DXC et Anthropic apportent l’IA aux systèmes critiques d’entreprise

Anthropic envisage une introduction en bourse, signe de la maturité de l'IA en entreprise

Anthropic prépare une introduction en bourse qui constitue un tournant symbolique pour l'industrie de l'intelligence artificielle générative. L'entreprise fondée par Dario et Daniela Amodei, valorisée à plusieurs dizaines de milliards de dollars, franchit ainsi le seuil qui sépare la phase de recherche à capital-risque d'un statut de fournisseur d'infrastructure d'entreprise à part entière. William Samengo-Turner, responsable du secteur technologique chez le cabinet juridique A&O Shearman, résume l'enjeu : "La vraie question n'est pas de savoir si les marchés publics sont prêts pour l'IA, mais si l'IA est prête pour les marchés publics." Karthik Hariharan, ingénieur senior chez DoorDash, observe pour sa part qu'Anthropic et OpenAI se livrent une course à l'IPO, et que le premier à franchir la ligne "fixera probablement le plancher et le plafond des valorisations pour les 12 à 18 mois suivants." Cette cotation en bourse redéfinit concrètement la relation entre Anthropic et ses clients professionnels. Les entreprises qui intègrent Claude dans leurs workflows internes pourront désormais planifier sur plusieurs années autour de grilles tarifaires, de limites d'API et de contrats de service formalisés. Mais l'équation est contrainte : entraîner chaque nouvelle génération de modèles nécessite des dizaines de milliers de GPU et des dépenses d'investissement massives, que la structure des marchés publics oblige à répercuter de façon prévisible sur les clients. Si Wall Street exige une expansion agressive des marges post-IPO, les entreprises devront anticiper des conditions de licence plus strictes et l'abandon progressif des versions de modèles les moins rentables, créant des cycles de migration forcée pour les équipes de développement. Le modèle économique sous-jacent révèle une dépendance structurelle au marché B2B. Suvrankar Datta, chercheur au CRASH Lab, le chiffre sans détour : sur huit milliards d'êtres humains, seulement 100 millions peuvent se permettre de payer Claude au tarif actuel, et les 20 dollars mensuels de l'abonnement grand public ne financent pas des clusters de serveurs à plusieurs milliards de dollars. La survie financière d'Anthropic repose donc sur son ancrage dans les budgets des grandes organisations, à travers des usages comme la gestion des ressources humaines, la revue de documents juridiques ou le tri du support client. Nate Elliott, analyste IA chez Emarketer, pointe la tension centrale : "Claude a construit une base d'utilisateurs enterprise solide, mais il n'est pas compétitif en tant que plateforme IA grand public." La cotation d'Anthropic sera ainsi le premier test grandeur nature pour savoir si Wall Street considère l'IA comme une histoire de consommateurs ou comme une infrastructure industrielle.

