MiniMax M2.7, Muse Spark et la Super App Codex — Cette semaine en IA

MiniMax M2.7, Muse Spark et la Super App Codex — Cette semaine en IA\n\nJe faisais défiler mon fil d'actualités samedi à minuit quand l'annonce de MiniMax m'a arrêté net. Ils avaient mis en open-source un modèle — M2.7 — qui avait exécuté plus de 100 cycles autonomes d'amélioration sur lui-même, ajustant ses propres hyperparamètres, détectant ses propres modes de défaillance et améliorant ses propres performances de 30 %. Sans intervention humaine pour la majeure partie du processus.\n\nJ'ai fixé ce chiffre pendant une minute entière. Trente pour cent. D'un modèle qui s'améliore lui-même.\n\nPuis j'ai vérifié ce qui d'autre avait été lancé la même semaine. Meta a dévoilé Muse Spark — leur premier modèle construit de zéro sous le nouveau Superintelligence Labs d'Alexandr Wang. OpenAI a fusionné ChatGPT, Codex et Atlas en une seule super app. Google a commencé à intégrer le contrôle vocal dans son outil de canevas IA. Et une startup appelée Runnable a discrètement dépassé les 2 millions de dollars d'ARR en permettant aux gens de déléguer des projets entiers à un agent IA vivant dans leur Slack.\n\nCinq annonces. N'importe laquelle aurait été la plus grande actualité IA d'une semaine normale. Cette semaine, elles sont toutes arrivées en même temps. Voici ce qui compte vraiment — et ce qui n'est que du bruit.\n\n## MiniMax M2.7 : Le modèle open-source qui s'améliore lui-même\n\nCommençons par celui qui m'a tenu éveillé jusqu'à 2 heures du matin.\n\nMiniMax — une entreprise chinoise d'IA que la plupart des développeurs occidentaux continuent de sous-estimer — vient de mettre en open-source M2.7, leur modèle le plus puissant à ce jour. Weights complets sur Hugging Face. Architecture mixture-of-experts. Et des chiffres de performance qui le placent en concurrence directe avec Opus 4.6 et GPT-5.4 sur des tâches d'ingénierie réelles.\n\nJe suis les modèles d'IA chinois depuis GLM4, et M2.7 est le premier lancement open-source qui m'a véritablement fait reconsidérer mon stack de production. Pas à cause d'un benchmark isolé — à cause de ce que les benchmarks représentent collectivement.\n\nVoici le tableau de bord qui compte :\n\n| Benchmark | Score | Ce qu'il teste réellement |\n|-----------|-------|--------------------------|\n| SWE-Pro | 56,22 % | Ingénierie réelle : debugging, sécurité, logs |\n| Terminal Bench 2 | 57,0 % | Maîtrise de la ligne de commande et opérations système |\n| SWE-Multilingual | 76,5 % | Ingénierie à travers langages et frameworks |\n| MultiSWE-Bench | 52,7 % | Défis plus larges d'ingénierie logicielle |\n| Vibe Pro | 55,6 % | Génération de code au niveau du dépôt (web, mobile, simulation) |\n| NL2 Repo | 39,8 % | Compréhension et navigation de codebases complètes |\n\nCe ne sont pas des benchmarks jouets. SWE-Pro confronte les modèles à des scénarios de production réels — le genre où vous fixez des logs serveur à 3 heures du matin en essayant de comprendre pourquoi votre déploiement a échoué. Terminal Bench 2 teste si un modèle peut réellement opérer un système, pas seulement écrire du code à ce sujet. Et Vibe Pro évalue la génération au niveau du dépôt à travers les plateformes, incluant le web, Android, iOS et les environnements de simulation.\n\nMais ce qui distingue véritablement M2.7, ce n'est aucun score individuel. C'est l'histoire derrière eux.\n\n### Auto-évolution : Quand le modèle devient son propre ingénieur\n\nC'est ici que les choses deviennent philosophiquement inconfortables.