Fermer Le Menu
    FORUM
    Apple

    Gemini dans Apple Intelligence en 2026 : deux portes pour vos données

    YvesPar Aucun commentaire10 Minutes de Lecture
    A person using a smartphone in a dimly lit indoor setting with moody lighting.
    Photo de Ron Lach sur Pexels.

    Le 14 janvier 2026Google a ouvert aux États-Unis, sur invitation, une bêta de Personal Intelligence capable de relier GmailGoogle Photos et YouTube. Dans Apple Intelligencel’intégration annoncée de Gemini devrait suivre un cadre beaucoup plus fermé. Deux chemins vers le même chatbot, deux rapports aux données personnelles.

    Personal Intelligence, le personal qui en sait long

    A smartphone in hand showing a gallery of travel photos against a clear sky.
    Photo de Plann sur Pexels.

    Personal Intelligence donne à Gemini accès à des informations personnelles afin de produire des réponses plus contextualisées. La bêta américaine demande une autorisation pour exploiter des éléments issus de Gmailde Google Photos et de YouTube. Pour l’instant, le programme reste limité aux utilisateurs invités.

    L’exemple présenté autour de l’achat de pneus montre rapidement le niveau de contexte demandé. Une personne cherchait la taille adaptée à sa voiture. Gemini a aussi tenu compte de photos de voyages familiaux dans l’Oklahoma pour évoquer les longs trajets et les conditions météo.

    La réponse peut sembler plus personnalisée, mais la méthode pose une question simple : pourquoi consulter des voyages familiaux pour rappeler que le choix d’un pneu dépend de l’usage du véhicule? La taille figure souvent sur le pneu, dans le manuel ou sur une facture. Pas besoin de transformer chaque album photo en dossier de renseignement.

    Trois applis, zéro pneu anonyme

    Un autre exemple concerne une plaque d’immatriculation retrouvée dans une photo. Le service répond alors à un besoin concret, comme retrouver un numéro oublié dans un parking ou au moment d’une démarche. Le revers, c’est l’ouverture potentielle d’une image qui contient bien plus que la plaque recherchée.

    Le problème n’est pas qu’une IA retrouve une information, mais la quantité de vie privée qu’on lui donne pour y parvenir.

    Apple, le jardin clos sous contrôle

    Le cadre annoncé pour Gemini dans Apple Intelligence suit une autre logique. Le modèle de Google pourrait fournir ses capacités tout en passant par les protections de confidentialité mises en avant par Apple. Dans ce cadre, Google ne devrait ni utiliser, ni conserver, ni vendre les données personnelles exploitées pendant l’interaction.

    La différence ne saute pas forcément aux yeux dans une keynote, mais elle change la circulation des données. Gemini utilisé directement avec Personal Intelligence reçoit une autorisation pour accéder à plusieurs services Google. Appelé depuis Apple Intelligenceil devrait fonctionner dans un périmètre imposé par Apple. Même nom, tuyauterie différente.

    La confidentialité ne vient pas du modèle lui-même : elle dépend de la porte par laquelle on le laisse entrer.

    Deux portes, un même Gemini

    Apple veut proposer une IA capable de répondre avec du contexte sans transformer ce contexte en accès général à la bibliothèque personnelle. Le jardin clos ne rend pas Gemini inoffensif par décret. Il limite ce que le modèle peut voir, conserver et réutiliser.

    Cette logique concernera aussi Siri si Apple ouvre davantage son assistant à des modèles externes. Le défi est précis : améliorer les réponses sans donner l’impression que chaque demande ouvre une trappe vers les mails, les photos et l’historique vidéo.

    Ça négocie sévère entre utilité et discrétion. Une IA qui ne connaît rien de son utilisateur répond de façon vague. Une IA qui connaît tout répond peut-être mieux, mais elle devient aussi plus difficile à surveiller. La poule aux œufs d’or s’appelle donnée personnelle, et les beaux discours sur la vie privée doivent passer le test des permissions concrètes.

