En bref
- 🚀 Spark RTX marque l’arrivée de Nvidia sur un nouveau terrain : une superpuce CPU+GPU pensée pour l’IA locale sur PC Windows Arm.
- 🧠 Objectif : faire passer l’ordinateur d’un modèle “applications” à un modèle “agents intelligents” capables d’agir, coordonner et automatiser.
- 🔒 Avec OpenShell, Microsoft et Nvidia mettent l’accent sur des agents autonomes mais gouvernés (isolation, permissions, règles non modifiables).
- ⚙️ L’atout clé : l’écosystème CUDA et une architecture taillée pour l’intelligence artificielle (Tensor Cores FP4, mémoire unifiée, NVLink-C2C).
- 💼 Les premiers portables et mini-PC attendus chez ASUS, Dell, HP, Lenovo, Surface, MSI (puis Acer, Gigabyte), avec un positionnement premium.
- 🏢 Pour l’entreprise : DGX Station pour Windows rapproche des usages de data center du poste de travail IA (modèles gigantesques, centaines d’agents).
Sur scène à Taipei, lors du Computex et de la GTC locale, une idée a dominé : le PC est en train de changer de nature. Pas une simple mise à jour de composants, mais une bascule d’usage, presque une refonte culturelle de l’ordinateur tel qu’il est pratiqué depuis des décennies. Avec Spark RTX, Nvidia et Microsoft racontent un futur proche où l’on ne “lance” plus un logiciel pour accomplir une tâche, mais où l’on formule une intention, et où une constellation d’agents intelligents s’occupe d’orchestrer le reste, localement, de façon rapide, personnalisée et contrôlable.
Ce récit s’appuie sur une promesse très concrète de technologie : rendre l’intelligence artificielle suffisamment performante en local pour réduire la dépendance au cloud, tout en relevant le niveau de sécurité et de confidentialité. L’enjeu dépasse le confort : il touche la conformité en entreprise, la protection des données personnelles, et la capacité à automatiser des processus entiers sans “exfiltrer” des documents sensibles. Dans cette innovation, la puce n’est que le début ; le vrai sujet, c’est l’arrivée d’un système d’exploitation et d’un écosystème logiciel prêts à accueillir des agents autonomes… sans leur donner les clés de la maison.
Spark RTX : pourquoi Nvidia veut transformer le PC Windows en machine à agents intelligents autonomes
Le changement annoncé par Spark RTX se comprend d’abord comme un renversement de logique. Pendant quarante ans, l’utilisateur a “découpé” son travail en actions logicielles : ouvrir un tableur, lancer un navigateur, copier-coller, exporter, envoyer. Dans la vision portée par Nvidia et Microsoft, l’ordinateur devient un exécutant proactif : une demande formulée en langage naturel peut se traduire en plan d’action, en vérifications, en itérations, puis en livraison d’un résultat final.
Ce mouvement correspond à l’essor des agents intelligents open source et commerciaux, capables de chaîner des étapes, d’appeler des outils, de vérifier des contraintes. Le problème, jusqu’ici, tient en deux points : la performance locale souvent insuffisante pour des modèles ambitieux, et la difficulté à déployer des agents autonomes sans multiplier les risques (accès aux fichiers, aux identifiants, aux flux internes). C’est précisément là que Spark RTX veut se rendre indispensable : un socle matériel et logiciel pensé dès le départ pour l’IA agentique sur PC.
Du PC “applications” au PC “intentions” : un basculement d’usage
Imaginez une PME fictive, “Atelier Lumen”, qui prépare des devis complexes. Avant, une assistante alternait entre CRM, tableur, messagerie et PDF. Dans un PC agentique, un agent peut recevoir : “Préparer une proposition pour le client X, reprendre les prix du dernier trimestre, vérifier la marge minimale, et proposer deux variantes.” L’agent collecte les données autorisées, construit un brouillon, signale les zones d’incertitude et propose une validation finale.
Ce n’est pas de la magie : ce sont des enchaînements outillés. La nouveauté vient de l’intégration au cœur du système, et de la capacité à exécuter ces chaînes en local, avec moins de latence, et une meilleure maîtrise des données. La question rhétorique qui s’impose devient alors : si un agent peut préparer, comparer, contrôler et mettre en forme, que reste-t-il à “cliquer” ? La réponse, c’est la décision humaine — et c’est précisément le terrain où l’IA doit rester un copilote, pas un pilote automatique sans garde-fous.
