L’offensive d’Anthropic et Salesforce sur l’IA d’entreprise révèle le fossé d’adoption

Les dirigeants d’Anthropic et Salesforce ont livré un message sans détour à Dreamforce : les entreprises n’exploitent que 5 % à 10 % du potentiel actuel de l’IA. L’offensive d’Anthropic et Salesforce sur l’IA d’entreprise vise désormais à combler cet écart, plutôt qu’à attendre une nouvelle avancée des modèles.

Le PDG d’Anthropic, Dario Amodei, et le PDG de Salesforce, Marc Benioff, ont décrit une adoption inégale lors de leur apparition du 15 septembre à San Francisco. Leur argument renverse une idée importante. Les entreprises d’IA continuent de produire des systèmes plus performants, mais la plupart des grandes organisations peinent encore à transformer les capacités existantes en travail fiable.

Cet écart place Salesforce dans une position inhabituelle. Les entreprises de modèles de pointe peuvent menacer les plateformes logicielles traditionnelles, mais elles ont aussi besoin de ces plateformes pour accéder aux données et aux workflows des entreprises. Salesforce, de son côté, a besoin de modèles tels que Claude tout en défendant son rôle de couche opérationnelle pour les informations clients et les processus métier.

L’IA d’entreprise d’Anthropic et Salesforce passe des modèles aux workflows

Le message principal n’était pas que les entreprises ont besoin d’une IA plus intelligente. C’était qu’elles ont besoin de davantage d’aide pour utiliser l’intelligence déjà disponible.

Amodei a déclaré que seuls 5 % à 10 % de la valeur actuelle de l’IA se sont diffusés dans l’économie. Son estimation de diffusion économique relevait d’un jugement plutôt que d’une statistique économique mesurée indépendamment. Elle a néanmoins posé le problème central auquel font face les fournisseurs d’IA d’entreprise.

Les entreprises peuvent ouvrir un chatbot et produire un texte utile en quelques minutes. Déployer l’IA dans une activité réglementée de vente, de service, de finance ou de support représente un défi différent.

Un système de production a besoin d’un contexte métier précis, d’un accès contrôlé, d’actions prévisibles et d’une validation humaine. Il a aussi besoin d’un responsable capable de déterminer si le système a produit un résultat utile.

Benioff a évoqué une forte « inégalité » dans l’adoption par les entreprises. Certaines équipes ont intégré l’IA dans leurs opérations quotidiennes, tandis que d’autres restent bloquées au stade des pilotes. Il a déclaré aux clients de Dreamforce que Salesforce devait faire davantage pour accélérer leur transformation.

Les entreprises ont associé ce message à une sortie produit concrète. Anthropic a présenté Salesforce in Claude, un plugin bêta qui connecte Claude aux comptes, opportunités et informations de pipeline.

Le plugin Salesforce in Claude comprend 37 compétences destinées aux tâches commerciales courantes. Elles couvrent la recherche sur les comptes, la préparation des réunions, les revues de pipeline et les mises à jour CRM.

Deux connecteurs prennent en charge le plugin. L’un importe les données Salesforce dans Claude en respectant les autorisations existantes. L’autre relie Agentforce Sales à Claude, selon Anthropic.

Claude peut préparer un brief matinal contenant les réunions, les transactions proches de la conclusion, les opportunités à risque et les messages restés sans réponse. Il peut aussi rédiger des modifications CRM, mais un commercial doit approuver ces mises à jour avant qu’elles n’atteignent Salesforce.

Cette étape d’approbation compte. Elle montre comment les entreprises positionnent l’IA comme un assistant opérationnel plutôt que comme un décideur sans restriction.

Anthropic a cité GitLab, Siemens et Legora parmi les clients déployant l’intégration. Benioff a également déclaré que 7 000 employés de Salesforce utilisent déjà des outils intégrés à Claude.

Ces déploiements fournissent des exemples concrets, mais ils n’établissent pas de gains de productivité généralisés chez les clients. Anthropic n’a pas publié de résultats comparatifs montrant comment le plugin modifie le chiffre d’affaires, les cycles de vente ou la qualité des données.

La sortie modifie néanmoins la conversation autour de l’IA d’entreprise. Elle détourne l’attention des prompts isolés vers des tâches complètes, au sein des systèmes où les employés travaillent déjà.

Un commercial n’a pas besoin d’une nouvelle démonstration générale de génération de texte. Il a besoin d’un accès fiable au bon compte, à la dernière conversation et aux règles d’approbation de l’entreprise.

Le partenariat cherche à réunir ces éléments. Claude fournit des capacités générales de raisonnement et de langage. Salesforce fournit les dossiers clients, la logique des workflows, les autorisations et les actions.

Cette combinaison définit la stratégie d’IA d’entreprise d’Anthropic et Salesforce. Le modèle demeure important, mais c’est le système opérationnel qui l’entoure qui détermine si un employé peut lui confier un travail réel.

