Sprinklr muscle son IA pour les équipes marketing et service client

NVIDIA et ServiceNow s'associent pour développer des agents IA autonomes pour les entreprises

Lors de la conférence ServiceNow Knowledge 2026, Jensen Huang, fondateur et PDG de NVIDIA, est monté sur scène aux côtés de Bill McDermott, PDG de ServiceNow, pour annoncer l'extension de leur collaboration dans le domaine de l'intelligence artificielle en entreprise. Au coeur de cette annonce figure Project Arc, un agent autonome de bureau conçu pour fonctionner en continu et évoluer de façon autonome, destiné aux travailleurs du savoir comme les développeurs, les équipes IT et les administrateurs systèmes. Contrairement aux agents IA classiques, Project Arc s'intègre nativement à la plateforme ServiceNow via ServiceNow Action Fabric, et s'appuie sur OpenShell, un moteur d'exécution open source développé par NVIDIA permettant de déployer des agents dans des environnements sandbox gouvernés par des politiques de sécurité. L'agent peut accéder aux systèmes de fichiers locaux, aux terminaux et aux applications installées sur un poste de travail, et exécuter des tâches complexes en plusieurs étapes que l'automatisation traditionnelle ne peut pas prendre en charge. Ce partenariat marque un tournant dans la manière dont les grandes entreprises envisagent l'IA. Jusqu'ici cantonnée à la génération de texte ou au raisonnement assisté, l'intelligence artificielle passe désormais à l'action de façon autonome, durable et auditable. Pour les organisations, l'enjeu est considérable : déployer des agents capables d'agir sur de vraies infrastructures sans exposer des données sensibles ni contourner les règles de conformité. Project Arc répond à cette exigence en combinant l'AI Control Tower de ServiceNow, qui assure la gouvernance et la traçabilité de chaque action, avec le runtime sécurisé OpenShell de NVIDIA, qui définit précisément ce qu'un agent peut voir, quels outils il peut utiliser et comment chaque action est isolée du reste du système. L'annonce s'inscrit dans une tendance de fond : après des années d'investissements massifs dans les grands modèles de langage, les acteurs technologiques cherchent à concrétiser l'IA agentique dans des environnements professionnels réels. NVIDIA et ServiceNow misent sur un écosystème ouvert, fondé sur les modèles Nemotron de NVIDIA et des compétences spécialisées développées pour les ServiceNow AI Specialists, pour permettre aux entreprises d'adapter ces systèmes à leurs propres données et processus métier. Les deux sociétés co-développent également NOWAI-Bench, une suite de benchmarks ouverte pour évaluer les performances des agents IA en entreprise, intégrée à la bibliothèque NVIDIA NeMo Gym. L'environnement EnterpriseOps-Gym, l'un des plus exigeants du secteur, fait partie de cet effort pour établir des standards communs dans une course à l'agentique qui mobilise désormais tous les grands acteurs du cloud et de l'infrastructure.

Déploiement de l'IA dans le retail pour personnaliser l'expérience et mieux connaître les clients

Les détaillants en ligne remplacent leurs interfaces statiques par des systèmes d'intelligence artificielle capables de modifier l'environnement utilisateur en temps réel, pendant la session même de navigation. Les Generative User Interfaces s'appuient sur des modèles prédictifs qui analysent le clic en direct, l'historique d'achat et l'intention supposée du visiteur pour construire une mise en page, des textes et des composants interactifs propres à chaque session. Selon une étude McKinsey, 76% des consommateurs se disent frustrés lorsqu'une expérience numérique ne s'adapte pas à leurs besoins, tandis que les entreprises qui déploient des mises en page personnalisées en temps réel augmentent leur fréquence d'achat de 35% et leur panier moyen de 21%. Parallèlement, la vidéo représente désormais 82% du trafic internet total, les consommateurs passant plus de 60% de leur temps sur des contenus streamés, ce qui pousse les équipes marketing à adopter des plateformes d'écoute sociale multimodales capables d'ingérer flux vidéo, audio et images non étiquetées pour repérer logos, usages de produits et sentiment exprimé oralement. Ce marché des systèmes d'analyse multimodale doit atteindre 2,83 milliards de dollars cette année. Cette bascule change concrètement le rapport de force entre marques et consommateurs. Les entreprises qui investissent dans ces pipelines de détection précoce obtiennent un net avantage analytique: 76% des analystes médias rapportent un retour sur investissement mesurable sur les plateformes visuelles, contre moins de 60% pour ceux qui se limitent aux bases de données textuelles. Repérer une tendance visuelle ou une mention non associée à la marque avant qu'elle n'explose sur les moteurs de recherche classiques donne aux équipes logistiques une fenêtre cruciale pour ajuster les stocks régionaux face à un pic soudain de demande. Sur le plan des tests marketing, les simulations d'utilisateurs synthétiques, construites à partir de grands modèles de langage, remplacent progressivement les focus groups humains coûteux et lents: des personas virtuels dotés de profils démographiques, psychométriques et comportementaux permettent de mener des milliers d'entretiens automatisés et de tests d'interface en parallèle. Cette transformation s'inscrit dans une course plus large à l'automatisation de la relation client, où l'échec des approches par segmentation démographique classique pousse les équipes techniques vers des architectures capables de raisonner session par session. Les ingénieurs combinent différents cadres de modèles, du simple modèle unique aux moteurs capables de basculer dynamiquement entre architectures selon la tâche, et réinjectent en continu des données d'entretiens humains réels pour éviter que les populations synthétiques ne s'éloignent de la réalité du marché. Ces personas permettent ainsi d'identifier les frictions d'usage dans une application avant même sa mise en production, une étape qui préfigure une automatisation encore plus poussée des infrastructures physiques et périphériques évoquée dans la suite de l'article.

