Une entreprise de la Silicon Valley vient de lever 1,5 milliard de dollars sur un seul constat : la majorité de l’IA qu’elle fait tourner n’est plus un modèle générique, mais un modèle entraîné sur les données propres de ses clients. Ce basculement, discret mais massif, dit quelque chose de très concret pour une PME qui utilise ChatGPT ou un agent IA au quotidien.

Ce qui vient de se passer

Fireworks AI, une plateforme d’inférence IA soutenue par Nvidia, a annoncé le 16 juillet 2026 une levée de série D de 1,505 milliard de dollars, portant sa valorisation à 17,5 milliards de dollars. Le chiffre le plus révélateur n’est pas le montant de la levée, c’est ce que l’entreprise dit de son propre trafic : plus de 95% des tokens qu’elle traite chaque jour (plus de 40 000 milliards par jour) proviennent de modèles « spécialisés sur les données propriétaires des clients », et non de modèles génériques utilisés tels quels.

Dans son communiqué, Fireworks résume le mouvement en une phrase : les entreprises construisent désormais leur propre intelligence plutôt que de louer des capacités génériques, en s’appuyant sur leur connaissance propriétaire comme avantage compétitif.

Pourquoi un modèle générique ne suffit pas

ChatGPT, Claude ou Gemini utilisés « tels quels » savent énormément de choses sur le monde en général. Ils ne savent rien de vos clients, de votre catalogue, de vos process internes ou de l’historique de vos dossiers, sauf si vous le leur donnez à chaque question. C’est la limite que rencontre toute PME qui copie colle ses données dans un chat au fil de l’eau : ça marche pour une tâche ponctuelle, ça ne tient pas pour un usage régulier.

La différence entre un modèle générique et un modèle « connecté à vos données » (technique souvent appelée RAG, ou agent branché sur vos documents et vos outils internes) n’est pas une question de puissance du modèle. C’est une question d’architecture : où sont vos données, et est-ce que l’IA peut aller les consulter au moment où elle répond.

Un exemple concret : le rapport Selvitys

C’est exactement ce qui distingue un agent IA utile d’une démo. Chez Selvitys, l’agent développé par ManoCorp ne génère pas un rapport générique sur « la performance en général » : il va chercher les données internes du client (indicateurs, historique, contexte propre à l’activité) et les organise dans le format attendu. Un rapport qui prenait une demi journée à produire à la main prend désormais deux minutes, précisément parce que l’agent est connecté aux bonnes données, pas parce que le modèle sous-jacent est plus intelligent qu’un autre.

Le prérequis qu’on oublie trop souvent

Brancher une IA sur ses propres données suppose que ces données existent quelque part sous une forme exploitable : un tableur à jour, une base clients propre, des documents classés. C’est le sujet que nous détaillions récemment : la digitalisation reste le vrai frein à l’IA en PME, avant même la question du modèle ou de l’outil (voir notre article « IA en PME : pourquoi la digitalisation est le vrai frein »). Une IA, aussi bien connectée soit-elle, ne peut pas exploiter des données qui n’existent que sur papier ou dans la tête du dirigeant.

Ce que ça change concrètement pour votre PME

• Arrêtez de reposer les mêmes questions à un chat générique. Si une tâche revient chaque semaine (rapport, réponse client type, relance), c’est un signal qu’il faut un agent connecté à vos données, pas une conversation recommencée à chaque fois.
• Identifiez le corpus qui compte vraiment. Pas besoin de « toutes vos données » : un fichier clients propre, un historique de dossiers, une base de tarifs suffit souvent à démarrer.
• Le modèle choisi importe moins que la connexion. Un modèle moyen branché sur les bonnes données bat systématiquement un modèle premium utilisé à l’aveugle.

C’est exactement le travail que couvre l’accompagnement stratégie IA et automatisation de ManoCorp (650€/jour) : cartographier les données et les tâches avant de choisir l’outil, pas l’inverse.

Sources

• 1,505 milliard de dollars levés, valorisation 17,5 milliards de dollars, plus de 95% des tokens issus de modèles spécialisés sur données propriétaires clients, plus de 40 000 milliards de tokens servis par jour : Fireworks AI, communiqué officiel de série D, fireworks.ai/blog/series-d-announcement, publié le 16/07/2026.

58% des dirigeants de PME et ETI françaises considèrent que l’intelligence artificielle est un enjeu de survie pour leur entreprise. Pourtant, à peine un tiers l’utilisent réellement. L’écart ne vient pas d’un manque de volonté ni même d’un manque de stratégie : une étude Bpifrance Le Lab, mise à jour le 14 août 2026, pointe un chiffre bien plus discret, et bien plus déterminant.

Le chiffre qui change la focale : 1 point par an

Selon cette étude (1 209 dirigeants interrogés), 76% des PME et ETI françaises déclarent avoir engagé des actions de digitalisation, contre 72% en 2017. Sur neuf ans, la progression tient en une phrase : 1 point de plus par an.

Or l’IA ne fonctionne que sur ce qu’on lui donne à lire. C’est le principe que l’étude elle-même rappelle : « garbage in, garbage out ». Une intelligence artificielle, quelle qu’elle soit, ne peut produire des résultats fiables que si on lui fournit des données de bonne qualité. Sans digitalisation, pas de données structurées. Sans données structurées, pas d’IA qui tienne au-delà de la démo.

