Apple aurait remplacé les noms internes Buttercup et Honeycrisp par Rave et Fizz pour iOS 27 et macOS 27. Étrange, oui. Preuve d’une grande bascule vers l’IA, non.
En janvier 2026, des informations de coulisses ont fait émerger un changement de noms de code pour les prochains systèmes d’Apple. Dans une entreprise où ces appellations accompagnent chaque cycle logiciel, le détail intrigue. Il peut signaler une réorientation, comme ne rien dire du tout. Apple ne va évidemment pas convoquer une keynote pour expliquer le destin de deux noms de fruits.
De Buttercup à Rave, la pomme change de tempo
Buttercup aurait d’abord désigné iOS 27tandis que Honeycrisp aurait été associé à macOS 27. Ces deux appellations auraient ensuite laissé place à Rave et Fizz en cours de développement. Le changement est inhabituel, car les noms internes restent généralement stables pendant un cycle.
Leur signification reste toutefois limitée. Apple utilise depuis longtemps des noms de code sans rapport direct avec les fonctions visibles par le public. Buttercup, Honeycrisp, Rave et Fizz ne permettent donc pas de déduire un nouveau design, une interface remaniée ou une compatibilité matérielle. Le fan absolu de la rédac peut ranger sa loupe : aucun écran pliable ne se cache dans ces quatre mots.
Des noms ont également circulé pour les autres systèmes : Orchid pour watchOS 27Lotus pour tvOS 27 et Eclipse pour visionOS 27. Rien n’indique que ces appellations internes deviendront publiques.
Le code a changé, pas encore la partition
Deux interprétations restent possibles. Apple peut avoir modifié une convention interne sans toucher à la feuille de route. Le changement peut aussi accompagner une réorientation du développement. Dans les deux cas, les noms eux-mêmes ne permettent pas de trancher.
La piste de l’intelligence artificielle attire forcément l’attention. Apple prépare une évolution de Apple Intelligencenotamment autour de Siri. Une modification des modèles utilisés ou de l’architecture serveur pourrait expliquer un changement de repères pendant le cycle, mais rien ne relie officiellement Rave à une fonction précise. Rave est un indice de développement, pas un benchmark de iOS 27.
Cette prudence est d’autant plus nécessaire que les appellations rapportées peuvent changer, être attribuées à un périmètre différent ou ne jamais apparaître dans le produit final. Ça intrigue, oui. Ça ne permet pas encore de prédire la prochaine interface.
Siri veut du muscle, pas un simple rebranding
Photo de Mohammad Rahmani sur Unsplash.
Le rapprochement avec Apple Intelligence devient plus intéressant lorsqu’on regarde la stratégie annoncée par Apple. Les fonctions d’IA doivent reposer sur les Apple Foundation Modelsexécutés localement sur les appareils compatibles ou via Private Cloud Compute pour les requêtes plus lourdes.
En parallèle, un accord avec Google Gemini a été évoqué pour fournir une capacité d’entraînement ou de calcul supplémentaire. Cette formulation ne signifie pas forcément que Gemini remplacerait les modèles d’Apple dans l’iPhone. Apple pourrait conserver ses propres modèles tout en utilisant une infrastructure tierce pour certaines opérations.
Le scénario associe donc plusieurs briques : traitement local, serveurs privés d’Apple et puissance louée à Google pour les charges les plus exigeantes. Les modèles les plus lourds pourraient nécessiter des TPU de Google, tandis que l’expérience visible resterait conçue par Apple. Le jardin clos ne disparaît pas parce qu’Apple loue une pelleteuse à son voisin.
Cette architecture pose tout de même une question de contrôle. Apple veut maîtriser l’expérience et la confidentialité, mais certaines fonctions d’IA pourraient dépendre de capacités matérielles externes. Le discours sur la vie privée devra donc expliquer précisément ce qui reste sur l’appareil et ce qui part vers le serveur. Sinon, ça sonne creux.
De l’iPhone au cloud, le grand écart calculatoire
Un modèle exécuté sur un iPhone ne répond pas aux mêmes contraintes qu’un modèle lancé côté serveur. Sur l’appareil, Apple doit intégrer le calcul dans les limites de la mémoire, de la consommation électrique et de la puissance disponible. Dans le cloud, elle peut mobiliser des modèles plus lourds, à condition de disposer de l’infrastructure adaptée.
Les TPU de Google pourraient répondre à ce besoin pour certaines tâches serveur. Apple utilise déjà du matériel Tensor de Google pour l’entraînement de modèles d’IA, ce qui rend l’emploi d’équipements tiers moins inédit qu’il n’y paraît. Le jardin clos a parfois besoin d’outils loués.
La dépendance resterait néanmoins un sujet stratégique. Apple vend un écosystème intégré, alors que son IA pourrait fonctionner sur plusieurs couches techniques. Le nom de code change peut-être, mais la vraie négociation se joue dans les serveurs.
