Alexa+ arrive en France : Amazon promet une IA « vraiment française » dès aujourd’hui

Amazon lance Alexa pour le shopping tandis que Rufus passe en arrière-plan

Amazon a officiellement lancé Alexa for Shopping, une nouvelle expérience d'achat qui fusionne son assistant conversationnel Rufus avec Alexa+, disponible depuis mai 2026 sur l'application Amazon, le site web et les appareils Echo Show. La fonctionnalité est déployée en priorité aux États-Unis et accessible gratuitement à tout client connecté, sans abonnement Prime ni appareil dédié requis. Concrètement, l'assistant permet de répondre à des questions produit, comparer des articles côte à côte, suivre les baisses de prix jusqu'à un an, créer des guides d'achat pour les gros achats, et déclencher des actions d'achat automatisées sous conditions. Andy Jassy, PDG d'Amazon, a révélé que les utilisateurs actifs mensuels de Rufus avaient progressé de plus de 115 % en 2025, avec un engagement en hausse de près de 400 % sur un an, et que l'outil avait accompagné plus de 300 millions de clients dans leurs recherches et achats. Le nom Rufus disparaît de l'interface publique mais continue d'alimenter le moteur en coulisses. Ce lancement représente un tournant dans la manière dont Amazon intègre l'IA générative au cœur de son tunnel d'achat. En embarquant l'assistant directement dans la barre de recherche principale, Amazon supprime la friction d'un chatbot séparé et positionne l'IA comme couche d'interaction par défaut. Les utilisateurs peuvent désormais poser des questions contextuelles comme "quelle routine skincare pour hommes ?" ou "quand ai-je commandé des piles AA ?" et obtenir des réponses nourries par leur historique d'achats, de navigation et de conversations Alexa. La fonctionnalité Buy for Me va encore plus loin en permettant à l'IA d'effectuer des achats autonomes sur des sites tiers via Shop Direct, avec l'adresse et le moyen de paiement principal du client. Pour les Echo Show 15 et 21, Amazon ouvre désormais un accès complet au catalogue, pilotable à la voix ou au toucher. Ce mouvement s'inscrit dans une compétition directe avec Google Shopping, Perplexity et d'autres moteurs de découverte produit augmentés par l'IA. Amazon, qui a enregistré 426,3 milliards de dollars de ventes nettes en Amérique du Nord et 161,9 milliards à l'international en 2025, cherche à consolider son avance sur l'ensemble du parcours client, de la recherche à l'achat automatisé. L'enjeu est aussi celui de la confiance : en utilisant l'historique personnel, les interactions Alexa et les préférences déclarées (membres de la famille, animaux, régimes alimentaires), Amazon construit un profil d'acheteur intime que les concurrents peinent à répliquer. Les prochains mois diront si les consommateurs acceptent ce niveau de personnalisation, ou si les questions de vie privée freinent l'adoption.

💬 Le vrai move d'Amazon ici, c'est pas de renommer Rufus, c'est de foutre l'IA directement dans la barre de recherche principale, là où les gens tapent déjà depuis vingt ans. "Buy for Me" qui achète à ta place sur des sites tiers, bon, sur le papier c'est dingue. Reste à voir combien d'utilisateurs vont vraiment lâcher leur carte bancaire à un bot, surtout en Europe où le RGPD va s'inviter à la fête.

L'IA qui fait vraiment la différence pour les entreprises

Après deux ans de démonstrations spectaculaires et de prototypes précipités, les dirigeants technologiques des grandes entreprises adoptent en 2026 un discours nettement plus pragmatique sur l'intelligence artificielle. Lors d'un webinaire organisé par OutSystems, des responsables techniques issus d'entreprises comme Thermo Fisher Scientific et McConkey Auction Group ont témoigné d'une même priorité : faire passer les agents IA du stade expérimental à la production réelle, avec des résultats mesurables. Chez Thermo Fisher, Rajkiran Vajreshwari, responsable du développement applicatif, a décrit comment son équipe a abandonné les assistants IA mono-tâches au profit d'un système multi-agents coordonné : à l'arrivée d'un ticket de support, un agent de triage classe la demande et la route dynamiquement vers un agent spécialisé — intention et priorité, contexte produit, dépannage ou conformité — chacun opérant dans un périmètre strict et auditable. L'enjeu central n'est plus le choix du bon modèle de langage, mais l'orchestration : comment router les tâches, coordonner les workflows, gouverner l'exécution et intégrer les agents dans des systèmes construits sur des décennies. Une nouvelle catégorie de risque est apparue en parallèle : le « shadow AI », autrement dit le code de niveau production généré par des employés sans supervision informatique. Ces outils maison sont exposés aux hallucinations, aux fuites de données, aux violations de politique et à la dérive des modèles. Luis Blando, CPTO d'OutSystems, résume la réponse des organisations les plus avancées en trois actions : fournir des garde-fous aux utilisateurs, utiliser l'IA pour gouverner l'IA à l'échelle du portefeuille applicatif, et s'appuyer sur des plateformes qui intègrent ces contrôles nativement plutôt que de les construire manuellement. Ce tournant pragmatique survient alors que les premières vagues d'enthousiasme autour des LLM se heurtent à leurs limites réelles en environnement d'entreprise : sans orchestration, sans connexion aux données métier existantes et sans gouvernance, les modèles les plus puissants produisent peu de valeur durable. Les profils les plus recherchés ne sont plus les data scientists spécialisés, mais les développeurs généralistes et les architectes d'entreprise capables de faire dialoguer agents IA, systèmes legacy et processus métier. La compétition se joue désormais moins sur la puissance brute des modèles que sur la capacité des plateformes — OutSystems, mais aussi Microsoft, Salesforce ou ServiceNow — à proposer des environnements où les agents peuvent être déployés, surveillés et gouvernés à l'échelle industrielle.