Ce que ça veut dire concrètement pour votre PME

Concrètement, la digitalisation dont parle l’étude, ce n’est pas un logiciel de plus. C’est :

• Des factures et devis dans un outil unique, pas dispersés entre boîte mail et classeurs papier
• Un fichier client centralisé, pas trois versions d’un même tableau Excel qui ne se parlent pas
• Des process qui laissent une trace numérique exploitable, pas seulement une mémoire dans la tête du dirigeant

Sans ce socle, brancher un agent IA ou un chatbot revient à lui demander de raisonner sur du vide. Le résultat est prévisible : un test qui impressionne en démonstration, puis rien qui tient dans la durée.

Un retard mesuré, pas ressenti

L’étude chiffre aussi l’ampleur du décalage. Les entreprises françaises adopteraient l’IA deux fois plus lentement que leurs homologues allemandes et américaines. Autre signal : dans 73% des cas, le projet IA est porté par le seul dirigeant, sans que l’équipe soit associée dès le départ. Et parmi les PME et ETI qui utilisent déjà l’IA, 54% se contentent d’une solution gratuite, pratique pour découvrir l’outil, mais rarement suffisante pour transformer un process métier.

Résultat : seules 32% des PME et ETI françaises utilisent l’IA aujourd’hui, alors que Bpifrance estime que l’automatisation portée par l’IA pourrait faire gagner 1,3 point de PIB par an à la France d’ici 2034. Le potentiel est là. Le socle qui permettrait de l’exploiter progresse à peine.

Par où commencer, concrètement

La bonne nouvelle : ce constat se corrige avant même de choisir un outil IA. La première étape n’est pas technologique, elle est organisationnelle : cartographier où vivent vos données aujourd’hui, lesquelles sont exploitables telles quelles, lesquelles doivent d’abord être centralisées. C’est exactement ce que couvre le diagnostic de l’accompagnement stratégie IA & automatisation ManoCorp (650€/jour) : une journée pour cartographier vos process, chiffrer ce qui est prêt et ce qui ne l’est pas, et livrer une roadmap priorisée par ROI plutôt qu’un abonnement IA de plus.

C’est ce travail de structuration préalable qui a permis à SELVITYS de faire passer un rapport qui prenait une demi-journée à seulement 2 minutes : pas un outil IA posé sur un existant flou, mais un process d’abord clarifié, puis automatisé.

Sources

• 58% des dirigeants PME-ETI voient l’IA comme un enjeu de survie ; 43% ont déjà adopté une stratégie IA ; 73% des projets IA sont impulsés par le dirigeant ; 32% des PME et ETI utilisent l’IA ; 76% ont engagé des actions de digitalisation contre 72% en 2017 ; 54% des utilisateurs d’IA se limitent à une solution gratuite ; adoption deux fois plus lente qu’en Allemagne et aux États-Unis ; gain potentiel de 1,3 point de PIB par an d’ici 2034 : étude « Les entreprises françaises et l’IA : l’aube d’une révolution », Bpifrance Le Lab, enquête auprès de 1 209 dirigeants (questionnaire administré entre octobre et décembre 2024), publiée le 04/06/2025, mise à jour le 14/08/2026 : lelab.bpifrance.fr

Début août, on vous alertait ici sur le piège du verrouillage plateforme : plus les écosystèmes IA d’OpenAI, Anthropic et Google s’enrichissent, plus il devient coûteux d’en sortir. Un mois plus tard, une réponse structurelle commence à prendre forme : un protocole ouvert baptisé A2A, qui vise justement à empêcher vos agents IA de rester enfermés chez un seul fournisseur. Voici ce qu’il faut en retenir, sans jargon technique.

Le problème, pour rappel

Un agent IA, c’est un programme qui exécute une tâche de bout en bout (répondre à un client, relancer un devis, trier des documents) au lieu de se contenter de répondre à une question. Le souci : aujourd’hui, un agent construit chez OpenAI ne parle pas nativement à un agent construit chez Anthropic ou Google. Chaque plateforme a son propre format, ses propres règles. Résultat : une PME qui choisit un fournisseur se retrouve à devoir tout reconstruire si elle veut en changer, ou si elle veut simplement faire coopérer deux outils de fournisseurs différents (un CRM piloté par un agent Google, un support client piloté par un agent OpenAI, par exemple).

A2A : un langage commun entre agents

A2A (Agent2Agent) est un protocole ouvert créé par Google, qui l’a transféré à la Linux Foundation le 23 juin 2025 pour en garantir la neutralité : aucun éditeur ne le contrôle seul. Son rôle est simple à comprendre : donner aux agents IA, quel que soit leur fournisseur, un langage commun pour se découvrir, échanger des informations en sécurité et se coordonner sur une tâche. Plus de 100 entreprises technologiques soutiennent aujourd’hui le projet, dont Amazon, Cisco, Microsoft, Salesforce, SAP et ServiceNow, aux côtés de Google. En mars 2026, la version A2A v1.0, la première jugée stable et prête pour la production, a été publiée.

