IA en entreprise en 2025 : logiciels adaptatifs, agents et infrastructures

L’année 2025 s’ouvre avec une question très concrète pour les entreprises : comment faire de l’intelligence artificielle autre chose qu’une succession d’expérimentations isolées ? Les assistants de type Copilot ont familiarisé de nombreux salariés avec l’IA générative. La prochaine étape consiste à l’intégrer aux logiciels, aux processus métiers et aux infrastructures qui font fonctionner l’organisation au quotidien.

Cette évolution ne tient pas à une technologie unique. Elle combine des applications plus adaptatives, parfois regroupées sous l’expression Software 2.0, des agents capables d’utiliser des outils numériques, et une pression croissante sur les capacités de calcul et de stockage. L’intelligence artificielle générale, ou AGI, demeure quant à elle un horizon de recherche et de débat plutôt qu’une réalité établie. Pour les dirigeants, l’enjeu immédiat est moins de parier sur une IA hypothétiquement universelle que de construire des usages utiles, mesurables et maîtrisés.

Le Software 2.0, quand le logiciel apprend au lieu de suivre seulement des règles

Le terme Software 2.0 a été popularisé pour décrire une évolution importante de la programmation. Dans le logiciel traditionnel, les développeurs traduisent directement les règles métier en code : si telle condition est remplie, alors le programme exécute telle action. Dans un système fondé sur l’apprentissage automatique, une partie du comportement du logiciel est au contraire apprise à partir d’exemples et de données.

Un filtre antispam, une fonction de reconnaissance d’images ou un assistant qui résume des documents ne reposent pas uniquement sur une longue liste de règles écrites à la main. Leur fonctionnement dépend aussi d’un modèle entraîné. Les grands modèles de langage prolongent cette logique : ils peuvent produire, classer, reformuler ou extraire des informations dans un langage proche de celui des utilisateurs.

Cela ne signifie pas qu’un logiciel devient autonome par magie. Un modèle doit être sélectionné, alimenté en données pertinentes, testé et surveillé. Ses réponses peuvent varier, se tromper ou refléter des informations incomplètes. La valeur du Software 2.0 ne vient donc pas de la simple présence d’une IA, mais de sa place dans un processus conçu pour elle.

Dans une entreprise, l’intérêt est particulièrement visible pour les tâches répétitives qui comportent une part de lecture, de rédaction ou de recherche d’information. Un outil peut préparer une synthèse de compte rendu, retrouver des éléments dans une base documentaire ou proposer une première réponse au service client. Mais il doit travailler à partir de sources autorisées et respecter les droits d’accès de chaque utilisateur.

Pourquoi les assistants Copilot ne sont qu’un premier palier

Les assistants intégrés aux suites bureautiques, aux environnements de développement ou aux outils de relation client rendent l’IA immédiatement visible. Ils peuvent accélérer une rédaction, suggérer du code, résumer une conversation ou aider à naviguer dans une documentation. Leur apport est souvent individuel : un salarié formule une demande, vérifie une proposition, puis réutilise ou corrige le résultat.

L’étape suivante est plus ambitieuse. Elle consiste à relier l’IA aux applications de l’entreprise, par exemple à un outil de gestion de la relation client, à une base de connaissances, à un système de tickets ou à un logiciel de planification. L’IA peut alors contribuer à un flux de travail complet plutôt qu’à une seule réponse.

Ce passage impose de résoudre des questions qui dépassent largement le choix d’un modèle :

• quelles données peuvent être consultées et par qui ;
• quelles actions l’outil a le droit d’exécuter ;
• comment vérifier une information produite par l’IA ;
• comment conserver une trace des opérations ;
• quel gain de temps, de qualité ou de satisfaction client justifie le coût.

La productivité ne découle pas automatiquement du déploiement d’un assistant. Une suggestion médiocre, qu’un salarié doit longuement vérifier ou corriger, peut déplacer la charge de travail au lieu de la réduire. Les entreprises ont donc intérêt à commencer par des tâches bien délimitées, pour lesquelles le résultat attendu et les critères de qualité sont clairs.