IBM et Google Cloud veulent accélérer l’adoption de l’IA dans les entreprises

IBM et Google Cloud ont annoncé le 4 juin 2026 une expansion significative de leur partenariat stratégique, avec le lancement d'une Google Cloud Practice dédiée au sein d'IBM Consulting. Cette nouvelle entité regroupe des milliers de consultants IBM certifiés Google Cloud ainsi que des équipes d'ingénierie spécialisées, avec pour mission d'accompagner les grandes organisations dans le déploiement d'agents IA à l'échelle industrielle. Concrètement, les deux groupes combinent la plateforme Gemini Enterprise Agent de Google Cloud avec l'expertise sectorielle d'IBM Consulting pour couvrir huit domaines prioritaires : banque, assurance, administrations publiques, télécommunications, énergie, commerce de détail, cybersécurité et sciences de la vie. Les consultants IBM pourront désormais concevoir, déployer et gérer directement des agents IA sur l'infrastructure Google Cloud, en s'appuyant sur des composants préconfigurés et des méthodologies éprouvées. L'enjeu est de résoudre l'un des blocages les plus coûteux de l'industrie : la difficulté à transformer les projets pilotes en déploiements opérationnels rentables. De nombreuses entreprises ont expérimenté l'IA sans parvenir à en extraire une valeur concrète à grande échelle, faute d'intégration avec les systèmes critiques existants et de garanties suffisantes en matière de gouvernance et de conformité réglementaire. En proposant un cadre commun avec des agents sectoriels préconstruits, IBM et Google entendent réduire drastiquement le délai entre la conception et la mise en production, tout en permettant aux organisations d'automatiser des processus métiers complexes sans multiplier les développements sur mesure. Pour les secteurs fortement réglementés comme la finance ou la santé, la promesse est d'intégrer l'IA aux flux de travail existants tout en respectant les contraintes légales et sécuritaires. Cette initiative s'inscrit dans une tendance de fond qui voit les grands acteurs du cloud et du conseil former des alliances de plus en plus intégrées pour capter le marché de l'IA d'entreprise, estimé à plusieurs milliards de dollars. IBM, qui a repositionné une large partie de sa stratégie autour du conseil en transformation numérique depuis la cession de son activité infrastructure à Kyndryl en 2021, cherche à capitaliser sur sa présence dans les grandes entreprises pour distribuer les technologies de ses partenaires cloud. Google Cloud, de son côté, intensifie la mise en marché de Gemini via des alliances avec des intégrateurs disposant d'une relation de confiance établie avec les directions générales et les DSI. La prochaine étape attendue sera la mise sur le marché effective de ces agents sectoriels et les premiers retours de déploiements en production, qui conditionneront la crédibilité commerciale de cette alliance face à des concurrents comme Microsoft et Accenture ou AWS et Deloitte.

💬 Le vrai problème des pilotes IA qui restent des pilotes, IBM et Google s'y attaquent enfin avec du concret. Des milliers de consultants certifiés, des agents préconstruits par secteur, un cadre commun qui évite de tout recoder à chaque client, c'est le genre d'approche qui peut débloquer des grands comptes paralysés depuis deux ans sur les mêmes questions de conformité. Reste à voir ce que ça donne en prod, parce que Microsoft et Accenture ne regardent pas ça les bras croisés.

L'IA agentique en entreprise : les vrais coûts, risques de sécurité et enjeux culturels

Les entreprises qui déploient des agents IA en production se heurtent à trois obstacles concrets, selon Brian Gracely, directeur senior de la stratégie produit chez Red Hat, qui s'exprimait lors du récent événement AI Impact de VentureBeat. Beaucoup de dirigeants d'entreprise, influencés par les annonces spectaculaires du secteur, craignent d'avoir déjà pris un retard critique sur leurs concurrents en matière d'agents autonomes. Or cette inquiétude repose largement sur une idée fausse : les équipes progressent en réalité bien plus vite qu'elles ne l'anticipent une fois qu'elles se lancent dans le développement. Ce progrès rapide entraîne cependant un autre défi de taille. L'usage des agents IA génère des volumes de requêtes largement supérieurs à ceux de l'ère des chatbots, ce qui fait exploser les coûts et transforme leur gestion, autrefois une simple question technique, en sujet récurrent des conseils d'administration. Les entreprises prennent aussi conscience de leur dépendance à une poignée de fournisseurs de modèles. Selon Gracely, deux ou trois grands acteurs du marché reconnaissent déjà perdre de l'argent et cherchent à entrer en Bourse pour combler ce déficit, ce qui pousse les entreprises à explorer des alternatives leur donnant plus de contrôle sur leurs coûts et leur infrastructure. Le principal poste de surcoût identifié par Gracely tient à une habitude répandue : utiliser systématiquement le modèle le plus puissant disponible, quelle que soit la complexité réelle de la tâche. Pour résoudre une réclamation d'assurance, illustre-t-il, inutile de mobiliser un modèle capable de retracer l'histoire de la civilisation occidentale ou de connaître les résultats de la Coupe du monde de football. Le levier le plus rapide pour réduire les dépenses consiste donc à ajuster la taille du modèle à la tâche, via le routage sémantique : les requêtes sont automatiquement classées puis dirigées vers le modèle adapté, sans que l'utilisateur ait à choisir. Des techniques d'infrastructure comme la mise en cache des requêtes répétitives limitent en parallèle le recours effectif aux GPU. Ensemble, ces outils démontrent qu'efficacité et innovation ne sont pas mutuellement exclusives. Cette discipline financière autour de la consommation de tokens rappelle les pratiques FinOps qu'il a fallu des années pour affiner autour des dépenses de cloud computing, et les mêmes cadres méthodologiques devraient s'y transférer, même si le vocabulaire change. Gracely insiste sur la nécessité d'une pédagogie interne pour que les équipes financières comprennent ce qu'est un token, comme elles ont dû apprendre par le passé ce qu'était une instance EC2 ou un bucket S3, afin que les équipes cessent de recourir par défaut au modèle le plus prestigieux pour des tâches qui n'en ont pas besoin. Par ailleurs, la vitesse à laquelle les outils d'IA détectent aujourd'hui les vulnérabilités logicielles oblige les entreprises à repenser leurs cycles de gestion des correctifs, les procédures traditionnelles de patch management se révélant souvent trop lentes face à des menaces identifiées presque instantanément.

