Les liens entre Anthropic et Google placent les banques des deux côtés de l’essor de l’IA

Anthropic a introduit des capacités cyber avancées dans le secteur bancaire, tandis que sa relation avec Google étend l’infrastructure qui les soutient. Cette tension oblige les banques à se défendre contre l’IA tout en finançant sa croissance.

Le lien entre Anthropic et Google dépasse donc le simple partenariat cloud. Google fournit des processeurs personnalisés et participe à l’initiative de sécurité d’Anthropic. Les banques utilisent les modèles d’Anthropic, se protègent contre des systèmes similaires et contribuent à financer les centres de données qui les font fonctionner.

Cette configuration transforme le débat sur l’IA au sein des institutions financières. La question immédiate n’est plus de savoir si les employés doivent disposer d’un chatbot. Les banques doivent décider comment gouverner des modèles qui détectent des vulnérabilités, exécutent des tâches réglementées et créent des dépendances concentrées.

Le modèle cyber d’Anthropic a changé la conversation bancaire

Claude Mythos a transformé une préoccupation de sécurité progressive en un test immédiat de la capacité des banques à réagir à la vitesse des machines.

Anthropic a présenté Claude Mythos Preview le 7 avril via Project Glasswing. L’initiative réunissait initialement Anthropic, Google, JPMorgan Chase, Amazon Web Services, Apple, Microsoft et plusieurs entreprises de sécurité.

Mythos est un modèle à accès restreint conçu pour identifier et analyser les vulnérabilités logicielles. Anthropic n’a pas rendu cette préversion accessible au grand public. L’entreprise a plutôt accordé l’accès à des défenseurs sélectionnés et à des opérateurs de logiciels critiques.

Cette diffusion contrôlée faisait partie de l’histoire. Un modèle n’a pas besoin d’une interface publique pour modifier les calculs de risque dans tout un secteur. Ses capacités démontrées peuvent révéler ce que des systèmes moins restreints pourraient bientôt accomplir.

Anthropic a indiqué que Mythos Preview avait analysé plus de 1 000 projets open source lors de son déploiement initial. La mise à jour initiale de Glasswing de l’entreprise indiquait que le modèle avait identifié environ 23 019 vulnérabilités.

Anthropic a classé 6 202 de ces résultats comme présentant une gravité élevée ou critique. Ces chiffres demeurent des estimations de l’entreprise, et non un audit indépendant exhaustif de chaque faille signalée.

La valeur du modèle dépend également de la validation. Les systèmes automatisés peuvent signaler des schémas de code qui semblent dangereux sans prouver que des attaquants peuvent les exploiter en production. Les équipes de sécurité doivent reproduire les résultats, évaluer l’exposition et coordonner les correctifs.

Même avec ces limites, l’ampleur du phénomène modifie la gestion habituelle des vulnérabilités. Une banque pouvait auparavant traiter les découvertes dans une file d’attente façonnée par les chercheurs, les fournisseurs et les cycles de correctifs planifiés. Un modèle spécialisé peut produire des résultats bien plus rapidement.

La rapidité crée un problème à double face. Les défenseurs peuvent examiner davantage de code et prioriser la remédiation plus tôt. Des attaquants utilisant des capacités comparables peuvent également parcourir de vastes parcs logiciels à la recherche de faiblesses négligées.

Les banques font face à une version particulièrement difficile de ce problème. Leur infrastructure combine souvent des services cloud modernes, des applications achetées, du code interne et d’anciens systèmes centraux. Chaque connexion ajoute un point supplémentaire par lequel une faille peut se propager.

Le risque dépasse les applications développées par une banque. Les institutions financières dépendent de systèmes d’exploitation, de navigateurs, de services d’identité, de logiciels de paiement et de nombreux tiers. Une faiblesse chez un fournisseur peut affecter simultanément de nombreuses institutions.

Cette possibilité explique l’attention des pouvoirs publics autour de Mythos. Les responsables ne réagissaient pas à un simple benchmark de modèle. Ils étaient confrontés à une possible réduction du délai entre la découverte d’une vulnérabilité et les tentatives d’exploitation.

Le changement central se mesure au temps de réponse. Les organisations de sécurité ne peuvent pas contrôler la rapidité avec laquelle les futurs modèles rechercheront des failles. Elles peuvent contrôler la rapidité avec laquelle les équipes vérifient, priorisent, corrigent et surveillent ces résultats.