Ce que ça change concrètement pour une PME

Trois conséquences pratiques, une fois ce standard réellement adopté par les éditeurs que vous utilisez :

• Moins de dépendance à un seul fournisseur. Un agent conforme A2A peut, en théorie, être remplacé par un équivalent d’un autre éditeur sans tout reconstruire autour.
• Des outils qui coopèrent enfin. Un agent de facturation et un agent de relance client, même construits sur des plateformes différentes, peuvent échanger des informations sans connecteur sur-mesure coûteux.
• Un critère de choix supplémentaire. Face à deux outils IA équivalents, celui qui respecte un standard ouvert comme A2A limite votre risque de lock-in par rapport à celui qui reste propriétaire de bout en bout.

Ce qu’il ne faut pas encore en attendre

A2A a moins d’un an d’existence en version stable : la plupart des outils grand public que vous utilisez aujourd’hui (ChatGPT, un chatbot Instagram, un agent de reporting) ne l’implémentent pas encore, et ne le feront pas forcément. Ce n’est pas une solution magique à activer cette semaine, c’est un signal de fond à surveiller : le marché reconnaît le problème du verrouillage et commence à s’organiser pour y répondre. C’est un argument à ajouter à votre grille de sélection quand vous évaluez un futur outil ou un futur prestataire, pas une raison de tout changer aujourd’hui.

Chez ManoCorp, c’est une des raisons pour lesquelles on construit les automatisations de nos clients autour de briques standard (API ouvertes, outils no-code interopérables) plutôt qu’enfermées dans une seule plateforme propriétaire : le jour où un fournisseur change ses règles ou son prix, vous n’êtes pas coincé.

Sources

• Transfert du protocole A2A à la Linux Foundation, 23 juin 2025, plus de 100 entreprises soutenant le projet, 7 partenaires fondateurs (Google, AWS, Cisco, Microsoft, Salesforce, SAP, ServiceNow) : Google Developers Blog et Linux Foundation.
• Bilan à un an du projet A2A (avril 2026) : plus de 100 entreprises technologiques, version A2A v1.0 stable et prête pour la production publiée en mars 2026 : Google Open Source Blog.

31% des TPE et PME françaises utilisent déjà l’IA générative. Le chiffre circule partout, souvent présenté comme la preuve que « tout le monde y est passé ». Mais la même étude qui donne ce 31% en donne un second, beaucoup moins cité : seulement 8% en usage régulier. C’est cet écart, pas le premier chiffre, qui dit ce qui se passe vraiment dans les PME en 2026.

Ce que dit vraiment l’étude Bpifrance Le Lab

En novembre 2023, Bpifrance Le Lab interrogeait 3 077 dirigeants de TPE et PME sur leur usage de l’IA générative : 3% en usage régulier, 12% en usage occasionnel. Un an plus tard, l’adoption a doublé : 31% y ont recours, dont 8% de façon régulière. La part des dirigeants réfractaires est passée de 72% à 50% sur la même période.

L’adoption progresse plus vite dans les structures moyennes que dans les très petites entreprises : 29% des TPE de 1 à 9 salariés utilisent ces outils (contre 14% un an plus tôt), contre 53% des PME d’au moins 100 salariés (28% fin 2023). Et l’usage reste concentré sur les fonctions support : parmi les dirigeants utilisateurs, 68% s’en servent pour rédiger du contenu écrit.

Le vrai chiffre à suivre : 8%, pas 31%

31% de « recours » à l’IA générative recouvre une réalité très large : un dirigeant qui a testé ChatGPT deux fois pour rédiger un mail compte dans ce chiffre, au même titre qu’une entreprise qui a un outil intégré à ses process du quotidien. Le chiffre qui distingue vraiment un usage installé d’un simple essai, c’est le taux d’usage régulier : 8%. C’est lui qui mesure combien d’entreprises ont réellement changé leur façon de travailler, pas combien ont ouvert une application une fois.

Une autre étude Bpifrance Le Lab, menée en 2025 auprès de 1 209 dirigeants de PME et ETI (mise à jour mars 2026), va dans le même sens : 58% des dirigeants considèrent l’IA comme un enjeu de survie à 3-5 ans, mais un tiers seulement des PME et ETI interrogées l’utilisent au quotidien, et dans la moitié de ces cas, ce sont des outils gratuits génériques, pas des solutions adaptées à leur activité.

Pourquoi la moitié des dirigeants restent bloqués

Le vrai obstacle n’est plus la méfiance de principe : elle recule (72% à 50% de réfractaires en un an). Le blocage, selon Bpifrance Le Lab, est ailleurs : plus des deux tiers des dirigeants encore réfractaires ne parviennent tout simplement pas à identifier un cas d’usage concret pour leur propre activité. Ce n’est pas un problème d’outil, ni de budget : sans savoir précisément quelle tâche automatiser et pour quel gain mesurable, tester un abonnement IA de plus ne change rien à l’organisation.

Le prérequis qu’on oublie : les données

Même chiffre alarmant du côté PME-ETI : 43% ne mettent en place aucune stratégie IA, et 43% n’analysent pas leurs propres données. Or l’IA, générative ou non, ne produit de valeur que sur des données structurées : historique clients, process de production, échanges avec les prospects. Un dirigeant qui n’a jamais formalisé « quelles données j’ai, où elles sont, ce qu’elles racontent » ne peut pas construire un cas d’usage IA solide, même avec le meilleur modèle du marché.

C’est très concrètement ce qu’on a vu chez Selvitys : le gain n’est pas venu de « brancher une IA », mais de cartographier d’abord le process existant (un rapport qui prenait une demi-journée), avant de décider quoi automatiser et comment mesurer le résultat.

