Lowe's : les données sémantiques améliorent ses agents IA

Trois approches pour améliorer la précision des agents IA de vision avec données synthétiques et affinage

NVIDIA développe une suite d'outils destinés à améliorer la précision des agents d'intelligence artificielle visuelle en combinant données synthétiques, simulation 3D et ajustement fin de modèles. Ces agents, capables d'analyser automatiquement des flux vidéo en temps réel, sont déployés dans des usines, des entrepôts, des villes et des systèmes de transport pour transformer des données physiques en décisions opérationnelles. La démarche s'appuie sur la plateforme NVIDIA Omniverse, construite autour du standard OpenUSD (Universal Scene Description), qui permet de décrire, composer et réutiliser des environnements 3D pour générer des données d'entraînement synthétiques couvrant des scénarios variés : éclairage, météo, angles de caméra, occultations ou événements rares. Trois compétences concrètes sont proposées aux développeurs : le skill de génération d'images de défauts, le skill d'augmentation de données vidéo, et les outils NVIDIA TAO pour le fine-tuning des modèles. L'enjeu est considérable car la majorité des données collectées en périphérie des réseaux reste inexploitée. Selon Gartner, 90 % des données edge actuelles ne sont pas traitées, alors que plus des deux tiers des entreprises mondiales devraient déployer de l'IA en périphérie d'ici 2029, contre seulement 10 % en 2025. Ces agents doivent fonctionner au plus près des caméras et des capteurs, avec des contraintes strictes de latence, de consommation électrique et de connectivité. Les équipes qui les développent se heurtent à trois obstacles récurrents : les modèles plafonnent face à des défauts rares ou des conditions inédites non représentés dans les données d'entraînement, l'ajustement fin des modèles exige une expertise en machine learning que beaucoup d'organisations n'ont pas en interne, et l'assemblage complet d'un pipeline vidéo incluant inférence, métadonnées, indexation, alertes et intégrations système reste long et technique. Cette initiative de NVIDIA s'inscrit dans un contexte de convergence entre l'IA générative et les jumeaux numériques industriels. Plutôt que de reconstruire des environnements 3D de zéro à chaque changement de site ou de condition, OpenUSD fournit une couche de description partagée et réutilisable. NVIDIA positionne ainsi Metropolis comme une infrastructure de référence pour le cycle de vie complet des agents vidéo, du développement au déploiement en passant par l'optimisation continue. À l'horizon 2028, Gartner anticipe que plus des deux tiers des données d'entreprise seront créées et traitées hors des centres de données traditionnels, ce qui fait de la capacité à entraîner et affiner des modèles directement sur le terrain un avantage compétitif décisif pour les industriels.

💬 Le chiffre qui compte ici, c'est pas les projections 2029 de Gartner, c'est les 90 % de données edge qui ne sont jamais traitées. NVIDIA mise sur les données synthétiques pour contourner le vrai goulot, celui des cas rares et des conditions inédites qui font flancher les modèles au pire moment. C'est moins glamour que le pitch Omniverse, mais c'est là que ça se gagne ou se perd en prod.

Xebia : pourquoi les agents IA échouent sans un socle de données solide

Niels Zeilemaker, directeur technique mondial de Xebia, a exposé lors de l'AI & Big Data Expo une thèse claire : les agents d'intelligence artificielle échouent moins à cause de leur conception que de la qualité des données sur lesquelles ils opèrent. Selon lui, un agent mal alimenté peut interpréter incorrectement des champs de données, en fusionner qui n'auraient jamais dû l'être, et produire des résultats faux, non par défaut propre, mais parce que la fondation de données n'est pas prête. Pour répondre à ce problème, Xebia a développé deux offres distinctes : Xebia Axis (Agentic Data Foundation, ou ADF), qui étend la plateforme de données d'une entreprise pour y héberger des agents et les déployer aussi bien en usage client qu'interne, et Xebia ACE (AI-Native Software Engineering), un cadre qui intègre l'IA dans l'ensemble du cycle de développement logiciel. Ce dernier promet une accélération des livraisons pouvant atteindre 40 % et une réduction des coûts de transformation des systèmes legacy jusqu'à 70 %. L'enjeu central que soulève Zeilemaker touche à la gestion des catalogues de données. Dans une organisation humaine, un catalogue imparfait ne bloque jamais vraiment le travail : on appelle un collègue, on contourne, on clarifie. Les agents, eux, n'ont pas cette souplesse. Ils s'appuient exclusivement sur ce qui est documenté, et si la description d'un jeu de données est erronée ou incomplète, leur performance s'effondre. Cette contrainte change radicalement la manière dont les entreprises doivent envisager leur gouvernance des données avant tout déploiement agentique. Ce n'est plus une question de bonne pratique optionnelle, mais d'un prérequis technique strict qui conditionne le retour sur investissement de tout projet d'IA en production. Xebia positionne cette approche dans un contexte de demande croissante des grandes entreprises pour des migrations accélérées vers des plateformes modernes. Le cabinet constate que ses clients veulent sortir des systèmes legacy plus vite et plus sûrement qu'auparavant, et cherchent des méthodes comprimant un calendrier de 12 a 24 mois en un engagement a périmètre fixe et jalons définis. Xebia dit y parvenir en combinant l'expertise de ses ingénieurs avec des agents spécialisés co-développés avec le client. Le cabinet participait également au TechEx Global North America, où il a présenté cette philosophie de partage de connaissances comme un avantage concurrentiel direct. Zeilemaker cite le "vibe coding" comme illustration d'une tendance plus large : l'IA reconfigure le développement logiciel, et les entreprises qui n'ont pas sécurisé leur fondation de données risquent de construire des capacités agentiques sur du sable.

