L’IA brise les règles de la conception automobile…

47

1VentureBeat AI

Intuit a réduit des mois de travail fiscal à quelques heures, avec un workflow adaptable aux secteurs réglementés

Lorsque le projet de loi fiscal américain "One Big Beautiful Bill" a été adopté, l'équipe de TurboTax chez Intuit s'est retrouvée face à un document de plus de 900 pages non structurées, sans formulaires officiels de l'IRS disponibles et avec une date de livraison impossible à repousser. Plutôt que de suivre la procédure habituelle qui prenait plusieurs mois, l'équipe a construit un pipeline de travail combinant des modèles de langage commerciaux, un langage de programmation propriétaire et un framework de tests unitaires sur mesure. Joy Shaw, directrice fiscale chez Intuit depuis plus de 30 ans, a supervisé le processus : les équipes ont utilisé ChatGPT pour résumer successivement les versions de la Chambre et du Sénat, réconcilier les différences de formulation entre les deux textes, puis filtrer uniquement les dispositions impactant les clients de TurboTax. Des tâches qui prenaient auparavant plusieurs semaines ont été réduites à quelques heures. La prouesse va bien au-delà d'un simple gain de productivité. TurboTax repose sur un langage de programmation propriétaire développé en interne chez Intuit, et non sur un langage standard comme Python ou Java. Aucun modèle de langage n'a été entraîné sur cette syntaxe, ce qui rend la génération de code particulièrement délicate. C'est Claude, le modèle d'Anthropic, qui a été utilisé pour traduire le texte juridique en code fonctionnel et cartographier les dépendances entre les nouvelles dispositions et les décennies de code existant. Deux outils propriétaires ont également été développés pendant ce cycle : le premier génère automatiquement les écrans produit de TurboTax à partir des changements législatifs, une tâche auparavant réalisée manuellement pour chaque disposition ; le second produit des cas de test unitaires directement à partir du texte de loi, permettant de vérifier la conformité avec un seuil d'erreur proche de zéro, indispensable dans un domaine où la moindre imprécision engage la responsabilité légale d'Intuit. Ce workflow a été forgé sous contrainte, mais il dessine un modèle applicable bien au-delà de la fiscalité. Lors de la précédente grande réforme fiscale américaine, le Tax Cuts and Jobs Act de 2017, les mêmes équipes avaient traversé le même processus sans assistance de l'IA, en plusieurs mois de travail manuel. La comparaison illustre l'ampleur du changement. Des secteurs entiers soumis à des corpus réglementaires complexes, comme la santé, la finance ou le droit, font face aux mêmes défis : documents non structurés, délais serrés, exigence de conformité absolue. Intuit a montré qu'il est possible de combiner des LLM généralistes pour l'analyse et des modèles plus spécialisés pour la génération de code, tout en conservant des humains en bout de chaîne pour la validation. La question n'est plus de savoir si l'IA peut s'intégrer dans ces pipelines réglementaires, mais à quelle vitesse les autres acteurs vont adapter cette approche à leurs propres contraintes de domaine.

UELa méthodologie illustre une approche reproductible pour les entreprises européennes des secteurs réglementés (santé, finance, droit) confrontées à des corpus documentaires complexes et des délais de conformité serrés.

OutilsOutil

1 source

Miro utilise Amazon Bedrock pour améliorer le routage des bugs logiciels et réduire le délai de résolution de plusieurs jours à quelques heures

43

2AWS ML Blog

Miro utilise Amazon Bedrock pour améliorer le routage des bugs logiciels et réduire le délai de résolution de plusieurs jours à quelques heures

