Un seul type d'interface ne suffit pas pour l'IA en entreprise

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.

Mistral rejoint Harvey pour les usages IA en entreprise

Harvey, la plateforme d'intelligence artificielle dédiée au secteur juridique, a officialisé le 26 mai 2026 un partenariat avec Mistral AI pour intégrer les modèles de la startup française à son environnement multi-modèles. Ce lancement cible en priorité les clients européens de Harvey, dont la plateforme permet déjà aux cabinets d'avocats et directions juridiques d'automatiser des tâches complexes : analyse contractuelle, recherche documentaire, synthèse de dossiers, assistance à la rédaction. L'ajout de Mistral enrichit ce dispositif en proposant une couche supplémentaire de personnalisation, notamment grâce aux capacités multilingues de la startup française, sa gestion des contextes longs et son efficacité d'exécution sur de grands volumes de documents multi-juridictions. Harvey précise que ce déploiement accompagne l'ouverture récente de son bureau parisien et le renforcement de ses investissements en France et dans l'Union européenne. Ce partenariat répond à une évolution profonde des attentes des grandes entreprises vis-à-vis de l'IA générative. Transparence des modèles, localisation des données, conformité réglementaire et gouvernance ne sont plus des options mais des critères décisifs, en particulier dans des secteurs sensibles comme le droit. Les modèles Mistral sont reconnus pour leur approche "open-weight", qui offre une visibilité accrue sur le fonctionnement et l'évaluation des systèmes, un atout de poids pour des organisations soumises à des obligations strictes en matière de sécurité et de conformité. Harvey ne cherche pas à remplacer un fournisseur d'IA par un autre : sa plateforme est conçue pour sélectionner automatiquement le modèle le plus adapté à chaque tâche, construisant ainsi une architecture résiliente et performante pour ses clients entreprises. Ce mouvement s'inscrit dans un contexte plus large de souveraineté technologique en Europe, où les acteurs locaux comme Mistral gagnent rapidement en crédibilité face aux géants américains. Les entreprises européennes ne se contentent plus de chercher les modèles les plus puissants : elles veulent savoir où transitent leurs données, quels modèles les traitent et dans quelles conditions ces systèmes sont déployés. Harvey, dont la plateforme multi-modèles inclut déjà des solutions de plusieurs grands fournisseurs, positionne Mistral comme la réponse naturelle aux exigences du marché européen. Le partenariat marque ainsi une étape dans la stratégie d'expansion européenne de l'éditeur américain, tout en consolidant la place de Mistral comme acteur incontournable de l'IA d'entreprise sur le Vieux Continent.

💬 Mistral dans le juridique, c'était couru d'avance. Un cabinet d'avocats qui traite des dossiers clients via GPT-4 sur des serveurs américains, ça fait frémir les RSSI, donc là l'argument souveraineté pèse vraiment. Harvey a pigé que pour exister en Europe, il fallait jouer cette carte.