\n\nMiniMax a conçu M2.7 pour qu'il s'améliore lui-même. Pas dans le sens vague du « reinforcement learning from feedback » — de manière concrète et mesurable. Le modèle a exécuté de manière autonome plus de 100 cycles d'optimisation sur son propre code scaffold. Il a ajusté les paramètres de température. Modifié les pénalités de répétition. Construit des mécanismes de détection de boucle pour repérer quand il tournait en rond. Ajouté de nouvelles capacités à sa propre toolchain.\n\nLe résultat : une amélioration des performances de 30 % sur les benchmarks internes. D'un modèle déjà compétitif avec les systèmes frontier.\n\nJ'ai déjà écrit sur les systèmes d'IA qui s'auto-améliorent, et ce qui me frappe avec M2.7, c'est à quel point c'est devenu opérationnel. Ce n'est pas un article de recherche. MiniMax affirme que le modèle automatise actuellement 30 à 50 % du workflow de leur propre équipe de reinforcement learning, les humains intervenant principalement pour les décisions critiques et la validation finale.\n\nRéfléchissez-y un instant. Le modèle fait la moitié du travail pour s'entraîner lui-même. Les humains deviennent les relecteurs, pas les constructeurs. C'est un changement structurel dans le fonctionnement du développement de l'IA — et cela se produit dans une entreprise open-source qui vient de donner les weights gratuitement.\n\n### Où M2.7 rivalise réellement avec les modèles frontier\n\nJe veux être précis ici, car « rivalise avec GPT-5.4 et Opus 4.6 » est souvent dit à la légère. MiniMax a fait participer M2.7 à des compétitions de machine learning (MLE-Bench Light) sur un seul GPU A30 — pas un rack de H100 — et il a obtenu :\n\n- 9 médailles d'or\n- 5 médailles d'argent\n- 1 médaille de bronze\n- Taux moyen de médailles : 66,6 %\n\nC'est compétitif avec des modèles fonctionnant avec des ordres de grandeur en plus de compute. Un seul GPU A30. J'ai des projets qui consomment plus de GPU rien que pour l'inférence.\n\nSur le travail professionnel de bureau — analyse financière, génération de rapports, traitement d'earnings calls — M2.7 a obtenu un ELO de 1 495 sur GDPval-AA, se classant comme le meilleur modèle open-source pour les tâches métier. Cela signifie qu'il peut lire un rapport annuel, construire une prévision de revenus et produire une présentation à un niveau comparable à ce que livrerait un analyste junior.\n\nEt sur l'utilisation d'outils en plusieurs étapes (Toolathon benchmark : 46,3 %) et la conformité aux compétences complexes (MM-Claw : 97 % d'adhérence sur des tâches de plus de 2 000 tokens), M2.7 démontre quelque chose que je n'ai vu que dans les meilleurs modèles propriétaires : une fiabilité soutenue sur des workflows longs et complexes.\n\nLa capacité de debugging en production est ce qui m'a le plus convaincu. MiniMax a démontré M2.7 analysant des logs de production en direct, corrélant les pics de monitoring avec les chronologies de déploiement et suggérant des correctifs ciblés — ramenant le temps de récupération à moins de trois minutes. C'est du travail de Site Reliability Engineer. D'un modèle open-source.\n\n### Ce que cela signifie pour votre stack\n\nSi vous faites tourner des systèmes multi-agent et avez besoin d'un modèle performant que vous pouvez héberger vous-même, M2.7 vient de devenir le candidat évident. L'architecture mixture-of-experts signifie que vous n'activez que les paramètres nécessaires par tâche, gardant les coûts d'inférence gérables. Les weights ouverts signifient zéro dépendance API. Et le profil de benchmarks couvre exactement le type de travail que les systèmes d'agents doivent accomplir — génération de code, debugging, utilisation d'outils et achèvement de tâches à contexte long.