[Observations Yunqi] La conférence Yunqi n’est pas une réponse : c’est la carte sur laquelle l’industrie de l’IA pose ses paris

Cette année, en parcourant la conférence Yunqi, mon principal éclairage n’a pas été de retenir quelques nouveaux modèles ou quelques nouvelles entreprises — c’est ma manière d’aborder un salon qui, elle, a changé.

Auparavant, en assistant à des conférences tech, on avait tendance à appliquer quelques réflexes par défaut : la direction sur laquelle insistent les grands acteurs représente probablement l’avenir ; les concepts qui reviennent sans cesse sur scène relèvent sans doute du consensus sectoriel ; un produit déjà exposé sur un stand semble signifier qu’il est déjà suffisamment mature.

Après en avoir vu beaucoup, on bascule facilement dans l’excès inverse : la conférence n’est qu’une opération marketing, les stands ne sont que de la publicité, les slides ne sont que du packaging.

Ces deux visions sont paresseuses.

Un salon a évidemment une dimension marketing, mais le marketing lui-même est une information. Quand un éditeur engage budget, chefs de produit, équipes d’ingénierie, équipes commerciales et mètres carrés de stand dans une direction donnée, cela dit au moins deux choses : ce qu’il veut que le marché croie, et à quelle question il tente d’apporter une réponse industrialisée.

C’est pourquoi je préfère désormais considérer les grandes conférences tech comme un terrain d’échantillonnage industriel à haute densité. Elles ne donnent pas les réponses, mais elles donnent des échantillons, des signaux, des contre-exemples — et la carte des paris que le secteur fait sur son avenir.

1. Décomposer l’effervescence d’un salon en niveaux de preuve distincts

Cette fois, j’ai commencé à décomposer volontairement une direction technologique en cinq niveaux :

Couche narrative → Couche produit → Couche production → Couche métier → Couche revenus
(Narrative → Product → Production → Business → Revenue)

Au sommet se trouve la couche narrative (Narrative) — ce que les éditeurs veulent faire croire au marché. Par exemple : les agents deviendront le nouveau point d’entrée du travail, les entreprises auront besoin d’architectures AI-native, le contexte deviendra un actif stratégique, les systèmes multi-agents prendront en charge des tâches toujours plus complexes. Ces récits comptent, car ils révèlent où se déplacent l’attention et les capitaux des organisations — mais ils restent avant tout des paris et des convictions.

En dessous vient la couche produit (Product) — ce qui a déjà été construit, montré, exposé et livré : interfaces complètes, API, consoles, plateformes de gouvernance. Elle signale qu’un cap a été franchi, du concept vers la industrialisation. Reste qu’entre « démontrable sur un stand » et « exploitable de façon stable sur la durée », l’écart reste considérable.

Plus bas encore, la couche production (Production) — le moment où le produit s’intègre réellement aux processus du client, tourne en continu, et se heurte aux réalités du terrain : droits d’accès, données, audit, reprise, coûts, coordination entre équipes. C’est seulement à ce stade qu’un système entre véritablement en production.

Plus bas, la couche Business — et il faut continuer à creuser : concrètement, qu’est-ce qui change après la mise en production ? Le cycle de livraison se raccourcit-il ? Le taux de conversion grimpe-t-il ? Les coûts opérationnels baissent-ils ? Le volume de tests créatifs publicitaires augmente-t-il ? Ou bien s’agit-il tout simplement de rendre exécutable un processus métier jusqu’alors bloqué ?

Tout en bas, et c’est la couche la plus concrète, la couche Revenue : le client est-il prêt à payer dans la durée, pour quel résultat précis, et à quelles conditions le renouvellement se déclenche-t-il.

Cette grille de lecture sert précisément à éviter de mélanger des preuves de nature différente. Un stand sur un salon prouve qu’une direction mérite d’être exposée. Une table ronde prouve qu’un éditeur veut ancrer un certain récit dans l’esprit des décideurs. Un cas client solide renforce la crédibilité des couches Production et Business. Seule la monétisation récurrente permet de valider la couche Revenue.

Autrement dit, le simple fait qu’un axe fasse beaucoup de bruit lors d’un grand événement ne permet pas d’en conclure qu’il faut s’y engager dès maintenant.

Deux. Le changement le plus visible cette fois : au-dessus des modèles, les couches se multiplient

Ces dernières années, quand on parlait d’IA, l’attention se portait quasi exclusivement sur le modèle : nombre de paramètres, benchmarks, capacités de raisonnement, tarification, fenêtre de contexte, qualité d’image, performance en code.

Sur place cette fois-ci, j’ai nettement senti le centre de gravité se déplacer.

