thekb.eu — Économie & Marché

GLM-5.2 leads open weights models and sits at #3 overall on GDPval-AA, a real-world agentic work benchmark

Mon, 22 Jun 2026 00:00:00 GMT

Artificial Analysis — plateforme d'évaluation indépendante de modèles d'IA — publie (fil X/Twitter du 22 juin 2026 + page modèle détaillée) un comparatif plaçant **GLM-5.2**, le dernier modèle de **Z.ai** (Zhipu AI), au sommet des modèles à **poids ouverts** et **#3 au classement général** de **GDPval-AA**. Ce benchmark mesure la performance sur du **travail de connaissance réel et économiquement valorisable**, à travers des tâches **longue-horizon et multi-tours**, conçues comme de véritables épreuves professionnelles (par exemple la liste de tâches quotidienne d'un superviseur de magasin, ou un document technique IEC) couvrant du travail professionnel comme créatif. GLM-5.2 obtient **1524 Elo**, derrière les seuls **Claude Fable 5 (1783)** et **Claude Opus 4.8 (1615)**, et à parité avec **GPT-5.5 en réglage xhigh (1509)**. Surtout, il domine le camp ouvert d'une **large marge** : le meilleur modèle ouvert suivant, **MiniMax-M3**, ne marque que **1408**. GLM-5.2 devance aussi plusieurs modèles propriétaires — **Gemini 3.5 Flash (1357)**, **Qwen 3.7 Max (1289)** et **Muse Spark (1158)**. La nature **agentique** des tâches est soulignée : GLM-5.2 a moyenné **~31 tours par tâche** sur **1 999 matchs**. La méthode d'Artificial Analysis consiste à donner les **mêmes briefs** à GLM-5.2 et à trois modèles frontière propriétaires (Fable 5, GPT-5.5, Gemini 3.5 Flash), puis à **rendre chaque livrable exactement tel que produit**. Le résultat est cohérent sur l'ensemble des index maison : GLM-5.2 est **1er des open weights** sur l'**Intelligence Index**, **#3 sur l'Agentic Index** et **#3 sur AA-Briefcase** (où il est le meilleur modèle ouvert, devant GPT-5.5 xhigh et derrière seulement Fable 5). La page modèle complète le tableau : GLM-5.2 est un **Mixture of Experts** de **753 milliards de paramètres** (dont **40 milliards actifs**), un **modèle de raisonnement** à contexte **1M tokens**, distribué sous **licence MIT** (usage commercial, poids sur Hugging Face), sorti le **16 juin 2026**. Côté économie : **1,40 $ / 4,40 $** par million de tokens (entrée/sortie), un cache hit à **0,26 $** (-81 %), un débit de **106,3 tokens/s** et un temps au premier token de **1,36 s**. Le message porté par les chiffres est clair : qu'un modèle **open weights** à ce tarif rivalise avec la frontière propriétaire sur du **travail agentique réellement utile** constitue, selon Artificial Analysis, *« a real step for open models »*. La convergence ouvert/propriétaire ne se joue plus seulement sur les tests académiques, mais sur la valeur économique produite en conditions agentiques.

A frontier without an ecosystem is not stable

Fri, 12 Jun 2026 00:00:00 GMT

Satya Nadella, PDG de Microsoft, publie sur X une réflexion sur « le futur de la firme » dans une économie pilotée par l'IA. Sa thèse de départ : cette transition diffère de tout précédent changement de plateforme. Jusqu'ici, les systèmes numériques augmentaient le capital humain ; pour la première fois, on peut créer une véritable **boucle cognitive** entre les personnes et les machines. Ce qui est en jeu n'est pas un outil, mais la façon dont les organisations continuent d'apprendre, de bâtir leur IP, de se différencier et de prospérer dans un monde où les modèles d'IA absorbent et banalisent l'expertise des humains et des organisations. Nadella propose une distinction centrale : chaque entreprise devra construire un **capital humain** (savoir, jugement, relations, ingéniosité, reconnaissance de patterns) et un **capital token** (la capacité IA qu'elle bâtit et possède). Le capital humain ne perd pas de valeur quand le capital token croît — au contraire, il en gagne : l'agence humaine est le moteur de la croissance du capital token. Sans direction humaine, « le compute tourne en rond ». La vraie opportunité n'est donc pas de choisir le meilleur modèle, mais de bâtir une **boucle d'apprentissage** au-dessus des modèles, où les deux capitaux composent. On peut déléguer une tâche, voire un poste, mais jamais son apprentissage. Cela exige une nouvelle architecture où chaque entreprise construit des systèmes agentiques qui s'améliorent avec le temps tout en gardant le contrôle de son IP. Le test de souveraineté : pouvoir remplacer un modèle « généraliste » sans perdre l'expertise du « vétéran de l'entreprise ». Trois briques : des **private evals** mesurant l'amélioration sur les résultats métier (pas les benchmarks externes), des **environnements de RL privés** entraînés sur les traces réelles internes, et une **base de connaissances** rendant la mémoire institutionnelle interrogeable. Cette boucle devient la nouvelle IP de la firme — une « hill climbing machine » qui compose : chaque workflow amélioré produit un meilleur signal d'entraînement, accélérant l'accumulation de savoir tacite unique, et créant un avantage difficile à répliquer. Nadella conclut par un avertissement d'économie politique : un monde où quelques modèles captent toute la valeur ne sera pas toléré socialement. Il convoque la première mondialisation, qui a vidé des économies industrielles par l'externalisation, comme repoussoir. La priorité doit être de bâtir un **écosystème frontière**, pas seulement un **modèle frontière**, pour que la valeur se diffuse à chaque entreprise, secteur et pays — l'« ethos » plateforme qu'il revendique, et le seul équilibre stable à construire ensemble.

Claude Fable 5 and Claude Mythos 5

Tue, 09 Jun 2026 00:00:00 GMT

Le 9 juin 2026, Anthropic annonce le lancement simultané de deux modèles. **Claude Fable 5** est un modèle de « classe Mythos » rendu sûr pour un usage général : ses capacités dépassent celles de tout modèle qu'Anthropic a rendu publiquement disponible, atteignant l'état de l'art sur la quasi-totalité des benchmarks testés. **Claude Mythos 5** est le même modèle sous-jacent, mais avec les garde-fous levés dans certains domaines ; il est réservé à un petit groupe de cyberdéfenseurs et fournisseurs d'infrastructure, déployé initialement via Project Glasswing (en collaboration avec le gouvernement américain) comme mise à niveau de Claude Mythos Preview. Mythos 5 possède les plus fortes capacités de cybersécurité de tous les modèles au monde. Les deux modèles sont tarifés à 10 $ par million de tokens en entrée et 50 $ en sortie, soit moins de la moitié du prix de Mythos Preview. Pour déployer rapidement et en sécurité, Fable 5 embarque des garde-fous (classifieurs) volontairement conservateurs : sur certains sujets, la requête reçoit la réponse d'Opus 4.8. Ils se déclenchent en moyenne dans moins de 5 % des sessions. Côté capacités, **ingénierie logicielle** : Stripe rapporte que Fable 5 a « comprimé des mois d'ingénierie en jours », réalisant une migration d'un codebase Ruby de 50 millions de lignes en un jour (vs deux mois pour une équipe). Le modèle obtient le meilleur score des modèles frontière sur FrontierCode (Cognition). **Travail de connaissance** : meilleur score de tous les modèles sur le Finance Benchmark de Hebbia (raisonnement niveau senior). **Vision** : état de l'art ; reconstruit le code source d'une web app depuis des captures d'écran, termine Pokémon FireRed en vision seule. **Mémoire** : la mémoire fichier persistante améliore ses performances 3× plus que pour Opus 4.8. **Sciences du vivant** : avec Mythos 5, les experts en design de protéines d'Anthropic ont accéléré le processus d'environ 10× ; 9 des 14 cibles protéiques ont donné des candidats forts. Mythos 5 est le premier modèle à produire des hypothèses scientifiques nouvelles et convaincantes, préférées ~80 % du temps en comparaison aveugle ; il a aussi mené des recherches de génomique autonomes, entraînant un modèle 100× plus petit qui surpasse une publication récente de Science. L'évaluation d'alignement automatisée situe le comportement désaligné de Mythos 5 à un niveau bas, similaire à Opus 4.8. Des témoignages clients (Cursor, GitHub, Vercel, EvolutionaryScale) confirment l'autonomie sur des tâches à long horizon et un raisonnement supérieur à Opus 4.8.

Tokenomics foundation : l'ère du FinOps appliqué à l'IA est officiellement ouverte

Thu, 04 Jun 2026 00:00:00 GMT

Analyse de **Olivier Rafal** pour **WeNvision** (cabinet de conseil FR), publiée le **4 juin 2026** (lecture ~4 min), qui commente le lancement de la **Tokenomics Foundation** par la **Linux Foundation** (annonce du 3 juin, en partenariat avec la **FinOps Foundation**) et y voit l'ouverture officielle de **l'ère du « FinOps appliqué à l'IA »**. **Thèse-pivot** : l'IA a transformé l'économie du développement logiciel ; le **token** est devenu *« la nouvelle unité de mesure des dépenses technologiques »*, à l'image du cloud des années 2010 (coûts **récurrents et variables** exigeant une gestion active), d'où la bascule des fournisseurs du forfait vers la **facturation au token**. **Ordre de grandeur (urgence)** : *« Selon Goldman Sachs, l'utilisation mondiale de tokens devrait être multipliée par 24 d'ici 2030 pour atteindre 120 millions de milliards de tokens par mois »* — ce qui fait passer l'efficience du token du *« détail technique »* au sujet de **comité de direction**. Citation reprise de **J.R. Storment** (créateur de la FinOps Foundation) : *« Les coûts et l'efficacité des tokens sont devenus une préoccupation au niveau des PDG, pas une note de bas de page technique. »* **Problème de transparence/standardisation** : les tarifs IA actuels ne sont pas comparables (tokens input / systèmes de cache / output diffèrent d'un modèle à l'autre) → la Tokenomics Foundation veut **étendre la spécification open source FOCUS** pour fournir un **langage commun** d'achat et de comparaison. **Message central de Rafal (au-delà du coût)** : *« L'enjeu du FinOps n'est pas tant de réduire les coûts que d'optimiser l'efficience »* — la vraie métrique est le **coût IA rapporté à l'impact métier** (*time to market, qualité, fonctionnalités, écoconception*). **Limite des standards seuls** : les normes techniques ne suffisent pas, il faut **repenser le Target Operating Model** (équipes, processus, culture de la donnée, alignement métier) ; les Américains annoncent déjà *« la fin des double pizza teams au profit des sandwich teams »*. **Avertissement-marqueur** : *« une SDLC dopée à l'IA se contentera […] d'amplifier les problèmes et de vous aider juste à aller plus vite… dans le mur »* (sans fondations organisationnelles). **Sponsors cités** de la fondation : Accenture, Booking.com, Google Cloud, Microsoft, IBM, Salesforce. **Offre WeNvision** : *« co-construire une feuille de route, repenser le modèle opérationnel à l'ère agentique et instaurer cette gouvernance financière devenue indispensable »*. **Lecture francophone, orientée dirigeants/transformation** de la fiche [[tokenomics-foundation-linux-finops-token-economics-about-2026-06-03]] ; converge avec le cluster FinOps agentique [[finops-foundation-finops-for-ai-overview-2026-02-17]], [[finout-finops-ai-agents-four-step-allocation-framework-2026-04-27]], [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]] (token→outcome, valeur > volume).