\n\nJe ne dis pas qu'il remplace Opus 4.6 pour chaque cas d'usage. En profondeur de raisonnement pur et en suivi d'instructions, le modèle d'Anthropic conserve un avantage que je ressens au quotidien. Mais pour le type de tâches que vous délégueriez à des sous-agents spécialisés — scaffolding de code, analyse de logs, génération de documentation, écriture de tests — M2.7 tournant en local sur votre propre matériel est désormais une option sérieuse. Et cela change l'économie de l'IA agentique d'une manière qui compte.\n\n## Meta Muse Spark : Construit différemment — littéralement\n\nLe timing de Meta était impeccable. La même semaine où MiniMax lâchait une bombe open-source, Meta a lancé Muse Spark — le premier modèle issu de leurs nouveaux Superintelligence Labs, la division dirigée par Alexandr Wang (oui, cet Alexandr Wang, de Scale AI).\n\nCe qui rend Muse Spark intéressant, ce ne sont pas les benchmarks — bien qu'ils soient solides. C'est la décision architecturale qui sous-tend tout le reste.\n\nLa plupart des modèles d'IA multimodaux démarrent comme des systèmes texte uniquement auxquels on visse des capacités de vision par la suite. GPT-5 a fait ça. Claude a fait ça. On entraîne un modèle de langage, puis on le fine-tune pour comprendre les images. Ça fonctionne, mais il y a toujours une couture. Les tâches visuelles font figure de citoyens de seconde classe par rapport au texte.\n\nMeta a dit non à cette approche. Catégoriquement. Muse Spark a été construit de zéro — depuis les fondations — pour traiter texte et images nativement dans la même architecture. Pas de vissage. Pas de fine-tuning d'un modèle texte pour qu'il voie. La compréhension visuelle est intégrée dans les fondations.\n\nEt on sent la différence dans les chiffres :\n\n| Benchmark | Muse Spark | Opus 4.6 Max | GPT 5.4 Pro | Gemini 3.1 |\n|-----------|-----------|-------------|-------------|------------|\n| Screen Spot Pro | 72,2 % (84,1 % avec tools) | 57,7 % | 39,0 % | — |\n| Health Bench Hard | 42,8 % | 14,8 % | 40,1 % | 20,6 % |\n| Frontier Science | 38,3 % | — | 36,7 % | 23,3 % |\n| Humanity's Last Exam | 58,4 % (avec tools) | — | 58,7 % | 53,4 % |\n| SWE Bench Verified | 77,4 % | 80,8 % | — | 80,6 % |\n\nScreen Spot Pro saute aux yeux. Un score de 84,1 % en compréhension visuelle d'interface — contre 57,7 % pour Opus 4.6 Max et 39,0 % pour GPT 5.4 — signifie que Muse Spark peut regarder un écran et comprendre ce qui s'y trouve avec une précision quasi humaine. Pour quiconque construit des agents de computer-use ou des outils de test visuel, c'est une avancée considérable.\n\nHealth Bench Hard est l'autre point saillant. Meta a collaboré avec plus de 1 000 médecins pour constituer des données d'entraînement spécifiquement pour le raisonnement médical. Le résultat : 42,8 %, numéro un mondial. Si vous construisez des applications d'IA liées à la santé, Muse Spark est désormais le modèle à évaluer en premier.\n\n### L'histoire d'efficacité dont personne ne parle\n\nVoici la statistique qui devrait le plus intéresser les développeurs techniques : Muse Spark atteint des capacités comparables à Llama 4 Maverick avec plus de 10 fois moins de compute. Ce n'est pas une amélioration incrémentale — c'est un stack de pre-training reconstruit livrant des gains d'efficacité d'un ordre de grandeur.\n\nMeta y est parvenu grâce à trois innovations travaillant ensemble :\n\nOptimisation du pre-training — un pipeline d'entraînement fondamentalement repensé qui extrait plus d'apprentissage par dollar de compute dépensé.\n\nReinforcement learning avec des gains stables — du RL qui améliore réellement le modèle de façon constante au lieu des courbes d'entraînement bruitées et sujettes aux plateaux auxquelles la plupart des équipes font face.