1 million entreprises utilisent déjà l'IA

KPMG et Microsoft généralisent l’usage des agents IA dans les entreprises

KPMG et Microsoft ont annoncé un renforcement significatif de leur partenariat mondial, avec deux axes majeurs : le déploiement de Microsoft 365 Copilot auprès des 276 000 collaborateurs de KPMG répartis dans 138 pays, et l'adoption de Microsoft Agent 365 pour superviser et gouverner les agents IA au sein du cabinet et chez ses clients. Cette extension, qui s'appuie sur plus de dix ans de collaboration entre les deux groupes, marque le passage d'une phase d'expérimentation à une industrialisation réelle de l'IA dans les grandes organisations de conseil. KPMG s'appuiera sur KPMG Workbench, une plateforme construite sur Microsoft Azure AI Foundry, pour coordonner plusieurs agents IA à travers ses services d'audit, de fiscalité et de conseil. Dans l'audit, ces capacités seront intégrées progressivement à KPMG Clara, la plateforme mondiale du groupe, pour renforcer l'analyse en temps réel et améliorer la détection précoce des risques. L'enjeu central de cet accord n'est pas l'adoption de l'IA en elle-même, mais sa gouvernance à l'échelle. Plus les entreprises multiplient les agents semi-autonomes, ces systèmes capables d'exécuter des tâches complexes, d'interagir avec plusieurs applications et de participer à des processus métiers, plus elles doivent pouvoir répondre à des questions précises : quels agents sont actifs, quelles données traitent-ils, quelles décisions prennent-ils, et qui en est responsable. C'est précisément ce verrou organisationnel que Microsoft Agent 365 cherche à lever, en proposant une couche centralisée de déploiement, de supervision et de contrôle. Pour KPMG, cela se traduit aussi par un renforcement de son framework Trusted AI, conçu pour garantir une utilisation responsable de l'IA aussi bien en interne que chez ses clients grands comptes. Cette annonce s'inscrit dans une tendance de fond qui traverse l'ensemble du secteur des services professionnels : après deux années de pilotes et d'expérimentations, les grands cabinets de conseil et d'audit cherchent à standardiser leurs usages IA pour en tirer un avantage concurrentiel mesurable. Microsoft, de son côté, positionne Agent 365 comme une réponse directe aux inquiétudes des DSI et des directions juridiques face à la multiplication incontrôlée des agents autonomes dans leurs systèmes d'information. L'accord KPMG-Microsoft pourrait servir de modèle de référence pour d'autres organisations de taille comparable souhaitant franchir le cap de l'industrialisation sans sacrifier conformité et sécurité des données sensibles.

Une entreprise aurait dépensé 500 millions de dollars en Claude en un mois, faute de limites d'utilisation

Une entreprise dont l'identité n'a pas été divulguée aurait dépensé 500 millions de dollars en licences Claude en l'espace d'un seul mois, selon des informations rapportées par The Decoder. La cause serait aussi simple que coûteuse : aucun plafond d'utilisation n'avait été configuré. Le déploiement de l'IA d'Anthropic s'est ainsi propagé sans contrôle au sein de l'organisation, accumulant des appels au modèle à un rythme que personne n'avait anticipé ni encadré. Ce cas illustre une réalité que les directions informatiques commencent à découvrir à leurs dépens : l'adoption rapide de l'IA générative, sans gouvernance technique, peut transformer une promesse de productivité en gouffre financier. Sans expertise en sélection de modèles, en ingénierie du contexte ou en optimisation des requêtes, chaque usage superflu s'additionne silencieusement. Les coûts d'inférence, souvent perçus comme marginaux à l'échelle individuelle, deviennent massifs à l'échelle d'une grande organisation sans garde-fous. L'incident s'inscrit dans une période où les entreprises signent des contrats pluriannuels avec Anthropic, OpenAI ou Google pour intégrer leurs modèles en profondeur dans leurs flux de travail. Anthropic, valorisée à plus de 60 milliards de dollars, compte parmi ses clients des géants de la tech et de la finance qui déploient Claude à grande échelle. Cette anecdote, quelle que soit son exactitude, pointe vers un enjeu structurel : la maîtrise des coûts liés à l'IA est désormais une compétence critique, au même titre que la cybersécurité ou la gestion de l'infrastructure cloud.

💬 500 millions en un mois parce que personne n'a pensé à mettre un plafond, c'est presque admirable comme négligence. Ce qui me frappe, c'est que ça va arriver à beaucoup d'autres, et pas seulement aux géants : dès qu'on déploie un modèle en interne sans rate limiting ni monitoring des coûts, la facture monte en silence. La gouvernance des APIs LLM, c'est devenu aussi critique que la gestion des droits IAM, et la plupart des équipes ne l'ont pas encore intégré.