Pour les banques, Mythos est moins un produit finalisé qu’un avertissement sur le rythme opérationnel. La prochaine vulnérabilité grave pourrait parvenir aux défenseurs comme aux adversaires via des systèmes automatisés similaires.

Pourquoi la relation entre Anthropic et Google compte

Google donne à Anthropic accès à une infrastructure à une échelle capable de transformer des capacités de modèles spécialisées en un système commercial durable.

La relation entre Anthropic et Google combine investissement, capacité de calcul, distribution et coopération technique. Elle démontre aussi pourquoi les banques ne peuvent pas évaluer les fournisseurs d’IA comme de simples fournisseurs de logiciels isolés.

Anthropic a conclu en octobre 2025 un accord pour obtenir l’accès à jusqu’à un million de tensor processing units de Google. Un tensor processing unit, ou TPU, est le processeur personnalisé de Google pour les charges de travail d’IA.

L’accord représentait des dizaines de milliards de dollars, selon les entreprises. Il devait mettre en ligne plus d’un gigawatt de capacité au cours de 2026, comme détaillé dans l’accord sur les TPU.

Anthropic a ensuite indiqué avoir signé des accords avec Google et Broadcom pour cinq gigawatts de capacité TPU de nouvelle génération. Cette déclaration est parue en mai, parallèlement à une importante annonce de financement.

Dans le même temps, Anthropic a indiqué qu’AWS restait son principal fournisseur cloud et partenaire d’entraînement. Claude était également disponible via Microsoft Azure. Cette approche multicloud réduit la dépendance à un canal de distribution unique sans éliminer la concentration des infrastructures.

Google occupe une position inhabituelle dans cette structure. L’entreprise développe Gemini, qui concurrence Claude. Elle fournit aussi des processeurs et des capacités cloud qui aident Anthropic à entraîner et exploiter des modèles concurrents.

Cette relation est donc stratégiquement utile aux deux parties. Anthropic accède à des ressources de calcul spécialisées. Google gagne un client majeur pour ses processeurs et valide une infrastructure au-delà de sa propre famille de modèles.

Les banques devraient reconnaître le même schéma dans leurs propres portefeuilles de fournisseurs. La concurrence au niveau applicatif peut reposer sur une infrastructure partagée en dessous. Deux services d’IA apparemment indépendants peuvent encore dépendre de clouds, de processeurs ou de composants de sécurité qui se chevauchent.

La relation associe également le développement des capacités à la coordination défensive. Google a participé à Project Glasswing tout en fournissant une infrastructure à Anthropic. L’entreprise semble donc à la fois en amont des modèles et au sein du réseau de réponse entourant leurs risques.

Cela ne signifie pas que Google contrôle Claude Mythos ou chaque déploiement d’Anthropic. Cela signifie que les frontières entre fournisseurs deviennent moins utiles pour évaluer la résilience. Les équipes chargées des risques bancaires ont besoin de cartographies des dépendances techniques et commerciales, pas seulement d’inventaires de produits.

Une institution peut utiliser Claude via un cloud, Gemini via un autre contrat, ainsi que des applications de fournisseurs qui appellent l’un ou l’autre modèle. Cette configuration peut sembler diversifiée tout en conservant des points d’infrastructure communs.

La même question s’applique aux systèmes internes de connaissance. Une banque peut connecter des services de modèles à la recherche, aux politiques, aux dossiers clients et à la documentation d’ingénierie. Chaque connexion accroît l’utilité du système et son exposition.

Un bon knowledge blending peut aider les employés à retrouver du contexte parmi des sources approuvées. Dans une institution réglementée, toutefois, chaque chemin de récupération doit également disposer de contrôles d’accès, de règles de provenance, de conservation et de surveillance.

C’est pourquoi la relation entre Anthropic et Google compte au-delà des classements de modèles. Elle représente la structure industrielle qui se forme autour de l’IA de pointe. Les développeurs de modèles, les opérateurs cloud, les concepteurs de puces et les grands clients deviennent financièrement et techniquement interdépendants.

Les banques ne peuvent pas éviter cette structure en sélectionnant un fournisseur familier. Elles doivent identifier les points où les dépendances convergent et déterminer quelles défaillances exigent une capacité alternative, des procédures manuelles ou des protections contractuelles.