Google lance une application pour utiliser son IA en local sur iPhone et Android

Google a lancé AI Edge Gallery, une nouvelle application disponible sur iPhone et Android permettant de faire tourner des modèles d'intelligence artificielle directement sur l'appareil, sans connexion réseau. L'application s'appuie sur les modèles Gemma 4, la dernière génération de modèles open source légers de Google, conçus pour fonctionner sur des terminaux mobiles aux ressources limitées. Elle propose plusieurs expériences interactives exploitant ces capacités d'inférence locale. Cette initiative marque une étape concrète dans la course à l'IA embarquée sur smartphone. Faire tourner un modèle de langage en local élimine la latence réseau, préserve la confidentialité des données et permet une utilisation hors connexion, trois avantages majeurs pour les utilisateurs mobiles. Pour Google, c'est aussi un moyen de tester l'adoption de Gemma 4 auprès du grand public et de démontrer que ses modèles open source sont compétitifs sur des appareils du quotidien, face à des concurrents comme Apple Intelligence ou les solutions embarquées de Meta. Google s'inscrit ici dans une tendance de fond : après avoir imposé Gemini comme assistant par défaut sur Android, l'entreprise cherche à étendre sa présence sur iOS tout en investissant dans l'IA on-device. Gemma 4, présenté récemment, est précisément optimisé pour ce type de déploiement. AI Edge Gallery fonctionne pour l'instant comme un terrain d'expérimentation ouvert, ce qui laisse supposer qu'une intégration plus profonde dans les produits Google grand public pourrait suivre selon les retours des utilisateurs.

AIDA : l’IA de Starburst pour une entreprise réellement data-driven

Starburst a annoncé le lancement d'AIDA (AI Data Assistant), un assistant analytique conçu pour permettre aux entreprises d'interroger leurs données distribuées sans migration préalable ni compromis sur la sécurité. Développé par la société fondée par Justin Borgman, cet outil s'adresse aux organisations qui peinent à exploiter leur patrimoine informationnel fragmenté entre clouds multiples et serveurs locaux. Contrairement aux interfaces classiques qui se contentent de convertir une question en requête SQL, AIDA repose sur le cadre "ReAct" : l'assistant décompose chaque demande métier, analyse les métadonnées disponibles et valide ses propres étapes de raisonnement avant de formuler une réponse. Résultat : des analyses ancrées dans les données réelles plutôt que des approximations générées par des modèles de langage mal contextualisés. La solution s'adapte également au profil de l'interlocuteur, offrant une profondeur technique aux analystes et des indicateurs directement actionnables aux dirigeants. L'impact concret se mesure d'abord dans la performance opérationnelle et financière des entreprises. En connectant AIDA à des outils comme Slack ou Jira via le protocole ouvert MCP, les organisations automatisent des flux de travail critiques jusqu'ici trop rigides. Les premiers cas d'usage documentés portent sur la rétention client, grâce à une détection plus fine des signaux faibles d'insatisfaction, et sur la correction d'erreurs de facturation rendues visibles en croisant contrats et consommation réelle. Pour les directions techniques, la compatibilité avec les principaux moteurs d'IA du marché, OpenAI, Anthropic et AWS Bedrock, élimine le risque d'enfermement propriétaire et permet une maîtrise des coûts adaptée à chaque secteur. Des garde-fous configurables filtrent par ailleurs les sujets sensibles et protègent les données personnelles, levant ainsi les blocages de conformité qui freinent habituellement les projets d'innovation interne. Ce lancement s'inscrit dans une tendance de fond : les entreprises disposent de volumes de données considérables mais restent incapables d'en extraire de la valeur à cause de l'éclatement des infrastructures. Starburst, spécialisé dans les moteurs de requêtes distribuées basés sur Trino, élargit ici son positionnement vers la couche conversationnelle, un terrain de plus en plus disputé entre acteurs du data warehouse, éditeurs de business intelligence et grandes plateformes cloud. En affirmant, par la voix de Borgman, que "la valeur réside dans la donnée elle-même plutôt que dans le modèle", Starburst tente de se différencier des solutions d'IA générative généralistes en misant sur la fiabilité analytique. La prochaine étape sera de démontrer, à grande échelle et dans des environnements de production exigeants, que ce raisonnement augmenté tient ses promesses face aux géants déjà positionnés sur ce créneau.