Aller au contenu principal
OutilsTechCrunch AI · 1 min de lecture

Cette startup veut donner aux logiciels d'entreprise l'apparence d'un prompt

Source originale ↗·

Une startup dont l'identité n'est pas précisée dans l'article a levé 12 millions de dollars en seed pour développer ce qu'elle appelle un système d'exploitation IA destiné aux entreprises. L'ambition est claire : remplacer les interfaces graphiques complexes des logiciels professionnels par des interfaces conversationnelles pilotées par des prompts, permettant aux utilisateurs d'interagir avec leurs outils métier en langage naturel.

Cette approche s'inscrit dans une tendance de fond qui redéfinit la façon dont les entreprises interagissent avec leurs logiciels. Plutôt que de former les employés à naviguer dans des menus et des tableaux de bord labyrinthiques, l'idée est de laisser l'IA interpréter les intentions de l'utilisateur et exécuter les actions correspondantes. L'impact potentiel est significatif : réduction des coûts de formation, gain de productivité, et démocratisation de l'accès aux outils complexes pour des profils non techniques.

Avec 12 millions de dollars levés au stade seed, la startup dispose d'un capital conséquent pour développer et commercialiser sa technologie. Le positionnement cible directement le marché des logiciels d'entreprise (ERP, CRM, outils RH, etc.), un secteur historiquement résistant à l'innovation UX et dominé par des acteurs comme SAP, Oracle ou Salesforce. La proposition de valeur repose sur une couche d'abstraction IA qui se greffe sur l'existant, sans nécessiter de refonte complète des systèmes en place.

Si la traction est au rendez-vous, ce modèle pourrait accélérer l'obsolescence des interfaces traditionnelles dans l'entreprise. Les grands éditeurs de logiciels n'ont pas attendu pour investir ce terrain, Microsoft avec Copilot ou Salesforce avec Agentforce en sont la preuve, mais une startup spécialisée, plus agile, pourrait s'imposer comme une couche intermédiaire indépendante du fournisseur, ce qui constituerait un avantage différenciant réel.

Dans nos dossiers

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

Comment garantir le succès d’un projet d’IA agentielle en entreprise
1Le Big Data 

Comment garantir le succès d’un projet d’IA agentielle en entreprise

Les projets d'intelligence artificielle agentielle explosent dans les entreprises, mais la réalité des déploiements reste bien en deçà des ambitions affichées. Selon McKinsey, le marché mondial de l'IA agentielle pourrait bondir de 5 à 7 milliards de dollars en 2024 à plus de 199 milliards d'ici 2034. Pourtant, Gartner estime que plus de 40 % de ces projets seront abandonnés avant fin 2027, et une étude Qlik révèle que si 97 % des entreprises ont prévu un budget dédié, seulement 18 % sont parvenues à un déploiement complet. Le fossé entre l'enthousiasme et l'exécution est immense, et il s'explique avant tout par des infrastructures de données insuffisamment matures. Contrairement aux outils d'IA générative, qui assistent les employés dans des tâches ponctuelles et peuvent être contrôlés avant toute action, les agents IA agissent directement dans les flux de travail opérationnels : ils détectent des anomalies financières, ajustent la chaîne d'approvisionnement, déclenchent des processus automatiquement. Cette autonomie réduit drastiquement la marge d'erreur tolérée. Un agent qui s'appuie sur des données fragmentées, dupliquées ou mal attribuées peut prendre des décisions erronées sans possibilité de correction immédiate. Les données non structurées, courriels, documents internes, bases de connaissances, aggravent le problème : leur propriétaire est rarement identifié, leur exactitude difficile à vérifier. Résultat : les entreprises découvrent au moment du déploiement que leurs fondations de données ne sont tout simplement pas prêtes à supporter ce niveau de responsabilité. La gouvernance des données et la clarté des responsabilités humaines constituent donc le vrai enjeu stratégique de l'IA agentielle. Définir qui est propriétaire des données, qui valide les décisions automatisées et à quel moment une intervention humaine s'impose n'est pas une formalité administrative : c'est la condition pour que les équipes fassaient confiance au système et pour garantir conformité et traçabilité. En Europe, la loi sur l'IA impose d'ailleurs des exigences de transparence et de gestion des risques dès la conception, ce qui, malgré la contrainte perçue, offre un cadre structurant pour une adoption plus maîtrisée. La prolifération des outils ajoute une couche de complexité supplémentaire : les entreprises qui empilent des solutions sans architecture cohérente se retrouvent avec des silos technologiques qui reproduisent exactement les problèmes de données qu'elles cherchaient à résoudre. La consolidation préalable des données n'est pas un prérequis technique parmi d'autres, c'est le fondement sans lequel aucun projet d'IA agentielle sérieux ne peut tenir ses promesses à grande échelle.

