En six jours, entre le 18 et le 24 juin 2026, Google DeepMind a perdu quatre de ses chercheurs les plus emblématiques au profit de ses deux rivaux directs, Anthropic et OpenAI. Noam Shazeer, co-auteur du papier Attention Is All You Need qui a inventé le Transformer, rejoint OpenAI. John Jumper, Prix Nobel de chimie 2024 et père d’AlphaFold, choisit Anthropic. Dans leur sillage, Jonas Adler et Alexander Pritzel, deux piliers du développement de Gemini, font le même chemin vers San Francisco. L’action Alphabet chute de 5 à 6 % dès le lundi suivant. Ce n’est pas qu’une crise de ressources humaines : c’est le signe que la course mondiale à l’intelligence artificielle redistribue ses cartes de façon brutale, et que même la plus grande entreprise technologique du monde peut se retrouver vulnérable.

Une semaine noire : chronologie des quatre départs

La séquence est aussi rapide que stupéfiante. Le 18 juin, Noam Shazeer annonce sur X qu’il rejoint OpenAI après vingt-six ans passés chez Google — une carrière presque entière au service d’un seul employeur, avec un interlude de trois ans chez Character.AI, racheté par Google pour 2,7 milliards de dollars en 2024 précisément pour le rapatrier dans l’équipe Gemini. Le lendemain, 19 juin, c’est John Jumper qui publie son au revoir à DeepMind, neuf ans après avoir rejoint le laboratoire, et annonce qu’il prendra du temps pour souffler avant de commencer chez Anthropic. Les 24 et 25 juin, Jonas Adler et Alexander Pritzel, tous deux architectes clés de Gemini, confirment à leur tour partir pour Anthropic.

# Chronologie des departs Google DeepMind -- juin 2026
departures = [
    {
        "name": "Noam Shazeer",
        "date": "2026-06-18",
        "from_org": "Google DeepMind (co-lead Gemini)",
        "to_org": "OpenAI",
        "notable": "Co-auteur 'Attention Is All You Need' (2017)",
    },
    {
        "name": "John Jumper",
        "date": "2026-06-19",
        "from_org": "Google DeepMind (directeur)",
        "to_org": "Anthropic",
        "notable": "Prix Nobel de chimie 2024, co-createur AlphaFold",
    },
    {
        "name": "Jonas Adler",
        "date": "2026-06-24",
        "from_org": "Google DeepMind (architecte Gemini)",
        "to_org": "Anthropic",
        "notable": "Role central dans le developpement de Gemini",
    },
    {
        "name": "Alexander Pritzel",
        "date": "2026-06-24",
        "from_org": "Google DeepMind (architecte Gemini)",
        "to_org": "Anthropic",
        "notable": "Specialiste deep learning et vision",
    },
]

for d in departures:
    print(f"[{d['date']}] {d['name']} : {d['from_org']} --> {d['to_org']}")
    print(f"  * {d['notable']}n")

À ces quatre noms s’ajoute David Silver, pionnier de l’apprentissage par renforcement et architecte d’AlphaGo, qui quitte DeepMind pour fonder sa propre startup, Ineffable Intelligence. Cinq géants en une semaine. Aucune entreprise tech n’a subi un tel saignement de talents de cette densité en si peu de temps. Certains analystes comparent la séquence à l’hémorragie de Bell Labs dans les années 1980, lorsque les inventeurs du transistor et d’UNIX avaient essaimé vers les universités et les startups, ouvrant la décennie de la micro-informatique personnelle.

Noam Shazeer, l’inventeur du Transformer, passe chez OpenAI

Pour comprendre le poids de ce départ, il faut remonter à 2017. Shazeer fait partie des huit auteurs de Attention Is All You Need, le papier de recherche qui a introduit l’architecture Transformer — la brique fondamentale de tous les grands modèles de langage modernes, de GPT à Gemini en passant par Claude et Mistral. Autrement dit : sans Shazeer et ses co-auteurs, les LLM tels que nous les connaissons n’existeraient tout simplement pas.

Après avoir quitté Google une première fois pour co-fonder Character.AI, il est revenu en 2024 lorsque Google a absorbé la startup pour 2,7 milliards de dollars. L’objectif officiel de ce rachat, selon plusieurs sources proches du dossier, était d’intégrer directement Shazeer dans l’équipe co-lead de Gemini. Une acquisition de talent déguisée en acquisition de produit. Le calcul semblait rentable : deux ans pour accélérer le développement du modèle phare de Google.

