d'images depuis 2023-2024. Les équipes marketing y sont déjà. La production de films et séries prend le même chemin, à bien plus grande échelle. Ce qui distingue Netflix, c'est la dimension industrielle de l'adoption. Ils ont racheté InterPositive, un studio IA spécialisé fondé par Ben Affleck, pour intégrer ces outils directement dans le pipeline de leurs créateurs. Ce n'est plus un partenariat test : c'est le signal que ça devient une brique de production standard. Un angle droit d'auteur et syndical reste ouvert sur tout ça, mais c'est un post à part entière. Ce n'est plus de l'IA dans la prod. C'est juste de la prod. Sources : Variety · The Verge · rapport Q2 Netflix, 16 juillet 2026

JUST IN: Netflix $NFLX says it used generative AI for ~300 movies and shows.

Hier Inkling. Aujourd'hui Kimi K3. Deux modèles open-weights à niveau frontier en deux jours consécutifs. Kimi K3, c'est Moonshot AI (Chine). 2,8 trillions de paramètres (MoE), poids libres, compatibles vLLM et SGLang. Performances officielles : niveau Fable 5 / GPT-5.6 Sol sur les benchmarks agents. Et premier sur SWE Marathon (42.0), devant Opus 4.8 (40.0), GPT-5.6 Sol (39.0) et Fable 5 (35.0). Sur les vrais benchmarks de code en conditions de production, Kimi K3 gagne. En API : $3/$15 par million de tokens, soit exactement le tarif de Sonnet 5. En self-hosted : poids libres (MIT), zéro exfiltration, données dans votre infra. Concrètement, une PME peut aujourd'hui accéder via API à un modèle qui surpasse Opus 4.8, au coût de Sonnet 5. Et si elle héberge les poids elle-même, ses données ne transitent ni chez un lab américain ni chez un lab chinois. Ce n'est pas anodin. Depuis juin : LongCat (Meituan), puis Inkling (Thinking Machines, hier, 6M vues), puis Kimi K3 (aujourd'hui). Trois modèles open-weights de niveau frontier en moins de deux mois. La cadence s'accélère. La stratégie "le frontier restera verrouillé et payant" prend l'eau. Le moat des labs fermés, c'était les capacités. Ces capacités sont maintenant libérées à un rythme que peu avaient anticipé. Ce que ça ne résout pas pour autant : accéder aux capacités est devenu le problème le plus simple de la chaîne. Intégrer, monitorer, faire tenir en production avec de vraies données métier, maintenir la qualité dans le temps, former les équipes, garder les outputs, ça c'est un autre sport entièrement. Le fossé ne se creuse plus entre petits et grands modèles. Il se creuse entre ceux qui savent transformer un accès frontier en valeur réelle en production, et ceux qui ont juste une clé API. Les modèles se commoditisent. L'ingénierie qui en fait quelque chose, non.

Meet Kimi K3

Mira Murati vient de lâcher Inkling. Et je crois que beaucoup de gens sous-estiment ce qui vient de se passer. Rappel : Mira Murati, c'est l'ex-CTO d'OpenAI. La femme qui a lancé GPT-4 et ChatGPT au monde. Elle a quitté OpenAI, fondé Thinking Machines, et aujourd'hui elle publie son premier modèle. Elle fait exactement ce qu'OpenAI refuse de faire. Elle ouvre les poids. Elle donne les clés. C'est le premier grand modèle open-weights américain de cette taille et de ce niveau de performance depuis très longtemps. Et ça vient de l'ancienne CTO d'OpenAI. Ce que ça signifie concrètement : vous pouvez télécharger ce modèle, le déployer dans votre infrastructure, l'adapter à vos données métier (vos documents internes, votre vocabulaire, vos cas d'usage). Vos données ne partent nulle part. Vous contrôlez tout. Inkling : 975 milliards de paramètres, 41 milliards actifs, texte, image, audio, 1 million de tokens de contexte. Et on parle d'un niveau de performance qui tourne autour du frontier. Depuis quelques mois, on assiste à une convergence intéressante : les meilleurs modèles open-weights (LongCat-2.0, GLM-5.2, maintenant Inkling) arrivent à un niveau qui était réservé aux modèles propriétaires il y a six mois. Et là, une ancienne CTO d'un des labs les plus fermés du monde sort un modèle open dans sa propre boîte. La question que ça pose pour une PME est directe : est-ce que vous avez encore besoin de confier vos données à une API fermée pour accéder à une IA de qualité ? Je ne dis pas que les modèles propriétaires sont morts. GPT-5.6 et Fable 5 restent en avance sur beaucoup de benchmarks. Mais le gap se résorbe vite, et les compromis changent. Inkling, c'est un signal de plus que la fenêtre où "frontier = fermé" se referme. Il y a douze mois, choisir open-weights signifiait accepter une performance inférieure. Aujourd'hui, l'ex-CTO d'OpenAI sort un modèle open. Et elle ne le fait pas pour perdre.

