Google paie environ 100 éditeurs pour ses réponses IA, et la plupart ne touchent presque rien

C'est le point gênant d'un programme pilote lancé il y a moins d'un an, et qui n'a toujours pas de grille tarifaire publiée. D'après une synthèse du travail de The Information publiée par The Decoder le 30 septembre, les éditeurs peuvent voir dans Google Search Console à quelle fréquence leur contenu est repris dans une réponse IA et combien ils ont gagné pour cela. Ce qu'ils ne voient pas, c'est la formule derrière le chiffre.

L'écart est énorme. Un éditeur a reçu entre 50 000 et 60 000 dollars sur quelques mois. Un autre gagne plus de 1 000 000 de dollars par an. Plusieurs blogs et sites de petite ou moyenne taille ont récolté moins de 1 000 dollars sur plusieurs mois, et pour eux les versements correspondent à moins de 0,1 % des revenus publicitaires.

Des participants ont expliqué à The Information qu'ils ignorent comment Google calcule les montants, et que les paiements peuvent varier d'un mois à l'autre sans explication. L'enquête suggère aussi que les sujets de niche à forte communauté, l'animation japonaise et le jeu vidéo notamment, rapportent davantage. La réponse de Google à l'ensemble du dispositif se résume pour l'instant à une série d'accords de licence sélectifs, à une option de retrait et à un modèle de paiement où l'entreprise décide de ce que vaut un contenu.

Le trafic baisse, les accords restent individuels

La question de l'argent compte parce que la tendance du trafic est mauvaise pour le web ouvert, et qu'elle s'aggrave. Plusieurs études citées dans les articles montrent que les AI Overviews réduisent fortement les visites vers les sites sources, et certains grands éditeurs refusent de rejoindre le pilote pour tenter de forcer Google à payer plus.

Ce refus est un pari, et la structure du programme le rend difficile. Les accords se négocient éditeur par éditeur, donc personne ne négocie collectivement. Un site qui claque la porte met une pression limitée sur Google, car d'autres sources comblent le vide dans une réponse IA. Un site qui reste accepte le tarif proposé. The Decoder parle d'un dilemme du prisonnier pour les éditeurs, et note que cette stratégie du diviser pour régner sert Google depuis des décennies, au fil de l'intégration toujours plus poussée de contenus web dans la recherche pour les monétiser.

Une pression réglementaire s'exerce en arrière-plan. Des éditeurs indépendants ont déposé plainte auprès de la Commission européenne au sujet des AI Overviews en juillet 2025. Penske Media, maison mère de Rolling Stone, a attaqué Google en justice ce même mois de septembre pour perte de trafic et de revenus publicitaires. La Commission a ensuite ouvert une enquête antitrust en décembre 2025, pour déterminer si Google impose des conditions abusives en utilisant les contenus des éditeurs pour ses fonctions IA sans rémunération adéquate ni véritable possibilité de refus.

Un tribunal allemand a par ailleurs jugé que les AI Overviews sont des contenus propres à Google et non des résumés de documents existants. Si cette lecture s'impose plus largement, les éditeurs auraient une base juridique pour réclamer des redevances chaque fois que leur travail apparaît dans une réponse IA. La difficulté pratique est évidente : mesurer la contribution exacte de chaque source à une réponse est malaisé, peut-être impossible, et gérer des paiements source par source ajouterait des frais au-dessus de redevances qui pourraient entamer les marges de Google.

Le reste de la pile d'automatisation avance plus vite que l'argent

Pendant que la bataille des licences progresse tant bien que mal devant les régulateurs et les tribunaux, l'outillage du travail assisté par IA se reconstruit à un rythme bien plus rapide, et une bonne partie retombe directement sur les ingénieurs.

Le 30 septembre, OpenAI et Synopsys ont annoncé un partenariat pluriannuel pour construire un modèle spécialisé de conception de puces appelé GPT-Synopsys, selon The Decoder. Le modèle associe la technologie d'IA d'OpenAI aux outils d'automatisation de la conception électronique de Synopsys, qu'OpenAI prend en licence. L'objectif affiché est un système capable de raisonner sur la conception et la vérification de puces et de manipuler directement les outils de Synopsys, les ingénieurs déléguant les objectifs et relisant les résultats. Il tourne sur l'infrastructure d'OpenAI ; les deux entreprises affirment que les données des clients ne serviront pas à l'entraînement, qu'elles seront stockées chiffrées, et que des tests préliminaires avec des clients du secteur des semi-conducteurs sont déjà en cours. Le PDG de Synopsys, Sassine Ghazi, estime que l'IA pourrait accélérer nettement le processus de conception.