Le rôle de Microsoft : Windows comme terrain natif de l’IA agentique
Dans cette alliance, Windows n’est pas un simple hôte. Microsoft fait évoluer l’ergonomie, les mécanismes internes et les sécurités pour accueillir des agents qui vivent “au niveau du système”, et pas seulement dans une application isolée. Cela peut se traduire par des comportements visibles (raccourcis, surfaces de contrôle, éléments persistants), mais aussi par des briques moins glamour et pourtant essentielles : permissions fines, journaux d’exécution, politiques d’entreprise, garde-fous de confidentialité.
Dans les faits, la bascule n’est pas “PC classique vs PC IA”, mais “PC IA gadget vs PC IA gouvernable”. Et cette nuance devient un argument majeur pour les directions informatiques, qui veulent de l’innovation… sans transformer chaque poste de travail en expérience risquée. La suite logique mène à la question du moteur : quel matériel permet à ces agents de tourner vite, souvent, longtemps, et sans étouffer la machine ?
Architecture Spark RTX : CPU Arm, GPU Blackwell RTX et mémoire unifiée pour l’IA locale sur PC
La promesse de Spark RTX repose sur une architecture hybride qui cherche à combiner le meilleur de plusieurs mondes : l’efficacité énergétique de l’Arm côté CPU, la puissance GPU maison avec Blackwell RTX, et une conception orientée IA, pensée pour l’inférence moderne. Dans les configurations annoncées, la superpuce réunit un processeur Grace basé sur Arm, un GPU Blackwell RTX, et un ensemble de choix techniques qui visent à éviter les goulots d’étranglement typiques des charges d’intelligence artificielle.
Dans les détails qui comptent pour les développeurs, on retrouve 6 144 cœurs CUDA, des Tensor Cores de cinquième génération compatibles FP4, une interconnexion NVLink-C2C entre CPU et GPU, et jusqu’à 128 Go de mémoire unifiée. Nvidia évoque aussi une puissance pouvant atteindre 1 pétaflops dans certains scénarios, ce qui place l’accent sur les calculs IA plutôt que sur la seule 3D.
CUDA au centre : l’avantage “écosystème” autant que la puce
CUDA n’est pas qu’un acronyme : c’est une décennie et demie d’habitudes de développement, d’optimisations, de bibliothèques et de frameworks. PyTorch, TensorFlow, cuDNN, TensorRT, Triton… toute une chaîne d’outils s’est structurée autour de la capacité à détourner le GPU du rendu graphique pour en faire une machine de calcul massivement parallèle. Pour des charges comme l’inférence de LLM, la génération d’images, l’indexation sémantique ou la vectorisation, cet héritage est un levier gigantesque.
Face aux PC Windows Arm actuels qui mettent en avant NPU et fonctionnalités Copilot+, l’argument de Nvidia consiste à dire : la technologie la plus “prête à produire” pour l’IA avancée, c’est aussi l’écosystème CUDA. Cela vise directement les équipes IA qui veulent déployer des pipelines localement, prototyper vite, et éviter les réécritures. Le message implicite : l’agentique sur PC ne doit pas être un mode dégradé, mais un environnement de travail complet.
Mémoire unifiée : un détail qui change la vie des modèles
La mémoire unifiée est l’un des paris les plus concrets. Sur une architecture classique, déplacer des données entre RAM et VRAM coûte cher : temps, énergie, complexité. Avec un espace mémoire partagé, le CPU et le GPU accèdent à un même “réservoir”, ce qui fluidifie l’exécution de modèles gourmands et limite les copies. Apple a popularisé cette approche sur ses puces depuis les M1, mais l’intérêt ici est de la coupler à l’écosystème RTX/CUDA et à l’intégration Windows.
Un exemple parlant : une équipe de design industriel qui travaille sur des rendus, tout en générant des variantes via un modèle local et en recherchant dans une base documentaire. La même machine doit jongler entre graphisme, IA et données. Une mémoire unifiée généreuse, jusqu’à 128 Go, permet d’éviter la gymnastique des “petites tailles de batch” et des modèles tronqués. Cette approche ne supprime pas toutes les contraintes, mais elle réduit un point de friction majeur, et c’est souvent là que se joue l’adoption réelle.