    Le bouton qui coûte plus cher que prévu

    Close-up of a hand holding a smartphone with app icons and a nature wallpaper.
    Photo de FOX ^.ᆽ.^= ∫ sur Pexels.

    Pour l’utilisateur invité à tester Personal Intelligencel’autorisation mérite une vraie lecture. Connecter GmailGoogle Photos et YouTube donne à l’assistant plusieurs angles sur les habitudes, les déplacements et les échanges personnels. Une réponse plus adaptée ne justifie pas automatiquement cet accès élargi.

    Permissions, mission presque impossible

    Il faut distinguer deux sujets : la collecte du contexte au moment de répondre et l’utilisation éventuelle des échanges pour améliorer les modèles. Avant de cliquer, l’utilisateur doit savoir ce que chaque service peut consulter, pendant combien de temps et pour quel usage. Sinon, on finit par se farcir une IA capable de retrouver une plaque d’immatriculation sans savoir qui pouvait voir la photo.

    Apple a une carte à jouer avec son intégration de Gemini. Si ses protections sont appliquées comme annoncé, elles peuvent empêcher l’assistant externe de transformer chaque demande en accès général à la vie numérique. Encore faut-il que ces protections restent lisibles dans les réglages et vérifiables dans les usages. Un bouton de consentement caché derrière douze écrans de conditions d’utilisation, ce serait naze.

    Le contraste est donc net : Google demande davantage de contexte dans sa bêta américaine, tandis qu’Apple cherche à utiliser les capacités de Gemini sans lui remettre les clés du jardin. Si une IA a besoin de tout un album photo pour choisir quatre pneus, le problème n’est peut-être pas la voiture.

