Revenium AI Outcomes : les CFOs enfin armés contre l’Agent Debt

Les agents IA entrent dans une phase de refonte face aux problèmes de fiabilité en entreprise

Les agents d'intelligence artificielle d'entreprise entrent dans une phase de refonte profonde. Après une première vague de déploiements rapides, de nombreuses organisations découvrent que la performance des modèles de langage ne suffit pas à garantir la fiabilité en production. Selon Preeti Somal, vice-présidente senior de l'ingénierie chez Temporal Technologies, intervenante lors d'un récent événement AI Impact Series à New York, de nombreuses équipes reviennent aujourd'hui construire une "version 2.0" de leurs agents. "Ils ont dû aller très vite, mais ils n'ont pas pris soin de la plomberie", a-t-elle déclaré. "Les systèmes s'effondrent, et ils se retrouvent à reconstruire avec une fondation fiable." Les difficultés concrètes sont multiples : gestion de l'état d'exécution, récupération après pannes, coordination entre APIs et systèmes d'entreprise, visibilité sur les processus, et maîtrise des coûts d'inférence. Un agent peut enchaîner plusieurs modèles de langage, des systèmes de récupération d'information et des applications externes, en maintenant un état sur plusieurs heures ou jours. L'enjeu est considérable pour les entreprises qui opèrent sous contraintes budgétaires. Redémarrer un processus après une panne peut multiplier les coûts d'inférence, augmenter la latence et dégrader l'expérience client. La distinction entre deux notions souvent confondues devient cruciale : l'état d'exécution, qui indique où en est l'agent dans un processus et à quel point reprendre après une défaillance, et la mémoire contextuelle, qui regroupe les informations transportées d'une interaction à l'autre. Somal cite l'exemple du client Abridge dans le secteur de la santé, où des processus traitent des visites médicales en plusieurs étapes : traitement audio, résumé, appels de modèles et génération de comptes-rendus post-consultation. Ces enchaînements longs et multi-étapes exigent une fiabilité structurelle que les premières architectures n'avaient pas anticipée. Temporal Technologies, dont l'infrastructure d'orchestration est antérieure à la vague actuelle de l'IA agentique, voit dans cette situation un écho direct à une période précédente de l'adoption du cloud en entreprise. Somal compare cette ruée vers l'IA à la stratégie "lift-and-shift" des débuts du cloud : migrer des charges de travail sans repenser les architectures sous-jacentes, pour finalement dépenser davantage sans en tirer la valeur attendue. "Cette précipitation vers l'IA dans un monde où vous n'avez même pas modernisé vos applications me rappelle un peu ce lift-and-shift qui s'est produit dans le cloud", a-t-elle dit. Les problèmes d'ingénierie fondamentaux comme la durabilité d'exécution et la récupération après défaillance n'émergent souvent qu'après le déploiement. L'IA agentique n'invente pas ces problèmes : elle les amplifie, et les entreprises qui n'ont pas modernisé leur socle applicatif risquent de reproduire les mêmes erreurs coûteuses qu'une décennie auparavant.