\n\nAméliorations du raisonnement en test-time — incluant la thought compression (résoudre des problèmes avec moins de tokens, ce qui signifie une inférence plus rapide et moins coûteuse) et ce que Meta appelle le « contemplating mode », où des agents parallèles produisent et affinent des réponses simultanément.\n\nCe contemplating mode a retenu mon attention. C'est essentiellement du raisonnement multi-agent au moment de l'inférence — le modèle engendre des chemins de raisonnement parallèles puis sélectionne ou combine la meilleure sortie. J'ai construit exactement ce type d'architecture manuellement avec des équipes d'agents Claude. Meta l'intègre directement dans le modèle.\n\n### Où Muse Spark est en retrait\n\nJe ne ferais pas correctement mon travail si je ne soulignais que les victoires. Muse Spark a une faiblesse claire, et elle est significative pour certains cas d'usage.\n\nARC AGI 2 — le benchmark de raisonnement abstrait — place Muse Spark à 42,5 %, tandis que Gemini et GPT-5.4 dépassent tous deux 76 %. Ce n'est pas un petit écart. Cela suggère que l'architecture nativement multimodale, aussi incroyable soit-elle pour le raisonnement visuel et appliqué, sacrifie peut-être quelque chose en reconnaissance de motifs purement abstraite.\n\nSWE Bench Verified raconte une histoire similaire. À 77,4 %, Muse Spark est solide mais traîne derrière Opus (80,8 %) et Gemini 3.1 (80,6 %) sur les tâches vérifiées d'ingénierie logicielle. Si votre cas d'usage principal est la programmation agentique, Muse Spark n'est pas encore le leader.\n\nIl ne sera pas non plus open-source — du moins pas initialement. Meta a dit qu'il y a « l'espoir de rendre les futures versions open-source », ce qui est le langage le plus évasif qu'ils auraient pu choisir. Étant donné qu'ils l'ont construit pour alimenter l'app Meta AI, WhatsApp, Instagram et les intégrations Messenger, je ne retiens pas mon souffle pour des weights ouverts.\n\n## La Super App d'OpenAI : Tout dans une seule fenêtre\n\nPendant que MiniMax et Meta jouaient le jeu des modèles, OpenAI a fait un coup d'infrastructure qui pourrait avoir plus d'impact à long terme.\n\nLe 6 avril, OpenAI a lancé ce qu'ils appellent la super app unifiée — une seule application de bureau qui fusionne ChatGPT, Codex (l'agent de programmation) et Atlas (leur navigateur IA) en une interface unique. En parallèle, ils ont publié ChatGPT 5.5, un modèle de transition entre GPT-5.4 et ce qui vient ensuite (surnommé en interne « Spud », qui serait GPT-6).\n\nJ'utilise le Codex d'OpenAI depuis les premiers jours du CLI, et la fragmentation a toujours été un point de friction. Vous voulez discuter ? Ouvrez ChatGPT. Vous voulez coder ? Ouvrez Codex. Vous voulez naviguer et rechercher ? Ouvrez Atlas. Trois interfaces différentes, trois fenêtres de contexte différentes, trois ensembles de capacités différents qui ne communiquent pas entre eux.\n\nLa super app élimine cette friction. Tout vit dans une seule fenêtre. Et surtout, les agents peuvent se transmettre des tâches de manière fluide.\n\n### Le scratchpad change ma façon de penser le multitâche\n\nLa fonctionnalité phare est ce qu'OpenAI appelle le « scratchpad » — une interface qui permet de lancer plusieurs tâches Codex parallèles depuis une seule vue. Voyez-le comme un gestionnaire de tâches pour agents IA. Vous écrivez trois tâches de programmation, les lancez toutes simultanément, et chacune s'exécute dans son propre environnement isolé. Pendant qu'un agent refactorise votre module d'authentification, un autre écrit des tests pour votre flux de paiement, et un troisième génère la documentation de l'API.