    Sources et références scientifiques
    1. William Gallagher. Don’t give Gemini your personal data, wait for Apple Intelligence-powered Siri. 2026.
    2. The effect of wearable simulated birth model on students’ empathy and privacy protection levels: a randomised controlled trial – PMC. BMC medical education. DOI: 10.1186/s12909-025-08441-8 · PMID: 41639700.
    3. 1.Angelina JA, Stephen KM, Ipyana M. The impact of low fidelity simulation on nurse competence in active management of third stage of labor: an intervention study in primary health care settings in Tanzania. Clin Simul Nurs. 2021;56:10-21. [Google Scholar].
    4. 2.Kim J, Park JH, Shin S. Effectiveness of simulation-based health education depending on fidelity: a meta-analysis. BMC Med Educ. 2016;16:152. [DOI] [PMC free article] [PubMed] [Google Scholar].
    5. 3.Sirisomboon R, Nuampa S, Leetheeragul J, Sudphet M, Pimol K, Sirithepmontree S, et al. Enhancing the competencies of obstetrical nurses and midwives in high-risk pregnancy management through simulation-based training in Lao People’s Democratic Republic: A pilot study. Midwifery. 2024;137:104132. [DOI] [PubMed] [Google Scholar].
    6. 4.World Health Organization. Simulation in nursing and midwifery and nursing education. Copenhagen: WHO Regional Office for Europe; 2018. [Google Scholar].
    7. anguiti O, Marfak A, Saad E, Hilali A, Benjouad A, Youlyouz-Marfak I. Simulation and midwifery education 2011-2021: a systematic review. Br J Midwifery. 2023;31(5):286-93. [Google Scholar].
    8. arman M, Palermo C, Allen LM, Williams B. Learning empathy through simulation: a systematic literature review. Simul Healthc. 2015;10(5):308-19. [DOI] [PubMed] [Google Scholar].
    9. 7.Aktas S, Pasinlioğlu T. The effect of empathy training given to midwives on empathic communication skills of midwives and birth satisfaction of mothers: A quasi-experimental study. J Eval Clin Pract. 2021;27(4):858-67. [DOI] [PubMed] [Google Scholar].
    10. 8.Lyon R, McAdams J, Tellson A, Porter MT. Comparing high fidelity simulator versus wearable simulator on team communication, clinical judgment, and patient safety in an interprofessional team. Clin Simul Nurs. 2024;93:101564. [Google Scholar].
    11. 9.Bosse HM, Schultz JH, Nickel M, Lutz T, Möltner A, Jünger J, Huwendiek S, Nikendei C. The effect of using standardized patients or peer role play on ratings of undergraduate communication training: a randomized controlled trial. Patient Educ Couns. 2012;87(3):300-6. [DOI] [PubMed] [Google Scholar].
    12. 10.Toqan D, Ayed A, Khalaf IA, Alsadi M. Effect of high-fidelity simulation on self-satisfaction and self-confidence among nursing students. SAGE Open Nurs. 2023;9:23779608231194403. [DOI] [PMC free article] [PubMed] [Google Scholar].
    13. 11.Ayed A. The relationship between the emotional intelligence and clinical decision-making among nurses in neonatal intensive care units. SAGE Open Nurs. 2025;11:23779608251321352. [DOI] [PMC free article] [PubMed] [Google Scholar].
    14. 12.Wang Y, Peng Y, Huang Y. The effect of typical case discussion and scenario simulation on the critical thinking of midwifery students: evidence from China. BMC Med Educ. 2024;24:340. [DOI] [PMC free article] [PubMed] [Google Scholar].
    15. Federated learning for teacher data privacy protection: a study in the context of the PIPL – PMC. Frontiers in big data. DOI: 10.3389/fdata.2026.1681382 · PMID: 41737477.
    16. Abadi M., Chu A., Goodfellow I., McMahan H. B., Mironov I., Talwar K., et al. (2016). “Deep learning with differential privacy,” in Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security, 308-318. doi: 10.1145/2976749.2978318 [DOI] [Google Scholar]. doi:10.1145/2976749.2978318.
    17. Bakare S. S., Adeniyi A. O., Akpuokwe C. U., Eneh N. E. (2024). Data privacy laws and compliance: a comparative review of the EU GDPR and USA regulations. Comput. Sci. Inf. Technol. Res. J. 53, 528-543. doi: 10.51594/csitrj.v5i3.859 [DOI] [Google Scholar]. doi:10.51594/csitrj.v5i3.859.
    18. Cheng Y., Zhang S. (2023). Issues and countermeasures of information network security in the context of big data for higher education institutions. Inf. Netw. 5, 1-6. doi: 10.25236/FSST.2023.051301 [DOI] [Google Scholar]. doi:10.25236/FSST.2023.051301.
    19. Dwork C. (2006). “Differential privacy,” in International Colloquium on Automata, Languages, and Programming (Berlin; Heidelberg: Springer; ), 1-12. doi: 10.1007/11787006_1 [DOI] [Google Scholar]. doi:10.1007/11787006_1.
    20. Dwork C., Roth A. (2014). The algorithmic foundations of differential privacy. Found. Trends Theor. Comput. Sci. 9, 211-407. doi: 10.1561/0400000042 [DOI] [Google Scholar]. doi:10.1561/0400000042.