Les systèmes multi-agents, une coordination plus complexe qu’un simple chatbot

Un agent IA peut être décrit comme un logiciel qui reçoit un objectif, utilise un modèle d’IA pour raisonner sur les étapes à suivre, puis fait appel à des outils : recherche dans une base, lecture d’un document, appel à une application ou préparation d’une action. Un système multi-agents organise plusieurs de ces agents, chacun pouvant avoir une fonction distincte.

Dans un scénario de traitement documentaire, un premier agent pourrait rechercher les pièces pertinentes, un deuxième extraire les informations nécessaires, un troisième vérifier que le dossier est complet et un dernier préparer une synthèse pour un collaborateur. Cette répartition peut aider à décomposer des problèmes complexes et à spécialiser les contrôles.

L’expression « collaboration entre agents » ne doit toutefois pas masquer la difficulté réelle. Plusieurs systèmes qui se transmettent des informations peuvent aussi propager une erreur, se contredire ou multiplier les appels coûteux à des modèles. Si un agent a l’autorisation de modifier un dossier, d’envoyer un message ou de déclencher un paiement, les garde-fous deviennent déterminants.

Une architecture multi-agents utile a besoin d’un orchestrateur, c’est-à-dire d’un mécanisme qui distribue les tâches, limite les boucles inutiles et enregistre ce qui a été fait. Elle doit également définir un principe simple : plus une action est irréversible ou sensible, plus le niveau de validation humaine doit être élevé. L’automatisation la plus fiable n’est pas toujours celle qui laisse le plus de liberté à l’agent.

L’AGI reste un horizon, pas un produit disponible

L’intelligence artificielle générale, souvent désignée par l’acronyme anglais AGI, renvoie à l’idée d’une machine capable de s’adapter à une grande diversité de tâches intellectuelles, au lieu d’être spécialisée dans un domaine précis. Cette notion ne fait pas l’objet d’une définition scientifique ou industrielle unique. Elle ne doit donc pas être confondue avec les modèles génératifs déjà disponibles.

Les progrès récents du raisonnement alimentent néanmoins le débat. OpenAI o1, présenté en septembre 2024, a notamment mis l’accent sur des modèles qui prennent davantage de temps de calcul pour traiter certaines questions complexes. Ces capacités peuvent améliorer la résolution de problèmes dans certains contextes. Elles ne démontrent pas pour autant qu’une IA possède une compréhension générale comparable à celle d’un humain, ni qu’une AGI est imminente.

Pour les entreprises, la distinction a une conséquence pratique. Il serait risqué de différer les décisions de transformation en attendant une intelligence universelle. Les bénéfices les plus accessibles en 2025 proviennent d’outils spécialisés, intégrés à des cas d’usage précis et évalués avec des indicateurs concrets.

Le débat entre modèles ouverts et fermés s’inscrit dans la même logique. Les modèles fermés sont fournis via des services contrôlés par leurs éditeurs. Les modèles ouverts, dont les poids ou une part importante de la technologie sont accessibles, peuvent offrir davantage de possibilités de personnalisation et de déploiement interne. Aucun de ces choix ne garantit, à lui seul, de meilleures performances : il faut évaluer la qualité, le coût, la confidentialité, la sécurité et la capacité de l’organisation à exploiter la solution.

L’infrastructure devient un enjeu stratégique

Une application d’IA ne vit pas seulement dans une interface conversationnelle. Elle consomme du calcul, de la mémoire, du réseau et du stockage. L’entraînement des modèles mobilise des ressources considérables, mais leur utilisation quotidienne, appelée inférence, peut aussi représenter un coût significatif lorsqu’un grand nombre de requêtes doivent être traitées avec une faible latence.

C’est pourquoi les choix matériels et architecturaux prennent de l’importance. Les processeurs fondés sur l’architecture ARM, déjà présents dans de nombreux équipements et serveurs, intéressent les organisations qui cherchent à arbitrer entre puissance, consommation énergétique et coût. Le calcul en mémoire vise, de son côté, à rapprocher certaines opérations des données afin de limiter les transferts, souvent coûteux en temps et en énergie. Ces approches ne remplacent pas toutes les autres architectures, mais elles illustrent la diversification des solutions de calcul.