Deux ans plus tard, Shazeer repart — cette fois vers OpenAI, le concurrent frontal sur le marché des LLM commerciaux. Dans un post resté lapidaire, il cite le besoin de travailler dans un environnement plus agile et moins bureaucratique. Ironie du sort : il avait quitté Google une première fois en 2021 pour exactement la même raison, qualifiant alors la culture interne de « trop lente et trop frileuse face au risque ».

# Cout reel du "talent acquisition" rate de Shazeer
acquisition_cost = 2_700_000_000  # USD -- rachat Character.AI (2024)
years_retained = 2
cost_per_year = acquisition_cost / years_retained

print(f"Investissement Google pour rapatrier Shazeer : ${acquisition_cost:,}")
print(f"Duree de retention reelle           : {years_retained} ans")
print(f"Cout effectif par an de retention   : ${cost_per_year:,.0f}")
# Sortie :
# Investissement Google pour rapatrier Shazeer : $2,700,000,000
# Duree de retention reelle           : 2 ans
# Cout effectif par an de retention   : $1,350,000,000

Son arrivée chez OpenAI représente un coup double pour la société de Sam Altman : récupérer l’un des cerveaux derrière l’architecture Transformer, et en priver simultanément Google. L’équipe qui travaille sur les prochaines générations de GPT — dont les fuites autour de GPT-5.6 alimentent déjà les spéculations — s’enrichit d’un architecte de légende. Les implications sur l’efficacité énergétique et la densité des paramètres des futurs modèles pourraient être significatives dès 2027.

John Jumper, Prix Nobel de chimie 2024, choisit Anthropic

Si le départ de Shazeer frappe par sa charge symbolique, celui de John Jumper stupéfie par son prestige académique. Directeur de recherche chez Google DeepMind depuis neuf ans, Jumper est l’un des co-créateurs d’AlphaFold 2 — le système d’IA qui a résolu en 2021 un problème vieux de cinquante ans en biologie structurale : prédire la structure 3D d’une protéine à partir de sa séquence d’acides aminés. En 2024, le comité Nobel de chimie lui a décerné le prix pour cette contribution, en le partageant avec Demis Hassabis (CEO de DeepMind) et David Baker (Université de Washington).

Jumper rejoint Anthropic, la société fondée par d’anciens d’OpenAI qui développe Claude. Le mouvement est surprenant à deux titres : Anthropic est moins bien financée que Google (qui dispose de ressources quasiment illimitées) et sa recherche fondamentale en biologie reste modeste. Les analystes convergent vers une explication plus simple — l’opportunité scientifique. Anthropic travaille sur des architectures d’agents et de modèles multi-domaines dont les implications pour la biologie computationnelle pourraient surpasser ce que DeepMind peut lui offrir à court terme, désormais focalisé sur les Gemini commerciaux.

# Comparaison des approches : AlphaFold (structure) vs Claude (raisonnement)
import anthropic

# Approche classique : AlphaFold pour la structure 3D
# (pseudo-code -- API AlphaFold Server)
def fold_protein(sequence: str) -> dict:
    # curl -X POST https://alphafoldserver.com/api/fold     #   -H "Authorization: Bearer $KEY"     #   -d '{"sequences": ["' + sequence + '"]}'
    return {"plddt": 92.4, "structure_pdb": "ATOM  1  N  ..."}

# Approche emergente : LLM pour l'interpretation fonctionnelle
client = anthropic.Anthropic()

def analyze_protein_function(sequence: str, context: str) -> str:
    msg = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": (
                f"Analyse les implications fonctionnelles de cette sequence proteinique "
                f"dans le contexte de {context}. Sequence : {sequence[:50]}..."
            )
        }]
    )
    return msg.content[0].text

# Les deux approches deviennent complementaires
# Jumper chez Anthropic pourrait creer ce pont

L’annonce de son départ a provoqué un débat vif dans la communauté scientifique : DeepMind reste-t-il le meilleur endroit au monde pour faire de la recherche fondamentale en IA ? La réponse, à en juger par les décisions de Jumper, Adler et Pritzel, semble être de moins en moins clairement affirmative. DeepMind garde une réputation exceptionnelle — mais cette réputation vivait en grande partie dans les personnes qui viennent de partir.

