1.22.1. Vous ne devez pas créer un personnage destiné à fournir des conseils médicaux ou en santé mentale.
1.22.2. Vous ne devez pas créer un personnage qui imite ou fait semblant d’être une personne (notamment un rendez-vous, un partenaire romantique ou un compagnon intime).
1.22.3. Vous ne devez pas contourner ou affaiblir nos systèmes de sécurité, par exemple en concevant votre personnage pour dépasser nos restrictions de contenu.
Sur Internet, l’idée de l’outil amuse: certains plaisantent sur le fait d’automatiser leurs collègues… avant eux-mêmes. Mais la viralité de Colleague Skill a aussi déclenché un débat sur la dignité des travailleurs et l’identité à l’ère de l’IA.
Après l’avoir vu sur les réseaux sociaux, Amber Li, 27 ans, ingénieure à Shanghai, s’en est servie pour reconstituer un ancien collègue dans le but d’en faire un test personnel. En quelques minutes, l’outil a généré un document décrivant la façon dont cette personne travaillait. « C’est étonnamment bien », dit-elle, notamment parce que cela reflète des habitudes et des détails comme sa manière de répondre ou sa façon de ponctuer. Elle peut ainsi créer un “nouveau collègue” sous forme d’agent IA pour l’aider à déboguer son code et répondre immédiatement. Elle décrit toutefois un sentiment étrange, presque inconfortable.
Malgré cela, remplacer des collègues par des agents pourrait devenir plus courant. En Chine, après le succès d’outils similaires, certains employeurs encouragent déjà les équipes à expérimenter ces technologies. Pour l’instant, les salariés interrogés jugent l’utilité réelle limitée dans le travail au quotidien. L’un des moyens de combler ce décalage consiste justement à demander aux employés de formaliser leurs tâches et méthodes, comme le fait Colleague Skill.
Selon Hancheng Cao, chercheur qui étudie l’IA et le travail, les entreprises ont aussi des raisons plus concrètes que l’effet de mode: elles accumulent de l’expérience interne et obtiennent des données plus fines sur les savoir-faire, les façons de faire et les décisions des employés. Cela aide à déterminer ce qui peut être standardisé—et ce qui doit rester du jugement humain.
Mais pour les travailleurs, créer des “agents” ou des schémas de travail peut sembler déstabilisant. Un développeur interrogé anonymement a expliqué que l’entraînement d’une IA sur son propre fonctionnement l’a fait se sentir “réduit”, comme si son travail se transformait en blocs faciles à remplacer. Sur les réseaux sociaux, certains répondent avec une ironie sombre, suggérant que transformer ses collègues en tâches pourrait rendre la transition plus supportable—pour eux comme pour la suite.
OpenAI déploie une exécution en environnement “sandbox” pour aider les entreprises à automatiser des workflows tout en gardant un contrôle maîtrisé des risques.
Jusqu’ici, faire passer des systèmes du prototype à la production posait des compromis : les frameworks indépendants du modèle apportaient de la flexibilité, mais exploitaient mal les capacités des modèles les plus avancés. Les SDK liés au fournisseur restaient plus proches du modèle, mais offraient souvent une visibilité insuffisante sur le “contrôle” du système.
Les API d’agents managés ont aussi simplifié le déploiement, tout en limitant fortement où ces systèmes pouvaient s’exécuter et comment ils accédaient aux données sensibles. Pour répondre à cela, OpenAI met à jour le Agents SDK avec une infrastructure standardisée : un “harness” natif adapté au modèle et une exécution en sandbox.
Cette approche améliore la fiabilité, notamment quand des tâches nécessitent la coordination entre plusieurs systèmes. Oscar Health illustre ce gain d’efficacité sur des données non structurées.
Le groupe de santé a testé la nouvelle infrastructure pour automatiser un processus lié aux dossiers cliniques, que les solutions précédentes géraient de façon trop peu fiable. L’objectif était d’extraire des métadonnées correctes tout en comprenant précisément les limites de chaque séquence de soins dans des documents médicaux complexes. En automatisant cette tâche, l’établissement peut analyser plus rapidement les historiques des patients, accélérer la coordination des soins et améliorer l’expérience globale.