Le modèle garde son importance, mais la couche système qui l’enrobe s’épaissit nettement. Fondations de données, accès aux modèles, gouvernance des tokens, agent runtime, sandbox, context, memory, skills, browser use, computer use, verification, observability, permissions, audit, maîtrise des coûts — de plus en plus de capacités se détachent pour devenir des produits à part entière.

La raison est limpide : entre un modèle qui sait répondre à des questions et un modèle qui s’intègre dans un pipeline de production pour livrer un travail fiable, il y a tout un système d’ingénierie à construire.

Une journée dans les allées d’un salon professionnel suffit pour voir cinq ou six produits aux noms radicalement différents converger vers une même architecture sous-jacente. QwenWork met en scène des agents qui orchestrent plusieurs outils au sein d’environnements isolés pour mener à bien leurs tâches. Qoder articule sa démarche autour du contexte, des spécifications (Spec), du harnais de test (Harness), de la vérification (Verification), de la mémoire et du routage multi-modèles. TinyFish, éditeur indépendant présent sur le salon, pousse ses agents à exécuter des tâches dans le web réel. WonderClip décompose la production vidéo en script, storyboard, ressources, génération, revue, versionnage et production en série. La recherche agentique (Agentic Search) d’Alibaba Cloud OpenSearch pousse quant à elle la recherche vers la planification (Planning), le raisonnement (Reasoning), la mémoire (Memory), l’action (Action) et l’évaluation (Evaluation).

À première vue, ces produits semblent appartenir à des domaines totalement distincts ; pourtant, leur soubassement technique raconte la même histoire :

Contexte → Planification → Compétence → Exécution → Vérification → Mémoire → Résultat métier
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Les modèles deviennent progressivement un composant parmi d’autres, et la valeur du produit se déplace vers les couches supérieures du système.

III. Le contexte passe du « matériau d’entrée » à un actif de long terme

Lors d’une session, Qoder (assistant de codage d’Alibaba) affichait un slide sans détour :

Model power is a commodity. Context is the asset.

L’affirmation est évidemment orientée par l’éditeur, mais elle pointe un vrai problème : plus les modèles gagnent en puissance et plus leur coût d’accès baisse, plus ce qui détermine si un agent peut travailler dans la durée, c’est bien ce qu’il sait au fond.

Un projet logiciel mature regorge de contraintes d’architecture, de décisions historiques, de dépendances entre modules, de conventions de code, d’écueils documentés, d’historiques de mise en production. Une entreprise abrite des liens hiérarchiques, des habilitations, des procédures opérationnelles (SOP), de la documentation, des fils de messagerie, des règles métier, l’état de chaque client. Une marque capitalise des informations produits, des chartes graphiques, des assets accumulés, des données de campagnes, des contraintes de canaux.

Or aucune de ces informations n’apparaît automatiquement sous prétexte qu’on a branché un modèle plus puissant.

C’est pourquoi Qoder propose un wiki de dépôt (Repo Wiki), de la mémoire (Memory) et des fiches de connaissance (Knowledge Cards) ; QwenWork met l’accent sur le contexte d’entreprise (Enterprise Context) ; OpenSearch insiste sur la mémoire à long terme, la mémoire de tâche et la compression de contexte. Tous cherchent à résoudre le même problème : éviter que l’agent doive, à chaque exécution, réappréhender le monde depuis zéro.

Cela signifie aussi que la valeur à long terme des bibliothèques de prompts (Prompt Library), que de nombreuses équipes aimaient accumuler par le passé, est probablement surestimée. Le prompt s’apparente davantage à une manière d’invoquer une tâche ponctuelle ; ce qui compose réellement, ce sont le contexte métier, l’historique des décisions, les résultats de validation, les causes d’échec et les compétences réutilisables.

IV. L’unité de concurrence des produits IA migre d’« une fonctionnalité » vers « un travail complet »

L’impression dégagée par WonderClip est particulièrement parlante.

À ne regarder que la liste des capacités, beaucoup paraissent peu inédites : génération d’images, génération de vidéos, traduction, doublage, remplacement de plans, production en série. Pris isolément, chaque fonctionnalité peut facilement être rattrapée par un éditeur de modèles, un logiciel de montage ou n’importe quel autre SaaS.

Mais la structure de produit présentée en direct s’oriente déjà vers un système de production bien plus complet :

Téléverser le script → Examiner le découpage → Préparer les assets → Générer en masse

Viennent ensuite Storyboard, Canvas, compétences personnalisées, assets partagés, collaboration d’équipe et gestion des versions. Le produit replace la « génération » au cœur du workflow.

Il y a là un enseignement direct pour qui conçoit des applications d’IA.

Si le cœur du produit reste « téléverser quelque chose, laisser l’IA le traiter, télécharger le résultat », la prochaine montée de version du modèle viendra facilement compresser sa valeur. La voie la plus sûre consiste à s’emparer de toute la tâche que l’utilisateur cherchait à accomplir à la base.