    21. Filgueiras F. (2024). Artificial intelligence and education governance. Educ. Citizenship Soc. Justice 19, 349-361. doi: 10.1177/17461979231160674 [DOI] [Google Scholar]. doi:10.1177/17461979231160674.
    22. Gentry C. (2009). “Fully homomorphic encryption using ideal lattices,” in Proceedings of the Forty-First Annual ACM Symposium on Theory of Computing, 169-178. doi: 10.1145/1536414.1536440 [DOI] [Google Scholar]. doi:10.1145/1536414.1536440.
    23. Jiang Z., Zhu Z., Pan S. (2024). Data governance in multimodal behavioral research. Multimodal Technol. Interact. 8:55. doi: 10.3390/mti8070055 [DOI] [Google Scholar]. doi:10.3390/mti8070055.
    24. Li Z., Sharma V., Mohanty S. P. (2020). Preserving data privacy via federated learning: challenges and solutions. IEEE Consum. Electr. Mag. 9, 8-16. doi: 10.1109/MCE.2019.2959108 [DOI] [Google Scholar]. doi:10.1109/MCE.2019.2959108.
    25. Majeed A., Lee S. (2020). Anonymization techniques for privacy-preserving data publishing: a comprehensive survey. IEEE Access 9, 8512-8545. doi: 10.1109/ACCESS.2020.3045700 [DOI] [Google Scholar]. doi:10.1109/ACCESS.2020.3045700.
    26. McMahan H. B., Ramage D., Talwar K., Zhang L. (2018). “Learning differentially private recurrent language models,” in International Conference on Learning Representations (ICLR). [Google Scholar].
    27. McMahan H. B., Yu F. X., Richtarik P., Suresh A. T., Bacon D. (2016). “Federated learning: strategies for improving communication efficiency,” in Proceedings of the 29th Conference on Neural Information Processing Systems (NIPS) (Barcelona, Spain: ), 5-10. [Google Scholar].
    28. Personal health data protection and intelligent healthcare applications under generative adversarial network – PMC. Scientific reports. DOI: 10.1038/s41598-025-01575-1 · PMID: 40360631.
    29. 1.Wan, W. et al. Development and evaluation of intelligent medical decision support Systems. Acad. J. Sci. Technol.8 (2), 22-25 (2023). [Google Scholar].
    30. 2.Bindra, S. & Jain, R. Artificial intelligence in medical science: a review. Ir. J. Med. Sci. (1971-). 193 (3), 1419-1429 (2024). [DOI] [PubMed] [Google Scholar].
    31. 3.Liao, J. et al. Artificial intelligence assists precision medicine in cancer treatment. Front. Oncol.12, 998222 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
    32. 4.Clayton, E. W., Embí, P. J. & Malin, B. A. Dobbs and the future of health data privacy for patients and healthcare organizations. J. Am. Med. Inform. Assoc.30 (1), 155-160 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
    33. 5.Teo, Z. L. & Ting, D. S. W. Non-fungible tokens for the management of health data. Nat. Med.29 (2), 287-288 (2023). [DOI] [PubMed] [Google Scholar].
    34. 6.Tertulino, R., Antunes, N. & Morais, H. Privacy in electronic health records: a systematic mapping study. J. Public Health. 32 (3), 435-454 (2024). [Google Scholar].
    35. 7.Andrew, J., Eunice, R. J. & Karthikeyan, J. An anonymization-based privacy-preserving data collection protocol for digital health data. Front. Public. Health. 11, 1125011 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
    36. ets, B. et al. Surveying public perceptions of artificial intelligence in health care in the united States: systematic review. J. Med. Internet. Res.25, e40337 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
    37. 9.Gupta, R. et al. Consumer views on privacy protections and sharing of personal digital health information. JAMA Netw. Open.6 (3), e231305-e231305 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
    38. 10.Hindistan, Y. S. & Yetkin, E. F. A hybrid approach with Gan and dp for privacy preservation of Iiot data. IEEE Access.11, 5837-5849 (2023). [Google Scholar].
    39. 11.Ma, C. et al. RDP-GAN: A Rényi-differential privacy based generative adversarial network. IEEE Trans. Dependable Secur. Comput.20 (6), 4838-4852 (2023). [Google Scholar].
    40. 12.Rehman, A. et al. FedCSCD-GAN: A secure and collaborative framework for clinical cancer diagnosis via optimized federated learning and GAN. Biomed. Signal Process. Control. 89, 105893 (2024). [Google Scholar].
    41. Don’t give Gemini your personal data, wait for Apple Intelligence-powered Siri, AppleInsider Forums.

    Articles relatifs:

    Bonjour ! Je suis Yves, un passionné de technologie et du web, âgé de 35 ans. J'adore explorer les innovations numérique et partager mes connaissances avec autrui. Mon objectif est d'aider chacun à naviguer dans l'univers digital avec aisance. Bienvenue sur mon site !

    Connexes Postes

    Ajouter Un Commentaire
    Laisser Une Réponse