Rachael Burns, Staff Engineer et AI Tech Lead chez Oscar Health, explique : « Le Agents SDK mis à jour a rendu notre automatisation de workflow clinique directement exploitable en production. La vraie différence, ce n’était pas seulement d’extraire les bonnes métadonnées, mais aussi de bien comprendre les frontières de chaque rencontre dans des dossiers longs et complexes. »
Pour déployer de tels systèmes, les équipes doivent gérer la synchronisation des bases vectorielles, réduire le risque d’hallucinations et optimiser un calcul coûteux. Sans cadre standard, elles finissent souvent par construire des connecteurs sur mesure difficiles à maintenir.
Le “harness” natif réduit ces frictions : gestion configurable de la mémoire, orchestration compatible avec les sandbox, et outils de type “filesystem” (inspirés de Codex). Les développeurs peuvent aussi intégrer des primitives standardisées, comme l’usage d’outils via MCP, des instructions via AGENTS.md et des modifications de fichiers via apply_patch.
En plus, des mécanismes de “progressive disclosure” (via skills) et l’exécution de code via un outil de shell permettent d’enchaîner des étapes complexes de manière plus structurée. L’objectif est de limiter le temps consacré à l’infrastructure de base afin de se concentrer sur la logique métier.
Pour intégrer un programme autonome dans un système existant, il faut un routage précis. Quand l’agent manipule des données non structurées, il dépend fortement de mécanismes de récupération (retrieval) pour obtenir le contexte utile.
Le SDK introduit donc une abstraction de Manifest : elle standardise la description de l’espace de travail (montage de fichiers locaux, dossiers de sortie). Les environnements peuvent être reliés à des stockages d’entreprise (AWS S3, Azure Blob Storage, Google Cloud Storage, Cloudflare R2), afin que l’agent sache où trouver les entrées et où écrire les sorties durant l’exécution.
Cette prévisibilité évite que le système interroge des “data lakes” non filtrés : il reste limité à des fenêtres de contexte validées. Les équipes de gouvernance peuvent ensuite suivre la provenance de chaque décision automatisée, depuis les prototypes jusqu’au déploiement en production.
Le SDK supporte nativement l’exécution en sandbox : les programmes tournent dans des environnements contrôlés, avec les fichiers et dépendances nécessaires. Les équipes n’ont plus besoin de construire manuellement toute la couche d’exécution : elles peuvent utiliser des sandboxes construites sur mesure ou des options intégrées, selon les fournisseurs pris en charge (notamment Blaxel, Cloudflare, Daytona, E2B, Modal, Runloop, Vercel).
La réduction du risque est centrale : tout système qui lit des données externes ou exécute du code généré doit être considéré comme exposé à des attaques par prompt-injection et à des tentatives d’exfiltration.
OpenAI répond à cela en séparant le “contrôle” (control harness) du calcul (compute). Les identifiants restent isolés, donc hors des environnements où s’exécute le code généré. Ainsi, une commande malveillante injectée ne peut pas accéder au plan de contrôle ni voler des clés API sensibles, ce qui limite les mouvements latéraux au sein du réseau de l’entreprise.
Cette séparation aide aussi à limiter les coûts : si une tâche échoue en cours de route (timeouts réseau, crash de conteneur, limites d’API), l’agent peut reprendre sans repartir de zéro. Grâce à des mécanismes de snapshotting et rehydration, l’état peut être restauré dans un environnement neuf et la tâche reprendre depuis le dernier point de contrôle.
Pour passer à l’échelle, l’architecture permet d’allouer dynamiquement des ressources : lancer une ou plusieurs sandboxes selon la charge, isoler des sous-agents et paralléliser des exécutions dans plusieurs conteneurs.
Ces nouveautés sont disponibles via l’API, avec une tarification standard basée sur les tokens et l’usage des outils (sans accords de procurement spécifiques). Le déploiement commence avec Python ; le support TypeScript est prévu pour une prochaine version.
OpenAI prévoit aussi d’ajouter d’autres fonctions, comme le “code mode” et des sous-agents, pour Python et TypeScript, et d’étendre l’écosystème (nouveaux fournisseurs de sandbox, méthodes plus faciles pour brancher le SDK aux systèmes internes).
