OutilsLe Monde Pixels · 26 mars 2026, 18:04· 1 min de lecture

Manus, une IA chinoise dernier cri prise dans la bataille technologique entre la Chine et les Etats-Unis

Manus, l'agent IA de la startup chinoise Butterfly Effect, filiale de Monica, a provoqué un engouement mondial en l'espace de quelques jours début mars 2025. Plus d'un million de personnes se sont inscrites sur liste d'attente pour accéder à sa version bêta, portées par des démonstrations virales où l'agent accomplit de façon entièrement autonome des tâches complexes : recherche approfondie, rédaction de rapports, gestion de fichiers, navigation web, sans supervision humaine continue.

L'irruption de Manus sur la scène mondiale dépasse le simple lancement produit. Elle s'inscrit dans une compétition technologique de plus en plus ouverte entre Pékin et Washington sur le segment des agents IA, considéré comme l'un des enjeux stratégiques majeurs de la décennie. Après DeepSeek en janvier 2025, qui avait démontré qu'un modèle chinois pouvait rivaliser avec les meilleurs systèmes américains à une fraction du coût, Manus confirme que la Chine entend peser sur chaque front de la révolution IA.

Ce succès intervient dans un contexte de restrictions américaines renforcées sur l'exportation de puces vers la Chine, notamment les GPU H100 de Nvidia, piliers du développement en intelligence artificielle. La capacité des équipes chinoises à produire des résultats compétitifs malgré ces contraintes matérielles significatives pose une question directe sur l'efficacité réelle des sanctions technologiques américaines, et suggère que les barrières à l'accès au matériel n'ont pas ralenti le rythme d'innovation de la même façon pour tous les acteurs.

L'affaire Manus illustre une tendance de fond : la Chine ne cherche plus à rattraper son retard, mais à imposer ses propres modèles sur des segments émergents avant que les standards ne soient fixés. Pour les acteurs occidentaux du secteur, le message est clair, la fenêtre pour établir une domination durable sur les agents IA autonomes se referme plus vite que prévu.

Impact France/UE

La rivalité sino-américaine sur les puces IA et l'émergence d'agents autonomes chinois compétitifs renforcent la pression sur l'Europe pour accélérer sa propre souveraineté technologique en matière d'IA.

Dans nos dossiers

Agents IA DeepSeek NVIDIA

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

Les agents IA gagnent en fiabilité sur le front technologique

Les équipes technologiques mondiales font confiance aux agents IA pour un volume croissant de tâches, selon un rapport publié en 2026 et fondé sur une enquête auprès de 300 experts technologiques internationaux. Ces spécialistes, ingénieurs, développeurs, architectes, ont évalué leur niveau de confiance envers les agents IA sur 101 tâches réparties dans les domaines de l'intelligence artificielle, de la donnée et du cloud. Les résultats montrent une confiance élevée pour les tâches quantifiables : génération de rapports, production de code standard, surveillance de la qualité des données, détection d'anomalies dans les visualisations et monitoring de flux de données en temps réel. Gartner qualifie 2026 d' «année d'inflexion» pour l'alignement des projets IA sur les objectifs stratégiques des entreprises, tandis que McKinsey prévoit une multiplication par deux à trois des coûts d'infrastructure IT d'ici 2030, sans augmentation correspondante des budgets. L'enjeu dépasse la simple automatisation de tâches : les agents IA sont désormais envisagés pour coordonner des workflows entiers et poursuivre des objectifs métier de façon autonome, en collaboration avec les humains. Cette promesse soulève cependant une contrainte fondamentale : les équipes ne peuvent déléguer du travail aux agents que si elles ont la certitude que ceux-ci sont capables d'exécuter les tâches de manière sûre, fiable et sécurisée. Or la confiance chute significativement dès que les tâches gagnent en complexité, principalement parce que les systèmes agentiques manquent de contexte métier. Les données d'entreprise restent difficiles à intégrer dans le cycle de vie des agents à la vitesse et la qualité requises. La supervision humaine reste donc un facteur critique de succès dans tous les déploiements. Ce rapport s'inscrit dans un moment charnière pour l'industrie technologique. Les dix-huit derniers mois ont marqué une adoption concrète des agents par les équipes tech, mais les capacités de génération de contexte pour ces systèmes en sont encore à leurs débuts. Jeremy Winter, vice-président corporate et directeur produit de Microsoft Azure Platform, souligne que lorsque les agents opèrent dans les mêmes périmètres opérationnels, systèmes d'identité et modèles de gouvernance que les équipes utilisent déjà, ils commencent à se comporter comme des systèmes de confiance établis. Les experts interrogés anticipent une accélération de cette confiance à mesure que l'expérience s'accumule et que les environnements métier arrivent à maturité, notamment dans les workflows de données, identifiés comme le domaine de percée où la structure existante offre une base fiable pour la prise de décision automatisée.