Prenons la production de contenu e-commerce : changer un produit, changer un décor, traduire, doubler — pris isolément, tout cela reste superficiel. En remontant d’un cran, l’objet du produit devrait progressivement devenir la marque (Brand), la référence produit (SKU), la campagne (Campaign), le marché (Market), la stratégie créative (Creative Strategy), les variantes (Variants), les canaux de diffusion (Distribution) et la performance (Performance). La génération n’est qu’un exécuteur ; la vraie valeur vient de l’ensemble du flux des opérations créatives (Creative Operations Workflow).

V. Les agents passent de « répondre aux questions » à « accomplir des tâches »

En écoutant aujourd’hui la présentation sur la recherche agentique d’Alibaba Cloud OpenSearch, un schéma retraçant l’évolution du search m’a particulièrement frappé.

À ses débuts, la recherche consistait à faire passer une requête (Query) à une liste de résultats (Results). L’IA générative a fait passer le schéma d’une question (Question) à une réponse (Answer). La recherche agentique franchit un cap supplémentaire : on ne cherche plus à obtenir un résultat, mais à atteindre un objectif (Goal) en passant à l’action (Action).

Autrement dit, la recherche elle-même est en train de se repositionner.

Demain, un agent de recherche (Research Agent) pourra décomposer automatiquement une question, bâtir un plan de requêtes, interroger plusieurs sources, compléter la recherche, recouper les informations, formuler des conclusions intermédiaires, puis mobiliser d’autres outils pour poursuivre la tâche. L’API de recherche ne ressemble plus à un simple point d’accès à des contenus : elle devient une infrastructure fournissant aux agents le contexte externe dont ils ont besoin.

Cela change aussi la manière dont on observe le référencement — aussi bien le SEO (Search Engine Optimization) que le GEO (Generative Engine Optimization). Auparavant, on surveillait surtout les impressions (Impression), les clics (Click) et le positionnement (Ranking). Désormais, il faudra aussi observer la visibilité IA (AI Visibility), les citations (Citation), les mentions (Mention) et le trafic généré par les IA (AI Referral), et vérifier si ce flux se traduit par des inscriptions (Signup), des conversions payantes (Paid) et de la rétention (Retention).

La recherche n’a pas disparu. Elle commence à s’intégrer dans des boucles de tâches plus larges.

VI. Le véritable enjeu de l’IA en entreprise : le passage à l’organisation

Lors de la conférence, les aspects techniques de l’IA en entreprise ont été largement abordés : données, permissions, sécurité, gouvernance, intégration des modèles, architecture cloud, plateformes d’agents.

Tout cela compte. Pourtant, après avoir écouté plusieurs retours d’expérience terrain, une autre question m’a semblé plus décisive :

Qui est réellement incité à s’en servir ?

Imaginons un collaborateur qui, grâce à l’IA, parvient à réduire une tâche de 8 heures à 5 heures. Que deviennent les 3 heures ainsi libérées ? Si la seule réponse de l’organisation est « on lui confie davantage de travail », sa motivation à promouvoir activement l’IA restera probablement très limitée.

Autre cas de figure : si les KPI de l’équipe IA portent sur le nombre d’agents déployés et le volume d’appels, elle aura intérêt à empiler les fonctionnalités ; l’équipe métier absorbe le coût de refonte des processus ; les équipes IT et sécurité portent le risque d’incidents ; et l’amélioration du chiffre d’affaires reste difficile à attribuer clairement. Dans ce type de configuration organisationnelle, même lorsque la technologie est prête, le déploiement au concret risque d’avancer au ralenti.

L’IA en entreprise ne peut pas se résumer à l’architecture : c’est la conception des mécanismes d’incitation (Incentive Design) qui constitue le véritable plafond.

On peut acheter une solution à un problème technique ; un problème organisationnel, en revanche, l’argent n’en vient pas toujours à bout. Tout projet devrait au minimum faire clarifier les points suivants : le rôle (Role), les indicateurs clés de performance (KPI), le bénéfice attendu (Benefit), le coût (Cost), le risque (Risk) et le droit de décision (Decision Right). Qui perçoit le bénéfice assume le risque, détient le droit de décision et porte la responsabilité du résultat.

La plupart des prétendus « problèmes de déploiement de l’IA » ne sont, en fin de compte, que des problèmes de design organisationnel.

7. Les indicateurs les plus trompeurs sont souvent les plus intuitifs

Une slide de Qoder m’a marqué :

Generation rate is a vanity metric.

