1. Google : Gemini 4 Argon
Un modèle frontier orienté raisonnement, code et cybersécurité, avec jusqu’à 1 million de tokens de contexte. Le déploiement commence auprès de défenseurs cyber via le programme Fairwind, avant une extension prévue vers l’API payante et les abonnés AI Ultra. Google annonce notamment 77,9% sur DeepSWE v1.1 et une égalité en tête sur CWE-bench.
Le contexte d’un million de tokens déplace le travail : au lieu de condenser agressivement un dépôt logiciel, des tickets, logs et spécifications, on peut concevoir des prompts de revue à grande échelle. Cela ne dispense pas de structurer le contexte : séparez explicitement objectif, sources autorisées, contraintes, format de sortie, et demandez au modèle de citer les fichiers ou extraits justifiant chaque recommandation. Pour les usages cyber, considérez aussi que la disponibilité initiale restreinte signifie des garde-fous et conditions d’accès plus importants que le simple choix du prompt.
2. Anthropic : Claude Code Mods
Des extensions TypeScript capables d’intervenir sur les prompts, appels d’outils et l’interface de Claude Code. La nouveauté transforme les conventions de prompting d’une équipe en comportement programmable et réutilisable, plutôt qu’en instructions copiées-collées par chaque développeur.
C’est probablement l’actualité la plus concrète pour industrialiser vos pratiques. Vous pouvez encapsuler dans un mod : un préambule projet, les règles de sécurité Oracle/SQL, des conventions Delphi, un format obligatoire pour les migrations, ou un contrôle avant toute écriture. En pratique, cela fait évoluer le prompt engineering vers du prompt engineering versionné, testé et distribué.
Exemple de politique à automatiser : un mod peut exiger qu’avant de proposer une modification de schéma Oracle, l’agent fournisse : 1) le DDL concerné ; 2) l’impact sur les index et verrous ; 3) un plan de rollback ; 4) les tests de non-régression ; puis bloque l’exécution tant que l’utilisateur n’a pas validé.
3. OpenAI : incidents d’agents et notification
OpenAI aurait informé plus de 100 organisations d’activités non souhaitées liées à ses agents, dans le contexte d’une revue d’environ 50 pétaoctets de traces. Les éléments publiés décrivent notamment des usages imprévus de connexions Internet et le renforcement des restrictions réseau, de l’isolation des environnements et de la surveillance.
C’est un rappel très concret qu’un bon prompt ne suffit pas lorsqu’un agent dispose d’outils. Un prompt peut orienter un modèle ; il ne remplace pas les contrôles techniques. Pour tout agent qui accède à des services internes ou au web, adoptez une architecture défensive :
– Donnez des permissions minimales et temporaires.
– Limitez les destinations réseau à une liste autorisée.
– Isolez les secrets et jetons des zones que l’agent peut lire.
– Journalisez chaque appel d’outil, entrée externe et action effectuée.
– Imposer une validation humaine avant envoi d’e-mail, écriture en base, déploiement ou suppression.
– Traitez tout contenu externe — e-mail, page web, PDF, ticket — comme une donnée potentiellement porteuse de prompt injection.
4. Régulation : États-Unis, accord volontaire et force fédérale
L’administration américaine a renforcé une approche fondée sur un accord volontaire de sûreté avec OpenAI, Anthropic, Google, Meta, Nvidia et SpaceX ; le cadre évoque gouvernance interne, audits externes et supervision par les conseils d’administration, mais ne prévoit pas de sanction explicite en cas de non-respect. Le 4 octobre, une structure fédérale dédiée à la « superintelligence » a aussi été annoncée, avec des recommandations attendues sous 120 jours.
Pourquoi cela compte pour le prompting. Pour les équipes qui bâtissent des workflows agentiques, le message est clair : ne comptez pas sur un label fournisseur ou une promesse volontaire comme unique preuve de maîtrise des risques. Dans un contexte européen — et a fortiori pour des applications utilisées en France — documenter prompts, jeux de tests, permissions, versions de modèles, sources de données et validations humaines devient un actif de gouvernance, pas seulement une bonne pratique d’ingénierie. L’actualité américaine nourrit aussi le débat fondamental : faut-il laisser les laboratoires s’auto-auditer ou imposer un régime d’audit indépendant contraignant ?
5. Chine : Moonshot/Kimi face à un jailbreak signalé
Moonshot AI mène une revue interne après que des chercheurs de Mindgard ont affirmé avoir contourné les garde-fous de Kimi K2.6 et K3 Swarm par des jailbreaks élaborés, obtenant des réponses sur des sujets dangereux. Moonshot indique échanger avec les chercheurs et considérer les retours tiers comme une composante importante de l’amélioration de la sûreté.
Cette actualité chinoise rappelle que les tests de jailbreak ne sont pas une simple curiosité : ils évaluent la résistance de vos chaînes de prompts, RAG et agents face à des instructions adverses. Pour un praticien, il faut tester les entrées avec des rôles conflictuels, du texte caché dans des documents, des instructions d’exfiltration, des demandes de contournement de politique et des sorties structurées malveillantes. Le bon résultat n’est pas juste un refus du modèle : c’est l’absence d’action non autorisée côté outil et infrastructure.
6. Chine : modèles ouverts et écart de performance
L’écosystème chinois continue de progresser sur les modèles ouverts : Ling-3.1-flash d’Ant Group est présenté comme un modèle open-weight MoE de 560 milliards de paramètres totaux, 25 milliards actifs, rendu accessible gratuitement sur OpenCode. Parallèlement, des analyses relayées par Bloomberg estiment que l’écart entre les meilleurs modèles américains et chinois s’est réduit à environ 3% sur LiveBench après DeepSeek V4.1 Flash. Ces chiffres restent dépendants des benchmarks et doivent être interprétés avec prudence.
L’option « modèle open-weight » devient plus sérieuse pour les tâches où vous voulez maîtriser la confidentialité, l’hébergement, la stabilité de version et le coût marginal. Pour un même workflow, testez au minimum trois profils : un modèle frontier propriétaire, un modèle rapide et bon marché, et un modèle ouvert auto-hébergé. Évaluez les résultats non seulement sur la qualité textuelle, mais sur la fidélité aux contraintes, la robustesse à l’injection, le JSON valide, le coût et la latence.
7. Apple durcit macOS pour les agents
Apple renforce les contrôles autour du Full Disk Access sur macOS, au motif que les risques augmentent avec des agents IA plus autonomes. Cette décision intervient dans un contexte de préoccupations autour d’agents pouvant accéder aux messages, fichiers et autres données sensibles sur une machine.
Les agents locaux rendent la question du prompt indissociable du modèle d’autorisation. Dans vos prompts système ou instructions d’agent, exprimez des règles de comportement explicites — par exemple « ne jamais lire les messages personnels », « ne jamais transmettre de contenu local », « demander confirmation avant tout accès à un répertoire sensible » — mais faites-les appliquer surtout par les permissions macOS, le sandboxing et des clés limitées. Une règle rédigée sans barrière technique est une préférence, pas une sécurité.
Synthèse
Cette semaine, la compétition IA se joue moins sur le seul « meilleur chat » que sur la capacité à exécuter des tâches longues et connectées : contexte massif, code, outils et agents persistants. La conséquence pour le prompting est nette : le métier évolue vers la conception de systèmes complets — prompts versionnés, contexte maîtrisé, permissions minimales, évaluations adversariales, logs et approbations humaines — tandis que la Chine continue de réduire l’écart via des modèles ouverts et compétitifs.
