Aller au contenu principal
BusinessLatent Space2h· 2 min de lecture

Cursor déploie l'IA au sein de l'entreprise

Source originale ↗·

Voici l'article traduit et résumé :

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.

Impact France/UE

Les entreprises europeennes du secteur tech pourraient s'inspirer de ce modele d'ingenierie deployee sur le terrain, mais aucun impact direct sur la France ou l'UE n'est mentionne.

Dans nos dossiers

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1MIT Technology Review 

L'IA d'entreprise comme couche d'exploitation

La vraie ligne de fracture dans l'IA d'entreprise n'est pas celle que l'on suit habituellement dans les médias. Pendant que le débat public se focalise sur les benchmarks des modèles fondateurs, GPT contre Gemini, scores de raisonnement, gains marginaux de performance, l'avantage décisif se joue ailleurs : dans la couche opérationnelle, c'est-à-dire l'ensemble formé par les logiciels de workflow, la capture de données, les boucles de rétroaction et la gouvernance qui s'intercale entre les modèles d'IA et le travail réel. Des acteurs comme OpenAI et Anthropic vendent l'intelligence comme un service : on a un problème, on appelle une API, on obtient une réponse. Cette intelligence est généraliste, largement sans mémoire d'une session à l'autre, et de plus en plus interchangeable. À l'opposé, les organisations établies ont la possibilité de traiter l'IA comme une couche opérationnelle permanente : chaque exception, chaque correction, chaque validation humaine devient un signal d'apprentissage, et l'intelligence s'améliore à mesure que la plateforme absorbe davantage de travail. Ce modèle inverse la relation traditionnelle entre humains et machines. Dans une organisation de services classique, les opérateurs utilisent des logiciels pour effectuer un travail d'expert : la technologie est le médium, le jugement humain est le produit. Une plateforme pensée nativement pour l'IA renverse cette logique : le système ingère un problème, applique la connaissance accumulée du domaine, exécute de manière autonome ce qu'il peut traiter avec une haute confiance, et renvoie vers des experts humains uniquement les sous-tâches qui requièrent un jugement que le système ne maîtrise pas encore. Cette inversion n'est pas qu'un simple redesign d'interface, elle exige une matière première que les startups ne peuvent pas fabriquer rapidement : des données opérationnelles propriétaires, une large base d'experts dont les décisions quotidiennes génèrent des signaux d'entraînement, et une connaissance tacite accumulée sur des années quant à la façon dont le travail complexe se fait réellement. C'est là où réside le véritable enjeu stratégique de la décennie. Le récit dominant affirme que les startups agiles vont surpasser les acteurs établis en construisant des systèmes AI-native from scratch. Si l'IA était avant tout un problème de modèles, cette thèse tiendrait. Mais dans beaucoup de secteurs d'entreprise, c'est un problème de systèmes, intégrations, permissions, évaluation, gestion du changement, où l'avantage revient à ceux qui sont déjà ancrés dans des workflows à fort volume et à forts enjeux. La société Ensemble illustre cette approche avec une stratégie de "distillation de connaissance" : transformer l'expertise tacite et périssable des meilleurs opérateurs en signaux réutilisables, puis réinjecter ces résultats dans les workflows pour que le système continue à progresser. Les ingrédients existent déjà chez les acteurs historiques ; la question est de savoir qui saura les convertir en avantage compétitif durable avant que la fenêtre ne se referme.

BusinessOpinion
1 source
Comment NTT DATA et NVIDIA accélèrent le déploiement de l’IA en entreprise
2Le Big Data 

Comment NTT DATA et NVIDIA accélèrent le déploiement de l’IA en entreprise

NTT DATA et NVIDIA s'associent pour lancer des "usines d'IA" — des plateformes entreprise combinant les GPU NVIDIA avec les logiciels NeMo (création de systèmes multi-agents) et NIM (microservices conteneurisés) pour industrialiser le déploiement de l'IA. L'objectif est de réduire la complexité technique et le temps nécessaire pour passer d'un prototype à une solution opérationnelle, grâce à des prototypes GenAI pré-qualifiés et une gouvernance intégrée. Des cas d'usage concrets existent déjà, notamment dans le médical (analyses radiologiques pour un centre de recherche oncologique) et l'automobile (validation de charges de travail IA chez un équipementier mondial).

UENTT DATA dispose d'une présence significative en Europe, rendant cette offre d'usines IA directement accessible aux DSI européens cherchant à industrialiser leurs déploiements GenAI.