Les banques sont clientes, défenseuses et financeuses

Les banques occupent désormais trois positions contradictoires dans l’économie de l’IA, et chacune crée des obligations que les autres peuvent fragiliser.

En tant que clientes, les banques recherchent de meilleurs modèles pour la recherche, le développement logiciel, le travail de conformité et l’analyse de documents. Anthropic a élaboré une stratégie commerciale directe autour de ces besoins.

En mai, l’entreprise a présenté 10 agents destinés aux workflows financiers. Un agent est un logiciel capable de planifier et d’exécuter plusieurs étapes avec une intervention humaine limitée.

Les outils ont été conçus pour des tâches telles que la création de pitchbooks, l’audit d’états financiers et la rédaction de mémorandums de crédit. Anthropic a indiqué qu’ils pouvaient se connecter à Claude Code et Cowork tout en reflétant les politiques d’une institution.

À cette date, Anthropic indiquait que les institutions financières représentaient 40 % de ses 50 plus grands clients. La finance constituait son deuxième secteur en chiffre d’affaires d’entreprise, derrière la technologie, selon le lancement des agents financiers.

Cette adoption crée une pression concurrentielle directe. Une banque qui accélère l’examen de documents ou la livraison de logiciels peut réduire les délais de traitement. Un concurrent plus lent pourrait avoir du mal à égaler les niveaux de service avec des processus inchangés.

Pourtant, les banques sont aussi des défenseuses. Les systèmes qui améliorent la productivité interne peuvent ressembler à ceux qui aident les attaquants à trouver des faiblesses. Les équipes de sécurité doivent évaluer le modèle, ses outils connectés et le comportement des agents agissant à travers les applications.

Ce rôle exige davantage que le filtrage des prompts des employés. Un agent financier peut récupérer des informations, écrire des fichiers, appeler des outils logiciels ou préparer des décisions. Chaque autorisation crée un chemin qui nécessite des contrôles et des preuves.

Une banque ne peut pas considérer le modèle comme la seule unité de risque. Elle doit examiner l’ensemble du workflow, y compris l’authentification, la récupération des données, l’approbation humaine, la validation des résultats et la journalisation d’audit.

Les banques financent également l’expansion physique qui soutient l’IA. Les prêts, le crédit privé, les véhicules structurés et les projets de centres de données peuvent exposer les prêteurs à des hypothèses de demande dans le même secteur qu’ils adoptent.

Cela crée une boucle de rétroaction inhabituelle. Les banques financent l’infrastructure utilisée par les entreprises de modèles. Ces entreprises développent des systèmes qui poussent les banques à se moderniser. Les banques achètent ensuite davantage de services d’IA pour répondre à cette pression.

Cette boucle ne signale pas automatiquement une instabilité. Les centres de données sont des actifs réels et les services de modèles peuvent générer des revenus précieux. Toutefois, une croissance interconnectée peut masquer le nombre d’expositions qui dépendent d’hypothèses similaires.

Un prêteur peut souscrire un projet de centre de données fondé sur une demande à long terme d’une entreprise d’IA. Une autre division peut dépendre des modèles de cette même entreprise. Les expositions technologiques et de crédit de la banque partagent alors une même histoire de contrepartie.

Le rôle de Google ajoute une autre dimension. L’entreprise peut fournir des puces, des services cloud, un soutien à l’investissement et une concurrence sur les modèles au sein du même marché. Les banques doivent évaluer la manière dont ces rôles interagissent en période de tension.

C’est le véritable signal d’alarme. L’IA ne se limite plus aux dépenses technologiques. Elle touche la résilience opérationnelle, le risque de tiers, la cyberdéfense, le crédit et la planification stratégique.

Un modèle de gouvernance fragmenté manquera ces connexions. Les achats peuvent mesurer les conditions des fournisseurs tandis que la sécurité suit les vulnérabilités et que les équipes de crédit analysent les emprunteurs liés aux infrastructures. Aucune vue unique ne saisit l’exposition combinée.

Les banques ont besoin d’une cartographie à l’échelle de l’entreprise reliant les services d’IA, les dépendances cloud, les workflows matériels, les relations de financement et les plans de continuité. Sans cette cartographie, la diversification peut exister sur le papier tandis que la concentration augmente en dessous.

