Google, accélère sa transition vers une 'IA orientée action'… en se concentrant sur le TPU 8, misant sur une plateforme d'intermédiation unifiée

L’intelligence artificielle pour les entreprises (AI) Le centre d’intérêt du marché évolue rapidement. Les analyses indiquent qu’on passe de la phase de réponse aux questions et de génération de contenu à celle d’“agents intelligents AI” qui exécutent réellement des tâches et assistent à la prise de décision. Thomas Kurian, PDG de Google Cloud, (Thomas Kurian) souligne que ce changement ne consiste pas simplement à ajouter des fonctionnalités, mais nécessite une refonte complète de l’infrastructure et de l’architecture logicielle.

Lors du récent sommet “Google Cloud Next 2026”, Google a également présenté la prochaine génération de TPU 8, la plateforme de données et d’IA, ainsi que la plateforme d’agents intelligents. Le message clé est clair : du semi-conducteur à l’infrastructure cloud, en passant par la pile de données, les modèles d’IA et les applications, tout doit être intégré dans un système unifié pour faire fonctionner de manière stable une “IA opérationnelle” à grande échelle. Le marché estime que Google a officiellement lancé une offensive pour dominer la “pile complète d’IA”.

TPU 8 en première ligne, une question de “plateforme unifiée”

L’annonce la plus remarquée est celle du TPU 8. Bien que Google affirme que cette nouvelle puce offre des améliorations significatives en performance et évolutivité, l’attention de l’industrie ne porte pas uniquement sur ses performances en semi-conducteurs, mais surtout sur sa portée stratégique. En effet, le TPU est au cœur de la capacité de Google à exploiter ses services d’IA plus rapidement et à moindre coût.

Cependant, cela ne peut pas être considéré comme une confrontation directe avec Nvidia. De nombreux développeurs et entreprises dépendent encore de l’écosystème CUDA de Nvidia, et Google ne cherche pas à l’éliminer, mais à élargir ses options. En d’autres termes, le TPU ressemble davantage à une tentative de Google de rapprocher matériel et logiciel pour se différencier, plutôt qu’à une arme pour détrôner Nvidia.

Les instituts de recherche et analystes du secteur soulignent que l’enjeu réel de cette annonce n’est pas tant le TPU 8 en soi, mais la manière dont Google le relie à sa plateforme de données, ses modèles d’IA avancés et sa plateforme d’agents intelligents. Cela indique que Google commence à relier semi-conducteurs, données, modèles d’IA et exécution de tâches dans une structure fluide.

Du “SaaS” au “logiciel de service”

Cette transformation remet également en question le cadre actuel de l’industrie logicielle. Le passage du déploiement local au logiciel en tant que service (SaaS) a changé la façon dont les logiciels sont livrés et exploités ; mais désormais, on pense que le logiciel évolue vers une étape où il génère directement des résultats commerciaux concrets, le “logiciel de service”.

Au cœur de cette évolution se trouve l’agent intelligent. Le problème est que si l’agent reste limité aux systèmes de différents départements, sa valeur sera très restreinte. Bien qu’il puisse automatiser des tâches répétitives simples, il sera difficile d’obtenir une amélioration globale des performances de l’entreprise, comme réduire le temps de recrutement, accélérer l’intégration, ou éliminer les goulets d’étranglement entre devis et paiement.

Finalement, les entreprises ont besoin d’une “couche intelligente” qui relie diverses données et systèmes métier. La “Knowledge Catalog” (catalogue de connaissances) lancée par Google peut être vue comme une étape vers cette direction. Sa structure vise à intégrer les données analytiques globales de l’entreprise avec ses données opérationnelles, aidant l’IA à comprendre “ce qui se passe”.

La compétition sur la plateforme de données s’étend désormais à la “réplique numérique”

Les acteurs du secteur estiment que la maturité des plateformes de données évolue de la simple génération de rapports à la construction d’une “réplique numérique de l’entreprise”. La réplique numérique est une représentation numérique en temps réel des personnes, des actifs, des processus et des activités de l’entreprise. Pour qu’un agent intelligent puisse juger et agir en se basant sur l’état en temps réel de l’entreprise plutôt que sur des informations fragmentées et peu précises, cette structure est essentielle.

