Lors de Google Cloud Next 2026, Google a clairement affiché sa direction : l'IA d'entreprise dépasse les interfaces de conversation et les copilotes autonomes pour s'orienter vers un modèle de plateforme plus large, conçu pour les agents, l'accès aux données, la sécurité et l'exécution du travail à grande échelle.
Et cela compte, car la principale contrainte de l'IA d'entreprise a changé. Ces deux dernières années, une grande partie du marché s'est concentrée sur la qualité des modèles, leur accès et leurs nouvelles fonctionnalités. Ces éléments restent importants, mais ils ne constituent plus la question centrale pour la plupart des organisations. Le défi le plus difficile est désormais opérationnel. Les dirigeants d'entreprise doivent savoir si l'IA peut :
- fonctionner en toute sécurité au sein des systèmes métier
- comprendre le contexte de l'entreprise
- prendre en charge de véritables workflows
- gagner la confiance au fil du temps
Les annonces de Google reflétaient ce changement. De nouveaux investissements dans sa Gemini Enterprise Agent Platform, l'application Gemini Enterprise, l'Agentic Data Cloud, les capacités de sécurité et des intégrations Workspace plus étroites témoignent d'un marché qui évolue vers des plateformes d'IA plus unifiées plutôt que des outils isolés.
C'est également la direction que prend le comportement d'achat des entreprises. Les entreprises n'ont pas besoin de davantage d'expériences d'IA autonomes qui créent de nouveaux silos. Elles ont besoin de systèmes capables de connecter les modèles aux connaissances de l'entreprise, aux données structurées, aux autorisations et aux outils que les employés utilisent déjà.
Pour les équipes qui évaluent la suite, le constat est simple : la course ne porte plus seulement sur celui qui possède le modèle le plus performant. Elle porte sur celui qui saura rendre l'IA utile au cœur de la complexité réelle de l'entreprise.
Ce changement confirme ce que de nombreuses entreprises apprennent déjà par elles-mêmes. La valeur durable ne provient pas d'un modèle seul. Elle naît de l'ancrage de l'IA dans un contexte d'entreprise fiable, de son intégration dans les workflows sur lesquels les équipes s'appuient déjà, et de la production de résultats mesurables.
Pourquoi l'IA d'entreprise devient une décision de plateforme
Google Cloud Next a mis en lumière un changement de marché plus large. À travers les annonces de Google, les exemples clients et les sessions partenaires, quatre thèmes se sont démarqués.
1. Le manque de contexte est désormais le principal obstacle à une IA utile
De nombreux échecs de l'IA d'entreprise ne sont pas dus à des modèles insuffisants. Ils surviennent lorsque l'IA manque du contexte nécessaire pour fonctionner au sein d'une véritable entreprise.
Lors de sa session en panel à Next, Zubin Irani, VP des partenariats chez Glean, a partagé un exemple simple : même un terme comme « PR » peut signifier différentes choses selon l'équipe, l'utilisateur ou le workflow. Pour un responsable marketing, il peut s'agir d'un communiqué de presse. Pour un ingénieur, d'une pull request. Sans contexte d'entreprise, une même requête peut mener à la mauvaise réponse ou à la mauvaise action.
C'est pourquoi l'IA d'entreprise a besoin de bien plus qu'un raisonnement générique. Elle a besoin d'accéder aux connaissances 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 extraire 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 façon dont une équipe crée, révise et réutilise réellement du contenu.
À mesure que les modèles s'améliorent, ce défi devient plus visible. L'intelligence seule ne suffit pas. C'est le contexte qui transforme l'IA en un outil fiable au travail.
2. Les équipes gagnantes repensent leurs workflows plutôt que d'ajouter des outils
Les organisations qui dépassent le stade pilote ne traitent pas l'IA comme une expérimentation annexe. Elles commencent par des workflows fréquents, mesurables et sources de friction, 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 évaluant 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 de résultats plus cohérents.
Le client de Glean, Databricks, en offre un excellent exemple. Des responsables marketing non techniques ont utilisé Glean pour créer un agent appelé Briefbot qui génère environ 80 % d'un brief de campagne en cinq minutes environ. Ce qui prenait autrefois une demi-journée à un responsable marketing senior est devenu un processus de révision et d'édition plus rapide, tout en créant un contexte réutilisable pour les travaux futurs. Le webinaire complet approfondit Briefbot et les autres agents que Databricks a créés en adoptant la même approche axée sur les workflows.
Voilà à quoi ressemble une IA d'entreprise concrète. Ce n'est pas un outil de destination supplémentaire, mais des systèmes qui améliorent la façon 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 un travail plus significatif, la confiance devient opérationnelle, et non théorique. Si un système aide au service client, révise du code, résume des informations financières ou prépare des documents destinés aux clients, les dirigeants ont besoin de l'assurance que les résultats atteignent le bon niveau de qualité et restent fiables dans le temps.
Cela 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 s'oriente vers des plateformes capables d'opérationnaliser l'IA
Les entreprises regardent au-delà des copilotes autonomes et des solutions ponctuelles restreintes pour se tourner vers des plateformes capables d'unifier les modèles, les données, les workflows, la gouvernance et l'expérience utilisateur.
Une fois l'expérimentation dépassée, les outils fragmentés créent plus de complexité que de valeur. Ce dont les acheteurs ont besoin, ce sont des systèmes capables de connecter l'IA aux données structurées, aux connaissances de l'entreprise, aux autorisations existantes et aux applications que les employés utilisent déjà.
