Mistral rejoint Harvey pour les usages IA en entreprise

5 stratégies pour maîtriser les coûts liés à l'IA en entreprise

Le PDG de Snowflake, Sridhar Ramaswamy, a reconnu publiquement lundi, lors de la conférence annuelle de son entreprise à San Francisco, que les dépenses en intelligence artificielle représentent une source d'inquiétude croissante, même pour les plus grands acteurs du secteur. Snowflake, cliente d'Anthropic, d'OpenAI et d'autres fournisseurs, fait partie des entreprises qui ont développé des stratégies concrètes pour maîtriser ces coûts. Parmi les méthodes les plus répandues, les routeurs de modèles permettent d'orienter automatiquement chaque tâche vers le modèle le moins cher adapté à la situation : Snowflake et Palo Alto Networks ont conçu leurs propres routeurs, et une startup du BTP a utilisé Claude d'Anthropic pour construire le sien, sans que l'outil ne favorise les modèles Anthropic pour autant. L'éditeur de logiciels UiPath a quant à lui réduit de plus de 90 % les coûts de certaines tâches grâce au prompt engineering, en limitant simplement la phase de "réflexion" du modèle avant exécution, selon son directeur de la sécurité Scott Roberts. D'autres entreprises fixent des plafonds de tokens par employé ou réservent les modèles avancés aux profils techniques : chez Zscaler, les ingénieurs logiciels accèdent à OpenAI Codex, mais pas les équipes commerciales ou juridiques. Ces arbitrages traduisent une prise de conscience généralisée : l'accès illimité aux modèles les plus puissants peut générer des factures incontrôlables sans garantir un retour sur investissement proportionnel. Le vice-président de Zscaler Dhawal Sharma résume la philosophie émergente : "utiliser un très grand modèle pour résoudre un problème simple est un mauvais usage des ressources." Chez Novo Nordisk, l'analyse de données issues d'essais cliniques via Claude d'Anthropic a conduit les équipes à réaliser que la version standard du modèle suffisait dans de nombreux cas, ouvrant la voie à des économies substantielles. Plus largement, certaines entreprises choisissent de revenir à des logiciels traditionnels, plus adaptés aux tâches structurées et répétitives, plutôt que de systématiser le recours à l'IA. Cette rationalisation intervient alors que les fournisseurs de modèles continuent d'augmenter leurs tarifs, alimentant un débat intense sur la rentabilité réelle de l'IA en entreprise. Les directions informatiques se retrouvent à arbitrer entre la demande des équipes métiers, désireuses d'accéder aux outils les plus performants, et la nécessité de contenir les budgets. Des solutions tierces comme OpenRouter, qui proposent du routage à la demande, commencent à structurer un marché naissant de l'optimisation des coûts IA. À mesure que la concurrence s'intensifie entre fournisseurs, une baisse mécanique des prix est attendue, mais d'ici là, les entreprises qui maîtrisent l'ingénierie des coûts IA pourraient transformer cette contrainte en avantage compétitif durable.

