Le moment Mythos
Le 7 avril 2026, Anthropic a annoncé Claude Mythos Preview. Le titre était déjà frappant en soi : un modèle unique, fonctionnant de manière autonome, a identifié des milliers de vulnérabilités de sécurité jusque-là inconnues dans tous les principaux systèmes d'exploitation et navigateurs web. L'une d'elles, une faille d'exécution de code à distance dans l'implémentation NFS de FreeBSD, dormait dans le code depuis 17 ans. Elle avait survécu aux revues par les pairs, aux audits manuels et à des millions de tests automatisés. Mythos l'a trouvée en quelques heures, puis a écrit un exploit fonctionnel.
Quelques semaines plus tard, des chercheurs en sécurité ont rapporté que Mythos avait également mis au jour une vulnérabilité TCP SACK vieille de 27 ans dans OpenBSD, ainsi qu'une faille de 16 ans dans FFmpeg. Anthropic a choisi de ne pas commercialiser le modèle. À la place, l'entreprise a lancé Project Glasswing, un consortium de grandes entreprises technologiques qui œuvrent à la divulgation responsable des découvertes de Mythos.
Les réactions se sont scindées de manière prévisible. Certains y ont vu un saut générationnel, le moment où l'IA passait du statut d'« assistant utile » à celui d'« agent autonome doté de capacités offensives ». D'autres, dont The Ringer, se sont demandé si Mythos pouvait en théorie détruire l'internet. Ces deux réactions passent à côté de la question la plus utile pour quiconque ne dirige pas une équipe de sécurité.
La question est la suivante : si un modèle aussi capable ignore toujours qui vous êtes, qu'est-ce que cela vous apprend sur l'endroit où réside la valeur durable ?
Ce que Mythos sait faire, et ce qu'il ne sait pas faire
Mieux vaut être précis sur ce que représente réellement Mythos, car l'écart entre la hype et la réalité est l'endroit où se loge la réflexion utile.
D'après le rapport de la red team d'Anthropic et la couverture d'InfoQ, Mythos Preview affiche les gains les plus importants par rapport à Claude Opus 4.6 en mathématiques, en raisonnement sur contexte long, en ingénierie logicielle et en cybersécurité. Sur les bancs d'essai standards, il établit de nouveaux records. Sur les tâches de sécurité adverses, il agit avec un degré d'autonomie que les modèles précédents ne parvenaient pas à maintenir. Donnez-lui une cible, et il sait planifier, sonder et itérer sans instruction supplémentaire.
Mais notez ce qui manque à cette liste.
Mythos ne sait pas quel livre vous avez lu lors d'un vol en 2021 et qui a discrètement remodelé votre vision de votre carrière. Il ne sait pas qu'un simple paragraphe d'une interview de Tyler Cowen vous a fait reconsidérer une décision d'investissement. Il ne connaît pas les trois surlignements d'un tweetstorm de Naval Ravikant auxquels vous êtes revenu quatre fois cette année. Il ne connaît ni votre vitesse de lecture, ni votre tolérance à l'ambiguïté, ni votre goût pour la contre-argumentation, ni la manière spécifique dont vous avez tendance à mal interpréter certains types de preuves.
Voici l'asymétrie. Mythos a été entraîné sur l'internet public ainsi que sur toutes les données propriétaires qu'Anthropic a pu obtenir sous licence. Tous les autres modèles de pointe aussi. L'information publique est l'intrant auquel chaque laboratoire a accès. C'est le ticket d'entrée. Ce qu'aucun modèle ne possède par défaut, c'est la trace de votre esprit spécifique se déplaçant dans l'information au fil du temps.
Cette trace réside en trois endroits. Elle réside dans votre tête, où elle est lacunaire et sujette à l'oubli. Elle réside dans des outils dispersés (applications de notes, dossiers de captures d'écran, signets de navigateur) où elle est, de fait, invisible pour l'IA. Ou elle réside sous une forme structurée que l'IA peut réellement consommer.
C'est la troisième option qui change tout.
