La phase de découverte de l’IA est arrivée et elle devient réelle.

L’industrie de l’IA est passée de l’expérimentation à la validation

L’IA entre dans une nouvelle ère. Au début, l’enthousiasme suscité par les grands modèles de langage et les systèmes génératifs était centré sur la nouveauté, c’est-à-dire sur le fait que les machines parlaient, créaient et nous surprenaient. À l’époque, le progrès était défini par l’expérimentation. Tomasz Tunguz, de Theory Ventures, a parlé de « bottom of the first inning », ce qui signifie que nous venions tout juste d’entrer sur le terrain. Toutes les entreprises voulaient tester jusqu’où l’IA pouvait s’étendre, mais peu d’entre elles se concentraient sur un succès mesurable.

Cette période est révolue. Comme l’a souligné Anish Agarwal, PDG de Traversal, les entreprises réengagent aujourd’hui leurs clients et apprennent ce qu’il faut faire pour remporter de vrais contrats. Les initiatives en matière d’IA ne sont pas jugées sur leur degré d’avancement, mais sur leur efficacité à générer des résultats commerciaux, des économies de coûts, de l’efficacité opérationnelle ou des expériences significatives pour les utilisateurs. Stefan Weitz, PDG de HumanX, a décrit cette période comme un « point d’inflexion » où l’industrie doit prouver sa viabilité à long terme.

Les dirigeants sont désormais confrontés à une réalité simple : Les projets d’IA doivent apporter une valeur tangible. L’orientation de l’industrie passe de la curiosité à la performance. La mise en place de systèmes d’évaluation solides, l’intégration responsable de l’automatisation et la garantie de la fiabilité opérationnelle sont des éléments clés pour progresser à ce stade. Les entreprises qui considèrent l’IA comme une infrastructure de base, et non comme une expérience, sont celles qui définiront les normes du marché au cours de la prochaine décennie.

L’adoption par les entreprises exige confiance, fiabilité et responsabilité

La prochaine phase de l’évolution de l’IA ne concerne pas seulement des systèmes plus intelligents, mais aussi des systèmes fiables et dignes de confiance. Les entreprises reconnaissent qu’aucune performance n’a d’importance si la confiance n’est pas au rendez-vous. Des secteurs tels que la santé, le droit et l’énergie fonctionnent sans marge d’erreur. Radha Basu, PDG et fondateur d’iMerit, l’a dit clairement : dans ces secteurs, les erreurs techniques peuvent avoir des conséquences mortelles. L’état d’esprit qui préside au développement de l’IA doit évoluer vers la précision, la prudence et la responsabilité.

Ravindra Mistri, opérateur fondateur de Better Auth, a souligné que l’adoption sera freinée non pas par la performance du modèle, mais par la confiance. Les systèmes d’IA qui produisent des résultats imprévisibles ne seront pas mis à l’échelle, quelle que soit leur rapidité ou leur flexibilité. Dan Klein, cofondateur et directeur technique de Scaled Cognition, a ajouté que les modèles doivent atteindre un niveau de fiabilité élevé avant de pouvoir être déployés en toute confiance. Les systèmes qui fabriquent des informations ou prennent des décisions politiques arbitraires sont inacceptables dans les environnements à fort enjeu.

Pour les dirigeants, le message est clair : la fiabilité est désormais un avantage concurrentiel. Les organisations doivent intégrer une surveillance en couches dans leur pipeline d’IA, en combinant l’évaluation comportementale, la surveillance humaine et des systèmes d’audit transparents. La confiance n’est pas une mesure douce, c’est une mesure qui permet de savoir si les systèmes peuvent être utilisés en toute sécurité dans des contextes commerciaux réels. Les entreprises capables de garantir la fiabilité opérationnelle domineront l’adoption, tandis que celles qui la négligent prendront du retard.

Instaurer la confiance grâce à une validation et une surveillance systématiques

La confiance dans l’IA ne peut pas être présumée, elle doit être conçue. L’industrie reconnaît aujourd’hui que pour gagner la confiance des utilisateurs, il faut des systèmes transparents étayés par des preuves, et non des hypothèses. Cette évolution a conduit à une approche structurée autour de trois éléments fondamentaux : la véracité, l’autorisation et l’auditabilité. Chacun de ces éléments se concentre sur une vulnérabilité spécifique qui, si elle n’est pas résolue, limite l’adoption de l’IA.

Le premier élément, la véracité, concerne le problème persistant de l’hallucination, où l’IA produit des informations fausses ou non étayées. Pour contrer ce problème, les développeurs utilisent un meilleur ancrage contextuel, des systèmes de mémoire qui suivent les interactions antérieures et un accès aux données par inférence qui relie les modèles à des sources vérifiées. L’objectif est d’assurer la cohérence entre les résultats du système et la réalité factuelle.

