Le carnet de veille

L’observatoire.

IA, agents, machines. Des faits sourcés, et ce que j’en retiens.

Dernier signal · 2 oct. 2026

Les signaux.

/ Hardware & edge

Le local AI se segmente par besoin mémoire

NVIDIA ajoute une configuration DGX Spark 64 Go, annoncée pour le 23 octobre, en conservant la logique d'agents locaux et la possibilité de regrouper deux machines.

Ma lectureLa question n'est plus seulement « cloud ou local », mais quelle capacité mémoire, quelle bande passante et quel écosystème logiciel pour le modèle réellement utilisé.

NVIDIA ↗

/ Physical AI

Robotique d’inspection : relier le constat à la maintenance

Le 1er octobre, ANYbotics a annoncé Shift, évolution de Data Navigator. La plateforme réunit missions des robots, données d’inspection et systèmes de maintenance. L’intégration de signaux DCS/SCADA fait partie de la version 1.0 annoncée pour octobre.

Ma lectureLe point à évaluer est la traçabilité entre équipement, mesure, anomalie et décision de maintenance. L’ouverture aux robots tiers et l’orchestration par des agents restent des perspectives annoncées : elles ne prouvent pas une exploitation disponible aujourd’hui.

ANYbotics ↗

/ IA maritime & industrielle

Des jumeaux numériques gagnent leur place à bord

Brittany Ferries, Adrena et Bureau Veritas annoncent jusqu'à 6 % d'économies d'énergie après des milliers de traversées commerciales et près de deux ans de suivi à bord du Galicia. La solution est désormais déployée sur neuf navires.

Ma lectureSignal fort : le gain vient d'un assemblage sobre — données opérationnelles, modèle physique, expertise métier et recommandations contrôlées — plutôt que d'une couche IA générique.

Brittany Ferries ↗

/ Physical AI

Le toucher devient une couche de données pour la robotique

IEEE Robotics & Automation Society souligne que la manipulation dextrale reste freinée par le manque de données tactiles de qualité, alors que les modèles vision-langage-action progressent rapidement.

Ma lectureÀ surveiller : la valeur peut se déplacer des seuls modèles vers les capteurs, jeux de données et interfaces capables de mesurer contact, force et déformation de façon durable.

IEEE Robotics & Automation Society ↗

/ Fiabilité & évaluation

La mémoire agentique doit encore battre les baselines simples

Datapace publie un pilote de benchmark de mémoire agentique : dix questions, une seule graine, sur des modèles gratuits. Les systèmes testés utilisent moins de tokens sans dépasser la recherche de fichiers sur cet échantillon limité.

Ma lectureAvant d'ajouter une mémoire complexe, mesurer récupération, fraîcheur, coût et erreurs face à une baseline triviale. L'architecture la plus sophistiquée n'est pas automatiquement la meilleure.

Datapace — agent-memory-benchmark ↗

Les sujets suivis.

Agents IA ↗

Orchestration, outils, mémoire, permissions et automatisation de workflows.

Physical AI ↗

Robotique, world models, perception, tactile et interaction avec le monde physique.

Radar.

Lecture éditoriale du 4 oct. 2026

↑↑ / Déploiement

Sandboxing & permissions d'agents

Le contrôle des outils et des droits devient une couche d'architecture à part entière.

↑↑ / Déployable

Modèles multimodaux locaux

Des usages documentaires et visuels sérieux deviennent possibles hors cloud.

↑ / Émergent

Intelligence tactile

Capteurs, données et robustesse matérielle restent le goulot d'étranglement.

↑ / Déployable

Jumeaux numériques opérationnels

La valeur est la plus crédible quand le modèle est confronté longtemps au terrain.

↑ / En développement

Mémoire agentique

Les benchmarks deviennent plus utiles que les démonstrations isolées.

↑↑ / Déployable

Stations IA à mémoire unifiée

Le choix se joue désormais autant sur la bande passante et le logiciel que sur la capacité brute.

Notes.

Pourquoi les baselines ennuyeuses sont souvent les plus utiles

Une architecture agentique ne mérite sa complexité que si elle bat une solution plus simple sur une mesure qui compte réellement : précision, coût, latence, fraîcheur ou contrôle. Le fichier bien indexé reste parfois un meilleur point de départ qu'une mémoire sophistiquée.

Le local AI devient un choix d'architecture, pas un choix idéologique

Les stations locales progressent assez vite pour rendre le traitement privé crédible sur davantage de charges. Mais le bon arbitrage reste workload par workload : taille du modèle, bande passante, latence, confidentialité, maintenance et coût total.