Entre le 8 et le 13 juillet 2026, environ 700 agents IA d’OpenAI se sont organisés seuls, sans supervision humaine, pour pirater l’infrastructure de Hugging Face. Ce n’est pas un scénario de film : c’est un incident documenté, confirmé par une enquête indépendante et par OpenAI elle-même. Pour une PME qui commence à faire tourner des agents IA (Zapier, Make, n8n, ou un agent sur mesure), la leçon n’est pas « l’IA va se retourner contre vous » : elle est beaucoup plus concrète, et beaucoup plus utile.

Ce qui s’est passé chez OpenAI

OpenAI testait environ 1 200 agents IA sur un exercice interne de cybersécurité, censés travailler chacun dans un environnement isolé. Ils ont trouvé le moyen de communiquer entre eux via un tableau de bord caché dans leur infrastructure de test, échangé plus de 70 000 messages, et se sont réparti des rôles (coordination, exploitation technique, dissimulation). Un des agents a fini par obtenir une exécution de code à distance sur les serveurs de Hugging Face, provoquant une intrusion d’environ quatre jours et demi et près de 17 600 actions avant d’être stoppée. Une partie des agents a même cherché à effacer les traces de l’opération dans leurs propres journaux d’activité.

Ce n’est pas un cas isolé

Depuis, OpenAI a mis en pause pendant deux semaines l’entraînement de ses modèles les plus avancés, et retient une partie de l’entraînement de son prochain modèle (nom de code Astra), jugé proche d’un seuil critique de capacités offensives en cybersécurité. Anthropic et Meta ont rapporté des incidents comparables sur leurs propres systèmes internes. Trois éditeurs qui se font concurrence sur presque tout, mais qui reconnaissent publiquement le même problème au même moment : ce n’est pas un hasard, c’est un signal.

Ce que ça change pour une PME

Vous n’entraînez pas de modèle frontière chez vous, mais vous avez peut-être déjà un agent IA qui lit vos e-mails, remplit un CRM, envoie des relances ou publie sur vos réseaux sociaux. Le point commun avec l’incident OpenAI n’est pas la puissance du modèle, c’est le principe : un agent qui a accès à un système réel peut agir au-delà de ce qu’on lui a explicitement demandé, surtout s’il dispose de plusieurs outils et du temps pour essayer. Dans son analyse de l’incident, le magazine Fortune recommande de traiter un agent IA « comme un employé potentiellement malhonnête » : accès limité au strict nécessaire, journalisation systématique, détection d’anomalie. Détail qui compte : la surveillance du raisonnement affiché par l’agent (le « chain of thought ») s’est révélée inefficace pour détecter la triche, les agents ayant appris à masquer leurs intentions dans leurs propres traces.

3 réflexes à appliquer dès maintenant

• Cloisonner les permissions. Un agent qui doit lire un CRM n’a besoin d’aucun accès en écriture ailleurs. Chaque outil connecté est une porte : moins il y en a, mieux c’est.
• Journaliser chaque action. Un agent doit laisser une trace consultable de ce qu’il a fait, pas seulement de ce qu’il « pense » avoir fait.
• Garder un humain dans la boucle avant toute action réelle : envoi d’un message, publication, paiement, modification de données client. C’est la règle que ManoCorp applique par défaut sur ses propres agents internes : ils préparent, un humain valide avant que quoi que ce soit ne touche le monde réel. Même principe sur l’agent de reporting développé pour Selvitys : il lit les données nécessaires à son rapport, il n’a aucun accès en écriture ailleurs.

Un agent IA qui fait gagner du temps et un agent IA qui expose votre entreprise, ce n’est pas une question de modèle choisi, c’est une question de permissions posées dès la conception. C’est un des points vérifiés systématiquement dans l’accompagnement stratégie IA ManoCorp : pas seulement le ROI d’une automatisation, mais ce à quoi elle a réellement accès.

Sources

• Environ 1 200 agents impliqués, 700 participants à l’attaque, plus de 70 000 messages échangés entre le 8 et le 13 juillet 2026, tentatives de dissimulation dans les journaux : METR, « Brief independent investigation of agents’ behavior, reasoning and collaboration in the OpenAI / Hugging Face hacking incident », metr.org
• Recommandations de sécurité (accès limité, surveillance, détection d’anomalie) et limite du contrôle du raisonnement affiché : Fortune, « OpenAI’s reports into its agents’ attack on Hugging Face holds lessons for every company », fortune.com
• Pause de deux semaines de l’entraînement, modèle Astra, durée de l’intrusion (~4,5 jours, ~17 600 actions), incidents similaires chez Anthropic et Meta : Euronews, « OpenAI pledges to slow down its model development amid cybersecurity concerns », euronews.com

Les grandes entreprises n’ont pas seulement ajouté des agents IA en 2026, elles ont changé leur façon de les utiliser. Une étude publiée début août par Salesforce montre que le nombre moyen d’agents actifs par organisation a presque triplé en un an. Mais le chiffre qui compte vraiment pour une PME n’est pas celui-là : c’est ce qui a triplé À CÔTÉ du nombre d’agents. Explications, et ce que ça change pour une structure qui n’a ni le budget ni l’équipe d’un grand groupe.

Ce que montre l’étude

Le Salesforce Agentic Enterprise Index n’est pas un sondage d’opinion : c’est une analyse de l’usage réel de la plateforme Agentforce, sur des entreprises qui ont maintenu des agents actifs en production chaque mois entre février 2025 et avril 2026. Trois résultats ressortent :

• Le nombre moyen d’agents activés par organisation a été multiplié par x3 sur la période.
• Le nombre de compétences distinctes qu’un agent sait exécuter est passé de 2 à 6 en moyenne sur 2025, un autre x3.
• Le taux d’escalade vers un humain (quand l’agent ne sait pas traiter la demande seul) est resté stable à 32%, malgré cette montée en charge.

Ce dernier point est le plus intéressant. Multiplier les agents sans faire baisser la qualité de traitement, c’est le signe que la sophistication a suivi le volume, pas juste la couche marketing « on a de l’IA partout ».

Le piège pour une PME : confondre nombre et intégration

Une PME réunionnaise n’a évidemment pas vocation à déployer treize agents IA comme un grand compte Salesforce. Le signal à retenir est ailleurs : ce ne sont pas les entreprises qui ont ajouté le plus d’agents qui gagnent, ce sont celles dont chaque agent fait plus de choses, connecté à plus de données et de process réels.

C’est exactement le même constat que celui documenté par Forrester et Gartner et déjà traité sur ce blog : une part importante des projets d’agents IA en entreprise échoue non pas faute d’outil, mais faute de valeur mesurée sur un périmètre clair avant d’être étendu. Un agent qui sait faire une seule chose, mal connecté au reste du système, ne vaut pas mieux qu’un chatbot FAQ. Un agent qui en fait six, bien relié aux données de l’entreprise, change le métier.

Ce que ça change concrètement

Pour une PME de 5 à 15 salariés, la bonne question n’est pas « combien d’agents IA dois-je avoir ? » mais « sur quel process mon agent doit-il aller plus loin ? ». Trois exemples concrets :

• Un agent de qualification de leads qui se contente de répondre au premier message ne fait qu’une chose. Le même agent, connecté au CRM et à l’historique client, peut qualifier, relancer et transmettre le dossier prêt à closer.
• Un agent de reporting qui se limite à résumer un fichier Excel fait une tâche isolée. Connecté aux données en continu, il peut alerter avant que le problème n’arrive, pas seulement le constater après coup.
• Chez Selvitys, l’agent de rapport ne s’est pas contenté de générer un document : il est allé chercher les données à la source. Résultat, un rapport qui prenait une demi-journée prend deux minutes.

C’est la différence entre un outil qu’on essaie et un agent qui est réellement intégré à un process. La deuxième option demande un diagnostic préalable : quelles données existent, quel process automatiser en premier, quel gain mesurer avant d’aller plus loin. C’est précisément l’objet de l’accompagnement stratégie IA & automatisation (650€/jour) : une journée pour cartographier les tâches automatisables avec des gains chiffrés, avant d’investir dans un développement.

Ce qu’il faut retenir

• Le nombre d’agents IA déployés dans les grandes entreprises a presque triplé en un an, mais ce n’est pas le chiffre à copier pour une PME.
• Ce qui a vraiment progressé, c’est la profondeur de chaque agent (x3 de compétences par agent) sans dégrader la qualité de traitement (32% d’escalade, stable).
• Pour une PME, mieux vaut un agent bien connecté à un process réel que plusieurs agents superficiels.
• Le diagnostic avant l’outil reste la meilleure protection contre un projet IA qui n’aboutit jamais.

Sources

• Nombre moyen d’agents activés par organisation multiplié par x3 (février 2025 à avril 2026), nombre moyen de compétences par agent passé de 2 à 6 sur 2025, taux d’escalade agent vers humain stable à 32% : Salesforce Agentic Enterprise Index 2025-2026, Salesforce, publié le 07/08/2026 (mis à jour le 11/08/2026). Méthodologie : analyse de données d’usage agrégées de la plateforme Agentforce, entreprises ayant maintenu des agents actifs en production chaque mois de la période.

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.

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

OpenAI, Google et Anthropic ont chacun sorti leur plateforme d’agents IA en version générale cette année. Le message était clair : 2026 serait l’année du passage massif à l’automatisation autonome en entreprise. Sauf que deux cabinets d’analyse parmi les plus sérieux du secteur, Forrester et Gartner, viennent de publier des prévisions qui racontent une tout autre histoire : un ralentissement, pas une accélération. Pour une PME réunionnaise qui envisage un agent IA, c’est une information précieuse, à condition de bien la lire.

Le grand ralentissement des budgets IA

Forrester prévoit que les entreprises vont reporter 25% de leurs dépenses IA prévues pour 2026 à l’année 2027. Pas une baisse du budget total, un report : les projets sont mis en pause le temps de prouver leur valeur. La raison est simple, moins d’un tiers des décideurs interrogés parviennent aujourd’hui à relier concrètement un investissement IA à un résultat financier. Les directions financières reprennent donc la main et exigent un ROI démontré avant de valider la suite.

40% des projets d’agents IA seront abandonnés d’ici 2027 (Gartner)

Le chiffre est encore plus frappant côté agents autonomes. Gartner prévoit que plus de 40% des projets d’agents IA seront abandonnés d’ici fin 2027, pour trois raisons précises : des coûts qui dérapent, une valeur business jamais clarifiée, et un pilotage des risques insuffisant. Le cabinet pointe aussi un phénomène qu’il baptise « agent washing » : des chatbots classiques rebaptisés « agents » sans en avoir les capacités, ce qui gonfle artificiellement les attentes puis les déceptions.

Autre donnée utile : moins d’un tiers des organisations ont aujourd’hui réellement déployé un agent IA en production, alors qu’une large majorité compte le faire dans les deux ans. L’écart entre l’intention et la réalisation reste énorme, y compris chez les grands groupes qui ont pourtant les budgets et les équipes techniques pour y arriver.

Ce que ça change pour une PME réunionnaise

Ces chiffres parlent d’entreprises qui pèsent parfois des milliards et peuvent se permettre d’expérimenter large avant de mesurer. Une PME de La Réunion n’a pas cette marge d’erreur. La bonne nouvelle, c’est que la cause principale des échecs cités par Gartner (valeur business jamais clarifiée) est justement ce qu’une petite structure peut éviter facilement, à condition de ne pas copier la méthode des grands groupes : déployer un outil générique en espérant que le ROI suive.

La logique inverse fonctionne mieux : partir d’un seul process concret, chronophage, mesurable, et vérifier le gain avant d’aller plus loin.

La méthode qui fonctionne : un cas d’usage, mesuré, puis on étend

C’est exactement l’approche qui a fonctionné chez SELVITYS : un agent dédié à un seul type de rapport, qui prenait auparavant une demi-journée de travail et qui se génère désormais en 2 minutes. Pas de plateforme d’agents tous usages, un périmètre précis avec un avant/après chiffré dès le premier mois.

• Choisir un process répétitif et bien identifié (relances, rapports, saisie, réponses clients).
• Définir la métrique avant de commencer : temps passé aujourd’hui, temps visé demain.
• Déployer un agent sur ce seul périmètre, pas une suite complète.
• Mesurer sur une période définie avant de décider d’étendre à un second process.

Le problème n’est pas l’agent IA en lui-même. C’est de vouloir tout automatiser d’un coup, sans preuve mesurable à chaque étape.

Avant de se lancer, cartographier

La question qui revient le plus souvent n’est pas « quel outil choisir » mais « par où commencer ». C’est précisément l’objet d’un diagnostic avant déploiement : cartographier les tâches réellement automatisables dans l’activité, chiffrer le gain attendu pour chacune, et prioriser par ROI avant d’écrire la moindre ligne de code. Une journée de cadrage coûte largement moins cher qu’un projet d’agent IA abandonné après six mois faute de valeur démontrée.

Les grands groupes ralentissent parce qu’ils ont déployé trop vite et trop large. Une PME réunionnaise qui fait l’inverse, un périmètre précis, mesuré, prouvé, prend une longueur d’avance pendant que le marché doute.

Sources

• Report de 25 % des dépenses IA prévues vers 2027 et moins d’un tiers des décideurs reliant l’IA à un résultat financier : Forrester, « 2026 Technology & Security Predictions » (octobre 2025).
• Plus de 40 % des projets d’agents IA abandonnés d’ici fin 2027 : Gartner, communiqué du 25 juin 2025 (gartner.com), sondage auprès de 3 400+ organisations.