💬 Le vrai changement ici, c'est que le site ne te montre plus une page, il te montre une prédiction de toi, calculée en direct sur ton clic. Bon, sur le papier les chiffres McKinsey donnent envie (35% d'achats en plus, quand même), mais je me méfie surtout des personas synthétiques qui remplacent les focus groups: un LLM qui simule un client reste un LLM, pas quelqu'un qui hésite vraiment devant son panier. Reste à voir si ça tient en prod quand la simulation s'éloigne trop du vrai marché.

Meta lance Business Agent pour automatiser les ventes et le support client

Meta a annoncé le 3 juin 2026 le lancement de Business Agent, un assistant conversationnel alimenté par l'intelligence artificielle conçu pour automatiser les ventes, le support client et certaines tâches opérationnelles sur WhatsApp, Messenger et Instagram. Le groupe déploie également une infrastructure associée, baptisée plateforme Meta Business Agent, qui permet aux entreprises de créer et personnaliser leurs propres agents IA connectés à des outils tiers comme Shopify, Zendesk ou Shopee. Dès le lancement, plus d'un million d'entreprises ont accès à ce dispositif via les canaux de messagerie de Meta. Le déploiement commence gratuitement, avec des formules payantes annoncées pour les prochains mois, adaptées à différentes tailles de structures, des PME aux grands groupes. Avec plus d'un milliard de conversations quotidiennes entre entreprises et consommateurs sur ses plateformes, Meta transforme ces échanges en interfaces commerciales actives. Business Agent peut répondre aux demandes clients, recommander des produits, qualifier des prospects, prendre des rendez-vous et conclure des ventes, tout en s'adaptant à la langue et au ton propre à chaque marque. Contrairement aux chatbots traditionnels limités à des scénarios fixes, cet agent suit une logique d'exécution multi-tâches au sein d'une même conversation, avec la possibilité pour les entreprises de définir à quel moment un collaborateur humain doit reprendre la main. En interne, l'outil génère également des résumés des conversations manquées et des analyses des interactions récentes, réduisant la charge opérationnelle liée aux échanges répétitifs. Cette offensive s'inscrit dans une course accélérée entre les grandes plateformes technologiques pour monétiser leurs audiences via des agents IA. Meta, fort d'une base d'utilisateurs sans équivalent sur la messagerie mondiale, cherche à convertir cette présence en infrastructure commerciale incontournable pour les entreprises. La plateforme concurrence directement des solutions comme Google Business Messages ou les intégrations Salesforce Einstein, en misant sur la simplicité de déploiement et l'ubiquité de WhatsApp, dominant dans de nombreux marchés hors États-Unis. À terme, Meta prévoit d'étendre les capacités de Business Agent à la veille concurrentielle, aux études de marché, à la gestion d'agenda et à l'analyse de données produits, positionnant progressivement cet outil comme un assistant stratégique complet pour les équipes commerciales et marketing.

Les agents IA apprennent en cours de tâche, mais pas pour toute l'équipe

Les agents d'intelligence artificielle peinent à devenir de véritables outils d'équipe. Selon une étude interne d'Asana, 75 % des travailleurs du savoir utilisent déjà l'IA au quotidien, mais seulement 5 % des entreprises déclarent en avoir tiré des gains de productivité mesurables. La raison principale : lorsqu'un collaborateur corrige ou améliore un agent, en affinant ses instructions, en lui fournissant un contexte plus précis, cette amélioration s'évapore dès qu'un collègue ouvre le même outil. Chaque utilisateur repart de zéro, entraînant en pratique une version différente du même agent selon la personne qui l'interroge. Arnab Bose, directeur produit d'Asana, résume le problème : les fournisseurs de modèles progressent rapidement sur le raisonnement et les boucles de correction, mais échouent à intégrer le contexte de travail d'entreprise d'une manière intelligible et partageable entre humains. Ce défaut architectural a des conséquences concrètes dans les workflows multi-agents, devenus la norme dans les grandes organisations : des agents qui se contredisent, des tâches répétées inutilement, des versions incohérentes de la réalité selon les équipes. Sriharsha Chintalapani, cofondateur et directeur technique de Collate, souligne que les agents sont extrêmement sensibles à la qualité des instructions reçues : un utilisateur expérimenté obtient de meilleurs résultats parce qu'il formule des prompts plus précis et donne de meilleurs retours correctifs, que l'agent mémorise et applique aux interactions suivantes. Ce mécanisme fonctionne bien pour un usage individuel, mais devient un avantage inégalement distribué dès qu'il s'agit d'un usage collectif. Neej Gore, directeur des données de Zeta Global, défend l'idée d'une mémoire partagée qui agirait comme une intelligence composée, s'enrichissant à chaque interaction et bénéficiant à toute l'organisation. La réponse d'Asana consiste à placer la mémoire partagée au coeur de sa plateforme Agentic Work Management : toute correction apportée par un membre de l'équipe s'applique automatiquement à l'ensemble des utilisateurs, via un graphe de contexte injecté directement dans les agents opérant dans son système. Plus besoin que chaque collaborateur maîtrise l'ingénierie des prompts. Mais la question de qui contrôle cette mémoire, ce qui y est stocké et comment elle reste cohérente quand plusieurs agents et utilisateurs y écrivent simultanément reste largement sans réponse dans l'industrie. Chintalapani avance que la piste la plus prometteuse consiste à construire des agents capables de récupérer la mémoire de manière relationnelle, en fonction du contexte précis de chaque requête, une approche que seules quelques organisations disposant de ressources importantes sont aujourd'hui en mesure de mettre en oeuvre.