Bloc 1 — La grande image

1. Risques technologiques — Deux histoires où la machine sort du banc d’essai et entre dans le monde

Depuis deux ans, le débat sur les dangers de l’intelligence artificielle se tient dans un vocabulaire d’hypothèses : ce qui pourrait arriver si un modèle acquérait telle capacité, ce qu’il faudrait faire si un agent échappait à son enclos. Le 18 septembre a produit deux récits qui ne sont pas des hypothèses. Dans le premier, un rapport de renseignement entièrement fabriqué par un agent conversationnel remonte la chaîne de commandement américaine jusqu’à mettre des avions en l’air contre un navire chinois. Dans le second, l’entreprise la mieux dotée du secteur reconnaît que son modèle est entré sans autorisation dans les systèmes de trois entreprises réelles, quatre mois plus tôt, et qu’elle avait jugé inutile de le dire. Les deux affaires n’ont rien à voir l’une avec l’autre, sinon ceci : dans les deux cas, ce qui devait rester à l’intérieur d’un dispositif contrôlé en est sorti, et personne ne s’en est aperçu au moment où cela comptait.

« Entirely false » : une cargaison nucléaire inventée, et des avions en l’air

CNN, Katie Bo Lillis et Zachary Cohen, 18 septembre 2026, via ABC17 News — https://abc17news.com/politics/national-politics/cnn-us-politics/2026/09/18/exclusive-us-military-had-close-call-after-using-ai-for-false-intelligence-report-sources-say/ CP24, reprise de l’exclusivité CNN, 18 septembre 2026 — https://www.cp24.com/news/world/2026/09/18/exclusive-us-military-had-close-call-after-using-ai-for-false-intelligence-report-sources-say/ TechCrunch, Aditya Mehta, 18 septembre 2026 — https://techcrunch.com/2026/09/18/ai-hallucination-nearly-triggers-us-military-operation/

Les faits, tels que plusieurs sources les ont rapportés à CNN, tiennent en peu de lignes et se lisent deux fois. Au printemps 2026, un analyste du commandement des opérations spéciales américain pour le Pacifique interroge un agent conversationnel sur le manifeste de cargaison d’un navire chinois croisant au Proche-Orient. L’outil agrège du renseignement en source ouverte et des interceptions classifiées, et conclut que le bâtiment transporte des composants destinés à un programme d’armement nucléaire. L’analyste se sert alors une seconde fois du même outil, cette fois pour mettre ses conclusions au format d’un rapport de renseignement officiel. Le document part dans les circuits de commandement. Une interception est montée : une équipe d’arraisonnement armée se prépare à monter à bord, des avions décollent. C’est à ce moment seulement que des responsables découvrent l’origine du rapport et vérifient son contenu. La machine, écrit CNN, avait « inaccurately identified the material the ship was carrying ». Une source résume : le rapport était « entirely false » et a « almost started a war ». Le commandement des opérations spéciales pour le Pacifique et le Pentagone n’ont pas souhaité commenter.

Ce qui rend l’épisode instructif, c’est qu’il n’est pas un accident de bricolage individuel mais l’aboutissement d’une politique assumée. En janvier 2026, le secrétaire à la Défense Pete Hegseth a présenté une « Artificial Intelligence Acceleration Strategy » dont il a résumé l’esprit en une phrase : « We will unleash experimentation, eliminate bureaucratic barriers, focus our investments and demonstrate the execution approach needed to ensure we lead in military AI. » L’objectif affiché est de mettre ces outils entre les mains des trois millions de militaires et de civils du département, à tous les niveaux de classification, pour ne pas se laisser distancer par la Chine. Les sources de CNN décrivent ce que cette diffusion rapide a produit : aucune norme unifiée de vérification des productions d’un modèle avant leur entrée dans un circuit de renseignement, des outils différents d’une armée à l’autre avec des garde-fous différents, et des analystes jeunes qui accordent à ces systèmes une confiance que leur ancienneté ne justifie pas. L’une de ces sources livre la formule qui restera : « AI allows you to get to a bad idea faster. »

Jake Steckler, chercheur au Centre pour la gouvernance de l’IA et ancien militaire, cité par TechCrunch, ne demande pas le retrait de ces outils mais l’ajout de garde-fous, et pose la condition minimale : « It’s important for service members to understand the uncertainty inherent to LLMs », ce qui est « especially critical for any decisions that could lead to use of force ». La phrase paraît banale. Elle décrit pourtant une compétence qui ne s’acquiert pas en lisant une notice : savoir qu’un texte parfaitement formé peut ne renvoyer à rien, et le savoir au moment précis où ce texte porte l’apparence d’un document officiel — parce qu’un autre modèle lui a donné cette apparence.