Pourquoi le contexte personnel est le nouveau rempart
En stratégie, un rempart est un avantage structurel que les concurrents ne peuvent pas reproduire facilement. Le rempart de Coca-Cola, c'est la marque. Le rempart de Google, c'est le graphe des liens combiné aux données de clic des utilisateurs. Le rempart d'AWS, c'est le coût de migration.
Pour les individus qui travaillent avec l'IA, quel est l'équivalent ?
Ce n'est pas l'accès à de meilleurs modèles. Les capacités de pointe convergent rapidement et l'écart entre le meilleur modèle fermé et le meilleur modèle ouvert se mesure désormais en mois. Ce n'est pas non plus le talent pour rédiger des invites, parce que c'est un savoir-faire qui s'apprend et dont l'effet de levier est limité. Ce n'est même pas l'expertise métier brute, puisque l'IA peut comprimer l'écart entre novice et expert pour la plupart des tâches de connaissance explicite.
Le rempart, c'est la partie de votre cognition lisible par l'IA et indisponible pour qui que ce soit d'autre. Appelons cela le contexte personnel.
C'était déjà vrai avant Mythos. Ce que Mythos vient clarifier, c'est qu'aucune augmentation des capacités d'un modèle ne comble cet écart. Un modèle plus puissant sans contexte sur vous ne produit pas un résultat personnalisé de meilleure qualité. Il produit un résultat générique plus assuré, ce qui est pire, parce que l'assurance augmente le coût pour détecter les erreurs.
Songez à ce qui se passe lorsque vous demandez à une IA générique des conseils sur une décision de carrière. Elle reconnaît le motif sur des millions d'invites similaires et vous renvoie une réponse calquée sur la moyenne. Si vous n'avez jamais dit au modèle que vous optimisez pour l'optionalité, que vous avez déjà traversé un burnout en tant que fondateur, que le secteur précis dans lequel vous évoluez évolue d'une manière que les données d'entraînement ne reflètent pas, il ne peut absolument pas en tenir compte. Il vous donnera des conseils fluides, plausibles, calibrés pour personne.
Imaginez maintenant que vous avez passé trois ans à le nourrir de vos surlignements tirés de livres et d'articles, de vos notes prises sur des podcasts, de vos annotations sur vos propres écrits. Soudain, le même modèle vous donne des conseils qui font référence à vos priorités déclarées, au cadre que vous avez surligné dans une interview de Patrick O'Shaughnessy, au mode de défaillance précis que vous avez signalé en lisant le récit du burnout d'un autre fondateur. Même modèle. Résultat différent. L'écart, c'est le contexte.
C'est la même logique qui a porté l'idée de building a second brain et le Tiago Forte framework, portée à un point de netteté supérieur par la sortie de Mythos. L'enjeu de la capture, ce n'est pas la récupération par vous. C'est de nourrir un système qui prend de la valeur à mesure que votre contexte et le modèle sous-jacent s'améliorent tous deux.
Les surlignements comme unité atomique du contexte
Tous les contextes ne se valent pas pour l'IA. Le format compte plus que les gens ne le pensent.
Considérez la différence entre trois façons de saisir la même idée tirée d'un livre.
Vous pouvez lire le livre et vous souvenir grossièrement que « l'auteur soutenait quelque chose à propos des boucles de rétroaction ». C'est inutile pour l'IA, parce que cela ne peut pas être récupéré comme un fait discret. C'est aussi lacunaire, parce que vous aurez oublié la nuance dans la semaine.
Vous pouvez copier le chapitre entier dans une application de notes. C'est pire qu'inutile. L'IA doit désormais parcourir des milliers de mots non pertinents pour retrouver la phrase qui comptait pour vous. Pire encore, vous avez supprimé l'attribution à la source, si bien que le modèle ne peut ni vérifier ni étendre l'argument.
Ou vous pouvez surligner la phrase précise qui vous a marqué, la conserver attachée à l'URL source ou au chapitre du livre, et éventuellement y ajouter une note d'une ligne expliquant pourquoi elle comptait. Ce surlignement devient un atome de contexte. Il est préfiltré (vous l'avez choisi), assez court pour être chargé à moindre coût dans une invite, attribué à sa source pour permettre la vérification, et suffisamment petit pour qu'on puisse en faire tenir des milliers dans un seul appel de récupération.
