Les ingénieurs de Stripe déploient des agents autonomes qui génèrent des milliers de pull requests par semaine

Ce que des milliards de prédictions IA ont appris à Expedia avant l'ère des agents autonomes

Expedia a publié ses principes directeurs pour l'intelligence artificielle et le machine learning, fruit de plusieurs années d'application de ces technologies sur l'ensemble du parcours voyageur : personnalisation, classement des résultats, recommandations, prévention de la fraude, support client et, plus récemment, expériences d'IA générative et agentique. L'entreprise a mis en place des "Agentic Release tollgates", des points de contrôle recommandés et parfois obligatoires avant le lancement de toute fonctionnalité d'IA agentique. Ces contrôles couvrent la définition claire des responsabilités, une gouvernance fondée sur le risque, l'évaluation systématique, le déploiement progressif et la surveillance continue. Une partie de ces exigences est déjà automatisée et intégrée directement dans le cycle de développement logiciel de l'entreprise. Parmi les règles concrètes annoncées : chaque modèle doit être relié à un indicateur d'impact business ou d'expérience voyageur précis, la complexité technique doit être justifiée face à une base de référence solide (modèle générique existant, heuristique simple ou solution prête à l'emploi), et aucun modèle ne peut être déployé à grande échelle sur la seule base de tests hors ligne : une évaluation en conditions réelles est systématiquement exigée en complément. Cette démarche traduit une préoccupation centrale pour les grandes entreprises qui déploient de l'IA à grande échelle : la différence entre une IA qui fonctionne ponctuellement et une IA qui tient dans la durée. À mesure que les systèmes passent de la simple prédiction à la conversation, au raisonnement, puis à l'action autonome au nom des utilisateurs, les attentes en matière de fiabilité, de gouvernance et de responsabilité changent radicalement de nature. Un agent IA qui réserve un vol ou modifie un itinéraire pour un client n'a pas le même niveau d'exigence qu'un simple algorithme de recommandation : une erreur a des conséquences directes et tangibles pour le voyageur. Pour l'industrie du voyage comme pour d'autres secteurs déployant des agents autonomes, ce cadre illustre une tendance de fond : les entreprises cherchent désormais à documenter et standardiser la gouvernance de l'IA avant que les régulateurs ne l'imposent, et à s'assurer que la vitesse de déploiement ne se fasse pas au détriment de la robustesse des systèmes. Le contexte plus large est celui d'un secteur technologique où la publication de principes reste souvent un exercice de communication sans traduction opérationnelle réelle. Expedia insiste précisément sur ce point : l'essentiel n'est pas d'énoncer des valeurs, mais de les transformer en mécanismes concrets, outils, exigences de release et processus que les équipes utilisent réellement au quotidien. L'entreprise mise sur des fondations partagées à l'échelle de l'organisation, plutôt que des piles technologiques isolées par équipe, pour que les améliorations d'un socle commun bénéficient à l'ensemble des cas d'usage. Cette approche s'inscrit dans un mouvement plus vaste des grandes plateformes numériques qui, face à la multiplication des agents IA autonomes, cherchent à concilier vitesse d'innovation et discipline d'ingénierie, un équilibre dont dépendra la confiance des utilisateurs dans les systèmes capables d'agir directement en leur nom.

💬 Enfin une boîte qui documente ses garde-fous avant de lâcher des agents autonomes sur des vraies réservations, plutôt que d'attendre l'accident pour y penser. Le détail qui compte : interdiction de déployer un modèle sur la seule base de tests hors ligne, il faut du réel derrière. Ça vaut le coup de le noter, parce que la différence entre une IA qui recommande un hôtel et une IA qui réserve à ta place, c'est exactement la marge d'erreur qu'on est prêts à tolérer, et là on parle carrément de zéro.

SAP intègre des agents IA autonomes à la gestion des ressources humaines

SAP a dévoilé sa version SuccessFactors 1H 2026, qui intègre des agents IA autonomes dans les modules centraux de gestion du capital humain : recrutement, paie, administration RH et développement des talents. Ces agents opèrent en arrière-plan pour surveiller les états système, détecter les anomalies et proposer des corrections contextuelles aux administrateurs. Par exemple, lorsque des données employés échouent à se répliquer entre systèmes distribués à cause d'un attribut manquant, l'agent croise les données de profils similaires, identifie la variable absente selon les patterns organisationnels, et soumet directement la correction requise à l'administrateur. Cette automatisation réduit significativement le temps moyen de résolution des tickets de support interne. La version intègre également une fonctionnalité de questions-réponses intelligente dans le module de formation, permettant aux employés d'obtenir des réponses instantanées tirées directement du contenu pédagogique de leur organisation, sans passer par des recherches manuelles dans la documentation. L'enjeu concret est double : réduire les coûts opérationnels et éliminer les goulots d'étranglement administratifs qui ralentissent la productivité quotidienne. Le pipeline d'intégration entre SmartRecruiters, SAP SuccessFactors Employee Central et le module d'onboarding illustre cet objectif : les évaluations techniques d'un candidat, ses vérifications d'antécédents et les termes négociés transitent automatiquement vers le référentiel RH central, supprimant la ressaisie manuelle des données. Le délai entre la signature d'une offre et le premier jour productif d'un employé représente un coût direct sur les marges, et cette intégration vise à le comprimer. Pour les DSI, l'équation reste néanmoins délicate : le coût d'infrastructure cloud lié à l'analyse continue de millions de dossiers employés doit être mis en balance avec les économies générées par la réduction des tickets IT. SAP s'inscrit dans une dynamique plus large de consolidation des écosystèmes RH d'entreprise autour de l'IA agentique, une tendance que poussent également Workday et Oracle. La difficulté technique centrale réside dans l'articulation entre des modèles de langage modernes et des bases de données relationnelles héritées, qui exige une configuration middleware complexe. Pour éviter que des hallucinations algorithmiques n'altèrent des données financières critiques, SAP impose des garde-fous stricts : les architectures RAG utilisées sont ancrées aux lacs de données certifiés de l'entreprise, garantissant que l'IA n'agit que sur des politiques internes validées. La version introduit aussi un assistant de personnalisation guidée sur la SAP Business Technology Platform, permettant aux équipes techniques de construire des extensions métier sans risquer de les voir cassées lors des cycles de mise à jour cloud, un point de friction chronique dans les déploiements SaaS d'entreprise.

Guide : quelle IA utiliser à l'ère des agents autonomes

Depuis l'émergence de ChatGPT, les guides d'utilisation de l'IA se succèdent, mais celui-ci marque une rupture fondamentale. Jusqu'à très récemment, « utiliser l'IA » signifiait dialoguer avec un chatbot dans une fenêtre de conversation. Aujourd'hui, il est devenu pratique d'utiliser l'IA comme un agent autonome : on lui confie une tâche, elle l'exécute en mobilisant des outils, en enchaînant des étapes, sans intervention humaine à chaque tour. Cette évolution oblige à penser l'IA à travers trois dimensions distinctes : les modèles (le cerveau), les applications (le produit qu'on utilise), et le harnais (le système qui donne au modèle la capacité d'agir). Les grands modèles du moment sont GPT-5.2/5.3 d'OpenAI, Claude Opus 4.6 d'Anthropic et Gemini 3 Pro de Google, les versions évoluant désormais à un rythme bien plus rapide qu'auparavant. Pour accéder à ces modèles avancés, il faut généralement débourser au moins 20 dollars par mois. Cette distinction modèle/application/harnais est devenue essentielle car le même modèle peut produire des résultats radicalement différents selon l'environnement dans lequel il opère. Claude Opus 4.6 utilisé dans une simple fenêtre de chat n'a rien à voir avec Claude Opus 4.6 intégré dans Claude Code, qui dispose d'un ordinateur virtuel, d'un navigateur web et d'un terminal, et peut autonomement rechercher, construire et tester un site web pendant des heures. De même, GPT-5.2 en mode conversation classique diffère fondamentalement de GPT-5.2 Thinking, capable de naviguer sur le web et de produire une présentation complète. Des outils comme Manus, récemment racheté par Meta, ou OpenClaw ont d'ailleurs émergé principalement comme des harnais, capables d'envelopper plusieurs modèles pour orchestrer des tâches complexes. La question « quel outil IA utiliser ? » est donc devenue bien plus difficile à répondre, car la réponse dépend désormais intimement de ce qu'on cherche à accomplir. Ce changement de paradigme s'inscrit dans une accélération brutale du secteur depuis fin 2024. Les performances des grands modèles se sont rapprochées au point que les écarts de capacité brute entre GPT, Claude et Gemini s'estompent, mais les harnais creusent de nouveaux écarts selon les usages. Pour un développeur, Claude Code offre une autonomie inédite sur des projets logiciels entiers. Pour un professionnel du conseil ou de la communication, un harnais orienté recherche et présentation sera plus pertinent. La compétition ne se joue plus seulement sur les benchmarks des modèles, mais sur la qualité de l'orchestration, la fiabilité des outils fournis et la confiance accordée à l'agent pour agir de manière autonome, ce qui soulève des questions nouvelles sur le contrôle, la sécurité et la responsabilité dans l'usage quotidien de ces systèmes.