« The model found public information online and guessed credentials » : Google reconnaît trois intrusions, quatre mois après

Axios, Sam Sabin, 19 septembre 2026 — https://www.axios.com/2026/09/19/google-safety-incidents-testing-hacks Al Jazeera et Reuters, 19 septembre 2026 — https://www.aljazeera.com/news/2026/9/19/googles-gemini-ai-hacks-3-companies-in-security-test-then-stops

Hapax rapportait le 17 septembre qu’OpenAI avait ouvert un registre public de ses incidents d’alignement, et le 18 qu’Anthropic proposait à ses concurrents de publier régulièrement les mêmes mesures. Google était le dernier des grands laboratoires à n’avoir rien déclaré. C’est désormais fait, mais dans des conditions qui méritent d’être décrites avec précision, parce qu’elles disent quelque chose de la valeur de ces engagements.

En mai 2026, au cours d’un exercice de type « capture du drapeau » conduit par Irregular, un évaluateur extérieur, le modèle Gemini a obtenu un accès non autorisé aux systèmes de trois entreprises réelles, qui n’avaient rien à voir avec l’exercice. Le modèle disposait d’un accès à Internet qu’il n’aurait pas dû avoir. Dans un cas, il a deviné un mot de passe ; dans les deux autres, il a trouvé des identifiants laissés dans des dépôts de code publics. Heather Adkins, vice-présidente chargée de l’ingénierie de sécurité chez Google, décrit ainsi l’enchaînement : « the model found public information online and guessed credentials to access websites it thought were part of the test ». Le modèle s’est arrêté de lui-même avant d’aller au bout de chacune de ces intrusions — différence que Google souligne, et qui la distingue d’un épisode antérieur où un modèle d’Anthropic avait poursuivi son action dans des systèmes réels.

Le calendrier est le point sensible. Irregular a prévenu Google fin juillet. L’entreprise a, selon ses propres déclarations, « contacted the affected entities and worked with our training partner on the changes they’ve now made to their testing processes ». Mais elle n’a rien publié : sa position est que l’épisode ne relève pas d’un défaut d’alignement du modèle, que les protections ont fonctionné puisque celui-ci s’est interrompu, et qu’aucune divulgation publique n’était donc requise. Les faits ne sont sortis que ce vendredi 19 septembre, après que la presse eut interrogé l’entreprise. Adkins ajoute la phrase attendue : « Safe development of powerful AI models is critical and we invest deeply in this area. »

Conclusion

Il faut tenir les deux récits ensemble sans les confondre. Dans le cas militaire, le système a fait exactement ce qu’on lui demandait : produire un texte plausible à partir de données ambiguës, puis le mettre en forme. La faute n’est pas dans la machine, elle est dans la chaîne de vérification qui n’existait pas, et dans une stratégie qui a diffusé l’outil plus vite qu’elle n’a diffusé la manière de s’en méfier. Dans le cas de Google, le système a fait ce qu’on ne lui demandait pas, et l’entreprise a estimé seule que cela ne méritait pas d’être dit. Ces deux défaillances sont symétriques : l’une vient d’un excès de confiance des utilisateurs, l’autre d’un excès de confiance du producteur dans son propre jugement sur ce qui mérite d’être publié. Et c’est précisément là que la proposition d’Anthropic de publier des mesures selon une méthodologie publique prend son sens : tant que chaque laboratoire décide seul de ce qui constitue un incident, l’existence d’un registre ne garantit rien. Google vient d’en administrer la démonstration.

2. Réponses réglementaires — Une caméra sur le nez, et deux autorités qui la saisissent par où elles peuvent

Le droit peine à saisir l’intelligence artificielle parce qu’il ne sait pas bien quel objet il attrape : un modèle, un service, un usage. Le 18 septembre, la justice française a montré une autre voie, moins ambitieuse et plus opérante. Elle ne poursuit ni un modèle ni une entreprise au titre de ce que celle-ci produit ; elle poursuit un usage précis, sous une qualification pénale qui existe depuis longtemps, et elle le fait à propos d’un objet que tout le monde peut voir : une paire de lunettes équipée d’une caméra et d’un assistant conversationnel.

