That's a wrap! Votre bilan GenAI 2025 (+ votre AI Wrapped perso)

📰 AI NEWS
🛰️ Rétrospective GenAI 2025
🚀 Tendances qui se dessinent pour 2026

🛠️ AI TOOL
🤩 Les outils bluffants de 2025

🤖 Prompt Hack
⏪️ Générez votre “AI Wrapped 2025” !

AI NEWS 🗞️

📊 L'adoption en 2025 : entre usage individuel et déploiement d'entreprise

88% des entreprises déclarent utiliser l'IA dans au moins une fonction métier mais seulement 1% des dirigeants estiment que leurs déploiements sont réellement matures.

En effet, 82% des entreprises utilisaient l'IA générative chaque semaine fin 2025 et 75% déclarent un ROI positif mais ces chiffres reflètent surtout l'usage individuel : les collaborateurs utilisent ChatGPT, Claude, Gemini au quotidien pour écrire, coder, analyser. Le gain de productivité est réel mais souvent difficile à mesurer rigoureusement.

Côté projets GenAI réellement déployés à l'échelle entreprise par contre, c'est une autre histoire. 80% des organisations sont "engagées" dans des projets IA (pilotes, POC), mais seulement 5% passent réellement en production avec des gains mesurables (étude du MIT 2025 controversée discutée dans cette précédente édition). 30% des projets sont même abandonnés après POC selon Gartner.

Les coûts réels de déploiement tournent entre 5 et 20 millions de dollars, très loin des 100k annoncés. L'écart entre usage individuel (qui marche) et déploiement organisationnel (qui peine) reste énorme.

🤖 Les agents IA : une année 0 instructive

Ce qui était promis : 2025 devait être "l'année des agents IA autonomes", capables de gérer des workflows complexes de A à Z sans supervision humaine.

Ce qui s'est passé : Dernier trimestre 2025, on réalise finalement que les agents échouent en fait massivement même sur des tâches simples. 70% d'échec sur des tâches de bureau standards (l’IA ne peut pas fermer une popup sur un navigateur), 98% d'échec sur des tâches freelance tech/data. Andrej Karpathy (co-fondateur d'OpenAI) a même été très direct en disant : "Ils [les agents IA] ne fonctionnent tout simplement pas. Ça prendra environ une décennie." 🤯 

Ce qui marche quand même : Bien que les agents IA totalement autonomes ne soient pas encore au rendez-vous, les workflows orchestrés très bornés (le multi-agents), avec validation humaine sont eux, générateurs de valeur.

→ L'IA fait une partie bien délimitée (extraction de données, classification, génération de brouillon) → l'humain valide → l'IA passe à l'étape suivante.

C'est moins sexy que "l'agent autonome" mais ça livre des résultats en production. D'un point de vue technique, ça ressemble beaucoup à l'automatisation traditionnelle (pipelines ETL, RPA), avec l’utilisation de LLM pour remplacer certaines étapes rigides.

💻 L'IA et les développeurs : productivité complexe

L'IA peut ralentir de 19% les développeurs expérimentés sur leur propre codebase, selon une étude METR. On annonçait la mort des développeurs mais c’est loin d’être le cas. Le temps gagné à écrire du code avec l’IA est souvent perdu à vérifier, corriger et intégrer proprement. Ça ne veut pas dire que l'IA est inutile mais que son efficacité dépend énormément du contexte et de comment on structure le projet avec l’IA.

Ce qui change vraiment : En effet, l'IA oblige à devenir plus rigoureux sur l'architecture et le cadrage en amont. La productivité vient de la qualité de la préparation, pas de la génération automatique. Comme on l’a vu plus tôt, les agents IA autonomes ne fonctionnent pas encore, il faut de l’orchestration, des tests, du discernement dans les technologies et outils employés… Les développeurs ne sont pas morts, ils deviennent orchestrateurs de workflows mixtes : tech traditionnelle + IA (quand ça apporte de la valeur).

