Pourquoi les stablecoins pourraient devenir la monnaie native des agents IA

Pourquoi les entreprises à base d'agents doivent devenir des systèmes apprenants

Chaque jour, les entreprises accumulent un savoir opérationnel que leurs systèmes d'intelligence artificielle n'exploitent jamais. Un analyste en sécurité corrige une investigation générée par l'IA. Un ingénieur réseau identifie la cause d'une panne récurrente. Une équipe d'observabilité découvre qu'un enchaînement précis de latence, de logs et de modifications d'infrastructure annonce systématiquement une dégradation de service. Ces instants contiennent une connaissance organisationnelle précieuse, mais dans la grande majorité des entreprises, elle disparaît dans des tickets, des fils de discussion, des post-mortems d'incidents ou dans l'esprit de quelques experts isolés. Elle résout le problème immédiat, rarement davantage. C'est ce constat que Splunk expose dans une analyse publiée en juin 2026 sur ce qu'il appelle l'entreprise agentique apprenante. Le vrai avantage concurrentiel de la prochaine décennie ne sera pas de disposer du modèle d'IA le plus performant, beaucoup d'organisations auront accès aux mêmes modèles frontier. Il sera de savoir si les agents déployés dans les domaines de la sécurité, l'IT, le service client ou les opérations métier peuvent apprendre de l'organisation elle-même. Non pas en réentraînant continuellement le modèle sous-jacent, mais en capturant l'expérience opérationnelle, en la convertissant en connaissance institutionnelle et en la rendant accessible aux agents futurs. Un modèle ne sait pas d'emblée quelle action corrective a résolu la panne du mois dernier, quel signal réseau a précédé la dernière interruption de service, ni quelle politique interne doit prendre le pas sur une recommandation autrement plausible. Ce savoir appartient à l'entreprise, et c'est à elle de le rendre réutilisable, en enrichissant l'écosystème autour du modèle : base de connaissances, couche de récupération, prompts, guardrails et logique de routage. Pour y parvenir, chaque flux de travail agentique doit devenir une boucle de rétroaction. Un agent reçoit une requête, raisonne, appelle des outils, produit une réponse. Un humain l'accepte, la rejette ou la corrige. Les systèmes en aval révèlent si l'action a fonctionné. L'ensemble de cette chaîne est exploitable : c'est ce que l'observabilité de l'IA doit permettre de capturer, non pas seulement pour déboguer un agent, mais pour comprendre ce qu'il a appris, ce que l'humain a corrigé, et ce qui devrait changer avant le prochain événement similaire. C'est le passage du monitoring de l'IA à son enseignement. Splunk, dont la plateforme d'observabilité couvre précisément ces couches, sécurité, réseau, infrastructure, positionne cette capacité comme le fondement de l'entreprise de demain : non pas une organisation qui utilise l'IA, mais une organisation qui apprend à travers elle.

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.

Pourquoi les boucles d'agents ont la cote

Les "agent loops", ou boucles d'agents, s'imposent comme l'une des approches les plus discutées dans la communauté des développeurs IA, notamment sur X et Reddit ces dernières semaines. Le principe consiste à faire tourner un ou plusieurs agents en boucle autonome, sans intervention humaine entre chaque étape : l'agent tente différentes approches pour accomplir une tâche, un second agent évalue son travail, et le processus recommence jusqu'à l'atteinte de l'objectif ou d'une condition d'arrêt prédéfinie. Cette méthode tranche avec l'approche classique qui consiste à soumettre un prompt, attendre la réponse, puis corriger manuellement. Lors de la conférence AI Engineers d'avril 2025, des ingénieurs d'Anthropic ont illustré le potentiel de la technique avec un exemple concret : ils ont demandé à Claude de développer une application générant des jeux vidéo rétro. Avec un prompt minimal, Claude a livré l'application en 20 minutes pour 9 dollars. La même tâche confiée à une boucle d'agents a pris six heures et coûté 200 dollars, mais le résultat était nettement supérieur. L'engouement pour les boucles d'agents tient à leur capacité à traiter des tâches longues ou mal définies, là où une simple requête atteint rapidement ses limites. Pour les développeurs qui construisent des applications complexes, l'approche offre un niveau de qualité qu'un échange ponctuel ne permet pas d'atteindre. Le compromis reste cependant significatif : un rapport de coût de 1 à 22 représente une barrière réelle à l'adoption généralisée. À court terme, cette méthode restera donc réservée aux cas d'usage où la qualité prime sur le budget, plutôt qu'aux tâches routinières à faible enjeu. Cette tendance s'inscrit dans une évolution plus large du secteur vers des systèmes d'IA toujours plus autonomes. L'industrie se déplace progressivement du modèle "prompt-réponse" vers des architectures multi-agents capables de s'auto-corriger et de raisonner sur de longues séquences d'actions. Anthropic, qui développe Claude, figure parmi les acteurs en pointe sur ce terrain, aux côtés d'OpenAI et Google DeepMind. L'enjeu à moyen terme sera de réduire le coût computationnel de ces boucles pour les rendre économiquement accessibles à grande échelle, condition nécessaire pour que les agent loops passent du statut d'expérimentation avancée à celui d'outil standard du développement IA.

