Mastercard voulait détecter les bots pour lutter contre la fraude. Maintenant, ce sont eux qui achètent

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.

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

Siobhán Mc Feeney, vice-présidente senior chez Target, a expliqué lors de la conférence VB Transform 2026 que l'avantage concurrentiel de l'entreprise en matière d'intelligence artificielle ne réside pas dans les modèles eux-mêmes, mais dans tout ce qui est construit autour. « Les modèles sont excellents et importants, mais ils ne suffisent pas à constituer l'avantage compétitif », a-t-elle déclaré. Chez Target, chaque projet d'agent IA part d'une question simple : quel problème cherche-t-on à résoudre, et ce problème nécessite-t-il réellement un agent, ou seulement un outil ? Selon le type retenu (orchestrateur, super-agent ou agent spécialisé), l'équipe doit ensuite enregistrer et certifier l'agent pour éviter les doublons, définir ce qui déclenche son action (automatisation, ingénieur, minuteur), et déterminer son niveau d'autonomie de départ, généralement minimal, qui s'élargit progressivement avec la confiance acquise. Mc Feeney a cité l'exemple d'une simulation en jumeau numérique portant sur le réapprovisionnement de shorts pour hommes dans trois magasins de Long Beach cet été : un magasin réclamait six à sept fois plus de stock que les deux autres. Les analystes, d'abord sceptiques, ont laissé la recommandation s'appliquer, et le stock s'est écoulé : le système avait détecté que ce magasin se trouvait à moins de trois kilomètres de la plage, contre seize à vingt kilomètres à l'intérieur des terres pour les autres. Cette rigueur méthodologique compte pour l'ensemble du secteur du commerce de détail, confronté à une ruée générale vers les agents IA sans toujours mesurer leur pertinence réelle. En imposant une gouvernance stricte, une traçabilité complète et une évaluation continue, Target cherche à garantir que chaque agent serve concrètement les clients plutôt que de multiplier les projets par simple effet de mode. Cette approche a aussi une dimension économique : les modèles les plus puissants, dits « frontière », excellent sur des tâches complexes nécessitant l'analyse de milliards de données, comme la gestion des chaînes d'approvisionnement en marchandises, mais leur coût peut devenir prohibitif pour des tâches plus simples, d'où la nécessité d'arbitrer systématiquement entre performance et rentabilité. Cette stratégie s'inscrit dans un contexte plus large où les entreprises construisent une véritable architecture d'agents connectant signaux, systèmes et décisions à travers la chaîne d'approvisionnement, le réapprovisionnement et la prévision de la demande. Mc Feeney a insisté sur la nécessité d'une gouvernance des données et d'une architecture de traçabilité dès la conception des agents, afin de pouvoir comprendre a posteriori tout dysfonctionnement, y compris en pleine nuit. Cette fondation technique et organisationnelle, plus que les modèles eux-mêmes, est ce qui permettra selon elle aux entreprises de continuer à faire évoluer leurs systèmes d'IA de façon fiable et maîtrisée.

💬 L'exemple des shorts à Long Beach, tu vas voir, dit tout : trois magasins, un seul facteur qui compte, la distance à la plage, pas la puissance du modèle. Ça confirme ce que je pense depuis un moment, la valeur n'est plus dans le LLM, elle est dans la plomberie qu'on construit autour, gouvernance, traçabilité, arbitrage coût-performance. Selon Le Fil IA, la vraie bataille de l'IA en entreprise se joue désormais sur l'architecture bâtie autour des modèles, pas sur les modèles eux-mêmes.

