Lors de Google Cloud Next 2026, Google a clairement affiché sa direction : l'IA en entreprise va au-delà des interfaces de chat et des copilotes autonomes pour se diriger vers un modèle de plateforme plus large, conçu pour les agents, l'accès aux données, la sécurité et l'exécution de tâches à grande échelle.
Cela compte parce que la principale contrainte de l'IA en entreprise a changé. Au cours des deux dernières années, une grande partie du marché s'est concentrée sur la qualité des modèles, l'accès et les nouvelles fonctionnalités. Ces éléments restent importants, mais ils ne constituent plus la question principale pour la plupart des organisations. Le défi désormais plus difficile est opérationnel. Les dirigeants d'entreprise doivent savoir si l'IA peut :
- fonctionner de manière sécurisée à travers les systèmes métier
- comprendre le contexte de l'entreprise
- prendre en charge de vrais workflows
- gagner la confiance dans la durée
Les annonces de Google reflétaient cette évolution. De nouveaux investissements dans Gemini Enterprise Agent Platform, Gemini Enterprise app, Agentic Data Cloud, les capacités de sécurité et des intégrations plus étroites avec Workspace indiquent un marché qui se tourne vers des plateformes IA plus unifiées plutôt que vers des outils déconnectés.
C'est aussi là que se dirige le comportement d'achat des entreprises. Les sociétés n'ont pas besoin de davantage d'expériences IA autonomes qui créent de nouveaux silos. Elles ont besoin de systèmes capables de relier les modèles à la connaissance de l'entreprise, aux données structurées, aux autorisations et aux outils que les employés utilisent déjà.
Pour les équipes qui évaluent la suite, l'idée clé est simple : la course ne porte plus seulement sur celui qui dispose du modèle le plus puissant. Il s'agit de savoir qui peut rendre l'IA utile dans la complexité réelle de l'entreprise.
Cette évolution confirme ce que beaucoup d'entreprises apprennent déjà sur le terrain. La valeur durable ne vient pas d'un modèle seul. Elle vient du fait d'ancrer l'IA dans un contexte d'entreprise fiable, de l'intégrer aux workflows déjà utilisés par les équipes et de fournir des résultats mesurables.
Pourquoi l'IA en entreprise devient une décision de plateforme
Google Cloud Next a mis en évidence une évolution plus large du marché. À travers les annonces de Google, les exemples clients et les sessions partenaires, quatre thèmes se sont démarqués.
1. L'écart de contexte est désormais le principal frein à une IA utile
De nombreux échecs de l'IA en entreprise ne sont pas causés par des modèles faibles. Ils se produisent lorsque l'IA manque du contexte nécessaire pour fonctionner dans une entreprise réelle.
Lors de sa table ronde à Next, Zubin Irani, VP of Partnerships chez Glean, a partagé un exemple simple : même un terme comme « PR » peut signifier des choses différentes selon l'équipe, l'utilisateur ou le workflow. Pour un marketeur, cela peut vouloir dire press release. Pour un ingénieur, cela peut vouloir dire pull request. Sans contexte métier, la même demande peut conduire à la mauvaise réponse ou à la mauvaise action.
C'est pourquoi l'IA en entreprise a besoin de plus qu'un raisonnement générique. Elle a besoin d'un accès à la connaissance de l'entreprise, aux systèmes, aux relations, aux conversations et aux autorisations. Un agent de préparation de réunion n'est utile que s'il peut récupérer l'historique actuel du compte, les décisions récentes, les documents pertinents et le dernier contexte client. Un workflow de campagne n'est utile que s'il reflète la manière dont une équipe crée, relit et réutilise réellement le contenu.
À mesure que les modèles s'améliorent, ce défi devient plus visible. L'intelligence seule ne suffit pas. Le contexte est ce qui transforme l'IA en quelque chose de fiable au travail.
2. Les équipes gagnantes repensent les workflows, elles n'ajoutent pas seulement plus d'outils
Les organisations qui sortent du mode pilote ne considèrent pas l'IA comme une expérience annexe. Elles commencent par des workflows fréquents, mesurables et difficiles, puis les reconstruisent avec une responsabilité claire, des garde-fous et des indicateurs de réussite.
