Bloc 1 — Éducation et pédagogie

1. IA et cognition des jeunes — Un effet de 0,89 écart-type publié ce matin, et trois phrases des auteurs qui en interdisent l’usage

Ce qu’un enseignant retient d’une méta-analyse, c’est son chiffre. Celle que Frontiers in Education a mise en ligne ce 13 octobre en donne un, large : 0,89 écart-type. Son titre annonce des implications pour l’apprentissage de l’écriture. Son texte écrit trois fois que le chiffre ne mesure pas l’écriture. Les deux énoncés sont séparés de quelques lignes dans la même page.

« L’effet agrégé représente un effet global sur les résultats d’apprentissage, et non un effet propre à la compétence rédactionnelle » : onze études, 477 participants, et un titre qui annonce l’écriture

Frontiers in Education, Aziza Zhunusbekova, Yessenkeldy Tuyakov, Almagul Ardabayeva et Abay Karatayev, « Technology-enhanced and AI-supported instruction: a meta-analysis of student learning outcomes with implications for writing development » (« enseignement outillé par la technologie et assisté par l’IA : une méta-analyse des résultats d’apprentissage, avec des implications pour le développement de l’écriture »), 13 octobre 2026 — https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2026.1913614/full

Le corpus compte onze études empiriques publiées entre 2020 et 2023, pour environ 477 participants au total. Les effectifs individuels vont de 23 à 94 élèves ou étudiants, soit une moyenne de 43. Les terrains sont indonésiens, thaïlandais, malaisiens, chinois, australiens et américains ; le primaire, le secondaire et le supérieur y sont mêlés. La recherche documentaire, conduite selon la procédure PRISMA 2020 sur quatre bases, a retourné 510 références ; onze ont franchi les critères d’inclusion. Deux codeurs ont filtré les titres avec un accord inter-juges de 0,87.

Le résultat agrégé est celui qui sera cité : un g de Hedges de 0,89, avec un intervalle de confiance à 95 % de 0,76 à 1,10, pour un Z de 9,88 et un seuil inférieur à 0,001. Les effets des études prises une à une s’étalent de 0,50 à 1,81. L’intervalle publié n’est pas centré sur 0,89 ; l’article n’explique pas cet écart.

L’hétérogénéité, elle, n’est pas citée. Le Q vaut 68,42 pour dix degrés de liberté, le I² 86,8 %, le tau carré 0,112. Le I² mesure la part de la dispersion des résultats qui ne s’explique pas par le seul hasard d’échantillonnage : à 86,8 %, les onze études ne mesurent pas le même effet, et leur moyenne décrit mal chacune d’elles.

Vient alors la phrase que les auteurs placent dans leur résumé : « the pooled effect represents an overall effect on student learning outcomes rather than a writing-proficiency-specific effect » (« l’effet agrégé représente un effet global sur les résultats d’apprentissage, et non un effet propre à la compétence rédactionnelle »). Ils la redisent dans la discussion : « the pooled effect should not be interpreted as a direct estimate of improvement in writing proficiency » (« l’effet agrégé ne doit pas être interprété comme une estimation directe d’un progrès en compétence rédactionnelle »). Les critères d’inclusion le confirment : les résultats agrégés sont des notes d’évaluation, du vocabulaire, de la motivation, de la littératie. Le titre de l’article annonce néanmoins le développement de l’écriture.

Les analyses de sous-groupes sont la partie utile, et les auteurs en limitent eux aussi la portée : « the moderator analyses should be interpreted as exploratory rather than confirmatory » (« les analyses de modérateurs doivent être interprétées comme exploratoires et non comme confirmatoires »), onze études ne permettant pas davantage. Par niveau, l’effet décroît : 0,95 au primaire sur quatre études, 0,88 au secondaire sur quatre, 0,63 dans le supérieur sur trois. Par type d’outil, 1,02 pour les dispositifs interactifs sur sept études contre 0,61 pour les supports statiques ou textuels sur quatre, avec un Q de 7,53 et un seuil de 0,023.

Le modérateur le plus instructif est la durée. Les interventions de trois semaines ou moins donnent 0,59 sur trois études ; celles de quatre à huit semaines, 0,91 sur six études ; celles de plus de huit semaines, 0,47 sur deux études. Le contraste est déclaré significatif, avec un Q de 6,21 et un seuil de 0,045, et il repose sur deux études dans le dernier groupe. L’effet le plus fort se trouve donc dans la fenêtre où un dispositif est encore nouveau, et le plus faible dans celle où il a cessé de l’être.