Ce que ça change pour votre PME

Si vous reconnaissez votre entreprise dans le 31% (« on a testé ») plutôt que dans le 8% (« ça tourne vraiment »), la question à se poser n’est pas « quel outil IA choisir », mais « quel process précis on automatise, avec quelles données, pour quel gain chiffré ». C’est exactement l’objet du diagnostic d’une journée d’accompagnement stratégie IA : cartographier les tâches automatisables, chiffrer le gain, prioriser par ROI, et repartir avec un plan d’action écrit plutôt qu’un abonnement de plus qui ne sera pas utilisé au quotidien.

Sources

• 31% des TPE/PME utilisent l’IA générative (dont 8% en usage régulier), doublement en un an, réfractaires de 72% à 50% : Bpifrance Le Lab, « 31% des TPE et PME utilisent l’IA générative », publié 10/02/2025, mis à jour 26/05/2026 : lelab.bpifrance.fr
• 58% des dirigeants voient l’IA comme enjeu de survie à 3-5 ans, un tiers l’utilise au quotidien, 43% sans stratégie IA, 43% n’analysent pas leurs données : Bpifrance Le Lab, « L’IA dans les PME et ETI françaises : 6 chiffres à retenir » (enquête auprès de 1 209 dirigeants), publié 17/06/2025, mis à jour 19/03/2026 : lelab.bpifrance.fr

Chaque semaine, un nouveau modèle d’IA revendique la première place d’un classement (Artificial Analysis, LMArena, et d’autres). Si vous attendez « le meilleur modèle » pour équiper votre PME, vous attendrez toujours : la première place change plus vite que le temps qu’il vous faut pour vous décider. Voici le vrai critère à utiliser à la place.

Pourquoi le classement du jour ne veut presque rien dire pour vous

Les classements de modèles IA se recalculent en continu, sur des benchmarks techniques (raisonnement abstrait, code, mathématiques) qui n’ont souvent aucun rapport avec l’usage réel d’une PME : rédiger un devis, résumer un contrat, répondre à un client, extraire une donnée d’une facture. Un modèle peut dominer un classement de raisonnement pur et se révéler plus lent, plus cher ou moins pratique que ses concurrents sur les tâches concrètes d’une entreprise. Se décider sur ce seul critère revient à choisir un fournisseur sur un prix affiché en vitrine, sans regarder ce qu’il livre réellement une fois la commande passée.

Le vrai coût n’est jamais juste le prix par token

Deux modèles au même prix affiché au million de tokens peuvent coûter très différemment en pratique. L’un répond en une phrase précise et exploitable tout de suite ; l’autre en trois paragraphes qu’il faut relire et raccourcir avant de les envoyer. Le vrai coût inclut le temps de relecture, le nombre d’essais avant d’obtenir un résultat utilisable, et la latence si l’usage est conversationnel : un client qui attend une réponse de chatbot pendant 8 secondes vit une expérience différente d’un client qui attend 2 secondes, même si les deux modèles affichaient le même tarif.

4 critères qui comptent plus qu’un classement

• Le cas d’usage réel : rédaction, code, analyse de documents, agent autonome. Chaque modèle a des forces différentes selon la tâche, pas selon un score global unique.
• Le coût à l’échelle, pas le prix catalogue : un abonnement peut sembler moins cher qu’une facturation à l’usage, puis coûter plus cher dès le premier mois de forte utilisation, et inversement.
• La souveraineté des données : un modèle qui traite des données clients impose des garanties RGPD différentes selon l’éditeur, le pays d’hébergement et le contrat de traitement des données.
• Le risque de dépendance (lock-in) : plus vous construisez d’automatisations spécifiques aux outils propriétaires d’un seul éditeur, plus il devient coûteux d’en changer le jour où son prix ou ses conditions bougent.

Ce que ça veut dire concrètement pour votre PME

Le bon réflexe n’est pas de suivre l’actualité des classements, mais de tester le modèle candidat sur 3 ou 4 tâches réelles de votre entreprise, avec vos propres documents et vos propres questions, avant de vous engager. Un modèle « numéro 1 » sur un classement mondial peut très bien finir troisième sur votre cas précis, et inversement.

C’est le principe suivi pour Selvitys : le choix du modèle n’a jamais été fait sur un classement, mais sur le résultat concret obtenu avec les rapports réels du client, ce qui a permis de faire passer une tâche d’une demi-journée à deux minutes. Le classement n’entre nulle part dans cette équation.

Vous voulez comparer ChatGPT, Claude et Gemini sur des critères business plutôt que sur un score technique ? Notre comparatif par usage détaille les forces de chacun. Et si le critère qui compte pour vous est la souveraineté des données plutôt que la performance brute, notre article sur convergence des modèles et RGPD creuse la question.

Si vous n’avez pas le temps de faire ces tests vous-même, c’est exactement ce que couvre le diagnostic d’une journée d’accompagnement stratégie IA : cartographier vos tâches réelles, tester les modèles pertinents dessus, et trancher sur des résultats mesurés plutôt que sur un classement qui aura changé le mois prochain.