C'est un changement important pour toute équipe d'entreprise qui évalue l'IA en 2026. Au lieu de se demander où l'IA peut être ajoutée, les équipes les plus solides se demandent quels workflows bénéficieraient d'un meilleur contexte, d'une exécution plus rapide et d'un résultat plus homogène.
Le client de Glean Databricks offre un exemple convaincant. Des marketeurs non techniques ont utilisé Glean pour construire un agent appelé Briefbot qui génère environ 80 % d'un brief de campagne en environ cinq minutes. Ce qui prenait auparavant une demi-journée à un marketeur senior est devenu un processus de revue et d'édition plus rapide, tout en créant un contexte réutilisable pour les travaux futurs. Le webinaire complet revient plus en détail sur Briefbot et les autres agents que Databricks a construits selon cette même approche centrée sur le workflow.
C'est cela, l'IA pratique en entreprise. Ce n'est pas un outil de destination de plus, mais des systèmes qui améliorent la manière dont le travail est déjà réalisé.
3. La confiance, la gouvernance et l'adoption ne peuvent pas être ajoutées après coup
À mesure que l'IA prend en charge des tâches plus importantes, la confiance devient opérationnelle et non théorique. Si un système aide au support client, révise du code, résume des informations financières ou prépare des contenus destinés aux clients, les dirigeants doivent avoir l'assurance que les résultats respectent le bon niveau de qualité et restent fiables dans le temps.
Tout commence par une gouvernance intégrée dès la conception. Les autorisations, l'auditabilité, les contrôles et les cadres d'évaluation doivent être présents dès le premier jour.
4. Le marché évolue vers des plateformes capables d'industrialiser l'IA
Les entreprises regardent au-delà des copilotes autonomes et des solutions ponctuelles étroites pour se tourner vers des plateformes capables d'unifier les modèles, les données, les workflows, la gouvernance et l'expérience utilisateur.
Une fois qu'elles dépassent la phase d'expérimentation, des outils fragmentés créent plus de complexité que de valeur. Ce dont les acheteurs ont besoin, ce sont des systèmes capables de relier l'IA aux données structurées, à la connaissance de l'entreprise, aux autorisations existantes et aux applications déjà utilisées par les employés.
On retrouve la même tendance dans les annonces récentes de Glean.
Rendre les données structurées plus faciles à utiliser
La nouvelle intégration BigQuery de Glean étend des expériences IA sécurisées et ancrées dans les données structurées de l'entreprise. En connectant Glean à BigQuery via MCP, les employés peuvent poser des questions en langage naturel, obtenir des réponses fondées sur des données fiables et agir sans avoir besoin d'une expertise SQL approfondie.
Comme l'a dit Emrecan Dogan, Head of Product chez Glean, cette intégration donne « à chaque employé, et pas seulement aux experts SQL et data, la possibilité de poser des questions sur les données de son entreprise en langage clair et d'agir sur ce qu'il trouve ». Il a qualifié cela de « très bon exemple de la manière dont une IA interopérable peut rendre les données d'entreprise plus accessibles, plus fiables et plus intuitives à utiliser en toute sécurité », en aidant les personnes à passer « de la recherche de réponses à l'exécution du travail ».
Du prompt à la présentation finalisée
Glean a également présenté sa nouvelle fonctionnalité de génération de slides qui transforme une conversation dans Glean Assistant en une présentation de brouillon que les équipes peuvent affiner à l'aide de modèles d'entreprise approuvés. Le résultat est un fichier.pptx entièrement modifiable qui peut être importé dans Google Slides, aidant les équipes à passer plus vite de l'idée au premier brouillon tout en laissant les personnes garder la maîtrise du récit final.
Ces deux annonces reflètent la même direction générale — l'IA en entreprise devient moins une affaire de prompts isolés et davantage un moyen d'aider les personnes à accomplir un vrai travail dans des systèmes fiables.
