GM a repensé ses flux d'ingénierie autour d'agents d'IA, triplant ses pull requests fusionnées

Les agents IA sur Robinhood se lancent dans le trading autonome

Début juillet, Robinhood comptait plus de 70 000 comptes ouverts par ses clients pour des agents d'intelligence artificielle, sur une base totale de 27,7 millions d'utilisateurs. Ce chiffre reste modeste rapporté à l'ensemble de la clientèle, mais il traduit une adoption rapide depuis fin mai, date à laquelle le courtier en ligne a ouvert son application aux agents IA via le Model Context Protocol (MCP), un standard permettant à des agents autorisés d'accéder à des données et services externes. Cette ouverture a suivi la montée en puissance de modèles comme Claude Opus d'Anthropic, présenté par l'entreprise comme performant notamment pour l'analyse financière. Une fois configurés sur un compte de courtage dédié, ces agents peuvent analyser les avoirs d'un utilisateur sur l'ensemble de ses comptes Robinhood et exécuter une stratégie de trading avec un montant de fonds défini, sans validation humaine transaction par transaction. Robinhood a d'abord limité la fonctionnalité aux actions avant d'ajouter le trading d'options, et prévoit d'ouvrir prochainement les comptes agentiques aux cryptomonnaies, avec d'autres produits comme les contrats événementiels potentiellement à suivre. Selon Abhishek Fatehpuria, vice-président produit pour le courtage chez Robinhood Markets, la plupart des clients utilisent pour l'instant ces comptes comme un terrain d'expérimentation plutôt que comme un remplacement de leur compte principal, souvent pour de la recherche plutôt que pour passer des ordres. Certains comparent les performances de leur agent aux leurs, ou font s'affronter plusieurs agents IA entre eux. L'enjeu financier est réel pour Robinhood, dont le trading a représenté la majorité du chiffre d'affaires au premier trimestre. L'entreprise ne facture pas de commissions sur les actions, ETF et options : elle tire ses revenus des paiements reçus des teneurs de marché et des plateformes d'exécution en échange du flux d'ordres de ses clients, des paiements généralement proportionnels aux profits attendus sur ces transactions. Cette mécanique soulève une question centrale pour l'avenir de la fonctionnalité : si les agents IA réagissent aux informations plus vite que les humains, leurs ordres pourraient être plus difficiles à rentabiliser pour les teneurs de marché, ce qui réduirait les paiements perçus par Robinhood, à l'inverse d'ordres dont les stratégies agentiques seraient plus prévisibles et donc plus profitables. Il est toutefois encore tôt pour tirer des conclusions, la fonctionnalité étant trop récente. Robinhood continue d'élargir l'accès des agents à des données comme les indicateurs techniques, les lots fiscaux ou les résultats d'entreprises, dans un contexte où l'entreprise diversifie aussi ses revenus via des abonnements, notamment Gold, qui propose déjà des résumés de marché et de portefeuille générés par IA.

L'ingénierie centrée client au service de l'innovation en IA

Malgré des années d'investissements massifs dans la digitalisation, les grandes entreprises ne capturent en moyenne moins d'un tiers de la valeur attendue, selon une étude McKinsey. Ashish Agrawal, vice-président responsable des technologies de paiement et cartes business chez Capital One, identifie une cause structurelle : la plupart des organisations construisent leurs outils technologiques d'abord, puis cherchent ensuite à les appliquer aux besoins clients. Son équipe a inversé cette logique en adoptant ce qu'il appelle le "customer-back engineering" : partir des attentes, frictions et besoins concrets des utilisateurs, puis remonter vers les solutions techniques. Concrètement, Capital One impose à chaque ingénieur plusieurs points de contact annuels avec les clients : sessions d'empathie digitale pour observer les parcours utilisateurs, immersions au sein du support client, accompagnements terrain aux côtés des équipes commerciales, et hackathons centrés sur de vrais problèmes clients. Cette approche produit un effet multiplicateur sur l'innovation. Quand les ingénieurs sont exposés directement aux difficultés vécues par les utilisateurs, ils développent des solutions que ni les équipes produit ni les équipes commerciales n'auraient imaginées seules, car ils restent naturellement proches des systèmes et des données. L'impact est aussi motivationnel : voir concrètement comment une modification de code améliore la vie d'un client transforme l'engagement des développeurs. Avec l'IA, cet effet est amplifié. Dans le service client de Capital One, des agents conversationnels basés sur l'IA générative peuvent désormais résumer instantanément l'historique d'un échange, fournir au conseiller humain le contexte complet d'une demande et poser automatiquement des questions de suivi ciblées, des tâches qui demandaient auparavant plusieurs minutes de lecture manuelle. Le constat d'Agrawal s'inscrit dans un débat plus large sur la manière dont les grandes entreprises tirent parti de l'IA. Beaucoup ont construit des pipelines de données riches au fil des années sans en exploiter pleinement le potentiel. L'émergence des outils agentiques change la donne : combinés à un écosystème de données de qualité, ils permettent de passer des correctifs incrémentaux à une transformation à haute vélocité. Le véritable frein n'est plus technologique mais organisationnel : rapprocher les ingénieurs des clients demande une discipline managériale forte et une culture délibérément entretenue. Capital One parie que les entreprises qui réussiront à ancrer cette proximité dans leurs pratiques d'ingénierie seront celles capables d'itérer le plus vite, d'identifier les bons problèmes avant leurs concurrents, et donc de transformer l'IA en avantage compétitif durable plutôt qu'en coût technologique supplémentaire.

OpenAI Presence vend des agents IA d'entreprise avec ingénieurs inclus

OpenAI a annoncé le 22 juillet le lancement de Presence, une nouvelle offre d'agents IA pour l'entreprise qui rompt avec le modèle habituel de vente par clé API ou licence. Contrairement aux produits en libre-service, Presence est distribué en disponibilité générale limitée et déployé par les Forward Deployed Engineers d'OpenAI, en collaboration avec un groupe restreint d'intégrateurs de systèmes mondiaux sélectionnés. Chaque déploiement démarre autour d'une tâche précise, comme la résolution d'un litige de facturation, le traitement d'une réclamation d'assurance ou une demande de support informatique interne. L'agent ne reçoit que les connaissances et les accès système strictement nécessaires à cette tâche, et c'est le client qui définit les règles d'action, les moments où une validation humaine est requise et les cas de transfert vers un opérateur. Une fois en service, l'outil Codex analyse les sessions de production et les cas d'escalade pour proposer des ajustements, que l'équipe cliente teste et valide avant tout déploiement. OpenAI détaille un processus en six étapes, du cadrage des objectifs métier jusqu'à l'itération post-lancement, en passant par la revue de sécurité, de confidentialité et juridique, puis des tests de simulation avant un déploiement progressif. Cette approche très encadrée répond à un problème documenté par le cabinet Gartner, qui estime que plus de 40% des projets d'IA agentique seront abandonnés d'ici fin 2027, non pas à cause des limites des modèles mais faute de gouvernance, d'objectifs métier clairs et de discipline opérationnelle. Presence intègre justement des simulateurs qui vérifient si l'agent atteint le bon résultat, respecte les règles fixées, utilise correctement ses outils et sait quand transmettre un dossier à un humain, avant même la mise en contact avec de vrais utilisateurs. Des garde-fous interviennent dès qu'une interaction dépasse un périmètre défini, tandis que les historiques d'action permettent un audit complet et que les mises à jour sont déployées avec possibilité de retour arrière. Pour les entreprises, qui ont découvert ces deux dernières années que la difficulté d'un agent en production tient surtout à l'intégration, aux droits d'accès et à la gestion du changement, cette offre déplace une charge de travail auparavant assumée en interne vers le fournisseur lui-même. L'accès à Presence dépend de trois critères, l'adéquation du cas d'usage, la préparation technique du client et la capacité de déploiement disponible chez OpenAI, ce dernier point relevant davantage du conseil que du logiciel puisque des ingénieurs habilités à opérer dans les systèmes bancaires ou sensibles d'un client ne peuvent pas être multipliés comme des instances de calcul. Le titre de Forward Deployed Engineer, emprunté à Palantir, illustre ce choix d'un modèle économique proche du conseil plutôt que de l'inférence facturée à l'usage. En se positionnant à la fois comme fournisseur du modèle et comme intégrateur, OpenAI soulève une question de responsabilité en cas d'erreur d'application d'une politique en production, qui devra être clarifiée contractuellement plutôt que présumée.