Codex : l'extension Chrome de l'agent OpenAI

OpenAI a lancé une extension Chrome pour Codex, son agent de codage, disponible sur Mac et Windows. Baptisée Codex by OpenAI (version 1.1.4), elle comble une lacune importante dans l'arsenal de l'agent : accéder à des services web qui exigent une session utilisateur authentifiée. Jusqu'ici, Codex disposait d'un navigateur intégré isolé dans l'application desktop, ainsi que d'une bibliothèque de plugins dédiés pour GitHub, Slack, Figma ou Notion. Mais ces deux approches ne suffisaient pas pour opérer sur LinkedIn, Salesforce, Gmail ou des outils internes d'entreprise, qui nécessitent que l'utilisateur soit connecté avec son profil Chrome réel. L'extension n'est pas encore disponible dans l'Union européenne ni au Royaume-Uni, et fonctionne exclusivement avec Chrome, sans support des navigateurs Chromium alternatifs comme Brave, Edge ou Arc. Cette extension redéfinit concrètement ce qu'un agent IA peut faire dans le quotidien d'un professionnel. Codex peut désormais ouvrir Salesforce et mettre à jour un compte à partir de notes d'appel, consulter des fils LinkedIn, trier des emails Gmail, ou interagir avec des outils internes sans que l'utilisateur ait à exporter ou copier-coller manuellement des données. L'agent sélectionne automatiquement le bon niveau d'outil selon la tâche : les plugins dédiés quand ils existent, l'extension Chrome quand un contexte connecté est nécessaire, le navigateur intégré pour les serveurs locaux et pages publiques. L'utilisateur peut aussi invoquer Chrome directement via la syntaxe @Chrome dans ses prompts. Pour ne pas perturber la session active, Codex opère dans des groupes d'onglets séparés, ce qui lui permet de collecter du contexte et d'agir en parallèle sans interrompre le travail en cours. Cette évolution s'inscrit dans une tendance plus large que OpenAI a observée depuis le lancement de "Computer Use" : la majorité des utilisateurs préfèrent travailler dans un navigateur plutôt que via des API ou des plugins. Les agents IA se heurtaient jusqu'ici à une frontière nette, celle de l'authentification, qui réservait de facto certaines tâches à l'humain. En franchissant cette frontière via le profil Chrome de l'utilisateur, OpenAI déplace la question vers la confiance et les permissions : l'extension demande un accès en lecture et modification sur tous les sites web, l'historique de navigation sur tous les appareils connectés, ainsi que la gestion des téléchargements et des groupes d'onglets. OpenAI précise que Codex applique ses propres mécanismes de confirmation par site et une liste d'autorisation/blocage par-dessus ces permissions Chrome. La prochaine étape logique sera l'extension de cette capacité aux marchés européen et britannique, probablement après un examen de conformité réglementaire.

💬 C'est la barrière qui bloquait vraiment les agents depuis le début. Jusqu'ici, Codex pouvait générer du code, ouvrir des PR, mais dès qu'il fallait toucher Salesforce ou trier des mails, l'humain reprenait la main faute de session authentifiée. Maintenant si, et ça ouvre des automatisations utiles, même si les permissions demandées (lecture-écriture sur tous les sites, historique de navigation complet) méritent qu'on y réfléchisse avant de cliquer Autoriser.

Les outils de prévision des prix en devises alimentés par l'IA passés en revue

Les outils de prévision de prix alimentés par l'intelligence artificielle s'imposent progressivement dans les marchés des devises, soulevant une question centrale : leurs promesses de précision tiennent-elles face aux conditions réelles de trading ? Ces systèmes s'appuient sur des architectures avancées — réseaux de neurones récurrents, réseaux convolutifs, modèles de type transformeur — et ingèrent des volumes massifs de données : historiques de prix, volumes d'échanges, indicateurs macroéconomiques, analyses de sentiment tirées des réseaux sociaux et des médias, jusqu'aux événements géopolitiques. Certains outils produisent des prédictions ponctuelles (un prix précis à un instant donné), d'autres génèrent des prévisions probabilistes sous forme d'intervalles de confiance, une distinction qui change fondamentalement la façon dont les traders interprètent les résultats. Le problème central est l'écart entre les performances annoncées et la réalité du marché en direct. La plupart des chiffres de précision mis en avant par les éditeurs de ces outils reposent sur des backtests optimisés ou des démonstrations sur données historiques — des environnements qui ne reproduisent pas la volatilité et l'imprévisibilité des marchés forex en temps réel. La notion même de "précision" reste ambiguë : s'agit-il de prédire correctement la direction d'un mouvement de devise, son amplitude, ou son timing ? Ces trois dimensions impliquent des métriques distinctes — précision directionnelle, erreur absolue moyenne (MAE), racine de l'erreur quadratique moyenne (RMSE), calibration des probabilités — et aucune ne suffit seule à évaluer l'utilité pratique d'un système. Les professionnels exigent une rigueur statistique couplée à une expertise sectorielle pour interpréter correctement ces indicateurs. Le marché des changes est l'un des plus complexes au monde, avec des variables interdépendantes et une réactivité extrême aux chocs exogènes, ce qui rend toute prédiction mécanique structurellement fragile. La montée en puissance de ces outils reflète une tendance plus large : l'automatisation de la prise de décision financière via le machine learning, portée notamment par des acteurs comme Bloomberg, Refinitiv ou des startups spécialisées en fintech quantitative. L'enjeu dépasse la seule performance technique — il concerne la confiance que les institutions financières, fonds spéculatifs et traders indépendants peuvent raisonnablement accorder à ces systèmes. Un modèle efficace sur données passées peut échouer dès qu'un régime de marché change, un risque que seuls des tests hors-échantillon rigoureux permettent d'anticiper. La prochaine frontière pour ce secteur sera d'imposer des standards d'évaluation partagés qui distinguent les outils réellement robustes des promesses marketing.

