Le dirigeant d'Aixin Yuanzhi mise sur les puces haute performance comme moteur de croissance des entreprises en 2026

Les puces IA moins coûteuses d'Amazon séduisent les entreprises

Les puces d'IA maison d'Amazon séduisent un nombre croissant d'entreprises grâce à un argument massue : le prix. Selon Karol Piatek, consultant en infrastructure IA au cabinet irlandais Co Driver Labs, l'utilisation des puces Inferentia2 et Trainium2 d'Amazon pour exécuter des modèles d'IA existants, ce qu'on appelle l'inférence, peut coûter jusqu'à 80 % moins cher que les H100 de Nvidia, à charge de travail comparable. Amazon multiplie depuis plusieurs mois les discussions avec des entreprises gérant leurs propres centres de données pour leur proposer ces alternatives : Trainium pour l'entraînement de nouveaux modèles, Inferentia pour le déploiement. L'écart de prix est suffisamment significatif pour peser dans les décisions d'infrastructure, surtout dans un contexte où les budgets IA explosent. Pour les entreprises qui n'ont pas besoin des performances brutes maximales de Nvidia mais cherchent à industrialiser leurs usages IA à moindre coût, les puces Amazon représentent un compromis crédible. L'argument de la disponibilité joue aussi : les H100 restent difficiles à obtenir en grande quantité. Cette dynamique s'inscrit dans une tendance de fond : les grands hyperscalers, Amazon, Google, Microsoft, investissent massivement dans leurs propres puces pour réduire leur dépendance à Nvidia, dont la domination sur le marché des accélérateurs IA est quasi totale. Amazon, qui vend déjà ces puces via AWS, tente désormais de convaincre les entreprises disposant de leurs propres infrastructures physiques, un segment jusqu'ici largement acquis à Nvidia. Si ces conversions se multiplient, la pression concurrentielle sur Jensen Huang et ses équipes pourrait s'intensifier.

Comment les agentic databases redéfinissent l’IA en entreprise ?

Un nouveau concept s'impose dans les stratégies technologiques des grandes entreprises : les agentic databases. Selon une étude récente citée dans l'article, 95 % des dirigeants souhaitent transformer leur organisation en véritable plateforme d'IA et de données d'ici trois ans. Ces bases de données de nouvelle génération ne se contentent plus de stocker des informations : elles deviennent des couches actives capables d'alimenter des agents IA autonomes, de conserver leur mémoire opérationnelle et d'optimiser leurs performances en continu. Concrètement, elles doivent gérer simultanément des données relationnelles classiques, des contenus non structurés, des historiques conversationnels, de la mémoire d'agents et des données vectorielles pour la recherche sémantique. Des technologies comme PostgreSQL regagnent du terrain grâce à leur flexibilité, leur écosystème open source et leur capacité à gérer ces charges de travail hybrides. L'enjeu est considérable pour les entreprises. Aujourd'hui, la plupart fonctionnent encore avec des architectures fragmentées : données dispersées entre plusieurs outils, agents IA opérant dans des environnements cloisonnés, équipes techniques qui passent plus de temps à connecter des systèmes qu'à développer de nouveaux usages métier. Les organisations qui ont su centraliser leurs données, leurs flux et leurs agents dans une infrastructure cohérente obtiennent un retour sur investissement nettement supérieur et déploient davantage d'applications couvrant plusieurs fonctions, de la finance aux ventes en passant par le juridique. La différence de performance entre ces leaders et le reste du marché ne tient pas à la qualité des modèles LLM utilisés, mais à leur capacité à construire une couche de données unifiée fournissant un contexte fiable et une mémoire persistante aux agents. Chaque nouvel agent enrichit alors progressivement la base de connaissances commune, générant un cercle vertueux d'automatisation où les performances s'améliorent avec l'usage. Cette évolution répond aussi à une contrainte technique fondamentale : les infrastructures de données traditionnelles n'ont tout simplement pas été conçues pour des systèmes qui agissent, raisonnent et exécutent des tâches de manière autonome. La latence devient critique à mesure que les agents s'intègrent dans les opérations métier en temps réel, poussant les entreprises à adopter des systèmes de stockage multiniveaux capables de prioriser les données chaudes. Les agents doivent désormais non seulement répondre à des requêtes, mais comprendre des intentions et exécuter des actions complexes en chaîne, ce qui exige des mécanismes d'indexation hybrides avancés. L'agentic database n'est donc pas un produit unique mais une architecture complète, et les acteurs qui la maîtriseront en premier disposeront d'un avantage compétitif structurel difficile à rattraper.

