Artificial Intelligence, Deep Learning, Machine Learning
Plafonner les étapes, suivre les tokens, limiter les débits… Alors que l’IA agentique commence à s’imposer, il s’agit, maintenant, de poser des limites et surveiller la consommation de tokens. Objectif : contenir les coûts. Une nouvelle forme de gouvernance qui dépasse les FinOps traditionnelles.
Seules 22 % des entreprises ont réussi à déployer l’IA à l’échelle de plusieurs de leurs unités opérationnelles ou ont adopté une approche privilégiant l’IA, a chiffré Gartner. Bien peu, aussi, mesurent leurs résultats réels. Les succès tardent.
ClaudeForce, nouveau plug-in offrant 37 compétences de vente prédéfinies. Ces compétences permettent aux vendeurs et aux agents d’analyser le contexte des revenus en temps réel, d’automatiser les mises à jour du pipeline et d’agir de manière contrôlée.
Un projet de R&D de deux ans pour le développement d’une DXP (Digital Xperience Platform) souveraine : une solution informatique open source sécurisée, pilotée par des agents d’IA intelligents. Coût total, 1,7 million EUR, dont près d’un tiers est financé par la Flandre.
Difficultés d’intégration, paralysie des projets pilotes, IA inefficace : une enquête mondiale auprès de responsables IT met en lumière les trois facteurs qui épuisent les budgets IA des PME.
L’IA agentique ne bénéficiera pas d’économies d’échelle, prévient Gartner. Le coût de l’inférence en IA varie considérablement selon le modèle et le niveau de réflexion et de planification requis par les systèmes d’IA agentique. C’est l’« Inference Paradox ».
Selon un rapport du Boston Consulting Group, les entreprises ont investi dans l’informatique quantique davantage que les laboratoires de recherche et les gouvernements. C’est une première. Et donc un tournant dans l’intérêt commercial porté à cette technologie.
Retour brutal à la réalité. De l’argent gaspillé sans responsable ni explication. Les entreprises estiment que 26 % des dépenses totales en IA sont perdues.