C'est pour cela que Glasp's web highlighter est structuré ainsi. Un surlignement est la plus petite unité d'attention que vous puissiez capturer tout en préservant tout ce dont l'IA a besoin. Multipliez-la par quelques centaines ou quelques milliers à travers les livres, les articles et les PDF qui ont réellement façonné votre pensée, et vous disposez d'un corpus personnel qu'aucune donnée d'entraînement de laboratoire ne couvre.
Ajoutez les Kindle highlights par-dessus, qui représentent souvent vos lectures les plus profondes et les plus réfléchies, et le corpus s'enrichit en profondeur.
Ajoutez les horodatages de YouTube Summary issus de vidéos que vous avez jugées suffisamment denses pour les étudier réellement, et vous avez désormais capturé une couche de contexte que presque personne ne prend la peine de préserver (la connaissance issue de la vidéo est notoirement difficile à extraire après coup).
Vous transformez ce que la plupart des gens perdent en quelque chose qui se compose.
| Méthode de capture | Cherchable par l'IA | Attribution à la source | Préfiltré pour la pertinence | Coût pour l'IA |
|---|---|---|---|---|
| Mémoire seule | Non | Non | Oui, lacunaire | N/A |
| Captures d'écran | Médiocre (OCR variable) | Non | Oui | Élevé |
| Signets en texte intégral | Oui | Oui | Non | Élevé |
| Notes manuscrites | Non | Parfois | Oui | N/A |
| Surlignements avec source | Oui | Oui | Oui | Faible |
Le format n'est pas un agrément. C'est la différence entre un système de contexte que l'IA peut exploiter et un tas que l'IA est contrainte d'ignorer.
La pile de contexte personnel
Une fois que vous commencez à penser le contexte personnel comme un rempart, il est utile de le voir comme une pile, et non comme un objet unique.
Couche 1 : surlignements bruts. Les phrases et les extraits que vous avez marqués. Ce sont les atomes les plus petits et les moins coûteux. Ils répondent à la question : « pour quoi cette personne a-t-elle jugé bon de ralentir ? »
Couche 2 : annotations. Une courte note rattachée à un surlignement qui en capture le pourquoi. Pas « c'est intéressant », mais « cela contredit X » ou « utile pour la décision du T3 ». Les annotations ajoutent un signal que le surlignement seul ne peut pas porter.
Couche 3 : profil et objectifs déclarés. Qui vous êtes dans le monde. Ce que vous cherchez à apprendre, à construire ou à décider. C'est l'équivalent d'une invite système pour une IA personnelle. Cela indique au modèle comment interpréter tout ce qui se trouve dans les couches 1 et 2.
Couche 4 : contexte social. Ce que d'autres dans votre réseau ont jugé digne d'être surligné dans les mêmes sources. C'est là que Glasp's community feed devient utile. Voir cinq personnes en qui vous avez confiance surligner des phrases différentes du même essai vous dit quelque chose sur cet essai que les surlignements d'une seule personne ne vous diraient pas.
Couche 5 : AI chat sur l'ensemble de la pile. C'est ici que tout cela devient opérationnel. Des outils comme Glasp's AI chat vous permettent d'interroger directement votre pile. « Qu'ai-je surligné à propos de la prise de décision en situation d'incertitude ? » « Sortez-moi tous les surlignements des six derniers mois qui ont touché au recrutement. » « Trouvez la contradiction entre ce que Marc Andreessen a dit dans cette interview et ce que j'ai surligné de Peter Thiel il y a deux ans. » Sans la pile, ces questions n'ont même pas de sens.
Ce qui est intéressant, c'est que chaque couche compose les autres. Un profil sans surlignements n'est qu'une invite générique. Des surlignements sans annotations sont des atomes sans liaisons. Un contexte social sans votre propre corpus n'est qu'un flux. L'AI chat sans pile à interroger, c'est le même chatbot générique que tout le monde possède.
La pile complète est la seule chose de cette liste qui vous appartient vraiment.
Ce que Glasswing enseigne aux individus
Project Glasswing, la réponse d'Anthropic aux capacités offensives de Mythos, mérite d'être étudié comme un schéma stratégique. Il se trouve qu'il illustre presque parfaitement le principe du contexte personnel appliqué à l'échelle d'une industrie.
