Période d’observation : du 22 octobre 2026 à 09h00 au 29 octobre 2026 à 09h00, heure de Pékin. Seuls les plans de déploiement, les informations sur l’activité, les recherches et les avancées produits officiellement rendus publics pendant cette période sont considérés comme des nouveautés. Les cas clients déjà opérationnels auparavant sont clairement présentés comme des éléments de contexte, et non comme de nouvelles annonces.
Introduction
L’IA en entreprise entre dans une phase plus exigeante, mais aussi plus créatrice de valeur : elle passe de la capacité à « rédiger et répondre » à une véritable intégration dans les processus de l’organisation. Cette semaine, Uber a annoncé le passage d’un projet pilote de ChatGPT Work auprès de 1 000 personnes à un déploiement généralisé couvrant plus de 30 000 collaborateurs ; ServiceNow a publié l’évolution annuelle de l’utilisation des agents en production ; SAP a présenté des cas d’utilisation chez ses clients dans la finance et les achats. En parallèle, une enquête fondée sur les déclarations des entreprises met en évidence les coûts imprévus et les problèmes de gouvernance liés aux agents, tandis que Google, IBM et Akamai renforcent les fondations techniques, respectivement sur les plans de l’isolation de l’exécution, des identifiants d’authentification et du contrôle des autorisations.[1][2][3][4][6][7][8]
Il faut se méfier de deux illusions liées aux chiffres : l’activation d’un compte ne signifie pas une utilisation régulière par les collaborateurs, et les économies annoncées par les fournisseurs ne constituent pas un retour sur investissement vérifié de manière indépendante. Cet article distingue explicitement le « lancement du déploiement », l’« utilisation effective », le « volume de consommation en production » et la « version bêta du produit », afin de ne pas confondre des avancées de maturité différente.
À la une | Uber étend ChatGPT Work d’un projet pilote de 1 000 personnes à plus de 30 000 collaborateurs
Le 22 octobre, Uber a officiellement annoncé l’ouverture de ChatGPT Work à plus de 30 000 collaborateurs dans le monde, en tant que plateforme d’agents pour le travail intellectuel en entreprise, élargissant ainsi le périmètre du projet pilote qui concernait auparavant environ 1 000 personnes. Il ne s’agit pas simplement de donner accès à une interface de discussion : selon les explications d’Uber, la plateforme se connecte aux outils du quotidien comme Google Drive, Gmail, Google Calendar et Slack. Les collaborateurs peuvent lui demander de rassembler des informations provenant de plusieurs applications, de préparer des notes de synthèse pour les réunions, d’organiser des présentations et d’analyser des données. Les équipes de développement logiciel continuent, quant à elles, d’utiliser Codex, les deux produits répondant à des besoins différents.[1]
Le principal enseignement de ce déploiement pour les entreprises concerne les conditions d’un déploiement à l’échelle de l’organisation. Uber mentionne également une bibliothèque interne AI Skills, des connecteurs approuvés et une formation dédiée aux collaborateurs. Sans ces dispositifs, un même modèle peut être utilisé dans différents départements avec des canaux de sortie des données, des autorisations de partage et des règles de fonctionnement différents, ce qui complique les audits à mesure que l’usage prend de l’ampleur. Le passage d’un projet pilote de 1 000 personnes à un déploiement généralisé montre que les achats, les autorisations, la formation et les modalités de collaboration entre équipes métier ont été intégrés au projet : il ne s’agit plus seulement d’un test de performance.[1]
Cette annonce ne dit toutefois pas que « 30 000 personnes l’utilisent déjà activement chaque jour » et ne fournit ni gain de temps moyen, ni bénéfice financier, ni coût d’utilisation par personne. Uber indique que les données d’adoption et les résultats quantifiables seront communiqués ultérieurement. La bonne lecture est donc la suivante : le déploiement généralisé est confirmé, mais l’utilisation effective à grande échelle et le retour sur investissement réel restent à démontrer. Les autres entreprises peuvent évaluer les bénéfices d’un élargissement du déploiement à l’aide du taux de résolution des tickets, du taux d’exécution correcte des tâches entre plusieurs systèmes, du temps consacré à la vérification humaine, du nombre de dépassements des autorisations et du coût total par tâche, plutôt que de considérer le nombre d’inscriptions comme un indicateur de réussite.[1]
Actualité 1｜ServiceNow révèle pour la première fois une consommation d’agents en production en hausse de plus de 13 fois sur un an