About — Tokenomics Foundation (a Linux Foundation project)

Wed, 03 Jun 2026 00:00:00 GMT

Page **About** du site **tokeneconomics.com**, présentant la **Tokenomics Foundation** — un projet de la **Linux Foundation** annoncé le **3 juin 2026**, opéré en **partenariat étroit avec la FinOps Foundation**. **Mission déclarée** : *« establish open industry standards, benchmarks, and best practices for the economics of AI infrastructure »* — relier **production, consommation et monétisation** des tokens à la **valeur métier**. **Définition-cadre du tokenomics** : *« Tokenomics is not just about the cost of tokens, it's about the entire layer of AI that they drive from production, to consumption to monetization »* — c'est-à-dire **toute la couche économique de l'IA**, du coût d'infrastructure à la sélection de modèle jusqu'à l'optimisation de la valeur. **Thèse de phase** : l'adoption précoce de l'IA a priorisé la **capacité** ; la phase actuelle bascule vers **efficience et valeur**, ce qui exige une gestion systématique des coûts et de la **visibilité**. **5 principes fondateurs** : (1) ***« Efficiency is a design choice. AI cost is shaped by architecture, not just usage »*** ; (2) ***« Bigger is not always better. The best AI system is not always the one using the most expensive model »*** (right-tool / routage) ; (3) ***« Visibility comes before optimisation. Teams cannot manage what they cannot see »*** ; (4) ***« Value matters more than volume. More tokens, more calls, and more automation do not automatically mean better outcomes »*** ; (5) ***« Open knowledge benefits everyone »*** (standards partagés, apprentissage communautaire, transparence). **Gouvernance** : un **Governing Board** (direction industrielle + déploiement des fonds) et un **Technical Committee** (spécifications ouvertes + benchmarks). **Livrables** : extension de la **spécification FOCUS** (FinOps), specs ouvertes, benchmarks, frameworks et métriques partagées. **Public cible** : CAIO, CTO, CIO, CFO, ingénieurs, équipes produit, praticiens FinOps, chercheurs, startups, entreprises, secteur public. **But affiché** : faire passer les organisations *« from experimental AI adoption to sustainable AI operations »* en étendant la discipline du **variable technology spend** à l'ère du token. **Importance pour la veille** : institutionnalisation/standardisation du **FinOps agentique** au niveau d'une fondation industrielle — converge frontalement avec les fiches [[finops-foundation-finops-for-ai-overview-2026-02-17]], [[finout-finops-ai-agents-four-step-allocation-framework-2026-04-27]], [[orq-ai-finops-ai-agents-cost-per-outcome-hosseini-2026-04-15]], [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]] (allocation layer, token-to-outcome) et avec la bascule **token → outcome** (Salesforce/Tallapragada, Sierra/Greenwald). Les 5 principes recoupent exactement les leviers déjà capitalisés : architecture > usage, **routage Haiku/Sonnet/Opus**, observabilité avant optimisation, valeur ≠ volume.

Elon Musk Promises. Here's How Often He Delivers.

Tue, 02 Jun 2026 00:00:00 GMT

Au moment où SpaceX s'apprête à réaliser l'une des plus grandes introductions en bourse de l'histoire (ticker SPCX au Nasdaq, ~135 $/action, valorisation visée de l'ordre de 1,75 à 1,8 billion de dollars), le New York Times publie une analyse interactive d'un angle décisif et rarement quantifié : la fiabilité de la parole d'Elon Musk. La promesse vendue au marché est immense — colonie martienne d'un million de personnes, data centers de la taille de terrains de football en orbite, domination de la course à l'IA monétisée face à OpenAI et Anthropic. Tout cela repose sur la crédibilité du dirigeant à tenir ses engagements. Le NYT a constitué et codé un corpus de plus de **600 prédictions et engagements publics** chiffrés et datés, formulés au fil des ans dans des déclarations, des posts sur les réseaux et des calls investisseurs. Verdict : moins d'un sur cinq — environ **19 %** — a été livré comme promis, à temps ou même tout court. Plus inquiétant, la tendance se dégrade. En **2015**, Musk tenait près des trois quarts des objectifs annoncés ; en **2020**, moins de la moitié l'étaient dans les délais, certains attendant encore leur échéance des années plus tard. Deux thèmes concentrent les cibles répétées et repoussées. **Mars**, citée ~19 fois : un horizon de 10-20 ans en 2011, des humains « en 2025 » promis en 2016 (non advenu), puis Starship « sous 5 ans » en 2024, ramené à « fin de l'année prochaine ». L'**autonomie** ensuite : plus de 60 objectifs liés au full self-driving et au robotaxi, dont la promesse 2025 d'un robotaxi Tesla pleinement autonome, non tenue. Autre exemple emblématique : la publicité sur Twitter/X, promise en triplement, a en réalité chuté d'environ un tiers. L'analyse fait écho à un aveu interne : le prospectus de SpaceX reconnaît qu'il est actuellement impossible de déterminer le calendrier ou la faisabilité de plusieurs chantiers majeurs, faute de technologies existantes. S'y ajoute une bascule narrative — en février 2026, Musk a fusionné xAI dans SpaceX, déplaçant le récit moteur vers l'IA, au-delà des lancements et de Starlink. L'intérêt de l'article n'est pas l'éditorial mais la méthode : un codage systématique transformant un flux de promesses spectaculaires en taux de réalisation mesurable. Il offre à l'investisseur — et notamment au particulier sollicité — une grille pour distinguer le récit vendeur de la livraison effective, juste avant de décider de financer la vision.

Token Budget Wars

Thu, 28 May 2026 00:00:00 GMT

Thread X viral (**230,5K vues**, 28 mai 2026, 1h51) de **Jaya Gupta** (@JayaGup10, investisseuse — vraisemblablement Foundation Capital, auteure du cadre *Context Graphs*) intitulé ***« Token Budget Wars »***. **Thèse-pivot** : ***« Enterprise AI has moved from adoption to allocation »*** — la phase 1 de l'IA d'entreprise a prouvé que les modèles savent travailler ; la phase 2 décidera **combien de ce travail vaut la peine**. La nouvelle monnaie au sommet de l'entreprise est la **capacité à quantifier le ROI de l'IA** : *« show me the value »*. Concept canonique : ***marginal token utility*** = *« the business value created by each additional dollar of inference »* — le nombre qui compte à l'échelle, et que **la plupart des entreprises ne peuvent pas voir**. Chronologie : **Claude shippé novembre 2025**, après le lock des budgets annuels 2026 → dès le **Q1**, entreprises *« running multiples ahead of plan »* → l'inférence cesse d'être une ligne d'expérimentation pour devenir un **coût opérationnel récurrent**. Bascule **expérimentation (quelques 100K$) → infrastructure (7 chiffres, 1M$+)** : à l'échelle infra, **la variance technique produit des swings de P&L matériels — deux exécutions du même workflow sur le même input peuvent différer de 5-10× en coût de tokens** sans rien de visiblement cassé, *« a number the CFO has to explain to the CEO »*. **L'IA concurrence le travail** : 3 types de demandes budgétaires (remplacer du travail externalisé / interne / générer du revenu) → glissement vers le ***cost of a completed outcome*** (cost per resolved ticket, processed claim, reviewed contract, completed invoice, avoided hire, retained customer, dollar of revenue moved). **BPO = baseline le plus facile à benchmarker** (déjà tarifé en unités complétées) ; travail interne bien plus dur (employés polyvalents, gains diffus, résistance RH à réduire les effectifs). **Pourquoi c'est différent du SaaS** : le SaaS a appris à traiter l'usage comme proxy de valeur ; l'IA casse ce proxy — *« the signal and the noise share the same unit »* (le token), *« SaaS usage told you the software had been adopted. AI usage tells you the meter is running. It doesn't tell you whether your company is cooking »*. **Trois causes de l'invisibilité de la marginal token utility** : (1) ***retry tails*** — tokens par workflow résolu ≈ **T/p** ; passer de 90% à 70% de complétion augmente le coût effectif de ~**28%**, pas 20%, car les échecs composent ; (2) ***context inflation*** — coût d'inférence ≈ **O(n²)** en longueur de contexte (attention), doubler le contexte **quadruple** le coût de raisonnement (sur-récupération : 50 docs quand 5 suffisent) ; (3) ***routing*** — par défaut on prend le modèle le plus puissant (classification basique sur modèle de raisonnement complexe) ; sur des millions d'appels, la différence entre router les tâches faciles vers un petit modèle et tout envoyer au frontier = *« the difference between a manageable bill and a board-level problem »*. **Bifurcation sectorielle** : entreprises **software** = problème de **mesure de productivité** (déjà instrumenté : PRs, commits, deploys, incidents, cycle time, MTTR — tracke les *« AI layoffs »*) ; entreprises **non-software** = problème de **transformation** (travail opérationnel : claims, underwriting, support, compliance reviews, supply chain exceptions, payment disputes — *right under audit, not just right on average*). **La couche manquante = token-to-outcome attribution** : une couche de conversion reliant dépense d'inférence → travail effectué → outcome business, qui répond à 3 questions (coût réel incluant retries/corrections ; quelles parties du trace ont compté vs thrashing ; le travail a-t-il changé l'operating model). ***Measurement becomes memory*** : pour relier un token à un outcome il faut capturer les **decision traces** (ce que l'agent a vu, récupéré, appelé, ignoré, où il a retried, quand un humain a overridé) — *« decision rationale is one of the most perishable assets in a company »* (vit dans Slack, emails, escalation calls, têtes des gens). Les agents **créent** ces traces ; capturées d'abord pour justifier la dépense, elles deviennent *« more valuable than the cost report »* → un **context graph** (*« although I am so tired of that word these days »*). **The allocation layer is the prize** : qui possède le token-to-outcome attribution fait les **allocation calls** (quels workflows méritent plus de compute, lesquels cappés, lesquels en modèles cheaper, lesquels restent humains, lesquels remplacent le BPO). Les entreprises ne le feront pas seules — elles l'**achèteront comme une transformation** (playbook Fortune 500 : McKinsey + alumni Palantir + top-down CEO, à la manière ERP/BI/digital transformation, un *« program »* avec sponsor exécutif et une infra qui devient la **nouvelle source de vérité**). Cadre par **Charlie Munger** : *« show me the incentive and I will show you the outcome »*. Sous-thèse organisationnelle : instinct exécutif trentenaire *big teams = big jobs/scope/power* → quand l'intelligence devient la **ressource rare**, le nouveau marqueur est *« how much of it you're orchestrating »*. Pertinence directe pour le **positionnement Optimisation des coûts / FinOps agentique** : confirme empiriquement les leviers (routage modèles, prompt caching, hygiène contexte, sub-agents) et déplace le KPI vers le **coût par outcome complété**. Convergence forte avec Bain *cross-system labor* (execution data moat, Cursor), Ng *No AI jobpocalypse* (pricing ancré sur le salaire de l'employé remplacé), DORA ROI (coût par feature), Mensch/Mistral (electron→token), Ensarguet (économie de la computation), Foundation Capital *Context Graphs* (decision traces, même autrice), Wescale *Token Burning*, BFM/Girard (token = fuel de valeur).