💬 Le vrai coût de l'IA agentique, c'est pas le modèle, c'est le réflexe de balancer le plus gros modèle sur tout, même une réclamation d'assurance. Le routage sémantique et le cache, c'est le FinOps du cloud qui recommence, sauf qu'il faut cette fois expliquer aux équipes finance ce qu'est un token. Selon Le Fil IA, les entreprises qui gagnent sur les agents IA ne sont pas celles qui ont le plus gros modèle, mais celles qui savent quand ne pas s'en servir.

Cursor déploie l'IA au sein de l'entreprise

Pauline Brunet, vice-présidente de l'ingénierie déployée sur le terrain (forward deployed engineering) chez Cursor, a détaillé la stratégie d'entreprise de la startup lors d'un entretien avec Latent Space à l'occasion de l'AI Engineer World's Fair. Chez Cursor, plateforme de codage assistée par IA, cette fonction consiste à envoyer des ingénieurs directement chez les clients pour déployer des applications hautement configurables, adaptées à leurs systèmes et processus internes. L'équipe de Brunet travaille aujourd'hui avec des organisations issues des services financiers, des télécommunications, du développement logiciel, de la technologie et des semi-conducteurs, en aidant les directions IT et les CTO à mettre en place ce qu'elle appelle une "usine logicielle IA" (AI software factory), couvrant l'ensemble du cycle de vie du développement, de la planification à la maintenance en passant par l'écriture, la révision et les tests de code. Cursor prévoit de multiplier par dix la taille de cette équipe de forward deployed engineers d'ici la fin décembre. Le recrutement cible exclusivement des ingénieurs logiciels comptant au moins cinq ans d'expérience en production, capables de concevoir des systèmes et de faire des arbitrages techniques, tout en ayant une expérience significative de la relation client. Plusieurs recrues viennent d'entreprises comme Spotify, Rippling et Palantir, où elles avaient déjà déployé des systèmes en production pour des clients. Cette montée en puissance illustre un enjeu central de l'adoption de l'IA en entreprise : dépasser les usages individuels et isolés pour atteindre une transformation à l'échelle de l'organisation. Selon Brunet, le concept d'usine logicielle répond à un problème structurel actuel, à savoir que les différentes étapes du développement (conception, développement, gestion de produit) restent aujourd'hui cloisonnées entre équipes distinctes, chacune optimisant son propre travail avec l'IA de façon indépendante, sans cohérence d'ensemble. L'ambition de Cursor est de connecter ces silos pour créer un flux de travail unifié où les agents IA interviennent à chaque étape du cycle de développement logiciel. Ce virage traduit une évolution plus large du secteur de l'IA en entreprise, où le rôle de forward deployed engineer, à mi-chemin entre ingénierie logicielle, développement produit et implémentation client, s'impose comme une fonction stratégique. Il ne s'agit plus seulement de vendre un outil clé en main, mais d'accompagner sur le long terme des organisations complexes dans l'intégration d'agents IA à grande échelle, un mouvement que plusieurs acteurs de la tech observent de près alors que la compétition s'intensifie autour de l'automatisation du développement logiciel.