Pourquoi les entreprises découvrent que leurs données sont inutilisables pour l’IA

Prime Intellect : pourquoi les entreprises créent leurs propres agents IA plutôt que d’utiliser ChatGPT ?

Prime Intellect, une startup américaine fondée en 2024, vient de lever 130 millions de dollars lors d'un tour de série A mené par Radical Ventures, portant sa valorisation à un milliard de dollars. Parmi les investisseurs figurent également Nvidia, Intel Capital, Dell, ainsi qu'une liste de business angels issus de Perplexity, Box, Harvey, Cognition ou encore Zapier. Contrairement à OpenAI ou Anthropic, l'entreprise ne cherche pas à développer un nouveau grand modèle de langage généraliste. Son ambition, selon son cofondateur Vincent Weisser, est de fournir aux entreprises l'infrastructure technique complète pour entraîner et adapter leurs propres agents d'intelligence artificielle, sans dépendre exclusivement des grands laboratoires qui concentrent aujourd'hui les capacités de développement des modèles les plus avancés. Cette levée de fonds illustre un basculement dans la manière dont les entreprises abordent l'IA générative. Après avoir massivement adopté des outils prêts à l'emploi comme ChatGPT pour automatiser certaines tâches, de nombreuses organisations se heurtent désormais aux limites de ces solutions en contexte professionnel. Les données sensibles, les procédures internes et les informations stratégiques sont de plus en plus difficiles à confier à des modèles propriétaires hébergés par des fournisseurs tiers. S'ajoute à cela la crainte d'une dépendance excessive à des plateformes dont les tarifs, les modèles ou les conditions d'accès aux API peuvent évoluer sans préavis, une inquiétude renforcée par plusieurs changements de stratégie récents et l'abandon de projets expérimentaux chez certains grands acteurs du secteur. Pour les directions informatiques, la promesse de Prime Intellect consiste précisément à reprendre la main sur les données et sur l'infrastructure, plutôt que de rester locataires d'un service externe. Cette approche répond à un besoin de différenciation concurrentielle. Un agent IA générique répond à des questions générales à partir de ses connaissances et des données fournies ponctuellement par l'utilisateur, tandis qu'un agent construit sur une infrastructure comme celle de Prime Intellect peut être connecté directement aux bases documentaires, aux feuilles de calcul et aux applications métiers d'une entreprise, avec un entraînement et un apprentissage par renforcement adaptés à son activité précise. La personnalisation devient alors un avantage difficile à répliquer, puisqu'elle repose sur des données propriétaires inaccessibles aux modèles généralistes. Cette tendance, déjà observée chez des startups spécialisées comme Harvey dans le juridique, s'inscrit dans un mouvement plus large de désintermédiation vis-à-vis des grands laboratoires d'IA, où les entreprises cherchent à sécuriser leur autonomie technologique tout en tirant parti des avancées des modèles ouverts et modulaires.

💬 Prime Intellect illustre un truc que je vois venir depuis un moment : les boîtes en ont marre de louer leur intelligence à OpenAI ou Anthropic, elles veulent la posséder. Un milliard de valorisation pour vendre de l'infra plutôt qu'un modèle, ça montre que le vrai avantage compétitif en 2026 c'est plus le LLM générique, c'est ce que tu branches dessus (tes docs, ton CRM, ton métier). Reste à voir si les boîtes qui se lancent là-dedans ont vraiment les équipes pour gérer ça, parce que l'infra IA maison, c'est un métier à part entière.