Pour clarifier les différences, voici une comparaison synthétique des approches PC IA qui se dessinent sur le marché.
| Critère | Spark RTX (Nvidia) 🚀 | PC Windows Arm “NPU-centric” 🧩 | Mac avec mémoire unifiée 🍏 |
|---|---|---|---|
| Cible | Agents IA locaux, dev IA, création + IA | Fonctions IA intégrées OS, efficacité | Création, productivité, IA locale grand public |
| Accélération IA | GPU Blackwell RTX + Tensor Cores FP4 ⚡ | NPU + GPU intégré | GPU/Neural Engine selon puce |
| Écosystème logiciel | CUDA, TensorRT, cuDNN 🧠 | Stack orientée Copilot+ / NPU | Écosystème Apple + frameworks compatibles |
| Mémoire | Unifiée jusqu’à 128 Go 🧠 | Souvent séparée (selon modèles) | Unifiée (selon configurations) |
| Angle “agents autonomes” | OpenShell + exécution locale gouvernée 🔒 | Plutôt centré sur assistants OS | Selon outils, intégration variable |
Les chiffres séduisent, mais l’histoire d’un PC se joue aussi dans son format et dans l’expérience quotidienne. C’est là que l’on attend Spark RTX : dans des machines fines et endurantes, capables de faire tourner ces agents sans transformer le ventilateur en sirène.
PC portables et mini-desktops Spark RTX : formats, performance et usages concrets au quotidien
Les premiers systèmes annoncés autour de Spark RTX visent des portables fins et des mini-PC sobres. Les repères donnés — environ 1,4 cm d’épaisseur et 1,4 kg comme planchers de design — disent une chose : Nvidia ne veut pas cantonner l’IA locale à des stations lourdes. L’idée est d’installer une performance d’IA crédible dans des machines de tous les jours, capables de rester allumées pour des agents personnels 24/7, tout en gardant une vocation “PC polyvalent” : travailler, créer, et aussi jouer.
Les partenaires annoncés donnent le ton : ASUS, Dell, HP, Lenovo, Microsoft Surface, MSI, avec Acer et Gigabyte attendus ensuite. Ce cortège rappelle la stratégie de plateforme : pousser une référence technique et laisser l’écosystème décliner des modèles. L’adoption se jouera sur des détails concrets : autonomie réelle en usage agentique, gestion thermique, qualité des pilotes, stabilité des frameworks, et capacité à faire cohabiter bureautique et IA sans sacrifier l’un à l’autre.
Étude de cas : un agent local pour la conformité et la confidentialité
Dans une entreprise fictive, “Cabinet Orfeo”, les juristes manipulent des contrats sensibles. Un assistant cloud est difficile à déployer sans discussions interminables sur l’hébergement. Sur un PC Spark RTX, un agent local peut : extraire les clauses, comparer aux modèles internes, signaler les risques, générer une note, et archiver les versions — le tout sans envoyer le document sur un service distant, hors mises à jour et politiques autorisées.
Le bénéfice est double. D’un côté, la latence baisse : les actions deviennent plus immédiates. De l’autre, la gouvernance est plus simple à expliquer : le document reste sur la machine, et l’agent travaille dans un cadre défini par l’IT. Est-ce que cela rend tout “sûr” ? Non, mais cela réduit drastiquement une classe de risques, et ce gain pèse lourd dans les arbitrages de déploiement.
Création et IA : quand l’agent devient un chef d’orchestre
Pour les créatifs, l’agentique ouvre des scénarios enthousiasmants : générer des planches de concepts, décliner une identité visuelle, produire des scripts de montage, puis exécuter des étapes répétitives. Un agent bien intégré peut surveiller un dossier, renommer, classer, convertir, produire des aperçus, et prévenir quand un export est prêt. Le rôle humain se déplace : plus de direction artistique, moins de micro-tâches.
Ce glissement doit rester lisible. Les créatifs détestent les boîtes noires qui “décident”. L’intérêt d’une exécution locale est aussi d’autoriser des workflows paramétrables : l’agent propose, l’humain ajuste. Dans la pratique, c’est souvent ce compromis qui fait adopter une innovation : garder le contrôle, tout en gagnant du temps.
Liste d’usages “agents intelligents” crédibles dès la première génération
- 🗂️ Assistant de classement : tri automatique de documents, extraction de métadonnées, règles de nommage, résumé local.
