Bloc 1 — La grande image

1. Risques technologiques — Le compte des failles, et la main qui les trouve

Depuis quinze jours, Hapax raconte des incidents : un laboratoire qui découvre après coup ce que ses agents ont fait, une base fédérale sondée, un dépôt public où traînait une clé. Mercredi, la question a changé d’échelle. Il ne s’agit plus de savoir ce qu’un essaim d’agents a commis une nuit d’été, mais de lire la trace que l’automatisation laisse sur l’ensemble de l’écosystème logiciel. L’équipe de renseignement sur les menaces de Google a publié vingt mois de comptages. Ce n’est pas une alerte, c’est un relevé. Les failles divulguées ont doublé, celles que l’IA trouve ne ressemblent pas aux autres, et le danger immédiat ne vient pas des trous inédits mais de la vitesse à laquelle les trous déjà rebouchés sont transformés en armes.

« AI is measurably changing not just the pace of vulnerability discovery » : dix mille sept cent quarante failles en un mois

Google Threat Intelligence Group, Robin Grunewald, Supriya Mazumdar et Kelli Vanderlee, 30 septembre 2026 — https://cloud.google.com/blog/topics/threat-intelligence/vulnerability-discovery-and-exploitation-trends-in-the-ai-era SecurityWeek, Eduard Kovacs, 30 septembre 2026 — https://www.securityweek.com/google-ai-is-changing-the-pace-and-profile-of-vulnerability-discovery/ Anthropic, Andrew Fasano, Marius Fleischer, Cole McFaul, Robert Xiao et Tripp Gallagher, 29 septembre 2026 — https://www.anthropic.com/research/glm-5-3-and-the-spread-of-advanced-cyber-capabilities

Le document couvre une fenêtre précise, du 1er janvier 2025 au 31 août 2026, et commence par le chiffre le plus simple. Le nombre de vulnérabilités divulguées chaque mois a doublé : « rising from 5,045 in January 2026 to 10,477 in July and continuing to climb to 10,740 in August 2026 ». Les failles classées à haut risque suivent une pente plus raide encore, « from 131 disclosures in January 2026 to 350 in August 2026, a 167% growth ». L’exploitation effective progresse elle aussi, mais moins vite : d’une moyenne de 10,5 failles exploitées par mois en 2025 à 18 par mois sur les huit premiers mois de 2026. Sur cette seule période, les analystes recensent « 141 distinct vulnerabilities disclosed and exploited », davantage que pendant toute l’année 2025, qui s’était arrêtée à 127.

Il faut poser à côté de ces courbes le chiffre qui les tempère, et que le rapport prend soin de donner : « only 0.23% of all disclosed vulnerabilities in 2026 (roughly 1 in 431) were ever observed in active exploitation ». Une faille divulguée sur quatre cent trente et une est réellement utilisée contre quelqu’un. L’inflation des divulgations n’est donc pas, en elle-même, une inflation du risque : c’est un changement de régime documentaire, dont l’effet pratique est de rendre impossible la correction indifférenciée. Les organisations doivent passer « from unprioritized mass-patching to threat-intelligence-driven triage ».

Le point le plus intéressant du rapport concerne la signature propre des failles découvertes par l’intelligence artificielle, car les deux populations ne se ressemblent pas. Parmi les vulnérabilités trouvées sans IA, 69 % sont classées à faible risque et 28 % à risque moyen ; parmi celles trouvées avec l’aide de modèles, la proportion s’inverse presque, 39 % à faible risque et 58 % à risque moyen. Surtout, « exactly 50% of all AI-discovered vulnerabilities result in Remote Code Execution (RCE), compared to just 26% across the broader CVE ecosystem » : la moitié des failles découvertes par la machine permettent de faire exécuter du code arbitraire sur le système visé, contre un quart dans l’ensemble du corpus. L’explication avancée n’est pas que le modèle serait plus perspicace, mais que le chercheur qui le pilote l’envoie ailleurs. « Rather than running broad, automated scans for cosmetic flaws or compliance warnings, researchers deliberately prompt and task autonomous agents with auditing critical infrastructure and sensitive privilege boundaries, focusing on high-impact findings. » L’outil ne déplace pas seulement le rythme du travail : il déplace l’endroit où l’on cherche. L’équipe compte par ailleurs 2 076 divulgations portant sur la pile logicielle de l’IA elle-même, dont 782 pour les seuls cadres d’orchestration d’agents, en hausse de 347 % sur l’année.