Le biais de publication n’a pas été testé formellement. L’article s’appuie sur la lecture visuelle d’un entonnoir et conclut « with no extreme asymmetry or missing data patterns that would show serious publication bias » (« sans asymétrie extrême ni configuration de données manquantes qui révélerait un biais de publication sérieux »), tout en relevant une légère inclinaison vers la droite, c’est-à-dire des effets plus grands dans les plus petites études. Aucun test d’Egger n’est rapporté. Le corpus, enfin, est antérieur à 2024 : la plupart des interventions incluses ne mobilisent pas de modèle de langue génératif, et l’article le reconnaît.

Conclusion

Un effet de 0,89 calculé sur onze études dont la plus grande compte 94 participants, avec un I² de 86,8 % et un corpus arrêté en 2023, mesure l’écart entre deux conditions expérimentales courtes. Ce que la méta-analyse établit de plus solide pour une classe est l’inverse d’un argument de vente : l’effet tombe à 0,47 quand l’intervention dépasse huit semaines.

Bloc 2 — La grande image

2. Risques technologiques — Un modèle de langue réparti sur quinze boîtiers de télévision à cinquante-cinq dollars, et aucun point central à éteindre

L’hypothèse de travail des plans de sécurité, depuis trois ans, est qu’un modèle dangereux a besoin d’un centre de données : on sait où il tourne, qui le facture, et comment l’arrêter. Le laboratoire de sécurité d’Anthropic a publié le 12 octobre une évaluation qui retire cette hypothèse. Le modèle y tourne sur des boîtiers de télévision à quatre gigaoctets de mémoire, et se recopie seul d’une machine à l’autre.

« Un réplicateur de ce genre serait difficile à arrêter, puisqu’il n’existe aucun point central à couper » : huit machines sur huit atteintes dans quatre essais sur cinq

Anthropic, William Zhou et Daniel Freeman, équipe Frontier Red Team, « AI models may be capable of self-replicating without access to a datacenter » (« des modèles d’IA sont peut-être capables de se répliquer sans accès à un centre de données »), 12 octobre 2026 — https://www.anthropic.com/research/self-replicating-ai

L’évaluation découpe la réplication en quatre étapes : trouver des cibles, y obtenir l’exécution de code, y installer un moteur d’inférence, puis se propager. Les deux premières, qui relèvent de l’intrusion ordinaire, se sont révélées faciles dans le dispositif de test ; c’est la troisième que les auteurs mesurent. Un modèle de neuf milliards de paramètres a réussi à faire tourner son inférence sur huit des neuf types de matériel essayés. En dessous de trente milliards de paramètres, les modèles exécutent la plupart des étapes prises séparément, mais échouent à les enchaîner de bout en bout.

Un modèle ouvert y parvient : GLM-5.2, et les modèles plus puissants. Sur un banc de huit machines sous Android, il a atteint les huit machines dans quatre essais sur cinq, et sept sur huit au cinquième. Les autres modèles à poids ouverts ont échoué de façon régulière. Quand les auteurs remplacent l’installation par un script déjà écrit, un modèle de trois milliards de paramètres atteint environ la moitié d’un réseau de dix-sept machines : la difficulté n’est pas la propagation, c’est l’installation.

La démonstration matérielle est la partie que l’on retient. Les auteurs ont réparti Gemma4-26B-A4B sur quinze boîtiers de télévision Android sans marque, achetés environ cinquante-cinq dollars pièce, dotés de quatre gigaoctets de mémoire chacun. L’ensemble produit 0,39 jeton par seconde — une phrase par minute. La durée d’installation complète va de 71 à 150 heures pour ce modèle, de 28 à 51 heures pour un modèle de neuf milliards de paramètres, et les auteurs estiment le temps de doublement d’une population de répliques à un ou deux jours.

C’est cette lenteur qui fonde la phrase centrale du rapport : « A replicator like this would be challenging to shut down, since there’s no centralized point to shut off » (« un réplicateur de ce genre serait difficile à arrêter, puisqu’il n’existe aucun point central à couper »). L’ordre de grandeur est donné par comparaison avec un réseau de machines compromises existant, Kimwolf, qui a infecté plus de deux millions d’appareils : à raison d’une copie du modèle par groupe de quinze boîtiers, cela ferait environ 133 000 répliques et de l’ordre de 80 000 jetons par seconde, soit au plus l’équivalent de quarante cartes H100. La capacité totale des accélérateurs embarqués dans les objets connectés est estimée entre 9 000 et 35 000 équivalents H100, dont la part réellement atteignable et vulnérable est jugée plus faible d’un ordre de grandeur au moins.

