Si 2025 a été l’année où l’IA a fait l’objet d’un test d’ambiance, 2026 sera l’année où la technologie deviendra pratique. L’accent est déjà mis sur la construction de modèles de langage toujours plus grands et sur le travail plus difficile consistant à rendre l’IA utilisable. En pratique, cela implique de déployer des modèles plus petits là où ils s’intègrent, d’intégrer l’intelligence dans des appareils physiques et de concevoir des systèmes qui s’intègrent parfaitement aux flux de travail humains.
Les experts de TechCrunch ont parlé de considérer 2026 comme une année de transition, une année qui évolue de la mise à l’échelle par force brute à la recherche de nouvelles architectures, des démos flashy aux déploiements ciblés, et des agents qui promettent l’autonomie à ceux qui améliorent réellement la façon dont les gens travaillent.
La fête n’est pas finie, mais l’industrie commence à se dégriser.
La mise à l’échelle des lois ne suffira pas
En 2012, l’article ImageNet d’Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton a montré comment les systèmes d’IA pouvaient « apprendre » à reconnaître des objets dans des images en examinant des millions d’exemples. L’approche était coûteuse en calcul, mais rendue possible grâce aux GPU. Le résultat ? Une décennie de recherche approfondie sur l’IA au cours de laquelle les scientifiques ont travaillé pour inventer de nouvelles architectures pour différentes tâches.
Cela a culminé vers 2020 lorsque OpenAI a lancé GPT-3, qui a montré comment le simple fait de rendre le modèle 100 fois plus grand débloque des capacités telles que le codage et le raisonnement sans nécessiter de formation explicite. Cela a marqué la transition vers ce que Kian Katanforoosh, PDG et fondateur de la plateforme d’agents d’IA Workera, appelle « l’ère de la mise à l’échelle » : une période définie par la conviction que davantage de calculs, plus de données et des modèles de transformateurs plus grands seraient inévitablement à l’origine des prochaines avancées majeures en matière d’IA.
Aujourd’hui, de nombreux chercheurs pensent que l’industrie de l’IA commence à épuiser les limites des lois d’échelle et va à nouveau entrer dans l’ère de la recherche.
Yann LeCun, ancien scientifique en chef de l’IA chez Meta, s’oppose depuis longtemps à une dépendance excessive à l’égard de la mise à l’échelle et souligne la nécessité de développer de meilleures architectures. Et Sutskever a déclaré dans une récente interview que les modèles actuels plafonnent et que les résultats de la pré-formation sont flatteurs, indiquant un besoin de nouvelles idées.
Événement Techcrunch
San Francisco
|
13-15 octobre 2026
« Je pense qu’au cours des cinq prochaines années, nous trouverons très probablement une meilleure architecture qui constituera une amélioration significative par rapport aux transformateurs », a déclaré Katanforoosh. « Et si nous ne le faisons pas, nous ne pouvons pas nous attendre à beaucoup d’améliorations sur les modèles. »
Parfois, moins c’est plus
Les grands modèles linguistiques sont excellents pour généraliser les connaissances, mais de nombreux experts affirment que la prochaine vague d’adoption de l’IA en entreprise sera tirée par des modèles linguistiques plus petits et plus agiles, qui pourront être affinés pour des solutions spécifiques à un domaine.
« Les SLM affinés seront la grande tendance et deviendront un incontournable utilisé par les entreprises d’IA matures en 2026, car les avantages en termes de coût et de performances stimuleront l’utilisation par rapport aux LLM prêts à l’emploi », a déclaré Andy Markus, directeur des données d’AT&T, à TechCrunch. « Nous avons déjà vu des entreprises s’appuyer de plus en plus sur les SLM car, s’ils sont correctement réglés, ils correspondent aux modèles plus vastes et généralisés en termes de précision pour les applications commerciales d’entreprise et sont excellents en termes de coût et de rapidité.
Nous avons déjà vu cet argument de la part de la startup française d’IA Mistral : elle affirme que ses petits modèles fonctionnent en fait mieux que les modèles plus grands sur plusieurs benchmarks après un réglage fin.
« L’efficacité, la rentabilité et l’adaptabilité des SLM les rendent idéaux pour les applications sur mesure où la précision est primordiale », a déclaré Jon Knisley, stratège en IA chez ABBYY, une société d’IA d’entreprise basée à Austin.
Alors que Markus pense que les SLM seront essentiels à l’ère agentique, Knisley affirme que la nature des petits modèles signifie qu’ils sont plus adaptés au déploiement sur des appareils locaux, « une tendance accélérée par les progrès de l’informatique de pointe ».
Apprendre par l’expérience
Les humains n’apprennent pas seulement par le langage ; nous apprenons en expérimentant comment le monde fonctionne. Mais les LLM ne comprennent pas vraiment le monde ; ils prédisent simplement le prochain mot ou la prochaine idée. C’est pourquoi de nombreux chercheurs pensent que le prochain grand pas viendra des modèles mondiaux : des systèmes d’IA qui apprennent comment les choses bougent et interagissent dans des espaces 3D afin de pouvoir faire des prédictions et prendre des mesures.
