IA générative : ce qui a changé en 2025, ce qui attend 2026

2025 a acté un basculement : l’ia generative est sortie des preuves de concept pour devenir une brique d’infrastructure. Dans les faits, l’enjeu n’est plus « avoir un modèle », mais le faire tenir en production, au bon coût et avec un niveau de confiance acceptable.

Ce papier revient sur ce qui a réellement changé en 2025 et sur ce qui conditionnera 2026 : l’arrivée des agents, la bataille des coûts, et la conformité qui s’invite dans le produit.

2025, l’année où l’ia generative devient une couche d’infrastructure

La rupture de 2025 se lit d’abord dans l’usage. Selon l’édition 2025 de l’AI Index de Stanford, 88 % des organisations déclarent utiliser régulièrement l’intelligence artificielle (AI) dans au moins une fonction métier, signe que l’expérimentation est devenue routine ( Stanford AI Index 2025 ).

Mais la bascule la plus structurante se voit ailleurs : la valeur s’est déplacée des modèles « généralistes » vers des produits intégrés aux outils du quotidien. En pratique, le retour sur investissement arrive quand l’ia generative s’insère dans un processus clair (support, vente, développement), avec des règles, des données, et des indicateurs.

Côté marché, l’échelle change. Toujours selon Stanford, l’ia generative a attiré 33,9 milliards de dollars d’investissement privé mondial (données 2024), et les dépenses d’infrastructure des géants du numérique explosent pour suivre la demande de calcul. Dans ce contexte, l’entreprise ne « teste » plus seulement : elle arbitre des budgets, des risques et des dépendances technologiques.

Multimodal, raisonnement, long contexte : 2025 élargit le terrain de jeu

Trois capacités ont redessiné les cas d’usage.

D’abord, le multimodal (multimodal) : un même système sait lire du texte, analyser une image, traiter de la voix et parfois de la vidéo. Pour une entreprise, cela débloque la compréhension de documents (contrats, factures), l’assistance aux équipes terrain via photos, et des centres de contact où la voix devient une interface naturelle.

Ensuite, le long contexte (long context) : le modèle garde davantage d’éléments en mémoire pendant une interaction. Concrètement, il peut suivre un dossier complexe, comparer plusieurs documents et conserver le fil, sans repartir de zéro à chaque message.

Enfin, la montée des modèles de raisonnement, distincts des modèles conversationnels. L’idée est simple : au lieu de répondre vite, ils « réfléchissent » davantage avant de produire une réponse, ce qui améliore les résultats sur le code ou certains problèmes scientifiques.

Toutefois, 2025 n’a pas « résolu » la fiabilité. Les hallucinations (hallucinations), ces réponses fausses mais formulées avec assurance, restent un risque opérationnel. OpenAI explique que les méthodes d’évaluation peuvent encourager le modèle à deviner plutôt qu’à reconnaître son incertitude, ce qui entretient le problème ( analyse OpenAI sur les hallucinations ).

Le tournant agentique : de l’assistant à l’exécutant

L’agent d’intelligence artificielle (agentic AI) ne se contente pas de rédiger ou résumer. Il planifie des étapes, utilise des outils (recherche, exécution de code, accès à une base interne) et mène une tâche jusqu’au bout, avec un contrôle humain plus ou moins présent.

En pratique, trois cas d’usage ont affiché des retours rapides en 2025.

Dans le développement et les opérations informatiques, l’agent peut diagnostiquer une alerte, proposer un correctif et ouvrir une demande de changement. Dans le support client, il peut qualifier une demande, retrouver l’historique, puis produire une réponse prête à envoyer. Dans la gestion des connaissances, il peut chercher, recouper et produire une note d’analyse exploitable, plutôt qu’un simple résumé.

Selon un rapport de McKinsey, 23 % des répondants déclarent déjà déployer à l’échelle un système agentique, et 39 % expérimentent encore ( McKinsey Global Survey on AI ). Cela illustre une réalité : la majorité des agents en 2025 restent « bornés », cantonnés à un périmètre et à des outils limités.

Pour les équipes, l’industrialisation suppose quatre briques : l’évaluation (tests réguliers), l’observabilité (suivi en production), la gouvernance (règles, validation, responsabilités) et la sécurité (données, accès, traçabilité). Sans cela, l’agent devient un facteur de risque plus qu’un accélérateur.

Quand l’économie s’en mêle : coûts d’inférence, open-weight et course à la performance

Un moteur discret a accéléré tout le reste : la baisse des coûts d’inférence (inference), c’est-à-dire le coût de calcul pour produire une réponse. Stanford chiffre une chute de plus de 280 fois entre fin 2022 et octobre 2024 pour un niveau de performance comparable à GPT‑3.5, ce qui rend rentables des usages auparavant hors de prix ( Stanford AI Index 2025 ).

Dans le même temps, les modèles open-weight (open-weight), dont les poids sont accessibles pour un déploiement interne, se rapprochent des meilleurs modèles propriétaires. Pour une entreprise, le sujet est moins idéologique que pratique : garder certaines données sensibles en interne, réduire la dépendance à un fournisseur, et négocier plus fermement.

Le paradoxe, toutefois, est budgétaire. Beaucoup d’entreprises privilégient la performance et migrent vite vers les versions les plus avancées, même si elles coûtent plus cher à l’usage. Résultat : les gains unitaires se transforment surtout en gains de diffusion (plus de cas d’usage), pas en économies nettes sur la ligne « informatique ».

Pourquoi l’usage n’a pas encore produit la valeur à grande échelle

Le grand écart de 2025 tient en une phrase : tout le monde essaie, peu industrialisent. On observe des déploiements dans plusieurs fonctions, mais une mise à l’échelle freinée par des obstacles très concrets.

Points de vigilance :

• Fiabilité et hallucinations : sans règles, sources et contrôles, les erreurs se propagent vite.
• Données et intégration au système d’information : un bon modèle ne compense pas un accès incomplet aux données.
• Sécurité et conformité : droits d’accès, localisation, conservation et traçabilité deviennent déterminants.
• Transformation des processus : l’ia generative n’est pas un ajout, elle impose de redessiner le flux de travail.

À court terme, l’erreur classique est d’attendre un « effet outil ». En réalité, la valeur vient quand on recompose une tâche autour de ce que la machine fait bien, et de ce que l’humain doit valider.

2026 : cinq dynamiques probables, et trois incertitudes structurantes

Pour 2026, le scénario le plus crédible n’est pas une « super intelligence » partout, mais une multiplication d’usages end-to-end dans des domaines étroits. On verra des agents capables de gérer un dossier complet, à condition que le périmètre soit maîtrisé et que les contrôles soient intégrés.

Deuxième dynamique : la montée des modèles de petite taille (small language model). Le principe devient industriel : un grand modèle planifie et arbitre, puis des modèles spécialisés exécutent vite et à moindre coût.

Troisième dynamique : l’accélération du développement logiciel, avec un impact direct sur les métiers. En pratique, l’entreprise attendra davantage des équipes : cadrer, tester, sécuriser et livrer plus vite, plutôt que produire du code « à la main ».

Quatrième dynamique : l’essor des données synthétiques (synthetic data), générées pour entraîner ou tester quand les données réelles manquent ou sont trop sensibles. C’est une piste clé pour l’industrie, la santé, la banque et l’assurance.

Cinquième dynamique : la gouvernance et l’explicabilité (explainability) deviennent des avantages compétitifs. Dans les achats, l’assurance qualité ou les ressources humaines, la capacité à prouver « pourquoi » et « sur quelles bases » comptera autant que la qualité de la réponse.

Trois incertitudes pèseront sur tous les plans : la rareté des données d’entraînement à forte valeur, l’exigence anti-hallucination sur les cas critiques, et la dépendance au calcul et à l’énergie qui conditionne les coûts.

Régulation et confiance : ce qui va cadrer 2026 sans tuer l’innovation

La tendance est claire : les régulateurs encadrent par le risque, et demandent de la traçabilité. Le règlement européen sur l’intelligence artificielle (AI Act) formalise des obligations plus lourdes pour les systèmes à haut risque, avec documentation, supervision humaine et exigences de robustesse ( texte et synthèse sur l’AI Act ).

Autre front : le droit d’auteur. Aux États-Unis, l’US Copyright Office a publié en 2025 une analyse détaillée sur l’usage d’œuvres protégées pour l’entraînement, en soulignant que la question du « fair use » reste disputée selon les contextes ( US Copyright Office, rapport IA ).

Dans ce contexte, la conformité devient une contrainte produit. Cela se traduit par des journaux d’activité, des politiques internes d’usage, des règles de conservation, et des preuves d’évaluation en continu.

2025 a prouvé la puissance, 2026 jugera l’exécution

La simplicité apparente de l’ia generative — un modèle, une consigne — masque un chantier d’industrialisation : données, outils, évaluation, sécurité et conduite du changement. En 2026, les entreprises qui gagneront ne seront pas celles qui « essaient partout », mais celles qui priorisent deux ou trois processus critiques et mesurent un retour sur investissement réel.

La posture la plus efficace est pragmatique : combiner grands modèles et modèles spécialisés, instrumenter la qualité en production, et investir dans la gouvernance autant que dans la performance. La différenciation viendra moins du modèle choisi que de l’intégration, de la fiabilité et de la capacité à tenir dans la durée.