Les Smart NICs, ou cartes réseau intelligentes, constituent un autre exemple. Elles peuvent prendre en charge certaines tâches liées aux échanges de données, afin de soulager les processeurs centraux. Dans les environnements où les données circulent entre stockage, calcul et réseau, cette spécialisation peut améliorer l’efficacité globale.

Le choix ne se réduit pas à acheter du matériel. Il faut aussi déterminer si l’usage sera hébergé chez un fournisseur de cloud, dans les propres centres de données de l’entreprise ou selon une approche hybride. Les données sensibles, les contraintes réglementaires, la localisation des traitements, les délais de réponse et la prévisibilité des coûts sont autant de paramètres à arbitrer.

Kubernetes, le socle de l’industrialisation des applications IA

Kubernetes est une plateforme open source qui sert à déployer et à administrer des applications conteneurisées. Elle permet notamment de répartir des services sur plusieurs machines, de les redémarrer en cas de défaillance et d’ajuster les ressources utilisées. Ces fonctions sont particulièrement utiles lorsque les applications IA associent plusieurs composants : interface, moteur de recherche documentaire, base de données vectorielle, modèle de langage, outils métiers et mécanismes de surveillance.

À mesure que ces usages se multiplient, une gestion isolée par chaque équipe de développement peut créer des écarts de sécurité, de coûts et de qualité de service. La tendance à la centralisation consiste donc à fournir des règles et des composants communs : gestion des identités, journalisation, suivi de consommation, modèles de déploiement et politiques de sécurité.

Centraliser ne veut pas dire retirer toute autonomie aux équipes. Le bon objectif est plutôt de leur proposer une plateforme interne fiable, afin qu’elles puissent livrer plus vite sans reconstruire les mêmes fondations. Dans ce cadre, Kubernetes devient un outil de gouvernance autant qu’un outil technique.

Repenser les modèles économiques sans confondre vitesse et valeur

L’IA peut modifier la façon dont une entreprise produit, vend et accompagne ses clients. Elle aide à repérer des inefficacités, à traiter des volumes d’information difficiles à absorber manuellement et à personnaliser certaines interactions. Les gains potentiels concernent autant les fonctions internes, comme le support informatique ou la gestion documentaire, que les produits et services proposés aux clients.

Mais une stratégie solide ne se mesure pas au nombre de démonstrations réalisées. Elle suppose de choisir des priorités : réduire un délai de traitement, améliorer la qualité d’une réponse, diminuer le taux d’erreur ou rendre un service accessible plus longtemps. Chaque projet doit aussi intégrer ses coûts cachés : préparation des données, intégration aux systèmes existants, contrôle de conformité, formation des équipes et supervision dans la durée.

Les dirigeants IT et métiers ont ici un rôle commun. Les premiers garantissent l’architecture, la sécurité et l’exploitation. Les seconds définissent ce qui constitue une décision correcte, une réponse utile et une exception nécessitant l’intervention d’une personne. Sans cette collaboration, l’IA risque de rester un outil impressionnant mais périphérique.

Ce qu’il faut surveiller en 2025

La transformation portée par l’IA se jouera moins dans les annonces que dans l’exécution. Les entreprises devront suivre la progression des modèles de raisonnement, l’émergence d’outils d’agents plus fiables, l’évolution des coûts d’inférence et la maturité des solutions matérielles. Elles devront surtout distinguer les tâches où l’IA assiste efficacement les équipes de celles où une erreur serait trop coûteuse.

La promesse du Software 2.0 est de rendre les applications plus adaptatives. Celle des systèmes multi-agents est d’automatiser des enchaînements plus riches. Ces deux perspectives n’auront toutefois de valeur que si elles s’appuient sur des données gouvernées, une infrastructure dimensionnée et des responsabilités clairement établies. En 2025, l’avantage concurrentiel ne viendra pas seulement de l’accès aux meilleurs modèles, mais de la capacité à les employer avec méthode.