De l’infrastructure aux usages, l’IA change de dimension

Technologies industrielles, infrastructures, cybersécurité, souveraineté, agents IA, robotique et transformation des organisations : VivaTech 2026 a montré que la prochaine phase de l’intelligence artificielle ne se jouera plus seulement dans les modèles, mais dans la capacité à maîtriser toute la chaîne qui les rend utiles, fiables et déployables à grande échelle. 

Pendant plusieurs années, l’intelligence artificielle a été abordée comme un sujet principalement logiciel : un modèle à entraîner, une application à intégrer, un copilote à déployer, un cas d’usage à tester. 

VivaTech 2026 a montré que cette lecture devient insuffisante. 

L’IA n’est plus seulement une technologie que l’on ajoute à des processus existants. Elle devient une chaîne complète, qui part des infrastructures rendant le calcul possible, traverse les modèles, les plateformes, les données, les agents IA, la cybersécurité et les outils métiers, puis se prolonge jusque dans la robotique, la Physical AI et la transformation des organisations. 

La prochaine phase de l’IA ne se jouera donc pas uniquement dans la performance des modèles. Elle se jouera dans la capacité des entreprises à maîtriser tout ce qui rend l’IA utilisable, fiable, sécurisée et réellement déployable dans leurs opérations. 

L’IA commence avant les usages 

La présence d’ASML à VivaTech rappelait une réalité souvent oubliée : l’IA ne commence pas au moment où un utilisateur ouvre un copilote ou interagit avec un agent. Elle commence bien en amont, dans une chaîne industrielle complexe qui rend possibles le calcul, les modèles, les infrastructures et, au bout du compte, les usages. 

ASML ne fabrique pas les puces. L’entreprise fournit certaines des machines critiques permettant aux industriels des semi-conducteurs de produire les générations de composants nécessaires aux besoins croissants de calcul. Derrière chaque modèle, il y a donc des équipements de production, des matériaux, des usines, des logiciels de contrôle, de la métrologie, de l’énergie, des données et des chaînes d’approvisionnement mondiales. 

Cet amont reste largement invisible dans les discours sur l’IA. Pourtant, il conditionne directement le passage à l’échelle. Sans capacité de calcul disponible, performante et économiquement soutenable, les usages IA restent limités. Sans infrastructures adaptées, les agents, les assistants métiers, les systèmes industriels intelligents et les applications de Physical AI ne peuvent pas se déployer durablement. 

La présence de VSORA, acteur français positionné sur l’inférence IA, apportait un autre signal intéressant. L’entreprise illustre un enjeu concret : entre les modèles et les usages, les entreprises auront besoin de capacités d’inférence efficaces, sobres, intégrables et adaptées aux charges multimodales, agentiques ou industrielles. 

Le sujet n’est donc pas de dire que l’IA devient une affaire de puces. Il est plus large : l’IA devient une affaire de continuité entre technologies amont, infrastructures, modèles, sécurité, intégration métier et usages opérationnels. 

L’infrastructure devient un sujet de direction générale 

Cette bascule change la nature du débat. Hier, beaucoup de directions générales regardaient l’IA à travers les cas d’usage : automatiser un support client, améliorer un outil de vente, accélérer une analyse documentaire, assister un développeur ou produire du contenu. Ces usages restent essentiels. Mais ils ne suffisent plus. 

À mesure que l’IA entre dans les processus critiques, les dirigeants doivent regarder ce qu’il y a derrière : où sont les données ? Sur quelles infrastructures les modèles tournent-ils ? Quels sont les coûts d’inférence ? Quelle dépendance à tel cloud, tel modèle, telle plateforme ? Quels droits sont accordés aux agents ? Quels contrôles existent avant une action automatisée ? Comment mesure-t-on la performance réelle ? 