Les agents IA en entreprise échouent souvent parce qu'ils ne retiennent pas ce qu'ils ont appris

Les agents d'intelligence artificielle déployés en entreprise échouent régulièrement dès qu'ils doivent enchaîner des décisions complexes, et la cause est souvent la même : ils oublient ce qu'ils ont appris. C'est le problème que cherche à résoudre Rippletide, une startup gravitant dans l'écosystème Neo4j, avec une architecture appelée "decision context graph". Fondée par Yann Bilien, co-fondateur et directeur scientifique, la société a conçu un système qui dote les agents d'une mémoire structurée, d'un raisonnement ancré dans le temps et d'une logique de décision explicite. L'objectif central : des agents dits "non-régressifs", capables de figer des séquences d'actions validées et de capitaliser dessus au fil du temps. Le problème que Rippletide adresse touche au cœur de la majorité des déploiements d'IA en entreprise. Les architectures RAG (Retrieval-Augmented Generation), qui constituent aujourd'hui le standard, se contentent de récupérer des documents sémantiquement pertinents depuis des sources variées, ERP, bases de données, politiques internes, et de les injecter dans le contexte du modèle. Mais comme le souligne Wyatt Mayham, consultant chez Northwest AI Consulting, cette approche "fonctionne pour les chatbots, mais se brise immédiatement dès qu'un agent doit prendre des décisions et agir". Un document récupéré ne dit pas à l'agent s'il est encore valide, s'il a été remplacé, ou si une règle contradictoire a la priorité. Résultat : des agents qui combinent des règles incompatibles, inventent des contraintes pour combler les vides, et produisent des erreurs difficiles à tracer et à reproduire. À l'échelle d'un workflow multi-étapes, même un faible taux d'erreur par étape devient catastrophique, raison principale pour laquelle la plupart des agents d'entreprise ne sortent jamais de la phase pilote. Le "decision context graph" répond à ce problème en encodant explicitement une carte structurée : quelles règles s'appliquent, dans quel contexte, et à quel moment. Le temps y est traité comme une dimension de premier ordre, chaque règle, décision et exception est délimitée temporellement, permettant à l'agent de distinguer "ce qui était vrai à ce moment-là" de "ce qui est vrai maintenant". Le système repose sur trois piliers : l'applicabilité (le bon contexte est retourné uniquement quand il est pertinent), la mémoire temporelle, et les chemins de décision explicites, l'agent peut expliquer pourquoi il a inclus tel contexte et non un autre. Lors de l'initialisation, les données non structurées sont ingérées puis organisées en ontologie. Ce marché de l'infrastructure agentique en entreprise attire une attention croissante alors que les limitations du RAG seul deviennent un frein réel au passage à l'échelle des systèmes d'IA autonomes.