Déployer Claude en entreprise : les 5 étapes indispensables pour réussir un projet d’IA

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.

Claude Fable 5 indisponible plusieurs semaines : deux tiers des entreprises ont déjà un plan de secours

Deux tiers des entreprises avaient déjà couvert leurs paris sur l'IA avant même la panne de Claude Fable 5, selon une nouvelle étude de VentureBeat Pulse Research menée auprès de 145 entreprises en juin 2026. Le 12 juin, un ordre de contrôle des exportations américain a mis hors ligne Claude Fable 5, le modèle le plus performant du marché, pour tous les clients, sans préavis ni calendrier de retour. Anthropic, incapable de vérifier la nationalité des utilisateurs en temps réel, a dû suspendre l'accès pour tout le monde. Le modèle est revenu cette semaine avec des garde-fous renforcés, mais entre-temps la société chinoise Z.ai avait profité du vide en publiant son modèle à poids ouverts GLM-5.2, suivi mercredi d'un environnement de codage agentique appelé Zcode. OpenAI a de son côté dévoilé un aperçu de sa gamme GPT-5.6 le 26 juin. L'étude révèle que 51% des entreprises combinent déjà modèles propriétaires fermés et modèles open-weight déployés sur leur propre infrastructure, et que 16% supplémentaires retirent carrément leurs flux de travail critiques des API fermées. Un tiers seulement misait tout sur les écosystèmes fermés au moment de la coupure. Cette panne a mis en lumière un problème plus profond que la simple dépendance à un fournisseur: le manque criant de supervision. Seulement une entreprise sur dix dispose d'une surveillance automatisée capable de détecter une dérive, un dysfonctionnement ou une panne d'un modèle d'IA en production. Environ un quart des entreprises ne découvriraient un problème qu'après un signalement par les utilisateurs, ou n'ont tout simplement aucune visibilité pour le détecter. Plus préoccupant encore, 79% des organisations ont déjà subi un impact financier ou opérationnel réel lié à des agents autonomes, le plus souvent via du "shadow AI": des employés lançant des agents non autorisés sur leurs propres cartes de crédit professionnelles, en dehors de tout contrôle. Les chercheurs baptisent cet écart entre l'agressivité du déploiement de l'IA et la capacité réelle à la superviser le "Control Gap", un fossé que la panne de juin a transformé en test de résistance grandeur nature. Ce épisode s'inscrit dans un printemps déjà marqué par la découverte du coût réel de la dépendance à l'IA. Uber avait épuisé tout son budget IA 2026 en quatre mois seulement, après que l'adoption de Claude Code a atteint 84% de ses quelque 5 000 ingénieurs, selon Forbes. Microsoft a de son côté annulé la majorité des licences internes Claude Code dans ses divisions Windows et Microsoft 365, réorientant ses équipes vers ses propres outils, rapporte The Verge. Fable 5 avait pourtant été lancé le 9 juin sous les acclamations, malgré un tarif élevé de 10 dollars par million de tokens en entrée et 50 dollars en sortie. La leçon de juin est plus dure: le modèle dont dépendent vos flux de travail peut disparaître du jour au lendemain, sur simple décision gouvernementale, sans que ni vous ni votre fournisseur n'y soyez pour quelque chose, pendant que des acteurs chinois comme DeepSeek continuent de proposer des modèles puissants et perturbateurs.

💬 Cette panne, c'est le crash test qu'on attendait sans le savoir. Selon Le Fil IA, le modèle le plus performant du marché peut disparaître du jour au lendemain sur simple décision d'un gouvernement, sans que toi ni ton fournisseur n'y puissiez quoi que ce soit. Deux tiers des boîtes avaient déjà un plan B, tant mieux, mais 79% qui se prennent des dégâts via du shadow AI que personne ne surveille, ça veut dire qu'on déploie l'IA en entreprise plus vite qu'on ne sait la contrôler.

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.

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

Un même produit de plusieurs pages ou un article isolé ? Je vais rédiger la traduction-résumé directement à partir du texte fourni. Chaque grande rupture technologique s'accompagne d'un même pari : celui d'une interface unique qui deviendrait le point d'accès central aux systèmes d'entreprise. C'est aujourd'hui le discours dominant autour de l'IA en entreprise, où beaucoup imaginent qu'un système conversationnel unique remplacera progressivement les outils existants pour devenir le mode principal d'accès à l'information et d'exécution des tâches. Mais l'histoire des technologies d'entreprise raconte une trajectoire plus complexe. Le passage au cloud, par exemple, ne s'est pas fait de manière uniforme : certaines organisations ont basculé rapidement, d'autres ont maintenu pendant des années des environnements hybrides, chaque service modernisant ses outils à son propre rythme, en fonction de ses contraintes opérationnelles plutôt que d'un quelconque consensus sectoriel. Cette hétérogénéité reste vraie avec l'IA, malgré l'accélération technologique qu'elle a permise. Les équipes financières, soumises à des exigences de fiabilité des rapports, de contrôle et de validation, n'abordent pas l'IA de la même façon qu'une équipe d'analystes explorant des données opérationnelles, ou qu'un service client focalisé sur la rapidité de résolution des dossiers. Pour un responsable financier qui clôture ses comptes, l'intérêt de l'IA ne réside pas dans une nouvelle interface mais dans la réduction du temps de cycle de reporting. Pour un responsable des opérations confronté à des problèmes de stock, la priorité est de détecter les anomalies plus tôt et de les résoudre plus vite. Dans ces cas, la valeur de l'IA tient à la réduction de l'effort nécessaire pour accomplir des tâches déjà existantes plutôt qu'à l'ajout d'un nouveau mode d'interaction. À l'inverse, analystes, planificateurs et équipes opérationnelles réclament de plus en plus une interaction directe et conversationnelle avec les systèmes d'IA, pour explorer des scénarios et poser des questions qui ne rentrent pas dans des rapports préétablis, pour ce public, c'est justement l'interface elle-même qui apporte de la valeur. Ce constat reflète une réalité plus large sur la manière dont les entreprises évoluent : la complexité opérationnelle s'accumule progressivement, les systèmes se multiplient, les processus se fragmentent, et l'information se disperse entre applications, rapports et tableurs, obligeant les employés à passer un temps croissant à simplement localiser une donnée avant de pouvoir agir. Une grande partie de la valeur créée par les logiciels d'entreprise ces dernières décennies est venue de la réduction de cette fragmentation, en réunissant finances, opérations, stocks, données clients, planification et reporting dans des systèmes communs. L'IA s'attaque aujourd'hui à un problème connexe : une fois l'information consolidée dans des systèmes connectés, encore faut-il que chaque catégorie d'utilisateurs, du service client à la direction financière, puisse y accéder selon le mode qui correspond réellement à son métier, qu'il s'agisse d'automatisation silencieuse intégrée aux processus existants ou d'exploration conversationnelle libre. Note : le texte source fourni est tronqué en toute fin de dernier paragraphe ("employees stil..."), donc cette dernière phrase de conclusion peut être légèrement incomplète par rapport à l'article original.