Ce qui change concrètement

La Commission européenne a ouvert le 12 octobre 2026 une consultation publique sur un projet de règlement d’exécution qui précise la prescription sanctions AI Act, c’est-à-dire comment se calcule le délai au terme duquel le Bureau de l’IA ne peut plus sanctionner une entreprise. Le texte prévoit qu’une simple demande d’informations, une inspection ou une invitation à un dialogue structuré peut remettre à zéro le compteur de cinq ans dont dispose le Bureau. Une borne de dix ans existe, mais elle est elle-même prolongeable par des suspensions de procédure.

Concrètement : une entreprise qui pensait être tirée d’affaire au bout de quelques années pourrait se retrouver encore exposée, simplement parce qu’une autorité lui a posé une question entre-temps.

Qui est réellement concerné

Ce texte ne vise que les sanctions relevant de la compétence directe du Bureau de l’IA : les fournisseurs de modèles à usage général (GPAI) et les systèmes qui en découlent, lorsqu’ils sont développés par le même fournisseur ou groupe. Les sanctions prononcées par les autorités nationales françaises, qui sont le régime applicable à la grande majorité des PME utilisatrices de systèmes d’IA « à haut risque », ne sont pas concernées par ce projet.

Autrement dit, si votre entreprise utilise un outil d’IA à haut risque sans développer elle-même de modèle à usage général, ce texte ne change rien à votre exposition directe. Mais il éclaire la logique que les autorités de contrôle, nationales ou européennes, appliquent déjà.

Pourquoi ce mécanisme existe

Le principe n’est pas propre à l’IA : en droit de la concurrence européen, une enquête interrompt déjà la prescription. L’idée est d’éviter qu’une entreprise échappe à une sanction simplement parce que l’instruction a pris du temps. Le projet organise en contrepartie l’accès au dossier par l’entreprise concernée et ses conseils extérieurs durant l’instruction, ce qui donne un cadre de défense clair.

Un dossier de conformité bien tenu reste la meilleure protection face à une procédure, quelle que soit l’autorité qui l’ouvre.

Ce qu’il faut faire, quel que soit votre cas

Même les PME non directement visées par ce projet ont intérêt à en tirer une leçon pratique : documenter et dater systématiquement toute correspondance de conformité IA, qu’elle vienne d’un fournisseur, d’un auditeur interne ou d’une autorité. Un contrôle qui s’ouvre, même mineur en apparence, peut avoir des effets de procédure durables.

La consultation publique reste ouverte jusqu’au 9 novembre 2026. C’est une fenêtre rare pour un service juridique ou un délégué à la protection des données de faire remonter un cas d’usage concret avant que la règle ne soit figée.

Et dans votre entreprise ?

• Identifiez si votre entreprise développe ou intègre un modèle à usage général (GPAI), ou si elle dépend uniquement d’un fournisseur tiers pour ses systèmes d’IA à haut risque.
• Si vous intégrez un GPAI : demandez par écrit à votre fournisseur de modèle sa position de conformité AI Act et son calendrier de réponse aux autorités.
• Créez, si ce n’est pas déjà fait, un dossier unique qui centralise et date tous vos échanges de conformité IA (questionnaires fournisseurs, audits internes, correspondances avec une autorité).

Le premier pas, cette semaine : lister en moins d’une heure les systèmes d’IA utilisés dans votre entreprise et noter, pour chacun, qui en est le fournisseur et depuis quand.

Le découpage qui change tout

Quand on veut déployer un agent IA sur une tâche d’entreprise, la première question n’est pas de savoir quel modèle choisir. C’est de savoir si la tâche se découpe proprement entre collecte d’informations et décision finale.

C’est exactement ce qu’a fait le groupe français Spie (10,4 milliards d’euros de chiffre d’affaires, 55 000 personnes) cet été, avec un agent IA de l’éditeur rennais Sekoia dans son centre de supervision cybersécurité, qui traite plus de 43 000 alertes par mois sur l’ensemble de ses filiales.

Le responsable des activités SecOps de Spie résume le principe en une phrase : sur une investigation d’alerte, cinq étapes sur six consistent à rassembler, corréler et formaliser des preuves. Une seule étape, la décision finale, exige un vrai jugement humain. Spie a confié les cinq premières à l’agent, et gardé la dernière pour ses analystes.

Le test avant de généraliser

Pendant trois mois, les 11 analystes du centre de supervision ont continué à mener leurs propres investigations en parallèle de l’agent, sur un périmètre choisi de 80 règles de détection. Objectif : comparer chaque verdict avant toute décision de généraliser.

Le résultat a validé le choix de départ : 96 % des verdicts de l’agent ont été acceptés tels quels par les analystes humains, sans aucune modification.

Ce n’est pas la puissance du modèle qui a rendu l’agent fiable, c’est le découpage précis de la tâche avant de la lui confier.

Ce que le gain de temps a permis

Spie a mesuré, sur certains types d’alertes, un temps d’investigation divisé par deux à cinq grâce à l’agent. Ce temps n’a pas servi à réduire les effectifs du centre de supervision, mais à réorienter les analystes vers les cas complexes qui demandent une vraie expertise.

Ce choix, décidé avant le test, a conditionné l’adhésion des équipes : personne ne travaille avec un outil dont on pense qu’il prépare son remplacement.

Après ce test, Sekoia a généralisé son agent à 1 000 autres clients dans le monde, avec un taux de verdicts inchangés légèrement inférieur, autour de 90 %, et un temps moyen de 88 secondes par investigation. L’écart avec les 96 % de Spie n’est pas un hasard : Spie avait sélectionné 80 règles de détection précises avant de lancer son test, là où le déploiement plus large ne bénéficie pas de ce tri initial.

Cette précaution a une limite claire. Le découpage « collecte puis décision » fonctionne bien sur une tâche cadrée par des règles, comme l’investigation d’alertes. Il se transpose moins directement à une tâche ouverte, comme une négociation ou un diagnostic complexe, où il faudra d’abord vérifier que ce découpage existe vraiment avant de confier quoi que ce soit à un agent.

Et dans votre entreprise ?

• Choisissez un processus répétitif de votre entreprise (support client, contrôle qualité, comptabilité) et listez ses étapes une par une.
• Repérez laquelle de ces étapes exige vraiment un jugement humain : c’est la seule à garder en interne au départ.
• Faites tourner un agent sur un périmètre limité, en parallèle d’une équipe humaine, pendant quelques semaines, pour comparer les résultats avant toute généralisation.

Le premier pas, cette semaine : prenez une tâche répétitive de votre entreprise et découpez-la sur une feuille, étape par étape, jusqu’à isoler celle qui demande vraiment une décision humaine. Oriq peut ensuite configurer un agent sur cette tâche et le tester sur vos propres documents.

Le volume de code a plus que doublé en un an

Chez Spotify, le nombre de changements de code fusionnés chaque mois est passé d’environ 8 100 à 17 000 entre l’an dernier et août, selon le rapport d’ingénierie interne de l’entreprise publié le 16 septembre 2026. La cause : l’adoption massive d’outils de développement assistés par IA par les équipes techniques. Une migration Java complète, menée sur l’ensemble des services backend par un agent IA intégré à leur système de gestion de parc, a été terminée en trois jours, contre plusieurs semaines auparavant.

Ce doublement a obligé Spotify à revoir en profondeur ses dispositifs de contrôle sur la qualité code généré par ia, dans toute son organisation d’ingénierie. C’est ce que l’entreprise documente elle-même, avec ce qui a marché et ce qui a dû être corrigé.

Pourquoi ce n’est pas le code IA qui a posé problème

Spotify a cherché activement un lien entre code généré par IA et incidents de production. Conclusion de l’entreprise : « nous n’avons pas identifié le code écrit par IA comme un facteur direct important » dans les incidents examinés. La cause réelle, nommée explicitement par l’entreprise : « le volume de changement a augmenté plus vite que certains de nos contrôles de vérification ne pouvaient s’adapter ».

Le problème n’est jamais le code que l’IA écrit, mais la vitesse à laquelle l’entreprise peut le vérifier.

Ce que Spotify a changé concrètement

La part du travail classée « qualité et optimisation du code » est passée de 27 % à 31 % du total des changements fusionnés. Autrement dit, selon l’entreprise, « les ingénieurs ont consacré plus du double du temps absolu à la qualité du code cette année qu’en août dernier ».

Cette même progression, doublement des changements et révision des dispositifs de qualité, est confirmée par la couverture indépendante d’InfoQ le 13 octobre 2026, qui précise que ce chantier a touché toute l’organisation d’ingénierie, pas seulement une équipe pilote.

