Cohere : la souveraineté de l'IA en entreprise exige le contrôle de toute la pile agentique, selon sa VP à VB Transform 2026

Marketing d’entreprise : passer à l’AI-native, le vrai levier de transformation en 2026

En 2026, l'intelligence artificielle est présente dans la quasi-totalité des grandes directions marketing, mais les résultats concrets restent souvent décevants. Une analyse publiée par le Forbes Business Development Council pointe un paradoxe central : malgré la multiplication des outils et des initiatives, peu d'entreprises constatent une amélioration durable et significative de leurs performances commerciales. La raison est structurelle : l'IA est utilisée comme accélérateur de tâches existantes, rédaction plus rapide, automatisation partielle, analyse de données facilitée, mais le modèle opérationnel, lui, reste inchangé. Les campagnes continuent d'être planifiées selon des cycles rigides, les budgets définis en amont, les résultats évalués après coup. L'IA s'ajoute en couche technologique sans remettre en cause les logiques historiques, produisant une optimisation marginale plutôt qu'une transformation réelle. Ce qui distingue les entreprises qui tirent véritablement profit de l'IA, c'est leur capacité à reconstruire entièrement leur fonction marketing autour d'un système qui apprend et s'adapte en continu. L'IA modifie l'équation fondamentale du marketing : analyser, produire, tester, optimiser, un cycle autrefois freiné par des délais longs et des budgets contraints, devient possible en temps réel. Les données ne sont plus des instantanés ponctuels mais des signaux continus ; les contenus ne sont plus figés mais générés et ajustés en permanence ; les tests ne sont plus exceptionnels mais intégrés au fonctionnement quotidien. L'IA générative permet notamment de produire à grande échelle des variantes de contenus adaptées à des segments précis, voire à des individus. Le rôle du marketing évolue : il ne s'agit plus de concevoir des campagnes, mais de piloter un système dynamique d'apprentissage où chaque action alimente la suivante, créant un effet cumulatif sur les performances. La transition vers ce modèle "AI-native" suit généralement une progression en quatre phases : assistance (l'IA améliore la productivité, les décisions restent humaines), automatisation (certaines tâches sont déléguées à des systèmes), augmentation (génération de contenu, expérimentation et optimisation fonctionnent déjà en boucle), puis autonomie (le marketing devient un système qui s'auto-optimise en temps réel, avec une intervention humaine centrée sur la supervision stratégique). Ce passage d'un stade à l'autre ne relève pas d'un simple déploiement technologique : il implique de revoir les infrastructures de données, les modèles de gouvernance et les indicateurs de performance. Un projet pilote réussi ne suffit pas à transformer une organisation. L'enjeu pour les directions marketing en 2026 est donc moins d'adopter de nouveaux outils que de repenser leur architecture opérationnelle pour rendre l'apprentissage continu structurel, et non anecdotique.

L'IA agentique en entreprise : les vrais coûts, risques de sécurité et enjeux culturels

Les entreprises qui déploient des agents IA en production se heurtent à trois obstacles concrets, selon Brian Gracely, directeur senior de la stratégie produit chez Red Hat, qui s'exprimait lors du récent événement AI Impact de VentureBeat. Beaucoup de dirigeants d'entreprise, influencés par les annonces spectaculaires du secteur, craignent d'avoir déjà pris un retard critique sur leurs concurrents en matière d'agents autonomes. Or cette inquiétude repose largement sur une idée fausse : les équipes progressent en réalité bien plus vite qu'elles ne l'anticipent une fois qu'elles se lancent dans le développement. Ce progrès rapide entraîne cependant un autre défi de taille. L'usage des agents IA génère des volumes de requêtes largement supérieurs à ceux de l'ère des chatbots, ce qui fait exploser les coûts et transforme leur gestion, autrefois une simple question technique, en sujet récurrent des conseils d'administration. Les entreprises prennent aussi conscience de leur dépendance à une poignée de fournisseurs de modèles. Selon Gracely, deux ou trois grands acteurs du marché reconnaissent déjà perdre de l'argent et cherchent à entrer en Bourse pour combler ce déficit, ce qui pousse les entreprises à explorer des alternatives leur donnant plus de contrôle sur leurs coûts et leur infrastructure. Le principal poste de surcoût identifié par Gracely tient à une habitude répandue : utiliser systématiquement le modèle le plus puissant disponible, quelle que soit la complexité réelle de la tâche. Pour résoudre une réclamation d'assurance, illustre-t-il, inutile de mobiliser un modèle capable de retracer l'histoire de la civilisation occidentale ou de connaître les résultats de la Coupe du monde de football. Le levier le plus rapide pour réduire les dépenses consiste donc à ajuster la taille du modèle à la tâche, via le routage sémantique : les requêtes sont automatiquement classées puis dirigées vers le modèle adapté, sans que l'utilisateur ait à choisir. Des techniques d'infrastructure comme la mise en cache des requêtes répétitives limitent en parallèle le recours effectif aux GPU. Ensemble, ces outils démontrent qu'efficacité et innovation ne sont pas mutuellement exclusives. Cette discipline financière autour de la consommation de tokens rappelle les pratiques FinOps qu'il a fallu des années pour affiner autour des dépenses de cloud computing, et les mêmes cadres méthodologiques devraient s'y transférer, même si le vocabulaire change. Gracely insiste sur la nécessité d'une pédagogie interne pour que les équipes financières comprennent ce qu'est un token, comme elles ont dû apprendre par le passé ce qu'était une instance EC2 ou un bucket S3, afin que les équipes cessent de recourir par défaut au modèle le plus prestigieux pour des tâches qui n'en ont pas besoin. Par ailleurs, la vitesse à laquelle les outils d'IA détectent aujourd'hui les vulnérabilités logicielles oblige les entreprises à repenser leurs cycles de gestion des correctifs, les procédures traditionnelles de patch management se révélant souvent trop lentes face à des menaces identifiées presque instantanément.

💬 Le vrai coût de l'IA agentique, c'est pas le modèle, c'est le réflexe de balancer le plus gros modèle sur tout, même une réclamation d'assurance. Le routage sémantique et le cache, c'est le FinOps du cloud qui recommence, sauf qu'il faut cette fois expliquer aux équipes finance ce qu'est un token. Selon Le Fil IA, les entreprises qui gagnent sur les agents IA ne sont pas celles qui ont le plus gros modèle, mais celles qui savent quand ne pas s'en servir.

Les entreprises élargissent leur adoption de l'IA tout en maintenant le contrôle

La majorité des entreprises déploient aujourd'hui l'intelligence artificielle de manière progressive et encadrée, loin des systèmes autonomes qui font régulièrement la une. Selon une étude de McKinsey & Company, la plupart des organisations utilisent désormais l'IA dans au moins un domaine de leur activité, mais rares sont celles qui l'ont déployée à l'échelle de l'ensemble de l'entreprise. Un exemple concret illustre cette tendance : S&P Global Market Intelligence a intégré des outils d'IA dans sa plateforme Capital IQ Pro, utilisée par des analystes financiers pour examiner des dépôts réglementaires, des transcriptions d'appels de résultats et des données de marché. Le système permet d'interroger de vastes ensembles de données via une interface conversationnelle, mais les résultats restent systématiquement ancrés dans des sources financières vérifiées, avec la possibilité de remonter aux documents d'origine pour limiter les erreurs. Ce choix d'une IA d'assistance plutôt qu'autonome n'est pas anodin dans des secteurs où une erreur peut entraîner des pertes financières importantes ou engager des responsabilités légales. En finance, les outils comme Capital IQ Pro sont conçus pour éclairer le jugement des analystes, pas pour le remplacer. La décision finale reste humaine. McKinsey souligne par ailleurs un écart croissant entre le déploiement de l'IA et la génération de valeur mesurable : de nombreuses organisations peinent à traduire leurs investissements en résultats concrets. Ce fossé pousse les directions à exiger des systèmes capables d'expliquer leurs sorties, de citer leurs sources et d'opérer dans des périmètres définis, trois conditions essentielles pour établir la confiance dans des environnements réglementés. Derrière cette prudence se dessine un enjeu de gouvernance qui mobilise de plus en plus d'acteurs. S&P Global Market Intelligence note que les organisations bâtissent activement des cadres pour gérer les risques liés à l'IA, notamment la qualité des données et les biais des modèles. Les systèmes agents, capables de planifier et d'agir sans intervention humaine directe, suscitent un intérêt grandissant, mais la majorité des entreprises en est encore aux premières étapes d'expérimentation. Les progrès continus sur les grands modèles de langage laissent entrevoir des usages plus autonomes à terme, en analyse financière, support client ou gestion de chaîne logistique. Ces questions seront au coeur de l'AI & Big Data Expo North America 2026, qui se tiendra les 18 et 19 mai prochains, avec S&P Global Market Intelligence parmi les sponsors, et des sessions dédiées à la gouvernance de l'IA et à son usage dans les industries régulées.

Cursor AI : une levée de 2 milliards de dollars pour transformer le codage en entreprise

Cursor AI, la start-up américaine spécialisée dans les agents de programmation assistée par intelligence artificielle, est en discussions avancées pour boucler un tour de table de 2 milliards de dollars qui porterait sa valorisation au-delà des 50 milliards. L'opération serait co-dirigée par Andreessen Horowitz, avec la participation de Nvidia, Thrive Capital, et d'autres investisseurs déjà présents au capital comme Accel, Coatue, DST Global et Google. Ce nouveau round intervient quelques mois seulement après une levée de 2,3 milliards de dollars annoncée en novembre 2025, qui valorisait alors l'entreprise à 29,3 milliards, elle-même précédée d'un tour de 900 millions de dollars en juin de la même année. En moins d'un an, Cursor AI aurait donc capté plus de 5 milliards de dollars de financement cumulé, un rythme rarissime même dans le secteur de l'IA. La start-up revendique par ailleurs plus d'un milliard de dollars de revenus annualisés et se présente comme le système qui génère aujourd'hui le plus de code au monde parmi les agents IA. Ce niveau de valorisation traduit une conviction forte des investisseurs : les outils de développement augmentés par l'IA sont en train de devenir une infrastructure critique pour les entreprises. Les agents de Cursor ne se contentent plus de suggérer des lignes de code, ils génèrent des fonctionnalités complètes, corrigent des erreurs, interagissent avec des bases de code complexes, et depuis février 2026, testent eux-mêmes leurs modifications tout en documentant leurs actions via vidéos, journaux détaillés et captures d'écran. Ces capacités de traçabilité répondent directement aux exigences des grandes organisations en matière de gouvernance et de conformité. Pour les équipes d'ingénierie, l'enjeu est concret : accélérer les cycles de livraison, réduire les coûts de développement, et réorienter les développeurs humains vers des tâches à plus forte valeur ajoutée. Cursor AI n'évolue plus dans un espace vide. Depuis que la start-up a défriché ce marché, Google, OpenAI et Anthropic ont lancé leurs propres solutions d'assistance au code, validant par là même la pertinence du créneau. Cette concurrence frontale avec des acteurs disposant de ressources quasi illimitées explique en partie la cadence effrénée des levées de fonds : il s'agit de consolider une avance technologique et commerciale avant que le marché ne se fragmente. La présence simultanée de fonds de capital-risque de premier rang et de géants industriels comme Nvidia ou Google au capital de Cursor signale que l'écosystème du développement logiciel entre dans une phase de restructuration profonde, où les plateformes d'IA ne sont plus de simples outils mais des partenaires de production à part entière.