Anthropic aurait pu rendre Mythos public. Ils ont choisi de ne pas le faire. Ils auraient pu publier ouvertement les vulnérabilités découvertes. Ils ont choisi de ne pas le faire. À la place, ils ont bâti un réseau soigneusement choisi de parties de confiance (Microsoft, Apple, Google et d'autres) et ont partagé leurs découvertes à l'intérieur de ce réseau, avec un calendrier de divulgation coordonné.
Le raisonnement, tel qu'analysé par CETaS de l'Alan Turing Institute, est simple. Publier une capacité sans contexte produit du chaos. Diffuser cette même capacité de manière sélective à l'intérieur d'un réseau qui possède le contexte pour agir de façon responsable produit des systèmes corrigés.
Appliquez cela aux individus. Une IA de pointe sans votre contexte personnel, c'est le Mythos offensif : capable, mais non aligné avec votre situation propre. La même IA dotée d'un accès à une pile personnelle soigneusement choisie, c'est la version Glasswing : capable et contextuelle. Le modèle ne change pas. Le réseau de contexte qui l'entoure, si.
C'est le même principe qui sous-tend collective intelligence. La valeur ne réside pas dans une pièce isolée. Elle réside dans la curation et dans les relations entre les pièces.
Pour un apprenant individuel, la traduction pratique est : cessez d'essayer de suivre chaque sortie d'IA. Commencez à construire la couche de contexte qui rend chaque sortie utile pour vous.
Bâtir votre rempart sans laboratoire
Vous n'avez besoin ni d'une équipe de recherche ni d'un laboratoire de modèles de pointe pour bâtir un contexte personnel. Vous avez besoin d'un système suffisamment fluide pour que vous l'utilisiez réellement, et suffisamment structuré pour que l'IA puisse le lire plus tard.
Quelques principes qui tiennent quel que soit l'outil que vous utilisez.
Capturez à la source, pas plus tard. La fenêtre durant laquelle une phrase semble encore importante est courte. Si vous la mettez en signet maintenant en prévoyant de prendre des notes « plus tard », vous perdrez 80 % du signal. Surligner dans le navigateur, sur la page, au moment de l'attention, est la seule manière de préserver pourquoi cette phrase comptait. Le web highlighter de Glasp a été conçu autour de cette contrainte.
Annotez avec parcimonie mais avec précision. Un surlignement vide est utile. Un surlignement accompagné de « c'est génial » ne l'est pas, parce qu'il n'explique pas le pourquoi. Un surlignement accompagné de « contredit le cadre que j'ai utilisé le trimestre dernier » vaut de l'or. Une annotation pour dix surlignements, c'est très bien. Faites en sorte que ces annotations comptent.
Préservez les sources religieusement. Une citation sans source est invérifiable. Le « vous » futur tombera sur le surlignement sans plus savoir si l'auteur était crédible. L'IA le traitera avec la même méfiance. L'attribution à la source est une petite habitude à fort effet de levier.
Traitez la vidéo et l'audio comme des contenus de premier rang. La plupart des systèmes de contexte personnel excluent silencieusement la vidéo, ce qui pose problème, car la moitié de l'apprentissage sérieux passe désormais par les podcasts et par YouTube. YouTube Summary avec ses surlignements ancrés à un horodatage résout cela. L'équivalent vidéo d'un surlignement de livre, c'est un extrait de 30 secondes avec une citation tirée de la transcription.
Revisitez à cadence lente. Les surlignements que vous ne relisez jamais restent utiles (l'IA peut les retrouver), mais ceux que vous revisitez gagnent une seconde couche de signal : le fait que vous y êtes revenu. C'est la synthesis loop (capturer, revisiter, relier) qui transforme le contexte brut en quelque chose qui s'apparente davantage à du raisonnement.
Faites confiance à votre réseau pour ce que vous ne pouvez pas capturer vous-même. Personne ne lit tout. Le community feed est l'endroit où vous voyez ce que les personnes que vous respectez ont jugé digne d'être marqué. Considérez-le comme un pipeline parallèle qui comble les angles morts de votre propre lecture.