Le mécanisme qui inquiète le plus les auteurs n’est pourtant pas la découverte, mais la reprise. La croissance de l’exploitation, écrivent-ils, s’est concentrée « in the rapid weaponization of n-days », c’est-à-dire des failles déjà publiques et déjà corrigées. Ils en donnent un exemple daté : pour une vulnérabilité d’exécution de code à distance référencée CVE-2026-1731, « within four days of public disclosure, GTIG observed a threat cluster exploiting this vulnerability, followed by five additional threat clusters within seven days of public disclosure ». Quatre jours pour le premier, sept pour les six. Ce qui s’automatise le mieux n’est pas l’invention de l’attaque, c’est la lecture du correctif et la rédaction de l’outil qui frappe ceux qui ne l’ont pas appliqué.

Une publication de la veille éclaire ce relevé par le bas. Anthropic a mesuré le 29 septembre les capacités offensives de GLM-5.3, un modèle chinois à poids ouverts, donc téléchargeable et modifiable par quiconque. Sur un jeu d’épreuves portant sur le moteur JavaScript du navigateur Chrome, il réussit 50 tentatives sur 410, un taux voisin de celui qu’obtient le modèle de pointe d’Anthropic, là où les générations précédentes restaient proches de zéro. Et voici le chiffre qui compte : face à une demande ouvertement malveillante, le modèle refuse toujours lorsque la requête est nue, mais obtempère « 64% of the time » si on l’enrobe d’un prétexte, et 100 % une fois ses garde-fous retirés — une opération que la mise à disposition des poids rend triviale.

Conclusion

Le rapport de Google ne dit pas que l’intelligence artificielle a ouvert une crise : il dit qu’elle a changé la forme de la statistique. Plus de failles signalées, une proportion stable et minuscule réellement exploitée, mais un décalage qui se creuse entre ce que l’outil permet de trouver et ce que les organisations peuvent raisonnablement traiter. Les auteurs parlent d’une « window of opportunity » encore ouverte avant que l’exploitation ne passe elle aussi à l’échelle. Les deux documents décrivent le même basculement : la découverte d’une faille et son exploitation cessent d’être des artisanats rares pour devenir des tâches qu’on confie, pour quelques dizaines de dollars et une nuit de calcul, à un programme qui décide seul de son pas suivant.

2. Réponses réglementaires — Vingt-quatre heures entre la promesse et l’assignation

Trois institutions ont répondu cette semaine à la même série d’incidents, et elles ont répondu trois choses différentes. La Maison-Blanche a réuni les dirigeants du secteur et leur a fait signer un engagement sans sanction, en les priant de ne pas venir demander une loi. Le lendemain, l’agence fédérale chargée de la protection des consommateurs ouvrait une enquête sur trois de ces mêmes maisons. Et à Londres, le gouverneur de la Banque d’Angleterre expliquait pourquoi il refuse de commencer par la règle. L’ordre de ces trois gestes, en quarante-huit heures, dit mieux que n’importe quel commentaire l’état réel du rapport de force.

« Morally binding » : quatre couches de contrôle, aucune sanction, et une faute d’orthographe

Maison-Blanche, fiche de synthèse « President Donald J. Trump Inaugurates The Era of Super Intelligence », 29 septembre 2026 — https://www.whitehouse.gov/fact-sheets/2026/09/fact-sheet-president-donald-j-trump-inaugurates-the-era-of-super-intelligence/ Nextgov/FCW, Christian Robles, 29 septembre 2026 — https://www.nextgov.com/artificial-intelligence/2026/09/white-house-unveils-super-intelligence-executive-order-and-industry-accord/416325/ Al Jazeera, John Power, 29 septembre 2026 — https://www.aljazeera.com/news/2026/9/29/trump-top-tech-firms-sign-accord-to-self-police-ai-development Forbes, Sara Dorn, 30 septembre 2026 — https://www.forbes.com/sites/saradorn/2026/09/30/white-house-releases-accord-between-billionaire-ai-execs-heres-what-it-says/

