Les PDG de Figma et HubSpot affirment ne pas s'inquiéter des risques liés aux agents IA — leurs rapports officiels disent le contraire

OpenAI Frontier place les agents IA d'entreprise au cœur d'un combat que le secteur SaaS ne peut pas se permettre de perdre

OpenAI a lancé Frontier en février dernier, se positionnant officiellement comme une plateforme d'agents IA pour les entreprises. Mais derrière l'annonce se cache une offensive directe contre le modèle économique qui domine l'industrie du logiciel depuis deux décennies : la licence par siège. Conçu comme une couche sémantique transversale, Frontier connecte entrepôts de données, CRM, outils de ticketing et applications internes pour donner aux agents IA le même contexte métier qu'un employé humain. Uber, State Farm, Intuit et Thermo Fisher Scientific figurent parmi les premiers clients. L'enjeu dépasse largement la simple productivité. Si un agent IA exécute les tâches qui justifiaient auparavant l'abonnement d'un collaborateur à Salesforce ou à tout autre SaaS, la logique du paiement à l'utilisateur s'effondre. Fortune résume la crainte des acteurs en place : des plateformes comme Frontier pourraient rendre les logiciels SaaS « invisibles » et, par conséquent, moins valorisables. La directrice financière d'OpenAI, Sarah Friar, ne cache pas ses ambitions, les clients entreprise représentent aujourd'hui ~40 % du chiffre d'affaires de la société, et elle vise 50 % d'ici la fin de l'année. Les résultats des premiers déploiements illustrent l'ampleur du changement. Un fonds d'investissement mondial utilisant Frontier sur son processus commercial a récupéré plus de 90 % du temps que ses commerciaux consacraient aux tâches administratives. Un client technologique signale 1 500 heures économisées par mois en développement produit. Chez un grand industriel, un processus d'optimisation de production est passé de six semaines à une journée. La plateforme orchestre indifféremment des agents OpenAI, des agents maison et des agents tiers, y compris ceux de Google, Microsoft et Anthropic, ce qui lui confère une portée plus difficile à rejeter comme un simple enfermement propriétaire. Fidji Simo, CEO Applications d'OpenAI, a résumé le problème des silos lors du lancement en s'appuyant sur son expérience chez Instacart : « Nous avons passé des mois à intégrer chacun des outils sélectionnés. Nous n'avons même pas obtenu ce que nous voulions réellement, car chaque outil était bon pour un cas d'usage, mais ils n'étaient pas intégrés ni connectés entre eux. » Les acteurs établis tentent de s'adapter. Salesforce a affiché des résultats solides au T4 FY2026, 11,2 de milliards de $ de revenus trimestriels, 800 millions de $ de revenus récurrents annuels pour Agentforce, 29 000 contrats Agentforce signés, mais le titre a tout de même reculé en après-séance sur des prévisions décevantes. Sur l'ensemble de l'année, l'action a perdu plus de 27 %, une chute que les analystes attribuent davantage aux craintes liées à la disruption agentique qu'à une faiblesse fondamentale. En réponse, Salesforce a introduit un contrat de licence entreprise agentique à prix fixe pour Agentforce, tentant de rendre la consommation plus prévisible, signe que le secteur cherche encore sa nouvelle grammaire commerciale face à l'irruption des agents IA.

Anthropic veut contrôler mémoire, évaluations et orchestration des agents, de quoi inquiéter les entreprises