Le choix d’un modèle n’est plus seulement un choix technique. Il devient un choix de performance, de coût, de sécurité, de conformité, de souveraineté et de capacité opérationnelle. De la même manière, le choix d’une infrastructure IA n’est plus seulement une décision de DSI. Il conditionne la vitesse de déploiement, la capacité à industrialiser les usages et le niveau de maîtrise sur les données et les risques. 

L’IA change donc de dimension parce qu’elle oblige l’entreprise à relier ce qui était souvent traité séparément : infrastructure, données, modèles, métiers, cybersécurité, gouvernance et transformation. 

De l’usage isolé au système d’exécution 

Si ASML illustre l’amont industriel de l’IA, Siemens montre une autre dimension : l’IA comme système d’exécution. Dans l’industrie, l’IA ne vaut pas seulement par sa capacité à produire du texte, du code ou des recommandations. Elle vaut par sa capacité à concevoir, simuler, optimiser, vérifier et piloter des systèmes complexes. 

Les interventions de Siemens ont mis en avant des gains significatifs sur certaines activités d’ingénierie, avec des améliorations de productivité pouvant atteindre jusqu’à 30 % selon les cas présentés, notamment en matière de qualité et de vitesse d’exécution. Mais le message le plus intéressant portait sur les conditions permettant de les obtenir. Cedrik Neike, CEO de Digital Industries, a notamment mis en garde contre le “spray and pray”, cette tentation de multiplier les initiatives IA sans architecture commune, sans fondations partagées et parfois sans gouvernance suffisante. 

Cette alerte résume bien la phase actuelle. Beaucoup d’entreprises confondent encore adoption et transformation. Elles ajoutent de l’IA à des processus existants, sans revoir l’architecture opérationnelle, la qualité des données, les responsabilités, les contrôles, les compétences et les indicateurs de performance. 

Or l’IA ne crée pas mécaniquement de la valeur. Elle crée de la valeur lorsqu’elle est intégrée dans une chaîne d’exécution cohérente. La question devient donc moins : combien de cas d’usage avons-nous lancés ? Elle devient : combien de processus avons-nous réellement transformés ? 

La confiance conditionne le passage à l’échelle 

Les entreprises entrent dans une phase où l’enjeu n’est plus de prouver que l’IA fonctionne sur un pilote. L’enjeu est de la déployer dans des environnements opérationnels réels, avec des contraintes de performance, de sécurité, de conformité et de responsabilité. 

BNP Paribas illustre le passage de l'expérimentation à l'échelle industrielle. Avec plus de 1000 cas d'usage IA en cours de déploiement et un objectif de 750 M€ de création de valeur pour 2026, la banque montre que la question n'est plus de tester l'IA, mais de l'intégrer durablement dans les processus métier. 

Hitachi Rail a présenté une logique comparable avec près de 30 agents IA à l’essais. Mais l’enseignement le plus important ne tient pas seulement au nombre d’agents. Il tient à la méthode : mesurer avant et après, impliquer fortement le management, embarquer les équipes et s’assurer que les agents répondent à des besoins opérationnels identifiés. 

Sanofi rappelle, de son côté, que l’IA ne peut pas être pensée partout comme une simple couche d’automatisation. Dans la santé, où le développement d’un nouveau médicament peut encore prendre huit à douze ans, l’enjeu consiste à transformer des processus longs, coûteux, réglementés et sensibles. Comme le souligne l’entreprise, 90 % des projets d’IA échouent lorsqu’ils se contentent d’automatiser l’existant plutôt que de repenser en profondeur les processus.  

La confiance devient donc une condition de passage à l’échelle. Non pas une confiance abstraite, mais une confiance opérationnelle : peut-on comprendre ce que fait le système ? Contrôler ses décisions ? Mesurer ses effets ? Sécuriser ses accès ? Auditer ses résultats ? Le déployer sans créer de nouveaux risques systémiques ? 

C’est sur cette capacité à passer de l’expérimentation à la preuve que se jouera la maturité des entreprises. 