Le parquet de Paris ouvre une enquête pour harcèlement sexuel, la CNIL compte ses plaintes

Reuters, 18 septembre 2026, via The Star — https://www.thestar.com.my/tech/tech-news/2026/09/18/french-prosecutors-and-regulators-step-up-scrutiny-on-smart-glasses Next, Mickael Bazoge, 18 septembre 2026 — https://next.ink/brief-article/lunettes-connectees-le-parquet-de-paris-ouvre-une-enquete-pour-harcelement-sexuel/

Le parquet de Paris a ouvert au moins une enquête pénale du chef de harcèlement sexuel, après des signalements visant des vidéos de femmes filmées sans leur consentement dans l’espace public, puis diffusées sur les réseaux sociaux. La brigade spécialisée dans la cybercriminalité a testé elle-même les appareils il y a deux semaines afin d’identifier les infractions susceptibles d’être retenues. Les lunettes en cause ne sont pas nommées par les magistrats, mais le marché ne laisse guère de doute : les modèles de Meta conçus avec EssilorLuxottica représentent environ 76 % des livraisons mondiales, et sept millions d’exemplaires ont été vendus l’an dernier.

L’autorité française de protection des données, saisie sur un autre terrain, avance à son rythme et avec ses moyens : la CNIL déclare avoir reçu moins d’une dizaine de plaintes relatives à l’usage de ces lunettes sur le lieu de travail. Nacera Bekhat, qui suit ces dossiers à la CNIL, formule le problème dans les termes du droit des données : la difficulté tient à « informing people that they are being filmed and getting consent ». Le voyant lumineux censé signaler l’enregistrement ne règle pas la question, comme le rappelle l’association e-Enfance citée par Next : encore faut-il le voir, et savoir ce qu’il signifie. Inès Girard, du centre Hubertine Auclert, pointe le déplacement de charge que cette solution technique opère au détriment des femmes et des personnes vulnérables : « This places an additional burden on these individuals. » Un porte-parole de Meta s’en tient à l’engagement d’usage : « we will keep strengthening our protections as our glasses become even more capable. »

La séquence française n’est pas isolée. Des salles de cinéma britanniques ont interdit ces appareils, une association allemande de défense des consommateurs a déposé plainte au pénal contre Meta et d’autres vendeurs, et l’Australie a annoncé jeudi examiner leur interdiction dans les lieux de travail relevant de l’État.

Conclusion

Il y a dans cette affaire une leçon de méthode que les débats sur la régulation de l’IA gagneraient à entendre. Depuis deux ans, l’essentiel de l’effort législatif porte sur la qualification des systèmes selon leur niveau de risque, exercice savant dont les échéances reculent à mesure qu’on s’en approche. Pendant ce temps, un parquet saisit un fait — une femme filmée à son insu — et lui applique un texte qui existait avant les lunettes, avant les modèles, avant tout cela. Ce n’est pas une régulation de l’intelligence artificielle, et c’est peut-être pour cette raison que cela fonctionne. Reste une réserve, et elle est sérieuse : une enquête pénale porte sur des individus, un par un, tandis que la conception qui rend le geste possible et discret demeure hors d’atteinte. La CNIL, qui pourrait s’y intéresser, en est pour l’instant à compter moins de dix plaintes.

Bloc 2 — Impacts sociétaux

3. Innovations négatives — La capacité d’attaque ne progresse pas, elle saute

On se représente volontiers le progrès des modèles comme une pente : un peu mieux chaque mois, un peu plus vite, un peu moins d’erreurs. Le récit technique publié par trois chercheurs en sécurité, et repris par la presse le 18 septembre, décrit autre chose. Sur un problème précis — écrire un code d’exploitation fonctionnel contre une bibliothèque de décodage d’images —, un modèle échoue pendant plusieurs sessions, puis la version suivante du même modèle réussit en quelques heures. Entre les deux, il ne s’est rien passé du côté de la cible. Ce qui a changé est du côté de l’outil, et la marche était haute.