Deux poids lourds. La même semaine. Le même sujet. Ce matin, Demis Hassabis publie un essai qui fait 4,2 millions de vues en quelques heures. Richard Sutton a lancé Oak Lab pour inventer de nouveaux algorithmes vers l'AGI depuis zéro. Ces deux personnes n'ont rien à prouver. Elles ont tout construit. Hassabis dirige Google DeepMind. Nobel de chimie pour AlphaFold. Trente ans à ce problème. Il écrit que l'AGI est "probablement à quelques courtes années". Puis il propose quelque chose de concret : créer un équivalent américain de la FINRA pour les modèles frontier. Un organisme d'audit indépendant qui testerait les capacités cyber, bio, nucléaire de chaque modèle avant déploiement. Ce n'est pas une tribune d'opinion de plus. C'est un blueprint institutionnel. Et c'est précisément le type de gouvernance que le scénario AI 2040, publié la semaine dernière, identifie comme la condition nécessaire du "bon futur". La même équipe qui avait prédit 2027 avec une précision déconcertante dit aujourd'hui que le seul plan viable implique un accord international de transparence et d'audit sur l'IA frontier. Hassabis ne les cite pas. Mais il arrive au même endroit. Sutton est le chercheur qui a posé les bases mathématiques du reinforcement learning. Il a co-écrit le manuel de référence que tous les étudiants en IA ont ouvert. Son Oak Lab travaille sur une chose précise : des algorithmes capables d'apprendre à partir de l'expérience en temps réel, comme un humain, au lieu d'ingérer des teraoctets de texte figé avant d'être déployés. Les LLMs apprennent avant d'exister. Oak Lab cherche des modèles qui apprennent en existant. Quand elles bougent comme ça la même semaine, ce n'est pas du bruit. Ce que ça change pour les entreprises en ce moment : la fenêtre pour développer une vraie culture IA interne est plus courte qu'on ne le pensait. Pas parce que tout bascule demain. Mais parce que les organisations qui auront construit leurs réflexes dans les 2-3 prochaines années seront autrement mieux placées pour absorber ce qui vient. Concrètement : une équipe qui a déjà automatisé ses rapports hebdomadaires, ses synthèses de réunions, sa première ligne de support, n'a pas peur du prochain modèle. Elle l'intègre. Quand les fondateurs ne parient plus sur "plus tard", la stratégie "on verra plus tard" commence à ressembler à un pari.