Spotify reste un cas d’ingénierie logicielle à très grande échelle, avec près de 3 000 services en production : les ordres de grandeur ne se transposent pas tels quels à une PME. Mais le mécanisme, lui, se transpose directement : accélérer sans renforcer en parallèle les contrôles finit toujours par créer un décalage, quelle que soit la taille de l’équipe.

Et dans votre entreprise ?

• Avant de généraliser l’IA de développement, ajouter deux questions au prochain post-mortem d’incident : le code généré par IA y a-t-il contribué directement ? Le volume de changement a-t-il dépassé la capacité de vérification ?
• Suivre un indicateur de composition du travail, pas seulement de vitesse : classer les tickets du mois par type (fonctionnalité, qualité, maintenance) pour avoir une base de comparaison.
• Dimensionner les capacités de retour en arrière avant d’accélérer : renforcer supervision et rollback en parallèle de l’adoption d’agents de code, pas après coup.

Le premier pas, cette semaine : lister les trois tâches de maintenance récurrente les plus chronophages de votre équipe technique, et choisir laquelle confier en premier à un outil IA de codage, en mesurant le résultat avant et après.

La chose à retenir

Un modèle de décision IA entreprise ne génère pas de texte. Il choisit entre des options que vous lui donnez à l’avance (valider ou rejeter, urgent ou non, quelle file de support) et attribue un score de confiance à chaque option. Résultat : une tâche que votre agent IA fait aujourd’hui avec un grand modèle de langage, payé au prix fort, peut être traitée par un modèle beaucoup plus petit, beaucoup plus rapide, et moins cher.

C’est exactement la tâche qui consomme le plus de budget dans un usage agentique répétitif : trier, router, prioriser, des milliers de fois par jour.

Trois lancements en douze jours

Le 1er octobre 2026, Cloudflare a dévoilé Clef et Clef-flash, deux modèles de décision dotés respectivement de 27 et 9 milliards de paramètres, puis complété la famille avec Clef-Omni, un modèle de 30 milliards de paramètres (dont 3 milliards actifs) capable aussi d’écouter un fichier audio avant de trancher. Le 9 octobre, Microsoft a annoncé Microsoft-Decision-1, disponible dans Microsoft Foundry et via OpenRouter, spécialisé dans la classification, le routage et le contrôle de workflows agentiques. Le 12 octobre, AWS a publié un guide technique pour déployer ce type de modèle soi-même, via llama.cpp sur Amazon SageMaker AI.

Ces modèles évaluent les options proposées et leur attribuent des probabilités. Ils peuvent répondre à plusieurs questions à la fois, sans passer par la génération de texte à interpréter ensuite.

Ce qui change pour une PME

Trois usages concrets se dessinent déjà. D’abord trier les demandes clients : router chaque ticket vers la bonne file (facturation, technique, litige) sans passer par un agent généraliste. Ensuite réduire la facture d’un agent existant : si celui-ci passe son temps à choisir entre quelques options, remplacer cet appel par un modèle dédié peut faire baisser le coût par décision. Enfin tester sans gros investissement : les modèles Clef sont publiés sous licence Apache 2.0, avec des poids téléchargeables et une API compatible avec celle de Jev.

Un modèle de décision ne rédige rien, il choisit, et c’est précisément ce qui le rend plus rapide et moins cher pour les tâches répétitives.

Les limites à connaître

Un modèle de décision reste probabiliste et peut se tromper avec assurance. Un modèle sûr de lui à 99 % ne tombe pas forcément juste 99 fois sur 100, surtout face à des situations qui ne ressemblent guère à celles sur lesquelles il a été évalué. Pour tout ce qui touche à une obligation réglementaire, un seuil financier ou une autorisation, mieux vaut garder un moteur de règles explicite et vérifiable plutôt qu’un modèle probabiliste.

Autre point à vérifier avant de déployer : la multimodalité ne garantit pas une meilleure précision. Sur un test de traitement de factures cité par IT for Business, Clef-Omni obtient un score de 60,2, derrière Clef (64,7) et Jev (61,8), des résultats qui restent modestes et à valider sur vos propres documents avant toute généralisation.

Quant aux chiffres de performance avancés par Microsoft pour Decision-1 (35 fois plus rapide que GPT-6 Sol, 83,5 % de précision), IT for Business précise elle-même qu’ils « interpellent mais devront être vérifiés par des tiers ». À ce stade, ce sont des annonces du fournisseur, pas des faits établis.

Et dans votre entreprise ?

• Listez les 5 à 10 décisions répétitives que vos équipes ou votre agent IA prennent aujourd’hui (router, valider, prioriser).
• Chronométrez et chiffrez le coût actuel d’une de ces micro-décisions sur un mois, avant de comparer.
• Repérez dans votre activité une tâche où le choix se fait toujours entre un petit nombre d’options fixes : c’est le candidat idéal pour un premier test.

Le premier pas, cette semaine : choisir une tâche de tri déjà mesurée dans votre entreprise. Oriq peut installer un modèle de décision chez vous et le tester sur vos propres documents.

Un modèle qui réécrit sa propre mémoire

Un agent IA contexte long a toujours le même défaut : plus la tâche dure, plus l’historique de conversation s’accumule, et plus le modèle perd la trace de ce qui compte vraiment. Une équipe de treize chercheurs de Meta Superintelligence Labs, du MIT, de l’Université de Washington et de Trillium Labs vient de publier une méthode qui change cette logique. Baptisée Context Language Models (CLM), elle laisse le modèle traiter sa propre mémoire comme un fichier qu’il peut modifier librement : il efface ce qui ne sert plus, garde une note de synthèse, et apprend lui-même ses stratégies de gestion de mémoire plutôt que de dépendre d’un résumé automatique prédéfini.

Concrètement, au lieu d’empiler tout l’historique jusqu’à saturation, le modèle tient à jour un document de travail qu’il édite au fil de la tâche, comme un humain raturerait ses notes pour ne garder que l’essentiel. C’est tout l’enjeu d’un agent IA contexte long : savoir trier ce qui reste utile.

Pourquoi vos agents dérapent aujourd’hui

C’est exactement le problème que rencontrent les entreprises qui font tourner des agents sur des tâches longues : veille automatisée, traitement de dossiers sur plusieurs heures, support client en continu. Le modèle traîne tout son historique, le contexte devient énorme, le calcul coûte cher, et la qualité des réponses se dégrade.

Le modèle qui apprend à oublier au bon moment coûte moins cher et se trompe moins.

Les gains mesurés

Les chercheurs ont testé leur méthode sur plusieurs bancs d’essai construits spécifiquement pour ce travail. En configuration sans entraînement spécifique, les CLM obtiennent 11,4 % de précision en plus avec 21,5 % de calcul en moins sur le test de recherche web BrowseComp-Plus, et jusqu’à 59 % de calcul en moins sur une tâche de douze heures, à qualité égale ou supérieure.

Avec apprentissage par renforcement, le gain devient encore plus net : sur le même test BrowseComp-Plus, le modèle Qwen3.5-9B passe de 28,8 % à 42,5 % de précision.

Le risque qu’il faut surveiller

Les auteurs le reconnaissent eux-mêmes : un modèle qui peut supprimer des informations de son propre contexte peut aussi effacer quelque chose d’important qu’il ne retrouvera plus. Plus sérieux encore, un contexte éditable par le modèle devient un canal supplémentaire par lequel une instruction malveillante, glissée dans un document ou un message, peut persister d’un tour à l’autre sans que personne ne s’en aperçoive.

Ce n’est pas une raison pour renoncer à ces agents. C’est une raison de vérifier, dès qu’un agent avec mémoire longue est déployé, qui peut écrire dans son contexte et d’auditer régulièrement ces écritures.

Et dans votre entreprise ?

• Listez les agents IA qui tournent chez vous sur des tâches de plusieurs heures et notez, pour chacun, s’ils gèrent activement leur contexte ou se contentent d’accumuler l’historique.
• Mesurez dès maintenant la consommation de tokens de ces agents sur une tâche longue type, pour avoir un point de comparaison avant l’arrivée de ces techniques dans les outils commerciaux.
• Posez la question de la sécurité à votre prestataire : qui, dans l’outil que vous utilisez, peut écrire ou modifier la mémoire de l’agent ?

Le premier pas, cette semaine : demandez à votre équipe technique si votre agent IA contexte long gère activement sa mémoire ou se contente d’empiler l’historique. Oriq peut auditer vos agents existants et tester sur vos propres dossiers une gestion plus active du contexte.

Ce que personne ne mesurait

Un agent IA qui écrit du code plus vite ne fait pas gagner de temps si personne ne mesure, en parallèle, le temps que l’équipe passe ensuite à comprendre et corriger ce qu’il a produit. C’est la leçon d’une étude publiée le 7 octobre 2026 par le média InfoQ, à partir d’une enquête menée par le cabinet Coleman Parkes auprès de 300 responsables ingénierie seniors chargés de livrer des logiciels critiques. Pour mesurer un agent de codage ia avant de l’étendre à toute une équipe, il faut suivre deux indicateurs, pas un seul : le temps de production, et le temps de débogage qui suit.