WWDC 2026Rave attend son entrée en scène
La WWDC 2026 devrait fournir un indice plus solide que le passage de Buttercup à Rave, si Apple conserve son calendrier habituel. C’est à ce moment que les fonctions publiques de iOS 27de macOS 27 et des autres systèmes permettront de confronter les hypothèses aux faits.
Il faudra surtout regarder ce que fait réellement Sirila part d’exécution locale, l’usage de Private Cloud Compute et la place exacte de Google Gemini. Le nom de code amuse la galerie. La facture serveur, elle, ne rigole pas.
Pour l’instant, Rave et Fizz racontent surtout qu’Apple ajuste encore ses repères internes autour d’Apple Intelligence. Quant au grand solo de Siriil faudra attendre la présentation et les bêtas pour savoir si le concert tient debout.
Sources et références scientifiques
Wesley Hilliard. Apple's unusual OS 27 code name shift could reflect AI strategy changes, or nothing at all. 2026.
Khairat S, Garg M, Duggal M, Agrawal A, Adapa K.. India's participatory approach to developing a national AI strategy for health: lessons for collective learning.. The Lancet regional health. Southeast Asia. 2026. DOI: 10.1016/j.lansea.2026.100848 · PMID: 42866166. (résumé scientifique structuré; texte intégral non fourni)
Fusing photoacoustic microscopy and ultrasound imaging: an artificial intelligence strategy for vessel enhancement in interventional guidance – PMC. Biomedical optics express. DOI: 10.1364/boe.588654 · PMID: 41970591.
1.Cotofana S., Lachman N., “Arteries of the face and their relevance for minimally invasive facial procedures: an anatomical review,” Plast Reconstr. Surg. 143(2), 416-426 (2019). 10.1097/PRS.0000000000005201 [DOI] [PubMed] [Google Scholar]. doi:10.1097/PRS.0000000000005201.
2.Cowan R., Mann G., Salibian A. A., “Ultrasound in microsurgery: Current applications and new frontiers,” J. Clin. Med. 13(12), 3412 (2024). 10.3390/jcm13123412 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/jcm13123412.
o M.-J., Kwon J. G., Pak C. J., et al., “The role of duplex ultrasound in microsurgical reconstruction: review and technical considerations,” J. Reconstr. Microsurg. 36(07), 514-521 (2020). 10.1055/s-0040-1709479 [DOI] [PubMed] [Google Scholar]. doi:10.1055/s-0040-1709479.
4.Moradi Kashkooli F., Souri M., Tavakkoli J., et al., “A spatiotemporal computational model of focused ultrasound heat-induced nano-sized drug delivery system in solid tumors,” Drug Deliv. 30(1), 2219871 (2023). 10.1080/10717544.2023.2219871 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1080/10717544.2023.2219871.
5.Hibler B. P., Eliades P. J., Kagha K. C., et al., “Litigation arising from minimally invasive cosmetic procedures: a review of the literature,” Dermatol. Surg. 47(12), 1606-1613 (2021). 10.1097/DSS.0000000000003202 [DOI] [PubMed] [Google Scholar]. doi:10.1097/DSS.0000000000003202.
6.Bhargava A., Monteagudo B., Kushwaha P., et al., “VascuViz: a multimodality and multiscale imaging and visualization pipeline for vascular systems biology,” Nat. Methods 19(2), 242-254 (2022). 10.1038/s41592-021-01363-5 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41592-021-01363-5.
7.Syed F., Khan S., Toma M., “Modeling dynamics of the cardiovascular system using fluid-structure interaction methods,” Biology (Basel, Switz.) 12(7), 1026 (2023). 10.3390/biology12071026 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/biology12071026.
8.Guldbaek-Svensson F. K., Thygesen M. M., Nielsen T. H., et al., “Ultrasound-Based Three-Dimensional Microangiography for Repeated Noninvasive Imaging of Neovascularization,” Contrast Media Mol. Imaging 2023(1), 1-12 (2023). 10.1155/2023/3396080 [DOI] [Google Scholar]. doi:10.1155/2023/3396080.
9.Qian X., Huang C., Li R., et al., “Super-resolution ultrasound localization microscopy for visualization of the ocular blood flow,” Contrast Media & Molecular Imaging 2023(5), 1-12 (2023). [DOI] [PMC free article] [PubMed] [Google Scholar].
10.Huang C., Song P., Trzasko J. D., et al., “Simultaneous noise suppression and incoherent artifact reduction in ultrafast ultrasound vascular imaging,” IEEE Trans. Ultrason., Ferroelect., Freq. Contr. 68(6), 2075-2085 (2021). 10.1109/TUFFC.2021.3055498 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1109/TUFFC.2021.3055498.
mené C., Robin J., Dizeux A., et al., “Transcranial ultrafast ultrasound localization microscopy of brain vasculature in patients,” Nat. Biomed. Eng. 5(3), 219-228 (2021). 10.1038/s41551-021-00697-x [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41551-021-00697-x.