KPMG et Microsoft généralisent l’usage des agents IA dans les entreprises

KPMG et Microsoft ont annoncé un renforcement significatif de leur partenariat mondial, avec deux axes majeurs : le déploiement de Microsoft 365 Copilot auprès des 276 000 collaborateurs de KPMG répartis dans 138 pays, et l'adoption de Microsoft Agent 365 pour superviser et gouverner les agents IA au sein du cabinet et chez ses clients. Cette extension, qui s'appuie sur plus de dix ans de collaboration entre les deux groupes, marque le passage d'une phase d'expérimentation à une industrialisation réelle de l'IA dans les grandes organisations de conseil. KPMG s'appuiera sur KPMG Workbench, une plateforme construite sur Microsoft Azure AI Foundry, pour coordonner plusieurs agents IA à travers ses services d'audit, de fiscalité et de conseil. Dans l'audit, ces capacités seront intégrées progressivement à KPMG Clara, la plateforme mondiale du groupe, pour renforcer l'analyse en temps réel et améliorer la détection précoce des risques. L'enjeu central de cet accord n'est pas l'adoption de l'IA en elle-même, mais sa gouvernance à l'échelle. Plus les entreprises multiplient les agents semi-autonomes, ces systèmes capables d'exécuter des tâches complexes, d'interagir avec plusieurs applications et de participer à des processus métiers, plus elles doivent pouvoir répondre à des questions précises : quels agents sont actifs, quelles données traitent-ils, quelles décisions prennent-ils, et qui en est responsable. C'est précisément ce verrou organisationnel que Microsoft Agent 365 cherche à lever, en proposant une couche centralisée de déploiement, de supervision et de contrôle. Pour KPMG, cela se traduit aussi par un renforcement de son framework Trusted AI, conçu pour garantir une utilisation responsable de l'IA aussi bien en interne que chez ses clients grands comptes. Cette annonce s'inscrit dans une tendance de fond qui traverse l'ensemble du secteur des services professionnels : après deux années de pilotes et d'expérimentations, les grands cabinets de conseil et d'audit cherchent à standardiser leurs usages IA pour en tirer un avantage concurrentiel mesurable. Microsoft, de son côté, positionne Agent 365 comme une réponse directe aux inquiétudes des DSI et des directions juridiques face à la multiplication incontrôlée des agents autonomes dans leurs systèmes d'information. L'accord KPMG-Microsoft pourrait servir de modèle de référence pour d'autres organisations de taille comparable souhaitant franchir le cap de l'industrialisation sans sacrifier conformité et sécurité des données sensibles.

Fujitsu intègre OpenAI à sa stratégie IA pour les entreprises japonaises

Le 27 mai 2026, Fujitsu a officialisé un partenariat stratégique avec OpenAI pour intégrer ChatGPT Enterprise et Codex à ses services destinés aux entreprises japonaises. Le géant technologique, qui compte parmi les plus grands groupes IT du pays, prévoit de déployer ces outils aussi bien en interne que dans ses offres clients. Les équipes de développement logiciel, de gestion de projets, d'opérations et de livraison de services seront les premières concernées. Fujitsu cible en priorité trois secteurs : l'industrie manufacturière, la santé et la pharmacie, des domaines soumis à une pression croissante sur l'efficacité opérationnelle et l'automatisation des processus. Ce partenariat répond à une question devenue centrale pour les grandes entreprises : comment faire de l'IA une véritable infrastructure métier plutôt qu'une vitrine technologique ? Pour y répondre, Fujitsu s'appuie sur son modèle FDE (Forward Deployed Engineer), une méthode de travail qui associe étroitement experts sectoriels, ingénieurs et clients pour identifier rapidement des cas d'usage exploitables. En combinant cette approche terrain avec les modèles d'OpenAI, le groupe vise à réduire le fossé persistant entre démonstrations technologiques et création réelle de valeur. L'objectif affiché est de construire un modèle de collaboration entre employés et agents IA capable de standardiser des tâches complexes et d'accélérer les cycles de décision. La cybersécurité constitue un second axe prioritaire : face à la multiplication des menaces et à la complexité des infrastructures critiques, Fujitsu entend développer des dispositifs de cyberdéfense hybrides où humains et IA travaillent conjointement pour améliorer la détection et la vitesse de réponse aux incidents. Ce rapprochement s'inscrit dans un contexte japonais particulier : le vieillissement démographique accéléré et la pénurie structurelle de talents techniques font de l'automatisation intelligente un enjeu économique de premier ordre pour les industriels du pays. Fujitsu dispose d'une implantation historique profonde dans le tissu industriel japonais, ce qui lui confère un avantage réel pour déployer des solutions à grande échelle. Du côté d'OpenAI, ce partenariat confirme une stratégie d'expansion agressive vers les marchés enterprise en Asie, après des accords similaires avec des acteurs majeurs en Europe et aux États-Unis. L'alliance illustre aussi une tendance de fond : les éditeurs d'IA générative ne cherchent plus à vendre des modèles bruts, mais à s'ancrer dans des écosystèmes sectoriels via des partenaires locaux disposant de la légitimité et de la connaissance métier que les modèles seuls ne peuvent pas apporter.