Le deuxième élément, l’autorisation, se concentre sur le contrôle du comportement de l’agent. Les systèmes d’IA complexes doivent réagir dans le cadre de politiques d’identité et d’accès bien définies. Les organisations mettent en œuvre des cadres de « confiance zéro », des autorisations éphémères et des identités liées à l’homme pour s’assurer que les actions de l’IA restent imputables à des utilisateurs vérifiés.

Le troisième élément est l’auditabilité. Les entreprises doivent être en mesure de confirmer et d’examiner ce qu’un système d’IA a fait à tout moment. La création de journaux d’activité traçables, de tableaux de bord d’observabilité et d’évaluations humaines dans la boucle garantit la transparence et la conformité avec les normes de l’entreprise et les normes réglementaires.

Pour les chefs d’entreprise, établir cette base de confiance est désormais un impératif stratégique. Un système d’IA dont la fiabilité ne peut être prouvée ne résistera pas à l’examen minutieux des clients, des régulateurs ou des conseils d’administration. En donnant la priorité à l’évaluation systématique et à la visibilité des données, les entreprises peuvent aller au-delà de la simple utilisation de l’IA et la rendre pleinement opérationnelle dans le cadre d’une gouvernance mesurable.

L’économie de l’IA est confrontée à d’importantes pressions en matière de monétisation et de coûts.

L’économie de l’IA évolue rapidement. À mesure que le déploiement prend de l’ampleur, la consommation de jetons et les coûts opérationnels sont devenus une préoccupation majeure. La phase d’expérimentation, autrefois peu coûteuse, s’est transformée en charges de travail continues et à fort volume qui s’exécutent toute la journée dans plusieurs départements. Cosmo Wolf, directeur technique de Metronome, a observé que tous les chefs de produit sont en train de repenser les modèles de monétisation de l’IA, mais qu’aucune approche définitive n’a émergé.

Malgré des progrès significatifs en matière d’efficacité, tels que la chute du prix des jetons de près de 200 fois en moins de trois ans, la courbe des coûts globaux repart à la hausse. L’utilisation s’est multipliée grâce à des processus agentiques qui gèrent des raisonnements en plusieurs étapes et des tâches itératives. Ces systèmes autonomes utilisent des fenêtres de contexte plus larges et génèrent de longues chaînes de réponse, ce qui augmente l’utilisation des jetons d’entrée et de sortie. Certaines entreprises déclarent dépenser environ un dollar en jetons de contexte par agent et par session, ce qui se multiplie rapidement à grande échelle.

Miranda Nash, vice-présidente du groupe Oracle AI, a expliqué que l’émergence d' »essaims d’agents », c’est-à-dire de multiples agents travaillant en parallèle, aggrave encore ces coûts. Le même schéma apparaît dans l’ingénierie logicielle, où le code généré par l’IA est bon marché à produire, mais coûteux à réviser, à sécuriser et à maintenir. Spiros Xanthos, fondateur et PDG de Resolve AI, a souligné le fossé qui se creuse entre la vitesse de création et la sécurité du déploiement, un problème qui exige de meilleurs outils opérationnels et une meilleure surveillance.

Les dirigeants doivent traiter les coûts de l’IA avec la même discipline que celle qu’ils ont apportée à l’adoption du cloud. Les dépenses en jetons reflètent les dépenses excessives en informatique des cycles technologiques précédents, des factures importantes déclenchées par une utilisation à grande échelle et un contrôle imparfait des ressources. Le maintien de la discipline financière exige un contrôle continu de la consommation de jetons, une meilleure négociation des prix avec les fournisseurs d’IA et l’intégration d’outils de gestion des coûts directement dans les flux de travail opérationnels.

Bien que le potentiel de la technologie reste immense, aucune grande entreprise d’IA n’a encore trouvé le chemin de la rentabilité. Même les précurseurs, dont Anthropic et OpenAI, estiment que les objectifs de rentabilité ne seront atteints que dans plusieurs années, respectivement en 2028 et 2030. Pour les PDG et les directeurs financiers, cela signifie qu’il faut faire preuve de patience et se concentrer sur la création de valeur durable plutôt que sur des rendements rapides.

Préoccupations sociétales et psychologiques croissantes concernant l’IA

Le débat sur l’IA va au-delà de la performance et de la rentabilité. L’impact social et psychologique que ces systèmes peuvent avoir sur le comportement et le bien-être de l’homme est de plus en plus reconnu. Danielle Schlosser, cofondatrice et directrice commerciale de mpathic, a souligné que si les progrès techniques se sont accélérés, les cadres d’évaluation de l’impact humain restent incomplets. Les modèles d’IA actuels optimisent souvent les mesures d’engagement, l’attention de l’utilisateur à court terme ou la validation, plutôt que de promouvoir la pensée critique ou le bien-être à long terme. Ce déséquilibre peut avoir des effets subtils mais généralisés sur la santé mentale et la qualité de la prise de décision.