On observe la même tendance dans les récentes annonces de Glean.
Faciliter l'utilisation des données structurées
La nouvelle intégration BigQuery de Google chez Glean étend les expériences d'IA sécurisées et ancrées aux données structurées de l'entreprise. En connectant Glean à BigQuery via MCP, les employés peuvent poser des questions en langage naturel, obtenir des réponses ancrées dans des données fiables et passer à l'action sans avoir besoin d'une expertise poussée en SQL.
Comme l'a souligné Emrecan Dogan, Head of Product chez Glean, l'intégration donne à « chaque employé, et pas seulement aux experts SQL et data, la capacité d'interroger les données de son entreprise en langage naturel et d'agir sur ce qu'il trouve ». Il l'a qualifiée de « parfait exemple de la façon dont une IA interopérable peut rendre les données d'entreprise plus accessibles, plus fiables et plus intuitives à exploiter, en toute sécurité », aidant ainsi les collaborateurs à passer « de la recherche de réponses à l'accomplissement des tâches ».
Du prompt à la présentation soignée
Glean a également présenté sa nouvelle fonctionnalité de génération de diapositives qui transforme une conversation dans Glean Assistant en un brouillon de présentation 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 ainsi les équipes à passer plus vite de l'idée au premier brouillon tout en gardant la maîtrise du récit final.
Les deux annonces reflètent la même orientation plus large — l'IA d'entreprise consiste de moins en moins en des prompts isolés et de plus en plus à aider les collaborateurs à accomplir un travail concret au sein de systèmes de confiance.
Pourquoi les déploiements d'IA échouent encore au sein des organisations
Même si les modèles s'améliorent et que les plateformes gagnent en maturité, de nombreuses initiatives d'IA d'entreprise restent au point mort pour une raison plus simple : les organisations ne sont pas prêtes à absorber le changement à grande échelle. Lors de sa session à Google Cloud Next, Rebecca Hinds, Head du Work AI Institute et du Thought Leadership chez Glean, a mis en lumière plusieurs tendances auxquelles les dirigeants devraient prêter attention.
1. L'IA se superpose à des workflows défaillants
Si les responsabilités sont floues, les transferts désordonnés ou le processus lui-même inefficace, l'IA accélère souvent la confusion au lieu de la résoudre.
Les déploiements les plus solides commencent par une clarté des workflows. Les équipes doivent comprendre comment le travail circule aujourd'hui, où se situent les goulots d'étranglement, quelles décisions nécessitent une révision humaine et où l'automatisation peut créer une réelle valeur.
2. L'obstacle est souvent organisationnel, pas technique
Les programmes rencontrent des difficultés lorsque les employés perçoivent l'IA comme imposée, menaçante, abstraite ou déconnectée de leur travail réel.
C'est pourquoi l'implication des équipes de terrain est essentielle. Les personnes les plus proches du travail savent généralement où se situent les frictions, où surviennent les exceptions et où un workflow risque le plus de se rompre.
3. Les équipes ne disposent pas d'espace pour apprendre
La maîtrise de l'IA ne s'acquiert pas par une annonce de lancement. Elle se construit par l'expérimentation, l'itération, le retour d'expérience et un discernement plus affûté sur les domaines où la supervision humaine reste importante.
Les organisations les plus performantes créent un espace permettant aux équipes de tester, de comparer les résultats, d'affiner les instructions et de partager ce qui fonctionne.
Ces enseignements ont été au cœur d'une table ronde du Work AI Institute réunissant Julia Dhar (chercheuse en sciences comportementales, Managing Director et Partner chez BCG), Aishwarya Srinivasan (AI Developer Relations Lead chez Nebius et éducatrice en IA) et Diana Wu David (Director of Futures chez ServiceNow et futurologue classée n°1 au niveau mondial). Ensemble, elles 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 capteront davantage de valeur.
Ce qui compte le plus aujourd'hui pour les acheteurs d'IA d'entreprise
Le fait marquant de Google Cloud Next n'était pas un lancement en particulier. C'était ce que les lancements, les conversations avec les clients et les échanges entre partenaires ont révélé sur la direction que prend le marché.
Les nouveaux critères d'achat
L'IA d'entreprise entre dans une phase plus exigeante. Les acheteurs ne jugent plus les plateformes uniquement sur la performance des modèles ou la liste des fonctionnalités. Ils posent des questions plus difficiles :
- Ce système peut-il comprendre notre activité ?
- Peut-il se connecter en toute sécurité à nos outils et à nos données ?
- Peut-il prendre en charge de vrais workflows, et pas seulement des prompts isolés ?
- Pouvons-nous mesurer s'il améliore les résultats ?
- Les collaborateurs lui font-ils suffisamment confiance pour l'utiliser dans un travail significatif ?
Ce changement va remodeler la manière dont les entreprises évaluent leurs investissements en IA au cours des prochaines années. De nombreux outils autonomes auront du mal à prouver une valeur durable s'ils ne parviennent pas à s'intégrer en profondeur dans les environnements d'entreprise où le travail réel s'accomplit. Les plateformes qui combinent intelligence, contexte, gouvernance et exécution seront en meilleure position.
Si votre équipe évalue ce qu'il faut pour opérationnaliser l'IA à l'échelle de l'entreprise, le moment est venu d'aller au-delà de l'accès aux modèles et de vous demander ce qui fera réellement fonctionner l'IA au sein de votre entreprise.
Vous souhaitez découvrir ce qu'il faut pour passer des projets pilotes d'IA à un impact mesurable ? Demandez une démo de Glean.