Dans les équipes interrogées, ce second temps a pris le dessus sans que personne ne l’ait vu venir, simplement parce que le tableau de bord ne suivait que la vitesse de génération.

Les chiffres qui changent le calcul

Ce basculement s’explique par un autre chiffre : 35 % du code généré par un agent atteint la production avant que l’équipe l’ait pleinement compris. Dans ces conditions, le débogage n’est plus un à-côté, il devient la tâche principale.

Ces diagnostics erronés coûtent cher en temps de recherche, surtout quand l’équipe fait confiance au premier avis de l’agent sans le vérifier.

Un agent de codage plus rapide ne rend du temps à personne tant que le temps de débogage n’est pas, lui aussi, dans le tableau de bord.

Pourquoi la vitesse perçue ne se voit pas dans les délais

Par prudence, environ un tiers des équipes (37 % selon le rapport Undo) limitent déjà l’usage des agents pour la compréhension et le débogage aux bases de code simples. C’est une façon pragmatique de garder le contrôle pendant la phase d’apprentissage.

La méthode en quatre étapes

1. Avant tout déploiement large, mesurer deux semaines de référence : temps passé à produire du code et temps passé à le déboguer, sur un échantillon de tickets suivi au jour le jour. 2. Cantonner l’usage de l’agent aux modules simples et bien testés, avant de l’étendre aux parties critiques comme la facturation ou la paie. 3. Garder une étape de validation humaine obligatoire avant tout merge ou déploiement issu de l’agent, plutôt que de lui laisser un accès autonome. 4. Remplacer l’indicateur « lignes de code produites » par deux indicateurs plus fiables dans le reporting mensuel : le taux de défauts et le délai moyen de résolution.

Cette dernière étape est la plus structurante. C’est elle qui révèle si l’agent fait vraiment gagner du temps, ou s’il le déplace ailleurs sans le réduire.

Et dans votre entreprise ?

• Ouvrir un tableur partagé par l’équipe technique pour noter, chaque jour pendant deux semaines, le temps passé à produire du code avec l’agent et le temps passé à corriger ce qu’il a produit.
• Avec le lead technique, lister les modules où l’agent est autorisé et ceux où il reste interdit pour l’instant, en commençant par les plus sensibles.
• Ajouter deux colonnes au tableau de bord IT existant : taux de défauts et délai moyen de résolution, à suivre mois après mois.

Le premier pas, cette semaine : ouvrir ce tableur de mesure avant d’étendre l’agent à une nouvelle équipe ou un nouveau module.

Ce que Bouygues Telecom a appris en un mois

Deux jours après l’ouverture de ChatGPT Ads en France, Bouygues Telecom lançait déjà sa première campagne, accompagné de l’agence StratNXT (groupe Cosmo5). Le calendrier n’était pas un hasard : rentrée scolaire et lancement de l’iPhone 18, deux moments à fort trafic de recherche. Un mois et demi plus tard, l’annonceur publie un bilan chiffré, le premier du genre pour un grand acteur français sur ce canal.

La leçon tient en une phrase : ChatGPT Ads en France apporte déjà du trafic qualifié à un coût de visibilité raisonnable, mais la conversion reste difficile à prouver faute de données sur les requêtes qui déclenchent les publicités.

Un coût de visibilité qui reste bas

Le CPM moyen observé par Bouygues Telecom tourne autour de 15 euros, un niveau que l’annonceur qualifie lui-même de raisonnable. D’autres acteurs rapportent des CPM d’au moins 50 euros sur ce même canal. L’écart s’explique en partie par le fait que l’inventaire publicitaire est encore jeune et peu disputé.

Sur les offres fibre, le trafic généré a dépassé largement les attentes : quatre fois supérieur au trafic organique cumulé de toutes les plateformes d’IA conversationnelle que Bouygues Telecom mesure déjà. Un signal fort pour un canal ouvert depuis à peine six semaines.

La limite : le coût par clic reste instable

Si le coût d’exposition est bon, le coût par clic, lui, varie encore beaucoup d’une campagne à l’autre et reste globalement peu compétitif face au search classique. La cause n’est pas un défaut du canal mais un manque d’information : OpenAI ne donne pas encore de visibilité sur le contexte des conversations qui déclenchent l’affichage d’une publicité.

Le trafic est là, la preuve de valeur reste à construire.

Un ticket d’entrée devenu accessible

Ce test ne demande plus un budget d’agence classique. Le ticket d’entrée via une agence partenaire est passé de 80 000 à 40 000 euros, le montant exact mobilisé par Bouygues Telecom pour son premier essai. Via un partenaire technologique de diffusion, un test démarre dès 5 000 euros.

Ce niveau d’entrée change la donne pour une PME : il devient possible de tester un mois sur une offre saisonnière sans engager un budget d’agence classique.

Le conseil de Bouygues Telecom pour ceux qui se lancent : ne pas inventer de nouveaux messages pour ce canal, mais réutiliser ce qui fonctionne déjà en recherche payante classique et en référencement conversationnel. Faute de visibilité sur les requêtes qui déclenchent l’affichage, c’est le seul repère fiable aujourd’hui.

Et dans votre entreprise ?

• Mesurer le trafic organique que les IA conversationnelles envoient déjà vers votre site, pour disposer d’un point de comparaison avant tout test payant.
• Lister les offres ou produits à fort trafic de recherche, ceux pour lesquels vous avez déjà des messages et des pages qui convertissent en search classique.
• Fixer à l’avance un budget test plafonné et une durée courte (un mois), plutôt que de laisser un canal nouveau grossir sans mesure.

Le premier pas, cette semaine : reprendre vos mots-clés et landing pages qui marchent déjà en recherche payante, et vérifier qu’ils sont prêts à être réutilisés sur un nouveau canal avant d’en discuter avec votre équipe marketing.

Un modèle géant, entraîné et servi depuis l’Europe

Mistral AI a ouvert le 6 octobre 2026 une préversion publique de Mistral Large 4, un modèle d’environ 1 000 milliards de paramètres dont 49 milliards activés par token. Pour tester Mistral Large 4 dans une entreprise, le vrai rendez-vous est fin octobre : la publication des poids permettra de l’installer sur une infrastructure que l’entreprise contrôle.

Ce qui change vraiment : ce modèle a été entraîné depuis zéro sur des GPU Nvidia Grace Blackwell installés dans les propres data centers européens de Mistral, et il est servi sur cette même infrastructure. Pour une entreprise soumise à des exigences de souveraineté, cela signifie un modèle de pointe sans dépendre d’un hyperscaler américain.

Ce que montrent les premiers chiffres

Sur les benchmarks de cybersécurité, le modèle revendique des scores parmi les meilleurs des modèles à poids ouverts, dont un score de 93 % sur les 40 exercices du test Cybench.

Ces résultats restent en grande partie des mesures internes à Mistral, parfois confirmées par un seul évaluateur tiers avant la publication de son propre outil de mesure. Ce n’est pas un verdict indépendant définitif, mais une base sérieuse pour commencer à tester.

Un modèle de pointe entraîné en Europe, bientôt installable sur vos propres serveurs : le bon moment pour préparer le test, c’est maintenant.

Le calendrier à connaître avant de tester

La préversion est disponible depuis le 6 octobre. Les poids ouverts, eux, doivent être publiés fin octobre, le 27 selon plusieurs médias français. Des versions quantifiées du modèle pourront alors tourner sur 4 à 8 GPU Nvidia B200 ou B300, donc sans méga-centre de données, ce qui ouvre la voie à un hébergement privé pour les PME les plus exigeantes.

Côté coût, l’accès par l’API de Mistral est facturé environ 1,36 dollar par million de tokens en entrée et 4,18 dollars en sortie, selon LeMagIT. C’est un repère utile pour comparer avec un modèle installé chez vous, dont le coût dépend surtout du matériel et du volume traité.

Autre point de vigilance : le modèle affiche un taux de refus plus faible que ses concurrents fermés sur certaines requêtes liées à la cybersécurité offensive. C’est un atout pour des équipes de défense qui ont besoin de réponses précises, mais un point à cadrer avant tout déploiement en entreprise, par exemple en limitant les accès et en définissant par écrit les usages autorisés.

Ce que ça change concrètement pour une PME

Pour les métiers qui manipulent beaucoup de documents techniques, plans ou images, comme les bureaux d’études, l’industrie ou l’assurance, Mistral Large 4 permet d’évaluer les capacités multimodales d’un modèle de pointe sur un échantillon réel, puis de le garder chez soi une fois les poids publiés.