L'IA en entreprise entre dans une zone d'incertitude d'évaluation : les agents gagnent en autonomie plus vite que les entreprises ne peuvent les vérifier

Les entreprises qui déploient des agents IA en production accordent de plus en plus d'autonomie à ces systèmes, au moment même où leur confiance dans les méthodes d'évaluation automatisées s'effondre. Selon l'enquête VB Pulse menée en juin 2026 auprès de 157 répondants qualifiés dans des entreprises de plus de 100 salariés, la moitié d'entre elles ont déjà déployé un agent ou une fonctionnalité basée sur un LLM qui avait pourtant réussi ses évaluations internes, avant de provoquer un incident visible par les clients. Un quart des entreprises concernées ont connu ce type d'échec plus d'une fois. L'échantillon, auto-sélectionné, ne constitue pas un sondage probabiliste et doit être lu comme une tendance plutôt qu'une mesure exacte. Malgré cela, les entreprises ne ralentissent pas l'automatisation : 66% des répondants autorisent déjà certains déploiements en production sans supervision humaine, ou construisent des systèmes destinés à le permettre dans les douze prochains mois. Seuls 5% affirment faire pleinement confiance aux évaluations automatisées censées justifier ces décisions de mise en production. Les raisons de cette défiance sont précises : 29% pointent un mauvais alignement entre les scores obtenus et les résultats réels observés en production, 21% évoquent des biais ou des incohérences, 18% un manque d'explicabilité, et 17% des risques de fuite de données ou de confidentialité. Ce décalage, que les analystes appellent le fossé d'évaluation, illustre un problème structurel : contrairement aux logiciels traditionnels testés sur des entrées et sorties définies, un agent choisit sa propre séquence d'actions, appelle des outils, modifie des états et peut réagir différemment d'une exécution à l'autre. Il peut ainsi récupérer le bon compte client mais modifier le mauvais champ, rédiger une demande de remboursement valide mais l'envoyer sans validation, ou réussir cinq appels d'outils avant qu'un sixième ne divulgue des données sensibles. Pour les entreprises, l'enjeu dépasse la vitesse des tests : c'est la fiabilité même des scores qui est en cause. Ce constat rejoint les recommandations du NIST, qui appelle à des tests en conditions réelles et à une surveillance post-déploiement, car le comportement d'un modèle varie selon les invites, les utilisateurs et le contexte. Cette problématique doit être au cœur des discussions lors de la conférence VB Transform 2026, où sera défendue l'idée que les entreprises déploient d'abord leurs agents, avant que les couches de contrôle telles que la gestion des identités, l'évaluation, le suivi des coûts et l'orchestration ne suivent. L'année à venir s'annonce donc comme un cycle de rattrapage, avec des budgets réorientés vers les outils de gouvernance. Les orientations d'Anthropic sur l'évaluation des agents insistent sur une distinction essentielle entre réussir une fois et réussir systématiquement, ce qui pousse les équipes à traiter la répétabilité comme une métrique de premier plan, en testant les mêmes scénarios plusieurs fois, en faisant varier les formulations et en intégrant chaque incident de production comme un nouveau test de non-régression.

💬 Bon, là on touche au vrai problème de 2026. Une IA qui réussit ses évals internes puis fait n'importe quoi en prod, c'est plus l'exception, c'est la norme, et le pire c'est que 66% des boîtes accélèrent quand même vers le sans-supervision. Si je dois retenir une phrase : on est en train de généraliser l'autonomie des agents plus vite qu'on sait la mesurer, et ça va finir par coûter cher à quelqu'un.