Deux poids lourds. La même semaine. Le même sujet. Ce matin, Demis Hassabis publie un essai qui fait 4,2 millions de vues en quelques heures. Richard Sutton a lancé Oak Lab pour inventer de nouveaux algorithmes vers l'AGI depuis zéro. Ces deux personnes n'ont rien à prouver. Elles ont tout construit. Hassabis dirige Google DeepMind. Nobel de chimie pour AlphaFold. Trente ans à ce problème. Il écrit que l'AGI est "probablement à quelques courtes années". Puis il propose quelque chose de concret : créer un équivalent américain de la FINRA pour les modèles frontier. Un organisme d'audit indépendant qui testerait les capacités cyber, bio, nucléaire de chaque modèle avant déploiement. Ce n'est pas une tribune d'opinion de plus. C'est un blueprint institutionnel. Et c'est précisément le type de gouvernance que le scénario AI 2040, publié la semaine dernière, identifie comme la condition nécessaire du "bon futur". La même équipe qui avait prédit 2027 avec une précision déconcertante dit aujourd'hui que le seul plan viable implique un accord international de transparence et d'audit sur l'IA frontier. Hassabis ne les cite pas. Mais il arrive au même endroit. Sutton est le chercheur qui a posé les bases mathématiques du reinforcement learning. Il a co-écrit le manuel de référence que tous les étudiants en IA ont ouvert. Son Oak Lab travaille sur une chose précise : des algorithmes capables d'apprendre à partir de l'expérience en temps réel, comme un humain, au lieu d'ingérer des teraoctets de texte figé avant d'être déployés. Les LLMs apprennent avant d'exister. Oak Lab cherche des modèles qui apprennent en existant. Quand elles bougent comme ça la même semaine, ce n'est pas du bruit. Ce que ça change pour les entreprises en ce moment : la fenêtre pour développer une vraie culture IA interne est plus courte qu'on ne le pensait. Pas parce que tout bascule demain. Mais parce que les organisations qui auront construit leurs réflexes dans les 2-3 prochaines années seront autrement mieux placées pour absorber ce qui vient. Concrètement : une équipe qui a déjà automatisé ses rapports hebdomadaires, ses synthèses de réunions, sa première ligne de support, n'a pas peur du prochain modèle. Elle l'intègre. Quand les fondateurs ne parient plus sur "plus tard", la stratégie "on verra plus tard" commence à ressembler à un pari.

Un problème de théorie des cordes bloqué depuis 6 mois. Fable 5 l'a résolu en une conversation. Yuji Tachikawa, chercheur en physique mathématique et théorie des cordes au Japon, l'a écrit lui-même : "J'avais un projet collaboratif sans progrès depuis environ six mois. Sur un coup de tête, j'ai montré mes notes à Fable et lui ai demandé son avis. À ma grande surprise, il a fait une observation non triviale et a essentiellement résolu le problème." Il détaille comment ça s'est passé : il a dit à Fable 5 qu'il avait réfléchi et essayé mais que ça n'avait pas marché, et lui a demandé si ça pouvait quand même fonctionner. Fable 5 a élargi l'approche et l'a résolu brillamment. Il a aussi utilisé SymPy pour écrire du code et vérifier ses propres prédictions. Sur la compréhension et l'intuition, Tachikawa est précis, et sa position est intéressante. Il pense lui-même que l'intuition n'existe pas, même chez les humains, et que la compréhension est une illusion. Ce n'est pas un concept qu'il mobilise pour les machines. Il ne serait donc pas surpris que les machines deviennent plus intellectuellement capables que les humains. Mais voilà ce qu'il écrit quand même : "Pour ceux qui croient que des choses comme la compréhension ou l'intuition existent, Fable semble vraiment comprendre la théorie des cordes et avoir de l'intuition aussi. C'est mon impression." C'est une formulation philosophiquement honnête et assez percutante : un physicien qui nie le concept même d'intuition chez les humains dit que pour ceux qui y croient, Fable en a une. Ce n'est pas un enthousiaste qui s'emballe. C'est quelqu'un qui choisit ses mots très soigneusement. Ce qu'on observe ici n'est pas une amélioration du moteur de recherche. C'est un système de raisonnement qui a identifié une brèche dans un problème que des cerveaux humains qualifiés n'avaient pas trouvée en six mois. Ses tweets ont été supprimés depuis. Trop d'attention pour ce qu'il voulait juste partager en tant que chercheur. L'observation ne s'efface pas : six mois de blocage, une conversation.