Rien de tout cela n'a d'héroïque. Il s'agit d'un petit ensemble d'habitudes qui, appliquées avec constance, produisent une couche de contexte qu'aucun modèle n'aura, sauf si vous la construisez.
L'écart de capacités va se creuser
Une ligne de raisonnement tentante consiste à dire : l'IA deviendra suffisamment bonne pour que le contexte personnel n'ait plus d'importance. Décrivez simplement ce dont vous avez besoin, et un modèle suffisamment intelligent comprendra le reste.
La sortie de Mythos est une preuve contre cette vision, et non en sa faveur.
Voici pourquoi. La capacité et le contexte ne sont pas des substituts. Ce sont des compléments. Un modèle plus intelligent sans contexte sur vous est un outil plus puissant pointé vers la mauvaise cible. Imaginez confier toute la capacité de Mythos à quelqu'un qui ne connaît ni votre activité, ni vos priorités, ni vos erreurs passées. Le résultat serait assuré, sophistiqué, et faux d'une manière difficile à détecter, parce que la fluidité de surface est si élevée.
C'est le AI thinking trap dans sa version la plus dangereuse. Quand le modèle est mauvais, vous le remarquez. Quand le modèle est excellent mais générique, vous ne le remarquez pas, et vous agissez tout de même sur la base de ses résultats.
La sortie de secours n'est pas de ralentir les modèles. Ils s'accélèrent quoi qu'il arrive. La sortie de secours, c'est de construire la couche de contexte personnel qui vous permet de les exploiter réellement. Les laboratoires injectent des ressources dans la capacité. Quasiment personne n'en injecte dans votre contexte. Cette asymétrie est votre opportunité.
Dans deux ans, les personnes qui disposeront d'une pile de contexte personnel fonctionnelle auront une IA qui agit comme un prolongement cohérent de leur pensée. Celles qui n'en auront pas auront une IA qui agit comme un étranger assuré de lui. Les deux groupes utiliseront les mêmes modèles.
Frequently Asked Questions
Claude Mythos est-il accessible au public ?
Non. En mai 2026, Anthropic n'a pas commercialisé Mythos Preview. Le modèle est utilisé en interne et via Project Glasswing pour la divulgation responsable de vulnérabilités. Anthropic a invoqué des risques de cybersécurité pour justifier de ne pas en ouvrir l'accès au grand public. C'est en partie ce qui rend le modèle intéressant comme étude de cas : il représente une capacité qui existe mais qui n'est pas largement accessible, ce qui rend la question du « que feriez-vous s'il vous était donné ? » digne d'être prise au sérieux.
Cela ne rend-il pas le contexte personnel dépendant d'un seul fournisseur d'IA ?
Non, si vous structurez correctement votre capture. Les surlignements, les annotations et les notes sont portables. Ce ne sont que du texte avec une attribution à la source. Si vous les stockez dans un système qui permet l'export, vous pouvez les déplacer d'un fournisseur d'IA à un autre à mesure que la frontière se déplace. Ce qu'il faut éviter, c'est tout outil qui enferme votre contexte dans un format propriétaire dont vous ne pouvez pas l'extraire. Glasp lets you export your highlights, ce qui est la propriété recherchée quel que soit l'IA que vous finirez par utiliser.
En quoi est-ce différent d'utiliser simplement la fonction mémoire de ChatGPT ?
La mémoire de ChatGPT est un résumé opaque, contrôlé par le fournisseur, de ce qu'il a déduit de vous au fil des conversations. Vous ne pouvez ni l'auditer, ni l'éditer facilement, ni la transférer vers un autre modèle. Le contexte personnel, au sens où cet article l'emploie, est une donnée structurée qui vous appartient (surlignements, notes, profils). Vous pouvez l'inspecter, l'éditer, la versionner et l'injecter dans n'importe quelle IA. L'un est une fonctionnalité d'un produit. L'autre est un rempart qui survit aux évolutions du produit.
Et si je n'ai pas surligné depuis des années ? Est-il trop tard ?