Le floutage des lignes dev/PM : Les PM/non-tech peuvent maintenant générer du code (prototypes, MVPs simples), tandis qu’on redonne aux devs le temps (et le droit) de mieux comprendre le "pourquoi" et les utilisateurs. Le risque côté PM et non-tech est de penser que coder est devenu simple et de ne pas voir les enjeux de sécurité, scalabilité ou dette technique.

🏢 Les projets GenAI en entreprise : les mêmes freins depuis 20 ans

Les blocages ne sont presque jamais "le modèle n'est pas assez puissant". C'est plutôt : documentation contradictoire ou obsolète, data quality insuffisante, gouvernance floue, processus mal définis. Ce sont les mêmes sujets depuis l'ère de la BI et du machine learning. La GenAI les rend juste plus visibles parce que les conséquences sont immédiates (un chatbot hallucine immédiatement) plutôt que différées (un rapport faux découvert 6 mois plus tard).

Un nouveau problème émerge : Il faut maintenant gouverner les agents eux-mêmes. GPTs custom, agents Dust, Gems de Gemini... qui crée quoi ? Qui maintient ? Sur quelles données ? On observe déjà du "shadow AI" : des agents créés anarchiquement, sans coordination, parfois avec des prompts contenant des données sensibles.

La confusion sur le ROI : Beaucoup de COMEX s'attendent à un ROI tangible, rapide, mesurable mais les projets tech non “client-facing” ont toujours eu ce problème : le ROI se mesure parfois en temps gagné, productivité accrue, risques évités. C'est moins tangible mais ce n'est pas nouveau avec l'IA et ça ne veut pas dire que c’est inutile (au contraire).

🌏 LLM, SLM et au delà !

Les géants américains (OpenAI, Google, Anthropic) investissent des milliards mais les gains marginaux diminuent et les coûts d'entraînement explosent. GPT-5, Gemini 2.0, Claude 4 apportent des améliorations réelles mais incrémentales.

Les modèles chinois (DeepSeek, Alibaba Qwen, Baidu, ByteDance) arrivent en force. Ils sont compétitifs en performance tout en étant beaucoup moins chers à entraîner et déployer. DeepSeek, par exemple, rivalise avec OpenAI sur de nombreux benchmarks pour une fraction du coût. Leur stratégie : open source agressif + optimisation hardware/software radicale. Ça pose des questions géopolitiques (souveraineté, valeurs encodées) mais leur compétitivité prix/performance est difficile à ignorer.

Les Small Language Models (SLM) gagnent du terrain. Moins chers, plus rapides, plus faciles à déployer on-premise. On va probablement vers une spécialisation : gros modèles pour les tâches complexes, SLM pour le reste.

Et au-delà des LLM ? Yann LeCun et d'autres poussent pour les "world models" : des systèmes capables de modéliser le monde physique, de planifier, de simuler des conséquences. Pas juste prédire du texte mais comprendre des états du monde. C'est encore de la recherche mais ça pourrait être la prochaine frontière après les LLM. À suivre.

⚠️ Les zones d'ombre : fraude et environnement

Deepfakes en entreprise

En 2024, un employé a validé un virement de 25 millions de dollars après une visioconférence truquée par des deepfakes. L'IA a "industrialisé" certaines menaces et la cybersécurité devient une course entre “l'IA en tant que bouclier” et “l'IA en tant qu’arme”.

Impact environnemental

La consommation d'énergie de l'IA pourrait être multipliée par 10 d'ici 2030. Certaines entreprises commencent à adopter le SAIQ (Sustainable AI Quotient) : mesurer le coût en carbone et en eau par token généré. Le ROI ne sera plus seulement financier mais aussi écologique.

Reste à voir si ça devient un vrai critère de décision ou juste du greenwashing.

📝 Retours d’expérience

Dans mes interventions et ateliers auprès de dirigeants et de COMEX, j'ai pu d’abord constater un déplacement net de l'intérêt pour la GenAI au cours de l'année : de l'inquiétude en début 2025 (est-ce que ça va remplacer mon job / détruire ma société ?) à l’adoption massive fin 2025 (comment ça marche ? Comment prendre le train ?).