Jusqu’ici, automatiser avec Zapier, Make ou n8n voulait dire construire un scénario précis : si tel événement se produit, alors fais telle action, dans cet ordre exact. C’était déjà puissant, mais ça demandait de tout cartographier à l’avance. En 2026, les trois plateformes basculent vers autre chose : on décrit un objectif, l’outil construit lui-même le scénario et, pour certaines tâches, décide en cours de route. Pour une PME, ce n’est pas un détail technique : ça change la façon d’aborder un projet d’automatisation.

Les trois grandes plateformes font le même pari

Make a lancé ses AI Agents en 2025 : des agents capables de comprendre un objectif exprimé en langage naturel et d’ajuster le workflow « en temps réel » plutôt que de suivre une règle fixe, avec accès à plus de 2 000 applications et 30 000 actions déjà connectées sur la plateforme. L’utilisateur choisit même le modèle de langage qui pilote l’agent.

Zapier a fait un choix similaire avec Copilot : on décrit son besoin par écrit, à l’oral ou même via une image, et l’assistant propose une structure de workflow (déclencheur + actions), que l’on ajuste ensuite. Copilot intervient désormais sur cinq briques de la plateforme : les automatisations classiques, les formulaires, les tables de données, les agents et les chatbots.

n8n suit la même logique avec son AI Workflow Builder (« décrivez-le, construisez-le, livrez-le ») et l’ajout du protocole MCP, qui permet à n’importe quelle IA externe d’appeler un workflow n8n comme un outil. La plateforme met en avant des points de contrôle humain intégrés directement dans le scénario, avant ou après l’intervention d’un agent.

Ce que ça change concrètement pour une PME

Avant, construire une automatisation demandait souvent de faire appel à quelqu’un qui maîtrise l’outil : identifier le bon déclencheur, chaîner les bonnes actions, gérer les cas particuliers. Décrire l’objectif en langage naturel abaisse cette barrière : un dirigeant peut aujourd’hui obtenir une première ébauche de workflow sans avoir ouvert l’outil de sa vie.

Mais une ébauche n’est pas un process fiable. Un agent construit à partir d’une phrase gère bien le cas nominal : le client qui remplit le formulaire correctement, le paiement qui passe du premier coup. Il gère beaucoup moins bien l’exception : la relance qui doit s’arrêter si le client a déjà répondu, la facture qui ne doit pas partir deux fois, le lead qui arrive en double. C’est exactement là que la définition du besoin, faite avec quelqu’un qui connaît le métier, reste indispensable.

Le vrai sujet : la décision autonome, pas la vitesse de construction

Le changement le plus important n’est pas que ces outils construisent plus vite. C’est qu’ils peuvent désormais décider pendant l’exécution : Make parle explicitement de décisions « non déterministes », c’est-à-dire qu’un même scénario peut réagir différemment selon le contexte. C’est utile pour s’adapter à des situations imprévues, mais ça veut aussi dire moins de contrôle si le périmètre de décision n’a pas été posé clairement dès le départ : quelles actions l’agent peut prendre seul, lesquelles doivent repasser par un humain, et où s’arrête la responsabilité de l’outil.

Un agent d’automatisation mal briefé ne se contente pas de mal fonctionner : il agit quand même, juste pas comme prévu. Le cadrage compte plus que jamais.

Ce qu’il faut retenir

• Le choix d’un outil ne se résume plus à son prix ou son catalogue de connecteurs, mais à la façon dont il permet de garder un humain dans la boucle avant qu’un agent décide seul.
• Décrire un objectif en langage naturel accélère la première ébauche, pas la fiabilité du process sur les cas limites.
• Une automatisation qui gère les exceptions (doublons, relances, erreurs) demande toujours un cadrage précis en amont, agent IA ou non.

C’est le principe suivi chez ManoCorp pour tout projet d’automatisation client : le process est cartographié cas par cas (nominal et exceptions) avant d’être construit, agent IA ou scénario classique. Selvitys en est un exemple concret : un rapport qui prenait une demi-journée tient aujourd’hui en deux minutes, parce que chaque exception métier a été traitée dès la conception, pas découverte en production.

Sources

• Make AI Agents (fonctionnement, 2 000+ apps, 30 000+ actions) : make.com/en/blog/make-ai-agents
• Zapier Copilot (fonctionnement, cinq produits couverts) : zapier.com/blog/zapier-copilot-guide
• n8n AI Workflow Builder et MCP : n8n.io/ai

OpenAI, Anthropic et Google ont, en l’espace de quelques semaines, fait basculer leurs plateformes d’agents IA en disponibilité générale pour les entreprises. Une bascule qui change la donne pour toute PME qui envisage d’adopter un agent IA : le choix ne se limite plus à « quel modèle est le meilleur », il porte désormais sur « dans quel écosystème est-ce que je m’engage ».

Trois annonces en quelques semaines

Le 6 juillet 2026, OpenAI a mis fin à la période d’essai gratuite de ses Workspace Agents dans ChatGPT Entreprise : chaque exécution d’agent consomme désormais des crédits facturés selon les tokens utilisés, un modèle qui peut varier fortement d’une tâche à l’autre.

Le lendemain, Anthropic a étendu Claude Cowork, jusque-là réservé à l’application de bureau, au web et au mobile, en version bêta. Un agent qui délègue un travail multi-étapes (fichiers, calendrier, e-mail, outils connectés) peut désormais être lancé depuis un ordinateur et suivi depuis un téléphone.