OpenAI achète TBPN : le géant de l’IA a maintenant son propre média

OpenAI a annoncé le 2 avril 2026 l'acquisition de TBPN (Technology Business Programming Network), une émission de débats diffusée en direct trois heures par jour sur YouTube et X, cofondée par John Coogan et Jordi Hays. Le programme, qui génère selon le Wall Street Journal plus de 30 millions de dollars en 2026, passera désormais sous la direction de Chris Lehane, responsable de la stratégie politique d'OpenAI. Sam Altman, qui se dit fan de l'émission depuis longtemps, a promis que TBPN conserverait sa marque, son ton et son indépendance éditoriale, allant jusqu'à plaisanter sur le fait qu'il s'attend à y rester une cible régulière de critiques. Fidji Simo, autre cadre clé d'OpenAI, a précisé que les talents des fondateurs seraient mobilisés au-delà du plateau pour rendre l'IA plus accessible au grand public. Cette acquisition marque une rupture stratégique pour OpenAI, qui s'aventure pour la première fois dans le secteur des médias. TBPN n'est pas une émission ordinaire : elle s'est imposée dans la Silicon Valley comme une tribune de référence où des dirigeants tels que Mark Zuckerberg, Satya Nadella, Marc Benioff ou Sam Altman viennent débattre de technologie, de business, d'IA et de défense. Son audience, composée de fondateurs, d'investisseurs et de cadres dirigeants, est restreinte en nombre mais disproportionnellement influente dans la diffusion des idées qui structurent l'industrie. En s'en emparant, OpenAI acquiert un levier direct sur les conversations qui façonnent la perception de ses technologies au sommet de l'écosystème tech, un atout que ni les communiqués de presse ni les interviews classiques ne peuvent offrir. Ce rachat s'inscrit dans un contexte où OpenAI cherche à consolider son influence narrative à mesure que la concurrence s'intensifie et que les débats autour de l'IA se complexifient. L'entreprise possédait déjà son propre podcast, mais TBPN représente un changement d'échelle et de format : l'émission fonctionne en direct, avec des réactions à chaud et une forte capacité à produire des extraits viraux circulant bien au-delà de son audience initiale. La question qui plane reste celle de l'indépendance réelle d'un média appartenant à l'un des acteurs majeurs du secteur qu'il couvre, une tension que même Jordi Hays reconnaît, en soulignant que la volonté d'OpenAI de "faire les choses correctement" a pesé dans sa décision d'accepter l'offre. Les prochains mois diront si cette promesse d'autonomie éditoriale résiste à l'épreuve des faits.

Nvidia a misé sur Reflection pour l'IA open source. La startup doit maintenant rattraper son retard

Reflection AI, jeune pousse fondée par Misha Laskin (PDG) et Ioannis Antonoglou (directeur technique), s'est engagée l'an dernier dans un virage stratégique décisif. En août dernier, un cofondateur de la startup s'est rendu en Californie pour rencontrer Jensen Huang, PDG de Nvidia. Ce dernier l'a convaincu d'abandonner le projet initial de l'entreprise, un outil de codage assisté par IA, pour se concentrer sur les modèles d'IA open source, c'est-à-dire téléchargeables et modifiables librement par les développeurs. Nvidia a soutenu ce pivot avec un investissement initial de 800 millions de dollars. Porté par cet appui, Reflection s'est positionnée comme le champion américain face aux entreprises chinoises qui développent également des modèles ouverts. Ce positionnement a permis de lever des milliards de dollars supplémentaires auprès d'investisseurs comme JPMorgan Chase, Sequoia Capital et 1789 Capital, société de capital-risque où Donald Trump Jr. est associé. Cette stratégie a valu à Reflection une place enviable : le Pentagone a inclus la startup dans un groupe restreint de fournisseurs d'IA, aux côtés de sept des plus grandes entreprises technologiques américaines. Pour une jeune société encore sans produit commercialisé, cette reconnaissance institutionnelle et ce niveau de financement témoignent de l'importance stratégique accordée par Washington à la souveraineté technologique en matière d'IA ouverte, face à la montée en puissance des modèles chinois comme ceux de DeepSeek ou Alibaba. Le problème, c'est que près d'un an après cette rencontre déterminante avec Jensen Huang, Reflection n'a toujours pas livré le moindre modèle d'IA au public. Pendant ce temps, la concurrence sur le terrain de l'open source s'est considérablement intensifiée, avec des acteurs qui ont multiplié les sorties de modèles performants. Reflection se retrouve ainsi distancée dans une course qu'elle avait pourtant été choisie pour mener, illustrant le risque que représente, dans un secteur qui évolue à toute vitesse, le décalage entre l'ampleur des financements levés et la capacité réelle à livrer un produit dans les délais.