Voici certaines situations qui illustrent bien les défis et apprentissages de cette année 2025. Elles semblent anecdotiques mais révèlent en fait des blocages structurels qui freinent la transformation IA à grande échelle.

▶️ Les capacités GenAI vs produit complet

Une confusion revient régulièrement, surtout auprès de dirigeants non techniques : les LLM sont tellement puissants qu'on a du mal à comprendre la différence entre ce qu'ils font et un produit complet.

Quand on voit ChatGPT analyser des documents, extraire des informations, répondre à des questions complexes, on se dit : "Pourquoi on ne peut pas juste lui demander de tout faire automatiquement ?"

Un LLM est excellent pour comprendre et générer du contenu mais pour un système fiable et automatisé, il faut souvent de la tech traditionnelle autour : orchestration pour enchaîner les étapes, APIs pour se connecter à d'autres systèmes, validations pour limiter les hallucinations, gestion d'erreurs robuste.

La frontière entre "impressionnant en démo" et "fiable en production" n'est pas toujours évidente et cette confusion crée des budgets sous-estimés, des plannings irréalistes et parfois des tensions entre IT et directions métiers.

▶️ Mesurer le ROI autrement

Comme évoqué plus tôt, beaucoup d'organisations peinent à mesurer le ROI de leurs projets IA(G). Quand on creuse, on découvre que les métriques se concentrent surtout sur la croissance directe ou les revenus mais moins sur le temps gagné ou les coûts évités.

Il manque peut-être des indicateurs adaptés pour mesurer "notre équipe passe 3h de moins par semaine sur des tâches répétitives" ou "on a évité X erreurs manuelles". Ce n'est pas propre à l'IA Générative, mais l'IA Générative remet cette question au centre des discussions et sans métriques adaptées, les investissements IA peuvent être difficiles à justifier en COMEX.

▶️ La force de la GenAI : rendre les problèmes visibles

Ce qui est remarquable, c'est que la GenAI rend les sujets sensibles immédiatement tangibles. Quand un dirigeant utilise l'IA sur sa propre documentation et voit directement les limites (informations manquantes, contradictions, données mal structurées), ça devient concret, ce n'est plus un sujet abstrait que l’IT doit traiter dans son coin.

J’ai vécu des moments très intéressants avec certains COMEX où des équipes dirigeantes en pleine expérimentation se sont posées en live des questions très concrètes sur la structuration de leur documentation, le choix d'outils, la gouvernance des données. Et la réalisation de ces blockers directement en session a permis d’accélèrer les prises de décision sur des chantiers qui traînaient parfois depuis des années.

Ce qu’on peut en dire :

Les défis de 2025 ne sont pas tant techniques qu'organisationnels et culturels. Comprendre ce que l'IA peut faire réellement (vs ce qu'on imagine), adapter les métriques de mesure, structurer les fondations, rester pragmatique sur les choix technologiques.

La bonne nouvelle : ces sujets deviennent enfin concrets et prioritaires.

Prochaine étape que je commence à voir émerger dans plusieurs organisations, on n’est plus sur l’adoption de l’IA Générative, mais sur sa structuration : clarifier les usages, poser une stratégie IA élargie, une gouvernance, établir des garde-fous, aligner les équipes et passer des POCs à du déploiement réel et maîtrisé.

NB : Les questions de dépendance géopolitique et de souveraineté des données sont également beaucoup abordées.

🔮 Signaux pour 2026 (entre autres)

1. La mémoire d'entreprise devient un enjeu stratégique

Le grand défi de 2026 : passer d'une IA "amnésique" à une IA dotée d'une mémoire persistante. 70% des échecs actuels sont dus à un manque de contexte métier, pas à la qualité du modèle.

Les entreprises qui investissent dans leur "mémoire organisationnelle" (bases de connaissances structurées, documentation à jour, historique d'interactions) auront un avantage net sur celles qui comptent uniquement sur la puissance brute des modèles.