L'IA d'entreprise comme couche d'exploitation

La vraie ligne de fracture dans l'IA d'entreprise n'est pas celle que l'on suit habituellement dans les médias. Pendant que le débat public se focalise sur les benchmarks des modèles fondateurs, GPT contre Gemini, scores de raisonnement, gains marginaux de performance, l'avantage décisif se joue ailleurs : dans la couche opérationnelle, c'est-à-dire l'ensemble formé par les logiciels de workflow, la capture de données, les boucles de rétroaction et la gouvernance qui s'intercale entre les modèles d'IA et le travail réel. Des acteurs comme OpenAI et Anthropic vendent l'intelligence comme un service : on a un problème, on appelle une API, on obtient une réponse. Cette intelligence est généraliste, largement sans mémoire d'une session à l'autre, et de plus en plus interchangeable. À l'opposé, les organisations établies ont la possibilité de traiter l'IA comme une couche opérationnelle permanente : chaque exception, chaque correction, chaque validation humaine devient un signal d'apprentissage, et l'intelligence s'améliore à mesure que la plateforme absorbe davantage de travail. Ce modèle inverse la relation traditionnelle entre humains et machines. Dans une organisation de services classique, les opérateurs utilisent des logiciels pour effectuer un travail d'expert : la technologie est le médium, le jugement humain est le produit. Une plateforme pensée nativement pour l'IA renverse cette logique : le système ingère un problème, applique la connaissance accumulée du domaine, exécute de manière autonome ce qu'il peut traiter avec une haute confiance, et renvoie vers des experts humains uniquement les sous-tâches qui requièrent un jugement que le système ne maîtrise pas encore. Cette inversion n'est pas qu'un simple redesign d'interface, elle exige une matière première que les startups ne peuvent pas fabriquer rapidement : des données opérationnelles propriétaires, une large base d'experts dont les décisions quotidiennes génèrent des signaux d'entraînement, et une connaissance tacite accumulée sur des années quant à la façon dont le travail complexe se fait réellement. C'est là où réside le véritable enjeu stratégique de la décennie. Le récit dominant affirme que les startups agiles vont surpasser les acteurs établis en construisant des systèmes AI-native from scratch. Si l'IA était avant tout un problème de modèles, cette thèse tiendrait. Mais dans beaucoup de secteurs d'entreprise, c'est un problème de systèmes, intégrations, permissions, évaluation, gestion du changement, où l'avantage revient à ceux qui sont déjà ancrés dans des workflows à fort volume et à forts enjeux. La société Ensemble illustre cette approche avec une stratégie de "distillation de connaissance" : transformer l'expertise tacite et périssable des meilleurs opérateurs en signaux réutilisables, puis réinjecter ces résultats dans les workflows pour que le système continue à progresser. Les ingrédients existent déjà chez les acteurs historiques ; la question est de savoir qui saura les convertir en avantage compétitif durable avant que la fenêtre ne se referme.

Top 10 des entreprises IA : qui domine vraiment la révolution mondiale ?

Une poignée de géants technologiques concentre aujourd'hui l'essentiel de la puissance de l'intelligence artificielle mondiale. Microsoft, en tête, a réalisé un pivot stratégique majeur en investissant plusieurs milliards de dollars dans OpenAI, le laboratoire créateur de ChatGPT. En échange de ce partenariat exclusif, la firme de Redmond intègre les modèles GPT dans l'ensemble de son écosystème sous la marque Copilot : Windows, la suite Office, GitHub et ses outils de cybersécurité. Son cloud Azure sert simultanément de plateforme d'entraînement pour OpenAI et d'infrastructure pour les entreprises souhaitant déployer leurs propres applications d'IA. Alphabet, maison mère de Google, incarne quant à elle une présence encore plus ancienne dans le domaine : en 2017, ses chercheurs ont publié "Attention Is All You Need", le papier fondateur de l'architecture transformer sur laquelle reposent aujourd'hui la quasi-totalité des grands modèles de langage. Nvidia, OpenAI, Meta, Amazon, Apple, Anthropic et d'autres acteurs complètent ce cercle restreint qui contrôle modèles, puces et infrastructure cloud. Ce niveau de concentration a des conséquences directes sur l'ensemble de l'économie numérique. En contrôlant à la fois les algorithmes et l'infrastructure, ces entreprises deviennent les principaux distributeurs d'IA pour des centaines de millions d'utilisateurs et pour les entreprises qui cherchent à automatiser leurs processus. Microsoft et Google, en particulier, transforment des logiciels déjà massivement adoptés en interfaces d'intelligence artificielle, rendant l'adoption quasi-transparente pour l'utilisateur final. Les entreprises qui souhaitent développer leurs propres solutions d'IA se retrouvent en grande partie dépendantes de l'infrastructure cloud de ces mêmes acteurs, renforçant ainsi leur position dominante sur toute la chaîne de valeur, de la recherche fondamentale jusqu'à la distribution commerciale. Cette domination est le fruit de décennies d'investissement massif dans la recherche et l'infrastructure. Google Finance cette transformation depuis les années 2010 via DeepMind et Google Brain, tandis que Microsoft a su reconvertir sa position de leader du logiciel d'entreprise en levier d'adoption de l'IA générative. La barrière à l'entrée est désormais astronomique : entraîner un grand modèle de langage compétitif nécessite des dizaines de milliers de GPU et des investissements se chiffrant en milliards de dollars, ce que seuls quelques acteurs peuvent se permettre. La question qui se pose pour la suite est double : comment les régulateurs, notamment en Europe avec l'AI Act, vont-ils encadrer cette concentration de pouvoir technologique, et quels nouveaux entrants, à l'image d'Anthropic ou Mistral, parviendront à s'imposer face à des géants qui ont pris plusieurs longueurs d'avance ?