Dans sa publication des résultats opérationnels du troisième trimestre du 28 octobre, ServiceNow indique que, selon les indicateurs de sa plateforme, la consommation cumulée d’agents en production par ses clients depuis le début de l’année a augmenté de plus de 13 fois par rapport à la même période de l’année précédente. Ce chiffre ne correspond ni au nombre d’agents présentés en démonstration ni à une prévision de ventes de licences pour l’année prochaine ; il décrit au moins une expansion des usages en production observée par l’éditeur de la plateforme. Toutefois, le communiqué financier ne précise ni l’unité de mesure commune de cette « consommation », ni sa répartition entre les clients, ni l’efficacité de chaque tâche. On ne peut donc pas en déduire que le chiffre d’affaires ou l’efficacité ont eux aussi augmenté de 13 fois.[2]
Le même communiqué indique que HPE a choisi ServiceNow pour transformer le support client et les services sur site de ses activités cloud et IA, tandis que Stagwell a choisi de regrouper quatre centres de services au sein d’une plateforme de gouvernance couvrant plus de 70 agences. Il s’agit de décisions d’achat et d’orientations de mise en œuvre annoncées ce jour-là, et non de projets que l’on peut présenter comme intégralement livrés. Les cas clients Bundesliga, Thrive et INRY évoqués dans le communiqué avaient déjà fait l’objet d’annonces distinctes ; cette édition ne les considère donc pas comme de nouveaux déploiements intervenus le 28 octobre. Les entreprises devraient cesser de se demander « quels agents sont disponibles » pour se concentrer sur « combien ils consomment réellement, combien de tâches ils accomplissent et qui est responsable en cas d’erreur ».[2]
Actualité 2｜SAP annonce que 45 000 clients cloud utilisent l’IA, mais les résultats affichés restent à détailler par processus
Pour les équipes financières et de la chaîne d’approvisionnement, une véritable comparaison contrôlée devrait maintenir constants le volume d’activité, la proportion d’anomalies et les niveaux de service, puis réunir dans un même rapport la détection automatique des problèmes, la validation finale par les équipes financières, les reprises de traitement par le système et le coût des modèles. Le chiffre de 45 000 désigne le nombre de clients ayant adopté ses produits d’IA, et non 45 000 projets d’agents fonctionnant déjà de manière entièrement autonome.[3]
Actualité 3｜Une enquête de Redwood rappelle que des agents capables de monter en charge ne sont pas nécessairement des agents maîtrisables
Le 22 octobre, Redwood a publié les résultats d’une enquête menée auprès de 300 professionnels et cadres des domaines de la technologie, des risques et de l’IA. Selon cette enquête, 77 % des personnes interrogées ont subi des conséquences négatives liées à des agents non encadrés par une gouvernance, les plus fréquentes étant des frais cloud imprévus, suivis d’interruptions opérationnelles et de problèmes de conformité. L’enquête indique également que 42 % déclarent disposer d’un registre centralisé des agents déployés et que 51 % affirment bénéficier d’un suivi de leur activité en temps réel. Ces chiffres mesurent des expériences et des capacités organisationnelles déclarées par les personnes interrogées ; ils ne permettent pas d’affirmer que 77 % des entreprises dans le monde ont connu des incidents réels et confirmés.[4]
L’enquête a été commandée par Redwood et porte sur son domaine d’activité, l’automatisation : il faut donc tenir compte de la taille de l’échantillon, du profil des personnes interrogées et des éventuels biais de sélection. Elle soulève néanmoins une question pratique : si une entreprise autorise des agents à intervenir dans la comptabilité, le CRM, les outils de gestion des tickets et les dépôts de code, sans disposer d’un responsable clairement identifiable, d’une liste des outils, d’un mécanisme de suspension et d’une facturation par tâche, il devient difficile de reconstituer les faits après un incident. Plutôt que de multiplier les agents à tout prix, établir en amont un inventaire des actifs, des règles d’approbation et un suivi des coûts offre des garanties plus solides.[4]
Actualité 4｜Les agents financiers commencent à relier « réception des factures, approbation et paiement », sans pouvoir faire l’impasse sur les limites d’autorisation
Le 22 octobre, Tipalti a annoncé AP Agent, conçu pour coordonner la réception des factures, l’imputation comptable, l’approbation, le paiement et le rapprochement au sein d’un même flux de travail, tout en mettant des données financières à disposition des outils d’IA d’entreprise autorisés via MCP. Sa conception met l’accent sur les explications au niveau de chaque champ, la traçabilité des opérations, la possibilité pour les équipes financières de contester ou de modifier les décisions de l’agent, ainsi que la liberté de l’entreprise de déterminer quelles étapes peuvent être automatisées.[5]