- 📧 Agent de communication : rédaction de réponses, adaptation au ton, vérification de pièces jointes, création de suivis.
- 📊 Agent d’analyse : consolidation de données, détection d’anomalies, génération de graphiques et d’explications.
- 🧪 Agent R&D : lecture de papiers, synthèse, proposition d’expériences, génération de scripts reproductibles.
- 🎬 Agent créatif : déclinaisons, storyboard, prompts, organisation de ressources, exports guidés.
- 🛡️ Agent de conformité : contrôle de versions, audit de partage, détection de données sensibles.
Pour mesurer l’intérêt de cette nouvelle classe de PC, le débat va vite se déplacer vers un point sensible : le coût total, la disponibilité des composants, et la réalité du marché. Et ce sujet, lui, ne pardonne aucune approximation.
Les démonstrations de scène donnent une idée du cap : l’ordinateur devient un interlocuteur de travail, pas seulement un lanceur d’applications. Reste à voir comment ces scènes se traduisent sur un bureau de PME un lundi matin.
Prix, disponibilité mémoire et bataille du marché : la stratégie Nvidia face à Apple et Qualcomm
Les premières estimations de prix qui circulent placent les configurations Spark RTX dans une fourchette premium, autour de 2000 à 3000 dollars hors taxes selon les marchés et options. Ce n’est pas aberrant au regard du positionnement historique de Nvidia : vendre une plateforme qui promet un avantage concret, et laisser l’argument du “retour sur investissement” faire le reste. Mais le PC traverse un cycle où les renouvellements sont scrutés ligne par ligne : budgets serrés, arbitrages, attentes plus hautes.
Ce n’est pas uniquement un sujet “grand public”. En entreprise, la DSI se demande : combien d’agents, combien d’heures gagnées, combien de risques réduits ? Si la réponse est floue, l’achat reste un luxe. Si la réponse est mesurable, l’achat devient une stratégie. C’est pourquoi Nvidia insiste autant sur l’IA locale “sérieuse”, et sur les éléments de gouvernance : ce sont des arguments que l’on peut défendre en comité.
La mémoire, nerf de la guerre : 128 Go, oui… mais à quel prix ?
La configuration jusqu’à 128 Go de mémoire unifiée rend possible des scénarios impressionnants : modèles plus gros, contexte plus long, bases vectorielles locales, multitâche agentique. Sauf que la mémoire haute densité, notamment en LPDDR5X, fait partie des composants les plus sous tension. La demande massive des infrastructures IA et des data centers a un effet d’aspiration sur l’offre, et les PC premium risquent d’en payer le prix, littéralement.
Dans un scénario réaliste, certaines références arriveront avec des configurations “raisonnables” pour contenir les coûts, et les variantes hautes capacités deviendront des produits de niche, destinés aux développeurs, aux studios, ou aux métiers scientifiques. Cette segmentation n’est pas un défaut : c’est souvent la seule manière d’amener une technologie ambitieuse sur un marché de volume.
Apple, Qualcomm : des concurrents… et des référentiels de comparaison
Le paysage est d’autant plus complexe que l’acheteur compare désormais trois philosophies. Apple, avec ses machines à mémoire unifiée, pousse une IA locale grand public et pro, et propose parfois des prix d’appel agressifs sur certains modèles. Qualcomm, avec ses gammes Snapdragon orientées NPU, insiste sur l’efficacité et l’intégration des fonctions IA de Windows. Nvidia, lui, mise sur le GPU, CUDA, et l’exécution d’agents plus “musclés”.
Dans les faits, la question devient : quel type d’IA veut-on sur son PC ? Un assistant omniprésent centré sur l’OS, un environnement créatif ultra intégré, ou une machine taillée pour faire tourner des agents complexes, des workflows IA et des bibliothèques déjà standardisées dans l’industrie ? Chaque réponse dessine un achat différent, et les constructeurs vont devoir clarifier les promesses, au risque d’un marché illisible.
Pour aider à se repérer, voici un outil de comparaison des profils d’acheteurs typiques.