\n\nC'est étrangement similaire à ce que j'ai construit manuellement avec des équipes d'agents Claude Code — mais OpenAI en fait un produit à l'interface grand public. Les agents gérés traitent des workflows multi-étapes de manière autonome, consultent périodiquement pour approbation sur les décisions critiques, et maintiennent des connexions persistantes « heartbeat » qui supportent les processus de fond de longue durée.\n\nIl y avait des spéculations sur un nouveau lancement de modèle portant le nom de code « Glacier » — possiblement GPT-5.5 — coïncidant avec le lancement de l'app. OpenAI a finalement opté pour le nom ChatGPT 5.5, le positionnant comme un modèle amélioré de gestion de mémoire et de continuité des tâches plutôt qu'une montée en puissance brute de l'intelligence. Disponible immédiatement pour les abonnés Plus et Pro, avec un déploiement limité gratuit à suivre.\n\n### Pourquoi c'est plus important qu'un autre saut de modèle\n\nVoici mon analyse : OpenAI parie que le prochain avantage compétitif n'est pas l'intelligence du modèle — c'est la cohésion de la plateforme. Quand tout vit dans une app, le contexte ne se perd pas entre les outils. Votre conversation de chat informe votre agent de programmation qui informe votre recherche navigateur qui alimente en retour votre chat. Cet effet de volant d'inertie est puissant, et c'est quelque chose qu'on ne peut pas répliquer en scotchant des outils séparés ensemble.\n\nLes parallèles avec ce qu'Anthropic construit avec Conway et ce que Runnable fait avec sa plateforme d'agents sont frappants. Toute l'industrie converge vers le même constat : l'avenir de l'IA n'est pas un chatbot à qui vous parlez. C'est un système d'agents qui travaille à vos côtés.\n\n## Google Mixboard : Quand votre canevas vous écoute\n\nLa contribution de Google cette semaine est plus modeste en envergure mais fascinante en termes de direction.\n\nMixboard a démarré comme un canevas d'images alimenté par l'IA — glisser, déposer, remixer et générer des visuels sur un tableau collaboratif. Pensez Miro rencontre Midjourney. Mais Google le fait évoluer vers quelque chose de plus ambitieux : un espace de travail collaboratif hybride complet avec contrôle vocal.\n\nLes nouvelles fonctionnalités expérimentales incluent des stickers, des notes vocales, des formes géométriques et des marqueurs qui se superposent aux images générées par l'IA. Mais le vrai coup, c'est le mode vocal — la capacité de manipuler l'ensemble du tableau par la parole. Générez une image. Déplacez-la à gauche. Changez le fond. Ajoutez un calque texte. Tout en parlant.\n\nGoogle a construit cela sur la même infrastructure que leur outil d'interaction vocale Stitch, et si ça fonctionne comme démontré, cela comble un fossé qui m'agace dans chaque outil créatif IA que j'ai essayé : le goulot d'étranglement de la saisie. Même le meilleur canevas IA est limité par la vitesse à laquelle vous pouvez taper des prompts et cliquer sur des boutons. La voix supprime entièrement cette friction.\n\nLa fonction d'export PDF est l'atout silencieux. Imaginez mener une session de brainstorming sur Mixboard — des collaborateurs qui lancent des idées, génèrent des images, organisent des concepts — puis exporter l'ensemble du tableau en document structuré d'un seul clic. Cela comble le fossé entre « session d'idéation » et « livrable » d'une manière qu'aucun autre outil que j'ai utilisé ne fait proprement.\n\nGoogle n'a pas confirmé de détails d'intégration ni de date de lancement ferme. Vu la fenêtre de Google I/O (19-20 mai), je m'attends à une annonce officielle là-bas, probablement liée à Gemini ou Google Workspace. Pour l'instant, c'est disponible en tant qu'expérience dans Google Labs.\n\n## Runnable Run Claw : Le coéquipier IA dans votre chat\n\nLa dernière annonce est celle qui vous prend par surprise.