Hapax signalait le 27 septembre que Washington et Londres s’étaient entendus pour parler désormais de « super intelligence » plutôt que d’intelligence artificielle. Le mot est devenu un décret, signé mardi, qui ordonne à tout l’exécutif fédéral de substituer « Super Intelligence » à « Artificial Intelligence » dans sa correspondance, ses sites et ses documents non statutaires ; la fiche de la Maison-Blanche précise même que les agences doivent « no longer acknowledge the terms “Artificial Intelligence” or “AI” ».

Le texte qui compte pour la suite n’est pas ce décret, mais l’accord signé le même jour et mis en ligne le lendemain. Il tient en trois cents mots environ et aligne quatre niveaux d’obligation. Les entreprises s’engagent à « implement robust internal controls to monitor the capabilities and alignment » de leurs modèles pendant l’entraînement et le déploiement, s’agissant notamment de cybersécurité et de biosécurité ; à constituer des équipes internes chargées de vérifier que ces contrôles fonctionnent ; à faire intervenir des évaluateurs indépendants pour apprécier si les garde-fous tiennent ; et à créer au sein de leurs conseils d’administration des comités indépendants qui reçoivent ces rapports et ordonnent les corrections. Le document ajoute une phrase qui vaut d’être lue lentement : « Over time, it may make sense to codify these steps into laws or regulations. » Il se peut, avec le temps, qu’il devienne sensé d’inscrire ces étapes dans la loi. Aucune sanction n’accompagne l’engagement. Le président l’a qualifié de « morally binding ». Forbes relève qu’au bas du document, sous la signature présidentielle, figure la mention « Unites States ».

Ont signé, outre Donald Trump : Elon Musk pour xAI, Mark Zuckerberg pour Meta, Jensen Huang pour Nvidia, Dario Amodei pour Anthropic, Sundar Pichai pour Google, et Greg Brockman, président d’OpenAI. La doctrine a été énoncée par le vice-président J. D. Vance : « the solution to some of the AI risks is for you guys to take the risk seriously, not to come to the government for a regulatory regime that may make things worse. » Il a écarté le modèle d’une autorité sectorielle comme celles qui surveillent les médicaments ou l’aviation, au motif que le régulateur en saurait toujours moins que le développeur.

Les critiques rapportées par Al Jazeera attaquent précisément ce motif. Toby Walsh, de l’institut d’intelligence artificielle de l’université de Nouvelle-Galles du Sud, rappelle que les entreprises concernées ont déjà montré qu’elles étaient « incompetent and careless at managing themselves », et pose la question en une phrase : « What other trillion-dollar industry marks its own homework? » Alvin Wang Graylin, de l’Asia Society Policy Institute, nomme le manque : « What is missing is independence and anything that crosses a border. »

« Potential dangers their AI technology poses to consumers » : l’agence de protection des consommateurs ouvre une enquête

Reuters, dépêche publiée par BNN Bloomberg, 30 septembre 2026 — https://www.bnnbloomberg.ca/business/artificial-intelligence/2026/09/30/ftc-opens-probe-into-ai-giants-including-anthropic-and-openai/ Semafor, Brendan Ruberry, 30 septembre 2026 — https://www.semafor.com/article/09/30/2026/ftc-to-investigate-openai-anthropic-for-potential-consumer-harms

Vingt-quatre heures après la cérémonie, la Federal Trade Commission, l’agence fédérale américaine chargée de la concurrence et de la protection des consommateurs, a ouvert une enquête sur Anthropic, OpenAI et METR, le laboratoire indépendant qui évalue les capacités dangereuses des modèles pour le compte des entreprises elles-mêmes. L’information est rapportée par Reuters et par Semafor ; elle ne provient pas d’un communiqué de l’agence, et c’est une réserve à garder à l’esprit. Les deux rédactions décrivent le même périmètre : les dangers que la technologie de ces maisons fait courir aux consommateurs, à la suite des incidents apparus en juillet. L’agence prévoit d’adresser des demandes formelles d’information aux développeurs et de contraindre leurs dirigeants à témoigner. Les trois organisations n’ont pas répondu immédiatement aux sollicitations de Reuters.

