7 minutes
Veille du 19 novembre 2026 — migration logicielle assistée · trafic de recherche · isolation d’agents
Les 3 articles les plus chauds de la veille du 19 novembre 2026. 🔥
🔥 Top 3
1. Quoting Daniel Stenberg
185 000 lignes de C transformées en 340 000 lignes de Rust. En un peu plus de trois semaines, des agents IA ont produit ce que Daniel Stenberg appelle des « clones » de curl, l’outil en ligne de commande que la moitié d’Internet utilise sans le savoir pour récupérer des fichiers via HTTP.
Pendant ce temps, le dépôt officiel de curl a fusionné plus de 300 commits. Environ 200 corrections de bugs, plus quelques failles de sécurité colmatées. Stenberg, qui maintient le projet depuis 1998, le dit sans détour : aucune de ces réécritures Rust ne contient ces correctifs. Et le mois suivant a rapporté 200 corrections supplémentaires.
Le problème tient en une phrase. Une IA peut traduire du code en masse, mais elle ne comprend pas les dizaines de cas limites accumulés pendant des décennies de rapports de bugs. La réécriture compile, probablement. Elle passe peut-être même les tests existants. Elle ne sait simplement pas pourquoi le code original gère les connexions interrompues ou les certificats expirés d’une façon précise.
La vraie question n’est pas de savoir si les agents savent traduire du C en Rust. Ils savent. C’est de savoir s’ils suivent un rythme de 200 correctifs par mois une fois la conversion terminée. Stenberg pose la question à voix haute. Personne n’y a encore répondu avec des chiffres.
2. Google’s AI answers reducing search traffic by 40%
Quarante pour cent. C’est la part de clics vers les sites extérieurs que Google efface quand un AI Overview s’affiche en tête de ses résultats. Une de ces synthèses rédigées par l’IA, posées au-dessus des liens habituels.
La preuve ne vient pas d’une corrélation mais d’un essai randomisé, la méthode la plus solide pour isoler une cause. Deux chercheurs ont installé une extension Chrome à des utilisateurs américains, puis les ont répartis au hasard : un groupe voyait Google normalement, l’autre avait les encadrés masqués. Deux semaines de recherches réelles plus tard, le premier groupe cliquait 0,37 fois vers un site externe par recherche, contre 0,62 pour le second. Les recherches sans aucun clic sortant passent de 54 % à 73 %.
Le reste du tableau n’arrange rien. Sur un panel de 20 millions de mots-clés, la part de résultats affichant un encadré IA est passée de 5,93 % en septembre 2024 à 61,43 % en août 2026. Aucun type de requête n’échappe à la tendance : informationnelle, commerciale, navigationnelle, transactionnelle, le taux grimpe partout. Même les mots-clés faciles à positionner sont concernés. Et les clics publicitaires, eux, ne bougent pas.
Reste la parade à la mode, le GEO (generative engine optimization), qui consiste à se faire citer dans les réponses générées. Le décryptage est sec : c’est du SEO avec deux ajouts, être présent sur les sites tiers que l’IA recopie, et rédiger des pages faciles à citer. Pour le reste, les preuves manquent. En mars, les assistants IA ont envoyé aux sites web 0,3 % de leur trafic.
Un rang dans Google ne vaut donc plus ce qu’il valait. Les auteurs de l’étude s’attendent à ce que la perte s’aggrave à mesure que les encadrés se généralisent, et leur expérience ne couvre que le desktop.
3. Inside the Codex sandbox
Un agent qui exécute des commandes shell sur votre machine, c’est pratique. C’est aussi le moyen le plus rapide de voir son dossier personnel se faire réécrire par erreur. OpenAI publie les détails du bac à sable de Codex, la couche qui décide ce que l’agent a le droit de toucher.
Le principe : chaque commande lancée par Codex tourne dans un environnement confiné. Un sandbox, littéralement un bac à sable, c’est une zone où le code s’exécute sans accès libre au reste du système. Ici, deux périmètres sont verrouillés. Le système de fichiers d’abord : l’agent lit et écrit seulement dans les répertoires que vous avez autorisés. Le réseau ensuite : les connexions sortantes se limitent à une liste que vous définissez.