Arthur Mensch (MistralAI) devant la commission d'enquête sur les vulnérabilités numériques — compte de l'Assemblée nationale

Wed, 13 May 2026 00:00:00 GMT

**Arthur Mensch** (DG **Mistral AI**) est auditionné sous serment par la **commission d'enquête de l'Assemblée nationale sur les vulnérabilités numériques** (présidée par Philippe Latombe, absent). En mai 2026, Mistral compte **1000 collaborateurs**, est valorisée **12 Md€**, vise **1 Md€ de revenus** fin 2026, investit **1 Md€ en R&D**, avec 30 % CA en France, 70 % hors France, 75 % en Europe. Clients : DINUM, Caisse des dépôts, France Travail, ministère des Armées, Stellantis, TotalEnergies, BNP Paribas, Luxembourg. **Thèse-pivot** : ***« le cloud, c'est l'intelligence artificielle »*** — pas de distinction entre services numériques et IA. **Métaphore-cadre** : l'IA est une **ressource naturelle** — *« on transforme de l'électricité en intelligence, en génération de tokens »*. **Économie de base** : 1 GW de datacenter = **50 Md$ d'investissement sur 5 ans**, génère **20 Md$ de tokens/an** ≈ 50 % de marge brute ; sur la chaîne électron→token, ~10 % de la valeur est dans l'électron, ~90 % ailleurs. **Thèse macro alarmiste** : si l'Europe importe 10 % de sa masse salariale en IA non-européenne, **1 trilliard € de déficit commercial supplémentaire** ; **20 trilliards $ d'investissement infrastructure** à faire pour servir 400 GW européens. ***« On n'a pas le temps »*** : fenêtre de **2 ans** avant monopolisation des ressources énergétiques européennes par les hyperscalers US qui déploient **1 trilliard $/an**. **Stratégie souveraineté** : ***« ne pas penser souveraineté comme isolationnisme mais comme levier »***. Quatre risques : sécurité économique (coupure d'accès), défense (drones russes IA → dissuasion conventionnelle), façonnage culturel (biais US/Chine injectés), déficit commercial × 5. **Doctrine défense (anti-Anthropic-Mythos implicite)** : Mistral travaille avec ministère des Armées et alliés français, mais ***« on ne prétend pas avoir la légitimité démocratique pour expliquer aux armées françaises ce qu'elles peuvent faire »***. Devoir de conseil sur la **fiabilité**, pas droit de veto sur l'**usage final**. Sur la cyber, Mensch dénonce le *« marketing de la peur »* d'un concurrent américain : les capacités offensives des modèles montent *« de manière linéaire, prédictible, chez tout le monde en même temps »*. **Campus IA** (Saint-Arnoult, 35 Md€, MGX/Abu Dhabi + Nvidia, 100 hectares, 1,4-1,6 GW) : Mistral est actionnaire **très minoritaire**, fournisseur potentiel. ACV ADEME pour les modèles, anti-compensation carbone. **Réglementation** : 27 régulations désynchronisées + RGPD + AI Act = ***« la réglementation favorise les gros »***, départ entrepreneurs vers US. *« C'est une forme de colonialisme »* (sur le récit US dévaluant la régulation EU internalisé par les Européens). **Commande publique = levier (50 % du PIB EU)** : *« les États-Unis et la Chine l'utilisent massivement depuis les années 1940 — il faut arrêter d'avoir peur de l'utiliser »*. **Distillation = réduction de coûts en interne, PAS rattrapage technologique** — il faut donc savoir entraîner les gros modèles, ce qui demande beaucoup de R&D. **Productivité Mistral interne** : ×2 en 6 mois, *« les ingénieurs Mistral n'écrivent plus de ligne de code »*, posture nouvelle de **manager d'agents**. **Pas de bulle** côté demande, mais **goulot d'offre** chips/électrons. **Conclusion-avertissement** : ***« si on combine force IA + capacité électrique, on peut retrouver une part de marché soutenable. Il faut absolument le faire parce que sinon on va devenir un État vassal. »***

AI/works™ by Thoughtworks — Thoughtworks' Agentic Development Platform / "We are doing it again for the AI era"

Tue, 12 May 2026 00:00:00 GMT

Thoughtworks lance **AI/works™**, sa **plateforme de développement agentique** revendiquée comme *"le nouveau standard pour construire et faire tourner des systèmes industriels à l'ère de l'IA"*. Le slogan d'ouverture — ***"We are doing it again for the AI era"*** — invoque explicitement l'héritage Thoughtworks (XP, Continuous Delivery, microservices, refactoring) pour vendre la nouvelle plateforme. La **thèse centrale est économique** : *"The breakthrough is the economics. The old approach made you pay millions to build, run, then pay again to rebuild. AI/works™ ends that routine."* Quatre promesses dérivées : mise à jour continue des systèmes, régénération sélective *"sans token blowout"*, *"vos systèmes cessent enfin de vieillir"*, et fast-track des nouveaux produits. La plateforme déploie **six capacités** couvrant tout le SDLC : (1) **Reverse Engineering** ingère le legacy et produit des specs as-is validées ; (2) **Dynamic Spec Development** convertit des requirements bruts en une *Super Spec* unifiée couvrant architecture, workflows, sécurité, données, UX ; (3) **Spec to Code** génère du code testable depuis la Super Spec via des *coordinated agents* ; (4) **Developer Experience** standardise le dev IA via *governed golden paths*, pipelines automatisés et catalogue partagé ; (5) **Control Plane** orchestre et gouverne les agents avec *cost transparency*, *active guardrails* et *end-to-end lineage* ; (6) **Runtime Ops** monitore en continu, détecte le changement, met à jour la Super Spec et régénère le code impacté. Le concept-pivot est la **Super Spec** : une **spécification dynamique unifiée** servant de source of truth, mise à jour automatiquement en production et déclenchant la régénération du code impacté plutôt que des patchs. La **méthodologie 3-3-3** structure le delivery : 3 jours pour aligner le concept produit, 3 semaines pour un prototype (desirability/viability/feasibility), 3 mois pour un MVP en production. ***"Industrial-grade systems that grow up instead of grow old."*** **Constellation Research** reconnaît AI/works™ *"for changing the economics of enterprise software delivery"* via une approche *"spec-driven, lifecycle"*. L'**anti-positioning** est explicite : *"no consultant crowds"* (attaque directe aux grands intégrateurs), *"finance can open the bill without switching on emergency lighting"* (auto-dérision corporate), *"stands on an engineering foundation rather than enthusiasm"* (anti-hype assumé). Les **partenaires affichés** couvrent toute la stack agentique : AWS, GCP, Azure, Databricks, Snowflake (clouds/data), Claude, DeepSeek, Gemini, Grok, OpenAI (LLMs), NVIDIA, Groq (compute), CAST, Mechanical Orchard (legacy), Stripe, Spotify (clients de référence probables). **Double CTA** *Request a discovery call / Sign up for updates* trahit un modèle **sales-led, ACV élevé**. Lue dans le corpus 2025-2026, AI/works™ est la **mise en produit** de la doctrine Thoughtworks portée intellectuellement par Kamelman (*Service-as-Software*, 2025-12), Fowler (*LLM Retreat*, 2026-02) et Böckeler (*Harness Engineering*, 2026-04). C'est l'**équivalent commercial anglo-saxon** de la doctrine Wescale *Usine Logicielle Augmentée* (2026-05-03), packagé en plateforme.

The Batch n°352 — "There Will Be No AI Jobpocalypse" (Andrew Ng)

Fri, 08 May 2026 00:00:00 GMT

Le **352e numéro de The Batch**, newsletter hebdomadaire de DeepLearning.AI publiée le **8 mai 2026**, s'ouvre sur un édito d'**Andrew Ng** intitulé **"There Will Be No AI Jobpocalypse"**. Ng démonte la narration de chômage de masse provoqué par l'IA en s'appuyant sur les données macro : taux de chômage US **sain à 4,3 %**, hiring tech robuste malgré les progrès en software engineering. Au lieu de réfuter par le chiffre seul, Ng identifie **trois moteurs structurels** du narratif jobpocalypse. **Premier moteur — tech incentives** : les labs IA bénéficient à présenter leur technologie comme transformative-disruptive. Ils lèvent plus de fonds, attirent plus de talent, voient leurs valorisations grimper. Plus la peur du remplacement est crédible, plus la valeur attribuée aux modèles paraît justifiée. **Deuxième moteur — pricing power** : les éditeurs IA enterprise facturent **10 000$+ par an** à leurs clients en ancrant leur tarif sur le **salaire** de l'employé que leur produit est censé remplacer, plutôt que sur le pricing SaaS traditionnel (per seat / per usage). C'est le glissement **service-as-software** dans sa version financière : si le produit "remplace un employé à 80 000$/an", 20 000$/an semble raisonnable. **Troisième moteur — corporate messaging** : les entreprises recadrent leurs layoffs en *"efficience IA"* plutôt que de reconnaître l'**overhiring pandémique** 2020-2022. Ce récit est vendable aux marchés et au public, alors qu'admettre une erreur stratégique antérieure est gênant. Ng reconnaît honnêtement : *"AI disrupts work"*. Mais il **renverse la narration** en proposant le néologisme **"AI jobapalooza"** (jeu de mots sur Lollapalooza, festival → abondance). Le contenu : création de jobs en AI engineering et fields adjacents, avec compétences en évolution. L'édito s'inscrit dans une **série contrarian** caractéristique de Ng : démontage des hype cycles, défense de la praticité d'ingénieur contre les annonces grandiloquentes. La cible implicite est **Dario Amodei** (Anthropic) et sa prédiction de **50 % des white-collar jobs supprimés d'ici 2030** — Ng pointe sans nommer que **Anthropic gagne à promouvoir cette narration**. Le timing est frappant : l'édito paraît **le même jour** que **David Wallace-Wells** publie dans le NYT Magazine son article-fleuve sur l'**"AI Populism"** et le backlash anti-tech (cocktail molotov Altman, tirs Indianapolis). Lecture en miroir parfaite : Ng pratique une **analyse économique froide** des incitations narratives, Wallace-Wells documente la **panique populaire émotionnelle** qu'elles alimentent. L'enjeu pour Ng n'est pas seulement intellectuel : protéger les décideurs et les travailleurs des décisions précipitées (layoffs préventifs, paniques, désespoir individuel) déclenchées par un récit qui sert d'abord les vendeurs d'IA.