UEL'AI Act européen impose des exigences de transparence et de gestion des risques dès la conception pour les projets d'IA agentielle, structurant directement les déploiements en entreprise sur le marché européen.

OutilsOpinion
1 source
L'écart de contexte de l'IA en entreprise : un problème de confiance, pas de recherche d'information
2VentureBeat AI 

L'écart de contexte de l'IA en entreprise : un problème de confiance, pas de recherche d'information

Le paysage de l'infrastructure RAG (retrieval-augmented generation) en entreprise traverse une crise de confiance, selon une étude menée par VentureBeat Pulse Research auprès de 101 entreprises en juin 2026. Cette enquête révèle que 57% des organisations ont constaté, au cours des six derniers mois, que leurs agents IA produisaient des réponses confiantes mais erronées, directement liées à un contexte métier manquant ou incohérent, et plus de la moitié d'entre elles ont vécu ce problème à plusieurs reprises. La récupération d'informations (retrieval) constitue déjà la principale source de contexte pour 38% des entreprises interrogées, davantage que toute autre approche. Fait notable, les outils de récupération natifs des grands fournisseurs, comme le file search d'OpenAI (40%) et Vertex AI Search de Google (38%), devancent désormais toutes les bases de données vectorielles spécialisées qui ont pourtant défini cette catégorie technologique. Une majorité de 58% des entreprises construisent déjà, ou ont déjà mis en place, une couche sémantique gouvernée censée résoudre ce problème, mais pour la plupart, cette infrastructure n'est pas encore opérationnelle en production. Ce décalage, que les auteurs de l'étude nomment le "context gap", a des répercussions concrètes sur la fiabilité des systèmes d'IA déployés en entreprise. Quand les agents conversationnels s'appuient sur des données de récupération incomplètes ou incohérentes, ils continuent de répondre avec la même assurance apparente, ce qui rend leurs erreurs particulièrement dangereuses car elles passent pour des faits vérifiés. Pour les équipes techniques et les décideurs, cela signifie que la sophistication apparente d'un agent IA ne garantit en rien la fiabilité de ses réponses, et que la gouvernance des données devient aussi critique que la performance du modèle lui-même. L'étude révèle aussi un paradoxe stratégique: alors que 34% des entreprises anticipent une domination du retrieval hybride d'ici fin 2026, une pluralité de 36% affirme vouloir conserver des outils autonomes best-of-breed plutôt que de tout centraliser chez un seul fournisseur, et 57% prévoient de changer ou d'ajouter un fournisseur dans l'année à venir. Cette tension entre les préférences déclarées et les usages réels illustre les enjeux plus larges qui traversent actuellement le secteur de l'IA d'entreprise. Les organisations achètent massivement des solutions natives proposées par les grands fournisseurs de modèles, tout en revendiquant un attachement à l'indépendance technologique, un signe que le marché n'a pas encore tranché entre commodité et contrôle. L'échantillon de l'étude, concentré sur les entreprises de taille moyenne (entre 101 et 1000 salariés pour 62% des répondants), avec une forte proportion de décideurs (46% ont l'autorité finale d'achat), donne une lecture directionnelle plutôt qu'une mesure précise du marché. Le secteur technologique domine l'échantillon (20%), suivi par la santé (11%). Reste à voir si les entreprises parviendront à combler ce fossé de confiance avant que la dépendance croissante aux agents IA ne transforme ces erreurs silencieuses en incidents coûteux.

OutilsActu
1 source
Google Cloud propose un nouvel outil pour organiser les données de votre entreprise
3Le Big Data 

Google Cloud propose un nouvel outil pour organiser les données de votre entreprise