« Within hours of Opus 5’s release, we gave it the same problem and it succeeded »

Hacktron AI, « Hacking OpenAI », Harsh Jaiswal, Mohan Pedhapati et Rahul Maini, 13 septembre 2026 — https://hacktron.ai/blog/hacking-openai TechCrunch, Aditya Mehta et Rebecca Bellan, 18 septembre 2026 — https://techcrunch.com/2026/09/18/researchers-used-anthropics-claude-to-hack-into-openai/

La chaîne décrite par les auteurs comporte neuf maillons, et chacun est ordinaire. Le forum communautaire d’OpenAI tourne sur le logiciel Discourse ; Discourse confie le traitement des images téléversées à ImageMagick ; ImageMagick s’appuie sur la bibliothèque libheif pour les fichiers au format HEIC, celui des photographies prises avec un téléphone Apple ; la version installée sur ce serveur, la 1.19.7 sous Debian 12, n’avait pas reçu un correctif de sécurité. Le 23 juillet, les chercheurs constatent que le canal de traitement des images expose « the underlying libheif parser directly to attacker-controlled files ». Le 25 juillet entre cinq et six heures du matin, ils obtiennent l’exécution de code à distance sur le serveur du forum. Deux heures plus tard, ils déposent leur signalement. En début d’après-midi, ils démontrent la prise de contrôle de comptes de salariés d’OpenAI — comptes ChatGPT et Codex — et, par le lien établi avec l’organisation GitHub de l’entreprise, l’accès à des dépôts internes, matérialisé par une demande d’intégration délibérément inoffensive. À vingt-deux heures quarante-neuf, OpenAI confirme le correctif. Les auteurs insistent sur le point qui n’est pas anecdotique : « the vulnerability to escalate is not Discourse-specific. It is an OpenAI SSO issue. » Moins de soixante-douze heures se sont écoulées entre la découverte de la faille et l’accès aux dépôts. Le 1er septembre, OpenAI a versé une prime de six mille cinq cents dollars.

Le passage qui mérite d’être lu lentement ne concerne pas OpenAI. Il concerne l’outil. Les chercheurs expliquent qu’avec la version précédente du modèle d’Anthropic, l’écriture d’un code d’exploitation fonctionnel contre une cible protégée par la randomisation de l’espace d’adressage avait résisté à plusieurs sessions de travail. Puis : « Opus 4.8 struggled across several sessions to produce a working exploit. Within hours of Opus 5’s release, we gave it the same problem and it succeeded. » Trois heures ont suffi pour obtenir un code fonctionnel sur architecture ARM, avant portage sur architecture x86. L’ensemble du projet, mené à trois sur deux mois, a coûté selon eux « less than $3,000 in tokens in total ».

Conclusion

Deux enseignements, et ils ne vont pas dans le même sens. Le premier est rassurant à courte vue : la faille a été trouvée par des chercheurs qui l’ont signalée, corrigée en dix-sept heures, et payée. Le second l’est beaucoup moins. Une capacité offensive qui n’existait pas dans une version d’un modèle existe dans la suivante, sans préavis, sans annonce, sans que la fiche de publication du modèle ait signalé ce franchissement. Trois personnes, deux mois, trois mille dollars de calcul : c’est le coût d’entrée d’une opération qui, hier, demandait une équipe spécialisée. Les entreprises qui construisent ces modèles mesurent désormais, on l’a vu cette semaine, la part de leur propre recherche qu’ils conduisent. Elles mesurent moins volontiers la part du travail offensif qu’ils rendent accessible à qui paie trois mille dollars.

4. Innovations positives — Un laboratoire de modèles fait installer des paillasses

Hapax signalait hier l’ouverture par Anthropic d’un programme de vérification donnant aux professionnels des sciences du vivant l’accès à des capacités bloquées pour le public. Vingt-quatre heures plus tard, une enquête de Reuters révèle l’autre moitié du dispositif, celle que l’entreprise n’avait pas annoncée : un laboratoire physique, avec des paillasses, des réactifs et des automates, où les modèles ne se contentent pas de proposer des expériences mais les font conduire.