Il s’agit d’une présentation de nouveaux produits et fonctionnalités publiée par le fournisseur ; les documents d’origine ne fournissent pas de taux de réussite des paiements clients ni de courbes de coûts à long terme permettant une vérification indépendante. Avant toute mise en œuvre, les entreprises doivent distinguer « consulter le statut d’une facture », « suggérer un compte comptable », « préparer un ordre de paiement » et « débloquer effectivement les fonds » : cette dernière opération exige des validations plus strictes selon le montant, le bénéficiaire et les droits d’accès. L’intégration de MCP ne permet pas de contourner les droits d’accès existants dans l’ERP, le double contrôle bancaire ou l’audit des paiements.[5]
À la une 5｜Google, IBM et Akamai complètent les conditions d’exploitation des agents en production à trois niveaux
Environnement d’exécution. Le 22 octobre, Google Cloud a présenté Agent Compute Engine : des microVM avec isolation matérielle, des identités temporaires et des espaces de travail persistants pour les agents, avec mise en pause des instances inactives dans l’attente d’une réponse du modèle ou d’une approbation humaine afin de maîtriser la consommation de ressources. Cette infrastructure est déjà utilisée en interne chez Google pour les charges de travail des agents Gemini, mais la version d’Agent Compute Engine destinée aux clients externes ne devrait être proposée en préversion que dans les prochains mois. L’expérience acquise en interne ne doit pas être présentée comme un service commercial pleinement disponible que toutes les entreprises clientes pourraient déjà acheter.[6]
Identité et autorisation. Le 27 octobre, IBM a annoncé l’utilisation de HashiCorp Vault et d’Agent Identity pour gérer les identités des agents, les identifiants temporaires et la révocation des accès à la demande. watsonx Orchestrate met également l’accent sur la découverte, l’isolation, l’évaluation et les mécanismes d’arrêt sur plusieurs plateformes. Certaines fonctionnalités de découverte et d’isolation sont encore signalées comme étant en préversion technique. Contrairement à la pratique traditionnelle consistant à attribuer des clés d’administration à longue durée de validité aux comptes de robots, cette approche se concentre sur trois questions : « qui est responsable de l’agent, à quoi peut-il accéder et quand faut-il révoquer ses droits ? » Les entreprises doivent impérativement y répondre avant de connecter les agents à leurs systèmes de production.[7]
Limites d’exécution. Le 27 octobre, Akamai a lancé les versions bêta d’Akamai Inference et d’Agent Sandbox : le premier propose un service géré d’appels aux modèles, tandis que le second s’appuie sur l’écosystème Spin et WebAssembly pour isoler le code généré par les agents et limiter les ressources de calcul, la mémoire, les connexions externes et les capacités système. Les deux sont en version bêta et ne doivent donc pas être présentés comme pleinement disponibles pour une exploitation commerciale en production. Les solutions de ces trois fournisseurs ne sont pas entièrement interchangeables : les microVM offrent une isolation relativement forte, les composants de type Vault gèrent les identités et les secrets, et les bacs à sable Wasm limitent les capacités du code exécutable. Le choix doit aussi tenir compte de la latence, de l’observabilité et de la complexité d’exploitation.[6][7][8]
Les chiffres en bref｜Pour chaque chiffre, examiner d’abord le dénominateur
- 1 000 → 30 000+ : le nombre de participants au projet pilote et le périmètre du déploiement à l’ensemble du personnel annoncés par Uber, et non le nombre d’utilisateurs actifs quotidiens ou les heures de travail économisées.[1]
- Plus de 13 fois : la hausse, par rapport à la même période de l’année précédente, de la consommation des agents en production depuis le début de l’année, annoncée par ServiceNow. Aucun dénominateur métier permettant une conversion directe en ROI n’a été communiqué.[2]
- 45 000 : le nombre de clients cloud qui utilisent les solutions d’IA de SAP selon l’entreprise, à ne pas confondre avec le nombre de projets d’agents distincts en production.[3]
- 300 personnes, 77 % : la taille de l’échantillon du questionnaire Redwood et la proportion de répondants ayant signalé des conséquences négatives, et non le taux d’incidents dans l’ensemble du secteur.[4]
- 0 image : cette édition n’utilise ni logos de fournisseurs, ni illustrations décoratives, ni photos promotionnelles de provenance incertaine comme preuves de résultats en production.