The $100-Billion SaaS Opportunity Hiding in Cross-System Labor

Fri, 01 May 2026 00:00:00 GMT

**Bain & Company** publie en mai 2026 (David Crawford, Chris McLaughlin, Greg Fiore) un brief partie 2/5 d'une série sur *"the software industry in the age of AI"*. **Thèse-pivot** : l'opportunité majeure de l'agentic AI **n'est pas de remplacer les SaaS existants** mais d'**automatiser le travail de coordination cross-systèmes** — *"employees pulling budget data from an ERP, checking inventory in a spreadsheet, interpreting free-text responses, and making judgment calls"*. **Marché chiffré** : ~100 Md$ aux US (~200 Md$ avec Canada/Europe/AU/NZ). **Capture actuelle 4-6 Md$ (10%)** — soit **>90% encore à conquérir**. Distribution US : Sales (20 Md$) + COGS/ops (26 Md$) + R&D (6-12 Md$) + support (6-12 Md$) + finance (6-12 Md$). **Six facteurs d'automatisation** pour évaluer un workflow : (1) output verifiability, (2) consequence of failure, (3) digitized knowledge availability, (4) integration complexity, (5) process variability, (6) physical world dependency. **Potentiel par fonction** : Customer support & R&D **40-60%**, Finance & HR **35-45%**, Sales & IT **30-40%**, Legal **20-30%**. **Bascule stratégique** : l'avantage concurrentiel se déplace du *system of record ownership* (Salesforce/SAP/Workday) vers le ***cross-workflow decision context*** — la capacité transversale de voir et agir à travers plusieurs systèmes intégrés. **Moat durable** : ***"accumulated execution data that grows more valuable over time and becomes harder for competitors to replicate"***. **Quatre exemples** : **Sierra** (autonomous customer issue resolution), **Glean** (cross-function employee request coordination), **GitHub Copilot** (étendu au-delà du source control), **Cursor** (ARR doublé en un trimestre, atteint 2 Md$). **Playbook 3 phases** : (1) **Assessment** — six factors + market sizing ; (2) **Strategic Positioning** — data assets + adjacent workflows + actual operational maps ; (3) **Execution** — build/buy/partner + restructure org + ***redesign data foundations for agent readiness***. **Articulation dossier** : convergence forte avec **DORA ROI 2026** (cadre financier ROI), **Foundation Capital Context Graphs** (decision traces), **Seale Semantic Agent** (ontologie comme moat), **Habert PROJ-AI** (six zones + doctrine), **Talisman Ontology Pipeline Refresh** (governance + AI partnership). Tension productive avec **MIT NANDA 95% pilots fail** : les deux convergent — les pilotes échouent précisément parce que 90% du marché reste à structurer. **Sierra** apparaît dans 3 fiches du dossier (Bain comme cas référence + 2 fiches AI-native interview), confirmation de sa position emblématique. À mobiliser pour COMEX SaaS / PE / VC due diligence / CDO data foundations.

Silicon Valley Is Bracing for a Permanent Underclass

Thu, 30 Apr 2026 00:00:00 GMT

Jasmine Sun publie dans le NYT Opinion (30 avril 2026) une enquête longue qui documente la peur silencieuse de la Silicon Valley face à l'émergence d'un *permanent underclass* — théorie virale selon laquelle l'IA pourrait figer la mobilité économique et rendre des millions de personnes économiquement inutiles. Le *San Francisco consensus*, partagé de manière transversale (engineers, VCs, doomers, lefties), tient en une phrase : *"the median person is screwed, and they have no idea what to do about it."* Le risque a basculé du registre dystopique IA (rogue AGI) au registre mondain : suppression massive d'emplois white-collar. Dario Amodei (Anthropic) prédit publiquement *"a white-collar blood bath"* et 50% des jobs junior white-collar disparus d'ici 2030. Sam Altman avait déjà alerté en 2021 sur le shift labour → capital. Block (Jack Dorsey) licencie la moitié de ses effectifs en mars 2026, citant explicitement Opus 4.6 et Codex 5.3 — la bourse réagit par +25%. Le benchmark **GDPVal** d'OpenAI mesure 44 occupations et atteint en quelques mois *"over 80% win rate compared to human professionals"*. Sun identifie une dissonance entre les déclarations publiques et les actes. OpenAI publie en avril 2026 un white paper *"Industrial Policy for the Intelligence Age"* aux propositions radicales (semaine de 32 heures, public wealth fund, hausse de la fiscalité capital), mais sans engagement législatif concret. Le PAC pro-IA *Leading the Future* (financé en partie par Greg Brockman) dépense plus de 2 M$ contre le candidat NY Alex Bores qui propose une régulation safety. Anthropic ouvre l'**Anthropic Institute** (mars 2026, dirigé par Jack Clark) avec un ARR explosant à 30 B$ contre 9 B$ fin 2025 ; contribution politique de 20 M$ pour Bores en contrepoids, mais pas encore de policy paper économique. Côté économistes : Korinek (UVA) — *"no human job is invulnerable"* ; Autor (MIT) — nouveaux métiers émergeront ; Frey (Oxford) plante l'épitaphe : ***"the short run can be a lifetime."*** La stratégie politique se cristallise autour de David Shor : 79% des voters s'inquiètent de l'absence de plan gouvernemental, le *federal jobs guarantee* fonctionne mieux que l'UBI, et le slogan *"They work for the bots. We work for you."* domine les tests de pubs. La présidentielle 2028 sera politiquement structurée par l'IA. Mark Kelly et Ro Khanna annoncent des sweeping AI agendas. Avril 2026 : tentative de firebombing du domicile d'Altman, attaque contre un councilman d'Indianapolis pro-data center. Alex Karp (Palantir) prévient ses pairs : *"the country could blow up politically and none of us are going to make any money."* Thèse politique de Sun : la création d'un underclass est un **policy choice**, pas une fatalité technologique. Le moment est ouvert pour des politiques redistributives radicales — à condition d'agir avant que la frustration populiste ne tourne à la violence.

FinOps for AI Agents: A Four-Step Allocation Framework

Mon, 27 Apr 2026 00:00:00 GMT

Finout propose un framework opérationnel pour allouer les coûts des agents IA — un problème distinct du FinOps cloud. Le périmètre couvre les coding assistants (Claude Code, Cursor, GitHub Copilot), les agents embarqués dans les produits client, et la dépense API LLM directe (Anthropic, OpenAI). Le constat de départ : les équipes Finance reçoivent des fournisseurs IA *« une ligne de facture unique qu'elles ne peuvent pas allouer aux cost centers responsables »*, un coût partagé opaque et à croissance rapide qui empêche de piloter les unit economics, la responsabilité par équipe et le COGS des features IA. L'article identifie **trois propriétés structurelles** qui invalident les hypothèses du FinOps cloud. (1) Le **coût par appel est non-déterministe** : le même prompt émis par deux développeurs produit des factures différentes selon la longueur du contexte, les retries, la profondeur de boucle agentique et la variante de modèle. (2) Il n'existe **pas de ressource taggable au point d'usage** : utiliser Cursor ne provisionne aucune ressource cloud porteuse de métadonnées. (3) La **consommation ne mappe pas aux environnements** : refactorer un service interne ou bâtir une feature client coûte pareil, mais leur valeur business diffère. Chiffre marquant : un développeur en greenfield consomme **5 à 10× les tokens** d'un développeur en revue de code — d'où la faillite du chargeback par tête. De là découlent **quatre problèmes d'allocation** : attribution par développeur des assistants IDE ; dépense des features embarquées à traiter comme COGS produit ; calculs cost-per-customer / per-feature / per-tenant ; et dépense partagée sans tagging à la source. Le cœur de l'article est un **framework en quatre étapes** : (1) centraliser les factures fournisseurs comme sources de première classe normalisées avec le cloud ; (2) remplacer le tagging à la source par une **allocation par règles** exprimée dans la taxonomie d'équipe, logique hébergée dans le système FinOps lui-même ; (3) relier l'activité agent à l'**identité** (SSO, API key, seat) corrélée au SIRH, rendant l'allocation automatique et résiliente aux changements de poste ; (4) traiter la dépense agent-embarqué comme **COGS produit**, dans le même bucket que l'infrastructure. Principe directeur : la plateforme doit permettre une **logique d'allocation éditable par l'équipe FinOps sans intervention de l'ingénierie**, car la dépense IA est *« parmi les lignes les plus volatiles »* de la stack tech (nouveaux modèles mensuels, réorgs trimestrielles). Finout positionne enfin ses briques — MegaBill (ingestion), Virtual Tags (ownership sans tagging source), Unit Economics, back-allocation des coûts partagés — comme la réponse outillée à l'ère agentique.

FinOps for AI Agents: How Enterprises Control Cost, Value, and Scale

Wed, 15 Apr 2026 00:00:00 GMT

Sohrab Hosseini (co-fondateur d'Orq.ai) soutient que le FinOps traditionnel — conçu pour des workloads déterministes à coûts pilotés par l'infrastructure — est structurellement insuffisant face aux agents IA, dont la dépense dépend du **comportement à l'exécution**. Une seule requête utilisateur peut déclencher des séquences variables (retrieval, tool calls, routing de modèle, retries, escalations), de sorte que *« deux requêtes identiques en apparence produisent une consommation de tokens très différente »* sans changement fonctionnel visible. Le diagnostic est étayé de statistiques : **80%** des entreprises utilisent la GenAI en 2026, mais **moins de 30%** disposent d'un monitoring reliant coût et valeur ; seulement **27%** allouent les coûts cloud en temps réel, **moins de 25%** ont une gouvernance IA standardisée, et **74%** peinent à industrialiser leurs pilotes. La réponse proposée est une bascule conceptuelle vers le **« cost per outcome »** : mesurer le coût par ticket résolu, lead qualifié, tâche complétée ou heure économisée — pas les tokens ni l'utilisation d'infrastructure. La question pertinente n'est plus « combien de ressources » mais *« si la consommation a produit de la valeur »* : un agent économe qui échoue coûte plus cher qu'un agent gourmand qui réussit une tâche complexe. Pour cela, le **Agent FinOps** intègre **trois couches de signaux** : les signaux de **coût** (usage modèle, tokens, dépense API, budgets), les signaux **opérationnels** (traces, retries, décisions de routing, résultats d'évaluation) et les signaux **business** (taux de résolution, complétion, conversion, temps gagné). Cette intégration se déploie sur un **cycle de vie en quatre phases**. *Experiment* : expérimentation bornée avec budgets, cost-per-evaluation et unit economics établis avant la production. *Deploy* : releases gardées avec routing policies, token limits et timeouts garantissant un comportement économiquement prévisible. *Operate* : visibilité sur les retries, escalations et la consommation pour ajuster proactivement le routing et les contraintes. *Improve* : les évaluations guident l'affinage des prompts, la refonte des workflows, la sélection de modèle et le retrait des automatisations sous-performantes. Les leviers opérationnels — **guardrails**, **model routing** intelligent, workflow budgeting, context control et **behavioral observability** — convergent vers une couche centralisée, le **Control Tower** (inventaire unifié des agents, cost rollups, gouvernance). Formules-marqueurs : *« A single agent is a feature. A collection of agents becomes an operational environment »* et *« Enterprises aren't struggling because they can't build agents. They're struggling because they can't coordinate them. »* Le principe final : le FinOps agentique ne scale pas en traçant la dépense plus agressivement, mais *« en façonnant le comportement de l'agent à chaque étape »*.