L’instance phare de Mastodon a été visée lundi par une attaque par déni de service distribué (DDoS), rendant le site parfois indisponible.
Une partie importante de la plateforme affichait des erreurs ou une page d’arrêt à plein écran.
Les responsables du réseau social décentralisé ont indiqué avoir commencé à analyser l’attaque. Vers 9 h 05 (heure de l’Est), ils ont annoncé avoir mis en place une contre-mesure et que l’accès était redevenu possible, tout en prévenant que des perturbations pouvaient persister tant que l’attaque continuait.
Cet incident survient quelques jours après que Bluesky a en grande partie résolu des coupures liées à une DDoS qui avait duré plusieurs jours. De son côté, l’attaque de Bluesky ne semble plus avoir empêché le service de fonctionner correctement depuis un moment, même si le DDoS n’était pas totalement terminé.
Contactés, les représentants de Mastodon n’ont pas précisé immédiatement la cause de l’attaque.
Les attaques DDoS consistent à submerger les serveurs d’un service web avec un volume massif de requêtes, afin de les ralentir ou de les rendre indisponibles. Elles ne visent pas directement le vol de données, mais impactent fortement l’accès pour les utilisateurs.
Ces attaques sont devenues plus puissantes au fil des années : Cloudflare estime par exemple avoir bloqué une des plus grosses attaques jamais observées, culminant à près de 29,7 térabits par seconde.
Dans le cas de réseaux sociaux décentralisés, les DDoS peuvent causer des instabilités sans toucher tout le monde. Pour Bluesky, certains comptes hébergés chez d’autres fournisseurs compatibles n’ont pas été affectés. Pour Mastodon, l’attaque viserait pour l’instant surtout le serveur principal (mastodon.social), et non l’ensemble des petites instances du réseau.
Après sa victoire 4-2 contre Stuttgart, qui lui permet de décrocher le titre de Bundesliga, Harry Kane a rappelé que le Bayern Munich “avait encore beaucoup à jouer” cette saison.
L’international anglais a été remplacé à la pause et a inscrit son 31e but, portant son total à 51 réalisations toutes compétitions confondues. C’est le meilleur bilan d’un joueur d’un club du “top 5” européen sur l’exercice 2025-26, surpassant même Erling Haaland (52) en 2022-23.
Pour Kane, cette réussite récompense à la fois l’efficacité offensive et la détermination du groupe. Il a insisté sur la dynamique collective: “On continue de pousser du premier au dernier match.” Malgré le titre, il estime que “d’autres compétitions restent ouvertes” et que le travail accompli rend cette victoire encore plus précieuse.
En plus de Kane, Michael Olise et Luis Díaz totalisent 94 contributions aux buts entre eux cette saison, un record en Bundesliga pour un trio depuis 1988. Kane a aussi salué la complicité: la relation se renforce à chaque rencontre à l’entraînement comme sur le terrain.
Le Bayern est désormais à l’approche de deux échéances majeures. En Coupe d’Allemagne, il affrontera le Bayer Leverkusen en demi-finale. En Ligue des champions, le club croisera ensuite le Paris Saint-Germain au même stade de la compétition.
Vincent Kompany, qui a déjà remporté avec le club son 34e et 35e couronne nationales en Bundesliga, a affiché la même envie de continuer. “Les chiffres sont beaux, mais ce n’est pas fini”, a-t-il déclaré, avant d’ajouter que tout se joue aussi sur la mentalité et l’intensité, que ce soit en préparation ou en matches décisifs.
Pour suivre les matchs dans de bonnes conditions à la maison, beaucoup de supporters apprécient aussi un téléviseur 4K pensé pour le sport et un barre de son afin d’améliorer le rendu des commentaires et de l’ambiance du stade.
Le troisième vol du lanceur lourd New Glenn de Blue Origin a débuté dimanche avec le premier revol réussi d’un booster de classe orbitale, avant de se terminer par un incident pour la fusée phare de Jeff Bezos — un élément important du programme lunaire Artemis de la NASA.
D’une hauteur de 98 mètres (321 pieds), New Glenn a allumé ses sept moteurs BE-4 au méthane à 7 h 25 (EDT) (11 h 25 UTC), amorçant une montée progressive depuis son pas de tir à Cap Canaveral Space Force Station en Floride.