Quelques semaines seulement après le lancement de Claude Managed Agents, Anthropic a enrichi sa plateforme de trois nouvelles fonctionnalités majeures : « Dreaming », « Outcomes » et « Multi-Agent Orchestration ». Dreaming permet aux agents de réviser leurs sessions passées pour construire une mémoire évolutive et détecter des patterns jusque-là invisibles. Outcomes offre aux équipes la possibilité de définir des critères de succès précis pour mesurer la performance de leurs agents. Quant à Multi-Agent Orchestration, elle permet à un agent principal de décomposer des tâches complexes et de les déléguer à des agents spécialisés. L'objectif affiché d'Anthropic est de réduire au minimum l'intervention humaine dans la gestion des agents, en intégrant mémoire, évaluation et orchestration au sein d'une seule et même infrastructure hébergée. Ce repositionnement place Anthropic en concurrence directe avec un écosystème entier d'outils spécialisés que les entreprises utilisent aujourd'hui séparément : LangGraph et CrewAI pour l'orchestration, Pinecone pour la mémoire vectorielle à long terme, DeepEval pour l'évaluation externe, et des équipes humaines entières pour le contrôle qualité. En consolidant toutes ces couches dans un runtime unifié, Anthropic promet une traçabilité complète et un déploiement simplifié. Mais cette intégration verticale soulève des questions sérieuses pour les entreprises. La plateforme tourne sur une infrastructure qu'elles ne contrôlent pas, ce qui peut créer des problèmes de conformité sur la résidence des données, un point critique dans des secteurs régulés comme la finance ou la santé. Par ailleurs, les organisations déjà engagées dans de vastes chantiers de transformation IA ne peuvent pas forcément remplacer leurs systèmes existants du jour au lendemain sans casser leurs workflows. La vraie tension est celle du lock-in. En concentrant mémoire, orchestration et évaluation dans une même couche, Anthropic capte l'essentiel de l'architecture décisionnelle des agents, et les entreprises qui adoptent pleinement la plateforme se retrouvent structurellement dépendantes d'un seul fournisseur. Cette dynamique n'est pas propre à Anthropic : OpenAI et Microsoft poussent également vers des architectures intégrées, au motif que rapprocher orchestration et modèle améliore le contrôle et la cohérence. Mais le mouvement accélère une recomposition du marché où les couches intermédiaires, mémoire, routing, évaluation, risquent d'être absorbées par les grands modèles eux-mêmes. Les entreprises qui ont investi dans des stacks modulaires et flexibles devront arbitrer entre la commodité d'une plateforme tout-en-un et leur capacité à rester agiles face à un marché encore en pleine définition.

💬 Anthropic ne vend plus un modèle, il vend une plateforme, et la différence va se payer cash d'ici 18 mois. Mémoire, orchestration, évaluation dans un seul runtime hébergé, c'est séduisant pour les équipes qui gèrent 4 outils différents, mais ça fait une dépendance énorme sur l'architecture décisionnelle complète. Pour les boîtes françaises en finance ou santé, la question de la résidence des données n'est pas rhétorique.

L'IA agentique en entreprise : les vrais coûts, risques de sécurité et enjeux culturels