La pression d’Anthropic et Google révèle un écart de vitesse

Le principal affrontement oppose l’évolution portée par les modèles aux systèmes de gouvernance bancaire censés la maîtriser.

Les contrôles bancaires traditionnels partent du principe que les grandes évolutions technologiques suivent des étapes définies. Les équipes sélectionnent un fournisseur, testent le système, documentent les risques, approuvent le déploiement et surveillent le comportement en production.

Les modèles de pointe ne restent pas statiques tout au long de ce cycle. Les fournisseurs mettent à jour leurs capacités, leurs garde-fous, leurs limites de contexte, leurs intégrations et leurs politiques de déploiement. Un examen effectué pour une version peut ne pas décrire la suivante.

Les capacités cyber évoluent encore plus vite. Un modèle de détection de vulnérabilités peut analyser du code en continu, tandis qu’une banque peut encore coordonner les correctifs selon des fenêtres planifiées. Ce décalage confère une importance stratégique à la rapidité de réponse.

La solution n’est pas de supprimer les jalons de contrôle. Les banques gèrent des actifs clients, des données personnelles et des décisions réglementées. Affaiblir les contrôles pour s’aligner sur le calendrier de publication d’un fournisseur remplacerait les délais par des risques opérationnels évitables.

La meilleure approche consiste à séparer l’expérimentation réversible des décisions de production importantes. Les équipes peuvent évaluer de nouvelles capacités dans des environnements contrôlés, tout en maintenant les usages destinés aux clients ou à fort impact derrière des processus d’approbation plus stricts.

Les banques ont également besoin d’examens déclenchés par les changements. Une mise à jour majeure d’un modèle, une nouvelle autorisation d’outil, un jeu de données élargi ou une politique de conservation modifiée devraient rouvrir les contrôles concernés. Les évaluations annuelles ne peuvent pas, à elles seules, suivre ce marché.

L’analyse des défenses bancaires autour de Mythos illustre cette pression. Les régulateurs ont discuté du modèle avec des dirigeants bancaires, tandis que son accès restait initialement limité à certaines organisations sélectionnées.

JPMorgan Chase était la seule banque nommée parmi les premiers participants à Glasswing. Morgan Stanley, Goldman Sachs et Bank of New York Mellon ont ensuite confirmé leur accès lors de conférences téléphoniques sur leurs résultats.

Cette distribution inégale est importante. Les institutions ayant un accès précoce peuvent étudier la capacité, examiner leurs systèmes et améliorer leurs procédures de réponse. Celles qui n’y ont pas accès doivent se préparer à partir d’informations de seconde main et d’outils de test classiques.

Les écarts internationaux compliquent davantage le problème. La conseillère bancaire britannique Harriet Rees a déclaré en juillet que les grandes banques britanniques ne disposaient pas d’un calendrier clair pour obtenir l’accès à Mythos.

Anthropic a indiqué avoir commencé à déployer Mythos 5 au-delà des États-Unis tout en se coordonnant avec le gouvernement américain. L’accès restait lié à des organisations de confiance et à des décisions de politique publique.

Cela fait de la disponibilité des modèles un enjeu de résilience. Si un système restreint identifie de nouvelles catégories de faiblesses, les institutions en dehors de son réseau approuvé restent exposées au risque sous-jacent.

La pression ne se résume pas à Anthropic contre Google, ni à Claude contre Gemini. Il s’agit de dynamiques concurrentielles secondaires. Le conflit principal oppose l’avancée rapide des capacités à une coordination institutionnelle plus lente.

Les dirigeants bancaires devraient donc poser des questions opérationnelles. À quelle vitesse les équipes peuvent-elles valider une découverte urgente générée par un modèle ? Quels systèmes peuvent recevoir des correctifs d’urgence ? Quels fournisseurs doivent participer avant que la remédiation ne commence ?

Ils devraient également tester les circuits de communication. Une vulnérabilité grave peut impliquer les équipes juridiques, les superviseurs, les clients, les fournisseurs de logiciels et les administrations publiques. Les retards surviennent souvent entre les organisations plutôt qu’au sein d’un scanner de sécurité.

La relation d’infrastructure entre Anthropic et Google accroît la probabilité que les nouveaux modèles bénéficient d’une capacité de calcul abondante. Cela ne garantit pas chaque capacité annoncée. Cela rend toutefois peu pertinente une stratégie consistant à attendre que les progrès ralentissent.

