L'IA générative rapide et fiable, pas sa capacité, freine son adoption en entreprise, selon le directeur AGI d'Amazon (VB Transform 2026)

Le patron de l'IA générale chez Amazon estime que la fiabilité des agents IA, plus que leurs capacités, freine leur adoption en entreprise (VB Transform 2026)

Voici l'article traduit et résumé : Lors de la conférence VB Transform 2026, mardi, Bryan Silverthorn, directeur de l'autonomie AGI chez Amazon, a expliqué pourquoi l'industrie de l'IA en entreprise reste bloquée entre le pilote et la production. Selon des données de Cisco, 85% des entreprises testent des agents IA, mais seulement 5% les ont réellement déployés en production. Silverthorn, arrivé chez Amazon via le rachat d'Adept AI et qui dirige aujourd'hui l'entraînement d'agents multimodaux au sein du laboratoire AGI du groupe, a présenté un cadre en quatre dimensions pour mesurer la fiabilité des agents : la cohérence, la robustesse, la prédictibilité et la sécurité, un modèle qu'il attribue à des recherches menées à Princeton. Il a illustré son propos avec l'exemple d'un client ayant déployé un agent de contrôle qualité logicielle chargé d'extraire des numéros de série affichés à l'écran. L'outil a fonctionné sans faille pendant deux mois avant de commencer à lire des chiffres erronés par intermittence. La cause : l'encodeur visuel sous-jacent réagissait différemment selon l'emplacement du numéro de série à l'écran, et une modification logicielle imperceptible pour un humain avait déclenché la panne. Ce cas illustre un problème plus large que confirme une étude propriétaire de VentureBeat présentée en amont de la session : la moitié des entreprises interrogées ont déployé des agents qui réussissaient leurs évaluations internes mais échouaient face aux vrais clients. Beaucoup d'entreprises surveillent la disponibilité de leurs agents sans jamais vérifier la justesse de leurs réponses, une approche que Silverthorn compare à prendre le pouls sans poser de diagnostic. Il souligne aussi que la plupart des entreprises se contentent des évaluations fournies par les éditeurs de modèles, sans développer leurs propres tests, ce qui revient à un pari entre confiance aveugle envers le fournisseur et absence totale de vérification. Pour lui, la priorité n'est donc pas d'attendre de meilleurs modèles mais d'adapter la rigueur de mesure aux enjeux réels de chaque application. Sur le plan organisationnel, le laboratoire AGI d'Amazon a adopté une approche pour le moins inhabituelle : ses chercheurs y surnomment leurs agents des "stagiaires", capables de prouesses remarquables comme de dérapages spectaculaires, et qu'il faut donc encadrer avec des réflexes de management plutôt que d'ingénierie pure, en anticipant les erreurs possibles et en prévoyant des filets de sécurité. Amazon accepte ainsi qu'un agent lance parfois la mauvaise expérience en échange d'une vitesse de recherche accrue, certains fonctionnant même en continu sur leurs propres plans de recherche. Silverthorn reste prudent sur l'auto-amélioration des IA, qu'il juge encore lointaine, tout en citant l'exemple d'un client du transport routier utilisant déjà l'automatisation de navigateur pour traiter des réclamations de garantie dispersées sur plusieurs systèmes, une brique appelée à coexister avec des protocoles comme MCP et des API plutôt qu'à les remplacer.

💬 Selon Le Fil IA, le vrai goulot d'étranglement de l'IA en entreprise n'est plus la capacité des modèles mais l'absence de mesure fiable de leur fiabilité. L'histoire du numéro de série mal lu au bout de deux mois, à cause d'un pixel de décalage, elle résume tout : ça marche jusqu'au jour où ça ne marche plus, et personne n'a l'alerte. 85% des boîtes testent, 5% déploient vraiment, l'écart tient moins à la techno qu'à ce vide entre "l'agent tourne" et "l'agent répond juste".

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

Je vais rédiger l'article en français selon les consignes (3 paragraphes, sans titres, sans tirets cadratins). Lors de VB Transform 2026, la conférence phare consacrée aux agents d'intelligence artificielle générative dans l'entreprise, qui s'est tenue cette semaine à l'Hôtel Nia de Menlo Park devant des centaines de dirigeants et experts techniques, Rachad Alao, vice-président de l'ingénierie produit chez la startup canadienne Cohere, a détaillé sa vision de la souveraineté de l'IA en entreprise lors d'un entretien avec Matt Marshall, PDG et rédacteur en chef de VentureBeat. Alao, qui a auparavant dirigé les équipes d'IA responsable et de sécurité chez Google et Meta, a expliqué que la souveraineté ne se limite pas à télécharger un modèle ouvert ou à faire tourner une application derrière un pare-feu d'entreprise. Pour des organisations gérant des systèmes critiques comme les banques, les hôpitaux ou les administrations, il faut selon lui un contrôle total sur la localisation des données, sur les juridictions concernées, mais aussi sur l'ensemble de la chaîne technique : GPU, cloud privé, systèmes de gouvernance, connecteurs et outils de recherche utilisés par les agents. Interrogé sur la baisse rapide des prix de l'inférence, qui pourrait affaiblir l'argument en faveur de modèles plus petits et optimisés, Alao a répondu que la consommation totale de tokens augmente encore plus vite, à mesure que les entreprises passent de simples chatbots à des agents capables de raisonner, d'appeler des outils et d'enchaîner plusieurs étapes avant de répondre. Il a aussi opposé le modèle économique de Cohere, qui ne facture pas ses clients au token consommé, à celui de fournisseurs dont l'intérêt est de maximiser cette consommation. Sa recommandation est de router chaque tâche vers le modèle adapté selon le niveau d'intelligence requis et la sensibilité des données, une approche qu'applique déjà une banque canadienne non nommée utilisant les modèles on-premises de Cohere pour les tâches réglementées et sa plateforme North pour des besoins plus complexes mais moins sensibles. Cette stratégie s'appuie sur les récents modèles de Cohere, dont North Mini Code, sorti le mois dernier, un modèle open source dédié à la programmation agentique qui fonctionne sur un seul GPU Nvidia H100 et se révèle, selon Alao, plus efficace et moins coûteux que les modèles propriétaires pour 80% des cas d'usage des développeurs, même si les plus grands modèles frontières gardent un léger avantage sur les tâches les plus difficiles. Cohere a également lancé Command A+, un modèle à mélange d'experts de 218 milliards de paramètres dont seulement 25 milliards sont actifs à chaque étape de génération, avec une version compressée en quatre bits qui réduit encore les besoins matériels. Ces annonces s'inscrivent dans une compétition plus large entre fournisseurs d'IA d'entreprise, où la maîtrise de l'ensemble de la pile technologique devient un argument commercial face aux géants du secteur.

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.

IBM et Google Cloud veulent accélérer l’adoption de l’IA dans les entreprises

IBM et Google Cloud ont annoncé le 4 juin 2026 une expansion significative de leur partenariat stratégique, avec le lancement d'une Google Cloud Practice dédiée au sein d'IBM Consulting. Cette nouvelle entité regroupe des milliers de consultants IBM certifiés Google Cloud ainsi que des équipes d'ingénierie spécialisées, avec pour mission d'accompagner les grandes organisations dans le déploiement d'agents IA à l'échelle industrielle. Concrètement, les deux groupes combinent la plateforme Gemini Enterprise Agent de Google Cloud avec l'expertise sectorielle d'IBM Consulting pour couvrir huit domaines prioritaires : banque, assurance, administrations publiques, télécommunications, énergie, commerce de détail, cybersécurité et sciences de la vie. Les consultants IBM pourront désormais concevoir, déployer et gérer directement des agents IA sur l'infrastructure Google Cloud, en s'appuyant sur des composants préconfigurés et des méthodologies éprouvées. L'enjeu est de résoudre l'un des blocages les plus coûteux de l'industrie : la difficulté à transformer les projets pilotes en déploiements opérationnels rentables. De nombreuses entreprises ont expérimenté l'IA sans parvenir à en extraire une valeur concrète à grande échelle, faute d'intégration avec les systèmes critiques existants et de garanties suffisantes en matière de gouvernance et de conformité réglementaire. En proposant un cadre commun avec des agents sectoriels préconstruits, IBM et Google entendent réduire drastiquement le délai entre la conception et la mise en production, tout en permettant aux organisations d'automatiser des processus métiers complexes sans multiplier les développements sur mesure. Pour les secteurs fortement réglementés comme la finance ou la santé, la promesse est d'intégrer l'IA aux flux de travail existants tout en respectant les contraintes légales et sécuritaires. Cette initiative s'inscrit dans une tendance de fond qui voit les grands acteurs du cloud et du conseil former des alliances de plus en plus intégrées pour capter le marché de l'IA d'entreprise, estimé à plusieurs milliards de dollars. IBM, qui a repositionné une large partie de sa stratégie autour du conseil en transformation numérique depuis la cession de son activité infrastructure à Kyndryl en 2021, cherche à capitaliser sur sa présence dans les grandes entreprises pour distribuer les technologies de ses partenaires cloud. Google Cloud, de son côté, intensifie la mise en marché de Gemini via des alliances avec des intégrateurs disposant d'une relation de confiance établie avec les directions générales et les DSI. La prochaine étape attendue sera la mise sur le marché effective de ces agents sectoriels et les premiers retours de déploiements en production, qui conditionneront la crédibilité commerciale de cette alliance face à des concurrents comme Microsoft et Accenture ou AWS et Deloitte.

💬 Le vrai problème des pilotes IA qui restent des pilotes, IBM et Google s'y attaquent enfin avec du concret. Des milliers de consultants certifiés, des agents préconstruits par secteur, un cadre commun qui évite de tout recoder à chaque client, c'est le genre d'approche qui peut débloquer des grands comptes paralysés depuis deux ans sur les mêmes questions de conformité. Reste à voir ce que ça donne en prod, parce que Microsoft et Accenture ne regardent pas ça les bras croisés.