Google, de son côté, a présenté Gemini Enterprise : une plateforme qui réunit un Agent Designer sans code, un catalogue d’agents tiers déjà validés (Oracle, Salesforce, ServiceNow, Adobe, Workday) et des outils de gouvernance pensés pour les équipes IT.

Les trois plateformes sont désormais toutes en disponibilité générale côté entreprise. Le message est clair : l’agent IA quitte la démo pour devenir un outil de production vendu comme tel.

Le vrai risque n’est pas le prix, c’est la sortie

Une facturation au crédit qui varie selon la complexité de chaque tâche peut vite déraper si les usages ne sont pas cadrés dès le départ : c’est le premier point de vigilance. Mais le second est plus structurel. Plus une plateforme enrichit son écosystème (créateur d’agents propriétaire, catalogue d’agents prêts à l’emploi, mémoire persistante liée à son cloud), plus il devient coûteux d’en sortir. Un agent conçu avec l’Agent Designer de Google, ou un scénario construit sur les intégrations natives de Claude Cowork, ne se transporte pas tel quel chez un concurrent.

Pour une PME, ce n’est pas un problème le jour de la signature. Ça le devient dix-huit mois plus tard, quand le besoin a changé, que le tarif a bougé, ou qu’un outil plus adapté existe, et que changer de plateforme représente un chantier entier plutôt qu’un simple changement de facture.

Ce qu’il faut vérifier avant de choisir une plateforme d’agents

• Le format de mes données et de mes automatisations est-il exportable si je change de fournisseur, ou suis-je dépendant du format propriétaire de l’agent construit ?
• La facturation est-elle prévisible (abonnement, quota) ou variable (crédit à la tâche), et qui dans l’entreprise peut faire dériver la consommation sans le savoir ?
• Est-ce que je choisis cette plateforme parce qu’elle correspond à un besoin précis déjà cadré, ou parce que c’est celle qui fait le plus de bruit cette semaine ?

C’est le rôle du diagnostic avant tout déploiement d’agent : cartographier le besoin réel avant de choisir l’écosystème, plutôt que l’inverse. Un client ManoCorp comme SELVITYS n’a pas eu besoin de s’enfermer dans l’une des trois plateformes : le rapport qui prenait une demi-journée tient dans un agent construit sur mesure, pas dans un abonnement à un écosystème fermé.

Le marché des agents IA n’a plus besoin qu’on vende un outil de plus à une PME. Il a besoin qu’on l’aide à choisir sans s’enfermer, c’est exactement le rôle de l’accompagnement stratégie IA et automatisation de ManoCorp : diagnostic, cartographie des besoins, roadmap indépendante des écosystèmes cités ici.

Sources

• OpenAI, « Introducing workspace agents in ChatGPT » : openai.com
• TechTimes, « OpenAI Workspace Agent Billing Went Live Monday » (08/07/2026) : techtimes.com
• Anthropic, page produit Claude Cowork : anthropic.com
• Google Cloud Blog, « The new Gemini Enterprise: one platform for agent development » : cloud.google.com

Le 2 août 2026, l’Union européenne active une nouvelle règle sur l’intelligence artificielle : celle qui oblige à dire quand c’est une IA qui parle, écrit ou publie à la place d’un humain. Elle s’applique dès demain, sans distinction de taille d’entreprise, à toute PME qui utilise un chatbot, un générateur de visuels ou un outil de rédaction automatique visible par ses clients, y compris à La Réunion.

Une obligation d’affichage, pas un audit technique

Contrairement aux règles sur les systèmes d’IA « à haut risque » (recrutement, scoring de crédit, ressources humaines), reportées à décembre 2027 par l’accord Digital Omnibus conclu en mai 2026, l’article 50 de l’AI Act européen entre en application le 2 août 2026 sans report. Ce n’est ni une certification ni un audit de sécurité : c’est une obligation d’étiquetage. Elle s’applique à toute entreprise, quelle que soit sa taille, dès qu’elle montre du contenu généré par IA à ses clients.

Les 4 obligations concrètes de l’article 50

Le texte de la Commission européenne distingue quatre situations précises.

1. Dire qu’on parle à une IA

Tout système qui interagit directement avec une personne (chatbot de site web, agent vocal, assistant de prise de rendez-vous) doit être conçu pour que l’utilisateur sache qu’il échange avec une IA, sauf si c’est évident dans le contexte.

2. Marquer le contenu généré par IA

Tout contenu produit par un système d’IA générative (texte, image, audio, vidéo) doit porter une marque détectable et lisible par une machine, signalant qu’il a été généré ou manipulé par IA.

3. Informer sur la reconnaissance d’émotion ou biométrique

Si un outil analyse les émotions ou catégorise des personnes à partir de données biométriques, la personne concernée doit en être informée. Moins fréquent pour une PME de service, mais ça concerne certains dispositifs de vidéosurveillance intelligente ou d’analyse client en point de vente.

4. Étiqueter les deepfakes et les textes IA sur des sujets d’intérêt public

Tout deepfake, et tout texte généré par IA publié sur un sujet d’intérêt public sans relecture ni responsabilité éditoriale humaine, doit être signalé comme tel.