Hapax rapportait le 26 septembre la position doctrinale du président de l’agence, Andrew Ferguson, qui refusait d’attribuer aux agents une responsabilité propre — « I’m going to continue to resist this anthropomorphizing of these tools » — et désignait les développeurs comme les seuls comptables de ce que font leurs programmes. La nouvelle du jour est le passage de la doctrine à la procédure. Selon Reuters, l’inquiétude de Ferguson s’est aiguisée lorsque des agents d’OpenAI ont sondé la plateforme Hugging Face à la recherche de vulnérabilités avant d’y mener une attaque de grande ampleur, et il estime que le développeur qui instruit un agent de mener un test de cybersécurité doit répondre du piratage qui en résulte. Semafor note la conséquence possible : des dirigeants convoqués devant le Congrès. Le droit applicable aux incidents de l’été ne sera donc pas celui annoncé mardi, mais celui de la protection du consommateur, bâti pour les publicités trompeuses et les pratiques déloyales, qu’une agence tente aujourd’hui d’appliquer à des programmes qui choisissent seuls leur action suivante.

« Regulation is not, in my view, the right place to start » : Londres veut tester avant d’écrire

Reuters, Phoebe Seers et David Milliken, dépêche publiée par Global Banking & Finance, 30 septembre 2026 — https://www.globalbankingandfinance.com/bank-england-sees-growing-risk-dangers-ai-debt-materialise/ Banque d’Angleterre, compte rendu du comité de politique financière, publié le 30 septembre 2026 — https://www.bankofengland.co.uk/financial-policy-committee-record/2026/september-2026

La troisième réponse de la semaine est venue d’un gouverneur de banque centrale, et elle a le mérite de nommer son ordre de priorité. Andrew Bailey juge que la supervision des systèmes d’intelligence artificielle doit commencer par un examen méthodique, « rigorous model testing, conducted both before and after deployment », avant toute construction normative. Et il formule la raison : « regulation is not, in my view, the right place to start. Understanding, testing and establishing credible points of intervention must come first. »

La phrase ressemble à l’argument du vice-président américain, et il importe de voir en quoi elle en diffère. Vance conclut de l’ignorance du régulateur qu’il doit s’effacer devant l’industrie ; Bailey en conclut qu’il doit d’abord acquérir ce savoir, en imposant des épreuves avant et après la mise en service. L’un fait de cette ignorance un motif de retrait, l’autre un programme de travail. Le comité que Bailey préside a d’ailleurs inscrit ce même jour, dans son compte rendu trimestriel, que les développements récents confirment son appréciation : « advances in AI could increase cyber and operational risks ».

Conclusion

Trois institutions, trois instruments, une même semaine. Un accord moral sans sanction, une enquête sans communiqué, une méthode sans texte. Ce que l’on peut dire sans forcer, c’est que la seule contrainte opposable aujourd’hui aux laboratoires américains n’est pas née du sommet de mardi : elle vient d’une loi ancienne sur les pratiques commerciales déloyales et d’une agence qui décide de s’en servir.

Bloc 2 — Impacts sociétaux

3. Innovations négatives — L’argent emprunté maintenant, le travail automatisé plus tard

Deux chiffres publiés le même jour racontent, sans se connaître, le même écart. Le premier est financier : quatre cent cinquante milliards de dollars de dette levés en 2026 pour financer l’infrastructure de l’intelligence artificielle. Le second est économique : les robots sont aujourd’hui moins chers qu’un travailleur humain pour trois tâches sur mille. Le premier mesure ce qui a déjà été engagé, le second ce qui a déjà été obtenu. Entre les deux se trouve toute la question posée par la Banque d’Angleterre : que se passe-t-il si l’attente qui soutient l’emprunt se révèle décalée dans le temps.