\n\nRunnable a lancé Run Claw — un agent IA basé dans le cloud qui vit dans Slack, Telegram et Discord. Vous lui envoyez des messages comme à un collègue. Il pose des questions de clarification. Planifie le travail. L'exécute de manière autonome. Rend compte quand c'est terminé.\n\nJe couvre les agents IA dans les plateformes de chat depuis des mois, et ce qui rend Run Claw différent, ce n'est pas le concept — c'est la maturité d'exécution. Ce n'est pas un chatbot avec des intégrations API vissées dessus. C'est un agent pleinement autonome avec :\n\n- Upload de fichiers pour fournir du contexte (déposez un mockup design, obtenez un site web)\n- Mode chat pour la recherche et le brainstorming\n- Mode plan pour les constructions complexes en plusieurs étapes\n- Sélection de modèle pour choisir la bonne IA pour chaque tâche\n- Mémoire pour apprendre vos préférences au fil du temps\n- Connectors pour Google, Slack, Notion, GitHub, Shopify et plus\n\nLa sortie multimodale est ce qui le distingue des outils similaires. Run Claw ne se contente pas d'écrire du texte. Il construit des sites web en direct avec bases de données, traitement des paiements (intégration Stripe), optimisation SEO, analytics, contrôle de version et même des agents vocaux alimentés par l'IA. À partir d'un message Slack.\n\nRunnable a récemment dépassé les 2 millions de dollars de revenus annuels récurrents et livre des mises à jour produit quotidiennement. Ce sont les métriques qui me disent que ce n'est pas un projet de week-end — c'est une entreprise qui construit une vraie infrastructure avec une vraie traction.\n\n### Le schéma plus large : les agents IA comme collègues\n\nRun Claw, la super app d'OpenAI, le système Conway d'Anthropic — ils convergent tous vers la même vision. L'IA n'est pas un outil qu'on ouvre quand on a besoin d'aide. C'est une présence permanente dans votre workflow qui gère les tâches comme le ferait un collègue compétent. Vous déléguez. Elle exécute. Vous relisez. Elle itère.\n\nNous assistons à la transition de « l'IA comme moteur de recherche » à « l'IA comme coéquipier » en temps réel. Et les entreprises qui résoudront l'UX de la délégation — pas le prompting, mais la véritable délégation de tâches — domineront la prochaine phase.\n\n## Ce que cette semaine nous dit vraiment\n\nCinq annonces. Cinq stratégies différentes. Voici le schéma que je vois sous la surface :\n\nL'open source accélère plus vite que le propriétaire. MiniMax M2.7 qui égale les modèles frontier sur des tâches d'ingénierie réelles — et qui met les weights en open-source — met la pression sur chaque entreprise qui facture des tarifs API premium. Quand un modèle auto-hébergé peut faire 80 % de ce que fait GPT-5.4 pour une fraction du coût, l'économie du développement IA change de manière permanente.\n\nLe nativement multimodal est la nouvelle ligne de base. Meta qui construit Muse Spark de zéro pour la vision et le texte — plutôt que de visser la vision sur un modèle texte — indique où va l'architecture. Attendez-vous à ce que chaque lancement majeur de modèle soit désormais nativement multimodal. L'approche « ajouter la vision plus tard » est morte.\n\nLes plateformes battent les modèles. OpenAI qui fusionne tout en une app, Runnable qui intègre des agents dans Slack, Google qui ajoute la voix à son canevas — ce sont des coups de plateforme, pas des coups de modèle. L'intelligence brute du modèle sous-jacent importe moins quand la couche d'intégration est fluide.\n\nL'auto-amélioration n'est plus théorique. Le modèle de MiniMax exécutant 100 cycles d'optimisation autonomes n'est pas une démo de recherche. C'est de l'infrastructure de production. Quand les modèles peuvent s'améliorer eux-mêmes de manière significative, le rythme du développement IA n'est plus limité par la bande passante d'ingénierie humaine.