💬 Le contexte japonais, ça change la lecture. Pénurie structurelle de talents, démographie qui s'effondre : les industriels là-bas n'ont pas cinq ans devant eux pour tâtonner avec l'IA. Ce qui m'intéresse dans ce deal, c'est le modèle FDE, cette méthode d'embarquer des ingénieurs directement chez les clients pour trouver les cas d'usage qui tiennent en prod, pas ceux qui brillent en démo.

Un seul type d'interface ne suffit pas pour l'IA en entreprise

Un même produit de plusieurs pages ou un article isolé ? Je vais rédiger la traduction-résumé directement à partir du texte fourni. Chaque grande rupture technologique s'accompagne d'un même pari : celui d'une interface unique qui deviendrait le point d'accès central aux systèmes d'entreprise. C'est aujourd'hui le discours dominant autour de l'IA en entreprise, où beaucoup imaginent qu'un système conversationnel unique remplacera progressivement les outils existants pour devenir le mode principal d'accès à l'information et d'exécution des tâches. Mais l'histoire des technologies d'entreprise raconte une trajectoire plus complexe. Le passage au cloud, par exemple, ne s'est pas fait de manière uniforme : certaines organisations ont basculé rapidement, d'autres ont maintenu pendant des années des environnements hybrides, chaque service modernisant ses outils à son propre rythme, en fonction de ses contraintes opérationnelles plutôt que d'un quelconque consensus sectoriel. Cette hétérogénéité reste vraie avec l'IA, malgré l'accélération technologique qu'elle a permise. Les équipes financières, soumises à des exigences de fiabilité des rapports, de contrôle et de validation, n'abordent pas l'IA de la même façon qu'une équipe d'analystes explorant des données opérationnelles, ou qu'un service client focalisé sur la rapidité de résolution des dossiers. Pour un responsable financier qui clôture ses comptes, l'intérêt de l'IA ne réside pas dans une nouvelle interface mais dans la réduction du temps de cycle de reporting. Pour un responsable des opérations confronté à des problèmes de stock, la priorité est de détecter les anomalies plus tôt et de les résoudre plus vite. Dans ces cas, la valeur de l'IA tient à la réduction de l'effort nécessaire pour accomplir des tâches déjà existantes plutôt qu'à l'ajout d'un nouveau mode d'interaction. À l'inverse, analystes, planificateurs et équipes opérationnelles réclament de plus en plus une interaction directe et conversationnelle avec les systèmes d'IA, pour explorer des scénarios et poser des questions qui ne rentrent pas dans des rapports préétablis, pour ce public, c'est justement l'interface elle-même qui apporte de la valeur. Ce constat reflète une réalité plus large sur la manière dont les entreprises évoluent : la complexité opérationnelle s'accumule progressivement, les systèmes se multiplient, les processus se fragmentent, et l'information se disperse entre applications, rapports et tableurs, obligeant les employés à passer un temps croissant à simplement localiser une donnée avant de pouvoir agir. Une grande partie de la valeur créée par les logiciels d'entreprise ces dernières décennies est venue de la réduction de cette fragmentation, en réunissant finances, opérations, stocks, données clients, planification et reporting dans des systèmes communs. L'IA s'attaque aujourd'hui à un problème connexe : une fois l'information consolidée dans des systèmes connectés, encore faut-il que chaque catégorie d'utilisateurs, du service client à la direction financière, puisse y accéder selon le mode qui correspond réellement à son métier, qu'il s'agisse d'automatisation silencieuse intégrée aux processus existants ou d'exploration conversationnelle libre. Note : le texte source fourni est tronqué en toute fin de dernier paragraphe ("employees stil..."), donc cette dernière phrase de conclusion peut être légèrement incomplète par rapport à l'article original.