Enquête Box : pourquoi les leaders de l'IA en entreprise surpassent leurs pairs

Une nouvelle étude de Box, menée auprès de 1 640 décideurs informatiques aux Etats-Unis, au Royaume-Uni, en France et au Japon, révèle une accélération spectaculaire de la maturité des entreprises en matière d'intelligence artificielle. La part des organisations se qualifiant d'avancées ou de pionnières est passée de 8% à 64% en seulement un an, tandis que celle des entreprises encore au stade précoce ou n'ayant pas démarré s'est effondrée de 53% à 9%. Selon ce rapport intitulé "State of AI in the enterprise", 80% des organisations constatent un retour sur investissement notable, défini comme une amélioration d'au moins 10%, et plus de la moitié observent un impact business mesurable dans les six mois suivant l'approbation d'un projet. Pour Olivia Nottebohm, directrice des opérations de Box, ce basculement s'explique moins par une avancée technique isolée que par la manière dont les entreprises organisent désormais leurs usages de l'IA, passant d'expérimentations individuelles à des opérations agentiques systématisées et déployées en production de façon reproductible. L'écart de performance entre les entreprises les plus avancées et les autres tient avant tout à la rigueur d'exécution. La moitié des entreprises pionnières affichent un ROI supérieur à 25%, contre seulement 11% des entreprises en phase précoce, les catégories intermédiaires (avancées à 33%, en développement à 16%) se situant entre les deux. Ce qui distingue les leaders, précise Nottebohm, ce sont les équipes dédiées au déploiement des agents, une gouvernance formelle pour les encadrer, et la cohérence de la couche de contenu sur laquelle ces agents s'appuient, plutôt qu'une approche expérimentale et informelle. L'accès au contenu s'impose d'ailleurs comme le principal frein à la rentabilité de l'IA en entreprise en 2026: 96% des organisations jugent indispensable que leurs agents accèdent à des contenus spécifiques à l'entreprise, mais seules 36% ont effectivement connecté leurs agents à des contenus fiables pour de nombreux usages. Un quart des organisations pointent la fragmentation des données entre systèmes, 24% des difficultés d'intégration, 21% un manque de contrôles d'accès adéquats et 18% des contenus trop désorganisés pour être exploitables. Ce déficit de confiance dans les contenus a aussi des conséquences en matière de sécurité: près de la moitié des organisations déclarent avoir déjà subi un incident d'exposition de données lié à l'IA, une proportion qui grimpe à 60% chez les entreprises pionnières, sans doute davantage exposées du fait de leurs nombreux agents et systèmes connectés, mais aussi mieux équipées pour détecter ces incidents. La part des organisations dotées de cadres de gouvernance établis ou avancés est passée de 24% en 2025 à 73% cette année, même si des lacunes subsistent dans l'instrumentation: seules 39% disposent d'une visibilité complète sur les usages sanctionnés et non sanctionnés de l'IA, et 34% ont établi des standards formels. Parmi les organisations les plus matures, 63% considèrent désormais leurs documents non structurés, contrats et rapports comme un avantage concurrentiel plutôt qu'un poids mort archivé numériquement, illustrant un changement de regard sur la donnée d'entreprise à l'ère des agents.

Pourquoi les entreprises chinoises de l’IA accélèrent leur expansion mondiale ?

En l'espace de quelques jours fin avril 2026, trois startups chinoises d'intelligence artificielle ont concentré à elles seules plus de 11 milliards de dollars de financements potentiels ou confirmés. DeepSeek, fondée en 2023 avec le soutien du fonds quantitatif HighFlyer, s'apprête à réaliser sa toute première levée de fonds externe : le tour de table, initialement envisagé à 300 millions de dollars pour une valorisation de 10 milliards, pourrait atteindre 7 milliards de dollars et valoriser l'entreprise à près de 50 milliards. Moonshot AI, créateur des modèles Kimi, a de son côté levé 2 milliards de dollars sous la conduite de Meituan, portant ses financements cumulés à 3,9 milliards en six mois et sa valorisation au-delà de 20 milliards. StepFun, basée à Shanghai, serait quant à elle proche de finaliser une levée de 2,5 milliards de dollars, selon des sources proches du dossier. Ces chiffres signalent un tournant dans la perception des acteurs chinois de l'IA par les investisseurs mondiaux. Pendant des années, le capital-risque technologique en Chine a stagné depuis 2021, les investisseurs doutant de la capacité des startups locales à transformer leurs modèles en revenus durables. Ce doute s'estompe : les entreprises chinoises ont démontré qu'elles pouvaient non seulement produire des modèles de classe mondiale, mais aussi les intégrer dans des usages concrets et monétisables. Moonshot, par son partenariat avec Meituan, déploie des agents capables de réserver des hôtels ou commander des repas, tandis que son modèle Kimi K2.6 peut orchestrer jusqu'à 300 sous-agents simultanément pour automatiser des tâches complexes en programmation. StepFun déploie déjà ses modèles sur des millions d'appareils, des smartphones aux véhicules intelligents, visant une IA embarquée à grande échelle plutôt qu'un simple chatbot. Ce regain de dynamisme s'inscrit dans un contexte de compétition mondiale accélérée avec les laboratoires américains comme OpenAI, Google DeepMind ou Anthropic. DeepSeek avait marqué les esprits début 2025 en publiant en open source ses modèles R1 puis V4, prouvant qu'un acteur chinois pouvait rivaliser techniquement avec des budgets bien inférieurs. Cette stratégie ouverte a construit une crédibilité internationale que les investisseurs valorisent aujourd'hui massivement. La question qui se pose désormais est celle de l'expansion hors de Chine : ces entreprises ne cherchent plus seulement à rattraper la Silicon Valley, elles visent à imposer leurs plateformes, leurs infrastructures et leurs standards dans les marchés asiatiques, européens et émergents, là où les acteurs américains n'ont pas encore consolidé leur position.

