Les opportunités de l’IA en Europe deviennent plus claires au niveau de l’entreprise, où l’adoption dépend moins de la puissance d’un modèle abstrait que de la résolution de problèmes pratiques qui déterminent si l’IA peut réellement être utilisée.
L’IA d’entreprise entre dans les parties difficiles
La version simplifiée de l’IA d’entreprise est une démonstration. La version matérielle représente tout ce qui se passe après le fonctionnement de la démo.
C’est là que les entreprises se heurtent à des autorisations, des logiciels existants, des données incomplètes, des interfaces utilisateur, des exigences de conformité, des coûts d’intégration, des risques de sécurité et des flux de travail qui semblent simples de l’extérieur mais regorgent d’exceptions. C’est également là que se positionnent désormais bon nombre des sociétés d’IA les plus intéressantes.
Chez HumanX, l’un des signaux les plus clairs en matière d’IA d’entreprise est venu des entreprises qui s’appuient sur des goulots d’étranglement pratiques plutôt que sur un battage médiatique abstrait. Pour les entreprises et fondateurs européens avec lesquels Elena s’est entretenue, le schéma était clair : ils n’essayaient pas de copier les plus grands laboratoires américains. Ils s’articulaient autour de problèmes spécifiques à l’entreprise.
La H Company se concentre sur les agents informatiques pour les flux de travail existants. Malt a examiné les talents, les autorisations et la supervision humaine. L’Neuralk IA s’est concentrée sur des modèles de base tabulaires pour les données d’entreprise. Twelve Labs s’est concentré sur l’intelligence vidéo en tant que couche manquante de l’IA d’entreprise.
Ensemble, ils pointent vers une version plus solide du marché de l’IA. La prochaine vague d’entreprises ne sera pas remportée uniquement par le plus grand modèle général. Cette victoire sera remportée par les entreprises qui comprennent où le travail se bloque.
La carte de l’entreprise
Le problème des logiciels hérités
La société H offre peut-être l’exemple le plus clair de cette orientation pratique.
Son argument est qu’une grande partie du monde de l’entreprise fonctionne encore avec des logiciels qui n’ont pas été conçus pour les agents, les API ou une automatisation propre. Les entreprises disposent d’anciens systèmes, d’outils déconnectés, de processus manuels et de flux de travail qui s’étendent sur Salesforce, SAP, la messagerie électronique, les PDF, les portails internes et les interfaces spécifiques au secteur.
Gautier Cloix a décrit le problème sans détour : l’humanité travaille toujours sur des logiciels hérités qui n’ont pas d’API et ne disposent pas de données propres. La réponse traditionnelle a été la migration. Mais la migration est lente, coûteuse et souvent obsolète une fois terminée.
La réponse de H Company est l’utilisation de l’ordinateur : des agents qui font fonctionner les logiciels via les mêmes interfaces humaines que les employés utilisent déjà. Cloix a décrit des flux de travail dans lesquels un vendeur, un agent du service client, un acheteur, une infirmière ou un employé de back-office effectue 40 étapes à travers cinq ou 10 outils différents. Au lieu de reconstruire tous les systèmes situés en dessous, l’agent apprend à utiliser l’interface située au-dessus.
C’est pourquoi l’utilisation de l’ordinateur est importante. Ce n’est pas une recherche glamour. Il s’agit du problème pratique consistant à cliquer, taper, faire défiler, lire des écrans et se déplacer entre des systèmes qui n’ont jamais été conçus pour communiquer entre eux.
Selon Cloix, le profil client commun n’est pas un secteur spécifique. Il s’agit de savoir si une entreprise dispose d’une « pile logicielle avec plus de cinq outils » et si au moins un de ces outils ne dispose pas d’API.
La récente version de Holo3.1 renforce cette orientation, H Company positionnant la famille de modèles autour de l’automatisation des flux de travail Web, de bureau, mobile et professionnel. Le signal le plus large est que les agents utilisant des ordinateurs sont en train de devenir une catégorie d’entreprise sérieuse, et non seulement une démonstration d’un modèle exploitant un navigateur.
La couche humaine du travail agent
Si H Company se concentre sur l’interface logicielle, Malt se concentre sur l’interface humaine et organisationnelle.
Claire Lebarz, CTO de Malt, a décrit l’entreprise comme la plus grande plateforme d’Europe pour les experts indépendants et les indépendants. Cela donne à Malt une vision spécifique de la façon dont le travail évolue, car les indépendants réagissent souvent aux nouvelles technologies plus rapidement que les grandes entreprises.
Selon Lebarz, le talent parlait déjà d’agents avant que la demande ne rattrape complètement son retard. Aujourd’hui, Malt constate une augmentation de 600 % de la demande de compétences d’agent en seulement trois ou quatre mois.
C’est important, car l’adoption de l’IA en entreprise ne se limite pas à l’achat d’outils. Il s’agit de savoir si les entreprises disposent de personnes capables de traduire les besoins commerciaux complexes en flux de travail, de superviser les agents et d’adapter l’automatisation au contexte de l’entreprise.
La phrase la plus intéressante de Lebarz était « les humains au courant ». Selon elle, le travail de demain impliquera que les agents accomplissent davantage de tâches, mais les humains seront toujours nécessaires au-dessus du processus : former, superviser, orchestrer et adapter les agents aux environnements réels de l’entreprise.
C’est une correction utile à l’histoire habituelle de l’automatisation. La question n’est pas de savoir si les agents remplacent les personnes dans un simple échange individuel. La question est de savoir comment le travail est conditionné : quelles parties vont aux agents, quelles parties nécessitent des experts et quelles parties nécessitent des humains qui comprennent suffisamment bien le contexte pour superviser plusieurs systèmes à la fois.
Le point de vue de Malt montre également pourquoi l’Europe pourrait avoir une opportunité différente en matière d’IA. La région compte de nombreuses entreprises clientes, des marchés de talents, une sensibilisation à la réglementation et un problème de transition de la main-d’œuvre qui ne peut être résolu par le seul battage médiatique. Si le travail agent nécessite de la confiance, des autorisations, une identité, une évaluation et un contexte, alors la couche humaine devient partie intégrante du produit.
Les données réellement utilisées par les entreprises
Neuralk AI a ramené la conversation à l’une des formes de données d’entreprise les plus courantes, mais sous-discutée : les tableaux.
Le pitch de l’entreprise est simple et ambitieux. Son fondateur a décrit Neuralk comme faisant aux données tabulaires ce que les modèles de fondation faisaient au texte. Au lieu d’exiger que chaque client crée un pipeline d’apprentissage automatique distinct, l’entreprise crée des modèles de base capables d’effectuer des prédictions à partir de lignes et de colonnes via un point de terminaison d’API.
C’est important car la plupart des entreprises ne fonctionnent pas sur des textes clairs à l’échelle d’Internet. Ils fonctionnent sur des données structurées : clients, transactions, stocks, dossiers financiers, mesures opérationnelles, scores de risque et historiques internes. Ces tableaux constituent souvent le cœur de l’activité, mais ce ne sont pas des données qui peuvent simplement être extraites du Web.
Le fondateur a expliqué que les données tabulaires sont les données de base de chaque entreprise, c’est précisément pourquoi les entreprises ne les donneront pas librement. L’approche de Neuralk utilise des tableaux synthétiques pendant la formation afin que le modèle puisse apprendre des modèles statistiques, puis utiliser des échantillons de contexte étiquetés au moment de l’inférence pour faire des prédictions sur les données client.
Il s’agit d’un problème d’IA d’entreprise très différent du chat. Il s’agit d’inférence statistique, de prédiction, de qualité des données et de déploiement sans demander à chaque entreprise de maintenir la machinerie complète des opérations classiques de ML.
Si cela fonctionne, cela indique une tendance au sein de l’entreprise : la pile d’IA se rapproche des structures de données dont dépendent déjà les entreprises.
La couche vidéo manquante
Twelve Labs a ajouté une autre couche manquante : la vidéo.
L’entreprise est partie du principe que comprendre la vidéo n’est pas la même chose que transcrire un dialogue ou détecter des objets dans des images. La vidéo nécessite une compréhension temporelle, du son, des dialogues, du contexte de la scène, du mouvement et la capacité de décider ce qui compte et ce qui ne l’est pas.
Son modèle Marengo alimente la recherche sémantique sur la vidéo, l’image, l’audio et le langage. Pegasus est un modèle de langage vidéo capable d’analyser des scènes, de résumer des vidéos, de générer des métadonnées et de prendre en charge des sorties structurées.
C’est important car les entreprises disposent déjà d’archives vidéo massives : studios, ligues sportives, chaînes d’information, sociétés de production, organisations du secteur public, équipes de sécurité et fournisseurs de données. Une grande partie de cette vidéo est précieuse, mais difficile à rechercher, à organiser, à monétiser ou à transformer en flux de travail.
La conversation des Douze Labs a également connecté la vidéo à une histoire plus large d’IA physique. Un représentant a décrit la vidéo comme fondamentale pour la robotique et les systèmes automobiles, car les machines doivent donner un sens au monde réel. Ils ont décrit l’ambition comme étant une sorte de « cortex visuel pour les machines ».
Cette phrase permet de connecter l’entreprise au thème plus large de HumanX. L’IA d’entreprise n’est pas seulement du texte, du code ou des bases de données. Elle est également visuelle, temporelle, multimodale et éventuellement spatiale.
L’opportunité de l’Europe réside dans sa spécificité
Le modèle commun à ces entreprises est la spécificité.
H Company n’essaie pas de construire un chatbot universel. Il essaie d’exploiter des logiciels existants. Malt ne parle pas seulement des métiers de l’IA de manière abstraite. Il examine la manière dont les talents, les agents et la supervision sont présentés aux entreprises. Neuralk n’essaie pas de créer un autre modèle de langage à usage général. Il se construit autour de données tabulaires. Twelve Labs ne traite pas la vidéo comme une fonctionnalité secondaire. Il traite la compréhension vidéo comme une couche de base.
C’est peut-être dans cette spécificité que l’Europe peut être compétitive. Le marché de l’IA d’entreprise n’a pas seulement besoin de modèles plus grands. Il a besoin d’entreprises qui comprennent les flux de travail, les contraintes du secteur, les données sensibles, les marchés du travail et le dernier kilomètre entre la capacité et l’adoption.
C’était le signal le plus intéressant de HumanX. L’histoire européenne de l’IA ne consiste pas seulement à savoir si l’Europe peut créer un laboratoire frontalier capable de rivaliser avec les États-Unis. Il s’agit également de savoir si les entreprises européennes peuvent transformer l’IA en systèmes déployables pour le monde désordonné, réglementé et opérationnel dans lequel vivent réellement les entreprises.
La réponse viendra peut-être moins du spectacle que des lieux ennuyeux où le travail se déroule réellement : vieux logiciels, données privées, flux de recrutement, archives vidéo et humains supervisant les agents au-dessus de la boucle.