Ces préoccupations touchent également la sphère économique. L’ancien vice-président Al Gore a souligné que les entreprises et les gouvernements doivent commencer à se préparer dès maintenant à la transition et à la reconversion de la main-d’œuvre. À mesure que l’automatisation progresse, la nature du travail change, et le fait de tarder à réagir peut entraîner un chômage structurel dans certaines industries. Néanmoins, de nombreux dirigeants, dont Anish Agarwal de Traversal, pensent que l’IA améliorera la productivité humaine plutôt que de supprimer purement et simplement des emplois. Le défi consiste à s’assurer que cette transition renforce les capacités collectives plutôt que de centraliser les avantages autour de quelques acteurs dominants.

Pour les dirigeants, ce changement exige une attention au niveau stratégique. Les entreprises qui déploient l’IA à grande échelle doivent examiner comment leurs systèmes influencent le comportement, la qualité des décisions et la confiance de la société. Cela implique d’intégrer des mesures de bien-être à long terme dans l’évaluation des produits, de garantir la sécurité psychologique et d’aligner le développement de l’IA sur des normes éthiques qui vont au-delà de la conformité. La gouvernance responsable de l’IA devient un facteur commercial mesurable qui influence la perception, la valeur de la marque et la rétention des talents.

L’évolution rapide de l’IA exige une réorientation de l’infrastructure des entreprises

La vitesse de progression de la technologie de l’IA a dépassé les cycles de planification traditionnels des entreprises. Les modèles s’améliorent chaque semaine et les systèmes qui semblaient suffisants il y a quelques mois sont rapidement remplacés par des versions plus performantes. Cette innovation constante oblige les entreprises à mettre à jour l’infrastructure, les flux de travail et les modèles de gouvernance en temps réel. De nombreuses équipes font état d’une adaptation perpétuelle, d’une mise à niveau des outils, d’un recyclage des employés et d’une restructuration des pipelines de données pour maintenir l’efficacité.

Les dirigeants de tous les secteurs d’activité sont désormais confrontés au double défi d’étendre les solutions d’IA tout en maintenant la stabilité des opérations. L’avenir de la compétitivité dépend de la rapidité avec laquelle les organisations peuvent adapter leurs structures internes pour gérer le changement continu. Cela implique d’investir dans des systèmes qui gèrent efficacement le contexte, garantissent une qualité de production constante et prennent en charge la coordination multi-agents avec un minimum de supervision. Il s’agit également de développer des processus opérationnels qui permettent une itération rapide sans compromettre la sécurité, la fiabilité ou le contrôle des coûts.

Pour les dirigeants, l’agilité n’est pas une option. La mise en place d’une infrastructure résiliente capable de gérer des cycles rapides d’évolution des modèles est essentielle pour garder une longueur d’avance. Les entreprises qui réussiront seront celles qui aligneront les mises à niveau techniques sur les objectifs commerciaux, en veillant à ce que l’innovation contribue directement à la croissance des revenus, à l’efficacité opérationnelle et à la valeur ajoutée pour les clients. L’orientation générale est claire, l’IA est passée d’une technologie expérimentale à une infrastructure fondamentale, et les entreprises qui maîtrisent l’intégration et l’adaptabilité définiront les leaders du marché de demain.

Principaux enseignements pour les dirigeants

• L’IA passe de l’engouement à la performance : La phase expérimentale est terminée. Les dirigeants devraient mesurer le succès de l’IA à l’aune des résultats commerciaux, de la croissance du chiffre d’affaires, de l’efficacité et de la fiabilité, plutôt qu’à l’aune de la nouveauté technique.
• La confiance devient le fondement de l’IA d’entreprise : l ‘adoption dépend désormais de la fiabilité, de la sécurité et de la transparence. Les dirigeants doivent mettre en place des cadres de gouvernance et de responsabilité avant d’étendre les déploiements.
• Un contrôle structuré permet de mettre en place des systèmes crédibles : La véracité, l’autorisation sécurisée et la performance vérifiable sont essentielles. Les dirigeants devraient investir dans des outils d’observabilité et de contrôle de l’IA pour atteindre les objectifs de conformité et de confiance des clients.
• La rentabilité dépend d’une gestion rigoureuse des coûts : Les dépenses en jetons et l’utilisation de l’informatique augmentent rapidement. Les organisations doivent mettre en place un suivi des coûts, optimiser l’utilisation du contexte et aligner les charges de travail de l’IA sur des objectifs financiers clairs.
• L’impact sociétal et la préparation de la main-d’œuvre sont importants : Les stratégies d’IA doivent tenir compte du bien-être humain, des transitions professionnelles et de l’impact sur la santé mentale. Les dirigeants devraient lier les plans d’innovation à des mesures éthiques et à long terme centrées sur l’être humain.
• La capacité d’adaptation définit la compétitivité future : L’écosystème de l’IA évolue plus rapidement que l’infrastructure des entreprises. Les dirigeants doivent concevoir des architectures agiles et perfectionner les équipes pour gérer l’innovation continue sans perturber les opérations.