Pourquoi les déploiements d'IA échouent encore dans les organisations
Même si les modèles s'améliorent et que les plateformes mûrissent, de nombreuses initiatives d'IA en entreprise stagnent encore pour une raison plus simple : les organisations ne sont pas prêtes à absorber le changement à grande échelle. Dans sa session à Google Cloud Next, Rebecca Hinds, Head of the Work AI Institute et Thought Leadership chez Glean, a mis en avant plusieurs schémas auxquels les dirigeants devraient prêter attention.
1. L'IA est superposée à des workflows défaillants ;
Si la responsabilité est floue, si les transferts sont chaotiques ou si le processus lui-même est inefficace, l'IA accélère souvent la confusion au lieu de la corriger.
Les déploiements les plus solides commencent par la clarté du workflow. Les équipes doivent comprendre comment le travail circule aujourd'hui, où se trouvent les goulots d'étranglement, quelles décisions nécessitent une revue humaine et où l'automatisation peut créer une vraie valeur.
2. Le frein est souvent organisationnel, pas technique
Les programmes peinent quand les employés perçoivent l'IA comme imposée, menaçante, abstraite ou déconnectée de leur travail réel.
C'est pourquoi l'implication des équipes terrain est essentielle. Les personnes les plus proches du travail savent généralement où se situe la friction, où les exceptions se produisent et où un workflow a le plus de chances de se casser.
3. Les équipes n'ont pas l'espace pour apprendre
La maîtrise de l'IA ne se construit pas via une annonce de lancement. Elle se construit par l'expérimentation, l'itération, le feedback et un jugement plus clair sur les cas où la supervision humaine reste nécessaire.
Les organisations les plus solides créent de l'espace pour que les équipes testent, comparent les résultats, affinent les instructions et partagent ce qui fonctionne. ;
Ces enseignements ont été mis en avant lors d'un panel du Work AI Institute avec Julia Dhar (Behavioral Scientist et Managing Director and Partner chez BCG), Aishwarya Srinivasan (AI Developer Relations Lead chez Nebius et AI Educator) et Diana Wu David (Director of Futures chez ServiceNow et #1 Global Futurist). Ensemble, ils ont souligné que les organisations qui considèrent l'adoption de l'IA comme une pratique continue, et non comme un déploiement ponctuel, avanceront plus vite et créeront davantage de valeur.
Ce qui compte le plus désormais pour les acheteurs d'IA en entreprise
La plus grande information issue de Google Cloud Next n'était pas un lancement en particulier. C'était ce que les lancements, les conversations clients et les discussions avec les partenaires révélaient sur la direction du marché.
Les nouveaux critères d'achat
L'IA en entreprise entre dans une phase plus exigeante. Les acheteurs ne jugent plus les plateformes uniquement sur la performance des modèles ou sur les listes de fonctionnalités. Ils posent des questions plus difficiles :
- Ce système peut-il comprendre notre entreprise ?
- Peut-il se connecter de manière sécurisée à nos outils et à nos données ?
- Peut-il prendre en charge de vrais workflows, et pas seulement des prompts isolés ?
- Peut-on mesurer s'il améliore les résultats ?
- Les personnes peuvent-elles lui faire suffisamment confiance pour l'utiliser dans un travail important ?
Cette évolution va redéfinir la manière dont les entreprises évaluent leurs investissements IA au cours des prochaines années. Beaucoup d'outils autonomes auront du mal à prouver une valeur durable s'ils ne peuvent pas s'intégrer profondément dans les environnements d'entreprise où le vrai travail se fait. Les plateformes qui combinent intelligence, contexte, gouvernance et exécution seront mieux positionnées.
Si votre équipe évalue ce qu'il faut pour industrialiser l'IA dans l'entreprise, c'est le moment de la regarder au-delà de l'accès aux modèles et de vous demander ce qui fera réellement fonctionner l'IA dans votre entreprise. ;
Vous voulez voir ce qu'il faut pour passer des pilotes IA à un impact mesurable ? Demandez une démo de Glean.