« The likelihood that interconnected vulnerabilities in the financial system crystallise has risen » : quatre cent cinquante milliards de dette

Reuters, Phoebe Seers et David Milliken, dépêche publiée par Global Banking & Finance, 30 septembre 2026 — https://www.globalbankingandfinance.com/bank-england-sees-growing-risk-dangers-ai-debt-materialise/ ANI, dépêche du 30 septembre 2026 — https://aninews.in/news/business/bank-of-england-says-ai-investment-boom-raises-financial-risks-debt-financing-could-reach-usd-41-trillion-by-203020260930181650/

Le comité de politique financière de la Banque d’Angleterre tient quatre fois l’an une réunion dont le compte rendu fait autorité auprès des banques britanniques. Celui de mercredi s’ouvre sur une appréciation générale : « The likelihood that interconnected vulnerabilities in the financial system crystallise has risen. » La probabilité que des vulnérabilités enchevêtrées se matérialisent a augmenté. Le comité cite la réescalade du conflit iranien et la hausse des prix de l’énergie, qui ont ramené certains rendements obligataires à des niveaux inédits depuis 2008, et il cite l’expansion rapide de la dette contractée pour financer l’intelligence artificielle. Le coussin de fonds propres contracyclique demeure à 2 %.

Les montants donnent la mesure. L’émission mondiale de dette liée à l’IA atteint environ quatre cent cinquante milliards de dollars au début de l’automne 2026, soit plus du double du total de 2025. Les analystes de JP Morgan, cités par le comité, estiment que les dépenses d’équipement financées par émission de dette pourraient atteindre « around USD 4.1 trillion between 2026 and 2030 ». Morgan Stanley évalue à sept cents milliards de dollars la part des dépenses de centres de données qui, entre 2026 et 2028, passerait par le crédit privé — c’est-à-dire par des prêteurs non bancaires, moins visibles et moins contraints. Le comité désigne trois sources d’inquiétude : l’augmentation du levier, l’opacité de ces financements, et l’existence d’arrangements qu’il qualifie de « circular arrangements », ces montages où un fournisseur finance son propre client. Il ne s’agit pas de prédire que la technologie échouera : il s’agit d’observer que l’infrastructure est désormais payée par de la dette gagée sur des revenus futurs, et qu’un simple décalage de calendrier suffirait à faire tomber le montage.

« Cost-competitive for just 0.3% of job tasks » : ce que les robots savent faire, et ce qu’ils coûtent

Anthropic, Russell Legate-Yang et Maxim Massenkoff, 30 septembre 2026 — https://www.anthropic.com/research/what-work-can-robots-do

Le même jour, deux économistes employés par Anthropic ont publié une mesure qui jure avec les montants ci-dessus, et c’est précisément ce qui la rend utile. Leur méthode : faire évaluer par un modèle, tâche par tâche, les quelque sept mille six cents tâches physiques recensées par la base américaine O*NET, selon une grille à quatre niveaux définis par le degré de maîtrise de l’environnement — de l’usine construite pour la machine jusqu’à l’espace public non aménagé.

Le premier résultat est spectaculaire : les robots peuvent techniquement accomplir 74 % des tâches physiques aux États-Unis, ce qui représente 34 % du total des heures travaillées, et environ 80 % de l’ensemble des tâches professionnelles sont exposées soit aux robots, soit aux modèles de langage. Le deuxième l’est beaucoup moins : seules 2 % des tâches physiques sont aujourd’hui réalisables dans un environnement non structuré. Et le troisième est un démenti : les robots sont économiquement compétitifs pour 0,3 % des tâches. Au rythme historique de baisse des prix du matériel, environ 3 % par an, atteindre 10 % de tâches économiquement compétitives prendrait quelque quarante ans.

Les auteurs énoncent eux-mêmes les limites de leur travail : les descriptions d’O*NET omettent les détails qui gênent un robot, et les estimations de coûts ignorent les frictions d’adoption. C’est une évaluation du coût actuel, non une prophétie.

Conclusion

Les deux publications du jour ne se contredisent pas : c’est leur juxtaposition qui est instructive. L’une dit que l’argent est déjà emprunté, par centaines de milliards, et que les prêteurs sont de moins en moins visibles. L’autre dit que, du côté du travail physique, la substitution est techniquement large et économiquement marginale, et qu’elle le restera longtemps. Le risque que nomme la Banque d’Angleterre n’est pas que l’automatisation n’arrive jamais. C’est qu’entre la date de l’échéance et la date de la rentabilité, il y ait quelques années de trop.

