Cursor déploie l'IA au sein de l'entreprise

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.

L'IA en entreprise : un défi que le code seul ne résout pas

Selon Michael Ameling, directeur produit de la plateforme technologique SAP Business Technology Platform, 81% des organisations disposent d'une stratégie détaillée en matière d'intelligence artificielle, mais seulement 12 à 16% d'entre elles parviennent effectivement à une exécution pilotée par l'IA. Le problème ne vient presque jamais de la qualité du code généré par les outils d'IA. Les entreprises qui ont investi massivement dans ces technologies se heurtent à un mur lorsque ce code doit fonctionner dans leurs environnements existants, car générer du code et le rendre opérationnel sont deux problèmes distincts. Pour les grandes entreprises, notamment les multinationales clientes de SAP dont certains systèmes tournent depuis dix ou vingt ans, le code doit répondre à des exigences strictes de conformité, de sécurité et de maintenabilité sur le long terme, des contraintes que la gestion du cycle de vie logiciel ne résout pas d'elle-même. Ce constat a des implications concrètes pour l'industrie. Les équipes développent des prototypes convaincants, puis découvrent qu'elles n'ont pas accès aux données nécessaires, aux intégrations requises ou aux permissions pour faire tourner leur solution en conditions réelles. L'IA amplifie la maturité existante d'une organisation en matière de données et de processus, mais elle ne peut pas s'y substituer. Ce défi s'intensifie à mesure que l'IA passe de la simple production de code à l'exécution autonome d'actions: la latence, les coûts et la charge système augmentent fortement lorsque des agents fonctionnent en continu sur des données en direct plutôt que de produire un résultat ponctuel. Les exigences de performance d'un agent autonome opérant sur les systèmes transactionnels d'une multinationale n'ont rien à voir avec celles d'un simple copilote de développement. Le véritable défi architectural, souvent sous-estimé, est celui de l'intégration dans des environnements hétérogènes combinant cloud, infrastructures legacy sur site et applications métier jamais conçues pour communiquer entre elles. Selon Ameling, la modernisation des systèmes reste indispensable, mais c'est justement l'IA qui en démultiplie la valeur: l'accès fédéré aux données et l'harmonisation des processus ne sont pas des alternatives à la mise à niveau d'un paysage informatique fragmenté, ils en sont la condition de rentabilité. Pour répondre à ces besoins, SAP mise sur sa Business AI Platform, qui regroupe des outils comme Joule Studio, l'Integration Suite, le Business Data Cloud et le SAP AI Agent Hub, afin de donner à la logique générée par l'IA une connaissance précise et à jour des systèmes d'entreprise sur lesquels elle doit s'exécuter.

💬 Bon, sur le papier 81% des boîtes ont une stratégie IA, mais 12 à 16% seulement passent à l'exécution, ça dit tout. Le code généré, c'est jamais le problème: le mur, c'est les accès aux données, les intégrations, les permissions sur des systèmes qui tournent depuis vingt ans. Retiens celle-là: l'IA n'invente pas la maturité data d'une boîte, elle se contente de l'amplifier, en bien comme en mal.

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).

IA en entreprise : sans méthode, les coûts dépassent les bénéfices

Tristan Duranté, cofondateur du cabinet Studeria et spécialiste de l'intelligence artificielle appliquée, alerte sur un décalage croissant entre l'équipement des entreprises françaises en outils d'IA générative et leur capacité réelle à en tirer des bénéfices mesurables. Selon lui, les logiciels dotés d'intelligence artificielle se sont diffusés dans la quasi-totalité des fonctions de l'entreprise, de la rédaction à la recherche documentaire en passant par l'automatisation des tâches administratives, mais cette diffusion technologique n'a pas été accompagnée d'une transformation équivalente des méthodes de travail. Beaucoup d'organisations, notamment des PME, multiplient les essais de solutions différentes sans revoir leurs processus internes, ce qui limite l'exploitation réelle des investissements consentis dans la recherche et l'innovation. L'expert pointe aussi la montée de ce qu'il appelle la « shadow AI », c'est-à-dire l'usage par les salariés d'outils d'intelligence artificielle non validés ni encadrés par leur employeur, un phénomène favorisé par la simplicité d'accès aux assistants conversationnels et aux générateurs de contenus. Ce constat a des implications concrètes pour les directions d'entreprise qui accumulent abonnements et licences sans stratégie de données définie en amont. Tristan Duranté résume la situation en soulignant qu'« accumuler des licences technologiques sans stratégie de données préalable ne garantit aucun retour sur investissement ». En clair, les dépenses en outils d'IA s'accumulent tandis que les gains de productivité restent difficiles à quantifier, faute de gouvernance claire sur l'usage des données et sur la cohérence des pratiques entre équipes. La généralisation de la shadow AI ajoute un risque supplémentaire, celui de la confidentialité des données sensibles de l'entreprise et du non-respect d'obligations réglementaires, à un moment où les cadres juridiques autour de l'intelligence artificielle se précisent en Europe. Pour les dirigeants, l'enjeu n'est donc plus seulement de s'équiper, mais de structurer l'adoption de ces outils pour que les investissements se traduisent réellement en performance. Ce diagnostic s'inscrit dans un contexte où les projets d'intelligence artificielle en entreprise restent encore majoritairement pilotés par les équipes techniques, alors que les usages concernent tout autant les ressources humaines, les fonctions commerciales, le marketing ou les services administratifs, ces métiers étant les premiers concernés par les processus que l'IA vise à transformer. Tristan Duranté plaide pour la diffusion d'une véritable culture de l'intelligence artificielle à l'échelle de toute l'organisation, ce qui suppose un travail préalable sur la qualité des données, une révision des procédures internes et des formations adaptées à chaque métier plutôt qu'à la seule direction informatique. Selon lui, les entreprises qui engagent dès maintenant cette montée en compétences prendront une avance durable, alors que les usages de l'intelligence artificielle sont appelés à devenir de plus en plus structurants dans les années à venir pour l'ensemble des secteurs économiques.