Le sursis à connaître : jusqu’au 2 décembre pour le marquage

Un point que peu d’articles relaient : seule l’obligation de marquage (point 2) bénéficie d’une période de transition. Les systèmes d’IA générative déjà sur le marché avant le 2 août 2026 ont jusqu’au 2 décembre 2026 pour s’y conformer, et le contenu déjà généré avant le 2 août n’a pas besoin d’être étiqueté rétroactivement. Les trois autres obligations (dire qu’on parle à une IA, informer sur la biométrie, étiqueter les deepfakes) s’appliquent sans délai dès demain.

Ce que ça veut dire concrètement pour votre PME

• Un chatbot sur votre site : une mention claire dès le premier message (« Vous échangez avec un assistant IA »).
• Des visuels générés par IA sur vos réseaux ou votre site (comme les illustrations de ce blog) : une mention « image générée par IA » en légende ou dans les métadonnées.
• Des articles rédigés avec l’aide d’une IA : si un humain relit, valide et engage sa responsabilité éditoriale (c’est le cas de ce blog), l’obligation ne s’applique pas au texte lui-même.
• Un avatar vidéo ou une voix de synthèse en communication client : signalés comme tels.

Le coût de mise en conformité est proche de zéro : une ligne de texte, une légende, une mention dans les CGU. Le vrai risque n’est pas la sanction immédiate (les contrôles ciblent d’abord les gros acteurs), mais la perte de crédibilité si un client découvre après coup qu’il parlait à une IA non annoncée. Pour une PME qui vend de la confiance, mieux vaut l’anticiper que la subir.

C’est exactement le type de point que ManoCorp intègre dans son accompagnement stratégie IA (650€/jour) : cartographier les usages IA déjà en place chez un client et vérifier leur conformité avant que ça ne devienne un problème.

Sources

• Obligations et dates de l’article 50 de l’AI Act (entrée en application le 2 août 2026, sursis au 2 décembre 2026 pour le marquage des contenus déjà sur le marché) : Commission européenne, Transparency obligations under Article 50 of the AI Act (digital-strategy.ec.europa.eu)

Le 24 juillet 2026, Anthropic a sorti Claude Opus 5. Un modèle de plus dans une liste qui s’allonge chaque mois, et qui pourrait passer pour une actualité tech de plus, sans intérêt pour un dirigeant de PME. Sauf qu’un détail de ce lancement mérite qu’on s’y arrête : le prix n’a pas bougé.

Ce qui vient de sortir

Claude Opus 5 est disponible depuis le 24 juillet. Anthropic le présente comme approchant la performance de son modèle le plus avancé (Claude Fable 5), pour la moitié du prix. Sur Frontier-Bench, l’un des tests internes d’Anthropic sur les tâches de code et de travail de connaissance, Opus 5 double le score de son prédécesseur Opus 4.8, à un coût par tâche inférieur. Il devient le modèle par défaut de l’offre Claude Max et le plus performant disponible sur Claude Pro.

Un mode accéléré (« Fast ») existe aussi : environ 2,5 fois plus rapide que la version standard, pour deux fois le prix de base.

Le vrai chiffre à retenir n’est pas un score de benchmark

C’est celui-ci : Opus 5 est facturé 5 $ par million de tokens en entrée et 25 $ par million de tokens en sortie. Exactement le même tarif que son prédécesseur, Opus 4.8. Autrement dit, Anthropic a livré un modèle nettement plus capable sans en augmenter le prix.

Ce n’est pas un cas isolé. C’est la confirmation d’une tendance déjà documentée sur ce blog en juillet (voir notre article sur le budget IA) : le rapport performance/prix des modèles IA s’améliore en continu, y compris chez les éditeurs premium. Pour une PME qui a repoussé un projet IA « parce que ça coûte cher », l’argument s’use un peu plus à chaque lancement.

Pourquoi ça compte concrètement

Un rapport qu’un cabinet facturait plusieurs centaines d’euros à produire peut aujourd’hui être généré par un agent IA pour quelques centimes de coût de calcul. Le frein n’est plus le prix du modèle sous-jacent : c’est le temps qu’il faut pour cadrer le bon cas d’usage, connecter les bonnes données, et livrer un outil fiable. C’est là que se joue la vraie facture d’un projet IA, pas sur le tarif API.

Le critère n’est plus « quel est le modèle le plus intelligent »

Avec l’écart de performance entre les modèles de tête qui se resserre lancement après lancement, courir après le dernier classement n’a plus grand sens pour une PME. La question utile n’est pas « lequel est le plus fort », mais « lequel correspond à mon cas d’usage, mon budget, et mes contraintes de données ». Un modèle premium comme Opus 5 a du sens pour du code complexe ou de l’analyse fine. Pour un chatbot de qualification de leads ou un résumé de documents, un modèle moins cher fait souvent aussi bien, pour beaucoup moins cher.

C’est exactement le rôle qu’on joue chez ManoCorp pour nos clients : suivre ces sorties de modèles à leur place, et brancher le bon outil sur le bon besoin, sans qu’ils aient à s’abonner et à arbitrer eux-mêmes entre dix options. Chez Selvitys, l’agent de reporting IA que nous avons livré tourne toujours sur le modèle choisi au démarrage du projet, ajusté seulement quand un changement de tarif ou de capacité le justifie réellement, pas à chaque annonce.