2. L'agentic AI devient infrastructure (mais orchestrée, pas autonome)

Les agents ne fonctionnent pas encore de manière autonome mais les workflows orchestrés très bornés commencent à se déployer. Le marché pourrait passer de 12-15 Md$ en 2025 à 80-100 Md$ en 2030. Les entreprises qui ont investi dans leurs fondations (data quality, gouvernance, formation) devraient accélérer. Les autres resteront à la traîne.

3. Gouvernance sur deux fronts

Réglementaire : L'EU AI Act entre en vigueur par étapes. Transparence et auditabilité deviennent obligatoires. Les organisations qui anticipent pourraient avoir un avantage sur les marchés régulés (santé, finance, secteur public).

Entreprise : La gouvernance de la prolifération des agents devient critique. Plusieurs plateformes émergent pour offrir inventaire centralisé, gestion des accès, audit des actions. Les entreprises qui ne structurent pas cette gouvernance risquent le chaos : agents contradictoires, shadow AI, pertes de données sensibles.

4. Spécialisation verticale et redistribution des cartes

L'innovation passe de la course à la taille à la spécialisation. Des modèles conçus spécifiquement pour un domaine (finance, santé, juridique) offriront de meilleures performances que les modèles généralistes. Les reasoning models comme o1 d'OpenAI trouveront leurs niches (finance complexe, recherche scientifique).

Le modèle DeepSeek R1 a montré qu'on pouvait atteindre des performances de pointe avec des coûts d'entraînement drastiquement réduits. Ça remet en question la logique "il faut dépenser des milliards pour être compétitif". Si cette approche se confirme, on pourrait voir une redistribution des cartes : moins de concentration chez les géants, plus de place pour des acteurs agiles.

5. GEO (Generative Engine Optimization) : le nouveau SEO

Le SEO traditionnel évolue (le référencement traditionnel a même vécu son plus grand séisme avec l’arrivée de la GenAI). Avec plus de 50% de recherches "zero-click" prévues en 2026 (l'IA répond directement sans cliquer sur un lien), les entreprises doivent optimiser leurs contenus pour être cités directement par les réponses des IA (et non plus de Google Search uniquement).

Concrètement : structurer ses contenus pour qu'ils soient facilement extractibles, sourcés, vérifiables. Les techniques de bourrage de mots-clés deviennent obsolètes.

📌 En synthèse

2025 a été l'année du passage de l'expérimentation à l'infrastructure. L'IA fonctionne mieux quand elle est bien cadrée (données propres, architecture claire, processus définis, gouvernance établie). Elle déçoit quand on délègue sans comprendre.

Les rôles changent : développeurs qui orchestrent au lieu de juste coder, PMs qui codent mais risquent de sous-estimer la complexité, dirigeants qui doivent recalibrer leurs attentes sur le ROI.

L'écosystème se recompose : chinois en force, SLM qui gagnent du terrain, spécialisation verticale vs course à la taille, gouvernance qui devient un avantage concurrentiel.

2026 continuera probablement cette maturation mais on serait bien en peine de pouvoir prédire précisément ce qu’il en sera 😅 

🔗 Sources

• Gartner Predicts 30 Percent of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025

• METR, AI coding tools productivity study

• IBM Think Insights - AI Agents 2025: Expectations vs Reality

• Carnegie Mellon - TheAgentCompany benchmark 

• CAIS/Scale AI - Remote Labor Index 

• Andrej Karpathy - Dwarkesh Podcast

• Microsoft 365 Blog - Microsoft Agent 365: The control plane for AI agents

AI TOOLS 🛠️

🤩 Les outils qui m’ont bluffés en 2025

🧠 NotebookLM

NotebookLM est probablement l’outil qui a le plus évolué cette année.

D’un outil de recherche et structuration documentaire basique et pas très user-friendly (même si très efficace) à un produit complet, les fonctionnalités 2025 ont changé le visage de cet outil !

