Les organisations IA en entreprise ont un problème d'exécution, pas un problème de modèle, et la plupart construisent la mauvaise solution

Le prochain défi de Claude en entreprise : pas les modèles, mais le plan de contrôle des agents

Selon de nouvelles données publiées par VentureBeat Pulse, la prochaine bataille stratégique dans l'IA d'entreprise ne portera pas sur la qualité des modèles, mais sur le contrôle de la couche d'orchestration des agents. Le tracker indépendant VB Pulse, qui mesure régulièrement les préférences de décideurs techniques qualifiés en entreprise, révèle que Microsoft Copilot Studio et Azure AI Studio dominent ce segment avec 38,6 % d'adoption principale en février 2026, en hausse depuis 35,7 % en janvier. L'API Assistants et Responses d'OpenAI occupe la deuxième place avec 25,7 %, contre 23,2 % un mois plus tôt. Anthropic, lui, fait sa première apparition dans ce tracker : passant de 0 % en janvier à 5,7 % en février pour l'usage de ses outils et workflows natifs, soit quatre répondants sur un panel de 70 décideurs. Sur la couche modèle, les données sont encore plus spectaculaires pour l'entreprise de Dario Amodei : Claude est passé de 23,9 % en janvier à 28,6 % en février, puis à 56,2 % en mars, bien que cette dernière mesure soit qualifiée de directionnelle en raison d'un échantillon réduit à 16 répondants. Ce glissement d'Anthropic depuis la couche modèle vers l'orchestration native représente un signal stratégique significatif, même si les chiffres absolus restent modestes. Les entreprises ne choisissent plus seulement un chatbot ou un moteur de génération de texte : elles décident où installer la machinerie opérationnelle de leur IA, quels outils les agents peuvent appeler, quelles données ils peuvent consulter, quels workflows ils peuvent déclencher, et comment prouver aux équipes de sécurité que ces agents n'ont rien fait d'interdit. Tom Findling, PDG de la startup de cybersécurité IA Conifers, résume l'enjeu : les entreprises déplacent leur focus de la qualité du modèle vers le plan de contrôle qui l'entoure, notamment en matière de gouvernance, d'auditabilité et d'orchestration dans des environnements clients complexes. L'enjeu est d'autant plus lourd que remplacer un modèle reste relativement simple en théorie, une entreprise peut router une tâche vers Claude, une autre vers GPT, une troisième vers Gemini. Remplacer un runtime d'agents, en revanche, implique de reconfigurer des pipelines entiers, des intégrations d'outils, des politiques d'accès aux données et des mécanismes d'audit. Celui qui contrôle cette couche crée une dépendance bien plus profonde que celle d'un modèle. Microsoft dispose d'un avantage de distribution considérable dans les entreprises, et OpenAI d'une base installée bien plus large en orchestration. Mais la montée en puissance de Claude sur la couche modèle commence visiblement à se propager vers l'orchestration, et c'est précisément là que se joueront les parts de marché les plus durables des prochaines années.

💬 Anthropic gagne la bataille des modèles, et c'est bien, mais la vraie guerre se joue ailleurs. Changer de LLM, c'est l'affaire d'une clé API, mais démonter un runtime d'agents complet avec ses pipelines, ses intégrations et ses politiques d'accès, c'est des mois de boulot. Microsoft tient l'orchestration à 38 % et Anthropic débarque tout juste à 5,7 %, autant dire que c'est encore loin.

Le trafic issu des LLM convertit à 30-40 % et la plupart des entreprises n'en tirent pas parti