BusinessActu
1 source
L'ingénierie centrée client au service de l'innovation en IA
3MIT Technology Review 

L'ingénierie centrée client au service de l'innovation en IA

Malgré des années d'investissements massifs dans la digitalisation, les grandes entreprises ne capturent en moyenne moins d'un tiers de la valeur attendue, selon une étude McKinsey. Ashish Agrawal, vice-président responsable des technologies de paiement et cartes business chez Capital One, identifie une cause structurelle : la plupart des organisations construisent leurs outils technologiques d'abord, puis cherchent ensuite à les appliquer aux besoins clients. Son équipe a inversé cette logique en adoptant ce qu'il appelle le "customer-back engineering" : partir des attentes, frictions et besoins concrets des utilisateurs, puis remonter vers les solutions techniques. Concrètement, Capital One impose à chaque ingénieur plusieurs points de contact annuels avec les clients : sessions d'empathie digitale pour observer les parcours utilisateurs, immersions au sein du support client, accompagnements terrain aux côtés des équipes commerciales, et hackathons centrés sur de vrais problèmes clients. Cette approche produit un effet multiplicateur sur l'innovation. Quand les ingénieurs sont exposés directement aux difficultés vécues par les utilisateurs, ils développent des solutions que ni les équipes produit ni les équipes commerciales n'auraient imaginées seules, car ils restent naturellement proches des systèmes et des données. L'impact est aussi motivationnel : voir concrètement comment une modification de code améliore la vie d'un client transforme l'engagement des développeurs. Avec l'IA, cet effet est amplifié. Dans le service client de Capital One, des agents conversationnels basés sur l'IA générative peuvent désormais résumer instantanément l'historique d'un échange, fournir au conseiller humain le contexte complet d'une demande et poser automatiquement des questions de suivi ciblées, des tâches qui demandaient auparavant plusieurs minutes de lecture manuelle. Le constat d'Agrawal s'inscrit dans un débat plus large sur la manière dont les grandes entreprises tirent parti de l'IA. Beaucoup ont construit des pipelines de données riches au fil des années sans en exploiter pleinement le potentiel. L'émergence des outils agentiques change la donne : combinés à un écosystème de données de qualité, ils permettent de passer des correctifs incrémentaux à une transformation à haute vélocité. Le véritable frein n'est plus technologique mais organisationnel : rapprocher les ingénieurs des clients demande une discipline managériale forte et une culture délibérément entretenue. Capital One parie que les entreprises qui réussiront à ancrer cette proximité dans leurs pratiques d'ingénierie seront celles capables d'itérer le plus vite, d'identifier les bons problèmes avant leurs concurrents, et donc de transformer l'IA en avantage compétitif durable plutôt qu'en coût technologique supplémentaire.

BusinessOpinion
1 source
DXC et Anthropic apportent l’IA aux systèmes critiques d’entreprise
4Le Big Data 

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

DXC Technology et Anthropic ont annoncé le 11 juin 2026 une alliance mondiale pluriannuelle visant à déployer l'IA générative Claude au coeur des systèmes critiques des grandes entreprises et administrations publiques. DXC, présent dans plus de 70 pays et fort de 115 000 collaborateurs, gère depuis plusieurs décennies des infrastructures technologiques pour des banques, assureurs, compagnies aériennes et gouvernements. Dans ce cadre, DXC rejoint le réseau d'Anthropic en tant que "Global Premier Claude Partner". Le partenariat repose sur une approche déjà éprouvée en interne: en avril 2026, DXC a lancé OASIS, une plateforme d'orchestration native IA dans laquelle Claude est désormais le modèle par défaut pour automatiser les flux de travail informatique. La société affirme que plus de 95% du code d'OASIS a été généré avec l'aide de Claude, avant validation par des ingénieurs, ce qui aurait permis de multiplier par dix la vitesse de développement logiciel. La plateforme est déjà déployée chez plus de 50 clients, et DXC prévoit de former des dizaines de milliers d'ingénieurs certifiés via l'Anthropic Academy pour les intégrer directement chez les clients. L'enjeu central de ce partenariat est de faire entrer l'IA générative dans des environnements où la tolérance aux erreurs est quasi nulle. Pour les secteurs bancaire, assurantiel ou aérien, intégrer Claude dans des opérations critiques impose des niveaux très élevés de sécurité, de conformité réglementaire et de disponibilité continue. La promesse d'une accélération par dix du cycle de développement logiciel est particulièrement significative pour les grandes organisations cherchant à moderniser leurs systèmes historiques sans exploser les coûts ni étirer indéfiniment les cycles de transformation. Pour Anthropic, DXC représente surtout un canal de distribution massif vers des clients enterprise que les approches commerciales directes atteignent difficilement. Quatre domaines prioritaires ont été identifiés: l'assurance, avec la modernisation des systèmes centraux et le développement d'agents spécialisés; la modernisation applicative, pour analyser et refactoriser des bases de code historiques; la cybersécurité, avec un sous-agent Claude intégré aux centres d'opérations de sécurité; et la gestion des infrastructures IT. Cette alliance s'inscrit dans une tendance structurelle plus large: les grands acteurs des services informatiques, d'Accenture à IBM en passant par Capgemini, cherchent tous à s'adosser aux laboratoires d'IA pour proposer des offres packagées aux décideurs des grandes organisations. Anthropic, qui a levé plusieurs milliards de dollars ces dernières années dans un contexte de concurrence intense avec OpenAI et Google, accélère ainsi sa stratégie de diffusion via des partenaires disposant d'un accès privilégié aux marchés réglementés. OASIS devrait être déployé à plus grande échelle dans les mois à venir.

UEDXC Technology étant actif dans plus de 70 pays dont la France, ce partenariat avec Anthropic pourrait accélérer le déploiement de Claude dans les banques, assureurs et administrations publiques françaises et européennes qui s'appuient sur les services DXC.

BusinessOpinion
1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic