Target SVP dit que son vrai atout en IA n'est pas les modèles, mais tout ce qui est construit autour

Les organisations IA en entreprise ont un problème d'exécution, pas un problème de modèle, et la plupart construisent la mauvaise solution

Une enquête publiée par VentureBeat en mai 2026, menée auprès de 132 responsables technologiques de grandes entreprises, révèle que le principal problème de l'IA agentique en production n'est pas le modèle d'intelligence artificielle lui-même, mais l'infrastructure d'exécution. Conduite dans le cadre de la série Pulse Research, l'étude interroge des dirigeants de sociétés d'au moins 100 salariés, dont 35 % dans des entreprises de plus de 10 000 employés, couvrant des secteurs comme la technologie (42 %), les services financiers (20 %) ou la santé (7 %). Résultat central : les agents IA déployés sur des infrastructures sans état, scripts Python, chaînes LangChain, orchestrations improvisées, s'effondrent au contact des exigences opérationnelles réelles. Les redémarrages de conteneurs effacent le contexte, les coûts en tokens dépassent les prévisions, et les hallucinations produites à l'étape 3 d'un workflow se transforment en échecs catastrophiques à l'étape 12. Ce constat a des conséquences concrètes pour des milliers d'équipes d'ingénierie : la majorité d'entre elles consacrent davantage de temps à gérer la "plomberie" de ces systèmes qu'à construire l'intelligence qui était censée justifier l'investissement. L'enquête introduit une distinction structurante entre le "cerveau" (la capacité de raisonnement du modèle) et la "colonne vertébrale" (l'infrastructure d'exécution qui gère l'état, la résilience et la coordination). Si les problèmes d'intégration et de gouvernance restent le premier facteur de défaillance cité, les problèmes d'infrastructure arrivent juste derrière. Et 17 % des répondants identifient encore le modèle lui-même comme la cause principale, ce qui n'est pas anecdotique : ces entreprises signalent que les modèles restent insuffisamment fiables pour les cas limites que leurs workflows génèrent. Ce rapport s'inscrit dans une série de recherches commencée au premier trimestre 2026 autour du concept de "Governance Mirage" : 43 % des entreprises interrogées alors déclaraient avoir une équipe centrale responsable de la gouvernance IA, tandis que 23 % ne s'accordaient pas sur cette question, et 31 % pointaient l'opacité des fournisseurs comme obstacle principal. Le parallèle avec la vague RPA (automatisation robotique des processus) il y a dix ans est explicitement évoqué : un cimetière de pilotes brillants incapables de passer le cap du "Jour 2". Selon VentureBeat, les organisations qui survivront à ce qu'il appelle l'"Agentic Reckoning" seront celles qui traiteront la durabilité de l'infrastructure d'exécution comme une priorité d'ingénierie de premier ordre, et non comme un problème à corriger à coups de relances et de prompts.

C’est confirmé : OpenAI met toute sa puissance sur une IA qui va changer le monde