Startup en réseaux optiques : les investisseurs misent sur le boom des puces

Voici la traduction/résumé de l'article : Les investisseurs se ruent sur les startups de semi-conducteurs et de composants destinés à faire tourner l'intelligence artificielle plus efficacement, faisant grimper les valorisations de ces entreprises qui cherchent à concurrencer Nvidia et les autres géants établis du secteur. Etched, une startup de quatre ans dirigée par de jeunes décrocheurs de Harvard qui développent une puce IA spécialisée, a annoncé mardi avoir levé 800 millions de dollars. La semaine précédente, les startups de puces SambaNova et xLight ont elles aussi révélé être en train de lever chacune plusieurs centaines de millions de dollars. Dans la foulée, Ayar Labs, une entreprise de 11 ans fondée par des chercheurs universitaires et spécialisée dans les équipements de connexion ultrarapide entre puces IA, serait en pourparlers pour lever au moins 200 millions de dollars, à une valorisation nettement supérieure aux 3,75 milliards de dollars atteints il y a quelques mois lors d'un précédent tour de financement. Cet afflux de capitaux traduit une bascule dans les priorités d'investissement de l'écosystème IA : au-delà des seuls modèles de langage, ce sont désormais les infrastructures matérielles qui font l'objet d'une attention croissante. Les puces spécialisées et les technologies d'interconnexion, comme celles développées par Ayar Labs, deviennent des goulots d'étranglement critiques à mesure que les centres de données IA doivent traiter des volumes de données toujours plus importants entre un nombre croissant de processeurs. Pour les géants du cloud et les développeurs de modèles, disposer de connexions plus rapides et plus efficaces entre puces peut représenter un avantage compétitif décisif en termes de coûts et de performance. Cette vague de financements s'inscrit dans un contexte où Nvidia domine largement le marché des puces IA, poussant investisseurs et startups à chercher des alternatives ou des technologies complémentaires capables de réduire cette dépendance. Les montants en jeu, souvent plusieurs centaines de millions de dollars pour des entreprises encore jeunes, illustrent l'appétit des marchés financiers pour tout acteur susceptible de peser sur la chaîne de valeur du matériel IA, des puces elles-mêmes jusqu'aux systèmes qui les relient entre elles.

💬 800 millions pour Etched, plusieurs centaines de millions pour SambaNova et xLight, et Ayar Labs qui revalorise déjà au-dessus de ses 3,75 milliards : ce mois-ci, l'argent va plus vers les tuyaux que vers les modèles. C'est révélateur : le vrai goulot d'étranglement de l'IA, ce n'est plus qui a le meilleur LLM, c'est qui arrive à faire circuler les données assez vite entre les puces. Nvidia reste roi, mais tous ces tours de table disent la même chose, personne ne veut dépendre d'un seul fournisseur sur toute la chaîne.

57% des entreprises ont vu leurs agents IA se tromper avec assurance, la solution est une couche de contexte pour agents, mais qui en dispose?

Un agent IA d'entreprise répond avec une confiance totale, mais le chiffre est faux. Personne ne s'en aperçoit avant qu'on ne remonte la source jusqu'à une définition de métrique obsolète ou un document que le système de récupération n'a jamais consulté. Le modèle n'a pas échoué : c'est le contexte qui lui a été fourni qui a fait défaut. Selon une enquête VB Pulse menée en juin 2026 auprès de 101 entreprises qualifiées de plus de 100 salariés, 57% d'entre elles ont retracé, au cours des six derniers mois, une réponse d'agent IA fausse mais formulée avec assurance jusqu'à un contexte métier manquant ou incohérent, et 31% affirment que le problème s'est reproduit plusieurs fois. La cause est simple à identifier : la récupération de documents (retrieval) reste la méthode par défaut pour fournir du contexte métier aux agents dans 38% des entreprises, presque deux fois plus que l'approche suivante. Or le choix du système de récupération privilégie la facilité d'ingestion et la simplicité opérationnelle, la précision de récupération arrivant loin derrière, un problème qui ne se révèle qu'une fois le système déjà en production. Il existe une solution connue: une couche de contexte gouvernée, que chaque agent consulte au lieu d'improviser. Cette couche est censée constituer un modèle partagé de ce que signifient réellement les données de l'entreprise, construit une fois pour toutes plutôt que redérivé par chaque agent. Mais 75% des entreprises n'en possèdent pas encore. Seules 25% des répondants en exploitent une en production, 34% sont en train d'en construire une, et 41% n'ont rien entamé. Fait notable, parmi les entreprises qui construisent ou exploitent déjà une couche de contexte gouvernée, 78% rapportent avoir déjà subi une réponse faussement assurée, contre seulement 20% chez celles qui n'ont aucun projet en ce sens. Autrement dit, ce sont surtout les entreprises déjà échaudées qui se mettent à construire le correctif, tandis que les autres ne perçoivent pas encore l'urgence. Tous les grands éditeurs de plateformes de données et d'IA développent désormais leur propre version de cette couche de contexte, sans converger vers une architecture commune. DataHub traite les métadonnées de catalogue et des années de comportement de requêtes analystes comme une base de connaissances vivante. Microsoft, avec Fabric IQ, construit une ontologie métier interrogeable par tout agent via le protocole MCP. Couchbase parie sur une mémoire d'agent proche de la base de données opérationnelle plutôt que sur une couche de recherche greffée après coup. Pinecone, avec Nexus, précompile la logique structurelle dans la couche de métadonnées avant l'exécution. Snowflake combine deux systèmes, Horizon Context pour les définitions gérées par le client et Cortex Sense pour le contexte inféré automatiquement. Oracle, avec Unified Memory Core, fusionne données vectorielles, graphes et relationnelles dans un seul moteur transactionnel afin d'éliminer toute couche de synchronisation susceptible de se périmer. Google et AWS misent tous deux sur des graphes de connaissances qui s'affinent à partir des journaux de requêtes et de l'usage réel des agents. Pour Michael Ni, vice-président et analyste principal chez Constellation Research, l'enjeu est clair: qui contrôle le contexte au moment de l'exécution contrôle la couche de décision de l'IA sur les données de l'entreprise, la mémoire vectorielle seule ne suffisant pas à garantir un sens métier fiable.

💬 57% des entreprises se sont fait avoir par un agent qui répond faux avec un aplomb total, et 75% n'ont toujours pas la couche de contexte qui corrigerait ça. Le vrai enseignement du papier, c'est que ce sont surtout les boîtes déjà brûlées qui se mettent à la construire, les autres n'ont pas encore compris l'urgence. Microsoft, Snowflake, Oracle, chacun bâtit sa version maison sans converger vers un standard commun, et aucun acteur européen n'est dans la partie sur un sujet qui va peser lourd sur qui contrôle la donnée métier des agents IA.