We are entering a completely new era of science Here is Yuji Tachikawa from Japan (Mathematical Physics, String Theory, QFT) on recent progress in his own work using Fable 5 : "I've been trying out Claude Fable recently, and last night, on a whim, I showed it my research notes about a collaborative project that's seen no progress in the past six months or so and asked for its thoughts. To my surprise, it made a non-trivial observation and essentially solved it." "I was also surprised that it was using sympy to automatically write code and verify his own predictions." "Fable probably seems like it properly understands string theory and has intuition too—that's my impression"

The first experimental evidence of recursive self-improvement (RSI). Autoresearching the autoresearch agent for eight days. The result beats the harness we hand-tuned for two years, on held-out benchmarks: 🧵(1/7)

AI 2040 has been released! What a day. AI 2027 was probably the most forward-looking blog about the future, and much of it has come to pass with remarkably accurate timing. Alongside Aschenbrenner’s “Situational Awareness,” it is probably the most important blog for theoretically preparing ourselves for the future. That makes me all the more excited about AI 2040! I’m going to read it immediately, and I can only recommend that you do the same.

Un chercheur a tapé un prompt vague de quelques lignes. GPT-5.6 Sol a trouvé les configs, réservé les GPU, lancé le script, et post-entraîné Luna. Tout seul. Pendant le live. C'est l'image qui résume ce qu'OpenAI a sorti aujourd'hui. Voilà tout ce qui s'est passé. GPT-5.6, c'est trois modèles : Sol pour les tâches les plus dures, Terra pour le quotidien, Luna pour les gros volumes. Le chiffre (5.6) c'est la génération. Sol/Terra/Luna c'est le niveau de capacité. Ces niveaux évoluent indépendamment, donc dans quelques mois il y aura un Sol encore plus capable sans forcément passer à un "5.7". C'est une logique de tiers durables, pas de versioning linéaire. Les benchmarks ? Sol bat Fable 5 de 12 points sur Agents' Last Exam, l'éval sur les workflows professionnels longues durées, à environ deux fois moins cher. Terra et Luna battent Fable 5 à environ un seizième du coût. C'est là que ça change vraiment le calcul pour les équipes. Ultra Mode, et c'est là où beaucoup vont passer à côté. Ultra, ce n'est pas "le modèle en mode turbo". C'est 4 agents qui travaillent en parallèle sur votre tâche, comme une équipe. Ils se répartissent le travail, avancent en simultané, et synthétisent ensemble. Résultat plus fort, plus rapide. Disponible Pro et Enterprise dans ChatGPT Work, Plus et au-dessus dans Codex. ChatGPT Work, c'est la vraie nouveauté produit de ce lancement. Pas une mise à jour. Un nouveau mode conçu pour les tâches sérieuses. Web, mobile, desktop. Il se connecte à Slack, Gmail, Notion, Google Drive, Microsoft 365. Il planifie des tâches. Il génère des visualisations interactives. Et surtout il produit des "Sites" : des dashboards ou mini-apps Web qu'on peut partager à son équipe en un clic. Question ouverte pour les équipes EU : résidence des données, conformité RGPD avec ces connecteurs (Slack, Gmail, Notion, Google Drive, Microsoft 365), à vérifier avant déploiement. Pendant la démo, l'équipe finance d'OpenAI a fait tourner une analyse de variance sur Excel, actualisé un PowerPoint, généré un site interactif avec les mêmes données, et envoyé le lien sur Slack. Depuis une seule conversation. En moins de 3 minutes. L'app desktop va encore plus loin. Elle a accès à vos fichiers locaux, vos onglets Chrome, et vos autres apps. Pendant la démo live, l'IA a fait apparaître son propre curseur (pas le vôtre) et a réorganisé Apple Notes pendant que l'utilisateur vaquait à autre chose. Concrètement pour une équipe : pendant votre réunion, l'IA traite vos notes en arrière-plan, classe vos fichiers, prépare le compte-rendu. Computer use intégré directement dans l'app, sans plugin supplémentaire. Sur la cybersécurité, les chiffres sont franchement impressionnants, même pour quelqu'un qui suit le sujet de près. GPT-5.5 faisait 47.9% sur ExploitBench. GPT-5.6 Sol fait 73.5%. Sur Capture-the-Flag, 96.7% (chiffres OpenAI, benchmarks tiers indépendants attendus). Ce sont des benchmarks de pentest réel, pas des QCM. Via Project Daybreak, le programme de recherche en sécurité offensive interne d'OpenAI, ils ont trouvé des failles dans tous les navigateurs majeurs et bases de données. Et Linux a accepté plus de la moitié de leurs patches générés automatiquement. Deux choses m'ont frappé dans ce live. La première : les démos étaient des cas d'usage réels de leurs propres équipes (finance, design, recherche), pas des exemples montés pour l'occasion. Le live lui-même a été produit avec Codex. Le slide deck aussi. L'usage de tokens de coding a été multiplié par 100 en 6 mois chez OpenAI, l'usage agentique par 22. La deuxième : les prix. Sol à 5$/M tokens en entrée, Terra à 2.50$, Luna à 1$. Pour les équipes qui veulent construire des workflows agentiques sérieux, ça change le calcul vs les alternatives. Ce que ça implique pour les équipes : le vrai seuil n'est plus la qualité brute du modèle. C'est la capacité à connecter les outils que l'équipe utilise déjà. ChatGPT Work coche ça directement avec Slack, Notion, Google Drive. Ce qui va bloquer les PME, ce n'est pas le modèle, c'est l'orchestration des workflows autour. On passe du "quel modèle choisir" au "comment ce modèle s'intègre dans mon équipe". C'est là le vrai travail maintenant.