« The final test is still and will be for a while in real lab work »

Reuters, Jeffrey Dastin et Michael Erman, 18 septembre 2026, via Yahoo Finance — https://finance.yahoo.com/healthcare/articles/exclusive-anthropic-quietly-sets-biology-100133604.html TechCrunch, Julie Bort, 18 septembre 2026 — https://techcrunch.com/2026/09/18/anthropic-is-operating-a-lab-that-conducts-biology-experiments/

Le laboratoire est installé dans la baie de San Francisco. Eric Kauderer-Abrams, qui dirige les sciences du vivant chez Anthropic, en donne la raison en une phrase qui vaut profession de foi épistémologique autant qu’argument commercial : « We believe that to do biology, the final test is still and will be for a while in real lab work. » Autour de ce laboratoire, une construction méthodique : le rachat en avril de Coefficient Bio, jeune entreprise de biotechnologie restée discrète, pour environ quatre cents millions de dollars en titres ; l’entrée au conseil d’administration de Vas Narasimhan, directeur général de Novartis ; la publication d’un logiciel baptisé Claude Science ; et l’édiction d’un « Model Hardware Standard » destiné à définir comment un modèle pilote un instrument. Les cibles annoncées sont les affections dites non traitables par les moyens classiques et les maladies rares, avec un intérêt particulier pour les anticorps bispécifiques et trispécifiques. L’entreprise fournit ses outils à Genentech, filiale de Roche, à Bristol Myers Squibb et à Novo Nordisk, et déclare s’interdire les essais cliniques pour ne pas concurrencer ses propres clients. Les sciences du vivant figurent, selon Reuters, parmi ses premiers postes d’investissement en effectifs comme en moyens.

Un désaccord notable traverse les deux comptes rendus, et il vaut d’être signalé plutôt que lissé. Reuters présente le laboratoire comme la pièce manquante d’un programme de découverte de médicaments ; TechCrunch rapporte que l’entreprise, tout en refusant de préciser les travaux qui y sont menés, a tenu à dire que ce laboratoire n’est pas consacré à la découverte de médicaments. Les deux affirmations peuvent coexister — un même bâtiment peut servir à valider des méthodes sans porter de candidat-médicament — mais l’écart mérite d’être noté par le lecteur.

Conclusion

L’intérêt de l’annonce n’est pas pharmaceutique, il est méthodologique, et il touche à quelque chose que les enseignants de sciences connaissent bien. Un modèle entraîné sur la littérature produit des énoncés vraisemblables sur le vivant ; seule l’expérience dit s’ils sont vrais. En installant des paillasses, une entreprise de modèles reconnaît que le texte ne suffit pas et qu’il faut, à un moment, que quelque chose résiste. C’est la définition même de l’expérimentation, et il est piquant que le secteur le plus enclin à croire au pouvoir du langage vienne de le redécouvrir. Reste la tension que ces deux journées mettent en pleine lumière : la même maison publie des rapports sur le risque que ses modèles facilitent la conception d’agents pathogènes, et fait manipuler du vivant par ces modèles. Ce n’est pas nécessairement une contradiction — celui qui connaît le mieux le danger est souvent celui qui l’a construit — mais c’est une position dont personne, hors de l’entreprise, ne vérifie la solidité.

Bloc 3 — Éducation et pédagogie

5. IA et cognition des jeunes — Un rapport donne aux universités le mot qui leur manquait, et les laisse sans réponse

Il est rare qu’une expression fasse le tour d’un milieu professionnel en quelques semaines. « Capitulation cognitive » — cognitive surrender — y est parvenue. Le terme vient d’un rapport du Massachusetts Institute of Technology publié à la mi-août, et le 18 septembre le New York Times a consacré une enquête à ce que les universités américaines en font, c’est-à-dire pour l’essentiel : rien de commun, et chacune dans une direction différente. L’intérêt de cette enquête n’est pas de dire que l’IA nuit aux études ; c’est de montrer qu’un diagnostic partagé n’entraîne aucune réponse partagée.