Le point intéressant, c’est que ces règles ne dépendent pas du modèle. Elles s’appliquent au niveau du système d’exploitation, sur macOS, Linux et Windows, avec les mécanismes propres à chacun. Un prompt mal tourné ne peut pas lever une restriction imposée par le noyau.
Reste le vrai casse-tête : un agent qui doit installer un paquet ou appeler une API externe bute sur ces murs en permanence. Toute la conception tient donc au dosage entre ce qu’on ouvre et ce qu’on garde fermé.
OpenAI ne précise pas combien d’utilisateurs relâchent ces limites dès la première semaine.
🔗 OpenAI
📦 Le reste de la veille
OpenAI researchers would give up 40% of their team’s headcount to keep their coding agents? 😳 · OpenAI’s ne… — Un rapport d’OpenAI chiffre la progression des agents de recherche (46 % des tâches de 2 à 4 heures contre 23 % en mars) et le coût quotidien en tokens, avec des chercheurs prêts à réduire leurs effectifs pour les conserver.
Genie 4 is now available — Nouvelle version de Genie, le modèle génératif d’environnements interactifs de DeepMind, dont les démonstrations constituent généralement un jalon marquant.
AI is killing All About Berlin — Un site éditorial berlinois explique comment l’essor de l’IA a détruit son trafic et son modèle économique, illustrant l’impact des réponses génératives sur les sites de contenu.
AI agents ask better questions than KPMG accountants in audit trial — Lors d’un test d’audit, des agents IA auraient posé de meilleures questions que des comptables de KPMG, ce qui illustre l’avancée des agents sur des tâches professionnelles structurées.
Energy-Based Reasoners: 385x more efficient inference — Des travaux présentent des raisonneurs à base d’énergie revendiquant une inférence 385 fois plus efficace, une piste technique à confirmer mais potentiellement structurante pour les coûts de calcul.
Citi: if your AI agent leaks your login, what hackers do is on you. · 1. Citi holds customers liable for th… — Plusieurs banques américaines tiennent leurs clients responsables des fuites de identifiants via des agents tiers, ce qui pousse à limiter les accès en lecture seule.
Agentic Harness Engineering Beta: Requirement-Centered Evolution of Agent Harnesses — L’article présente une méthode d’évolution de harnais d’agents intégrant les exigences implicites des utilisateurs, un sujet directement lié à la conception de systèmes agentiques.
Cap-and-Track: Optimizing LLM Inference Request Dispatch Across Shifting Capacity — Cap-and-Track décrit une stratégie de répartition des requêtes d’inférence LLM adaptable aux variations de capacité, un problème concret pour l’exploitation de flottes de serveurs.
How the Claude Code team thinks about verification — L’équipe de Claude Code détaille sa conception de la vérification dans les workflows de codage agentique, un retour d’expérience concret sur la fiabilité des agents.
Running the full server-side Datasette Python app in the browser with service workers and Pyodide — Réécriture de Datasette Lite permettant de faire tourner l’application Python complète côté serveur dans le navigateur via service workers et Pyodide, une démonstration techniquement notable.
Introducing AlphaProof Code: a breakthrough in verifying complex software at depth — Des agents AlphaProof ont produit trois millions de lignes de preuves Lean pour vérifier le chiffrement de Signal, une démonstration marquante de vérification formelle à grande échelle.
Agent Activity Journal · ——————————————— · I’m thinking about introducing an… — Une proposition de journal d’activité où chaque agent produit un rapport Markdown listant le prompt, les fichiers inspectés et les actions menées, un patron réutilisable pour l’auditabilité.
Harvard researchers find AI coding agents shifted the bottleneck to code review — Des chercheurs de Harvard observent que les agents de codage déplacent le goulot d’étranglement vers la revue de code, une conclusion utile pour concevoir des chaînes de développement assistées.
Who are you? The Personal Imitation Game — L’étude propose un jeu d’imitation personnalisé où un LLM doit reproduire un individu précis en conversation, avec des implications sur la vie privée et l’identité numérique.
Ground, Iterate, Trace: Decomposing AI Research Ideation — Le cadre CAR décompose la génération d’idées de recherche par un agent en étapes d’ancrage, d’itération et de traçage, une approche réutilisable pour des workflows agents documentés.
… et 56 autres articles consultés.