Dans les premières phases, l’accent était mis sur les données et rapports au niveau des départements. Ensuite, l’émergence de plateformes comme BigQuery, Snowflake, Databricks a élargi l’environnement d’analyse en libre-service, mais chaque département conservait souvent sa propre “vérité” en matière de données. La prochaine étape consiste à refléter en temps réel les événements et les données opérationnelles, pour modéliser plus fidèlement l’activité de l’entreprise.

Salesforce et SAP travaillent aussi dans cette direction, mais Google, en intégrant BigQuery, Spanner et la couche de métadonnées, possède une plateforme de données capable de rivaliser frontalement avec Snowflake et Databricks dans le secteur du cloud à grande échelle, ce qui lui a valu une reconnaissance. La stratégie d’agents intelligents s’appuie précisément sur cette base de données.

La diffusion des agents intelligents repose sur la “sécurité d’exécution”

Le plus grand défi pour l’IA d’entreprise réside dans la connexion entre la flexibilité de l’IA générative et la rigueur des systèmes d’entreprise. L’IA excelle à générer du texte et à proposer des idées, mais les activités commerciales doivent respecter des règles strictes, avec des permissions claires, une traçabilité et une responsabilité bien définie. Par conséquent, l’industrie pense que pour que l’agent joue un rôle efficace, il doit s’appuyer sur une “couche d’exécution déterministe” au-dessus de la “créativité”.

Par exemple, même si l’agent doit atteindre un objectif, il doit aussi définir dans quelles conditions il peut agir, quelles conditions doivent être remplies avant et après l’exécution, et comment enregistrer les résultats. Seule une telle structure permettrait de créer une “IA sûre à faire fonctionner”, plutôt qu’une simple “IA intelligente”.

Dans ce processus, des concepts comme la connaissance graphique d’entreprise, la couche de règles comportementales, la réplique numérique en temps réel, et la plateforme d’exploitation autonome deviennent cruciaux. En résumé, l’IA doit dépasser le simple référentiel Excel ou tableau de bord, explorer l’état réel de l’entreprise et ses réseaux de relations, et agir dans un cadre de règles.

Les avantages et limites de Google sont également évidents

Google a réalisé des progrès significatifs dans l’extraction de métadonnées, la gestion de la traçabilité des données, la création de graphes de connaissances à partir de documents non structurés, et l’évaluation multi-étapes des agents intelligents. En particulier, sa capacité à résumer les cas d’échec des agents et à proposer des axes d’amélioration est considérée comme dépassant une simple démonstration, marquant une étape vers une “opération d’agents intelligents”.

Cependant, de nombreux défis subsistent. Le plus important est l’intégration des mêmes entités dispersées dans différents systèmes. Par exemple, si le “client” est défini différemment dans le CRM, la finance, le service client et la logistique, il sera difficile pour l’IA de le comprendre comme une seule entité. Certains soulignent que seules des règles de qualité des données et un glossaire métier ne suffisent pas, et qu’il faut aussi des règles capables d’exprimer les processus métier réels.

Un autre défi est de capturer le “pourquoi” des experts humains. Google renforce ses fonctionnalités pour montrer comment l’IA tire ses conclusions, mais cela reste insuffisant pour remplacer le jugement d’un employé expérimenté. En effet, les exceptions non explicables par des règles, les priorités conflictuelles, et les jugements contextuels dépendent largement de l’expérience humaine.

Le codage des agents ouvre la prochaine phase de compétition

Un autre champ de bataille pour la compétition entre plateformes d’agents intelligents est le “codage”. L’industrie pense que la voie la plus rapide vers des agents de connaissance générale est le codage d’agents. Car pour interagir avec le monde extérieur, un agent doit pouvoir appeler divers outils, et la capacité à écrire, modifier et exécuter du code devient essentielle.

Claude Code d’Anthropic, Codex d’OpenAI, en sont des exemples typiques. Google n’a pas mis en avant un produit de codage indépendant, mais l’a intégré dans sa plateforme.