Après environ une minute et demie, les moteurs ont propulsé le lanceur au-delà du mur du son. Trois minutes après le décollage, l’étage propulsif a interrompu sa poussée et s’est détaché de l’étage supérieur, qui poursuivait la trajectoire grâce à deux moteurs BE-3U alimentés au carburant hydrogène liquide et oxygène liquide.
Les moteurs de première étage ont ensuite suivi une trajectoire balistique puis, après un bref passage en altitude, le booster s’est dirigé vers la plateforme de récupération de Blue Origin dans l’Atlantique, à environ 400 miles (près de 640 km) au sud-est de Cap Canaveral. Deux manœuvres de freinage ont permis au booster d’effectuer un atterrissage contrôlé sur la barge, moins de 10 minutes après le décollage, avec une retombée de fumée.
Cet atterrissage a clôturé le deuxième vol du booster baptisé “Never Tell Me the Odds”. Il avait déjà connu un atterrissage réussi lors de sa première mission, en novembre. Blue Origin, fondée et détenue par Jeff Bezos (Amazon), réutilise déjà fréquemment son lanceur suborbital New Shepard, mais New Glenn représente un défi plus ambitieux : il monte plus haut, atteint des vitesses plus élevées et mesure environ trois fois la hauteur de New Shepard.
Pour ce vol du dimanche, l’équipe a remplacé des moteurs, tout en indiquant son intention de réutiliser les moteurs de la mission de novembre pour des lancements ultérieurs, selon Dave Limp, le PDG de Blue Origin.
Avec New Glenn, Blue Origin vise un marché plus large, des missions vers la basse orbite terrestre jusqu’à des destinations plus lointaines. SpaceX a déjà démontré la réutilisation rapide de ses boosters Falcon 9, et Blue Origin espère que la cadence de lancement pourra s’accélérer grâce au réemploi des éléments de New Glenn.
Roberto De Zerbi, entraîneur de Tottenham, assure avoir déjà un lien particulier avec Xavi Simons. Les Spurs étaient tout près de quitter la zone de relégation samedi, mais ont concédé un but dans le temps additionnel pour terminer sur un nul 2-2 à domicile contre Brighton, ancien club de De Zerbi.
Simons a lancé la rencontre pour Tottenham : il a d’abord servi Pedro Porro, puis a touché la barre avant de relancer son équipe avec un tir somptueux à la 77e minute. Par son parcours, De Zerbi estime bien connaître le rôle et la manière d’en tirer le meilleur, d’autant que Simons évolue dans un secteur qu’il a lui-même occupé autrefois.
« Il a de la chance de travailler avec moi… pas parce que je suis bon, mais parce que j’étais numéro 10 », a expliqué De Zerbi. Il insiste sur le fait qu’un meneur doit être décisif : « Il faut marquer et créer des occasions. »
Depuis sa prise de fonctions en remplacement d’Igor Tudor, De Zerbi n’a récolté qu’un point sur six possibles. Tottenham reste à un point du maintien, mais pourrait retomber davantage dans la course au sauvetage si West Ham s’impose face à Crystal Palace.
À l’arrivée de De Zerbi, Simons avait déjà montré des qualités qui se confirment : cette saison, il compte deux buts et cinq passes décisives en 27 matchs de championnat, après son transfert de 52 millions de livres depuis le RB Leipzig. Son but a finalement été annulé par Georginio Rutter, entré en jeu pour Brighton et auteur de l’égalisation cinq minutes après les 90 minutes.
De Zerbi se montre convaincu de l’évolution du Néerlandais : « Il a très bien joué, mais il peut faire encore mieux. Un joueur comme lui a besoin de confiance, et je vais rester là pour lui donner celle dont il a besoin. »
Pour suivre le rythme des matchs en confort, beaucoup de supporters s’équipent avec une manette de jeu moderne comme la manette sans fil PlayStation DualSense ou améliorent leur installation audio avec un casque Bluetooth à faible latence pour ne rien manquer des phases clés.
Tesla affirme avoir lancé un service de robotaxi à Dallas et Houston le week-end dernier. Toutefois, les données agrégées en ligne suggèrent que très peu de véhicules seraient réellement disponibles.
À la soirée de dimanche, le service semblait largement indisponible selon Robotaxi Tracker, qui recense les offres de covoiturage autonome. On a observé de courts pics de disponibilité en fin de journée, puis, dès lundi matin, l’accès était indiqué comme « indisponible » dans les deux villes. En comparaison, à Austin, le tracker fait état de 46 robotaxis disponibles. Les zones couvertes seraient aussi assez limitées : environ 31 miles carrés à Dallas et 25 à Houston.
Ce type de déploiement progressif est courant. Waymo, par exemple, a aussi démarré dans de nouvelles villes avec peu de véhicules avant d’élargir son réseau.
Rien ne garantit toutefois que Tesla augmentera rapidement le nombre de voitures. Le timing, à quelques jours de la publication de ses résultats du premier trimestre, alimente aussi les critiques, certains y voyant une opération visant à soutenir le cours de l’action.
La question de la sécurité reste également au centre des débats. En février, Tesla a indiqué que ses robotaxis avaient été impliqués dans 14 accidents depuis le lancement de l’an dernier. Comme pour d’autres éléments du reporting, plusieurs détails ne sont pas divulgués, ce qui rend l’évaluation plus difficile.
À Dallas, des réactions initiales ne rassurent pas forcément : un utilisateur de X a publié une vidéo montrant un robotaxi non supervisé s’engageant à tort sur une voie rapide, avant qu’une prise en main à distance ne soit nécessaire pour trouver un endroit où s’arrêter.
La Federal Aviation Administration (FAA) a cloué au sol la fusée New Glenn de Blue Origin après une mission du dimanche qui a envoyé la charge utile sur une mauvaise orbite, selon un rapport de l’Orlando Sentinel. La FAA indique avoir constaté un incident pendant la séquence de vol de l’étage supérieur, après un décollage jugé réussi.
Le lancement depuis Cap Canaveral (Floride) a bien eu lieu et le booster réutilisable est revenu sur sa base sans problème. En revanche, l’étage supérieur n’a pas correctement placé le satellite BlueBird 7 d’AST SpaceMobile. L’entreprise affirme que le satellite a été mis sur une orbite trop basse pour fonctionner et qu’il devra être désorbité.
Blue Origin a indiqué que le second étage a coupé ses moteurs et est entré dans une phase de “coast” une fois atteint une orbite “hors nominal”, sans préciser la cause ni la date de retour. Des observations d’objets en orbite existent, mais il reste incertain s’il s’agit du satellite ou de l’étage supérieur. La FAA et Blue Origin n’ont pas répondu à des demandes de commentaires à ce stade.
Un robot écarlate autonome, baptisé « Lightning », a terminé dimanche à Pékin une course de 13 miles en 50 minutes et 26 secondes. Il a fait nettement mieux que l’année précédente, où le meilleur robot avait mis deux heures et 40 minutes. D’après Du Xiaodi, l’un des ingénieurs ayant participé au développement de Lightning chez le fabricant de smartphones Honor, le robot a été conçu pendant un an : il est équipé de jambes d’environ 90 à 95 cm et d’un système de refroidissement liquide inspiré de la technologie des téléphones.
Lightning a non seulement remporté la course et devancé les 12 000 coureurs humains, mais aussi dépassé le record du monde humain de 57 minutes et 20 secondes, détenu par le coureur ougandais Jacob Kiplimo.
Lors de l’édition précédente, seuls six robots sur 21 étaient parvenus à finir le semi-marathon, sans vraiment inquiéter les meilleurs. Cette année, 300 robots issus de 102 équipes ont participé : 47 équipes ont réussi à aller au bout, dont 18 avec des robots autonomes et 29 pilotés à distance.
Le meilleur humain de l’année est arrivé presque 20 minutes après Lightning, en 1 h 7 min et 47 s, et aucun coureur n’a atteint le podium. Les trois performances les plus rapides figurent parmi des robots Lightning.
Selon un bilan de presse, les deuxième et troisième places reviennent à d’autres modèles autonomes Lightning, respectivement en 51 min 53 s et 51 min 53 s. Un Lightning piloté à distance a aussi réalisé le meilleur temps global (48 min 19 s), mais les résultats auraient été établis selon des pondérations différentes selon les catégories.
