Mistral lance OCR 4, un outil d'extraction documentaire taillé pour l'IA en entreprise

AWS lance un registre d'agents en aperçu pour gérer la prolifération des agents IA en entreprise

Amazon Web Services a lancé Agent Registry en version préliminaire, une nouvelle fonctionnalité intégrée à Amazon Bedrock AgentCore, destinée à répondre à un problème croissant dans les grandes entreprises : la prolifération incontrôlée d'agents IA déployés en silo. Concrètement, cette solution propose un catalogue centralisé permettant de découvrir, gouverner et réutiliser des agents IA, des outils et des serveurs MCP au sein d'une même organisation, quel que soit l'endroit où ces agents s'exécutent. Le registre prend en charge nativement les protocoles MCP (Model Context Protocol) et A2A (Agent-to-Agent). Pour les équipes techniques des grandes entreprises, l'enjeu est considérable : sans inventaire central, les organisations se retrouvent avec des dizaines d'agents redondants, difficiles à auditer, à maintenir ou à faire évoluer. Agent Registry entend résoudre ce problème de gouvernance en offrant une visibilité unifiée sur l'ensemble du parc d'agents, facilitant ainsi la réutilisation des composants existants et réduisant les coûts de développement. Cette initiative s'inscrit dans une course entre les grands fournisseurs cloud pour imposer leur standard de gestion d'agents IA. Microsoft et Google Cloud proposent leurs propres solutions concurrentes, tandis que l'ACP Registry constitue une alternative indépendante. Le choix d'intégrer nativement les protocoles MCP et A2A signale la volonté d'AWS de s'aligner sur les standards émergents de l'industrie, dans un contexte où l'interopérabilité entre agents de différentes plateformes devient un critère décisif pour les entreprises qui multiplient les déploiements.

Mistral veut bousculer la gestion des documents avec son modèle OCR 4

Mistral a lancé le 23 juin la quatrième version de son modèle OCR, baptisé Mistral OCR 4, marquant un virage significatif dans la façon dont l'entreprise française positionne cet outil. Là où les versions précédentes se contentaient de convertir du texte imprimé en texte numérique, OCR 4 se présente comme un parseur documentaire sémantique complet. Le modèle prend en charge tous les formats courants, PDF, DOC, PPT, ODF, et restitue une représentation structurée en couches de chaque document : chaque bloc de contenu est localisé dans une bounding box, classé par type (titre, tableau, équation, signature, etc.) et accompagné d'un score de confiance par page et par mot. Selon Mistral, des annotateurs indépendants ont préféré OCR 4 dans 72 % des cas face aux principaux systèmes OCR et IA documentaires testés, et le modèle atteint 85,20 % sur le benchmark OlmOCRBench, ce qui lui vaut la première place. Il prend en charge 170 langues réparties en 10 groupes linguistiques. Ce changement de nature change concrètement la donne pour les équipes qui construisent des pipelines RAG, des systèmes de recherche sémantique ou des flux de travail agentiques sur des documents. Jusqu'ici, sans localisation spatiale ni typage sémantique, il était impossible de retracer un extrait vers sa source exacte dans un document, répondre à « d'où vient ce chiffre ? » nécessitait un travail d'ingénierie supplémentaire. OCR 4 résout ce problème en proposant nativement cette traçabilité : un texte étiqueté comme titre peut segmenter un document pour la recherche hiérarchique, une signature reconnue peut alimenter directement un flux de conformité, et les zones à faible confiance peuvent être automatiquement routées vers des vérificateurs humains. Mistral affirme ainsi supprimer toute une étape de reconstruction qui pesait jusqu'ici à la fois sur les coûts d'infrastructure OCR et sur les heures d'ingénierie nécessaires pour assembler le reste. La sortie d'OCR 4 s'inscrit dans une stratégie plus large de Mistral pour s'imposer sur le marché de l'intelligence documentaire d'entreprise, un segment en forte croissance porté par l'essor des agents IA et de l'automatisation des processus métiers. La startup parisienne, qui concurrence à la fois des acteurs spécialisés comme Adobe ou ABBYY et des plateformes cloud généralistes comme AWS Textract ou Google Document AI, cherche à proposer une solution unifiée là où les entreprises devaient auparavant assembler plusieurs briques techniques. En intégrant localisation spatiale, typage sémantique et score de confiance dans un seul modèle accessible via API, Mistral parie que la friction d'intégration restait le principal frein à l'adoption, et que la lever suffira à convaincre les équipes data et les éditeurs de logiciels de migrer vers son offre.

Votre entreprise est-elle prête pour l'IA ?