Today. 10am PT.

La stratégie Meta sur l'IA c'était : open-source, hébergez vous-mêmes. Muse Spark 1.1 change ça. C'est leur premier modèle propriétaire avec une vraie API payante, disponible depuis aujourd'hui en public preview via la Meta Model API. Ce que le modèle fait : il orchestre des agents en parallèle, s'adapte à des outils inconnus sans avoir été entraîné dessus, navigue des interfaces d'apps tierces et code de bout en bout. Meta l'annonce en clair : zero-shot generalization à de nouveaux outils, délégation à des sous-agents en parallèle, gestion de sessions longues sur plusieurs apps simultanément. Concrètement : orchestration d'une séquence prospection CRM + rédaction + envoi en parallèle, sans entraînement préalable sur votre stack. Sur les benchmarks, les chiffres sont nets. Numéro 1 sur MCP Atlas (benchmark d'utilisation d'outils à grande échelle, cadre Meta), avec 88.1. Devant Opus 4.8 (82.2) et GPT 5.5 (75.3). Numéro 1 aussi sur JobBench, tool use professionnel : 54.7 contre 48.4 pour Opus. 2e sur le benchmark interne de Meta en coding, serré : 68.3 contre 69.0 pour Opus 4.8. (Benchmarks publiés par Meta — pas encore vérifiés de manière indépendante à ce stade.) Pricing API : $1.25 par million de tokens en entrée, $4.25 en sortie, $0.15 en cache. Web search grounding à $2.50 pour 1000 requêtes. Ce que ça signifie vraiment : Meta joue maintenant sur deux tableaux. Llama reste open-source pour ceux qui veulent héberger eux-mêmes. Muse Spark est propriétaire et payant pour ceux qui veulent l'API clé en main. C'est le même virage qu'Anthropic et OpenAI il y a 2-3 ans, mais avec une infrastructure data que personne d'autre ne peut aligner derrière. Le modèle tourne déjà en interne chez Meta pour leurs propres workflows de dev et d'évaluation. C'est rarement annoncé aussi directement. Pour les équipes qui choisissent une API aujourd'hui, un point à garder en tête : Meta reste une entreprise US, et la résidence des données pour les équipes européennes n'est pas encore clarifiée. Le risque de lock-in sur une API propriétaire Meta est aussi à peser, surtout quand Llama open-source existe en alternative. Ce qui est clair dès aujourd'hui : sur les tâches agentiques, vous avez un troisième choix sérieux avec un pricing compétitif. Le reste dépend de votre contexte réglementaire et de votre tolérance à la dépendance fournisseur.