C’est une préversion, pas un produit fini : la licence des poids n’est pas encore annoncée et l’entraînement par renforcement continue. Rien n’oblige à migrer dès aujourd’hui, mais tout encourage à préparer le test pendant que le calendrier est connu.

Et dans votre entreprise ?

Trois actions possibles cette semaine :

• Choisir une tâche déjà outillée (rédaction, analyse de documents, extraction de données) et noter son coût, sa qualité et son temps actuels.
• Rassembler un échantillon de vrais documents sur lequel juger le modèle, en écartant ce qui est trop sensible pour un premier essai.
• Si votre entreprise répond à des marchés publics ou travaille dans un secteur régulé, noter la date du 27 octobre et la licence des poids qui l’accompagnera.

Le premier pas, faisable en moins d’une heure cette semaine : choisir la tâche et l’échantillon. Oriq peut ensuite installer Mistral Large 4 chez vous et le tester sur vos documents, face à votre outil actuel.

Ce qu’un filigrane de texte IA fait vraiment

Le filigrane texte IA ChatGPT, qu’OpenAI a détaillé le 5 octobre 2026, va être déployé sur ChatGPT et Codex dans l’Union européenne dans les prochaines semaines, en réponse aux règles de transparence de l’AI Act entrées en vigueur le 2 août. Nommé textGrain, ce filigrane ne grave pas un symbole caché dans le document. Il infléchit statistiquement les mots que le modèle choisit d’écrire, un signal qu’un détecteur peut ensuite rechercher.

C’est très différent d’un filigrane d’image, qui modifie des pixels de façon invisible à l’œil mais détectable par calcul exact. Sur du texte, le modèle n’a pas de pixels à modifier : il a des mots à choisir parmi plusieurs possibles à chaque étape. TextGrain penche légèrement ces choix vers un motif reconnaissable, sans changer le sens du texte.

Pourquoi la fiabilité dépend de la longueur et du sujet

Le signal statistique a besoin de matière pour apparaître clairement. Plus le texte est court, moins le détecteur a d’indices à exploiter.

Le type de contenu compte aussi. Sur des mathématiques, où le choix des mots est contraint par la logique du raisonnement, les taux de détection chutent nettement par rapport à un texte plus littéraire. Moins de marge de manœuvre dans le choix des mots, moins de place pour le signal.

Ce qu’une simple reformulation suffit à casser

C’est le point le plus utile à retenir pour une entreprise qui s’interroge sur la fiabilité de ce type d’outil.

En remplaçant 25 % des mots, la détection tombe à 17 %. Une relecture éditoriale ordinaire, qui change quelques tournures, peut donc suffire à rendre le filigrane quasiment invisible pour le détecteur, sans que le texte perde en qualité : OpenAI indique n’avoir observé aucune différence de performance significative sur ses benchmarks avec ou sans filigrane activé.

Un filigrane détecté ne dit ni qui a écrit le texte, ni s’il a été édité, ni s’il est exact.

Ce qui change concrètement cette semaine

Le filigrane sera disponible pour les utilisateurs ChatGPT et Codex éligibles dans l’Union européenne dans les prochaines semaines, sur toutes les offres. Les développeurs qui utilisent l’API OpenAI dans le monde peuvent déjà l’activer sur certains modèles, désactivé par défaut. L’accès au détecteur lui-même reste réservé, au cas par cas, à des chercheurs et organisations approuvés : il n’est pas public au lancement, par crainte de filigranes manqués et de faux positifs.

Pour une entreprise qui génère des contenus destinés au public via l’API, c’est une nouvelle option de conformité à connaître, pas une obligation immédiate hors de l’Union européenne. OpenAI prévoit par ailleurs de rendre la technologie open source, ce qui pourrait permettre à d’autres outils de s’appuyer dessus à l’avenir.

Et dans votre entreprise ?

Si vous générez du contenu public (articles, fiches produits, réponses client) via l’API OpenAI, vérifiez dans la documentation si votre modèle est éligible au filigrane, même hors UE où il reste optionnel.

Si vous envisagez d’utiliser un détecteur pour vérifier une candidature ou un contenu de prestataire, ne fondez jamais une décision RH ou éditoriale sur ce seul signal : il ne prouve ni l’auteur, ni l’exactitude.

Si vos contenus ChatGPT seront filigranés dans l’UE, ajoutez une ligne dans votre charte éditoriale interne pour l’anticiper plutôt que le découvrir via un client.

Cette semaine, en moins d’une heure : ouvrez la documentation de votre API et notez si votre modèle principal est concerné par cette option.

Ce qui change sur Mac

Apple a publié le 2 octobre 2026 un billet officiel annonçant un durcissement de l’accès complet disque agent ia mac, cette autorisation système appelée « Full Disk Access » qui donne à une application un accès total aux fichiers, mails, messages et historique de navigation d’un Mac. Jusqu’ici, cette autorisation pouvait être accordée sans friction particulière. Apple veut désormais exiger, selon ses propres mots, « une action très explicite » de l’utilisateur avant de l’octroyer (Apple Developer News, 2 octobre 2026).

La raison est nommée clairement par Apple elle-même : les agents IA, de plus en plus autonomes, réclament de plus en plus souvent ce niveau d’accès, et le risque associé grandit avec leur autonomie.

Pourquoi les agents IA sont visés

Apple cite explicitement le risque posé par les agents d’IA comme déclencheur de ce durcissement. Un agent IA mal conçu ou mal configuré, une fois doté de l’accès complet au disque, peut lire des correspondances qui ne lui sont pas destinées, y compris celles d’autres personnes dans une application de messagerie (Consomac, 3 octobre 2026).

Plus un agent IA devient autonome, plus l’accès complet à un disque devient une clé dangereuse à laisser traîner

Ce que la presse française en retient

La presse spécialisée française a relayé et confirmé l’annonce dès le 5 octobre 2026, soulignant qu’Apple « demandera une action très explicite » de l’utilisateur avant d’ouvrir tout le Mac à une application (ZDNet France, 5 octobre 2026). Aucune date de sortie de la future version de macOS n’a toutefois été précisée, et aucun chiffre sur le nombre d’applications concernées n’a été publié : c’est un point que même les commentateurs techniques relèvent comme flou.

Cette absence de calendrier ne doit pas empêcher d’agir. Le bon réflexe n’est pas d’attendre la mise à jour de macOS, mais de commencer l’audit dès maintenant, pendant qu’il n’y a pas d’urgence.

Et dans votre entreprise ?

• Listez les applications et agents IA installés sur les Mac de l’entreprise qui disposent déjà de l’Accès complet au disque, dans Réglages > Confidentialité et sécurité.
• Demandez à vos fournisseurs d’agents IA (support, RH, finance) quelles permissions système leurs outils sollicitent réellement, et si l’accès complet au disque est vraiment nécessaire.
• Prévenez vos équipes qu’un nouvel écran de validation plus explicite apparaîtra lors d’une prochaine mise à jour macOS, pour éviter des tickets de support surprise.

Cette semaine, en moins d’une heure : ouvrez les réglages de confidentialité d’un Mac de l’entreprise et notez simplement quelles applications ont déjà cet accès complet au disque.

Un achat sur deux bascule vers l’Europe

Il y a un an, la Maif a ajouté un critère de souveraineté appel d’offres à sa grille d’évaluation des achats informatiques, aux côtés du prix, de la sécurité et de la performance. Elle vient de publier, dans une interview du 2 octobre 2026, le premier résultat concret de ce choix de méthode : plus d’un dossier sur deux aboutit désormais à une solution européenne. Le couple Scaleway et Mistral AI pour l’IA générative, Diabolocom pour la relation client, en sont les exemples les plus visibles.

Ce n’est pas un simple affichage. C’est un chiffre qui mesure directement l’effet d’un critère ajouté dans une procédure d’achat, pas une déclaration d’intention.

Ce qui a changé dans la méthode d’achat

La Maif n’a pas remplacé ses fournisseurs américains du jour au lendemain. Elle a ajouté une ligne dans sa grille de notation : la localisation des données, l’hébergement, le droit applicable comptent désormais autant que la performance ou la fiabilité. Un fournisseur européen qui répond correctement à ce critère gagne des points qu’il n’aurait pas eus avant.

Cette politique d’achat a été adaptée dès décembre 2025 pour réduire les dépendances envers certains éditeurs, selon LeMagIT. Le partenariat avec Mistral s’inscrit dans la continuité d’un système pilote destiné à renforcer la qualité de l’accompagnement des conseillers auprès des sociétaires.

Un critère ajouté à une grille d’appel d’offres a suffi à faire basculer la moitié des choix fournisseurs d’une grande entreprise française.