12.Luan S., Yu X., Lei S., et al., “Deep learning for fast super-resolution ultrasound microvessel imaging,” Phys. Med. Biol. 68(24), 245023 (2023). 10.1088/1361-6560/ad0a5a [DOI] [PubMed] [Google Scholar]. doi:10.1088/1361-6560/ad0a5a.
Deepening ideas vs. exploring new ones: AI strategy effects in human-AI creative collaboration – PMC. PloS one. DOI: 10.1371/journal.pone.0340449 · PMID: 41499598.
1.He J, Houde S, Gonzalez GE, Moran DAS, Ross SI, Muller MJ, et al. AI and the future of collaborative work: group ideation with an LLM in a virtual canvas. In: Proceedings of the 3rd Annual Meeting of the Symposium on Human-Computer Interaction for Work. ACM; 2024..
2.Ege DN, Øvrebø HH, Stubberud V, Berg MF, Elverum C, Steinert M, et al. ChatGPT as an inventor: eliciting the strengths and weaknesses of current large language models against humans in engineering design. AIEDAM. 2025;39. doi: 10.1017/s0890060425000010 [DOI] [Google Scholar]. doi:10.1017/s0890060425000010.
3.Bouschery SG, Blazevic V, Piller FT. Augmenting human innovation teams with artificial intelligence: exploring transformer-based language models. J of Product Innov Manag. 2023;40(2):139-53. doi: 10.1111/jpim.12656 [DOI] [Google Scholar]. doi:10.1111/jpim.12656.
4.Boussioux L, Lane JN, Zhang M, Jacimovic V, Lakhani KR. The crowdless future? Generative AI and creative problem-solving. Organization Science. 2024;35(5):1589-607. doi: 10.1287/orsc.2023.18430 [DOI] [Google Scholar]. doi:10.1287/orsc.2023.18430.
5.Doshi AR, Hauser OP. Generative AI enhances individual creativity but reduces the collective diversity of novel content. Sci Adv. 2024;10(28):eadn5290. doi: 10.1126/sciadv.adn5290 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1126/sciadv.adn5290.
6.Kantosalo A, Riihiaho S. Experience evaluations for human-computer co-creative processes – planning and conducting an evaluation in practice. Connection Science. 2018;31(1):60-81. doi: 10.1080/09540091.2018.1432566 [DOI] [Google Scholar]. doi:10.1080/09540091.2018.1432566.
7.Seeber I, Bittner E, Briggs RO, de Vreede T, de Vreede G-J, Elkins A, et al. Machines as teammates: a research agenda on AI in team collaboration. Information & Management. 2020;57(2):103174. doi: 10.1016/j.im.2019.103174 [DOI] [Google Scholar]. doi:10.1016/j.im.2019.103174.
8.Davis N, Hsiao C-Pi, Yashraj Singh K, Li L, Magerko B. Empirically studying participatory sense-making in abstract drawing with a co-creative cognitive agent. In: Proceedings of the 21st International Conference on Intelligent User Interfaces, 2016. p. 196-207. 10.1145/2856767.2856795 [DOI]. doi:10.1145/2856767.2856795.
9.Karimi P, Rezwana J, Siddiqui S, Maher ML, Dehbozorgi N. Creative sketching partner: an analysis of human-AI co-creativity. In: Proceedings of the 25th International Conference on Intelligent User Interfaces (IUI ’20). ACM; 2020. p. 221-30..
10.Zhu J, Liapis A, Risi S, Bidarra R, Youngblood GM. Explainable AI for designers: a human-centered perspective on mixed-initiative co-creation. In: 2018 IEEE Conference on Computational Intelligence and Games (CIG). 2018. p. 1-8. 10.1109/cig.2018.8490433 [DOI]. doi:10.1109/cig.2018.8490433.
11.Kazemitabaar M, Chow J, Ma CKT, Ericson BJ, Weintrop D, Grossman T. Studying the effect of AI code generators on supporting novice learners in introductory programming. In: Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. 2023. p. 1-23. 10.1145/3544548.3580919 [DOI]. doi:10.1145/3544548.3580919.
12.Amershi S, Weld D, Vorvoreanu M, Fourney A, Nushi B, Collisson P, et al. Guidelines for human-AI interaction. In: Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. 2019. p. 1-13. 10.1145/3290605.3300233 [DOI]. doi:10.1145/3290605.3300233.
Ahmed Z, Shahzadi K, Jin Y, Li R, Momanyi BM, Zulfiqar H, Ning L, Lin H.. Identification of RNA‐dependent liquid‐liquid phase separation proteins using an artificial intelligence strategy.. Proteomics. 2024. DOI: 10.1002/pmic.202400044 · PMID: 38824664. (résumé scientifique structuré; texte intégral non fourni)
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 !
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site web. Si vous continuez à utiliser ce site, nous supposerons que vous en êtes satisfait.