Ce qu’il faut retenir

• Un nouveau modèle plus capable ne signifie pas automatiquement une facture plus élevée : Opus 5 est facturé au même tarif qu’Opus 4.8.
• La baisse du coût de l’IA n’est pas un épisode isolé, elle se confirme lancement après lancement, chez tous les éditeurs.
• Le choix d’un modèle IA pour une PME doit se faire sur le cas d’usage et le budget, pas sur le dernier classement viral.

Sources

• Date de lancement, tarification (5 $ / million de tokens en entrée, 25 $ / million en sortie), positionnement face à Opus 4.8 et Claude Fable 5, résultats Frontier-Bench, mode Fast : annonce officielle Anthropic, « Introducing Claude Opus 5 », 24/07/2026 : anthropic.com/news/claude-opus-5

Vous cherchez le bon outil pour automatiser votre PME ? Ce n’est pas la bonne première question. Le vrai frein n’est pas de choisir entre Zapier, un agent IA ou un développement sur mesure : c’est de savoir, avant tout ça, quelles tâches automatiser en premier et combien de temps elles vous coûtent réellement. Sans cette étape, on installe un outil qui ne colle à aucun process réel, et il finit abandonné au bout de deux semaines.

Le piège du « quel outil choisir »

La plupart des dirigeants de PME commencent par la question de l’outil : quel logiciel, quel abonnement, quel prestataire. C’est la question la plus visible, mais ce n’est jamais la première à se poser. L’outil est une conséquence, pas un point de départ. Tant que vous n’avez pas identifié et chiffré la tâche à automatiser, n’importe quel outil (aussi puissant soit-il) ne fera que déplacer le problème.

La méthode en 4 étapes, avant de toucher à un seul outil

1. Lister toutes les tâches répétitives, pas seulement les évidentes

Facturation, relances clients, saisie de données, réponses aux mêmes questions par mail ou WhatsApp, reporting mensuel : la première étape consiste à tout lister, y compris les tâches qui semblent trop petites pour être automatisées. Ce sont souvent celles-là qui, additionnées sur un mois, pèsent le plus lourd sur votre temps.

2. Chiffrer le temps perdu, tâche par tâche

Une tâche qui prend dix minutes par jour représente plusieurs heures par mois. Multipliée sur plusieurs collaborateurs, l’addition change tout. Sans ce chiffrage, impossible de prioriser objectivement : on finit par automatiser la tâche la plus visible, rarement la plus coûteuse en temps réel.

3. Prioriser par ROI, pas par facilité technique

Une automatisation simple à mettre en place mais qui fait gagner un quart d’heure par semaine a moins de valeur qu’une automatisation plus complexe qui libère une demi-journée. Le classement doit se faire sur le gain rapporté à l’effort de mise en place, jamais sur ce qui est le plus rapide à configurer.

4. Tester sur un seul cas pilote avant de généraliser

Même les grandes entreprises qui ont les moyens de déployer large choisissent aujourd’hui de ralentir leurs projets d’automatisation et d’agents IA, le temps de prouver un résultat mesurable sur un seul cas d’usage avant de l’étendre. Une PME a encore moins de raisons de sauter cette étape : un pilote réussi sur un process se duplique ensuite facilement sur les autres, avec beaucoup moins de risque.

Les signaux qui montrent qu’on a sauté l’étape 1

Un projet d’automatisation qui part directement de l’outil se reconnaît vite : personne dans l’entreprise ne sait dire précisément combien de temps il est censé faire gagner, la mise en place traîne parce qu’elle doit s’adapter à un process jamais vraiment décrit, et l’outil fonctionne surtout en démonstration, rarement au quotidien. C’est exactement l’écart entre « avoir de l’IA » et « s’en servir vraiment » que rencontrent beaucoup d’entreprises en ce moment : la technologie est là, la méthode pour la brancher sur le bon problème, beaucoup moins.

Ce que ça donne quand la méthode est suivie

Chez Selvitys, client ManoCorp, cette méthode a été appliquée à un seul process : la génération de rapports internes. Résultat : une tâche qui prenait une demi-journée à un salarié se fait désormais en quelques minutes, sans intervention manuelle. Ce n’est pas la conséquence d’un outil miracle, c’est celle d’avoir d’abord identifié, chiffré et priorisé la bonne tâche avant de construire quoi que ce soit. Le même principe s’applique aussi bien à une PME réunionnaise qu’à une entreprise métropolitaine : la méthode ne dépend pas de la taille, elle dépend de la discipline avec laquelle elle est suivie.

Comment ManoCorp applique cette méthode

C’est exactement la structure de l’accompagnement stratégie IA et automatisation ManoCorp (650€/jour) : une journée sur site (à La Réunion) ou à distance pour cartographier vos tâches automatisables, chiffrer le temps que chacune vous coûte réellement, les prioriser par ROI, et repartir avec une feuille de route écrite, priorisée, prête à exécuter. Aucun outil n’est vendu en amont, aucun abonnement à gérer de votre côté : le diagnostic sert à savoir par où commencer, pas à vous ajouter un logiciel de plus.

Avant de comparer des outils d’automatisation entre eux, commencez par cette liste et ce chiffrage. C’est souvent là, et pas dans le choix du logiciel, que se joue la différence entre un projet qui tient dans le temps et un abonnement de plus qui finit oublié.

Sources

Exemple client et tarif cités : observations ManoCorp sur nos projets clients (Selvitys). Aucune statistique externe n’est utilisée dans cet article.