Les usages génératifs qui suivent

Côté usages, la Maif a identifié trois projets génératifs en voie de généralisation : la recherche dans les connaissances internes, les comptes rendus d’appels, et l’aide à la réponse aux réclamations. Fin 2025, elle recensait déjà une cinquantaine d’expérimentations internes.

Les limites à connaître

Le chiffre de la Maif porte sur le nombre de dossiers d’achat, pas sur le volume financier ni sur une comparaison technique fournisseur par fournisseur. Rien dans les sources ouvertes ne permet de dire si Mistral ou Scaleway égalent leurs concurrents américains sur chaque critère de performance.

Le critère n’a qu’un an d’existence : il est trop tôt pour mesurer son effet sur les coûts ou les délais à moyen terme. Une mutuelle avec des moyens IT importants n’a pas non plus les mêmes contraintes budgétaires qu’une PME, qui devra adapter la pondération du critère à ses propres ressources.

Et dans votre entreprise ?

• Ajoutez une ligne de souveraineté (localisation des données, hébergement, droit applicable) dans votre prochaine grille d’appel d’offres, même avec une faible pondération au départ.
• Choisissez un seul cas d’usage, par exemple la recherche documentaire interne, pour comparer une offre européenne à votre solution actuelle, avant de généraliser.
• Listez vos projets génératifs maison par thème (connaissance interne, synthèse, réponse client) : cela donne une base de décision simple à établir.

Cette semaine, en moins d’une heure : reprenez votre dernière grille d’appel d’offres IT et ajoutez-y une seule ligne notée sur la localisation des données.

Ce qui sépare les deux moitiés

En 2025, à peine 5 % des entreprises tiraient un bénéfice substantiel de l’IA. En 2026, elles seraient près d’une sur deux, selon une étude attribuée au cabinet BCG et relayée le 30 septembre 2026 par deux médias concordants. Ce basculement n’est pas venu d’un modèle plus puissant : il vient d’une méthode de déploiement différente, qui consiste à créer de la valeur avec l’ia plutôt que de se contenter de l’adopter.

La nuance compte. Adopter l’IA, c’est l’installer. En créer de la valeur, c’est mesurer un résultat avant et après, sur une tâche précise, puis décider de continuer ou d’arrêter. C’est cette seconde étape que la moitié stagnante n’a jamais franchie.

Le vrai frein n’est pas l’outil

Selon le Global Tech Report 2026 de KPMG, 53 % des dirigeants déclarent manquer des compétences nécessaires pour exécuter leurs plans de transformation, alors même que l’adoption de l’IA s’accélère et génère déjà des bénéfices concrets dans les organisations. Ce chiffre porte sur la transformation technologique au sens large, pas uniquement l’IA, mais il confirme un diagnostic simple : le goulot d’étranglement est humain, pas technique.

Avoir accès à l’IA ne suffit plus à en tirer un résultat : ce qui sépare les entreprises qui en créent de la valeur, c’est la méthode, pas le modèle.

La méthode en quatre étapes

Les entreprises qui créent de la valeur suivent un chemin reconnaissable.

• Elles font l’inventaire de leurs usages IA actuels et notent, pour chacun, s’il existe un indicateur avant/après : temps gagné, taux d’erreur, coût évité. Sans indicateur, pas de preuve, donc pas de décision possible.
• Elles désignent un référent IA interne, pas forcément technique, chargé de documenter les bonnes pratiques et de former les équipes. C’est la réponse directe au manque de compétences que pointe KPMG.
• Elles pilotent un chantier d’organisation, pas seulement d’outillage : elles revoient un processus métier entier plutôt que de brancher un outil sur l’existant sans rien changer autour.
• Elles fixent un jalon de revue à 90 jours pour décider de généraliser, corriger ou arrêter un usage. Sans ce jalon, l’expérimentation devient permanente, et c’est exactement ce qui caractérise la moitié des entreprises qui ne créent pas de valeur.

Et dans votre entreprise ?

Trois actions tiennent en une semaine. Listez sur une feuille les trois usages IA déjà en place dans votre entreprise et notez, pour chacun, l’indicateur de résultat qui existe, ou son absence. Choisissez une personne pour devenir référent IA et donnez-lui deux heures par semaine dédiées à documenter et former. Enfin, choisissez un processus récurrent et chronométrez sa version actuelle avant d’y toucher : c’est la seule base qui permettra, dans 90 jours, de dire si l’IA vous a fait gagner quelque chose.

Cette semaine, en moins d’une heure : ouvrez un tableau avec trois colonnes (usage, indicateur, décision prévue à 90 jours) et remplissez-le pour vos usages IA actuels, même s’il reste à moitié vide.

Un agent IA cite la mauvaise source, même quand il a raison

Un agent IA qui pioche dans plusieurs documents à la fois peut donner une information exacte tout en l’attribuant au mauvais document. Une équipe de recherche de Multiverse Computing a baptisé ce défaut « conflation inter-sources » : dans un billet publié le 29 septembre 2026, elle le définit comme une affirmation vraie quelque part dans les preuves consultées, mais attribuée à la mauvaise source.

Ce n’est pas la même chose qu’une hallucination classique, où l’IA invente un fait qui n’existe nulle part. Ici, le fait est réel. C’est le lien entre le fait et la source citée qui est faux. Un contrôle habituel de véracité, qui vérifie seulement si l’information existe dans les documents, ne détecte donc rien d’anormal.

Un exemple qui parle à toute entreprise avec un support client

Le billet de Multiverse Computing donne un cas concret, transposable à beaucoup de PME françaises. Un agent de support client répond : « Selon le dossier client, ce forfait inclut une période de rétractation de 30 jours. » Le délai de 30 jours peut être bien réel, mais il figure en fait dans un document de politique générale de l’entreprise, pas dans le dossier du client concerné.

Le client reçoit une réponse correcte. Mais si un désaccord survient ensuite, l’entreprise cite un document qui ne dit pas ce que l’agent a affirmé provenir de lui. Le problème devient juridique, pas seulement technique.

Une réponse peut être exacte et sa source, fausse : c’est le piège que ne voit aucun contrôle de véracité classique.

Un retour d’expérience indépendant sur un agent RAG en environnement documentaire décrit exactement le même symptôme côté finance : le chiffre existe bien quelque part, mais provient d’un périmètre financier différent de celui que la citation désigne. La réponse est correcte, la citation ne la soutient pas vraiment.

Un vérificateur dédié, testé sur 361 affirmations

Pour traiter ce défaut, l’équipe a construit un outil appelé ProvenanceGuard, conçu spécifiquement pour vérifier que la source citée est bien celle qui contient réellement l’information, pas seulement une source parmi celles consultées.

Le taux de bonne identification de la source, dans ce même test, tourne autour de 86 %. Ce chiffre vient d’un test mené par les auteurs de l’outil eux-mêmes, sur un cas d’usage médical précis : il montre une faisabilité, pas une garantie transposable telle quelle à tout secteur. Mais le mécanisme lui-même, la confusion entre « information vraie » et « bonne source », est confirmé de façon indépendante par une deuxième équipe de recherche, sur les systèmes RAG longs, et par un retour de terrain distinct.

Cette distinction change la façon de lire une réponse d’agent IA au quotidien. La présence d’une citation rassure, mais elle ne prouve rien à elle seule. Une étude académique sur les systèmes RAG longs note d’ailleurs que la présence de citations augmente significativement la confiance du lecteur dans l’information présentée, ce qui rend l’erreur d’autant plus discrète.

Et dans votre entreprise ?

Si vous préparez ou avez déjà déployé un agent IA connecté à plusieurs outils (CRM, base documentaire, ERP), trois vérifications simples s’imposent.

• Demandez au prestataire si l’outil trace, pour chaque affirmation de la réponse, quelle source précise l’a produite, et pas seulement « une source parmi celles consultées ».
• Sur un échantillon de 20 à 30 réponses concernant des sujets sensibles (facturation, juridique, données clients), vérifiez manuellement si la source citée contient bien l’information énoncée.
• Intégrez l’exemple du délai de rétractation dans votre prochaine session de formation IA interne, pour que les équipes distinguent « la réponse cite une source » de « la réponse cite la bonne source ».

Cette semaine, en moins d’une heure : listez les outils que votre agent IA interroge et vérifiez si leurs sorties sont identifiées séparément dans les journaux de l’outil.

Ce qui change cette semaine

Un nouveau modèle IA sur Bedrock, appelé Claude Sonnet 5.5, est disponible depuis cette semaine sur Amazon Bedrock, la plateforme cloud d’Amazon Web Services. C’est le modèle « milieu de gamme » d’Anthropic, pensé pour le code ciblé et le travail de connaissance courant : rédaction, synthèse, correction, classement.