Enquête Box : pourquoi les leaders de l'IA en entreprise surpassent leurs pairs

Une nouvelle étude de Box, menée auprès de 1 640 décideurs informatiques aux Etats-Unis, au Royaume-Uni, en France et au Japon, révèle une accélération spectaculaire de la maturité des entreprises en matière d'intelligence artificielle. La part des organisations se qualifiant d'avancées ou de pionnières est passée de 8% à 64% en seulement un an, tandis que celle des entreprises encore au stade précoce ou n'ayant pas démarré s'est effondrée de 53% à 9%. Selon ce rapport intitulé "State of AI in the enterprise", 80% des organisations constatent un retour sur investissement notable, défini comme une amélioration d'au moins 10%, et plus de la moitié observent un impact business mesurable dans les six mois suivant l'approbation d'un projet. Pour Olivia Nottebohm, directrice des opérations de Box, ce basculement s'explique moins par une avancée technique isolée que par la manière dont les entreprises organisent désormais leurs usages de l'IA, passant d'expérimentations individuelles à des opérations agentiques systématisées et déployées en production de façon reproductible. L'écart de performance entre les entreprises les plus avancées et les autres tient avant tout à la rigueur d'exécution. La moitié des entreprises pionnières affichent un ROI supérieur à 25%, contre seulement 11% des entreprises en phase précoce, les catégories intermédiaires (avancées à 33%, en développement à 16%) se situant entre les deux. Ce qui distingue les leaders, précise Nottebohm, ce sont les équipes dédiées au déploiement des agents, une gouvernance formelle pour les encadrer, et la cohérence de la couche de contenu sur laquelle ces agents s'appuient, plutôt qu'une approche expérimentale et informelle. L'accès au contenu s'impose d'ailleurs comme le principal frein à la rentabilité de l'IA en entreprise en 2026: 96% des organisations jugent indispensable que leurs agents accèdent à des contenus spécifiques à l'entreprise, mais seules 36% ont effectivement connecté leurs agents à des contenus fiables pour de nombreux usages. Un quart des organisations pointent la fragmentation des données entre systèmes, 24% des difficultés d'intégration, 21% un manque de contrôles d'accès adéquats et 18% des contenus trop désorganisés pour être exploitables. Ce déficit de confiance dans les contenus a aussi des conséquences en matière de sécurité: près de la moitié des organisations déclarent avoir déjà subi un incident d'exposition de données lié à l'IA, une proportion qui grimpe à 60% chez les entreprises pionnières, sans doute davantage exposées du fait de leurs nombreux agents et systèmes connectés, mais aussi mieux équipées pour détecter ces incidents. La part des organisations dotées de cadres de gouvernance établis ou avancés est passée de 24% en 2025 à 73% cette année, même si des lacunes subsistent dans l'instrumentation: seules 39% disposent d'une visibilité complète sur les usages sanctionnés et non sanctionnés de l'IA, et 34% ont établi des standards formels. Parmi les organisations les plus matures, 63% considèrent désormais leurs documents non structurés, contrats et rapports comme un avantage concurrentiel plutôt qu'un poids mort archivé numériquement, illustrant un changement de regard sur la donnée d'entreprise à l'ère des agents.

5 stratégies pour maîtriser les coûts liés à l'IA en entreprise

Le PDG de Snowflake, Sridhar Ramaswamy, a reconnu publiquement lundi, lors de la conférence annuelle de son entreprise à San Francisco, que les dépenses en intelligence artificielle représentent une source d'inquiétude croissante, même pour les plus grands acteurs du secteur. Snowflake, cliente d'Anthropic, d'OpenAI et d'autres fournisseurs, fait partie des entreprises qui ont développé des stratégies concrètes pour maîtriser ces coûts. Parmi les méthodes les plus répandues, les routeurs de modèles permettent d'orienter automatiquement chaque tâche vers le modèle le moins cher adapté à la situation : Snowflake et Palo Alto Networks ont conçu leurs propres routeurs, et une startup du BTP a utilisé Claude d'Anthropic pour construire le sien, sans que l'outil ne favorise les modèles Anthropic pour autant. L'éditeur de logiciels UiPath a quant à lui réduit de plus de 90 % les coûts de certaines tâches grâce au prompt engineering, en limitant simplement la phase de "réflexion" du modèle avant exécution, selon son directeur de la sécurité Scott Roberts. D'autres entreprises fixent des plafonds de tokens par employé ou réservent les modèles avancés aux profils techniques : chez Zscaler, les ingénieurs logiciels accèdent à OpenAI Codex, mais pas les équipes commerciales ou juridiques. Ces arbitrages traduisent une prise de conscience généralisée : l'accès illimité aux modèles les plus puissants peut générer des factures incontrôlables sans garantir un retour sur investissement proportionnel. Le vice-président de Zscaler Dhawal Sharma résume la philosophie émergente : "utiliser un très grand modèle pour résoudre un problème simple est un mauvais usage des ressources." Chez Novo Nordisk, l'analyse de données issues d'essais cliniques via Claude d'Anthropic a conduit les équipes à réaliser que la version standard du modèle suffisait dans de nombreux cas, ouvrant la voie à des économies substantielles. Plus largement, certaines entreprises choisissent de revenir à des logiciels traditionnels, plus adaptés aux tâches structurées et répétitives, plutôt que de systématiser le recours à l'IA. Cette rationalisation intervient alors que les fournisseurs de modèles continuent d'augmenter leurs tarifs, alimentant un débat intense sur la rentabilité réelle de l'IA en entreprise. Les directions informatiques se retrouvent à arbitrer entre la demande des équipes métiers, désireuses d'accéder aux outils les plus performants, et la nécessité de contenir les budgets. Des solutions tierces comme OpenRouter, qui proposent du routage à la demande, commencent à structurer un marché naissant de l'optimisation des coûts IA. À mesure que la concurrence s'intensifie entre fournisseurs, une baisse mécanique des prix est attendue, mais d'ici là, les entreprises qui maîtrisent l'ingénierie des coûts IA pourraient transformer cette contrainte en avantage compétitif durable.