Miro, la plateforme de collaboration visuelle utilisée par plus de 95 millions d'utilisateurs dans le monde, a développé un système d'intelligence artificielle baptisé BugManager pour automatiser le tri et l'affectation des rapports de bugs à ses équipes d'ingénierie. Avant cette solution, une part significative des bugs manquait les délais internes de résolution, principalement à cause d'erreurs d'affectation et de multiples réassignations entre équipes. L'entreprise estimait ces dysfonctionnements à 42 années cumulées de productivité perdue chaque année. BugManager a été développé en partenariat avec l'équipe AWS Prototyping and Cloud Engineering (PACE) et s'appuie sur Amazon Bedrock, Amazon Nova Pro et Claude Sonnet 4 d'Anthropic. Le résultat est saisissant : six fois moins de réassignations entre équipes, et un temps de résolution réduit de plusieurs jours à quelques heures. L'impact est d'abord opérationnel : les développeurs passent moins de temps à gérer des tickets mal orientés et peuvent se concentrer sur la résolution réelle des problèmes. Pour une organisation comptant près de 100 équipes, chacune responsable d'une portion spécifique du produit, un mauvais routage engendre des investigations redondantes, de la frustration, et des retards visibles pour les utilisateurs finaux. En passant d'une logique de classification traditionnelle à une approche basée sur la génération augmentée par récupération (RAG), Miro s'affranchit également de la nécessité de réentraîner ses modèles à chaque réorganisation interne, ce qui représente un gain stratégique considérable dans un environnement où les équipes fusionnent, se créent ou évoluent régulièrement. Les approches précédentes de Miro reposaient sur des modèles fine-tunés comme BERT ou GPT, qui se dégradaient rapidement dès que la structure organisationnelle changeait, faute de données d'entraînement suffisantes pour les nouvelles configurations. BugManager adopte une architecture radicalement différente : lorsqu'un bug est soumis, le système commence par analyser les éléments non textuels (captures d'écran, enregistrements vidéo) via les capacités multimodales d'Amazon Nova Pro, puis enrichit le rapport via des bases de connaissances contenant des tickets Jira déjà résolus, des pull requests GitHub, de la documentation Confluence et des fichiers README. Claude Sonnet 4, via Amazon Bedrock, synthétise ensuite ces informations pour affecter le bug à l'équipe la plus pertinente, sans nécessiter aucun réentraînement. Cette approche "zero-training" représente une tendance de fond dans l'industrie : déléguer la classification complexe à des grands modèles de langage enrichis de contexte métier, plutôt que de maintenir des pipelines d'entraînement coûteux et fragiles.

UELe modèle architectural RAG sans réentraînement décrit constitue une référence concrète applicable par les équipes d'ingénierie françaises et européennes cherchant à automatiser leur gestion de tickets sans pipeline ML coûteux.

OutilsOutil

1 source

L'automatisation robotisée reste pertinente, mais l'IA en transforme le fonctionnement

41

3AI News

L'automatisation robotisée reste pertinente, mais l'IA en transforme le fonctionnement

L'automatisation robotisée des processus (RPA) s'est imposée comme une solution fiable pour réduire les tâches manuelles répétitives dans les entreprises — saisie de données, traitement de factures, génération de rapports. Adoptée massivement dans la finance, les opérations et le support client, cette technologie repose sur des bots logiciels qui suivent des règles fixes. Des éditeurs comme Blue Prism (désormais intégré à SS&C Technologies) et Appian ont construit des plateformes entières autour de ce modèle. Mais avec la montée en puissance de l'intelligence artificielle, ces mêmes acteurs élargissent aujourd'hui leur offre vers ce qu'ils appellent l'« automatisation intelligente ». La limite fondamentale du RPA classique, c'est sa rigidité : dès que les données ne sont pas structurées — un message, un document, une image — les bots échouent ou nécessitent une maintenance coûteuse. Les grands modèles de langage (LLM) changent la donne en permettant d'interpréter du texte libre, d'extraire des informations pertinentes et de prendre des décisions contextuelles. McKinsey estime que l'IA générative pourrait automatiser des tâches de communication et de prise de décision, là où le RPA ne touchait que la gestion de données routinières. En pratique, les deux technologies se complètent : l'IA interprète les entrées variables et passe des données structurées aux bots RPA pour l'exécution. Cette combinaison permet d'étendre l'automatisation sans abandonner les systèmes existants. Le RPA conserve un avantage réel là où la prévisibilité est critique — paie, conformité réglementaire, audit financier — car ses bots produisent des résultats traçables et reproductibles, qualités indispensables dans les environnements régulés. La transition reste progressive : la plupart des organisations continuent de s'appuyer sur leurs infrastructures RPA existantes tout en intégrant des couches d'IA là où elles apportent une valeur ajoutée concrète, ce qui reflète une réalité de marché où le remplacement brutal cède la place à une hybridation pragmatique.