Les entreprises qui déploient des agents IA en production se heurtent à trois obstacles concrets, selon Brian Gracely, directeur senior de la stratégie produit chez Red Hat, qui s'exprimait lors du récent événement AI Impact de VentureBeat. Beaucoup de dirigeants d'entreprise, influencés par les annonces spectaculaires du secteur, craignent d'avoir déjà pris un retard critique sur leurs concurrents en matière d'agents autonomes. Or cette inquiétude repose largement sur une idée fausse : les équipes progressent en réalité bien plus vite qu'elles ne l'anticipent une fois qu'elles se lancent dans le développement. Ce progrès rapide entraîne cependant un autre défi de taille. L'usage des agents IA génère des volumes de requêtes largement supérieurs à ceux de l'ère des chatbots, ce qui fait exploser les coûts et transforme leur gestion, autrefois une simple question technique, en sujet récurrent des conseils d'administration. Les entreprises prennent aussi conscience de leur dépendance à une poignée de fournisseurs de modèles. Selon Gracely, deux ou trois grands acteurs du marché reconnaissent déjà perdre de l'argent et cherchent à entrer en Bourse pour combler ce déficit, ce qui pousse les entreprises à explorer des alternatives leur donnant plus de contrôle sur leurs coûts et leur infrastructure. Le principal poste de surcoût identifié par Gracely tient à une habitude répandue : utiliser systématiquement le modèle le plus puissant disponible, quelle que soit la complexité réelle de la tâche. Pour résoudre une réclamation d'assurance, illustre-t-il, inutile de mobiliser un modèle capable de retracer l'histoire de la civilisation occidentale ou de connaître les résultats de la Coupe du monde de football. Le levier le plus rapide pour réduire les dépenses consiste donc à ajuster la taille du modèle à la tâche, via le routage sémantique : les requêtes sont automatiquement classées puis dirigées vers le modèle adapté, sans que l'utilisateur ait à choisir. Des techniques d'infrastructure comme la mise en cache des requêtes répétitives limitent en parallèle le recours effectif aux GPU. Ensemble, ces outils démontrent qu'efficacité et innovation ne sont pas mutuellement exclusives. Cette discipline financière autour de la consommation de tokens rappelle les pratiques FinOps qu'il a fallu des années pour affiner autour des dépenses de cloud computing, et les mêmes cadres méthodologiques devraient s'y transférer, même si le vocabulaire change. Gracely insiste sur la nécessité d'une pédagogie interne pour que les équipes financières comprennent ce qu'est un token, comme elles ont dû apprendre par le passé ce qu'était une instance EC2 ou un bucket S3, afin que les équipes cessent de recourir par défaut au modèle le plus prestigieux pour des tâches qui n'en ont pas besoin. Par ailleurs, la vitesse à laquelle les outils d'IA détectent aujourd'hui les vulnérabilités logicielles oblige les entreprises à repenser leurs cycles de gestion des correctifs, les procédures traditionnelles de patch management se révélant souvent trop lentes face à des menaces identifiées presque instantanément.

💬 Le vrai coût de l'IA agentique, c'est pas le modèle, c'est le réflexe de balancer le plus gros modèle sur tout, même une réclamation d'assurance. Le routage sémantique et le cache, c'est le FinOps du cloud qui recommence, sauf qu'il faut cette fois expliquer aux équipes finance ce qu'est un token. Selon Le Fil IA, les entreprises qui gagnent sur les agents IA ne sont pas celles qui ont le plus gros modèle, mais celles qui savent quand ne pas s'en servir.

Les IPO de SpaceX et d'entreprises IA font peser des risques sur l'essor du secteur, selon des investisseurs

Lors d'un événement sur le financement de l'IA organisé par The Information à New York ce lundi, des investisseurs ont mis en garde contre les risques que font peser plusieurs introductions en bourse majeures sur l'ensemble de l'écosystème IA. SpaceX, Anthropic et OpenAI pourraient toutes entrer en bourse au cours de la même année civile, ce qui représenterait, selon Alexa von Tobel, fondatrice et associée gérante d'Inspired Capital, "trois des plus grandes IPO de l'histoire, potentiellement toutes dans le même calendrier". À l'heure où les grandes entreprises tech et IA cherchent à lever des centaines de milliards de dollars en capitaux propres et en dette pour construire des centres de données, la pression sur ces opérations est considérable. Le risque est simple : si ces introductions en bourse déçoivent les marchés, l'enthousiasme général pour l'investissement dans l'IA pourrait se refroidir brutalement. Von Tobel a utilisé l'expression "cold water on reality" pour décrire ce scénario, où de mauvaises performances boursières rendraient les capitaux environnants "plus prudents". Dans un secteur où la confiance des investisseurs alimente directement la construction d'infrastructures massives, un signal négatif sur les marchés publics aurait des répercussions bien au-delà des seules entreprises concernées, affectant potentiellement des dizaines de milliards de dollars de projets de data centers en cours. Ce contexte s'inscrit dans une période d'investissement sans précédent dans l'infrastructure IA : Microsoft, Google, Amazon et Meta ont annoncé des plans d'investissement totalisant plusieurs centaines de milliards de dollars pour 2025 et 2026. OpenAI et Anthropic, encore privées, sont valorisées respectivement à plusieurs centaines de milliards de dollars, et leur entrée en bourse constituerait un test grandeur nature de la confiance du marché public dans la rentabilité future de l'IA générative. La performance de ces IPO servira de baromètre pour toute une génération d'investissements technologiques à venir.