Starving Genies

Fri, 03 Apr 2026 00:00:00 GMT

Dans « Starving Genies », Kent Beck analyse les limites d'usage récemment imposées par les principaux fournisseurs de services IA à travers le prisme de l'économie de la croissance. Il utilise le concept de « phase Expand » — tirée du modèle Explore/Expand/Extract — pour expliquer que la croissance d'une entreprise suit un escalier plutôt qu'une courbe : on progresse jusqu'à buter sur une ressource limitante, puis il faut soit augmenter l'offre de cette ressource, soit réduire la demande pour débloquer le palier suivant. Beck observe que Google, Amazon et Anthropic ont tous implémenté des limites d'usage de manière quasi simultanée, ce qui selon lui relève davantage d'un signal envoyé aux investisseurs et d'un choix de narrative économique que d'une simple contrainte technique imprévue. En tant que praticien quotidien du codage augmenté — il travaille avec ses « genies » (assistants IA) toute la journée — Beck décrit l'impact concret de ces limites. Un power user qui atteint son plafond en plein flux de travail ne subit pas un léger désagrément : son travail s'arrête net. Ces limites segmentent la base utilisateurs en trois catégories : les utilisateurs occasionnels bénéficient d'un accès gratuit mais plafonné ; les développeurs accèdent à l'API avec un pricing au compteur mais sans plafond quotidien brutal ; et entre les deux, les power users techniques mais pas orientés API se retrouvent poussés vers les abonnements grand public premium. C'est précisément la pression de conversion que les entreprises recherchent. Beck pose alors une question dérangeante : ces limites sont-elles un pont temporaire — le temps que l'offre de calcul rattrape la demande — ou marquent-elles le début d'un nouvel équilibre où l'usage intensif de l'IA devient un produit premium et non un service par défaut ? Sur le versant technique et économique, il note que l'inférence devient progressivement moins chère grâce à la distillation de modèles, au caching intelligent, au routage vers des modèles plus petits selon la complexité de la requête, et à la maturation du silicon custom. La dynamique compétitive est cruciale : l'entreprise qui parvient à réduire significativement ses coûts unitaires d'inférence peut se permettre d'ouvrir les vannes pendant que ses concurrents rationnent, capturant ainsi la prochaine vague d'utilisateurs. Beck souligne que les GPU Nvidia H100 restent rares et disputées — à l'exception notable de Google, qui fabrique ses propres puces TPU et dispose donc d'un avantage structurel dans cette course à la capacité. L'article se conclut sur une ironie douce : Beck dit « croire totalement » qu'Anthropic a heurté un mur physique du jour au lendemain, tout en laissant entendre que la réalité est plus nuancée.

AI Brings Headwinds and Tailwinds to the Rule of 40

Wed, 01 Apr 2026 00:00:00 GMT

**Bain & Company** publie en avril 2026 (David Lipman, Greg Callahan, Daniel Goetz, George Sunderland) un brief partie **1/5** de la série *"software industry in the age of AI"*, dédié à l'impact de l'IA sur la **Rule of 40** (métrique canonique SaaS : *growth rate + profit margin ≥ 40%*). **Thèse-pivot** : la Rule of 40 subit une **double pression** — *headwinds* (croissance marché qui ralentit + coûts AI infrastructure massifs) et *tailwinds* (productivité IA + transformation 10-25% EBITDA + outcome-based pricing). Les SaaS leaders pourraient devoir ***"settle for the Rule of 30"*** temporairement pour rester compétitifs face aux AI-natives. **Donnée saisissante** : un cas client *marketing technology* — **coûts AI multipliés par 3,49 (+349%)** tandis que **revenue n'a augmenté que de 38%** sur un an. Illustre comment AI infrastructure + inference + model access introduisent des **variable costs significatifs** dans des businesses historiquement à **hautes marges fixes**. **Headwinds** : (1) *"software penetration is topping out in some areas"* — saturation marchés matures ; (2) variable costs AI compriment marge. **Tailwinds** : (1) productivité sales/marketing/R&D ; (2) **transformations réussies = +10-25% EBITDA** ; (3) opportunité *outcome-based pricing* (revenue déplacé du *fixed seats* vers *labor/operations economics*) ; (4) incumbents peuvent leverager customer relationships et embedded workflows contre AI-native challengers. **Deux paths forward** : (1) ***Financialize*** — minimiser AI investment, optimiser cash, opérer comme *"durable generator"* mais limite future growth ; (2) ***Invest to Grow*** — accepter pression marge court terme, réinvestir agressivement AI dans produit et operations. **Articulation dossier veille** : convergence avec **Bain part 2/5** *Cross-system labor 100 Md$* (mai 2026), **DORA ROI 2026** (verification tax / instability tax), **Cherny Sequoia** (7 Powers reordering), **Menlo Ventures** (State of Generative AI Enterprise), **Foundation Capital Context Graphs**. Tension productive avec **MIT NANDA 95% pilots fail** / **DORA market divide** : il y a deux populations de SaaS en 2026 — celles qui transforment (Rule of 30 → Rule of 40+) et celles qui s'enkystent. Convergence *outcome-based pricing* avec **Levie** (*Building for trillions of agents*) et **Sierra** (autonomous resolution) — le modèle SaaS per-seat est sous pression de remplacement par des modèles outcome/consumption/labor-substitution. À mobiliser pour CFO SaaS / boards (cadre budgétaire), investisseurs PE/VC (grille due diligence headwinds/tailwinds), CEO SaaS (argument Invest to Grow avec +10-25% EBITDA), présentations COMEX (cas +349% / +38% comme alerte coût IA non maîtrisé).

How to Use AI for Market Research (Step-by-Step Guide) — AI Market Research Tension Map

Mon, 30 Mar 2026 00:00:00 GMT

Alex Pawlowski publie dans *The Strategy Stack* un guide-méthode qui repositionne la *market research* à l'ère IA. Son diagnostic ouvre trois failles : surabondance d'information qui crée du bruit, rapports en retard décrivant le passé, et insight rarement traduit en action. Sa thèse : la valeur n'est plus dans le rapport statique mais dans une **living decision surface** — un modèle évolutif maintenu comme un système opérationnel. Les marchés y sont traités comme des *dynamic strain-fields*, pas comme des paysages compétitifs figés. Sa contribution centrale est la **Tension Map** : au lieu de cartographier compétiteurs et parts de marché, elle identifie les contradictions et points de pression — *"where users want more than products deliver"*, désalignement prix/valeur, incumbents puissants mais sans résonance émotionnelle, friction acceptée faute d'alternative. La Tension Map révèle les *opportunity spaces* invisibles aux analyses classiques. Trois modes de recherche structurent la méthode : **Discovery Mode** établit la baseline (acteurs, patterns visibles) ; **Tension Mode** localise dissatisfaction et segments mal servis ; **Decision Mode** convertit l'interprétation en action. Le **workflow en 7 étapes** opérationnalise cela : (1) définir une question précise, (2) collecter des *raw signals* (avis, docs, transcripts — pas des rapports synthétisés), (3) construire la Tension Map, (4) analyse structurelle par IA, (5) stress-tester par perspectives adverses, (6) convertir tensions en décisions, (7) préserver comme *updatable market model*. Le stack outils est orchestré par phase : **Perplexity** pour l'expansion (Discovery), **Claude** pour la profondeur et la continuité (large context, signaux contradictoires), **ChatGPT** pour la vitesse d'itération (reframing, structures alternatives), **multi-agent** pour le *productive disagreement* via rôles assignés (analyst, critic, strategist). La force des questions est centrale — *"Where does pricing feel tolerated rather than embraced?"* (forte) vs *"What are the trends?"* (faible). Pawlowski illustre par le marché des AI note-taking tools : promesse d'automatisation appréciée mais accuracy post-meeting problématique, premium toléré en équipes mais résenti en individuel, incumbent trust contre emerging excitement. Le **stress-test** est une étape rituelle : *"what would invalidate the interpretation?"*, *"what would skeptical competitors dispute?"* Quatre failure modes guettent : questions vagues produisant des outputs polis mais superficiels, sur-reliance sur les *polished summaries* au détriment des raw signals, validation sautée créant une confiance non fondée, insights jamais traduits en décisions. La **corpus persistence** dans Claude Projects et la **living model maintenance** transforment la recherche en actif composé. Référence méthodologique : l'*Analysis of Competing Hypotheses* de Richards Heuer (CIA), transposée à l'IA. La market research devient un système opérationnel continu, pas une succession de projets discrets.

The Age of Open Agentic Commerce

Thu, 19 Mar 2026 00:00:00 GMT

Sam Ragsdale défend dans cet essai la thèse que le véritable commerce agentique sera ouvert et permissionless, fondé sur des protocoles simples, et non sur les plateformes fermées comme ACP (OpenAI/Stripe) et UCP (Google) qui représentent selon lui l'équivalent d'AOL dans les années 90 — un jardin clos avec une meilleure UX, mais un cul-de-sac pour l'innovation. L'article construit son argumentation sur un parallèle historique détaillé. Dans les années 90, deux visions d'internet s'affrontaient : AOL (contenu curé, prix unique) contre les protocoles ouverts (HTTP, DNS, HTML, Mosaic). AOL semblait victorieux avec sa fusion Time Warner à 350 milliards de dollars, mais les protocoles ouverts ont finalement permis l'émergence de Facebook, Google et Amazon — des innovations venues des marges, sans permission de gatekeepers. Le modèle économique de l'internet s'est construit sur un hack : la publicité. En 1997, Tim Berners-Lee avait créé le code HTTP 402 (Payment Required) pour permettre les micropaiements, mais les frais fixes des cartes de crédit rendaient les transactions à un centime impossibles. Google a contourné le problème en monétisant l'attention via les annonceurs. Mais les agents IA changent fondamentalement cette équation : ils ne sont pas distractibles. StackOverflow a perdu 75% de ses vues depuis GPT-4, le trafic des sites tech a chuté de 60%. Même les jardins clos comme Facebook et TikTok sont désormais percés par les agents computer-use qui imitent parfaitement le comportement humain. La solution réside dans deux protocoles émergents : x402 (Coinbase) et mpp (Tempo + Stripe). Vingt-huit ans après l'invention du code 402, les stablecoins sur blockchains modernes offrent des coûts de transaction sub-cent, résolvant enfin le problème des micropaiements. Ces protocoles permettent aux agents de payer pour n'importe quel service — données, hébergement, communication — sans accord commercial préalable, sans BD, sans whitelist. Ragsdale présente AgentCash comme la couche de découverte manquante : une balance unique donnant accès à toutes les API, avec des registres marchands (x402scan.com, mppscan.com) où les services s'inscrivent pour être trouvés par les 2000+ agents déjà actifs. Il voit les skills comme un artefact transitionnel, car les agents modernes (Claude 4.5+, Codex 5.2+) peuvent découvrir une API inconnue, lire son schéma et l'utiliser correctement sans entraînement préalable. La vision finale est celle de centaines de millions d'agents accédant à des centaines de milliers de services de manière autonome, recréant la dynamique d'innovation permissionless qui a fait la grandeur du web ouvert.

