Le trafic venu des moteurs recule, le web se reconstruit autour des agents
Les éditeurs perdent des visites issues des moteurs de recherche. Deux nouvelles études et une vague d'infrastructures pour agents parient sur un web où le produit, c'est la réponse, pas le clic. Le dernier numéro de la rubrique informatique d'IEEE Spectrum, paru le 29 septembre, s'ouvre sur le regard d'un poète sur l'interface ; le modèle économique qui l'entoure devient plus difficile à tenir.

Le 29 septembre, la rubrique Computing d'IEEE Spectrum a publié un poème de Ralph Earle, ancien ingénieur logiciel senior chez IBM, sur la traduction d'un « code sec et implacable » en interface utilisateur. C'est un petit objet dans un basculement de grande ampleur : l'interface est désormais l'endroit où circule l'argent, et de plus en plus elle répond au lieu de renvoyer ailleurs.
Les chiffres qui sous-tendent ce basculement sont arrivés la même semaine. Un document de travail du National Bureau of Economic Research publié en septembre 2026 estime que, de novembre 2022 à décembre 2025, l'IA a relevé la valeur actualisée attendue par le marché de la productivité du génie logiciel de l'équivalent d'un gain permanent de 32,6 %, avec un effet correspondant sur le PIB de 3,6 % dans le scénario de base et de 6,5 % lorsque la hausse de productivité du génie logiciel dope aussi celle de la R&D. Les auteurs, Alex Blumenfeld, Jonathon Hazell, Chen Lian et Andreas Schaab, ajoutent qu'à la mi-2026, avec les progrès rapides des agents de codage, l'effet avait plus que doublé par rapport à la fin de 2025. C'est un chiffre macroéconomique, pas un chiffre média, mais il décrit les capitaux qui affluent vers les systèmes désormais placés entre les utilisateurs et les contenus.
La recherche plein texte fonctionne toujours, mais elle ne suffit plus
Manticore Search a publié un long billet sur son blog pour expliquer pourquoi la recherche par mots-clés n'a pas cédé, et pourquoi cela ne suffit pas. L'entreprise cite la communication de Google de mai 2026 selon laquelle AI Mode a dépassé le milliard d'utilisateurs mensuels. Elle soutient qu'une requête comme « I need black waterproof running shoes for daily runs on wet pavement » contient plusieurs tâches : extraire les contraintes, comprendre l'intention, vérifier le prix et la disponibilité, puis expliquer la différence entre les options. La réponse de Manticore est hybride : recherche plein texte et recherche vectorielle combinées par un classement des résultats, avec un modèle de langage qui produit une réponse par-dessus. L'entreprise a testé ce dispositif sur ConvApparel, un jeu de données conversationnelles qui contenait, après nettoyage, 82 524 produits répartis entre chaussures, pantalons, hauts et vêtements d'extérieur, et a construit une démo appelée Manticore Apparel Shop. Le billet énonce clairement le risque : si le système affirme qu'un modèle convient à la pluie, l'utilisateur doit pouvoir ouvrir le produit et vérifier la source de cette affirmation. Cette dernière phrase, c'est le problème des éditeurs formulé par un fournisseur d'infrastructure.
Comment l'agent d'achat de Meta décide de ce qu'il montre
Le 28 septembre, un chercheur écrivant sous le nom de Kalan a publié sur caeliai.com une étude de rétro-ingénierie de Muse, le nouvel agent IA de Meta. Muse a été lancé début septembre 2026 et, selon le décompte d'Apptopia cité dans le billet, a dépassé 2 800 000 installations dans le monde lors de ses 12 premiers jours, avec environ 642 000 utilisateurs quotidiens aux États-Unis, plus vite que le lancement mobile de ChatGPT. L'étude est d'une précision inhabituelle sur la couche de récupération. Kalan dit avoir trouvé le programme de catalogue à l'emplacement /opt/hatch/bin/meta-catalog-search, une socket de worker protégée à /run/hatch/privsep/meta-catalog-search.sock, des instructions d'achat dans un fichier nommé shopping-SKILL.md, et un ranking_score attaché à chaque produit. Dans les tâches d'achat décrites, Muse renvoyait 40 à 71 produits avec des scores, les vérifiait sur les sites des détaillants via un navigateur, puis affichait deux ou trois fiches à l'utilisateur.
Kalan note aussi que les résultats bruts du catalogue contenaient des liens de débogage internes pointant vers le réseau interne de Meta, et que le seul lien ouvert, le 28 septembre, n'affichait que la page de connexion interne de Meta.
I don't have a Meta login, so all I have are the addresses, not what's behind them.