💬 Ce qui me frappe dans l'exemple d'Anthropic, c'est pas que ça coûte 200 dollars au lieu de 9, c'est que le résultat est vraiment meilleur, pas juste un peu. Les boucles d'agents ne remplacent pas le prompt classique, elles font autre chose : du travail long et mal défini qui demande de l'itération sans intervention humaine entre chaque étape. Reste à voir quand les coûts tombent assez pour que tu puisses en faire un outil standard plutôt qu'un truc réservé aux projets où t'as un vrai budget.

Des agents IA en production pour la conformite financiere : les lecons de Stripe

Stripe, le géant américain des paiements en ligne, a déployé en production un système d'agents IA dédié à la conformité financière, développé sur Amazon Web Services avec Amazon Bedrock. L'entreprise traite 1 400 milliards de dollars de volume de paiements annuels dans 50 pays, en servant des millions d'entreprises allant des startups aux 62 % des sociétés du Fortune 500. Pour gérer les risques de fraude et respecter les obligations réglementaires à cette échelle, ses équipes de conformité devaient examiner des milliers de transactions chaque jour. Le système d'agents, conçu selon un cadre ReAct, a permis de réduire de 26 % le temps de traitement des dossiers, tout en obtenant un taux de satisfaction de 96 % auprès des analystes internes. Les décisions finales restent systématiquement entre les mains d'experts humains. Ce déploiement illustre un problème structurel que rencontrent toutes les grandes institutions financières : les analystes qualifiés passaient jusqu'à 80 % de leur temps à naviguer entre des systèmes fragmentés pour rassembler des documents, au lieu de réaliser des évaluations de risque à haute valeur ajoutée. L'agent IA automatise cette phase de pré-investigation et d'agrégation documentaire, libérant les équipes pour les jugements complexes. À l'échelle mondiale, le coût de la conformité financière est estimé à 206 milliards de dollars par an. L'approche de Stripe permettrait d'identifier 95 % des attaques par test de carte en temps réel et de réduire de 20 % les frictions inutiles pour les clients légitimes, tout en conservant la traçabilité intégrale exigée par les régulateurs grâce à des journaux d'audit immuables. La croissance rapide de Stripe, qui représente aujourd'hui environ 1,3 % du PIB mondial numérique, a rendu intenable une mise à l'échelle des équipes de conformité proportionnelle au volume de transactions. L'entreprise a opté pour une architecture en trois composantes : décomposition des tâches et orchestration des révisions, cadre d'agents ReAct, et services d'infrastructure dédiés. Une attention particulière a été portée à l'optimisation des coûts via le prompt caching et à la gouvernance, avec des workflows d'approbation configurables et des points de contrôle humains à chaque étape critique. Ce modèle, co-développé par les équipes de Stripe et d'AWS, est présenté comme une référence pour les organisations souhaitant industrialiser la conformité sans sacrifier la qualité ni l'auditabilité, dans un contexte où les régulateurs financiers du monde entier renforcent leurs exigences en matière de traçabilité des décisions assistées par IA.