Le trafic généré par les grands modèles de langage (LLM) convertit à un taux de 30 à 40 %, soit deux à trois fois plus que le trafic SEO classique, selon plusieurs observations terrain rapportées en 2026. Pourtant, la majorité des entreprises n'optimisent pas encore leur contenu pour ce canal. Un nouveau paradigme émerge : l'AEO (Answer Engine Optimization), aussi appelé GEO (Generative Engine Optimization). Là où le SEO visait des mots-clés, des classements et des clics, l'AEO vise à être compris, sélectionné et cité par des agents IA comme Claude Code, Microsoft Copilot, Perplexity, Google Vertex ou AutoGen. Ces systèmes ne "naviguent" pas le web comme un humain : ils analysent l'intention de l'utilisateur en tenant compte du contexte et de la mémoire des sessions passées, puis synthétisent une réponse directe sans que l'utilisateur ne visite nécessairement le site source. Dustin Engel, fondateur du cabinet Elegant Disruption, résume : "L'AEO est la couche de découverte suivante" -- une "découverte zéro clic" où la citabilité remplace la visibilité. L'impact est concret et immédiat pour les équipes marketing, commerciales et les éditeurs de contenu. Lorsqu'un agent synthétise une réponse, le taux de clic vers le site de l'entreprise chute, mais la qualité du trafic résiduel explose. Adam Yang, de la plateforme Quora, estime que l'AEO est déjà devenu le comportement par défaut pour toute requête où l'utilisateur veut une réponse synthétisée : comparaisons de produits, recommandations de méthodes, analyses de marché. Google Overviews accélère cette dynamique côté grand public. "Le SEO n'est pas mort," précise Yang, "mais l'objectif d'optimisation a changé : il ne s'agit plus d'apparaître en page 1, mais d'être cité dans la réponse." Pour les entreprises, cela signifie repenser leur façon de structurer l'information : contenus concis, factuels, bien structurés, conçus pour être extraits et cités par une machine plutôt que parcourus par un humain. Ce changement s'inscrit dans une évolution plus profonde de la façon dont les professionnels travaillent. Wyatt Mayham, analyste chez Northwest AI Consulting, indique qu'il n'utilise "quasiment plus" la recherche traditionnelle pour ses besoins professionnels, et que cette proportion se rapproche de zéro chaque mois. Son cabinet a notamment développé une fonction Claude Skills qui, avant chaque appel de prospection, déclenche automatiquement un agent qui agrège le profil LinkedIn du contact, scrape le site de son entreprise, interroge des sources comme ZoomInfo, et produit une fiche synthétique avec revenus, taille d'équipe et signaux d'achat. Le modèle "cherche, lis, décide" évolue vers "l'agent récupère, l'agent résume, l'humain valide" -- et bientôt, "l'agent agit, l'humain contrôle". Les entreprises qui n'adaptent pas leur stratégie de contenu à cette nouvelle réalité risquent de devenir invisibles dans un écosystème où c'est désormais la machine qui choisit ses sources.

Les entreprises élargissent leur adoption de l'IA tout en maintenant le contrôle

La majorité des entreprises déploient aujourd'hui l'intelligence artificielle de manière progressive et encadrée, loin des systèmes autonomes qui font régulièrement la une. Selon une étude de McKinsey & Company, la plupart des organisations utilisent désormais l'IA dans au moins un domaine de leur activité, mais rares sont celles qui l'ont déployée à l'échelle de l'ensemble de l'entreprise. Un exemple concret illustre cette tendance : S&P Global Market Intelligence a intégré des outils d'IA dans sa plateforme Capital IQ Pro, utilisée par des analystes financiers pour examiner des dépôts réglementaires, des transcriptions d'appels de résultats et des données de marché. Le système permet d'interroger de vastes ensembles de données via une interface conversationnelle, mais les résultats restent systématiquement ancrés dans des sources financières vérifiées, avec la possibilité de remonter aux documents d'origine pour limiter les erreurs. Ce choix d'une IA d'assistance plutôt qu'autonome n'est pas anodin dans des secteurs où une erreur peut entraîner des pertes financières importantes ou engager des responsabilités légales. En finance, les outils comme Capital IQ Pro sont conçus pour éclairer le jugement des analystes, pas pour le remplacer. La décision finale reste humaine. McKinsey souligne par ailleurs un écart croissant entre le déploiement de l'IA et la génération de valeur mesurable : de nombreuses organisations peinent à traduire leurs investissements en résultats concrets. Ce fossé pousse les directions à exiger des systèmes capables d'expliquer leurs sorties, de citer leurs sources et d'opérer dans des périmètres définis, trois conditions essentielles pour établir la confiance dans des environnements réglementés. Derrière cette prudence se dessine un enjeu de gouvernance qui mobilise de plus en plus d'acteurs. S&P Global Market Intelligence note que les organisations bâtissent activement des cadres pour gérer les risques liés à l'IA, notamment la qualité des données et les biais des modèles. Les systèmes agents, capables de planifier et d'agir sans intervention humaine directe, suscitent un intérêt grandissant, mais la majorité des entreprises en est encore aux premières étapes d'expérimentation. Les progrès continus sur les grands modèles de langage laissent entrevoir des usages plus autonomes à terme, en analyse financière, support client ou gestion de chaîne logistique. Ces questions seront au coeur de l'AI & Big Data Expo North America 2026, qui se tiendra les 18 et 19 mai prochains, avec S&P Global Market Intelligence parmi les sponsors, et des sessions dédiées à la gouvernance de l'IA et à son usage dans les industries régulées.