Les agents IA déplacent progressivement l’enjeu vers l’action 

Les agents IA changent la nature des usages, mais les usages IA changent eux aussi de nature. Jusqu’ici, beaucoup d’applications d’IA restaient centrées sur l’assistance : suggérer, résumer, classer, générer, accélérer. Avec les agents IA, l’enjeu se déplace progressivement vers l’action : rechercher une information, coordonner une tâche, interagir avec plusieurs systèmes, déclencher une opération, préparer une décision, voire exécuter une partie d’un processus. 

Un copilote augmente un utilisateur. Un agent commence à modifier l’organisation du travail. Il oblige à définir ce qui peut être délégué, ce qui doit rester sous supervision humaine, quels droits d’accès sont accordés, quels contrôles sont nécessaires et comment mesurer la qualité des décisions ou des actions. L’usage n’est donc plus seulement une interface. Il devient une chaîne d’action. 

C’est pourquoi les agents IA ne peuvent pas être pensés indépendamment de l’infrastructure, de l’identité numérique, de la cybersécurité, de la gouvernance des données et des processus métiers. Plus un agent agit, plus il devient nécessaire de savoir qui l’a autorisé, sur quelles données il s’appuie, quelles actions il peut réaliser et comment revenir en arrière en cas d’erreur. 

La Physical AI fait sortir l’IA des écrans 

Une autre évolution était visible à VivaTech : l’IA ne reste plus confinée aux interfaces logicielles, aux copilotes ou aux agents numériques. Elle commence à entrer dans le monde physique. Les démonstrations autour des robots humanoïdes, des interfaces neuro-IA, des systèmes embarqués et des applications industrielles montrent que la prochaine étape ne sera pas seulement agentique. Elle sera aussi incarnée. 

L’intervention de KUKA illustrait bien cette bascule. Le thème affiché était explicite : “Physical AI in Action”, autour de la manière dont l’IA physique transforme l’automatisation et la robotique industrielle. Après des décennies d’automatisation programmée, où le robot exécutait principalement des gestes répétitifs dans un cadre maîtrisé, l’enjeu devient d’intégrer davantage de perception, de logiciel, d’IA, de simulation et de gouvernance. 

Le robot n’est plus seulement une machine isolée dans l’atelier. Il devient un composant d’un système intelligent plus large, connecté aux données, aux processus, aux opérateurs et aux objectifs de production. 

Cette évolution change la nature des risques. Un agent IA qui recommande une action reste un système numérique. Un robot, un équipement industriel ou un système d’assistance physique qui exécute cette action engage directement la sécurité des personnes, la continuité de production, la responsabilité industrielle et la confiance dans l’ensemble du système. La Physical AI fait ainsi passer l’IA d’une infrastructure de connaissance à une infrastructure d’action. 

La cybersécurité devient une condition native 

À mesure que l’IA entre dans les processus critiques, la cybersécurité change elle aussi de nature. Il ne s’agit plus seulement de protéger des systèmes informatiques classiques. Il faut désormais sécuriser des chaînes de décision automatisées, des agents capables d’agir, des données d’entraînement, des modèles, des API, des identités numériques, des accès aux outils métiers et des interactions entre systèmes. 

L’IA peut accélérer la détection, l’analyse et la réponse. Mais elle donne aussi aux attaquants de nouveaux moyens pour industrialiser la fraude, automatiser l’ingénierie sociale, générer du code malveillant, contourner des contrôles ou cibler les chaînes d’identité. 

Dans un monde d’agents IA, l’identité et les droits d’action deviennent des surfaces d’attaque critiques. Un agent mal configuré, compromis ou trop largement autorisé peut devenir une menace interne sans intention humaine directe. La cybersécurité de l’IA ne peut donc pas être traitée comme un sujet périphérique. Elle doit être intégrée dès l’architecture : modèles, données, prompts, accès, chaînes d’orchestration, environnements d’exécution et systèmes physiques connectés. 