Le versant investissement bouge aussi. Flow Engineering, startup de San Francisco fondée il y a trois ans qui vend des outils d'IA pour la conception matérielle, a levé 50 000 000 de dollars en série B sur une valorisation de 750 000 000 de dollars, rapporte TechCrunch le 30 septembre. Le tour a été codirigé par Antonio Gracias de Valor Equity Partners et Gavin Baker d'Atreides Management, avec la participation de Sequoia Capital et de l'ancien associé de Sequoia Roelof Botha en investisseur individuel. Botha a rejoint le conseil d'administration. Flow cite Anduril, Rivian, Joby Aviation et d'autres parmi ses clients.

Les promesses d'infrastructure montent aussi en volume. Modal a publié le 30 septembre les benchmarks de Quail, une couche d'inférence sensible aux requêtes conçue pour les charges de travail AI-SQL, en revendiquant plus d'un milliard de tokens traités par minute et par GPU H100 sur une requête à jointures multiples, soit selon l'entreprise plus de 10 fois plus vite que sa référence vLLM sur le même matériel, et un coût inférieur à 6 cents par milliard de tokens sur Modal. Sur le nouveau benchmark AI-SQL de Modal, Quail est 1,84 fois plus rapide que vLLM en moyenne géométrique sur les tâches.

Des briques plus petites du même mouvement sortent sans bruit. Le projet OpenZL de Facebook a publié la version 0.3.0 le 29 septembre, avec un nouveau moteur LZ et un Compression Transformer, un sélecteur neuronal qui construit à la volée des graphes de compression numérique. Les notes de version annoncent une décompression 144 % plus rapide que Zstandard à réglages équivalents, et le Transformer compresse en moyenne 35 % mieux que zstd -19 sur 868 familles de flux numériques. Magnitude, startup issue de YC S25, a lancé sur GitHub un moteur d'inférence open source qui compile et ajuste les kernels sur l'appareil de l'utilisateur ; son README annonce jusqu'à 2 fois plus vite que llama.cpp, avec un décodage 92 % plus rapide sur Metal et 19 % sur CUDA, et 27 % de mémoire en moins par agent.

La recherche en sécurité s'accumule également. Le 30 septembre, VUSEC a publié Branch Target Reuse, une classe d'attaques Spectre-v2 visant les compilateurs juste-à-temps des navigateurs, des environnements d'exécution de langages et du noyau Linux. L'équipe a construit deux exploits de bout en bout contre le noyau Linux et démontré l'extraction du hachage du mot de passe root depuis un processus su en cours d'exécution, à 8 octets par seconde, avec un parcours complet de la liste des tâches du noyau et des tables de pages.

Ce que disent ceux qui font le travail

Les avis divergent sur ce que toute cette automatisation fait à l'emploi. Dans un texte publié le 30 septembre sur martinelli.ch, un consultant soutient que les agents de codage IA ramènent les ingénieurs logiciels vers le modèle des années 1990, où une seule personne porte les exigences, l'architecture, le code et la production, et où la spécification devient l'artefact le plus important d'un projet. Un autre billet, sur pooyam.dev le même jour, est plus direct : son auteur, qui travaille sur l'entraînement de LLM et les performances d'inférence sur GPU et TPU, estime que le coût de l'implémentation tend vers zéro et raconte qu'un agent a réentraîné une partie d'un modèle pour améliorer la longueur d'acceptation du décodage spéculatif, ce qu'il n'avait pas pensé à interdire.

Un troisième témoignage, sur rtfm.co.ua, décrit la même dérive vue de l'autre côté : l'agent devient le Mycroft de votre Holmes, et l'humain finit en ce que l'auteur appelle un intergiciel de chair entre l'agent et le bouton de déploiement. Gerben Rijpkema, ingénieur IA, défend sur Substack que les projets qui réussissent sont ceux dotés d'architectures propres à un cas d'usage, empruntées à l'ingénierie de contrôle et à son postulat qu'on ne peut pas prédire entièrement un système et qu'il faut concevoir autour du bruit.

Rien de tout cela ne règle la question des éditeurs. Google fixe toujours les conditions, 100 éditeurs sont toujours dans le pilote, et la Commission européenne enquête toujours.