UELes entreprises européennes utilisant des plateformes RPA dans des secteurs régulés (finance, conformité) peuvent s'appuyer sur cette analyse pour planifier une hybridation progressive avec l'IA générative sans refonte de leurs systèmes existants.

OutilsOutil

1 source

Les modeles se standardisent : l'avantage concurrentiel en IA se deplace vers les donnees maitrisees et leurs plateformes

39

4VentureBeat AI

Les modeles se standardisent : l'avantage concurrentiel en IA se deplace vers les donnees maitrisees et leurs plateformes

Alors que les grands modèles de langage atteignent un niveau de performance comparable entre eux, l'avantage concurrentiel dans l'IA d'entreprise se déplace vers la donnée et les plateformes qui la gouvernent. C'est le constat que dresse Box, spécialiste de la gestion de contenu cloud, dans une analyse publiée début avril 2026. Selon Yash Bhavnani, responsable IA chez Box, "ce n'est plus ce que fait le modèle qui compte, c'est la donnée non structurée de l'entreprise elle-même : ses contrats, ses dossiers clients, ses spécifications produits, la façon dont tout cela est organisé, gouverné et rendu accessible à l'IA." Ben Kus, directeur technique de Box, va plus loin : "Les organisations qui domineront en IA sont celles qui auront construit l'infrastructure de gouvernance pour rendre n'importe quel modèle fiable, avec les bons droits d'accès, le bon contenu accessible et une piste d'audit claire pour chaque action." L'enjeu est immédiat et concret. Quand des employés utilisent des modèles frontières pour résumer des documents ou rédiger des rapports sans connexion à un système de référence interne contrôlé, les résultats deviennent impossibles à auditer et potentiellement dangereux. Bhavnani cite l'exemple d'un assureur qui utilise l'IA pour analyser des sinistres : une faible précision ou une sortie non traçable est tout simplement inacceptable. Plus grave encore, Box rapporte que des clients constatent que leurs employés téléchargent des documents sensibles sur des comptes personnels pour y lancer leurs propres workflows IA, sans aucune visibilité côté entreprise. Ce contournement génère des doublons, des silos de connaissance fantômes et des risques de conformité réels dans des secteurs soumis à HIPAA, FedRAMP High ou SOC 2. La montée en puissance des agents IA autonomes, capables d'exécuter des tâches multi-étapes sur des documents et des systèmes entiers sans intervention humaine, rend la question encore plus critique. Ces agents agissent plus vite que les humains et manquent souvent du jugement contextuel nécessaire pour distinguer les données auxquelles ils sont autorisés à accéder. Kus est catégorique : "Une plateforme IA sans gestion des permissions est trop dangereuse à déployer." Box positionne ainsi ses plateformes de contenu non plus comme de simples dépôts de fichiers, mais comme des couches d'orchestration, des "AI control planes" intercalés entre les modèles, les agents et les données d'entreprise. Cette évolution reflète un virage structurel dans l'industrie : la prochaine bataille de l'IA d'entreprise ne se jouera pas sur les benchmarks des modèles, mais sur la capacité des éditeurs de logiciels à offrir une gouvernance des données robuste, traçable et intégrée nativement à chaque flux de travail.

UELa problématique de gouvernance des données IA est directement applicable aux entreprises européennes soumises au RGPD, qui impose traçabilité et contrôle des accès sur les données personnelles traitées par des systèmes automatisés.

OutilsActu

1 source

L’IA brise les règles de la conception automobile : un travail de plusieurs mois se fait maintenant en quelques heures

À lire aussi

Intuit a réduit des mois de travail fiscal à quelques heures, avec un workflow adaptable aux secteurs réglementés

Miro utilise Amazon Bedrock pour améliorer le routage des bugs logiciels et réduire le délai de résolution de plusieurs jours à quelques heures

L'automatisation robotisée reste pertinente, mais l'IA en transforme le fonctionnement

Les modeles se standardisent : l'avantage concurrentiel en IA se deplace vers les donnees maitrisees et leurs plateformes