Beyond Brain Speed: The Economics of Computation

Wed, 11 Mar 2026 00:00:00 GMT

Philippe Ensarguet developpe une these forte : nous vivons le "moment kilowatt-heure" de l'economie de la connaissance. Comme l'ampoule a mis fin a l'ere de la bougie, l'IA met fin a l'heure-cerveau comme unite de valeur economique. Il ouvre sur une anecdote saisissante : un consultant livre un travail de trois semaines que le client a replique en quatre minutes avec un agent, mille fois moins cher. Pendant des decennies, l'economie du savoir reposait sur un proxy : on payait le temps (jours-homme, heures facturables) en esperant que la valeur suive. Ce systeme creait une distorsion systemique ou la lenteur etait recompensee. Quand un agent IA produit en quelques minutes le code, l'audit ou le rapport qui justifiait hier plusieurs jours facturables, le fondement meme du modele s'effondre. C'est le choc de commoditisation de notre generation, comparable a ce que le cloud a fait a l'infrastructure. Ensarguet invoque le paradoxe de Jevons : quand le cout d'execution tombe a quasi-zero, la demande devient infinie. On n'attendra pas moins de travail, mais 1000 fois plus d'output. Les signaux sont deja la : les lignes budgetaires migrent des salaires vers la puissance de calcul. Il propose une nouvelle equation de valeur multiplicative : Valeur = Qualite de computation x Contexte de donnees x Intelligence d'orchestration. Si l'un des trois facteurs est nul, la valeur totale s'effondre. Mais l'execution ne represente qu'un tiers du temps projet. L'IA agentique s'attaque aux deux tiers restants : reunions, alignement, approbations, coordination. Cette deuxieme vague remet en cause l'organigramme lui-meme. Les couches de coordination (chefs de projet, middle management) subissent la meme pression que les roles d'execution. L'unite de travail passe de "une personne assignee" a "un resultat contracte a un systeme". Ensarguet identifie trois roles humains emergents : les gardiens de trajectoire (alignement strategique et ethique), les bergers de contexte (nuance sectorielle, historique client, subtilite reglementaire que les modeles ne peuvent apprendre seuls), et les architectes de confiance (guardrails, gouvernance des systemes autonomes). L'intelligence humaine, qui incorpore valeurs, emotions, culture et experience vecue, reste irreductible. En conclusion, il recommande trois actions : experimenter la tarification outcome-based des maintenant, suivre le ratio depenses salaires/compute comme indicateur strategique, et reorganiser l'entreprise autour de l'orchestration humain-agent.

Local LLMs vs Cloud APIs: 2026 Total Cost of Ownership Analysis

Thu, 05 Mar 2026 00:00:00 GMT

SitePoint propose une analyse du coût total de possession (TCO) opposant les LLM exécutés en local aux API cloud, à horizon 2026. La thèse fondatrice : comparer sur le seul prix au token est un piège. Le prix affiché d'une grille API ou le MSRP d'un GPU ne raconte qu'une fraction de l'histoire ; seul un modèle TCO complet, sur 12 et 36 mois, intégrant matériel, électricité, refroidissement et main d'œuvre, permet de décider. L'article construit ce modèle sur trois paliers d'usage : léger, moyen et lourd (10 à 100 M+ tokens/jour). Côté cloud, l'article publie une grille tarifaire par million de tokens qui révèle deux asymétries majeures. D'abord, la **sortie coûte 4 à 5 fois l'entrée** (GPT-4.1 : 2 $ en entrée / 8 $ en sortie ; Claude 4 Sonnet : 3 $/15 $ ; Claude 4 Opus : 15 $/75 $). Ensuite, l'**écart entre modèles atteint ~150×** sur l'entrée, de GPT-4.1 nano (0,10 $) à Claude 4 Opus (15 $) : le modèle — son éditeur, sa génération, sa taille — détermine le coût unitaire du token, à la manière du coût de production de l'électricité selon sa source. Côté local, le matériel (RTX 5090 à 1 999 $, build Mac M4 à 6 150 $, AMD MI325X) ne se rentabilise pas avant **15 à 20 M tokens/jour**, et n'atteint la parité contre les options hébergées les moins chères qu'à 36 mois en usage lourd soutenu, pour un coût effectif d'environ **7,15 $/M tokens**. Les coûts que tout le monde sous-estime — électricité, refroidissement, main d'œuvre (jusqu'à 30-60 h/mois en palier lourd) — pèsent lourd. La sensibilité au prix de l'électricité est frappante : passer du tarif US (0,12 $/kWh) aux tarifs européens (0,25-0,30 $/kWh) repousse le break-even de 40 à 60 % en volume quotidien. L'enseignement central, qui sert de titre-conclusion : **les points de break-even 2026 sont 40 % plus bas qu'en 2024**. La baisse structurelle du coût du matériel et la maturation des modèles open-weight rendent le local viable à des volumes de plus en plus accessibles. La décision finale dépend du profil : le local devient pertinent pour des volumes soutenus, des exigences de souveraineté/confidentialité et un horizon d'amortissement de 3 ans ; le cloud conserve l'avantage de la flexibilité, de l'absence de capital initial et de l'accès aux modèles frontière. Au-delà du coût, l'article rappelle les arbitrages de performance, de confidentialité et de flexibilité.

Redesigning the Agency Value Model (rapport VoxComm 95 pages, mars 2026) + Billable Hours Are Dead, AI Killed Them, Here's How To Survive (MediaPost / Joe Mandese, 3 mars 2026)

Sun, 01 Mar 2026 00:00:00 GMT

**Dossier consolidé** mars 2026 sur la **mort du modèle billable hours dans l'industrie publicitaire/communication** — combinaison du **rapport VoxComm** *"Redesigning the Agency Value Model"* (95 pages, mars 2026, **Brian Kessman** de **Lodestar Agency Consulting** + foreword **Tim Williams** de **Ignition Consulting Group**, intro **Charley Stoney** Présidente VoxComm / CEO **EACA European Association of Communication Agencies**) et de l'**article opinion MediaPost** *"Billable Hours Are Dead, AI Killed Them, Here's How To Survive"* (3 mars 2026, **Joe Mandese**, Editor-in-Chief MediaPost). **Thèse-pivot commune** : le modèle économique des agences de communication (billable hours / labor-based compensation / service business model) est **structurellement disqualifié par l'IA** ; les agences doivent ***"découpler revenue et profit du staffing numbers"*** (Stoney). **Données chiffrées MediaPost (Mandese)** : marges agences **30% (golden age) → 10% (current average)** ; créatifs produisent **~5× output** pour la même rémunération ou moins qu'il y a 10 ans. **Diagnostic Mandese** : *"We are defining and monetizing our value through time and effort rather than business impact"* — quand les agences vendent des **services horaires**, elles vendent des **commodities** vulnérables à la **compression de coût IA**. **Citation Tim Williams** : ***"At the heart of our industry's challenges lies a simple economic truth: incentives matter. When agencies embraced the hourly rate model, they unknowingly created a structural misalignment. What agencies are rewarded for — more hours — clients are incentivized to minimize."*** Rapport zéro-sum, **race to the bottom**. **Solution-pivot Williams** : ***"You are not in the service business. Agencies don't sell services and capabilities, but rather solutions to business problems."*** **Framework 4-shift Mandese** : (1) Define narrow expertise areas ; (2) Codify repeatable productized solutions ; (3) Build teams around outcomes, not utilization ; (4) Replace rate cards with value-based models (fixed fees, subscriptions, performance-based pricing). **Exemples concrets** : **FIG** (decoupled pricing from staffing), **72andSunny** (modular product menus), **Monks** (single subscription combining talent + tech + improvement). **Critique méthodologique** : commenters MediaPost contestent la marge historique 30%, suggérant des chiffres réels plutôt 12-15%. **Rapport VoxComm** structuré en 8 chapitres : When Your Model Works Against You / Mapping Your Value Model / Case Studies / How to Pivot / How to Price / How to Plan / How to Navigate / Online Tools. **Pertinence majeure** pour le dossier : c'est le **pendant agences** des bascules consulting (McKinsey/Sternfels 60 000 = 40 000 humains + 20 000 agents, janvier 2026) et SaaS (Bain Rule of 40 → Rule of 30, avril 2026). **Convergence transversale services intellectuels** : consulting + agences + SaaS basculent simultanément du *time-and-materials* vers l'*outcome-based*. À mobiliser pour COMEX agences/cabinets/marketing/communication, présentations stratégiques sur transformation IA des services, sourcing chiffrage marges 30%→10%.

L'Agentic Commerce Optimization : le Guide technique pour se préparer aux protocoles ACP et UCP de Google

Mon, 23 Feb 2026 00:00:00 GMT

Nicolas Marette publie un guide technique pour préparer les entreprises aux protocoles Agentic Commerce Protocol (ACP) et Universal Commerce Protocol (UCP) de Google, qui redéfinissent la manière dont les marques interagissent avec les agents IA dans le parcours d'achat en ligne. Le UCP, annoncé en janvier 2026, est déjà opérationnel : dès le 11 février 2026, Wayfair et Etsy l'utilisent pour des achats directs pilotés par IA. Le protocole repose sur **six capacités fondamentales** : découverte produit pour agents IA, gestion de panier avec règles de prix complexes, liaison d'identité via OAuth 2.0, processus de checkout, gestion des commandes par webhooks, et extensions sectorielles verticales. L'article souligne que le **schema.org reste le socle essentiel** de cette transformation. Bien que UCP utilise des schémas JSON, les données structurées demeurent le "ciment unissant toutes les ontologies", permettant aux agents IA de comprendre et naviguer l'écosystème e-commerce. La configuration du **Merchant Center** devient critique : politiques de retour obligatoires, informations de support client, attribut `native_commerce` pour l'éligibilité aux paiements, identifiants produits uniques. Un changement de paradigme majeur concerne les **attributs conversationnels** : FAQ produits, accessoires compatibles, produits de substitution, opportunités de vente croisée et descriptions enrichies (par exemple "loup" plutôt que "violet" générique). Ces données répondent aux modes de découverte de l'ère IA, où les agents interrogent les catalogues avec une granularité inédite. L'auteur utilise le simulateur de diffusion visuelle de **WordLift** pour démontrer comment une image produit unique se décompose en multiples intentions de recherche, révélant les attributs que les agents IA priorisent lors de la distribution des produits. La **feuille de route UCP** prévoit des extensions vers les paniers multi-articles, promotions complexes, gestion standardisée de la fidélité, support post-achat, signaux de personnalisation avancés et expansion dans le voyage, les services, les biens numériques et l'hôtellerie. L'article insiste sur l'importance de la **preuve sociale tierce** : les avis provenant de plateformes comme Trustpilot, G2 ou Custplace sont fréquemment cités par les LLMs et valident l'intégrité des données produits. La conclusion est un appel à l'action en cinq étapes : rejoindre la liste d'attente UCP, configurer le Merchant Center, former les équipes techniques à la documentation UCP, renseigner les attributs conversationnels et auditer les implémentations schema. Marette avertit que cette transformation est plus rapide que les précédentes mutations e-commerce et que les marques attentistes seront déjà en retard au moment du déploiement complet.