Les banques ont besoin d’une gouvernance qui préserve la prudence sans dépendre d’un changement lent. La différence compte, car les attaquants n’attendent pas les calendriers des comités.

Ce que les chiffres des modèles ne prouvent pas

Mythos constitue un avertissement sérieux, mais les résultats rapportés ne démontrent ni l’existence d’un système offensif irrésistible ni une solution défensive complète.

Les nombres de vulnérabilités communiqués par Anthropic doivent être replacés dans leur contexte. Un modèle peut produire des milliers de découvertes candidates, alors qu’un groupe plus restreint seulement se révélera exploitable, inédit, accessible et important dans des déploiements réels.

Les estimations de gravité dépendent aussi d’hypothèses. Une faille considérée comme critique dans une configuration peut être inaccessible dans une autre. À l’inverse, un problème modéré peut devenir dangereux lorsqu’il est associé à des identifiants faibles ou à une autre vulnérabilité.

Les documents publiés par Anthropic reconnaissent les préoccupations de déploiement en restreignant les systèmes de la catégorie Mythos. Cette politique étaye l’argument selon lequel cette capacité mérite de l’attention. Elle ne vérifie pas indépendamment chaque affirmation de performance.

Les banques devraient éviter deux erreurs opposées. Écarter le modèle au motif que le fournisseur a communiqué ses propres résultats reviendrait à ignorer un avertissement crédible. Considérer chaque résultat comme confirmé fausserait les priorités et mobiliserait une capacité de remédiation limitée.

Un processus de contrôle utile consigne les taux de validation. Les équipes devraient mesurer combien de découvertes sont reproduites, combien sont nouvelles, combien de temps prend leur vérification et à quelle vitesse les problèmes confirmés reçoivent des correctifs.

Ces mesures opérationnelles comptent davantage qu’un total de gros titre. Elles révèlent si un modèle améliore les résultats de sécurité ou s’il ne fait qu’augmenter une file de vulnérabilités déjà encombrée.

L’accès défensif crée également un risque de gestion de l’information. Un système qui étudie du code source privé peut rencontrer des identifiants, des détails d’architecture ou des faiblesses exigeant une divulgation strictement contrôlée.

Les banques ont besoin de clarté contractuelle sur la conservation des données, l’entraînement des modèles, l’accès au support et le signalement des incidents. Elles ont aussi besoin de preuves que les autorisations restent alignées sur le rôle de chaque employé.

Le tableau plus large de l’adoption comporte une autre mise en garde. Une enquête sur les services financiers menée sous la direction de l’Université de Cambridge a constaté que la plupart des organisations participantes s’appuyaient sur des modèles externes plutôt que d’entraîner elles-mêmes des modèles fondamentaux.

OpenAI était le fournisseur le plus utilisé parmi les répondants du secteur interrogés, suivi de Google et d’Anthropic. Ce constat montre que les banques évoluent déjà dans un marché multi-fournisseurs.

Le même rapport a identifié un écart de perception autour du risque. Les régulateurs accordaient une priorité plus élevée que les fournisseurs d’IA aux menaces adversariales et à la résilience cyber ou opérationnelle.

Ce désaccord influe sur le déploiement. Les fournisseurs se concentrent souvent sur les contrôles des modèles et les garde-fous documentés. Les régulateurs et les banques doivent envisager les défaillances affectant les paiements, les services clients, les marchés et les institutions interconnectées.

La concurrence offre une certaine protection. Les banques peuvent comparer Claude, Gemini, les modèles OpenAI et des outils de sécurité spécialisés. Elles peuvent orienter différentes charges de travail vers des services dotés de contrôles adaptés.

Pourtant, changer de fournisseur n’est pas instantané. Le comportement des modèles, les prompts, les évaluations, les intégrations et les processus de travail des employés créent un verrouillage pratique. Déplacer un processus important peut nécessiter de nouveaux tests et une nouvelle documentation réglementaire.

La diversité des modèles peut également introduire une complexité supplémentaire. Chaque fournisseur apporte des contrats, des systèmes de surveillance, des politiques de sécurité et des calendriers de mise à jour différents. Davantage de fournisseurs peuvent améliorer la résilience tout en alourdissant le travail de gouvernance.