Les organisations doivent changer autant que les technologies 

Le point le plus souvent sous-estimé reste humain et organisationnel. L’IA oblige les entreprises à revoir la manière dont elles travaillent, décident, mesurent la performance et répartissent les responsabilités. Elle modifie la relation entre experts, managers, métiers, DSI, directions des risques, directions juridiques et directions générales. 

Le panel CIO 2026 Outlook a bien résumé cette tension : l’IA ne doit pas servir à automatiser mécaniquement l’existant. Elle doit transformer les processus. Mais cette transformation rencontre des freins connus : manque d’acculturation, lenteur d’adoption, difficulté à changer les modes de travail, crainte sur l’emploi, gouvernance encore immature. Les notes du salon évoquent un point très juste : “technology is the smallest problem”. La technologie est souvent le problème le plus visible, mais rarement le plus difficile. 

Le vrai défi est ailleurs : faire évoluer les compétences, créer de nouveaux rôles, clarifier les responsabilités, former les équipes, associer les métiers, mesurer les gains, traiter les résistances et faire accepter que l’IA ne soit plus seulement un outil individuel mais une capacité collective. L’IA ne transforme donc pas seulement les tâches. Elle transforme le contrat organisationnel. 

La souveraineté devient une discipline stratégique 

Enfin, VivaTech a confirmé que la souveraineté technologique n’est plus seulement un débat européen, réglementaire ou institutionnel. Elle devient un sujet opérationnel, économique et parfois géopolitique. La chaîne de valeur de l’IA dépend de ressources rares : infrastructures de calcul, équipements industriels critiques, énergie, talents, données, modèles, cloud, capacités d’inférence, normes, certifications, capacités cyber et capitaux. 

Chaque maillon peut devenir un levier de puissance ou un point de vulnérabilité. Dans ce contexte, la souveraineté ne signifie pas tout produire seul. Ce serait irréaliste. Elle signifie comprendre où se situent les dépendances critiques, conserver des alternatives, éviter les verrouillages, protéger les données sensibles, développer des capacités locales là où elles sont stratégiques et bâtir des alliances industrielles crédibles. 

Pour un dirigeant, la question n’est pas de savoir si son organisation est totalement souveraine. Elle est de savoir si elle comprend ses dépendances, si elle peut changer de fournisseur, si elle maîtrise ses données critiques, si elle dispose d’options technologiques crédibles et si ses choix d’IA renforcent ou affaiblissent sa position stratégique. La souveraineté technologique n’est donc plus un slogan. C’est une discipline de gestion des risques, des dépendances et des capacités critiques. 

La vraie bataille de l’IA sera systémique 

VivaTech 2026 aura moins consacré une nouvelle vague d’outils qu’un changement de perspective. L’IA n’est plus seulement une question de modèle. Elle devient une question de chaîne complète, de l’infrastructure aux usages. 

Elle relie les technologies industrielles qui permettent de produire les composants avancés, les capacités d’inférence, les infrastructures cloud et hybrides, les plateformes logicielles, les données industrielles, les cas d’usage métiers, les agents IA, la robotique industrielle, la Physical AI, la cybersécurité, les compétences, la gouvernance et les choix géopolitiques. 

Les entreprises qui réussiront ne seront pas nécessairement celles qui auront lancé le plus de pilotes. Ce seront celles qui sauront maîtriser les maillons critiques de leur propre chaîne IA : infrastructure, données, modèles, sécurité, gouvernance, confiance, talents, robotique, capacité d’exécution et intégration dans les usages réels. 

L’IA change de dimension. Elle n’est plus seulement une promesse technologique ou un accélérateur de productivité. Elle devient une infrastructure de transformation. Et comme toute infrastructure stratégique, elle dépendra moins de la technologie la plus visible que de la solidité de toute la chaîne qui la rend possible : de l’infrastructure au modèle, du modèle à l’agent, de l’agent au processus, du logiciel au robot, et de l’usage métier à l’impact réel.