L'IA peut désormais gérer votre administration

Les grands labos d'IA sont désormais des labos d'agents

Greg Brockman, cofondateur d'OpenAI, a déclaré publiquement début mai 2026 que "le modèle seul n'est plus le produit", une phrase qui résume le tournant stratégique en cours dans toute l'industrie de l'IA. Cette déclaration intervient alors qu'OpenAI prépare son introduction en bourse, attendue dans les prochains jours. Dans le même mouvement, AI21 Labs a annoncé la fermeture de son équipe modèle pour se reconvertir entièrement aux agents. DeepSeek, le laboratoire chinois, constitue pour la première fois une équipe dédiée aux "harnesses", les architectures logicielles qui encapsulent les modèles dans des workflows produits. Parallèlement, DeepSeek a rendu permanente la réduction de 75 % sur son modèle V4-Pro, avec des tarifs désormais fixés à 0,435 dollar par million de tokens en entrée, 0,87 dollar en sortie, et seulement 0,0036 dollar pour le cache, soit un coût moyen estimé à environ 0,18 dollar par million de tokens. Ce niveau de prix place DeepSeek-V4-Pro à trois fois moins cher que Gemini 3.1 Pro Preview, douze fois moins que GPT-5.5, et dix-neuf fois moins que Claude Opus 4.7 selon les estimations d'ArtificialAnlys. Ce mouvement collectif vers les agents signale une recomposition profonde de la chaîne de valeur en IA. Le vrai avantage concurrentiel ne réside plus dans la capacité brute du modèle, mais dans l'ensemble formé par le modèle, le harness, les workflows, l'interface utilisateur, la mémoire et les économies d'échelle. OpenAI a livré une mise à jour substantielle de Codex ("codex thursday n°6") avec des améliorations sur les appshots, le mode annotation, le partage de plugins et les analytics. Anthropic a étendu le mode auto à son offre Pro et ajouté le support de Sonnet 4.6. Pour les développeurs et les entreprises, la conséquence directe est que le choix d'un fournisseur d'IA devient aussi un choix d'écosystème : quitter une plateforme revient à abandonner des workflows entiers, pas seulement un modèle. Ce pivot s'inscrit dans une tension structurelle entre ouverture et contrôle. Si un laboratoire entraîne un modèle en symbiose étroite avec son propre harness propriétaire, le modèle perd une part de son utilité en dehors de cet écosystème, ce qui réduit de fait l'intérêt de l'API ouverte et pousse les utilisateurs vers l'offre packagée du fournisseur. La stratégie de prix agressive de DeepSeek complique encore le tableau : en rendant l'intelligence "trop bon marché pour être mesurée", selon l'expression qui circule dans la communauté, le laboratoire chinois force ses concurrents à justifier leurs marges autrement que par la performance brute. Les prochains mois diront si cette convergence vers les agents accélère la fermeture des modèles frontière ou, au contraire, redonne de la valeur aux modèles open source capables de s'intégrer dans n'importe quel harness.

💬 Le vrai lock-in de demain, c'est pas le modèle, c'est le harness qui s'accumule autour. Brockman le dit officiellement, mais ça se voyait dans les usages depuis un moment, là où les équipes galèrent à migrer sans tout reconstruire. DeepSeek à 19 fois moins cher qu'Opus 4.7, c'est une vraie pression, mais elle joue sur la marge, pas sur l'enfermement.

Transformation IA : DeepMind renforce ses partenariats pour industrialiser l’adoption de l’IA

Google DeepMind a annoncé le 22 avril 2026 un renforcement significatif de ses partenariats avec cinq des plus grands cabinets de conseil mondiaux : Accenture, Bain & Company, Boston Consulting Group, Deloitte et McKinsey & Company. L'objectif affiché est d'accélérer le déploiement de l'IA en production dans les grandes entreprises, alors que seulement 25 % des organisations ont aujourd'hui réussi à passer du pilote au déploiement industriel à grande échelle. La stratégie repose sur trois leviers : le développement de capacités d'IA adaptées aux spécificités sectorielles, un accès anticipé aux derniers modèles de la gamme Gemini, et un accompagnement au niveau des comités exécutifs et des conseils d'administration. En toile de fond, le potentiel économique estimé à 15 700 milliards de dollars de valeur générée par l'IA d'ici 2030 sert de justification à l'urgence d'industrialiser ces technologies. Ce rapprochement entre chercheurs et consultants répond à un problème concret que les entreprises rencontrent massivement : elles disposent déjà d'outils performants, mais peinent à les intégrer dans leurs processus opérationnels, à former leurs équipes et à démontrer un retour sur investissement mesurable. En combinant la recherche de pointe de DeepMind avec l'expertise sectorielle des cabinets partenaires, l'initiative vise à réduire le délai entre innovation et application terrain. Les secteurs ciblés en priorité sont la finance, l'industrie manufacturière, la distribution, les médias et le divertissement, tous des domaines où les gains de productivité et d'aide à la décision peuvent être immédiats et quantifiables. Le modèle prévoit que les consultants travaillent directement avec les équipes de DeepMind, ce qui permet également aux retours du terrain de nourrir l'amélioration des modèles eux-mêmes. Cette initiative s'inscrit dans une stratégie plus large portée par Google Cloud, qui cherche depuis plusieurs années à structurer un écosystème de partenaires capables de diffuser ses technologies IA dans les organisations à l'échelle mondiale. Les cabinets de conseil deviennent ainsi des relais indispensables, transformant des avancées de laboratoire en outils opérationnels ancrés dans les décisions stratégiques des entreprises. DeepMind insiste sur la dimension responsable du déploiement, une façon de se démarquer dans un contexte où les critiques sur les biais algorithmiques et les risques liés à l'automatisation se multiplient. La question qui reste ouverte est celle de la mesure effective de l'impact : l'annonce de partenariats prestigieux ne garantit pas que le fossé entre les 25 % d'organisations matures et les 75 % restantes se comblera rapidement, surtout dans des secteurs où la transformation culturelle est souvent plus lente que la technologie elle-même.