Le billet précise que le décodeur a été écrit pour lire un programme Rust compilé de 11,7 Mo sans l'exécuter, et que les expériences ne changeaient qu'une variable à la fois et étaient répétées trois fois. À prendre comme le récit d'un chercheur, pas comme une communication de Meta. La description de Meta, publiée le 8 septembre 2026 et citée dans le billet, indique que le Muse de chaque utilisateur tourne dans sa propre section isolée d'une machine virtuelle dédiée, avec un navigateur, un dossier de travail, des outils en ligne de commande, des compétences et des agents auxiliaires, et que les connecteurs intégrés s'exécutent dans des workers protégés séparés.
La conséquence commerciale est simple. Si un agent d'achat renvoie 40 à 71 candidats et en montre deux ou trois, c'est la fonction de classement qui décide qui sera vu. Les éditeurs et les marchands ne la contrôlent pas.
L'évaluation de la recherche reste difficile, et cela compte pour toute la chaîne
Le billet très lu de Doug Turnbull sur l'évaluation par LLM-juge, republié sur son blog le 28 septembre, est un correctif utile pour qui croit ces classements définitifs. En testant la pertinence par paires sur le jeu de données de mobilier WANDS, il a constaté qu'un choix forcé entre gauche et droite donnait 75,08 % de précision à 100 % de rappel sur 1 000 paires. En laissant le modèle répondre « Neither », la précision montait à 85,38 % mais le rappel tombait à 17,10 %. Sa solution est simple et mérite d'être répétée : poser la même question en inversant les produits, et n'accepter le verdict que si le modèle reste cohérent dans les deux sens. C'est le genre de détail méthodologique qui survit rarement à une annonce produit.
À la même période, MongoDB a annoncé MongoDB 9.0, Atlas Infinite et Atlas Agent Engine le 29 septembre, avec une note du directeur général par intérim sur le blog de l'entreprise le même jour. L'éditeur présente Atlas Agent Engine comme fournissant mémoire, exécution et gouvernance aux agents en production, ouvert à tout modèle ou framework et bâti sur des standards dont le Model Context Protocol pour les outils, A2A pour la délégation entre agents et OpenTelemetry pour les traces. Les tarifs concernent une préversion publique et peuvent changer, précise l'entreprise.
Deux autres billets du 29 septembre complètent la plomberie. Unblocked a publié les détails d'un routeur adaptatif qui déplace le trafic LLM entre Baseten, Fireworks et CoreWeave, tous servant GLM 5.2. En tourniquet, Fireworks prenait 51 % des tâches et Baseten 49 %, alors même que les prix de Fireworks étaient 25 % plus élevés et Baseten plus rapide, écrit l'entreprise ; avec un ordre fixe, Baseten servait 98,5 %. Les prix catalogue de CoreWeave étaient environ 45 % inférieurs à ceux de Baseten. Et Loro a publié un argument selon lequel les CRDT ne suffisent pas pour la synchronisation local-first, décrivant un cas où un index de conversation se synchronisait mais pas le corps du message, laissant l'utilisateur devant une notification sans rien derrière.
D'où les lecteurs sont censés venir
Rien de tout cela ne prouve que les visites issues des moteurs de recherche vont s'effondrer. Cela montre où va l'investissement. Le document du NBER est une mesure implicite de marché, pas une mesure de la production, et les auteurs le présentent comme tel. Les billets de Manticore et de MongoDB sont des argumentaires de fournisseurs. L'étude sur Muse est le récit d'un chercheur indépendant, qui précise explicitement ne pas avoir accès aux systèmes internes de Meta.
Pour les éditeurs, la lecture pratique est plus étroite. La couche de réponse est construite par des entreprises dont l'intérêt est de résoudre la requête, pas d'aiguiller le lecteur. Si le catalogue derrière un agent d'achat est noté, filtré et rendu sous forme de deux ou trois fiches, le trafic qui arrivait autrefois d'une page de résultats ne disparaît pas d'un coup. Il est absorbé une requête à la fois.
Sources
15- 01Poetry for Engineers: User Interface DesignEN
- 02The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
- 03Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN
- 04Reverse Engineering How Meta's Muse ShopsEN
- 05Check twice, cut once with LLM search relevance evalEN
- 06The Intelligent Data Platform for the AI EraEN
- 07The MongoDB Agent Platform | Atlas Agent EngineEN
- 08Routing LLM traffic across inference providers by cost, speed and reliabilityEN
- 09CRDTs are not enough: From CRDTs to a local-first sync engineEN
- 10OpenJev: An open-source, Jev-compatible System One decision engineEN
- 11Branch Target Reuse: Spectre-v2 Attacks in JIT EnginesEN
- 12Agencies publish resolution plan feedback letters for 15 banking organizationsEN
- 13VDE Figures: Electrical Engineering Programs Are Popular InternationallyEN
- 14We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
- 15What makes software development engineeringEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.