Microsoft veut restreindre les droits des agents IA en cas de risque

Le 19 octobre 2026, Microsoft a présenté de nouveaux outils pour encadrer les agents d'intelligence artificielle dans son écosystème de sécurité, notamment Project Perception et Agent 365. Ces outils limitent ce que chaque agent peut atteindre et resserrent ces limites lorsque son niveau de risque augmente. Avec Dynamic Permissions, un agent démarre sans droits propres et ne reçoit que ce qu'exige une tâche, pendant toute sa durée. Une autre fonction, Dynamic Agent Risk, évalue chaque agent en continu à partir de signaux venant de l'identité, des données, des appareils, du cloud et du réseau. Quand le risque monte, la réponse se fait par paliers : l'agent peut perdre le droit de modifier des fichiers tout en gardant l'accès en lecture, voir son accès à certaines données retiré, devoir obtenir une validation humaine, ou être arrêté. Microsoft étend aussi sa détection à 60 types d'agents installés sur les postes de travail, soit 35 de plus, dont Claude Code, Codex d'OpenAI et GitHub Copilot. Les limites sont nettes. Microsoft n'a fourni ni date de disponibilité ni tarif pour ces nouveaux contrôles. Enfin, l'entreprise reconnaît elle-même qu'un agent disposant d'accès légitimes peut rencontrer une instruction malveillante cachée dans un document externe et tenter une action hors de sa tâche.

Le 20 octobre 2026, AGCO et Agility Robotics ont annoncé un accord commercial pour tester le robot humanoïde Digit dans la fabrication de machines agricoles. Le pilote doit commencer en 2027 dans l’usine AGCO de Hesston, au Kansas.

Les premières tâches envisagées comprennent le tri et l’empilage de pièces ainsi que le placement de bacs de stockage. Les partenaires visent des opérations répétitives, physiquement exigeantes ou dangereuses. Les améliorations de sécurité et de productivité évoquées dans le communiqué sont des objectifs, pas des résultats déjà mesurés sur ce site.

Le communiqué ne précise ni le nombre de robots ni le prix de l’accord. Il annonce un pilote à venir ; il ne permet pas de présenter Digit comme déjà déployé dans cette usine.

Le 19 octobre 2026, une équipe associée à MemTensor a publié sur arXiv la prépublication « MemT-1.0: Towards Memory-Native Evolution ». Le texte présente une architecture qui remplace la sélection de jetons par un mécanisme de mise à jour stable au niveau du jeton, fondé sur Gated DeltaNet-2, et introduit un Mixture-of-Storage pour étendre la capacité de mémoire native. Deux modèles sont publiés : MemT-1.0-Nano avec 36 milliards de paramètres (3 milliards activés, 10 millions de mémoire dynamique) et MemT-1.0-Flash avec 288 milliards de paramètres (17 milliards activés, 336 millions de mémoire dynamique), bâtis respectivement sur Qwen3.6-35B-A3B et DeepSeek-V4-Flash selon la fiche publiée par MemTensor. L'entraînement a reposé sur un pipeline en deux étapes, pré-entraînement continu puis post-entraînement, sur 34 milliards de jetons de données. Sur le plan chiffré, les auteurs rapportent qu'à une longueur d'historique de 128 000 jetons, MemT-1.0-Nano atteint environ 1,86 fois d'accélération d'inférence de bout en bout et une réduction de 66 fois du stockage persistant par rapport à un cache clé-valeur à contexte complet. Sur les benchmarks de mémoire, MemT-1.0-Flash et MemT-1.0-Nano obtiennent des scores moyens de 50,6 et 47,0 respectivement, se classant premier et second parmi les méthodes de mémoire paramétrique, devançant la meilleure référence paramétrique de 12,5 et 8,9 points. Ces résultats sont ceux des auteurs ; cette prépublication ne constitue pas une évaluation indépendante. De plus, les systèmes de mémoire textuelle forts demeurent en tête globalement, en particulier sur les historiques longs nécessitant une récupération détaillée de preuves, selon la fiche du modèle. Le gain de stockage concerne l'efficacité d'inférence, pas la justesse des réponses sur l'ensemble des tâches.