FinOps for AI Overview

Tue, 17 Feb 2026 00:00:00 GMT

*FinOps for AI Overview* est le guide de référence de la FinOps Foundation, co-rédigé par un large groupe de travail (Google, AWS, MetLife, Wells Fargo, Roche, Accenture, KPMG, EY…) et publié sous licence CC BY 4.0. Il étend la discipline FinOps aux services d'IA générative en partant du token comme unité fondamentale de consommation, dont les « compteurs » diffèrent profondément des métriques cloud classiques. Le document fournit une batterie de **KPIs avec formules et exemples chiffrés** : Cost Per Token (coût total / tokens), Cost Per Inference (coûts d'inférence / requêtes, ex : 0,05 $), Training Cost Efficiency (coût / point de précision), ROI ((bénéfices − coûts)/coûts × 100), et surtout le *LLM Model Choice Quality Score Alignment*, qui compare le score MMLU minimal requis par une tâche au MMLU du modèle réellement utilisé pour détecter le sur-dimensionnement (une analyse de sentiment à MMLU 54 ne devrait pas tourner sur GPT-4). Côté **optimisation**, l'accent porte sur la réduction de tokens (raccourcir les prompts en gardant la clarté), le **caching** des réponses répétées, la **sélection de modèle** (*« éviter d'utiliser les modèles les plus complexes et chers pour chaque tâche »*) et la **model distillation** pour la production. Le cœur structurel mappe les **14 capacités du Framework FinOps** sur le « commun au cloud » versus le « différent pour l'IA ». Les plus impactées : l'**Allocation** (traçabilité des *multi-agent workloads*, absence de framework standard), le Planning (estimer les outputs réussis et les séparer des hallucinations), le Forecasting (prédictibilité moindre en phases initiales), le Benchmarking (métriques per-token, rares benchmarks externes), les Unit Economics (cost-per-call, satisfaction client par dollar) et la Rate Optimization (pricing volatil type OpenAI Scale Tier). La montée en maturité suit un modèle **Crawl → Walk → Run** : prototypage *fail fast* et calculs manuels au début ; automatisation basique du tracking et détection d'anomalies ensuite ; tracking avancé, métriques financières intégrées et vigilance à ne pas couper des coûts compromettant les exigences non-fonctionnelles en phase Run. Le document recense **huit modèles de pricing** (on-demand, reserved/CUD, provisioned — OpenAI Scale Tier, Azure PTU —, spot/batch, subscription, tiered, freemium, hybride) et privilégie le **showback** comme levier de prise de conscience avant le chargeback. Limite notable : les **agents IA** ne sont pas encore traités comme catégorie distincte (seuls les *multi-agent workloads* affleurent sous l'Allocation), ce qui justifie les compléments d'éditeurs. Le guide s'accompagne d'une certification *Certified FinOps for AI* et renvoie à FinOps X 2026 (juin, San Diego).

AI Shopping Assistant Guide 2026: Agentic Commerce Protocols

Tue, 10 Feb 2026 00:00:00 GMT

Max Thilén publie un guide de référence de 29 minutes sur les protocoles de commerce agentique qui structurent le e-commerce en 2026. Le constat de départ est radical : les clients complètent désormais des parcours d'achat entiers à l'intérieur de conversations IA, sans jamais visiter les sites marchands. ChatGPT Instant Checkout sert 900 millions d'utilisateurs hebdomadaires. Deux protocoles se disputent cette infrastructure. L'**ACP** (Agentic Commerce Protocol), porté par OpenAI et Stripe, est opérationnel depuis septembre 2025. Il impose une commission de 4 % par transaction, un feed produit structuré et 5 endpoints REST pour le checkout. Le flux est entièrement conversationnel : l'utilisateur demande, l'agent cherche, affiche un bouton "Buy", et Stripe traite le paiement via un token partagé — l'agent ne voit jamais les données bancaires. Le **UCP** (Universal Commerce Protocol), annoncé par Google en janvier 2026 au NRF, fédère une coalition massive : Shopify, Walmart, Target, Wayfair, Visa, Mastercard, PayPal et 20 autres partenaires. Son architecture est plus modulaire, avec quatre options de transport (REST, MCP, A2A, Embedded) et deux modes de checkout (natif dans l'interface IA ou iframe vers le site marchand). Les marchands déclarent leurs capacités via un profil `/.well-known/ucp`. L'absence d'Amazon est stratégiquement significative. Contrôlant 40 % du e-commerce US, Amazon a choisi une voie propriétaire avec Rufus AI (300 millions d'utilisateurs, +60 % de conversion), Alexa+ pour le commerce vocal, et "Buy for Me" qui permet d'acheter chez des concurrents depuis l'app Amazon. Amazon a même bloqué les crawlers d'OpenAI, retirant 600 millions de produits. Le marché forme donc un triptyque : Amazon propriétaire, Google UCP, OpenAI ACP. Le guide détaille les exigences techniques des deux protocoles, notamment les **données produit** qui deviennent le levier compétitif principal quand la publicité payante n'atteint pas les agents. Les descriptions doivent servir le traitement en langage naturel, pas le SEO classique : décrire les cas d'usage et matériaux plutôt que d'empiler des mots-clés. La **crise de l'attribution** est le défi majeur : 70-90 % des parcours d'achat sont déjà invisibles aux analytics traditionnels, et le commerce agentique approche les 100 %. Le premier signal mesurable est un webhook de commande. Thilén recommande le tracking server-side, l'incrementality testing et le monitoring de visibilité IA, avec une maturité estimée à 18-24 mois. Les projections sont considérables : McKinsey anticipe $3-5 trillions de revenus globaux d'ici 2030. Pour les marques, la conclusion est pragmatique : les deux protocoles comptent. ACP domine la découverte conversationnelle, UCP captera les requêtes intentionnelles via Google. Différents points d'entrée, même client.

Logiciels et cloud : l'ère des prédateurs pour vos budgets IT

Mon, 26 Jan 2026 00:00:00 GMT

Guillaume Geudin, directeur de la performance achats chez Elee, publie une tribune dans CIO Online pour alerter sur la dérive incontrôlée des coûts logiciels et cloud dans les budgets IT. Le constat est chiffré : les factures des DSI augmentent de 12 à 14% par an, un rythme qui dépasse largement l'inflation et menace l'équilibre financier des organisations. L'auteur identifie trois facteurs structurels à l'origine de cette escalade. Premièrement, depuis 2020, la migration massive des licences perpétuelles (Capex) vers les abonnements SaaS (Opex) a transformé la promesse de flexibilité du cloud en dérive budgétaire permanente. Deuxièmement, les éditeurs utilisent des métriques de facturation opaques et imprévisibles (appels API, stockage, utilisateurs actifs). Troisièmement, les remises historiques négociées dans les années 2010 se réduisent comme peau de chagrin. Les chiffres par éditeur sont éloquents. Entre 2020 et 2024, Microsoft a augmenté ses tarifs de 11 à 25%, avec un bond de 85% pour Copilot AI. Google Gemini affiche des hausses de 20 à 45%, Salesforce de 15%, Oracle de 8 à 12% et SAP de 3,3 à 5%. La stratégie la plus agressive consiste à embarquer des fonctionnalités d'intelligence artificielle par défaut, sans possibilité de refus, ce qui gonfle le revenu moyen par utilisateur (ARPU) de 30 à 80%. Sans action corrective, Geudin projette une augmentation des dépenses IT de 50 à 60% d'ici 2028. Pour reprendre le contrôle, il propose cinq leviers concrets. Premier levier : l'analyse fine des usages, car 30% des licences logicielles sont inutilisées et représentent une source d'économie immédiate. Deuxième levier : la rationalisation du portefeuille applicatif pour éliminer les redondances. Troisième levier : la négociation anticipée, à engager 12 à 18 mois avant les échéances contractuelles pour disposer d'un rapport de force favorable. Quatrième levier : la mise en place d'un monitoring FinOps continu, qui peut générer 20 à 30% d'économies. Cinquième levier : le recours aux alternatives comme l'open source et le multi-sourcing pour créer une pression concurrentielle. La conclusion de l'auteur est programmatique : le portefeuille logiciel doit être considéré comme un actif stratégique nécessitant la même rigueur de gestion que la masse salariale ou les investissements Capex. L'ère où les DSI pouvaient absorber passivement les hausses tarifaires est révolue ; la maîtrise des coûts logiciels devient une compétence organisationnelle critique.

McKinsey Now Has 60,000 People, But 20,000 Of Them Are AI Agents: McKinsey's Bob Sternfels

Wed, 14 Jan 2026 00:00:00 GMT

**OfficeChai** rapporte le **14 janvier 2026** une déclaration majeure de **Bob Sternfels** (Managing Partner Global de **McKinsey & Company**) : ***"60,000, but it's 40,000 humans and 20,000 agents."*** Effectif McKinsey désormais comptabilisé **humains + agents** : **60 000 = 40 000 humains + 20 000 agents IA**. **Trajectoire d'accélération massive** : ***"Little over a year and a half ago, that was 3,000 agents and I originally thought it was going to take us to 2030 to get to one agent per human."*** La parité humains/agents projetée initialement pour **2030** est maintenant atteignable en **18 mois** — accélération **×6,7** par rapport à la projection. **Bascule modèle économique explicite** : ***"We're migrating pretty quickly away from, let's call it pure advisory work... moving to much more of an outcomes-based model."*** McKinsey **abandonne le modèle billable hours / advisory** au profit d'un **outcomes-based model** où la rémunération est alignée sur les résultats mesurables. **Contexte McKinsey 2024-2026** : Lilli (chatbot interne) utilisé par **70% des employés**, **200 postes technologiques supprimés en novembre 2024**, offre de départ **9 mois de salaire** (avril 2024). **Pertinence majeure** : c'est le **premier acteur top-tier consulting** qui (a) déclare publiquement et (b) chiffre précisément l'intégration agents IA dans ses effectifs comptables. La phrase ***"60,000 people but 20,000 of them are agents"*** est destinée à **redéfinir** la conception même du headcount dans les services intellectuels. **Articulation dossier veille** : convergence forte avec **MediaPost Mandese** *Billable Hours Are Dead* (mars 2026), **VoxComm** *Redesigning the Agency Value Model* (Kessman/Williams, mars 2026), **Bain Rule of 40** (outcome-based pricing tailwind), **Bain cross-system labor 100 Md$**. Convergence "redéfinition du headcount" avec **Curran/Intercom**, **Tatsyi/Raiffeisen** (−75 personnes), **Cherny** (agents membres équipe). **Tension productive** avec **DORA ROI 2026** position normative *"do not adopt headcount-reduction strategy"* — McKinsey assume publiquement la réduction d'effectifs humains (200 postes) tout en réinjectant la capacité dans agents IA + outcome-based revenue. **Limites** : source secondaire OfficeChai (pas tier-1), définition "agent" non précisée (autonomes vs workflows scriptés), pas de chiffrage % revenue outcome-based déjà atteint, contradiction apparente entre 200 postes supprimés (~0,5%) et formulation massive de la transformation. À mobiliser pour COMEX cabinet/consulting/SSII/agences (wake-up call canonique), stratégie RH (redéfinition headcount), CFO pricing strategy (bascule billable → outcome).