💬 11 milliards en quelques jours, c'est plus le signal d'un rattrapage, c'est celui d'une offensive. Ce qui a changé par rapport à 2023, c'est que Moonshot ou StepFun ne vendent plus des benchmarks : ils déploient des agents qui réservent des hôtels et font tourner de l'IA embarquée sur des millions d'appareils. Et l'Europe, là-dedans, c'est exactement le terrain que ces boîtes visent, là où ni Google ni OpenAI n'ont vraiment verrouillé quoi que ce soit.

Pour une IA efficace, les assureurs doivent mettre de l'ordre dans leurs données

Le secteur de l'assurance souffre d'un paradoxe criant : 82 % des entreprises estiment que l'IA dominera leur industrie dans les prochaines années, mais seulement 14 % ont pleinement intégré la technologie dans leurs opérations. C'est le constat dressé par Autorek, fournisseur de solutions IA pour l'assurance, dans son rapport Insurance Operations & Financial Transformation 2026, fondé sur une enquête menée auprès de 250 managers au Royaume-Uni et aux États-Unis. Le tableau brossé par ce rapport est celui d'un secteur structurellement grippé, où les inefficacités opérationnelles freinent autant la rentabilité que la transformation numérique. La fragmentation des données, l'héritage de systèmes informatiques obsolètes et le manque d'expertise interne constituent les principaux obstacles identifiés. Ces blocages ne sont pas nouveaux, le rapport souligne lui-même que ses conclusions précédentes étaient déjà connues, mais ils persistent, aggravés par les fusions-acquisitions qui multiplient les silos de données. Les chiffres sont éloquents : 14 % des budgets opérationnels partent en correction d'erreurs manuelles, 22 % des répondants imputent leurs hausses de coûts à la complexité des réconciliations, et près de la moitié des entreprises opèrent des cycles de règlement dépassant 60 jours. Les volumes de transactions devraient par ailleurs augmenter d'environ 29 % d'ici deux ans, ce qui risque de faire peser une pression accrue sur des OPEX déjà sous tension. Les entreprises sondées gèrent en moyenne 17 sources de données distinctes, rendant tout déploiement IA sur cette architecture fragmentée difficile à mettre à l'échelle sans explosion des coûts. Autorek préconise de cibler en priorité les processus de réconciliation comme terrain d'expérimentation initial pour l'IA : domaine borné et fondé sur des règles, il offre des gains rapides et mesurables. Le rapport suggère également de s'appuyer sur des plateformes IA cloud plutôt que sur des solutions internes, pour mieux absorber la complexité des données fragmentées. La conclusion est sans appel : les assureurs qui résoudront leurs problèmes de gouvernance et de standardisation des données en premier creauseront un écart de performance durable sur leurs concurrents.