La dette de prompts, de récupération et d'évaluation redéfinit discrètement le risque de l'IA en entreprise

Une étude du MIT publiée en 2025 révèle que 95 % des projets d'IA n'atteignent jamais la production ou ne génèrent aucune valeur concrète. Dans le même temps, une enquête de S&P Global Market Intelligence indique que 42 % des entreprises ont abandonné plusieurs initiatives d'IA en 2025, contre seulement 17 % l'année précédente. Derrière ces chiffres alarmants se cache un phénomène encore mal nommé : la dette technique liée à l'IA, qui se manifeste sous quatre formes distinctes. La première, la dette de prompts, est la plus visible : des ajustements non documentés, des corrections rapides empilées, l'absence de versionnage, et le "prompt stuffing", l'injection excessive de contexte dans les requêtes, transforment les prompts en code non typé, non testé et fragile. La deuxième forme, la dette de dépendance aux modèles, découle du fait que la logique applicative repose désormais sur des modèles externes (OpenAI, Anthropic, Google...) que l'entreprise ne contrôle pas : une mise à jour du fournisseur peut dégrader silencieusement les performances sans que personne ne le détecte immédiatement. La dette de récupération (retrieval debt) affecte les systèmes RAG, qui puisent dans des bases documentaires d'entreprise souvent désordonnées, dupliquées ou obsolètes, générant des réponses techniquement exactes mais périmées, difficiles à détecter précisément parce qu'elles semblent plausibles. Enfin, la dette d'évaluation reflète l'absence de standards de test continus, de jeux de données de référence et de monitoring en temps réel des déploiements. Ces nouvelles formes de dette ont des conséquences concrètes pour les directions techniques. Contrairement à la dette logicielle classique, localisée dans une base de code et reproductible, la dette IA est distribuée sur des couches hétérogènes, prompts, modèles, pipelines de données, infrastructure, et se manifeste de façon intermittente, en raison de la nature probabiliste des systèmes d'IA. Un bug traditionnel se reproduit et se corrige ; une dérive de modèle ou un prompt dégradé peut passer inaperçu pendant des semaines, s'aggraver progressivement et ne se révéler qu'en production. CTO et CIO perdent ainsi la visibilité sur les performances réelles de leurs systèmes, sans équivalent à l'intégration continue (CI/CD) pour les prompts et les modèles. Ce constat s'inscrit dans une transformation plus profonde de la définition même du risque technique. Pendant vingt ans, la dette technique désignait une architecture vieillissante ou du code mal maintenu, des problèmes circonscrits et relativement maîtrisables. L'IA introduit des dépendances externes non contrôlées, des comportements non déterministes et des pipelines de données vivants, rendant les points de défaillance à la fois plus nombreux et plus difficiles à anticiper. Les entreprises qui déploient des agents et des applications fondées sur des API de modèles fondamentaux s'exposent à des risques systémiques si elles ne mettent pas en place dès maintenant des pratiques de gouvernance adaptées : versionnage des prompts, tests de régression sur les sorties de modèles, et monitoring continu post-déploiement. La prochaine vague d'échecs d'IA ne viendra probablement pas d'hallucinations spectaculaires, mais d'une accumulation silencieuse de dettes invisibles.