NRF 2026 : Retail's Big Show – Document de Référence : Commerce Agentique, Universal Commerce Protocol et Transformation du Retail

Tue, 13 Jan 2026 00:00:00 GMT

Ce document de référence compile les annonces et analyses du NRF 2026 (National Retail Federation's Big Show) qui s'est tenu du 11 au 13 janvier 2026 à New York, rassemblant 40 000 visiteurs et 1 025 exposants de 100 pays. L'annonce majeure du 11 janvier fut le lancement par Sundar Pichai (CEO Google) du Universal Commerce Protocol (UCP), un standard open-source sous licence Apache 2.0 permettant aux agents IA de découvrir, négocier et finaliser des achats directement avec les systèmes retailers. Co-développé avec Shopify, Walmart, Target, Etsy et Wayfair, et soutenu par plus de 60 organisations (Visa, Mastercard, PayPal, Sephora, Zalando), l'UCP adopte une architecture en couches inspirée de TCP/IP avec quatre transports : REST API, MCP d'Anthropic, Agent2Agent et protocole embarqué JSON-RPC. Carrefour s'est positionné comme le premier grand distributeur alimentaire européen à adopter l'UCP. Emmanuel Grenier a confirmé l'engagement de proposer des parcours d'achat intégrés dans Google Search et Gemini. Le partenariat Walmart-Google illustre le potentiel : inventaire temps réel, livraison jusqu'à 30 minutes, application automatique des avantages Walmart+. Dès le lendemain, Stripe et commercetools ont annoncé l'Agentic Commerce Suite (ACS), un protocole concurrent avec JD Sports comme premier retailer européen adoptant. Cette fragmentation précoce entre UCP et ACS rappelle les débuts du web et pose une question stratégique sur l'émergence d'un standard dominant. Le document détaille le passage du SEO vers l'AIO (Artificial Intelligence Optimization). Les schémas JSON-LD (Product, Offer, AggregateRating) deviennent obligatoires, et le concept d'Answer Eligibility Engineering remplace le ranking traditionnel. Les métriques confirment l'accélération : +693% de trafic via IA générative (Adobe), multiplication par 7 du trafic et par 11 des commandes IA (Shopify), 20% des ventes retail générées par agents IA (Salesforce). Toutefois, seuls 24% des consommateurs font confiance à l'IA pour effectuer des achats. Le retail media in-store émerge comme opportunité majeure (65-78 milliards USD en 2025), tandis que la supply chain évolue du "Just-in-Time" vers le "Just-in-Case" avec les Digital Product Passports anticipant les régulations UE. Le document conclut que l'enjeu n'est plus de digitaliser mais d'"agentifier" le commerce. Les retailers sans transformation agentique risquent une désintermédiation structurelle, les agents IA orientant les consommateurs vers les enseignes techniquement intégrées.

The Meta-Manus Deal: How a $2B AI Gamble Redefines Tech Borders and Our Digital Future

Thu, 01 Jan 2026 00:00:00 GMT

En décembre 2025, Meta annonce l'acquisition de Manus, startup singapourienne spécialisée dans les agents IA autonomes, pour plus de 2 milliards de dollars. Cette transaction représente la troisième plus importante de l'histoire de Meta, après WhatsApp et Scale AI. Manus se distingue par sa technologie d'IA "agentique". Contrairement aux chatbots conversationnels comme ChatGPT, Manus peut recevoir une commande complexe multi-étapes et l'exécuter de manière autonome. L'utilisateur peut fermer son ordinateur pendant que l'IA continue de travailler en cloud, envoyant une notification une fois la tâche terminée. L'architecture technique repose sur un système multi-agents où des sous-agents spécialisés (Planificateur, Exécuteur, Spécialiste Connaissances, Vérificateur) collaborent et vérifient mutuellement leur travail, réduisant les erreurs et hallucinations. La startup revendique avoir surpassé l'agent "Deep Research" d'OpenAI sur le benchmark GAIA. La trajectoire de valorisation illustre l'engouement pour cette technologie : 100 millions de dollars fin 2024 sous le nom "Monica", 500 millions en avril 2025 après le pivot vers Manus et un tour mené par Benchmark, puis plus de 2 milliards lors de l'acquisition. L'aspect géopolitique rend ce deal historique. Manus a été fondée en Chine par l'entrepreneur Xiao Hong, avec des investisseurs majeurs chinois (Tencent, HongShan, ZhenFund). Dans le contexte de la guerre froide technologique US-Chine, une telle acquisition semblait politiquement impossible. Le coup de maître stratégique fut la relocalisation de l'entreprise de Chine vers Singapour mi-2025, un hub neutre et respecté. Cette manoeuvre a rendu Manus "acquérable" par une entreprise américaine. Dans le cadre du deal, Meta s'engage à couper tous les liens opérationnels et flux de données avec la Chine et à racheter les investisseurs chinois. Le deal reste sous surveillance du CFIUS (Committee on Foreign Investment in the United States). Le sénateur John Cornyn avait déjà critiqué l'investissement de Benchmark dans Manus comme du capital américain subventionnant un adversaire. Pour Meta, cette acquisition concrétise la vision de Mark Zuckerberg sur l'IA agentique comme prochain paradigme. L'intégration est prévue dans WhatsApp, Messenger, Instagram, Facebook et Meta AI, transformant ces plateformes d'assistants conversationnels en véritables "employés digitaux" capables d'agir de manière autonome pour les 3 milliards d'utilisateurs quotidiens de Meta. Xiao Hong rejoint Meta comme Vice-Président avec son équipe, apportant une expertise immédiate dans un domaine hautement concurrentiel.

2025: The State of Generative AI in the Enterprise

Tue, 09 Dec 2025 00:00:00 GMT

Le troisième rapport annuel de Menlo Ventures sur l'état de l'IA générative en entreprise documente une croissance sans précédent : les dépenses IA des entreprises sont passées de 1,7 Md$ en 2023 à 37 Md$ en 2025 (11,5 Md$ en 2024, soit 3,2x en un an), capturant 6% du marché SaaS mondial. C'est la catégorie logicielle à la croissance la plus rapide de l'histoire. La couche applicative domine avec 19 Md$ (51% des dépenses), devant l'infrastructure (33%) et les API de modèles (16%). Le marché gagne en maturité : au moins 10 produits dépassent le milliard de dollars d'ARR et 50 produits dépassent les 100 M$. Les patterns d'adoption évoluent nettement. Les entreprises achètent désormais 76% de leurs cas d'usage IA plutôt que de les construire en interne (contre 53% en 2024). Le taux de conversion en production atteint 47%, contre 25% pour le SaaS traditionnel, signe d'un ROI perçu clair. Le product-led growth pèse 27% des dépenses applicatives IA (quatre fois le taux du logiciel classique), et le "Shadow AI" — employés payant des outils IA avec leur carte personnelle — représenterait près de 40% des dépenses applicatives. Sur le plan concurrentiel, les startups IA-natives capturent 63% du marché applicatif contre 37% pour les incumbents. La domination est particulièrement marquée par département : 71% en Product & Engineering (Cursor face à GitHub Copilot), 78% en Sales (Clay, Actively face à Salesforce), 91% en Finance & Operations (Rillet, Campfire face à Intuit). Les incumbents conservent en revanche 56% de la couche infrastructure (Databricks, Snowflake, MongoDB). L'IA départementale totalise 7,3 Md$ (4,1x en un an), dominée par le codage : 4 Md$, soit 55% du total, avec 50% des développeurs utilisant quotidiennement des outils de codage IA et des gains de vélocité mesurés de 15% et plus. Suivent l'IT (700 M$), le marketing (660 M$), le customer success (630 M$), le design (490 M$) et les RH (370 M$). L'IA verticale atteint 3,5 Md$ (2,9x), tirée par la santé (1,5 Md$, 43%, triplement depuis 2024), devant le juridique, les services financiers, l'éducation et le retail. Le rapport tranche le débat boom vs bulle en faveur du boom : revenus réels en forte croissance, adoption large (500+ décideurs interrogés), gains de productivité mesurables et modèles économiques durables. Il souligne aussi la montée des outils model-agnostic (Cursor, OpenRouter) qui accélèrent l'adoption des modèles frontière, et la concurrence internationale, notamment des fournisseurs chinois.

Service-as-Software: A new economic model for the age of AI agents

Wed, 03 Dec 2025 00:00:00 GMT

**Matt Kamelman** publie sur le **blog Thoughtworks** le **3 décembre 2025** un article-pivot conceptuel formalisant la bascule économique majeure des services intellectuels : ***"Service-as-Software" (SaS)*** comme **nouveau modèle économique** succédant au **SaaS**. **Distinction-pivot** : ***"Traditional SaaS is about tools: software that enables humans to solve problems. Service-as-Software (SaS), meanwhile, sells outcomes."*** SaS est *"a new class of tool that doesn't just enable work but instead automates the reasoning process itself"*. **Bascule pricing** : ***"Companies will no longer pay for an agent based on seats or features. Instead they'll pay based on its demonstrated alignment and impact."*** **Trois capacités** des systèmes agentic SaS : (1) goals dynamiques, pas fixed workflows ; (2) memory across interactions ; (3) coordination autonome cross-tools/APIs. **Cognitive Contract — trois principes** : (1) **Interpretable and auditable** ; (2) **Aligned with human goals** ; (3) **Trained and iterated in real time**. **Nouveau rôle organisationnel** : ***cognitive orchestrator***, avec trois fonctions : (a) feedback loop design ; (b) managing uncertainty with guardrails ; (c) measuring alignment (score quantifiable). **Trois exemples-types d'agents SaS** : marketing (campagnes end-to-end), finance (modélisation prévisions), operations (triage des demandes). **Analogie historique** : *"mainframes → client-server → web/cloud, where the cognitive contract remained the same: humans had to instruct the machine"*. La rupture agentic est la première à **renégocier** ce contrat. **Articulation dossier veille** : Kamelman fournit le **vocabulaire conceptuel** (SaS) qui **précède chronologiquement** les manifestations sectorielles 2026 et les **unifie** : - **Sternfels/McKinsey** (janvier 2026) — application consulting (60 000 = 40 000 humains + 20 000 agents, *pure advisory → outcomes-based*). - **VoxComm/Mandese** (mars 2026) — application agences (*billable hours are dead*, marges 30%→10%). - **Bain Rule of 40** (avril 2026) — application SaaS (outcome-based pricing tailwind). - **Bain cross-system labor 100 Md$** (mai 2026) — application enterprise (accumulated execution data moat). **Convergence "cognitive orchestrator / agent supervisor"** avec **Osmani Agent Harness Engineering**, **Mornati Agent Supervisor**, **Wescale Juge Stratégique + Manager d'Agents**, **Habert PROJ-AI Decision Records**, **Frizzo *bottleneck is supervision***. **Convergence "cognitive contract"** avec **Talisman Ontology Pipeline Refresh** (AI augment not replace), **Karpathy** (outsource thinking not understanding), **Osmani Cognitive Surrender**. **Limites** : article conceptuel sans validation empirique, pas de pricing model effectif (mesure d'*alignment* / *impact* à définir), pas d'engagement avec obstacles (régulation, juridique, RGPD, interopérabilité), positionnement commercial Thoughtworks évident, terme SaS pas encore canonique face à concurrents (outcome-based services, agentic services). À mobiliser pour COMEX (vocabulaire stratégique), architectes IA (grille design), CFO (bascule pricing), RH (cognitive orchestrator comme nouveau métier), articulation cluster outcome-based 2025-2026 (pivot conceptuel chronologique).