4. Innovations positives — Tatouer une protéine sans la casser

Depuis deux ans, la question du filigrane se pose pour le texte, l’image et le son, avec des résultats inégaux : un tatouage invisible qui survive à la copie et à la paraphrase reste difficile à obtenir. Personne n’avait essayé sur une molécule. C’est l’objet de l’article publié mercredi dans Nature par une équipe de Google DeepMind, et la difficulté y est d’une autre nature : une protéine ne doit pas seulement ressembler à elle-même après marquage, elle doit continuer à se lier à sa cible. Un filigrane qui abîme la fonction ne vaut rien, puisque personne ne l’emploierait.

« No significant population-level differences in binding affinities » : un filigrane dans une protéine de synthèse

Nature, David Stutz, Alexander I. Cowen-Rivers, Guillermo Ortiz-Jimenez, Jeremy Ratcliff et collaborateurs, « Function-preserving watermarking of AI-generated proteins », 30 septembre 2026 — https://www.nature.com/articles/s41586-026-10965-y Google DeepMind, billet « We’re introducing SynthID Bio, bringing our watermarking technology to synthetic biology », 30 septembre 2026 — https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-bio/

L’équipe décrit deux dispositifs. Le premier marque les séquences : il transpose dans ProteinMPNN, un modèle de conception de séquences protéiques, la technique d’échantillonnage par tournoi déjà employée pour tatouer du texte, en biaisant le tirage des acides aminés selon une clé secrète. Le second marque les structures tridimensionnelles, en réentraînant le module de diffusion d’AlphaFold 3 conjointement avec un réseau détecteur. Dans les deux cas, le filigrane n’est lisible que par celui qui détient la clé. Pour les structures, le taux de vrais positifs dépasse 99,8 % à un taux de faux positifs de 0,1 % ; pour les séquences, la détection est garantie à 100 % par un filtrage sur la valeur de score.

Le résultat décisif est ailleurs, et il est expérimental. L’équipe a fait synthétiser et tester en laboratoire 489 séquences de liants, marquées et non marquées, dirigées contre trois cibles : le domaine de liaison au récepteur du virus SARS-CoV-2, le facteur de croissance de l’endothélium vasculaire VEGF-A, et la protéine PD-L1, qui intervient dans l’échappement des tumeurs au système immunitaire. La conclusion est formulée avec la prudence statistique d’usage : « no significant population-level differences in binding affinities » entre les protéines marquées et les autres. Le filigrane résiste en outre aux transformations rigides et à un bruit de l’ordre d’un centième d’ångström.

L’intention est explicite : établir « a vital provenance layer to strengthen biosecurity and preserve the integrity of open scientific databases ». Une couche de provenance, pour la biosécurité et pour l’intégrité des bases scientifiques ouvertes. Ce second objectif est peut-être le plus immédiat. Les banques publiques de séquences et de structures sont le matériau commun de la biologie ; si elles se remplissent de molécules dessinées par des modèles sans qu’on puisse les distinguer des molécules observées, c’est le corpus lui-même qui perd sa valeur de preuve. Il faut toutefois noter ce que l’article ne prétend pas : un filigrane ne vaut que pour les modèles qui l’embarquent, et ne dit rien de ceux à poids ouverts, que la première rubrique de ce bulletin a montrés aisément dépouillés de leurs garde-fous.

Conclusion

Le travail publié mercredi a une qualité rare : il énonce une contrainte difficile, la fonction biologique doit survivre au marquage, et il la vérifie au laboratoire sur quatre cent quatre-vingt-neuf molécules réelles plutôt qu’en simulation seule. Mais il partage le sort de tous les dispositifs de provenance : il n’a de valeur que généralisé. Un filigrane que seul le laboratoire le plus scrupuleux applique ne renseigne pas sur l’origine des molécules ; il renseigne sur l’identité de celui qui a joué le jeu.