La grande majorité des entreprises ont abordé l'intelligence artificielle avec un objectif simple : automatiser plus vite, à moindre coût et à grande échelle. Chatbots pour les demandes de service, modèles de machine learning pour les prévisions, tableaux de bord analytiques pour la prise de décision : ces déploiements ponctuels ont constitué la première vague d'adoption. Pourtant, selon une analyse publiée par EdgeVerve, spécialiste des plateformes d'IA d'entreprise, beaucoup d'organisations constatent aujourd'hui que multiplier les solutions individuelles ne se traduit pas automatiquement par un impact à l'échelle de l'entreprise. Les pilotes se succèdent, mais la valeur stagne. La prochaine étape de maturité ne consiste plus à déployer davantage de modèles, mais à faire évoluer l'IA en continu selon les objectifs business, les contraintes réglementaires et les contextes clients. C'est ce que EdgeVerve nomme les "écosystèmes d'IA adaptatifs" : des réseaux d'agents, de modèles, de sources de données et de services de décision capables de fonctionner ensemble de façon dynamique, en intégrant traitement du langage naturel, vision par ordinateur, analytique prédictive et prise de décision autonome, tout en maintenant une supervision humaine. L'enjeu est particulièrement critique pour les organisations dites Global Business Services (GBS), qui pilotent des processus à haut volume dans des marchés aux réglementations et comportements clients très différents. Pour ces structures, l'automatisation statique atteint vite ses limites : elle ne sait pas s'adapter aux signaux en temps réel ni coordonner des flux de travail qui traversent fonctions, régions et systèmes. Les recherches de SSON Research identifient plusieurs freins persistants à l'adoption de l'IA générative dans ce secteur : mauvaise qualité des données, manque de compétences spécialisées, préoccupations autour de la confidentialité, retour sur investissement flou et contraintes budgétaires. Mais derrière ces symptômes, la cause commune est la fragmentation : des données cloisonnées, une gouvernance floue, des initiatives IA pilotées localement sans stratégie partagée. Résultat : les entreprises accumulent des solutions qui ne communiquent pas, des modèles sans contexte commun et une gouvernance traitée comme une formalité plutôt qu'un principe de conception. La distinction que fait EdgeVerve entre "écosystème" et "plateforme" est au coeur de la solution proposée. L'écosystème décrit l'ambition : comment les capacités IA collaborent à l'échelle de l'entreprise. La plateforme en est le socle technique, fournissant des services communs qui permettent aux agents d'accéder à des données harmonisées, d'orchestrer des processus de bout en bout, de s'interconnecter avec les applications existantes et d'opérer dans des périmètres de sécurité et de conformité définis. Sans cette couche plateforme, les écosystèmes adaptatifs restent théoriques. C'est sur ce marché que des acteurs comme EdgeVerve, filiale d'Infosys, se positionnent face à des concurrents comme ServiceNow ou Microsoft, alors que les grandes entreprises cherchent à passer d'une IA de projets pilotes à une IA véritablement opérationnelle et gouvernée.

Snowflake lance Horizon Catalog pour sécuriser l’IA générative en entreprise

Au Snowflake Summit 2026, tenu à San Francisco début juin, l'éditeur américain Snowflake a présenté Horizon Catalog, une plateforme unifiée conçue pour encadrer le déploiement de l'IA générative en entreprise. La nouveauté phare est Horizon Context, une couche sémantique centralisée qui standardise le contexte métier, données financières, commerciales, opérationnelles, pour garantir que chaque application, utilisateur ou agent IA s'appuie sur une définition commune des indicateurs clés. Le gestionnaire d'actifs BlackRock figure parmi les premiers clients à avoir adopté la solution, pour assurer la cohérence de ses analyses IA à travers ses environnements de données mondiaux. Snowflake complète l'offre avec Semantic Studio et Semantic View Autopilot, des outils qui automatisent la création et la maintenance de vues sémantiques cohérentes, sans exiger de solide expertise SQL. L'enjeu dépasse la simple organisation des données : selon les chiffres avancés par Snowflake, près des deux tiers des organisations citent aujourd'hui la cybersécurité comme le principal frein au déploiement à grande échelle de l'IA générative. Les agents autonomes capables d'accéder à des données sensibles, d'exécuter des actions métier et d'interagir avec plusieurs systèmes internes en même temps exposent des surfaces d'attaque que les modèles de sécurité traditionnels, conçus pour des utilisateurs humains, ne couvrent pas. Snowflake répond avec Agent Identity, un mécanisme qui attribue une identité vérifiée à chaque agent avant tout accès aux données, permettant de tracer, auditer et gouverner chaque action selon des règles définies. Des dispositifs de détection proactive contre les tentatives de jailbreak et autres attaques visant les modèles IA viennent compléter ce cadre. La sortie d'Horizon Catalog s'inscrit dans une compétition intense entre les grandes plateformes de données pour capter les budgets IA des entreprises. Snowflake, historiquement positionné sur l'entrepôt de données cloud, se repositionne comme couche d'infrastructure de confiance pour l'IA, un terrain où il affronte directement Databricks, Microsoft Fabric et Google BigQuery. La promesse d'une "vérité d'entreprise" unifiée répond à un problème concret : dans de nombreuses organisations, les mêmes métriques produisent des chiffres différents selon les outils, ce qui rend les recommandations des agents IA peu fiables, voire contradictoires. En automatisant la gouvernance sémantique et en sécurisant les identités des agents, Snowflake cherche à transformer ce point de friction en argument commercial différenciant, alors que les entreprises passent de l'expérimentation IA à des déploiements en production à grande échelle.

💬 Le problème ciblé ici, c'est pas du marketing : dans beaucoup d'organisations, la même métrique donne des chiffres différents selon l'outil, et ça rend les agents IA peu crédibles en prod. La partie Agent Identity m'intéresse davantage que la couche sémantique, parce qu'on allait droit dans le mur côté traçabilité avec des agents autonomes qui trifouillent les données sans laisser de traces auditables. BlackRock comme client de référence, c'est bien, mais reste à voir si ça tient quand c'est pas une multinationale avec 50 ingénieurs data pour piloter le déploiement.