OutilsOutil

1 source

2FrenchWeb

Dans l’industrie, la bataille de l’IA n’est pas celle que l’on croit

Tandis que les grandes entreprises technologiques s'affrontent autour des modèles d'IA généralistes toujours plus puissants, une transformation plus discrète mais tout aussi profonde s'opère dans les environnements industriels. Des systèmes d'IA spécialisés sont désormais déployés en usine pour permettre aux techniciens et ingénieurs d'interroger en langage naturel des bases documentaires massives : manuels de maintenance, fiches techniques, historiques d'incidents, procédures qualité. Ces outils peuvent traiter des dizaines de milliers de documents pour fournir une réponse opérationnelle en quelques secondes, là où une recherche manuelle prendrait des heures. L'impact est immédiat pour les équipes terrain. Un technicien face à une panne peut obtenir un diagnostic fondé sur l'ensemble de la documentation constructeur sans maîtriser l'architecture du système documentaire. Cela réduit les temps d'arrêt, allège la dépendance aux experts rares et accélère la formation des nouveaux arrivants. Pour l'industrie manufacturière, aux marges souvent serrées et confrontée à une pénurie de compétences techniques, ce gain d'efficacité représente un avantage compétitif concret, mesurable en heures de production récupérées. Cette dynamique s'inscrit dans un mouvement plus large de spécialisation de l'IA pour les secteurs à forte contrainte réglementaire et documentaire : aéronautique, énergie, chimie, automobile. Contrairement aux usages grand public, ces déploiements privilégient la fiabilité et la traçabilité sur la créativité. Les éditeurs de solutions industrielles comme les intégrateurs système se positionnent activement sur ce segment, conscients que la valeur réelle de l'IA en entreprise se construit moins dans les benchmarks publics que dans la maîtrise des données métier.

UELes secteurs industriels français et européens comme l'aéronautique, l'automobile et l'énergie sont directement concernés par cette transformation, qui représente un enjeu compétitif concret face à la pénurie de compétences techniques.

OutilsOutil

1 source

3AWS ML Blog

Built Technologies conçoit une solution d'intelligence documentaire basée sur l'IA sur AWS pour ses agents dans le financement immobilier

Built Technologies, éditeur de logiciels de financement immobilier, a déployé sur Amazon Bedrock et l'accélérateur AWS Intelligent Document Processing (IDP) un moteur de traitement documentaire propulsé par l'intelligence artificielle. L'entreprise, qui gère plus de 500 milliards de dollars de projets immobiliers, a construit ce système avec l'aide du AWS Generative AI Innovation Center, du partenaire AWS AND Digital et des équipes commerciales d'AWS. Auparavant, Built s'appuyait sur 26 processeurs distincts combinant reconnaissance optique de caractères et apprentissage automatique classique pour extraire, classer et scinder les documents. Cette architecture couvrait des cas d'usage précis, avec des champs explicites et des mises en page prévisibles, mais atteignait ses limites face à l'ambition du groupe: traiter plus de 250 types de documents différents, des fichiers pouvant dépasser 500 pages, et des millions de dossiers chaque année. Ce nouveau moteur ne se contente plus d'extraire du texte: il classe, découpe, extrait, évalue et raisonne sur des documents complexes propres au financement immobilier. Des tâches qui prenaient auparavant plusieurs jours se traitent désormais en quelques minutes. Ce socle technique sert de fondation à une nouvelle génération de produits agentiques que Built déploie sur l'ensemble du cycle de vie d'un actif immobilier: analyse des demandes de tirage sur des prêts à la construction, examen d'accords de prêt, validation de couvertures d'assurance, synthèse de mémorandums de vente, ou encore détection d'anomalies dans un portefeuille d'actifs. Pour les prêteurs et gestionnaires d'actifs, cela signifie des décisions plus rapides et plus fiables, sur des volumes que les équipes humaines ne pouvaient plus absorber seules. Le système offre aussi aux équipes techniques et aux experts métier un environnement commun pour concevoir et améliorer ces traitements documentaires. Le financement immobilier repose sur une masse considérable de documents hétérogènes: certificats d'assurance ACORD 25, formulaires administratifs standardisés, mais aussi mémorandums d'offre, accords de prêt, rapports d'expertise ou modèles financiers Excel dont la structure varie fortement d'un émetteur à l'autre. Beaucoup contiennent des tableaux imbriqués, des pages scannées, des images intégrées, des annotations manuscrites et un vocabulaire juridique ou propre à chaque prêteur. Face à cette variété et à ce volume croissants, une extraction purement mécanique ne suffisait plus: Built avait besoin d'une intelligence documentaire capable de comprendre le contexte, d'assurer la traçabilité des données et de nourrir des agents IA autonomes plutôt que de simples outils d'extraction. Ce virage illustre une tendance plus large du secteur financier immobilier, où l'automatisation cognitive des documents devient la brique de base indispensable avant toute agentivité à grande échelle.