• Mind maps interactives : À partir de vos documents, NotebookLM génère des cartes mentales automatiques qui visualisent les liens entre concepts. Ça aide énormément à structurer sa pensée sur un sujet complexe ou s’y retrouver dans un tas de documents. Retrouver l’édition ici.

• Génération d'infographies et de slides : Vous pouvez demander à NotebookLM de créer des visuels synthétiques de vos recherches ou des slides sur différentes notes.

  Simple, rapide et très efficace pour transformer de la recherche en contenu partageable. Vraiment puissant.

• Rapports structurés : La fonction de génération de rapports s'est beaucoup améliorée. NotebookLM peut maintenant produire des synthèses organisées avec sommaire, sections thématiques, citations sourcées.

• Audio Overview : La fonctionnalité podcast est devenue vraiment impressionnante. Deux voix IA discutent de vos documents, dans la langue souhaitée, comme dans un vrai podcast de vulgarisation. C'est parfait pour réviser ou comprendre un sujet complexe en marchant / roulant.

Exemple de mind map générée

Infographie générée sur NotebookLM sur la base d’articles sur la sortie de Gemini 3

🔗 Accès : https://notebooklm.google.com

🍌 “Nano Banana” (Gemini Flash 2.0 & 2.5 Image)

Encore une très belle surprise côté génération d’images cette année !

▶️ Ce que ça fait : Entrez n’importe quel prompt et obtenez des images réalistes et cohérentes entre les itérations.

Vous pouvez aussi envoyer une image existante et demander à coloriser (cas d’une photo noir et blanc), ajouter un élément (habiller votre chien 😉), générer une image pour illustrer votre produit, .. les cas d’usage sont illimités ! L’expérience est très fluide et c’est typiquement le genre d’outil qui fait gagner du temps et de l’énergie mentale.

👉️ Retrouvez les éditions qui en parlent : ici et là.

🔗 Accès par Google AI Studio : https://aistudio.google.com

🎬 Google Veo 3

Veo 3 de Google à frappé fort en 2025 et à marqué un vrai cap sur la génération vidéo !

• meilleure compréhension de l’intention,

• des mouvements plus naturels,

• narration visuelle plus maîtrisée.

L’exemple de la publicité Kalshi générée par IA et diffusée pendant la NBA est assez parlant :

👉️ Retrouvez les éditions qui en parlent : ici et ici.

🔗 A tester ici : Gemini

🤖 Prompt Hack du moment

#14. ⏪️ Générez votre “AI Wrapped 2025” !

À la manière de Spotify Wrapped, demandez à votre IA préférée (ChatGPT, Gemini, Claude) de vous faire un récap de votre année d'interactions ! Si vous avez activé la mémoire, vous aurez des insights intéressants 😉 

🪄  Prompt magique (à copier-coller) :

Tu es un analyste de données personnalisé. 

En te basant sur notre historique de conversations, crée mon "Wrapped 2025" qui inclut :
- Les thèmes principaux abordés (avec % approximatif)
- Les types de demandes les plus fréquentes (ex : rédaction, code, coaching…)
- Ma fréquence d'utilisation (quotidienne, hebdomadaire, etc.)
- Le volume estimé d’interactions par mois
- Un insight surprenant sur ma façon d'utiliser l'IA
- Une synthèse sur mon style d’interaction avec l’IA
- Une recommandation personnalisée pour optimiser mon usage en 2026

Ajoute une touche fun dans la présentation (émoticônes, classements, etc.).

💡 Bonus

Si vous l’utilisez depuis plusieurs années, demandez-lui d’analyser l’évolution de vos interactions dans le temps ! Un mini-voyage dans le temps version IA ! ✨ 

🔥 Bonus 2

Si vous avez Claude, demandez lui un dashboard interactif, effet garanti !

🎯 Résultat

Un retour fun et ludique sur votre année avec l’IA 🤝.
Comprenez mieux votre relation à ces outils, identifiez vos façons d’interagir et identifiez les usages à développer (ou à rééquilibrer) pour 2026. 🎯🧠

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !