L'IA a évolué au-delà des LLM de base. Nous entrons dans l'ère des systèmes autonomes qui peuvent planifier, décider et agir avec un minimum d'intervention humaine. Cette évolution a donné naissance à l'IA agentive, des systèmes conçus pour poursuivre des objectifs, s'adapter à l'évolution des conditions et exécuter des tâches complexes.
Une étude systématique de l'ingénierie de contexte pour les données structurées, impliquant 9 649 expériences sur 11 modèles, 4 formats et des schémas allant de 10 à 10 000 tables. Les modèles de pointe (Opus 4.5, GPT-5.2, Gemini 2.5 Pro) surpassent les modèles open source leaders, bénéficiant d'une récupération de contexte basée sur le système de fichiers.
Séparer la logique de l'inférence améliore l'évolutivité des agents IA en découplant les flux de travail de base des stratégies d'exécution. Cela permet de mieux gérer la fiabilité des modèles de langage, qui sont stochastiques par nature.
Les entreprises doivent gérer les risques liés aux agents IA. Le guide propose des solutions de gouvernance pour sécuriser ces systèmes agentiques complexes et évolutifs.
OpenAI déploie une version personnalisée de ChatGPT sur la plateforme GenAI.mil, offrant une IA sécurisée et sûre aux équipes de défense américaines.
Cloudflare a lancé Moltworker, une solution open source permettant d'exécuter Moltbot, un agent IA personnel auto-hébergé, sur sa plateforme de développement. Moltbot agit comme un assistant personnel dans les applications de chat, s'intégrant à des modèles IA, des navigateurs et des outils tiers tout en gardant le contrôle de l'utilisateur.
L'auteur montre comment des modèles plus petits et efficaces, la génération de données synthétiques et une ingénierie disciplinée permettent de créer des systèmes d'IA basés sur les LLM malgré des contraintes de ressources sévères. Les limitations d'infrastructure et de calcul peuvent stimuler l'innovation.