Analyse technique｜De la démonstration du modèle à une mise en production pérenne, au moins cinq étapes à franchir
La première consiste à délimiter le périmètre d’action. Commencez par choisir des processus dont les données d’entrée, les actions autorisées et les critères d’acceptation sont clairement définis, par exemple l’examen préliminaire des anomalies financières, la recherche dans les connaissances internes, la catégorisation des demandes au service clientèle ou le tri des tickets informatiques. Définissez des niveaux d’autorisation distincts pour « rechercher, recommander, soumettre, payer ». Ce n’est pas parce qu’un agent peut générer une réponse exacte qu’il faut l’autoriser à modifier directement les écritures comptables en production.[5][7]
La deuxième concerne les identités et les secrets. Définissez pour chaque agent une personne responsable, des identifiants à durée de validité courte, les outils accessibles et les privilèges minimaux. Isolez autant que possible les navigateurs et les environnements d’exécution de code des clés à longue durée de validité ; faites passer les actions à haut risque par une passerelle conservant une piste d’audit. C’est vers ce plan de contrôle que convergent les solutions présentées cette semaine par IBM, Google et Akamai, mais leur disponibilité varie selon les fournisseurs.[6][7][8]
La troisième concerne la vérification humaine et le fonctionnement en mode dégradé en cas d’anomalie. Prévoyez une possibilité de reprise en main humaine pour les tâches qui ne correspondent à aucune règle, produisent des résultats à faible niveau de confiance, dépassent le budget ou se heurtent à une défaillance d’un système externe. Intégrez le temps consacré à la vérification, à l’annulation et à la reprise du travail ; ne confondez pas la vitesse d’une inférence du modèle avec le gain d’efficacité du processus complet.[4][5]
La quatrième concerne le suivi comptable des coûts. Suivez au minimum, pour chaque tâche achevée, les coûts des jetons, des appels d’outils, du fonctionnement des environnements, du stockage, des journaux, des nouvelles tentatives et du travail humain. Plus l’agent est complexe, plus les environnements inutilisés et les appels répétés risquent d’éroder les avantages d’un « faible coût par jeton » ; avant tout achat, établissez un coût de référence par tâche à partir d’un petit échantillon de cas réels.[4][6]
La cinquième concerne la validation des résultats opérationnels. Consignez séparément le nombre de collaborateurs ayant reçu des droits d’accès, les utilisateurs actifs hebdomadaires, les tâches achevées, les corrections humaines, la satisfaction des clients finaux et les résultats financiers. Les chiffres publiés par Uber et SAP donnent des indications sur le déploiement et l’adoption, tandis que ceux de ServiceNow renseignent sur l’utilisation de la plateforme en production ; ces avancées sont toutes utiles, mais il faudra disposer de données sur les résultats au niveau des tâches pour calculer un retour sur investissement vérifiable.[1][2][3]
Les points à suivre
Voir si Uber publie par la suite le nombre d’utilisateurs effectifs, la qualité des tâches achevées et les incidents de sécurité entre applications ; si ServiceNow précise davantage la méthode de mesure de la consommation en production multipliée par 13 et les bénéfices opérationnels associés ; si les projets pilotes de SAP donnent lieu à des retours d’expérience clients disposant d’une base de référence et permettant d’isoler les coûts du travail humain ; et quelles seront les conditions et les tarifs du passage de Google Agent Compute Engine et d’Akamai Sandbox des phases de préversion et de test à une disponibilité générale en production.[1][2][3][6][8]
Note sur les sources et l’élimination des doublons : cette édition s’appuie sur les pages originales publiées pour la première fois par les entreprises entre le 22 et le 28 octobre, et chaque sujet a été comparé à ceux de l’édition précédente de « L’hebdomadaire de l’IA en pratique » afin d’éviter les doublons. L’accès à NIUX /blog/rss.xml a échoué lors de cette consultation ; la liste publique des articles du blog était une version en cache et ne couvrait pas l’ensemble des brouillons et des pages publiées au cours des 14 derniers jours. Par conséquent, l’élimination exhaustive des doublons sur l’ensemble du site pour les 14 derniers jours n’a pas pu être menée à bien. Toutes les données opérationnelles des fournisseurs sont explicitement signalées comme autodéclarées ; aucune illustration originale fiable et directement liée aux éléments probants de cette édition n’a pu être obtenue : 0 image dans le corps du texte et 0 image de couverture.
Sources de référence
- Uber déploie ChatGPT Work auprès de l’ensemble de ses collaborateurs avec OpenAI — Uber, consulté le 29.10.2026
- ServiceNow publie ses résultats financiers du troisième trimestre 2026 — ServiceNow, consulté le 29.10.2026
- Les principales nouveautés en matière d’IA au troisième trimestre 2026 — SAP News Center, consulté le 29.10.2026
- 77 % des entreprises ont payé le prix d’agents d’IA sans gouvernance — Redwood Software, consulté le 29.10.2026
- Tipalti fait progresser l’IA agentique avec le nouvel AP Agent pour accroître l’autonomie des opérations financières — Tipalti, consulté le 29.10.2026
- Présentation d’Agent Compute Engine et d’une gouvernance des agents élargie — Google Cloud, consulté le 29.10.2026
- IBM présente des fonctionnalités d’identité et de contrôle pour les agents d’IA afin de sécuriser l’intelligence de pointe en entreprise — IBM Newsroom, consulté le 29.10.2026
- Akamai lance un service d’inférence d’IA et un environnement d’exécution d’agents — Akamai, consulté le 29.10.2026