☕️ Uber commence à trouver l’addition de l’IA un peu salée

Uber commence à remettre en question la rentabilité de ses investissements en intelligence artificielle. Andrew Macdonald, directeur des opérations du géant américain du transport, a exprimé ses doutes publiquement lors du podcast Rapid Response : une consommation élevée de tokens ne se traduit pas nécessairement par davantage de fonctionnalités utiles pour les utilisateurs finaux. Ce constat rejoint celui de Praveen Neppalli Naga, directeur technique d'Uber, qui avait révélé en avril avoir épuisé en seulement quatre mois le budget IA annuel de l'entreprise. Concrètement, 70 % environ du code validé chez Uber provient désormais d'outils IA, pour un coût oscillant entre 500 et 2 000 dollars par mois et par développeur. Depuis 2024, les dépenses liées à l'IA ont été multipliées par six. Le problème soulevé par Uber est celui du retour sur investissement : les coûts explosent, mais les bénéfices mesurables peinent à suivre. Macdonald admet qu'il est "très difficile d'établir un lien clair" entre les tokens consommés et une augmentation réelle de 25 % des fonctionnalités utiles livrées aux consommateurs. Pour les entreprises qui déploient l'IA à grande échelle, la technologie est loin d'être gratuite, même si elle peut paraître ainsi pour un utilisateur lambda. Ce décalage entre promesses de productivité et coûts réels commence à préoccuper sérieusement les directions financières et techniques des grandes plateformes numériques. Ce malaise chez Uber illustre une tendance plus large dans l'industrie tech. La ruée vers l'intégration systématique de l'IA générative dans tous les workflows, parfois surnommée "tokenmaxxing", montre ses premières limites économiques. Plusieurs entreprises découvrent que les gains de productivité espérés ne compensent pas toujours la facture des API et des infrastructures LLM. La question de la soutenabilité financière des modèles agentiques, où l'IA remplace ou assiste des employés humains sur des tâches complexes, se pose avec une acuité croissante, d'autant que les fournisseurs de modèles n'ont pas encore convergé vers des tarifications stables à long terme.

💬 Brûler son budget annuel en quatre mois, ça oblige à se poser des questions qu'on repoussait. Uber dit ce que beaucoup pensent tout bas : plus de tokens ne veut pas dire plus de valeur livrée à l'utilisateur final. Reste à voir combien de directeurs techniques vont l'admettre publiquement avant de revoir leur copie.

L'IA entre dans une nouvelle phase d'accélération

OpenAI a levé 122 milliards de dollars lors d'un nouveau tour de financement destiné à accélérer le développement de l'intelligence artificielle de frontier à l'échelle mondiale. Cette opération, l'une des plus importantes jamais réalisées dans le secteur technologique, doit permettre à la société de Sam Altman d'investir massivement dans les infrastructures de calcul de nouvelle génération et de répondre à la demande croissante pour ses produits phares — ChatGPT, Codex et ses offres enterprise. L'ampleur de ce financement traduit une course aux ressources computationnelles sans précédent : entraîner et déployer des modèles de frontier exige des milliers de GPU spécialisés et des datacenters à la consommation électrique colossale. Pour les entreprises clientes et les millions d'utilisateurs de ChatGPT, cela signifie une capacité accrue, une disponibilité améliorée et vraisemblablement de nouveaux modèles plus puissants dans les prochains mois. Cette levée s'inscrit dans une dynamique où les grands laboratoires d'IA — OpenAI, Google DeepMind, Anthropic — se livrent une compétition acharnée pour dominer la prochaine vague de l'IA générale. OpenAI, valorisé à plusieurs centaines de milliards de dollars, consolide ainsi sa position de leader tout en cherchant à convertir sa domination technologique en un modèle économique durable face à une concurrence mondiale qui s'intensifie.