OpenAI a décidé de mettre en pause, voire d'abandonner définitivement, le développement de Sora, son générateur de vidéos par IA, pour réorienter l'intégralité de ses ressources de calcul vers une nouvelle génération de modèles d'intelligence artificielle. L'annonce a été confirmée officiellement dans la documentation interne d'OpenAI début avril 2026. Sam Altman, PDG de l'entreprise, a déclaré publiquement : "Il se passe quelque chose de très important. Je ne m'attendais pas, il y a trois ou six mois, à être là où nous en sommes aujourd'hui." Ce pivot stratégique rappelle directement celui opéré lors du tournant vers GPT-3, quand OpenAI avait déjà sacrifié plusieurs projets prometteurs en robotique pour concentrer ses moyens sur un pari jugé plus structurant. Cette fois, l'enjeu est encore plus ambitieux : il s'agit de développer des agents autonomes capables d'exécuter des tâches complexes, de prendre des décisions et de s'intégrer dans des flux de travail à grande échelle. La décision révèle une réalité fondamentale du secteur : les ressources de calcul sont un goulot d'étranglement absolu. Poursuivre Sora en parallèle aurait mobilisé une part trop importante de cette infrastructure au détriment des projets jugés prioritaires. Pour les entreprises, les conséquences pourraient être considérables : Altman évoque l'émergence d'un écosystème entier de "chercheurs et entreprises spécialisées dans l'automatisation", construits autour de ces nouveaux agents. Ces systèmes ne se contenteraient plus d'assister les utilisateurs, mais automatiseraient des processus entiers, de la recherche à l'exécution opérationnelle. La frustration exprimée par certains développeurs sur les forums communautaires d'OpenAI illustre bien que Sora suscitait des attentes réelles, mais la logique de concentration l'a emporté sur celle de la diversification. Ce virage s'inscrit dans une dynamique plus large de course aux ressources qui structure désormais toute l'industrie de l'IA. Comme le résume Altman lui-même : "Tout repose sur le calcul." Les modèles les plus performants exigent des infrastructures massives, des centres de données spécialisés et des investissements colossaux, ce qui crée une guerre des ressources entre les grands acteurs. OpenAI, face à Microsoft, Google DeepMind et Anthropic, fait le choix de concentrer ses efforts plutôt que de les disperser, quitte à abandonner des projets pourtant aboutis. Les avancées internes des derniers mois ont visiblement été si rapides que même l'équipe dirigeante ne les anticipait pas, suggérant un saut qualitatif potentiellement significatif. Si les prochains modèles tiennent leurs promesses, on pourrait assister à un changement de paradigme dans la manière dont individus et organisations interagissent avec l'IA, non plus comme un outil d'assistance, mais comme un acteur autonome dans la chaîne de décision.

OpenAI révèle pourquoi il a vraiment tué Sora (ce n’est pas ce que vous croyez)

OpenAI a annoncé le 24 mars 2026 la fermeture de Sora, son réseau social entièrement propulsé par l'intelligence artificielle, moins d'un an après son lancement. L'application avait pourtant connu un démarrage fulgurant : près d'un million de téléchargements et une place parmi les plus populaires de l'App Store aux États-Unis. Lancée en parallèle du modèle vidéo Sora 2, la plateforme offrait une expérience sociale complète, génération de vidéos par IA, publication, partage, likes, commentaires et remixage des créations d'autres utilisateurs. Son interface, inspirée de TikTok et Instagram, enchaînait des vidéos réalistes mais jamais totalement convaincantes, provoquant ce malaise bien connu théorisé par Masahiro Mori sous le nom de « vallée de l'étrange ». Malgré des performances comparables à celles de Gemini et son modèle Veo 3, les vidéos trahissaient parfois leur origine artificielle : incohérences visuelles, mouvements erratiques, artefacts sonores. La fermeture s'explique par une équation économique intenable. Selon TechCrunch, faire tourner Sora coûtait environ un million de dollars par jour, pour des revenus mensuels estimés à seulement 367 000 dollars. Contrairement à ChatGPT, massivement adopté dans les entreprises, Sora restait cantonné au divertissement, un segment nettement moins rentable. Mais au-delà des finances, le projet s'est heurté à un problème de désinformation structurel. OpenAI avait intégré un filigrane pour signaler les vidéos générées par IA, mais des utilisateurs ont rapidement trouvé des moyens de le supprimer. Une fois effacé, il devenait quasi impossible de distinguer une vraie vidéo d'une création artificielle. Le potentiel de manipulation, déjà amplifié par la nature virale du réseau social, rendait la plateforme particulièrement exposée aux abus à grande échelle. La trajectoire de Sora illustre les tensions profondes auxquelles se confrontent les grandes entreprises d'IA en tentant de combiner génération de contenu synthétique et dynamiques de réseau social. Le modèle économique des plateformes sociales repose sur le volume et la publicité, deux logiques difficilement compatibles avec le coût astronomique de l'inférence vidéo. OpenAI, qui cherche à rentabiliser ses investissements colossaux avant une introduction en Bourse attendue, ne pouvait se permettre de subventionner indéfiniment un service déficitaire. L'arrêt de Sora ne signifie pas l'abandon du modèle vidéo, l'API restera accessible, mais marque la fin d'une tentative risquée de transformer une capacité technique spectaculaire en produit grand public viable. D'autres acteurs, Google et Meta en tête, observeront attentivement cet échec avant de s'aventurer sur le même terrain.

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.