Tableau comparateur — Choisir son PC pour l’ère des agents IA
Compare 3 profils (Spark RTX, Windows Arm orienté NPU/Copilot+, Apple à mémoire unifiée) selon tes priorités : sécurité, latence, compatibilité, budget et usages concrets.
| Profil utilisateur | Priorité (sécurité/latence/compatibilité) | Budget | Points forts | Points de vigilance | Exemple d’usage concret | Score |
|---|
Le marché jugera sur pièce, et souvent sur une seule chose : la régularité. Un agent intelligent qui fonctionne 9 fois sur 10 est un gadget ; un agent qui fonctionne 99 fois sur 100 devient un collègue numérique. Cette exigence mène naturellement au thème suivant : comment permettre à des agents autonomes d’agir sans franchir les limites ?
OpenShell et sécurité “secure by design” : gouverner des agents autonomes dans Windows
Faire tourner des agents intelligents sur un PC est une chose. Les laisser agir de manière autonome en est une autre, car l’autonomie est précisément ce qui peut déraper : suppression de fichiers, envoi de documents, accès à des données non prévues, ou simple accumulation d’erreurs silencieuses. C’est dans ce contexte que la collaboration autour d’OpenShell prend tout son sens : un environnement d’exécution open source conçu pour encadrer l’agentique, avec une philosophie secure by design.
L’idée centrale est l’isolation : chaque agent évolue dans son propre environnement d’exécution, avec des permissions explicites. Les politiques de confidentialité et de gouvernance se placent au niveau de l’infrastructure plutôt qu’au niveau d’une application qui pourrait être contournée. Et surtout, un agent ne peut pas réécrire ses règles ou élargir son périmètre d’action. En termes simples : l’agent peut être compétent, mais il n’est pas souverain.
Pourquoi la sécurité des agents est un sujet “système”, pas un simple réglage
Un agent moderne n’est pas qu’un chatbot. Il lit, écrit, lance des actions, appelle des outils, et peut intégrer des boucles de décision. Dans une journée de travail, un agent peut manipuler des dizaines de fichiers et déclencher des automatisations en chaîne. Si le contrôle est seulement “dans l’app”, il suffit d’une faille, d’une extension douteuse, ou d’une mauvaise configuration pour ouvrir un boulevard.
OpenShell, dans cette logique, ressemble davantage à une “couche de gouvernance” qu’à un gadget. Le parallèle le plus parlant, côté IT, est celui des conteneurs et des politiques d’exécution : on ne fait pas confiance à un processus, on le contraint. Cette contrainte n’étouffe pas l’innovation ; elle la rend déployable.
Exemple concret : un agent RH qui ne doit jamais franchir la cloison
Revenons à un fil conducteur : l’entreprise fictive “Atelier Lumen” déploie un agent RH pour préparer des dossiers d’onboarding. Il doit accéder à des modèles de documents, au calendrier d’équipe, à une liste de tâches, et à un dossier partagé limité. Il ne doit pas lire les évaluations annuelles, ni ouvrir les fichiers d’un autre département, ni envoyer d’informations vers l’extérieur.
Dans un cadre gouverné, l’agent reçoit un périmètre net. Il travaille vite, fait gagner du temps, et chaque action est traçable. Si un manager demande “envoie ce dossier à un prestataire”, l’agent peut répondre : “permission requise” ou “action interdite” selon la politique. Ce n’est pas un obstacle : c’est le mécanisme qui rend l’autonomie acceptable. L’insight clé est simple : l’agentique utile en entreprise est celle qui sait dire non.
Ce que l’on attend de ces annonces, ce sont des détails concrets sur les API, les permissions, la traçabilité et les politiques. C’est la partie moins spectaculaire, mais c’est elle qui décide si les agents passeront du laboratoire au parc informatique.
DGX Station pour Windows : quand l’ordinateur de bureau devient une mini-infrastructure IA
En parallèle de Spark RTX, Nvidia avance un autre pion : DGX Station pour Windows. Ici, l’objectif n’est pas l’ultra-portabilité, mais la transposition d’une logique “data center” vers un poste de travail. Jusqu’à présent, les projets IA lourds s’exécutaient souvent sur des serveurs Linux, dans des environnements maîtrisés, parfois éloignés des utilisateurs finaux. Avec DGX Station, l’idée est de rapprocher la puissance du clavier, là où l’on itère, où l’on teste, où l’on débogue, où l’on explore.
La plateforme s’appuie sur une superpuce GB300 Grace Blackwell Ultra, associant un CPU Grace de 72 cœurs et un GPU Blackwell Ultra, avec jusqu’à 748 Go de mémoire cohérente et une puissance annoncée jusqu’à 20 pétaflops en FP4. En option, l’ajout d’une RTX PRO 6000 Blackwell Workstation vise à combiner IA, simulation et rendu avancé, ce qui parle directement aux secteurs de l’ingénierie, de l’architecture et de la recherche.