Sur place, on a comparé la part de code généré par IA à différentes étapes du projet, tout en soulignant que le délai de livraison (Delivery Cycle) n’avait pas raccourci dans les mêmes proportions. Les chiffres présentés proviennent d’études de cas du fournisseur et ne sauraient servir directement de référence sectorielle (Benchmark), mais le raisonnement qui les sous-tend reste valable.

Quand l’IA abaisse le coût de l’écriture de code, le goulot d’étranglement se déplace : il remonte vers l’expression du besoin (Requirement), le contexte (Context), l’architecture (Architecture), la revue (Review), les tests (Test), l’intégration (Integration), le déploiement (Deployment) et la recette (Validation).

Le taux de génération de code, le nombre de tokens, le nombre d’agents, le volume d’appels ou d’images produites peuvent alors devenir des indicateurs d’efficacité locale. Ce qui compte vraiment, c’est le résultat de bout en bout : le délai de livraison (Lead Time) a-t-il raccourci ? le temps humain mobilisé (Human Minutes) a-t-il baissé ? le taux de première acceptance (First-pass Acceptance Rate) a-t-il augmenté ? le coût par tâche acceptée (Cost per Accepted Task) a-t-il diminué ? et, in fine, les indicateurs métier ont-ils bougé ?

Cette conférence m’a surtout rappelé une chose : ne pas se laisser éblouir par « tout ce que l’IA a produit », mais regarder ce que « le système dans son ensemble y a gagné ».

Huit. La conférence offre des mises, mais la décision reste chez vous

Le piège classique d’une conférence, c’est de laisser le monde extérieur dicter vos priorités.

Un sujet beaucoup abordé sur scène semble soudain incontournable ; un investissement massif d’un grand acteur donne l’impression qu’il faut suivre ; un produit paraît en avance, et l’on se sent obligé d’en monter un équivalent.

Aujourd’hui, je préfère ramener tout cela à une question bien plus simple :

Cette information modifie-t-elle l’une de mes décisions ?

Si elle ne fait que me paraître « intéressante », elle reste un simple input.

Si elle me pousse à reconsidérer le choix entre construire (Build), acheter (Buy) ou ignorer (Ignore), à redéfinir le périmètre d’un produit, à abandonner un chantier à faible valeur, à repenser un workflow, ou à reformuler un indicateur expérimental, alors elle entre vraiment dans le champ de la décision.

L’Apsara Conference (conférence cloud annuelle d’Alibaba) n’apporte pas de réponse.

Elle ressemble plutôt à une carte des paris industriels. Une carte qui révèle où les autres se dirigent, quelles routes commencent à se congestionner, quelles infrastructures prennent forme, et quels problèmes entament leur phase d’industrialisation à grande échelle.

La voie finale, en revanche, reste dictée par nos propres objectifs, contraintes, ressources et preuves.

C’est précisément ce que je veux retenir de ma participation aux conférences technologiques : observer davantage de paris, tout en conservant le pouvoir de jugement.

Si vous évaluez par où l’IA d’entreprise devrait démarrer, quelles orientations méritent un investissement, et lesquelles relèvent du simple effet de mode, n’hésitez pas à en discuter. Nous accompagnons les transformations IA en entreprise — du choix technologique à la conception organisationnelle, jusqu’au système de mesure — pour transformer « l’effervescence des conférences » en « votre propre jugement ». Contact : [email protected].

Pour aller plus loin : « AI 转型七步框架 » (« Sept étapes pour une transformation IA »), un cadre complet pour structurer le déploiement de l’IA en entreprise.

À propos de cette série

« 云栖观察 » (Observations depuis Yunqi) est la nouvelle série de terrain lancée par IAIUSE. Elle prend le départ de la Conférence Yunqi 2026 — grand rendez-vous annuel d’Alibaba à Hangzhou — et décompose, avec le regard d’un chercheur, les véritables mutations à l’œuvre dans l’industrie de l’IA : sans courir après les effets de mode, en regardant uniquement où vont les paris et quelle est la solidité des preuves.

La série, qui compte une dizaine d’articles, couvre des sujets tels que : la couche système au-dessus des modèles, le déploiement des Agents, les actifs de Contexte, la conception organisationnelle de l’IA en entreprise, ou encore la migration de l’unité de concurrence dans les produits IA.

Je dispose de près de huit ans d’expérience en conseil et en analyse commerciale pour les grandes entreprises. J’ai d’abord travaillé chez IBM, sur des projets dans les télécoms, la finance, l’assurance et l’industrie manufacturière. J’ai ensuite poursuivi en première ligne sur des produits d’opérateur, des produits Internet et le développement d’applications IA — de l’analyse du besoin à la conception produit, jusqu’à l’exécution transverse. Les analyses de cette série reposent sur mes observations de terrain et sur une validation croisée avec le secteur. Elles portent une prise de position assumée de l’auteur et ne défendent aucun éditeur.