Les leaders du logiciel industriel créent des ingénieurs IA autonomes et sécurisés avec NVIDIA NIM

NVIDIA a présenté cette semaine NemoClaw lors du GTC Taipei, en marge du salon COMPUTEX, en compagnie d'une douzaine de partenaires logiciels industriels. NemoClaw est un blueprint open source destiné à construire des agents IA autonomes, spécialisés et capables de fonctionner sur de longues durées. Il s'appuie sur OpenShell, un runtime sécurisé qui contrôle l'accès de chaque agent aux fichiers, réseaux et outils via des politiques de sécurité granulaires. La plateforme intègre un routeur de modèles, les bibliothèques NVIDIA NeMo, et supporte plusieurs frameworks d'orchestration comme OpenClaw et Hermes. Elle peut être déployée sur les DGX Spark, en datacenter d'entreprise ou dans le cloud. Cadence, Dassault Systèmes, Siemens et Synopsys figurent parmi les premiers à s'y appuyer pour construire leurs propres agents d'ingénierie. Cadence développe ainsi un agent RTL autonome capable d'orchestrer ChipStack pour la conception et la vérification de circuits numériques, réduisant le temps de vérification RTL de plusieurs semaines à quelques heures. Siemens intègre NemoClaw dans Fuse EDA AI Agent pour les workflows de conception de semi-conducteurs, circuits imprimés et circuits intégrés 3D. Synopsys, de son côté, démontre sur le show floor de COMPUTEX une application à l'optimisation thermique de systèmes de refroidissement GPU avec Ansys Icepak. L'enjeu industriel est considérable : si le calcul accéléré a déjà réduit les temps de simulation de plusieurs semaines à quelques heures, les workflows adjacents, conception assistée par ordinateur, maillage, configuration des simulations, post-traitement, rédaction de rapports, restaient encore largement manuels et chronophages. NemoClaw vise à automatiser cette chaîne complète. Pour les secteurs de l'automobile, de l'aérospatiale, des semi-conducteurs et de la fabrication, la promesse est une compression drastique des cycles de développement produit, avec des agents capables d'explorer des milliers de variantes de conception de manière autonome, de nuit comme de jour, là où une équipe d'ingénieurs aurait besoin de semaines. Au-delà des grands éditeurs, des startups s'emparent également de NemoClaw pour des cas d'usage pointus. Flexcompute utilise OpenShell pour ses agents Tidy3D et PhotonForge dédiés à la conception optique co-packagée, en combinant simulations optiques, électriques et thermiques pour explorer des milliers de variantes et produire des composants plus performants à moindre consommation énergétique, une technologie qu'NVIDIA utilise elle-même pour concevoir ses propres dispositifs photoniques. Luminary s'en sert pour automatiser la génération de données d'entraînement et les boucles d'apprentissage de modèles physiques IA. Neural Concept déploie un agent pour la conception de moteurs électriques enchaînant simulations électromagnétiques, structurelles et vibratoires. Cette mobilisation simultanée d'acteurs majeurs et de startups autour d'une même plateforme signale que NVIDIA cherche à imposer NemoClaw comme standard de facto de l'ingénierie autonome, à l'image de ce que CUDA a représenté pour le calcul GPU.