La nouveauté n’est pas seulement la performance. Amazon présente ce modèle comme « plus intelligent et plus efficace, avec un coût par tâche plus bas à vitesse plus rapide ». Autrement dit : le tarif au mot n’a pas forcément baissé, mais le résultat coûte moins cher à obtenir.

Pourquoi la vitesse fait baisser la facture

Un modèle IA ne répond pas toujours du premier coup. Pour une tâche complexe, il peut avoir besoin de plusieurs allers-retours : consulter un outil, vérifier une information, reformuler. Chaque aller-retour coûte des tokens, donc de l’argent.

Un modèle plus rapide et mieux entraîné a souvent besoin de moins de ces allers-retours pour arriver au bon résultat. C’est ce mécanisme, la réduction du nombre d’appels d’outils, que VentureBeat et Anthropic associent au lancement de Sonnet 5.5.

Un modèle plus rapide ne coûte pas forcément moins cher au mot, mais il peut coûter moins cher au résultat.

Ce que ça permet dans une PME française

Si votre entreprise passe déjà par Amazon Bedrock pour un usage IA (rédaction, code, traitement de documents), le changement de modèle peut se faire sans changer d’outil ni de contrat. C’est une bascule de configuration, pas un nouveau projet.

• Demandez à votre prestataire ou développeur si passer à Sonnet 5.5 est un simple paramètre dans l’API.
• Testez le nouveau modèle sur une tâche récurrente, avec un échantillon de dix requêtes identiques à l’ancien modèle.
• Comparez le temps de réponse et le coût par tâche réussie, pas seulement le tarif affiché.

Le même jour, un autre modèle, Grok 4.7, est aussi arrivé sur Bedrock. Une PME peut donc comparer plusieurs modèles sur la même plateforme cloud, sans multiplier les contrats ni les factures séparées.

Les limites à connaître avant de migrer

Cette annonce vient d’Anthropic et de son partenaire AWS. Les chiffres de gain de vitesse et de coût cités dans la presse proviennent des tests internes du fournisseur, pas d’un audit indépendant. Ils méritent d’être vérifiés sur votre propre usage avant toute conclusion.

Le comportement d’un modèle change selon le type de document ou de code traité : un gain mesuré sur du code ne se retrouve pas forcément sur de la rédaction commerciale. Enfin, ce lancement ne change rien pour les entreprises qui n’utilisent pas AWS : vérifiez si le même modèle est aussi accessible via l’API directe d’Anthropic ou un autre cloud avant de parler de baisse de coût générale.

Et dans votre entreprise ?

Si vous utilisez déjà l’IA via Amazon Bedrock, voici trois actions possibles cette semaine.

• Demandez à votre prestataire si le changement de modèle est disponible sans réécrire vos prompts.
• Choisissez une tâche récurrente (dix requêtes suffisent) et comparez ancien et nouveau modèle sur le temps de réponse et le coût par résultat correct.
• Si vous n’êtes pas sur Bedrock, vérifiez simplement si votre outil IA actuel propose déjà ce type de modèle plus rapide.

Cette semaine, en moins d’une heure : posez la question du changement de modèle à la personne qui gère votre abonnement IA, avant de décider quoi que ce soit.

Ce que Zeffy a réussi à faire

Automatiser support client avec IA a permis à Zeffy, plateforme de collecte de fonds pour associations fondée en 2018 par les Français François de Kerret et Thibaut Jaurou, de multiplier son activité par dix en trois ans tout en ne doublant que ses effectifs. L’entreprise compte aujourd’hui 44 salariés, dont 20 en France, pour un revenu net annuel de 46 millions de dollars et 3 milliards de dollars levés au total par 130 000 associations clientes.

Le détail vient d’être publié ce 28 septembre par Maddyness, dans un entretien avec les fondateurs. Le mécanisme central : un premier niveau d’IA, alimenté par la base de connaissances interne de l’entreprise, prend en charge environ 80 % des tickets de support client. Le reste part vers des humains, pour les cas complexes ou sensibles.

Le détail qui change tout : le contexte, pas seulement les réponses

Ce n’est pas une simple FAQ automatisée. Zeffy connecte son IA aux données propres de chaque utilisateur : paiements, historique, statut du dossier. Une association qui demande pourquoi un virement est bloqué obtient une réponse contextualisée, sans devoir reconstituer elle-même son dossier auprès du support.

Une IA qui connaît le dossier du client répond mieux qu’une IA qui connaît seulement les procédures.

C’est cette différence, contexte réel contre réponse générique, qui explique pourquoi le taux d’absorption des tickets est aussi élevé. Une FAQ statique aurait plafonné bien plus bas.

Ce que ça suppose avant de se lancer

Zeffy n’a pas commencé par l’IA. L’entreprise a d’abord construit un modèle économique simple, sans commission sur les dons, avant d’investir dans l’automatisation. L’IA consolide un modèle déjà rentable, elle ne le remplace pas.

Autre point de prudence : les chiffres sur l’IA (80 % des tickets, effectifs qui doublent pour une activité qui décuple) proviennent d’un entretien avec l’entreprise, pas d’un audit indépendant. Le podcast Silence, ça entreprend ! confirme la trajectoire de croissance générale, mais pas ces chiffres précis sur l’IA.

Et dans votre entreprise ?

• Lister les 20 questions les plus fréquentes reçues par votre support sur les trois derniers mois, et vérifier combien sont déjà documentées quelque part.
• Identifier une seule source de données internes (CRM, ERP, outil de facturation) à connecter en priorité à un futur assistant, plutôt que de viser tout relier d’un coup.
• Calculer le ratio croissance du chiffre d’affaires sur croissance des effectifs des deux dernières années, pour avoir un point de départ avant de fixer un objectif d’automatisation.

Cette semaine, en moins d’une heure : sortez la liste des tickets de support du dernier trimestre et comptez combien répètent la même question. C’est votre premier indicateur, avant tout projet d’IA.

Ce que vos salariés font déjà sans vous le dire

Si vous n’organisez pas vous-même la formation à l’IA dans votre entreprise, vos salariés s’en chargent seuls. Souvent avec des comptes personnels, sur des outils que vous ne maîtrisez pas. C’est ce qu’on appelle le shadow AI, et la parade n’est pas un stage à part : c’est former ses salariés à l’IA de façon courte et intégrée au travail quotidien.

Ce décalage n’est pas une hypothèse. Il est mesuré, cette semaine encore, par plusieurs études convergentes sur l’adoption de l’IA en France.

Pourquoi le déficit de formation crée le shadow AI

Le mécanisme est simple. Un salarié découvre qu’une IA lui fait gagner du temps sur une tâche de rédaction ou de synthèse. Personne ne lui a fourni d’outil professionnel, ni expliqué les règles. Il ouvre un compte personnel, et l’entreprise perd toute visibilité sur ce qui transite par cet usage.

L’ampleur du phénomène est documentée par le Blog du Modérateur, qui cite une étude Ipsos bva pour Google : 51 % des adultes français ont utilisé une application d’IA en 2025, soit une progression de 23 points en deux ans. L’adoption touche tous les profils, mais reste plus marquée chez les jeunes (62 %) et les managers (55 %), selon l’Apec.

Le déficit de formation ne freine pas l’usage de l’IA, il le rend simplement invisible pour l’employeur.

La méthode en quatre étapes

La première étape consiste à cartographier l’usage réel avant de former quoi que ce soit. Un sondage interne de cinq questions, envoyé cette semaine à chaque équipe, suffit à savoir qui utilise déjà quel outil, et pour quelle tâche.

La deuxième étape est de former par tâche, pas par outil. Plutôt qu’une formation générique à l’IA, concevez des modules de trente minutes ciblés sur les usages dominants : rédaction, synthèse, aide à la décision. Ce sont précisément les usages que l’Apec identifie chez les cadres.

La troisième étape consiste à intégrer la formation au temps de travail, avec un créneau récurrent, par exemple une heure par mois, plutôt qu’un stage ponctuel. C’est exactement ce que réclament les salariés eux-mêmes.

La quatrième étape consiste à documenter la conformité en parallèle. La CNIL a annoncé qu’elle intensifierait ses contrôles sur les systèmes RH à partir de l’automne 2026, et les sanctions pour non-conformité à l’AI Act peuvent atteindre 7,5 millions d’euros ou 1 % du chiffre d’affaires mondial. Consigner les usages autorisés et les comptes professionnels fournis protège l’entreprise autant que les salariés.

Un point de vigilance : la formation seule ne suffit pas. Si l’entreprise ne fournit pas d’accès officiel aux outils, les salariés reviennent à leurs comptes personnels, même après une bonne session de formation.

Et dans votre entreprise ?

Trois actions sont réalisables sans attendre un budget ou un prestataire externe.