Baidu lance GenFlow 4.0 et améliore ses agents de stockage cloud et de bureautique

Le 27 avril, Baidu a présenté GenFlow 4.0 lors de son événement AI Day, une mise à jour majeure de son système d'agents IA généraliste. Cette nouvelle version est désormais disponible sur les versions PC et mobile de Baidu Netdisk, le service de stockage cloud de l'entreprise, et intègre des agents spécialisés pour les tâches bureautiques sur PowerPoint, Excel et Word. Les utilisateurs peuvent lancer une tâche depuis leur mobile et la faire exécuter sur PC, créant ainsi des flux de travail multi-appareils fluides. Depuis son lancement initial en avril 2025, GenFlow a atteint 100 millions d'utilisateurs actifs mensuels et 200 millions d'exécutions de tâches par mois. La version 4.0 améliore particulièrement la reconnaissance d'intention, la décomposition de tâches complexes, la coordination entre outils et la restitution des résultats. En pratique, GenFlow 4.0 permet des enchaînements bureautiques complets : analyser des données dans Excel, générer automatiquement une présentation PowerPoint à partir des résultats, puis compiler un rapport Word, le tout sans intervention manuelle entre chaque étape. Le système s'étend également à l'édition vidéo, à la gestion de photos et aux usages pédagogiques, en exploitant les fichiers déjà stockés dans le cloud. Pour renforcer la sécurité des données, Baidu introduit une fonctionnalité "espace de travail" qui limite l'accès de l'IA aux seuls fichiers autorisés. Côté entreprise, une fonctionnalité "Team Space" permet la collaboration multi-utilisateurs et la gestion de tâches par agents, déjà adoptée par plus de 10 000 organisations. Cette annonce s'inscrit dans la course acharnée que se livrent les géants technologiques chinois pour intégrer l'IA agentique dans leurs écosystèmes productifs. Baidu, qui doit faire face à une concurrence accrue d'Alibaba, Tencent et de nouveaux acteurs comme DeepSeek, mise sur Netdisk comme point d'ancrage stratégique pour déployer ses agents au quotidien. L'intégration directe dans un service de stockage à 100 millions d'utilisateurs actifs constitue un levier de diffusion considérable, et la direction prise vers l'automatisation de tâches complexes multi-applications pourrait redéfinir les standards attendus des assistants IA en milieu professionnel.

Analyse dans une boucle de feedback où les agents s'améliorent d'eux-mêmes

Roland Gavrilescu, cofondateur et PDG d'Introspection, s'est exprimé cette semaine lors de l'AI Engineer World's Fair à l'occasion de sa session intitulée « Autoresearch in the Wild ». Avant de lancer sa startup, Gavrilescu travaillait chez xAI sur l'infrastructure des agents et les agents cloud, où il a rencontré son cofondateur Julian Bright. Les deux hommes ont quitté xAI l'an dernier pour fonder Introspection, une entreprise qui construit l'infrastructure nécessaire au déploiement de systèmes dits « auto-améliorants ». Le concept central qu'ils défendent s'appelle l'autoresearch : il s'agit de construire une boucle externe dans laquelle des agents contribuent eux-mêmes à maintenir et améliorer le système principal, en s'appuyant sur des signaux de retour, des évaluations (evals) et des apports humains pour progresser dans le temps, sans dépendre en permanence d'une validation humaine à chaque étape. Cette approche marque, selon Gavrilescu, un déplacement progressif de l'attention : d'abord centrée sur les modèles, puis sur les harnais applicatifs (harnesses), elle se concentre désormais sur les boucles de rétroaction elles-mêmes, qui deviennent le produit. L'enjeu pour les entreprises est de concevoir les bons mécanismes de feedback afin que les agents absorbent davantage de tâches sans pour autant générer du contenu de mauvaise qualité, ce que l'industrie appelle familièrement le « slop ». Introspection propose un second concept, celui de recette d'agent (agent recipe), un conteneur regroupant les évaluations, les juges automatisés, le traitement des signaux et l'expertise humaine capturée au fil du temps, inspiré des recettes de données utilisées en post-entraînement des modèles. L'objectif est de créer un format portable et indépendant des fournisseurs, que les agents peuvent eux-mêmes faire évoluer, à la manière d'un laboratoire de recherche autonome. Pour Gavrilescu, la trajectoire empruntée par des entreprises comme Cursor et Cognition démontre déjà la viabilité de ces systèmes en production. La prochaine étape consiste à les rendre plus accessibles, plus rapides et moins coûteux, en distillant progressivement les capacités des modèles de pointe dans des systèmes détenus et personnalisés par chaque organisation. Cette évolution s'inscrit dans un mouvement plus large de l'ingénierie IA, où les équipes cherchent à automatiser non seulement la production de code ou de contenu, mais aussi l'amélioration continue de leurs propres outils, en s'appuyant sur des boucles qui apprennent d'abord des humains avant de gagner en autonomie. Reste à voir si ces « usines logicielles autonomes » sauront limiter les dérives de qualité tout en réduisant les coûts, un équilibre que plusieurs startups du secteur cherchent désormais à démontrer concrètement.

💬 Ce qui change avec Introspection, c'est que la boucle de feedback devient elle-même le produit, plus le modèle ni le harnais. Sur le papier, l'idée de recette d'agent portable et auto-améliorante a de l'allure, mais Cursor et Cognition restent deux exemples, pas une preuve généralisée. Reste à voir combien d'équipes tiendront ce genre de boucle en prod sans se noyer dans le slop.