Il n'est jamais trop tard, mais vous ne pouvez pas comprimer le temps. Le système que vous commencez à nourrir aujourd'hui sera utile dans quelques mois et indispensable dans quelques années. Charlie Munger a une formule qui veut que le meilleur moment pour planter un arbre était il y a vingt ans, et que le deuxième meilleur moment, c'est maintenant. La même chose vaut ici. Les personnes qui ont commencé Glasp il y a trois ans disposent aujourd'hui d'un avantage de contexte significatif. Celles qui commencent ce mois-ci disposeront du même avantage en 2029.
L'IA future ne lira-t-elle pas simplement tout mon historique de navigation pour en déduire tout cela automatiquement ?
Une partie, peut-être. Mais deux choses comptent. D'abord, l'historique de navigation brut est essentiellement du bruit. Le rapport signal sur bruit y est bien plus faible que dans les surlignements, qui sont préfiltrés par la ressource la plus précieuse de votre vie : votre attention. Ensuite, même si une IA future pouvait reconstituer votre contexte à partir de l'historique, le fournisseur qui détient ces données n'est pas nécessairement celui dont vous souhaitez dépendre. Posséder votre couche de contexte est une couverture contre la forme future de l'industrie de l'IA, pas seulement un gain d'efficacité.
Comment YouTube Summary s'inscrit-il dans tout cela ?
La vidéo et l'audio sont d'ordinaire invisibles pour les systèmes de contexte personnel, ce qui constitue une lacune majeure, tant l'apprentissage sérieux passe désormais par eux. YouTube Summary extrait une transcription, fait remonter les moments clés et vous permet de surligner des horodatages précis. Le résultat est fonctionnellement identique à un surlignement de livre : une citation courte, une source, un instant donné. Cela signifie que votre apprentissage par YouTube devient un contexte de premier rang, interrogeable par l'IA au même titre que tout ce que vous avez lu par ailleurs.
Plus de contexte ne signifie-t-il pas un coût d'invite IA plus élevé ?
Si, mais le coût s'effondre rapidement, et les fenêtres de contexte s'élargissent. Il y a deux ans, charger 1 000 surlignements dans une invite coûtait cher. Aujourd'hui, c'est anodin. Le temps que vous ayez construit un corpus suffisamment vaste pour compter, le coût de son exploitation sera inférieur au coût de ne pas en disposer. Le risque le plus élevé, c'est l'absence de contexte, pas son trop-plein.
Conclusion : commencez à nourrir le système qui vous connaîtra
Claude Mythos est l'illustration la plus claire à ce jour de ce que l'IA de pointe sait faire. Trouver un bogue vieux de 27 ans dans du code qui a survécu à des décennies de revue humaine. Générer des exploits fonctionnels sans aucune sollicitation humaine. Faire tout cela en quelques heures. La capacité est réelle, elle s'accélère, et elle ne va pas ralentir.
Ce que cette capacité n'inclut pas, et n'inclura pas par défaut, c'est le moindre modèle de vous. Vos priorités, votre historique de lecture, les phrases précises qui ont façonné votre pensée. Cette partie du tableau est invisible même pour le modèle le plus capable, à moins que vous ne la rendiez visible.
Le travail est minime, mais il ne se comprime pas. Un surlignement à la fois. Une annotation lorsque le contexte le justifie. Un court profil qui indique à l'IA comment pondérer tout le reste. Un passage par les surlignements de votre réseau lorsque vous voulez une perspective que vous n'avez pas produite vous-même. Rien d'héroïque. Tout se compose.
Le schéma Glasswing est aussi le bon modèle mental pour les individus. Mythos plus un réseau de contexte soigneusement choisi produit un résultat utile, ciblé et responsable. Mythos sans contexte est une capacité à la recherche du mauvais problème. Appliquez la même logique à vous-même. La frontière continuera d'avancer. Ce qui vous reste, c'est le corpus que vous avez bâti autour d'elle.
Commencez par un surlignement dès aujourd'hui. Le système qui vous connaîtra en 2028 est celui que vous commencez à nourrir maintenant. Glasp's web highlighter, YouTube Summary et AI chat over your highlights sont conçus exactement autour de ce postulat : capturer à faible coût, attribuer chaque élément, et laisser l'IA assurer la récupération lourde sur un corpus que personne d'autre ne possède.
Le modèle n'est pas votre rempart. Votre contexte, si.