La conclusion appropriée est mesurée. Anthropic a présenté des éléments attestant d’un changement significatif dans la découverte automatisée de vulnérabilités. L’impact offensif complet et la valeur défensive à long terme restent incertains.

Les banques devraient se préparer à une découverte plus rapide sans supposer qu’un seul modèle résout le problème. La vérification, l’application de correctifs, la segmentation et la reprise restent essentielles.

Trois signaux que les banques devraient surveiller ensuite

La prochaine étape sera déterminée par des résultats de sécurité validés, un accès plus large et la preuve que les banques peuvent gouverner l’IA au-delà des frontières organisationnelles.

Le premier signal est la validation indépendante des résultats de Mythos. Les banques devraient surveiller combien de vulnérabilités signalées conservent leur niveau de gravité après examen par les projets concernés et les chercheurs en sécurité.

Des taux de validation élevés renforceraient l’idée que les modèles spécialisés ont durablement raccourci les délais de découverte. Des taux faibles n’effaceraient pas le risque, mais déplaceraient l’attention vers la qualité du triage.

Les divulgations les plus utiles incluront davantage que des totaux. Les examinateurs ont besoin de données sur la reproductibilité, la nouveauté, l’exploitabilité, la finalisation des correctifs et le délai de remédiation. Ces mesures relient la sortie du modèle à une amélioration défensive réelle.

Le deuxième signal est l’extension de l’accès de confiance. Le déploiement d’Anthropic au-delà des États-Unis montrera si une distribution restreinte peut soutenir une large résilience financière sans diffuser indistinctement des capacités sensibles.

Un programme plus large et coordonné réduirait l’écart entre les premiers participants et les autres institutions. Une fracture géographique prolongée renforcerait les appels en faveur de modèles nationaux, d’installations de test partagées ou d’accords internationaux formels.

Les banques devraient également surveiller si les gouvernements créent des critères cohérents de participation. Des approbations au cas par cas peuvent laisser les institutions dans l’incertitude quant aux calendriers, aux responsabilités et au traitement des vulnérabilités découvertes.

Le troisième signal est la gouvernance au sein des institutions financières. Les conférences téléphoniques sur les résultats, les examens réglementaires et les divulgations d’incidents devraient montrer si les banques relient l’adoption de l’IA au cyberrisque et à la concentration des tiers.

Les preuves de progrès incluraient des inventaires de modèles reliés aux processus métiers, des procédures de repli testées, des évaluations propres à chaque version et des flux de correctifs plus rapides. Des déclarations générales sur une IA responsable en révéleraient bien moins.

L’alliance entre Anthropic et Google restera centrale, car l’échelle de l’infrastructure influe sur le rythme des futures publications. Les relations d’Anthropic avec AWS et Microsoft signifient également que l’histoire ne peut pas être réduite à une seule dépendance exclusive au cloud.

Cette structure multi-cloud offre des options aux banques, mais ces options ne sont utiles que lorsque les équipes peuvent les exercer. Un fournisseur de secours inutilisé ne constitue pas une résilience si les charges de travail ne peuvent pas être déplacées en toute sécurité.

Le même principe s’applique à la supervision humaine. Exiger une approbation semble rassurant, mais cela échoue lorsque les examinateurs manquent de temps, de contexte ou d’autorité. Les banques doivent tester si les personnes peuvent interrompre les flux de travail automatisés dans des conditions réalistes.

Les dirigeants devraient poser une dernière question : leur institution peut-elle répondre à une faiblesse découverte par un modèle plus rapidement qu’un modèle comparable ne peut aider à l’exploiter ?

Cette question relie la cybersécurité, la gestion des fournisseurs, les effectifs, l’infrastructure et la responsabilité des dirigeants. Elle donne également à l’histoire Anthropic-Google une signification pratique au-delà des classements de modèles.

Les banques n’ont pas besoin de prédire quel laboratoire d’IA prendra la tête l’année prochaine. Elles ont besoin de systèmes opérationnels qui restent fiables lorsque les capacités, l’accès et les relations avec les fournisseurs évoluent rapidement.

L’appel au réveil n’est donc pas une instruction d’acheter un modèle particulier. C’est une exigence de cartographier les dépendances, valider les affirmations, accélérer la remédiation et s’exercer à la reprise avant le prochain saut de capacités.