Google Cloud a annoncé le 22 avril 2026, lors de son événement Google Cloud Next, le lancement de Knowledge Catalog, un moteur de contexte unifié intégré à sa plateforme Dataplex. L'outil agrège les métadonnées issues de multiples systèmes, aussi bien natifs comme BigQuery que des plateformes tierces, pour créer une source unique de vérité accessible en temps réel. Au-delà du simple inventaire technique, Knowledge Catalog automatise l'enrichissement des données en analysant schémas, requêtes et contenus non structurés pour générer des descriptions en langage naturel, construire des glossaires métiers et cartographier les relations entre entités. Des agents spécialisés, dont un basé sur LookML, permettent de générer et harmoniser automatiquement les règles métier. Des entreprises comme Bloomberg Media exploitent déjà cette approche pour permettre à des utilisateurs non techniques d'interroger des lacs de données complexes via des requêtes en langage courant. Le problème que Google Cloud cherche à résoudre est structurel : les agents d'IA en entreprise produisent des résultats médiocres non pas par manque de puissance de calcul, mais par manque de contexte fiable. Lorsque les mêmes indicateurs coexistent sous plusieurs définitions selon les équipes, l'automatisation devient fragile et l'analyse peu fiable. En unifiant ce socle sémantique, Knowledge Catalog permet aux agents de raisonner sur des bases cohérentes et partagées, réduisant les erreurs d'interprétation et accélérant l'accès à l'information. L'intégration avec Gemini renforce encore ce dispositif : même des fichiers bruts non structurés deviennent exploitables directement dans l'écosystème data. Google introduit également la notion de "produits de données", des ensembles packagés conçus pour être consommés directement par des agents ou des équipes métier, ce qui marque un changement de paradigme dans la façon dont les organisations distribuent l'accès à la donnée. La sortie de Knowledge Catalog s'inscrit dans une course que se livrent les grands fournisseurs cloud pour devenir la couche d'infrastructure de référence des entreprises qui déploient des agents d'IA à grande échelle. Microsoft, avec son écosystème Fabric et ses connecteurs Copilot, et AWS, avec son offre autour de Bedrock et des catalogues de données Lake Formation, avancent sur le même terrain. Le défi commun est de dépasser la promesse technique pour s'imposer comme le standard de gouvernance des données en contexte agentique. Pour Google Cloud, qui dispose d'un avantage compétitif avec Gemini et BigQuery, ce catalogue universel représente un levier pour verrouiller les grands comptes dans son écosystème. La prochaine étape sera d'observer si l'enrichissement automatique tient ses promesses à l'échelle, là où la curation manuelle a toujours montré ses limites.

UELes entreprises européennes déployant des agents IA sur Google Cloud peuvent améliorer la gouvernance de leurs données métier, sans impact réglementaire ou institutionnel spécifique pour la France ou l'UE.

OutilsOutil
1 source
Le nouvel Siri d'Apple : plus qu'un assistant, une couche applicative pour les entreprises
4VentureBeat AI 

Le nouvel Siri d'Apple : plus qu'un assistant, une couche applicative pour les entreprises

Apple a dévoilé lundi une refonte profonde de Siri lors de sa conférence annuelle pour développeurs WWDC 2026, transformant l'assistant vocal en une couche d'interface IA transversale à l'ensemble de ses systèmes d'exploitation. Disponible sur iPhone, iPad, Mac, Apple Watch et Vision Pro, le nouveau Siri s'appuie sur quatre mécanismes techniques clés : les App Entities (qui exposent le contenu applicatif), l'index sémantique Spotlight, les App Intents et App Schemas (qui définissent les actions disponibles en langage naturel), et les View Annotations (qui associent les éléments visibles à l'écran à des objets applicatifs). Concrètement, un développeur qui adopte ces frameworks peut permettre à Siri d'accéder au contenu de son application, de le résumer, de le modifier ou d'agir dessus, sans que l'utilisateur ait besoin d'ouvrir l'app, de naviguer dans ses menus ni de taper une requête précise. L'impact pour les entreprises et les éditeurs de logiciels professionnels est considérable. Une société utilisant un CRM, un outil de gestion de projets, une solution de facturation ou un service desk sur appareils Apple pourrait voir ses flux de travail radicalement transformés : un employé pourrait demander à voix haute à Siri de résumer un fil client, d'ajouter une facture à ses dépenses ou de planifier un suivi sur une tâche en cours, directement depuis l'écran qu'il consulte. Apple ajoute également AppIntentsTesting, un framework de test qui valide les actions App Intents via la même infrastructure que Siri et Spotlight, sans nécessiter d'automatisation d'interface graphique. C'est un signal fort : les intégrations Siri ne seront plus des démos isolées, mais des fonctionnalités testables et intégrables dans les pipelines de développement classiques. Cette évolution s'inscrit dans une stratégie plus large d'Apple pour concurrencer les assistants d'entreprise de Google, Microsoft et Salesforce sur leur propre terrain. Là où les précédentes versions de Siri imposaient des structures de commandes rigides et des phrases d'invocation explicites, le nouveau modèle délègue aux développeurs la description sémantique de leurs données et capacités, laissant au système le soin de les rendre accessibles en langage naturel. Pour les éditeurs SaaS ciblant la productivité, la collaboration, la santé, la logistique ou les opérations terrain sur plateformes Apple, l'adoption de ces frameworks pourrait rapidement devenir un critère de compétitivité, voire une exigence de base des appels d'offres entreprise. La question n'est plus de savoir si Siri peut faire office de chatbot, mais si les applications métier sont prêtes à s'y connecter.

UELes éditeurs SaaS français et européens ciblant les environnements Apple devront évaluer l'intégration des nouveaux frameworks Siri pour rester compétitifs dans les appels d'offres entreprise sur plateformes Apple.

OutilsOutil
1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic