Intuit a abandonné deux fois en quatre mois sa propre architecture d'agents IA : lors de VB Transform 2026, sa VP IA a présenté cela comme la voie rapide

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.

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

Lors de VB Transform 2026, mardi, Bryan Silverthorn, directeur de l'autonomie AGI chez Amazon, arrivé dans l'entreprise via son rachat d'Adept AI et qui dirige aujourd'hui l'entraînement des agents multimodaux au sein du laboratoire AGI du groupe, a expliqué pourquoi les agents IA peinent à passer du pilote à la production. Selon des données de Cisco, 85 % des entreprises testent des agents IA mais seulement 5 % les ont réellement déployés en production. Silverthorn propose de décomposer la fiabilité en quatre dimensions distinctes, à savoir la cohérence, la robustesse, la prévisibilité et la sécurité, un cadre qu'il attribue à des recherches menées à Princeton. Il illustre le problème avec l'exemple d'un client ayant déployé un agent chargé d'extraire des numéros de série depuis des écrans dans le cadre de tests logiciels : l'agent a fonctionné parfaitement pendant deux mois avant de commencer à lire des chiffres erronés par intermittence, un défaut causé par un encodeur visuel réagissant différemment selon la position du numéro à l'écran, déclenché par une modification logicielle imperceptible pour un humain. Une étude interne de VentureBeat, présentée avant la session, confirme ce constat : la moitié des entreprises interrogées ont déployé des agents ayant réussi leurs évaluations internes mais ayant échoué face aux vrais clients, la plupart des sociétés surveillant la disponibilité de leurs agents sans jamais vérifier leur exactitude. Ce décalage entre évaluation et réalité a des conséquences concrètes pour l'ensemble de l'industrie de l'IA d'entreprise. Il révèle que la plupart des sociétés se contentent des évaluations fournies par les éditeurs de modèles, sans dispositif de contrôle supplémentaire, ce qui revient, selon Silverthorn, à un pari entre faire confiance au fournisseur ou ne faire confiance à rien. Pour les entreprises bloquées dans cette phase de pilotes sans déploiement réel, le message est clair : améliorer les modèles ne suffit pas, il faut aligner la rigueur des mesures sur les enjeux réels de chaque application. Chez Amazon, cette philosophie s'incarne dans une culture interne où les chercheurs surnomment leurs agents des "stagiaires", capables de prouesses impressionnantes comme de dérapages spectaculaires, nécessitant des compétences de management plutôt que de simple ingénierie logicielle : anticiper les erreurs possibles, prévoir des systèmes de secours et des options d'annulation, et accepter consciemment un certain niveau de risque. Le laboratoire d'Amazon assume ce compromis, tolérant qu'un agent lance parfois la mauvaise expérience en échange d'une vitesse de recherche accrue, un agent menant même des expériences en continu selon son propre plan de recherche. Silverthorn reste prudent sur l'auto-amélioration des IA, qu'il juge encore lointaine, tandis qu'un client du transport routier utilise déjà l'automatisation de navigateur pour unifier des réclamations de garantie éparpillées entre plusieurs systèmes, les futurs agents devant combiner cet usage avec des API et d'autres outils plutôt que s'y limiter.

Accenture transforme le conseil en IA avec des agents prêts à déployer

Accenture et Google Cloud ont annoncé le 7 juillet 2026 le lancement d'Accenture Edge, une offre d'agents d'intelligence artificielle préconfigurés destinée aux entreprises de taille intermédiaire réalisant entre 300 millions et 3 milliards de dollars de chiffre d'affaires annuel. L'objectif affiché est de réduire le délai entre le pilote et la mise en production à quelques semaines, contre plusieurs mois habituellement pour ce type de déploiement. Ces agents couvrent déjà six domaines : l'intelligence client, l'expérience client, la cybersécurité, les opérations, la productivité des salariés, ainsi que des solutions sectorielles pour la banque, les télécommunications, le retail, les biens de consommation et la supply chain. Sur le plan technique, Google Cloud fournit la base logicielle, combinant Gemini Enterprise, la Gemini Enterprise Agent Platform lancée en avril 2026 et l'Agentic Data Cloud. Le volet cybersécurité s'appuie sur Google AI Threat Defense, qui intègre Gemini, Mandiant et Wiz. Accenture y ajoute sa propriété intellectuelle, son expertise sectorielle et des ingénieurs déployés directement chez les clients. Cette annonce marque un tournant potentiel pour l'industrie du conseil en technologie. Jusqu'ici, un projet d'intégration IA nécessitait une longue phase d'analyse sur mesure : étude des processus métiers, choix d'architecture, développement d'intégrations spécifiques, puis accompagnement au déploiement, chaque client représentant un chantier largement unique. Avec des agents préconfigurés, une partie de cette architecture, des workflows et des mécanismes de gouvernance devient réutilisable d'un client à l'autre, même si la personnalisation reste nécessaire. Pour les entreprises de taille intermédiaire, souvent moins équipées en ressources internes que les grands groupes, cela signifie un accès plus rapide et potentiellement moins coûteux à l'IA agentique appliquée à des fonctions concrètes comme la relation client ou la sécurité informatique. Pour Accenture, l'enjeu est aussi financier : le groupe a triplé ses revenus liés à l'IA générative sur son exercice 2025, et cette offre vise à accélérer encore cette dynamique en captant un segment de marché jusque-là moins servi par le conseil haut de gamme. Ce mouvement dépasse le seul cas d'Accenture. Selon une analyse de Business Insider sur la transformation du conseil par l'IA, les grands cabinets développent de plus en plus leurs propres outils logiciels et se rapprochent des entreprises technologiques, transformant progressivement leur expertise accumulée en produits réutilisables plutôt qu'en prestations sur mesure facturées à l'heure. Cette « productisation » du conseil redéfinit un modèle économique historiquement fondé sur l'intervention humaine personnalisée. Le partenariat entre Accenture et Google Cloud illustre aussi la concurrence croissante entre fournisseurs de cloud pour s'imposer comme la couche technologique de référence de l'IA agentique en entreprise, face à des rivaux comme Microsoft et AWS qui développent des stratégies similaires avec les grands cabinets de conseil.

💬 Ce qui compte ici, c'est pas les six domaines couverts, c'est que le conseil bascule du sur-mesure facturé à l'heure vers du prêt-à-déployer. Accenture transforme des années d'expertise accumulée en produit qu'on installe en quelques semaines plutôt qu'en mission de six mois, et pour les boîtes de taille intermédiaire ça ouvre un accès qui leur était fermé jusque-là. Reste à voir si la personnalisation promise tient la route dès que le client a des besoins un peu tordus.

L'écart d'évaluation des agents : les organisations d'IA en entreprise ont un problème d'alignement avec la réalité, pas de couverture, et déploient quand même en production

Cent cinquante-sept entreprises ont participé à cette enquête menée par VentureBeat en juin 2026 dans le cadre de sa série Pulse Research, consacrée à la manière dont les organisations évaluent la fiabilité de leurs agents IA. Le constat central est frappant: la moitié des entreprises interrogées ont déployé, au cours de l'année écoulée, un agent ou une fonctionnalité basée sur un LLM qui avait pourtant réussi ses tests internes avant de provoquer un incident visible par les clients, et un quart d'entre elles ont connu ce type de défaillance plus d'une fois. Seules 5% des organisations disent faire pleinement confiance à leurs méthodes d'évaluation automatisée, la faiblesse la plus souvent citée (29%) étant le décalage entre les résultats des tests et les performances réelles en production. Malgré cela, 66% des entreprises autorisent déjà un déploiement entièrement automatisé, sans supervision humaine, pour les agents jugés à faible risque (34%), ou construisent activement leurs systèmes pour y parvenir dans les douze prochains mois (33%). L'échantillon, composé à 38% de décideurs finaux et 34% de personnes influentes dans les achats technologiques, provient majoritairement d'entreprises de taille moyenne, entre 100 et 2500 salariés, avec le secteur technologique en tête (23%), suivi du commerce de détail (15%) et de la santé (12%). Ce décalage entre l'autonomie accordée aux agents et la confiance réelle dans les outils censés la contrôler pose un problème concret pour les entreprises qui accélèrent l'adoption de l'IA agentique. Si un agent passe ses tests puis échoue devant un client, c'est la réputation de l'entreprise, sa relation commerciale et potentiellement sa conformité réglementaire qui sont en jeu. Le fait que les organisations avancent malgré tout vers plus d'automatisation, avec moins de supervision humaine, signifie qu'elles acceptent un risque opérationnel croissant sans disposer des garde-fous adéquats. Pour les équipes techniques, cela traduit une pression du marché à déployer vite, quitte à improviser la gouvernance des risques après coup plutôt qu'avant. Ce phénomène s'explique en partie par l'immaturité des outils d'évaluation disponibles: l'étude montre que les outils natifs fournis par les fournisseurs de modèles arrivent à égalité avec l'absence totale d'outillage dédié comme solution la plus répandue (17% chacun), et seulement un quart des entreprises effectuent des contrôles qualité en temps réel sur leur trafic de production réel. L'écosystème des plateformes de fiabilité et d'évaluation des agents reste donc fragmenté, ce qui alimente un cercle vicieux: plus les entreprises automatisent leurs déploiements, plus elles auraient besoin d'évaluations robustes, alors que ces dernières peinent justement à suivre le rythme de l'adoption. Les auteurs de l'étude soulignent que l'échantillon, bien que suffisamment large pour dégager des tendances, reste auto-sélectionné et penché vers le marché intermédiaire, ce qui invite à lire ces résultats comme un signal directionnel plutôt qu'une mesure précise de l'ensemble du marché.