Les signes indiquant que 2026 sera une grande année pour les mannequins mondiaux se multiplient. LeCun a quitté Meta pour créer son propre laboratoire de modélisation mondiale et chercherait à obtenir une valorisation de 5 milliards de dollars. DeepMind de Google s’est connecté à Genie et a lancé en août son dernier modèle qui construit des modèles mondiaux interactifs en temps réel à usage général. Parallèlement aux démos de startups comme Decart et Odyssey, World Labs de Fei-Fei Li a lancé son premier modèle mondial commercial, Marble. De nouveaux venus comme General Intuition en octobre ont remporté un tour de table de 134 millions de dollars pour enseigner le raisonnement aux agents spatiaux, et la startup de génération vidéo Runway a publié en décembre son premier modèle mondial, GWM-1.
Même si les chercheurs voient un potentiel à long terme dans la robotique et l’autonomie, l’impact à court terme se manifestera probablement d’abord dans les jeux vidéo. PitchBook prédit que le marché des modèles mondiaux de jeux pourrait passer de 1,2 milliard de dollars entre 2022 et 2025 à 276 milliards de dollars d’ici 2030, grâce à la capacité de la technologie à générer des mondes interactifs et des personnages non-joueurs plus réalistes.
Pim de Witte, fondateur de General Intuition, a déclaré à TechCrunch que les environnements virtuels pourraient non seulement remodeler le jeu, mais aussi devenir un terrain de test essentiel pour la prochaine génération de modèles de base.
Nation agent
Les agents n’ont pas été à la hauteur du battage médiatique de 2025, mais cela s’explique principalement par la difficulté de les connecter aux systèmes où le travail se déroule réellement. Sans moyen d’accéder aux outils et au contexte, la plupart des agents se retrouvaient piégés dans des flux de travail pilotes.
Le Model Context Protocol (MCP) d’Anthropic, un « USB-C pour l’IA » qui permet aux agents d’IA de communiquer avec des outils externes tels que des bases de données, des moteurs de recherche et des API, a prouvé le tissu conjonctif manquant et est rapidement devenu la norme. OpenAI et Microsoft ont publiquement adopté MCP, et Anthropic en a récemment fait don à la nouvelle Agentic AI Foundation de la Linux Foundation, qui vise à aider à standardiser les outils agentiques open source. Google a également commencé à mettre en place ses propres serveurs MCP gérés pour connecter les agents IA à ses produits et services.
Avec MCP réduisant les frictions liées à la connexion des agents aux systèmes réels, 2026 sera probablement l’année où les flux de travail agents passeront enfin des démonstrations à la pratique quotidienne.
Rajeev Dham, partenaire chez Sapphire Ventures, affirme que ces avancées conduiront à des solutions axées sur les agents assumant des « rôles de système d’enregistrement » dans tous les secteurs.
« À mesure que les agents vocaux gèrent des tâches de plus en plus complètes telles que l’accueil et la communication avec les clients, ils commenceront également à former les systèmes de base sous-jacents », a déclaré Dham. « Nous verrons cela dans divers secteurs tels que les services à domicile, les technologies de l’immobilier et les soins de santé, ainsi que dans les fonctions horizontales telles que les ventes, l’informatique et le support. »
Augmentation, pas automatisation
Même si des flux de travail plus agents peuvent faire craindre des licenciements, Katanforoosh de Workera n’est pas sûr que tel soit le message : « 2026 sera l’année des humains », a-t-il déclaré.
En 2024, toutes les entreprises d’IA prédisaient qu’elles automatiseraient les tâches sans avoir recours aux humains. Mais la technologie n’est pas encore là, et dans une économie instable, ce n’est pas vraiment un discours populaire. Katanforoosh affirme que l’année prochaine, nous réaliserons que « l’IA n’a pas fonctionné de manière aussi autonome que nous le pensions » et que la conversation portera davantage sur la manière dont l’IA est utilisée pour augmenter les flux de travail humains, plutôt que de les remplacer.
« Et je pense que beaucoup d’entreprises vont commencer à embaucher », a-t-il ajouté, soulignant qu’il s’attend à de nouveaux rôles dans la gouvernance, la transparence, la sécurité et la gestion des données de l’IA. « Je suis plutôt optimiste quant à un chômage moyen inférieur à 4 % l’année prochaine. »
« Les gens veulent être au-dessus de l’API, pas en dessous, et je pense que 2026 est une année importante pour cela », a ajouté de Witte.
Devenir physique
Selon les experts, les progrès technologiques tels que les petits modèles, les modèles mondiaux et l’informatique de pointe permettront davantage d’applications physiques de l’apprentissage automatique.
« L’IA physique deviendra grand public en 2026, alors que de nouvelles catégories d’appareils alimentés par l’IA, notamment la robotique, les AV, les drones et les appareils portables, commenceront à entrer sur le marché », a déclaré Vikram Taneja, responsable d’AT&T Ventures, à TechCrunch.
Si les véhicules autonomes et la robotique sont des cas d’utilisation évidents de l’IA physique qui continueront sans aucun doute à se développer en 2026, la formation et le déploiement requis restent coûteux. Les appareils portables, en revanche, offrent un avantage moins coûteux grâce à l’adhésion des consommateurs. Les lunettes intelligentes comme les Ray-Ban Meta commencent à proposer des assistants capables de répondre aux questions sur ce que vous regardez, et de nouveaux facteurs de forme tels que les anneaux de santé et les montres intelligentes alimentés par l’IA normalisent l’inférence permanente sur le corps.
« Les fournisseurs de connectivité s’efforceront d’optimiser leur infrastructure réseau pour prendre en charge cette nouvelle vague d’appareils, et ceux qui disposent de flexibilité dans la manière dont ils peuvent offrir la connectivité seront les mieux placés », a déclaré Taneja.