Jonas Adler et Alexander Pritzel : la continuité de Gemini fragilisée

Moins médiatiques que Shazeer ou Jumper, Jonas Adler et Alexander Pritzel n’en sont pas moins stratégiques pour Google. Tous deux ont joué des rôles d’architectes centraux dans le développement de Gemini — le modèle flagship de Google qui se retrouve désormais en difficulté dans les benchmarks de référence. Adler était spécialisé dans les problèmes de physique computationnelle et d’apprentissage profond appliqué aux sciences. Pritzel, lui, concentrait ses travaux sur les représentations internes et la généralisation des réseaux de neurones.

Leur double départ chez Anthropic en l’espace d’une journée n’a pas l’air d’une coïncidence : les deux chercheurs ont très probablement été courtisés ensemble, dans le cadre d’un recrutement stratégique coordonné côté Anthropic. C’est une stratégie classique dans le secteur : débaucher en équipe préserve la dynamique collaborative, réduit la période d’adaptation et accélère les premiers résultats.

# Classement WebDevArena -- juin 2026 (source: BlogDuModerateur, 26 juin 2026)
leaderboard = [
    (1,  "Claude Opus 4.7 Thinking",  "Anthropic"),
    (2,  "Claude Opus 4.7",           "Anthropic"),
    (3,  "Claude Opus 4.6 Thinking",  "Anthropic"),
    (4,  "Qwen3.7-max",               "Alibaba"),
    (5,  "Claude Opus 4.6",           "Anthropic"),
    (6,  "GLM-5.1",                   "Z.ai"),
    (7,  "Claude Sonnet 4.6",         "Anthropic"),
    (8,  "Kimi-k2.6",                 "Moonshot"),
    (9,  "Muse Spark",                "Meta"),
    (10, "Gemini 3.5 Flash",          "Google"),
]

by_lab = {}
for rank, model, lab in leaderboard:
    by_lab.setdefault(lab, []).append(rank)

for lab, ranks in sorted(by_lab.items(), key=lambda x: min(x[1])):
    print(f"{lab:<12} : {len(ranks)} modele(s) -- positions {ranks}")

# Anthropic  : 5 modele(s) -- positions [1, 2, 3, 5, 7]
# Alibaba    : 1 modele(s) -- positions [4]
# Google     : 1 modele(s) -- positions [10]
# OpenAI     : 0 modele(s) -- absent du top 10

Le résultat est visible dans le classement des LLM de juin 2026 : Anthropic occupe cinq des dix premières places du WebDevArena, le benchmark de référence pour le développement web, tandis que Google ne pointe qu’à la 10e position avec Gemini 3.5 Flash. OpenAI a tout simplement disparu du top 10 — une situation que Shazeer pourrait être chargé de corriger à moyen terme.

Pourquoi Google ne parvient plus à retenir ses talents de pointe

La question dépasse la psychologie individuelle. Plusieurs facteurs structurels expliquent pourquoi des chercheurs multimillionnaires, déjà à l’abri du besoin, choisissent de quitter l’une des entreprises les mieux dotées de la planète.

La bureaucratie comme repoussoir. Shazeer l’a dit explicitement en 2021 et ses propos restent d’actualité en 2026 : Google est perçu en interne comme trop lent à décider, trop averse au risque. Pour un chercheur en IA de pointe, chaque mois de délai dans le déploiement d’un modèle ou d’une architecture représente un retard scientifique mesurable. Anthropic et OpenAI offrent une vitesse d’exécution que les grandes bureaucraties corporatives ne peuvent pas égaler structurellement.

L’effet IPO. Anthropic et OpenAI se préparent toutes deux à entrer en bourse. Pour un chercheur arrivant avec des stock-options au stade pré-IPO, la perspective de valorisation est sans commune mesure avec ce que Google peut offrir sur une action déjà mature. C’est une dynamique que les grandes entreprises tech ont toujours peiné à contrer face aux startups en hyper-croissance — Apple, Microsoft, Meta l’ont vécu avec leurs propres hémorragies de talents dans les années 2010.