• Envoyer cette semaine un sondage interne de cinq questions pour savoir quels outils d’IA sont déjà utilisés dans vos équipes, y compris via des comptes personnels.
• Repérer les deux ou trois tâches où l’usage est le plus fréquent (rédaction, synthèse, aide à la décision) et prévoir un module de trente minutes sur chacune.
• Fixer dès maintenant un créneau mensuel récurrent, plutôt qu’un stage isolé, pour que la formation colle au rythme de travail.

Cette semaine, en moins d’une heure : rédigez et envoyez ce sondage de cinq questions à vos équipes, c’est le point de départ de toute la méthode.

Des agents qui publient, pas seulement qui rédigent

Un agent IA marketing, tel que le définit Ibexa dans son communiqué du 23 septembre 2026, ne se limite pas à proposer un brouillon. Il agit directement dans les outils déjà utilisés par l’équipe : rédaction, mise en page, traduction, puis mise en ligne. L’éditeur, qui compte dans son giron le PIM nantais Quable, a lancé sa plateforme en bêta restreinte depuis Oslo, Bruxelles, Paris, Lisbonne et Cologne.

La différence avec un copilote classique tient en un mot : l’exécution. Là où un assistant suggère un texte que quelqu’un doit ensuite copier, adapter et publier, l’agent fait ces étapes lui-même, dans le logiciel de l’entreprise, sans qu’on change d’outil.

Ce que ça change concrètement

La plateforme se connecte à plus de 200 outils marketing courants, sans reconstruction de la pile technique et sans programme IA de plusieurs trimestres à lancer en amont. Elle est aussi conçue pour laisser choisir le modèle de langage utilisé, afin de respecter la politique interne de l’entreprise sur les IA autorisées.

Une page produit qui prenait plusieurs jours se monte en moins d’une demi-heure, promet l’éditeur, à condition de garder un humain qui valide.

La gouvernance reste visible : chaque exécution est rattachée à l’identité de la personne qui l’a lancée, à ses droits d’accès et à un budget suivi. Rien ne se publie sans traçabilité.

Les limites à connaître avant de se lancer

Le chiffre de gain de temps vient uniquement de l’éditeur. Aucune étude indépendante ni client nommé ne le confirme à ce stade, la plateforme n’étant qu’en bêta restreinte. Ibexa vise plutôt les ETI et grands comptes marketing dotés d’une pile d’outils déjà en place : une très petite entreprise sans ce type d’organisation n’en tirera pas un bénéfice immédiat.

Autre point à retenir : la disponibilité générale n’arrivera que le 12 janvier 2027. D’ici là, l’accès reste réservé à un programme restreint d’entreprises pionnières, donc pas encore un outil à déployer largement en interne.

Et dans votre entreprise ?

• Demander une démonstration cette semaine (le communiqué officiel invite explicitement à le faire) pour tester un cas précis : une page produit ou une déclinaison multilingue de campagne.
• Chronométrer aujourd’hui le temps réel que prend cette tâche chez vous, avant de comparer avec la promesse de 15 à 30 minutes.
• Vérifier avec votre DSI quel modèle de langage serait compatible avec votre politique interne, puisque la plateforme laisse ce choix ouvert.

Le premier pas, faisable cette semaine en moins d’une heure : chronométrer la production de votre dernière page produit ou de votre dernière traduction de campagne, pour avoir un chiffre à vous à comparer le jour où vous testerez ces agents.

Le début de votre prompt est facturé 10 % la deuxième fois

Quand votre logiciel interroge une IA par API, le fournisseur découpe votre texte en tokens et les facture. Le cache de prompt IA introduit une exception : si le début de votre message est exactement identique à celui d’une requête récente, le modèle ne le recalcule pas. La documentation de Mistral AI consacrée au « Prompt caching », consultée le 23 septembre 2026, est explicite : ces tokens réutilisés sont facturés 10 % du prix d’entrée standard, et la réponse arrive plus vite.

Autrement dit, votre longue consigne système, votre procédure de SAV ou votre extrait de catalogue ne coûtent plein tarif qu’une fois. Ensuite, ils coûtent un dixième.

Le mot à retenir : préfixe

Le cache ne compare pas le sens de vos requêtes, il compare leur début caractère par caractère. Le terme technique est le préfixe. Deux requêtes partagent un préfixe quand elles commencent strictement pareil, jusqu’au premier endroit où elles divergent. À partir de ce point de divergence, tout est recalculé et refacturé.

D’où la règle, simple à réexpliquer à un collègue à midi.

Ce qui ne bouge jamais se met au début du prompt, ce qui change à chaque client se met à la fin. C’est toute la technique.

Deux détails conditionnent le gain. Chez Mistral, le cache fonctionne par blocs de 64 tokens : un prompt plus court que 64 tokens n’obtient jamais de réutilisation. Chez OpenAI, l’annonce « Better prompt caching for GPT-6 » du 22 septembre 2026 indique une remise pouvant aller jusqu’à 90 % sur les tokens d’entrée mis en cache, pour des préfixes éligibles réutilisés dans une fenêtre de 30 minutes. Un assistant sollicité toute la journée en profite. Un script lancé une fois par semaine, non.

Ce qui casse le cache, et la décision qui l’évite

La cause la plus fréquente d’une facture qui double sans explication : quelqu’un a modifié le début du prompt. Une définition d’outil retirée, une consigne glissée en tête, un horodatage automatique inséré à la première ligne. Chaque appel repart alors de zéro.

OpenAI a publié le 22 septembre 2026 un outil de diagnostic qui renvoie directement le motif de l’échec et le volume concerné. L’exemple donné dans l’annonce : motif « tools_changed », 5 629 tokens perdus. Ses recommandations officielles vont toutes dans le même sens : garder les définitions d’outils, les schémas et leur ordre stables, restreindre les outils disponibles plutôt que les supprimer de la liste, ajouter les nouvelles instructions en fin de contexte, et « préchauffer » le cache au démarrage de l’application.

La décision à prendre chez vous tient en une ligne : on verrouille l’en-tête du prompt, on n’ajoute qu’à la fin.

Mesurer, plutôt que croire

Pas besoin d’un outil tiers pour vérifier. Chaque réponse d’API renvoie un compteur de tokens mis en cache, à rapporter au total des tokens de prompt. Mistral l’expose dans le champ cached_tokens de la réponse et dans le suivi par modèle de son panneau d’administration. OpenAI a ajouté le 22 septembre 2026 un tableau de bord montrant le taux de réutilisation dans le temps et la part de tokens cachés.

La méthode tient en trois gestes : relever le taux sur dix appels réels, réorganiser le prompt, refaire la mesure. Les retours clients publiés par OpenAI le même jour donnent l’ordre de grandeur atteignable : GitHub Copilot annonce avoir réduit de plus de 50 % la part de tokens de prompt à retraiter, Manus est passé d’environ 85 % à plus de 90 % de taux de cache en moins d’une semaine.

Deux limites à garder en tête. Le cache ne change ni la réponse ni sa qualité : il économise un recalcul, rien d’autre. Et il ne porte jamais sur les tokens de sortie, facturés plein tarif dans tous les cas.

Et dans votre entreprise ?

• Ouvrez le prompt de votre assistant le plus sollicité (support, devis, rédaction d’offres) et déplacez en fin de message tout ce qui varie : nom du client, date, numéro de dossier, question du jour.
• Attribuez un identifiant de session stable par dossier client si votre fournisseur le propose, et figez la version du prompt système au lieu de la retoucher chaque semaine. N’y mettez aucune donnée sensible ni clé d’accès : la documentation de Mistral l’interdit explicitement.
• La prochaine fois que le coût par échange grimpe, cherchez d’abord ce qui a changé au début du prompt avant d’accuser le modèle.

Premier pas de la semaine, moins d’une heure : demandez à la personne qui gère vos appels API de relever le taux de tokens mis en cache sur dix requêtes réelles, et notez le chiffre. Vous saurez immédiatement s’il y a de l’argent à récupérer, et combien.

Le mode Auto ne comprend pas votre tâche, il lit votre phrase

Le 18 septembre 2026, un ingénieur de Michelin, Romain Masseboeuf, a publié sur le blog technique du groupe le compte rendu de trois jours de mesures sur le mode « Auto » de GitHub Copilot. Environ 700 requêtes, dont 644 porteuses d’un événement de routage, 54 tâches vérifiées par script, 29 appels répartis sur la journée. Résultat opérationnel : l’équipe a changé le réglage par défaut de ses développeurs.

La leçon tient en une phrase, et elle vaut dès qu’il faut choisir le modèle IA par défaut d’un assistant. Un mode automatique ne regarde pas votre projet : il calcule quatre scores (raisonnement, usage d’outils, génération de code, débogage) sur le texte seul de votre message, en déduit une gamme de prix, et tire un modèle dedans. Même phrase, mêmes scores à la troisième décimale, que la requête parte d’un dossier vide, d’un dépôt de code ou d’un poste avec trois connecteurs chargés. Puis le modèle retenu reste actif pour toute la conversation.