OutilsActu

1 source

4VentureBeat AI

Les agents IA entrent dans une phase de refonte face aux problèmes de fiabilité en entreprise

Les agents d'intelligence artificielle d'entreprise entrent dans une phase de refonte profonde. Après une première vague de déploiements rapides, de nombreuses organisations découvrent que la performance des modèles de langage ne suffit pas à garantir la fiabilité en production. Selon Preeti Somal, vice-présidente senior de l'ingénierie chez Temporal Technologies, intervenante lors d'un récent événement AI Impact Series à New York, de nombreuses équipes reviennent aujourd'hui construire une "version 2.0" de leurs agents. "Ils ont dû aller très vite, mais ils n'ont pas pris soin de la plomberie", a-t-elle déclaré. "Les systèmes s'effondrent, et ils se retrouvent à reconstruire avec une fondation fiable." Les difficultés concrètes sont multiples : gestion de l'état d'exécution, récupération après pannes, coordination entre APIs et systèmes d'entreprise, visibilité sur les processus, et maîtrise des coûts d'inférence. Un agent peut enchaîner plusieurs modèles de langage, des systèmes de récupération d'information et des applications externes, en maintenant un état sur plusieurs heures ou jours. L'enjeu est considérable pour les entreprises qui opèrent sous contraintes budgétaires. Redémarrer un processus après une panne peut multiplier les coûts d'inférence, augmenter la latence et dégrader l'expérience client. La distinction entre deux notions souvent confondues devient cruciale : l'état d'exécution, qui indique où en est l'agent dans un processus et à quel point reprendre après une défaillance, et la mémoire contextuelle, qui regroupe les informations transportées d'une interaction à l'autre. Somal cite l'exemple du client Abridge dans le secteur de la santé, où des processus traitent des visites médicales en plusieurs étapes : traitement audio, résumé, appels de modèles et génération de comptes-rendus post-consultation. Ces enchaînements longs et multi-étapes exigent une fiabilité structurelle que les premières architectures n'avaient pas anticipée. Temporal Technologies, dont l'infrastructure d'orchestration est antérieure à la vague actuelle de l'IA agentique, voit dans cette situation un écho direct à une période précédente de l'adoption du cloud en entreprise. Somal compare cette ruée vers l'IA à la stratégie "lift-and-shift" des débuts du cloud : migrer des charges de travail sans repenser les architectures sous-jacentes, pour finalement dépenser davantage sans en tirer la valeur attendue. "Cette précipitation vers l'IA dans un monde où vous n'avez même pas modernisé vos applications me rappelle un peu ce lift-and-shift qui s'est produit dans le cloud", a-t-elle dit. Les problèmes d'ingénierie fondamentaux comme la durabilité d'exécution et la récupération après défaillance n'émergent souvent qu'après le déploiement. L'IA agentique n'invente pas ces problèmes : elle les amplifie, et les entreprises qui n'ont pas modernisé leur socle applicatif risquent de reproduire les mêmes erreurs coûteuses qu'une décennie auparavant.

OutilsOpinion

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