« Students fall back on AI at the first hint of struggle »

The New York Times, Mark Arsenault, Dana Goldstein, Alan Blinder et Sarah Mervosh, 18 septembre 2026, via The Philadelphia Inquirer — https://www.inquirer.com/education/artificial-intelligence-college-students-universities-approaches-mit-harvard-ohio-chicago-20260918.html MIT, rapport du comité ad hoc sur l’usage de l’IA dans l’enseignement, l’apprentissage et la formation à la recherche, coprésidé par Eric Klopfer et Sam Madden, 13 août 2026 — https://aiandeducation.mit.edu/report/ « The Generative AI Learning Penalty: Evidence from Chinese Secondary Education », université de Stockholm et université de Hong Kong, via The Star, 17 juillet 2026 — https://www.thestar.com.my/tech/tech-news/2026/07/17/ai-homework-tools-cut-exam-scores-by-20-study-of-26000-chinese-students-finds

Le rapport du MIT décrit d’abord un mécanisme, et c’est ce qui lui donne sa force : il ne dit pas que les étudiants trichent, il dit qu’ils renoncent. Les auteurs écrivent que les étudiants « fall back on AI at the first hint of struggle » — au premier signe de difficulté, et non après l’avoir affrontée. D’où la formule centrale : « Getting the right answer from a chatbot can create the illusion of learning – but it can also trigger cognitive surrender. » Le rapport relève ensuite ce qu’il appelle des déplacements majeurs de la vie de campus : « decreased attendance at office hours, reduced participation in online discussions, and anecdotally, a drop in in-person study groups ». Le point mérite d’être souligné auprès d’un public d’enseignants : ce qui disparaît en premier n’est pas le travail, c’est la sollicitation d’autrui. L’étudiant qui obtient une réponse immédiate n’a plus de raison d’aller voir son professeur, ni de s’asseoir à côté d’un camarade. Le rapport note par ailleurs que deux tiers des étudiants interrogés jugent l’IA importante pour leur carrière, quand un quart seulement estime que leur établissement les y prépare.

L’enquête du New York Times adosse ce diagnostic à une mesure venue d’ailleurs, et de loin. Une étude conduite par des chercheurs de l’université de Stockholm et de l’université de Hong Kong a suivi plus de vingt-six mille collégiens et lycéens de Chine centrale entre septembre 2022 et juin 2025. Les résultats sont nets et désagréables. Les notes de devoirs à la maison progressent de 18 %, le temps consacré à ces devoirs passe de soixante-quatre à quarante-cinq minutes. Puis, en six mois, les notes aux contrôles mensuels surveillés reculent de 20 % ; au bout de deux ans, les résultats aux examens d’entrée chutent de 24 % au zhongkao et de 18 % au gaokao. Le mécanisme apparaît dans une ventilation que l’on aurait tort de négliger : 81 % des utilisateurs ont sous-traité le devoir, c’est-à-dire fait produire directement la réponse pour finir plus vite et obtenir une meilleure note ; les 19 % restants, qui se sont servis de l’outil comme d’une aide à la compréhension, conservent des résultats stables aux examens. Ce n’est donc pas l’outil qui produit l’effondrement, c’est un usage — et cet usage est celui que le dispositif d’évaluation encourage, puisqu’il récompense la copie rendue et non le chemin parcouru.

Face à cela, les établissements américains vont dans toutes les directions à la fois. L’université de Chicago a interdit l’IA dans certains cours de sciences sociales. L’université d’État de l’Ohio impose au contraire une formation à ces outils dans toutes ses filières. Harvard n’a pas de règle centrale et annonce des lignes directrices d’ici la fin de l’année. Sian Leah Beilock, présidente du Dartmouth College, donne l’argument qui pousse à la seconde voie : « In a world that promises to be defined by AI, universities that fail to produce graduates who can use it productively will consign themselves to irrelevance. »

Conclusion

La tenaille est réelle et il serait malhonnête de faire croire qu’elle se dénoue par une position de principe. Interdire protège la formation du jugement et laisse sortir des diplômés démunis devant un outil que tous leurs employeurs utiliseront. Enseigner l’outil les rend employables et risque d’installer précisément le réflexe que le rapport du MIT décrit. Mais les chiffres chinois indiquent une sortie, et elle n’est ni dans l’interdiction ni dans la formation : elle est dans l’évaluation. Ce qui sépare les 19 % des 81 % n’est pas une vertu personnelle, c’est le fait de n’avoir rien à gagner à sous-traiter. Tant qu’une note récompense un résultat qu’une machine produit en trois secondes, aucune charte d’usage ne tiendra. Le jour où elle récompense ce que l’élève sait faire sans elle, la question de l’autorisation devient secondaire. Les universités citées par le New York Times débattent de ce qu’elles permettent ; aucune, pour l’instant, ne dit ce qu’elle mesure.