Deux mesures encadrent la projection. La première est une tendance : l’indice de capacités d’Epoch progresse de 13,7 points par an avec un coefficient de détermination de 0,95 ; prolongée, la courbe amène un petit modèle au niveau de GLM-5.2 à la fin de 2026. La seconde est une adaptation : sur six générations successives d’un même modèle de neuf milliards de paramètres héritant des notes de ses échecs, le taux de réussite de l’installation passe de 45 % à une fourchette de 61 à 84 %. L’accès à un modèle de pointe comme conseiller n’a, lui, produit aucune amélioration significative.

Les auteurs décrivent aussi ce qui fonctionne contre un tel réseau, et le précédent est chiffré : la mise en quarantaine des abonnés infectés a éliminé 92 % des infections du réseau Mirai en quatorze jours, contre 74 % sans notification. La surveillance des flux réseau détecte les transferts de plusieurs gigaoctets et les échanges inhabituels entre appareils d’un même domicile. Et l’interdiction britannique des mots de passe par défaut sur les objets connectés réduit mécaniquement le nombre de cibles.

Conclusion

Les quinze boîtiers produisent une phrase par minute : aucun usage économique ne justifie cette architecture. La quarantaine des abonnés a éliminé 92 % des infections de Mirai en quatorze jours ; le taux d’installation d’un modèle de neuf milliards de paramètres passe de 45 % à 84 % lorsqu’il hérite des notes de ses propres échecs.

3. Réponses réglementaires — Londres annonce qu’il légiférera pour obtenir les modèles avant leur sortie, et trois régulateurs bancaires américains demandent aux banques comment elles éteindraient un agent

Hapax n°30 rapportait, le 12 octobre, que la Maison-Blanche avait rendu à l’institut britannique de sécurité de l’IA l’accès anticipé aux modèles d’Anthropic, de Google DeepMind et d’OpenAI, dix-sept jours après avoir demandé aux laboratoires de le lui refuser, et qu’aucun texte public n’avait accompagné la coupure ni son retrait. Le ministre britannique de l’intelligence artificielle a répondu le même jour, dans un discours : cet accès sera inscrit dans la loi. Le lendemain, Reuters révélait que trois régulateurs bancaires américains interrogent les banques sur la manière dont elles arrêteraient un système autonome.

« Nous légiférerons partout où ce sera nécessaire » : un accès obtenu par négociation en septembre, que Londres veut rendre statutaire

GOV.UK, Kanishka Narayan, ministre de l’intelligence artificielle, discours « Building a Safer, More Secure Britain in the age of AI » (« bâtir une Grande-Bretagne plus sûre à l’âge de l’IA »), prononcé à Base One, Imperial College London, 12 octobre 2026 — https://www.gov.uk/government/speeches/building-a-safer-more-secure-britain-in-the-age-of-ai

Imperial College London, 12 octobre 2026 — https://www.imperial.ac.uk/news/articles/2026/ai-minister-announces-measures-to-protect-against-ai-risks-in-speech-at-imperial/

ITV News, 12 octobre 2026, 14 h 14 — https://www.itv.com/news/2026-10-12/ai-breach-of-uk-cyber-defences-likely-if-not-inevitable-minister-warns

Le discours fixe un objectif et une méthode. L’objectif : « I want Britain to become one of the hardest countries in the world to attack using artificial intelligence » (« je veux que la Grande-Bretagne devienne l’un des pays les plus difficiles à attaquer au monde au moyen de l’intelligence artificielle »). La méthode tient en une phrase, « We will legislate wherever necessary » (« nous légiférerons partout où ce sera nécessaire »), et vise deux dispositifs.

Le premier porte sur les incidents. Le projet de loi britannique sur la cybersécurité et la résilience couvrirait « identifying and reporting on serious incidents and near misses » (« l’identification et le signalement des incidents graves et des quasi-accidents »). Le second porte sur l’accès aux modèles : le gouvernement déclare avoir travaillé à « retain access for Britain’s AI Security Institute to the most powerful AI models before they are released » (« conserver à l’institut britannique de sécurité de l’IA l’accès aux modèles d’IA les plus puissants avant leur publication »). Le mot important est conserver : en septembre, cet accès dépendait d’une négociation avec Washington, et il a cessé pendant dix-sept jours. Le Financial Times, dont l’article n’est pas accessible sans abonnement, rapporte que le ministre prépare des pouvoirs statutaires sur ce point ; le discours publié, lui, ne nomme pas ces pouvoirs et se borne à l’engagement de légiférer.