\n\nLa santé et la science sont les nouvelles applications de pointe. Muse Spark et M2.7 ont tous deux montré de solides performances sur les benchmarks médicaux et scientifiques. La phase « IA pour coder » n'est pas terminée, mais la prochaine vague d'applications à un milliard de dollars viendra probablement d'IA capables de raisonner sur la biologie, la chimie et la médecine clinique.\n\nJe couvre les outils d'IA depuis assez longtemps pour savoir que la plupart des mises à jour hebdomadaires n'ont pas d'importance. La plupart des sorties de modèles sont incrémentales. La plupart des lancements de produits sont prématurés.\n\nCette semaine n'était pas de cet ordre. Cinq entreprises différentes — de l'open source au big tech — ont chacune livré quelque chose qui déplace le paysage de manière mesurable. La question n'est pas de savoir si le développement de l'IA accélère. C'est de savoir si le reste d'entre nous peut suivre le rythme des outils qui se construisent eux-mêmes.\n\n---\n\nCe que je surveille ensuite : MiniMax M2.7 en fonctionnement dans mon pipeline local d'agents (attendez-vous à un test pratique), Google I/O pour les mises à jour Mixboard et Gemini, et si la super app d'OpenAI tient vraiment quand des workflows réels la sollicitent à grande échelle. Je vous tiendrai informés.\n\n---\n\nSi vous construisez avec des agents IA et voulez l'avis sans filtre sur ce qui fonctionne vraiment, je partage mes expériences, workflows et revues honnêtes d'outils ici sur mejba.me. Pas de contenu sponsorisé. Pas de battage. Juste ce que j'apprends en construisant.\n\n---\n\n### Social Distribution Package\n\nTwitter/X :\nMiniMax vient de mettre en open-source un modèle qui s'est amélioré de 30 %.\n\nMeta a construit une IA multimodale de zéro qui est n° 1 en raisonnement médical.\n\nOpenAI a fusionné ChatGPT + Codex + Atlas en une app.\n\nGoogle a ajouté le contrôle vocal à son canevas IA.\n\nEt une startup d'agent Slack a atteint 2 M$ d'ARR.\n\nMon analyse des 5 plus grandes sorties IA de la semaine 🧵\n\nLinkedIn :\nCinq lancements IA majeurs sont arrivés en une seule semaine — et ils racontent une histoire claire sur la direction de l'industrie.\n\nMiniMax M2.7 prouve que les modèles open-source peuvent égaler les systèmes frontier tout en s'auto-améliorant. Le Muse Spark de Meta montre que l'architecture nativement multimodale est l'avenir. L'app unifiée d'OpenAI démontre que les plateformes battent les modèles individuels. Google Mixboard laisse entrevoir la collaboration voice-first. Et les 2 M$ d'ARR de Runnable prouvent que les agents IA comme coéquipiers permanents ne sont plus une théorie.\n\nLe schéma : nous passons de « l'IA comme outil » à « l'IA comme collègue ». Les entreprises qui résoudront l'UX de la délégation — pas seulement le prompting — gagneront la prochaine phase.\n\nAnalyse complète sur mejba.me.\n\nNewsletter :\nObjet : La semaine où l'IA a commencé à se construire elle-même\n\nCette semaine, cinq entreprises ont livré cinq visions différentes de l'avenir de l'IA — toutes en même temps.\n\nLe point fort : MiniMax a mis en open-source un modèle qui a exécuté 100 cycles autonomes d'amélioration sur lui-même, augmentant ses propres performances de 30 %. Ce n'est pas un article de recherche. C'est un système de production où l'IA fait la moitié du travail pour s'entraîner elle-même.\n\nJ'analyse les cinq annonces — MiniMax M2.7, Muse Spark de Meta, la super app d'OpenAI, Google Mixboard et l'agent chat de Runnable — avec l'avis honnête sur ce qui compte pour les développeurs et ce qui n'est que du marketing.\n\nLire l'analyse complète → [link]\n