Ce n’est donc pas un détail d’administrateur : ce réglage décide d’une partie de votre facture et de la qualité des réponses que reçoivent vos équipes.

Un mode automatique n’est pas un expert qui vous comprend : c’est un classifieur qui lit vos premiers mots et s’y tient.

Le contexte ne pèse pas sur le choix, il pèse sur la facture

Le projet ouvert n’entre pas dans la décision de routage. Il entre dans le coût. Michelin a mesuré 6,58 crédits pour un appel lancé dans un répertoire vide, contre 18,76 crédits pour le même appel dans un espace de travail chargé.

Brancher un assistant sur vos documents reste ce qui le rend utile et vérifiable : c’est ainsi qu’il répond à partir de vos contenus et cite ses sources. La mesure dit seulement de choisir ce qu’on lui ouvre, tâche par tâche, plutôt que de tout charger par confort.

On ne négocie pas avec un classifieur, on ordonne ses questions

Deux tests méritent d’être répétés à midi à un collègue. Écrire « question d’architecture complexe » devant sa demande n’a produit aucun passage à un modèle supérieur, sur 24 tentatives. À l’inverse, écrire « question simple » a produit 7 rétrogradations, et dans 4 cas sur 5 la réponse du petit modèle couvrait entièrement la demande.

L’effet le plus net vient de l’ordre. Sur des sessions scriptées de sept questions, ouvrir par la question difficile coûte environ 13,7 crédits. Poser d’abord la question triviale, pour les mêmes sept questions, coûte 0,78 crédit. Facteur 17, à contenu identique.

Trois détails complètent le tableau, tous mesurés dans le même billet : ajouter le verbe « refactor » déplace le score de raisonnement de 0,164 (le plus fort effet observé), les formules de politesse font baisser le score au lieu de le monter, et une requête en anglais score en moyenne 0,035 de moins que sa jumelle française.

La décision prise, et sa limite assumée

Les nouvelles conversations s’ouvrent désormais sur l’un des deux modèles les moins chers du catalogue autorisé, pas sur Auto. La remise annoncée pour le mode automatique existe bien (la facture Auto valait 0,881 fois celle du modèle forcé sur six paires comparables, soit environ 10 % de moins), mais elle porte sur le mauvais repère : sur six tâches vérifiables, le petit modèle a réussi trois fois sur trois pour 0,4 à 1 crédit, quand Auto coûtait 6 à 18 fois plus sans meilleur résultat.

L’éditeur a d’ailleurs bougé : le 14 septembre 2026, GitHub a ajouté trois niveaux de sélection (Efficiency, Balance, Intelligence), en précisant que la facturation reste celle du modèle réellement utilisé et que la remise de 10 % est maintenue pour les abonnés payants.

La limite est nommée par l’auteur lui-même. L’ancrage joue aussi vers le bas : une session ouverte sur un petit modèle y reste, même quand la question devient difficile. D’où la contrepartie de la décision, qui traite la cause : garder le changement de modèle explicite disponible, et surveiller la qualité sur les tours vraiment exigeants. Les mesures valent pour un catalogue, une version d’outil et un abonnement donnés. Ce sont le mécanisme et la méthode qui se transposent, pas les volumes d’un groupe industriel.

Et dans votre entreprise ?

• Forcez pendant une semaine le modèle le moins cher de votre assistant (code, rédaction, bureautique) et notez par écrit les seuls cas où il n’a pas suffi. Vous aurez une frontière réelle, pas une intuition.
• Prenez trois tâches répétitives concrètes, lancez-les trois fois sur le petit modèle et trois fois sur le grand, comparez réussite et coût. Trois essais suffisent à situer la limite.
• Apprenez à vos équipes à séparer leurs sessions : les questions simples ensemble, les dossiers lourds dans une conversation dédiée, ouverte par la question la plus exigeante.

Premier pas cette semaine, en moins d’une heure : ouvrez la console d’administration de votre assistant, fixez le modèle le moins cher comme choix par défaut, et dites aux équipes qu’elles peuvent basculer explicitement sur un modèle plus puissant quand la tâche le demande.

Une page par tâche, et l’agent suit votre méthode

La méthode tient dans un objet simple : une fiche procédure pour agent IA, c’est-à-dire une page par tâche récurrente qui porte un nom, une description, les instructions pas à pas et les étapes de vérification.

L’agent ne la reçoit pas d’avance. Il va la chercher lui-même, comme un outil ordinaire, au moment où la tâche se présente. Un modèle connaît le monde, pas votre façon de faire : la fiche comble exactement cet écart.

C’est ce qu’a décrit Ajay Prakash, ingénieur chez LinkedIn, à QCon AI Boston 2026, dans une transcription publiée par InfoQ le 19 septembre 2026.

Comment s’écrit une fiche

Deux règles de rédaction, et elles suffisent. Première règle : une fiche, une seule tâche. Deuxième règle : une procédure longue est découpée en fiches courtes réutilisables, que les fiches principales appellent à leur tour.

L’exemple donné chez LinkedIn est technique (monter un enchaînement de traitements de données). La transposition en PME est immédiate : réponse à un appel d’offres, relance d’impayés, rédaction d’un devis type, compte rendu de chantier. Une page par tâche, écrite par la personne qui la fait déjà.

Dernier élément, le plus souvent oublié : chaque fiche contient des étapes de vérification qui permettent à l’agent de contrôler son propre travail. Chez LinkedIn, le point de bascule n’était pas la vitesse d’exécution, mais la confiance dans ce que l’agent produisait.

Ce qui rend un agent fiable, ce n’est pas un meilleur modèle, c’est une page écrite par la personne qui fait déjà la tâche.

Qui écrit, qui valide, qui supprime

N’importe quel salarié peut créer une fiche et la déposer dans un dépôt central. Une fois déployée, elle est disponible pour toute l’entreprise en une heure. Une équipe centrale maintient le socle technique et les outils de base, les contributions restent ouvertes mais passent une revue sécurité.

Le point le plus instructif est l’entretien. Les fiches périment, parce qu’elles figent un état du système à un instant donné. LinkedIn supprime activement celles qui ne sont ni utilisées ni maintenues, et les fiches devenues fausses sont corrigées à l’usage. Chez vous, cela se traduit par deux mentions en haut de chaque fiche : un propriétaire nommé, une date de dernière révision.

Le piège du catalogue géant

Passé une trentaine d’outils exposés directement à l’agent, les performances se dégradent. LinkedIn a donc remplacé le catalogue par une recherche : mots-clés et étiquettes. C’est ce qui permet de monter à des milliers de fiches sans perdre en qualité.

Pour une PME, la leçon arrive plus tôt qu’on ne croit. Dès une quinzaine de fiches, nommez-les avec les mots réels du métier (« relance impayé J+30 » plutôt que « procédure 12 ») et ajoutez deux ou trois étiquettes. L’agent trouvera la bonne, et vos équipes aussi.

Ce qui est accessible sans équipe technique

Le même mécanisme existe désormais dans un produit grand public. Mistral a annoncé le 28 mai 2026 que Le Chat devient Vibe, avec un mode de travail qui planifie puis exécute des tâches longues, des connecteurs vers Google Workspace, Outlook, SharePoint, Slack ou GitHub, des compétences réutilisables pour les tâches répétitives, une planification quotidienne, hebdomadaire ou mensuelle, et des permissions réglées par l’administrateur. Les tarifs annoncés vont d’une offre gratuite à 24,99 dollars par utilisateur et par mois pour l’offre équipe.

Deux réserves honnêtes : cette page est une communication d’éditeur, sans gain mesuré publié, et les tarifs sont à revérifier avant tout engagement. Surtout, brancher un agent sur vos boîtes mail et vos espaces documentaires suppose de régler les droits d’accès avant le premier usage, pas après.

Et dans votre entreprise ?

• Listez les cinq tâches que quelqu’un refait chaque semaine. Gardez la plus fréquente, pas la plus complexe.
• Faites écrire la fiche par la personne qui exécute la tâche, en dix lignes, en terminant par trois étapes de vérification. Testez-la avec un nouvel arrivant : s’il y arrive, l’agent y arrivera.
• Créez un dossier partagé unique, avec un propriétaire nommé et une date de révision par fiche. Supprimez sans état d’âme celles que personne n’ouvre.

Cette semaine, en moins d’une heure : ouvrez un document, écrivez les dix lignes de votre tâche la plus répétitive, et donnez-les telles quelles à votre assistant IA pour voir ce qu’il en fait.