La mission comme catalyseur. Anthropic se positionne explicitement sur la recherche en sécurité et interprétabilité des IA — des problèmes ouverts, non triviaux, qui attirent les chercheurs fondamentaux. Pour un John Jumper qui a passé sa carrière à résoudre des problèmes profonds, l’attrait d’une organisation qui pense encore en termes de découverte plutôt qu’en termes de parts de marché est réel et documenté.

Le retard de quatre mois entre sorties majeures. Alors qu’OpenAI sort un nouveau modèle ou un ajustement majeur pratiquement toutes les six à huit semaines, Google affiche un retard de quatre mois entre ses releases majeures de Gemini. Dans un domaine où le rythme d’itération est lui-même un avantage compétitif, ce délai est perçu comme un symptôme de dysfonctionnement interne autant que d’un manque d’agilité.

Ce que les développeurs doivent retenir de cette crise des talents

Pour les équipes techniques qui doivent choisir leurs fournisseurs de LLM en 2026, ces mouvements de talent ont des implications pratiques concrètes — au-delà de la simple curiosité pour les potins de la Silicon Valley.

Pour le code et le développement web, miser sur Claude. Le WebDevArena ne laisse aucun doute : si votre cas d’usage principal est la génération de code, le debugging ou l’architecture de systèmes logiciels, Claude Opus 4.7 est aujourd’hui le meilleur choix. L’arrivée de chercheurs de calibre DeepMind renforce la trajectoire d’Anthropic, qui n’a probablement pas fini d’améliorer ses modèles dans les mois à venir.

OpenAI bénéficiera de l’expertise Transformer de Shazeer. À moyen terme, son arrivée chez OpenAI devrait se traduire par des gains d’efficacité dans l’architecture des prochains GPT — moins de paramètres pour un niveau de performance équivalent, ou de nouveaux mécanismes d’attention plus efficaces. Les équipes qui misent sur GPT-5.6 peuvent raisonnablement anticiper un saut qualitatif sur le fond.

Gemini : prudence à court terme. Sans être condamné, Gemini entre dans une période de transition délicate. Les partenariats existants avec Google Cloud restent valables, mais les équipes qui envisagent un nouveau projet IA d’envergure auraient intérêt à évaluer les alternatives avant de s’engager sur un stack Gemini pour 12 à 18 mois. Cette instabilité a également des implications pour les entreprises qui doivent documenter leurs choix technologiques dans le cadre de l’AI Act et sa deadline du 2 août 2026 — mieux vaut parier sur des fournisseurs dont la stabilité technique est assurée.

# Matrice decisionnelle : quel LLM pour quel usage (juin 2026)
# Tient compte des mouvements de talent recents
recommendations = {
    "Generation de code":         "Claude Opus 4.7 (WebDevArena #1)",
    "Agents autonomes":           "Claude Opus 4.7 / Sonnet 4.6",
    "Traitement long contexte":   "Claude Sonnet 4.6 (200K tokens)",
    "Completion rapide / chat":   "Claude Haiku 4.5 / GPT-5.5",
    "Biologie / sciences":        "AlphaFold 3 + Claude (combo emergent)",
    "Vision / multimodalite":     "Gemini 3.5 Flash (surveiller stabilite equipe)",
    "Embeddings / RAG":           "text-embedding-3-large ou Voyage-3",
    "Compliance RGPD EU":         "Mistral Large (hebergement EU)",
}

print("=== Recommandations LLM post-DeepMind-exodus (juin 2026) ===")
for use_case, model in recommendations.items():
    print(f"  {use_case:<35} --> {model}")

La guerre des talents IA n’est pas qu’un spectacle pour initiés de la Silicon Valley : elle remodèle concrètement quels modèles s’amélioreront le plus vite, lesquels stagneront, et in fine quels outils vous mettrez entre les mains de vos utilisateurs. En 2026, suivre les mouvements de chercheurs est devenu aussi stratégiquement utile pour les équipes produit que suivre les benchmarks eux-mêmes. Celui qui recrute les auteurs du Transformer et le Nobéliste d’AlphaFold n’est pas seulement en train de gagner une bataille de prestige — il prépare la prochaine génération de modèles.

Sources

G
WP Admin Lab

Architecte web full-stack. WordPress, performance, data et sécurité. Notes de terrain, tests reproductibles et retours d'expérience.