Des modèles géants et des centaines d’agents : les nouveaux workflows
Nvidia évoque la capacité d’exécuter localement des modèles allant jusqu’à 1 000 milliards de paramètres, et de faire fonctionner simultanément des centaines d’agents. Ce type de chiffre vise une catégorie précise : les équipes qui construisent des agents spécialisés, qui testent des variantes, qui opèrent des “essaims” d’agents pour explorer des hypothèses, simuler des scénarios, ou automatiser des tâches d’analyse.
Un laboratoire fictif, “NeuroMap”, peut par exemple orchestrer plusieurs agents : l’un lit des publications, l’autre prépare des jeux de données, un troisième propose des features, un quatrième exécute des tests, un cinquième synthétise les résultats dans un rapport. Avec une station locale puissante, ces cycles s’accélèrent, et la confidentialité est renforcée si les données restent sur site.
Pourquoi Windows ici n’est pas un détail
Historiquement, beaucoup de charges IA “sérieuses” se sont appuyées sur Linux, et ce pour de bonnes raisons. Mais l’entreprise, elle, vit souvent sur Windows : outils internes, suites bureautiques, intégrations, sécurité centralisée, habitudes. Proposer une station DGX “côté Windows” revient à réduire le frottement organisationnel : moins de doubles environnements, moins de ponts bricolés, plus de proximité entre équipes métiers et équipes IA.
Ce mouvement n’élimine pas Linux des workflows IA, mais il ouvre une option pragmatique : rapprocher la performance de l’endroit où les décisions se prennent. Et au fond, c’est le fil conducteur de Spark RTX lui-même : rendre l’IA locale suffisamment forte pour devenir un réflexe, pas une exception.
Spark RTX, c’est un GPU ou un CPU ?
Spark RTX désigne une plateforme de type superpuce combinant CPU et GPU : un processeur Grace basé sur l’architecture Arm et un GPU Nvidia Blackwell RTX, conçus pour exécuter efficacement des charges d’intelligence artificielle en local sur PC Windows.
Qu’est-ce qui change concrètement avec des agents intelligents autonomes sur PC ?
Au lieu d’enchaîner manuellement des actions dans plusieurs logiciels, l’utilisateur formule une intention (ex. préparer un dossier, analyser des données, produire un rapport). Des agents intelligents orchestrent alors les étapes, avec des contrôles et validations, en s’appuyant sur la puissance locale pour réduire latence et dépendance au cloud.
Pourquoi CUDA est-il si important dans l’annonce de Nvidia ?
CUDA est l’écosystème logiciel qui permet d’exploiter le GPU pour des calculs généraux, au cœur de nombreux frameworks et bibliothèques IA. Avec Spark RTX, Nvidia apporte sur PC Windows Arm un environnement familier aux développeurs IA, facilitant l’optimisation et le déploiement de workflows avancés.
OpenShell sert à quoi, exactement ?
OpenShell est un environnement d’exécution open source orienté gouvernance : il isole les agents, applique des politiques de sécurité et de confidentialité au niveau de l’infrastructure, et empêche un agent de modifier ses propres règles ou d’accéder à des données non autorisées. L’objectif est de rendre l’autonomie déployable en entreprise.
DGX Station pour Windows vise quel public ?
DGX Station pour Windows s’adresse aux développeurs, chercheurs, ingénieurs et équipes IA qui ont besoin d’une puissance de calcul massive au poste de travail : exécution de modèles très volumineux, expérimentation rapide, et fonctionnement simultané de nombreux agents, tout en restant dans un environnement Windows.
Anna Bailly dirige la rédaction de CDI TECH MEDIA. Journaliste numérique depuis onze ans, elle a fait ses armes au pôle innovation de Numerama avant de rejoindre Usbek & Rica comme cheffe de la rubrique technologies, puis de co-fonder un média indépendant dédié à l’intelligence artificielle à Berlin. Diplômée de Sciences Po Paris et titulaire d’un DU d’éthique de l’intelligence artificielle, elle s’intéresse autant à la mécanique interne des modèles de langage qu’aux dynamiques sociales du numérique.