L’avertissement adressé aux laboratoires est plus net que le reste : « Listen when your scientists warn of serious dangers. Investigate unexpected behaviour. » Puis : « And if you cannot adequately control the risks, do not release the system » (« écoutez vos scientifiques quand ils alertent sur des dangers graves. Enquêtez sur les comportements inattendus. Et si vous ne pouvez pas maîtriser convenablement les risques, ne publiez pas le système »).

Sur l’état des défenses nationales, le ministre a déclaré à la presse qu’une brèche est à attendre : « It seems likely, if not inevitable, that our own cyber defences will be breached » (« il paraît probable, sinon inévitable, que nos propres défenses informatiques soient percées »). Les mesures annoncées restent de l’ordre du pilote : deux expérimentations ont permis de détecter et de corriger plus d’un millier de vulnérabilités dans des systèmes gouvernementaux, et le gouvernement entend les étendre au secteur public.

« L’adoption de l’IA dépasse souvent la capacité à mettre en place les contrôles » : la Réserve fédérale demande aux banques comment elles arrêteraient un système autonome

Reuters, Nupur Anand, Phoebe Seers, Tommy Reggiori Wilkes et Pete Schroeder, « Banking watchdogs ramp up AI scrutiny as stability fears mount » (« les régulateurs bancaires renforcent leur surveillance de l’IA alors que les craintes pour la stabilité montent »), 13 octobre 2026, repris par BNN Bloomberg — https://bnnbloomberg.ca/business/economics/2026/10/13/banking-watchdogs-ramp-up-ai-scrutiny-as-stability-fears-mount-sources-say-reuters-exclusive

L’information repose sur six personnes au fait du dossier, et elle porte sur le contenu des questions posées. Trois régulateurs américains — la Réserve fédérale, le contrôleur des banques nationales et l’agence de garantie des dépôts — interrogent les établissements sur les limites fixées à leurs systèmes d’intelligence artificielle, sur la surveillance et l’approbation des actions que ces systèmes engagent, sur la traçabilité des décisions prises par des agents, sur les garde-fous contre un dépassement de mandat, et sur la manière dont la banque arrêterait un système autonome. Les trois agences n’ont pas commenté. Les questions portent aussi sur l’usage de technologies développées en Chine et sur le recours à des agents dans la défense informatique.

En Europe, la Banque centrale européenne a fixé aux banques une échéance de fin octobre pour produire des plans contre les menaces informatiques appuyées sur l’IA, et demande la cartographie des usages de l’IA dans les métiers et chez les prestataires. La Banque d’Angleterre pousse les plus grands établissements à examiner des systèmes de reprise dits « bare metal », indépendants de l’informatique principale ; les autorités britanniques indiquent vouloir travailler avec le secteur plutôt qu’ajouter des obligations.

Deux praticiens résument l’écart. Michael Woodbridge, associé chargé de la cybersécurité au cabinet Grant Thornton : « The adoption of AI is often outpacing the ability to put the controls in place » (« l’adoption de l’IA dépasse souvent la capacité à mettre en place les contrôles »). Sukand Ramachandran, directeur général et associé principal du Boston Consulting Group : « To protect against attacks, rapid recovery matters as much as prevention » (« pour se protéger des attaques, la rapidité du rétablissement compte autant que la prévention »), avant d’avertir qu’« a serious attack could lock customers out of their accounts and disrupt payments across the wider economy » (« une attaque grave pourrait priver les clients de l’accès à leurs comptes et désorganiser les paiements dans l’économie tout entière »).

L’article rapporte enfin, d’après la société de sécurité CrowdStrike, qu’une personne située en Chine a probablement utilisé un agent développé en Chine et l’outil de codage d’Anthropic dans une attaque contre des banques sud-coréennes. Le Fonds monétaire international, de son côté, a mis en garde contre la « complaisance » des marchés financiers au vu du risque de cyberattaque.

Conclusion

Les questions posées par la Réserve fédérale portent sur l’existence d’un interrupteur et sur la trace écrite des décisions d’un agent : le contrôle d’un système dont on suppose qu’il agit seul. Londres, de son côté, a obtenu par négociation en septembre un accès qu’elle propose aujourd’hui d’inscrire dans la loi ; un accès statutaire ne se retire pas en dix-sept jours sans texte.