Pourquoi l’adoption de l’IA d’entreprise reste en retrait des capacités

L’adoption en entreprise ralentit lorsqu’une démonstration convaincante se heurte à des données fragmentées, une responsabilité floue et des workflows qui ne tolèrent pas l’improvisation.

Les modèles d’IA se sont améliorés plus vite que la plupart des entreprises ne peuvent repenser leurs opérations. Les organisations doivent connecter plusieurs systèmes, classifier les informations sensibles, définir les actions acceptables et former les employés avant qu’un agent puisse agir en toute sécurité.

Même une question simple peut exiger des informations provenant de plusieurs sources. Un client peut demander si une commande peut être expédiée aujourd’hui. Répondre correctement peut nécessiter des dossiers CRM, les stocks, les contrats, les politiques et les communications antérieures.

Un modèle peut comprendre la question immédiatement. Il ne peut toutefois pas fournir une réponse opérationnelle fiable sans un accès actuel et autorisé à chaque source pertinente.

Cette distinction explique pourquoi les pilotes avancent souvent plus vite que les déploiements en production. Un pilote peut utiliser un jeu de données limité et tolérer des corrections manuelles. Un système de production doit gérer les exceptions, les autorisations, les audits et l’évolution des règles métier.

Les propres recherches de Salesforce auprès des DSI illustrent cette contradiction. Son enquête sur l’adoption par les DSI a constaté que le déploiement complet de l’IA est passé de 11 % en 2024 à 42 % en 2026.

La même enquête a montré que 93 % des DSI considéraient l’intégration aux workflows comme essentielle à une adoption réussie des agents. Pourtant, moins de la moitié ont fait état de la coopération interfonctionnelle nécessaire à un déploiement plus large.

Les préoccupations liées aux données restent également non résolues. La sécurité et la confidentialité se classaient parmi les principales craintes des répondants, suivies de près par l’absence de données fiables.

Seuls 23 % des DSI interrogés se disaient totalement confiants que leurs investissements en IA incluaient une gouvernance des données intégrée. Salesforce a mené cette enquête en double aveugle auprès de 200 DSI dans 24 pays.

L’enquête provient d’une entreprise qui vend des solutions à ces problèmes, et ses conclusions doivent donc être considérées dans ce contexte. Toutefois, les obstacles à la mise en œuvre correspondent à une tendance familière dans les technologies d’entreprise.

Les organisations achètent souvent une capacité technique avant d’avoir résolu les processus qui l’entourent. L’IA amplifie cette erreur, car ses résultats peuvent sembler plausibles même lorsque son contexte est incomplet.

Un calcul erroné dans un tableau de bord peut déclencher une investigation évidente. Une réponse fluide générée par l’IA peut dissimuler une source manquante, un dossier obsolète ou une instruction mal comprise.

Les entreprises ont donc besoin de systèmes d’évaluation, et pas seulement d’un accès aux modèles. Elles doivent vérifier si un agent sélectionne les bonnes données, respecte les politiques et transmet les cas incertains à des personnes.

Elles ont aussi besoin d’indicateurs de réussite clairs. Le temps gagné peut compter, mais il ne se traduit pas automatiquement en chiffre d’affaires ou en amélioration du service.

Un agent commercial qui rédige plus rapidement des e-mails peut créer peu de valeur si les employés passent autant de temps à vérifier son travail. Une interaction de service automatisée peut réduire le temps de traitement tout en dégradant la satisfaction client.

Les mesures les plus utiles relient la tâche d’IA à un résultat commercial. Parmi les exemples figurent la diminution des dossiers abandonnés, une préparation commerciale plus courte, une meilleure complétude du CRM et des taux d’escalade plus faibles.

C’est là que l’architecture des connaissances d’entreprise devient centrale. Les équipes ont besoin d’une base de connaissances consultable qui préserve le contexte et met les sources à disposition des utilisateurs autorisés.

Sans cette base, un modèle performant reste séparé des faits dont les employés ont besoin. Le fossé d’adoption est donc en partie un problème de données et d’organisation.

C’est aussi un problème de gestion du changement. Les employés doivent comprendre quand faire confiance à un agent, quand examiner ses sources et quand outrepasser sa recommandation.

Les dirigeants doivent décider qui est responsable des échecs qui traversent plusieurs services. Les équipes de sécurité ont besoin de visibilité, tandis que les équipes opérationnelles ont besoin d’une liberté suffisante pour améliorer leurs workflows.

Ces exigences prennent du temps. Elles expliquent aussi pourquoi une nouvelle sortie de modèle ne peut pas, à elle seule, transformer un pilote prometteur en système d’entreprise.

Le partenariat transforme un rival potentiel en infrastructure

Anthropic et Salesforce se disputent le contrôle de l’expérience utilisateur, mais chaque entreprise a besoin d’actifs que l’autre possède déjà.

Les assistants d’IA servent de plus en plus d’interfaces pour les logiciels d’entreprise. Un utilisateur peut demander à Claude d’examiner un pipeline plutôt que de parcourir une succession d’écrans CRM.

Cette évolution menace la position traditionnelle des fournisseurs d’applications. Si les employés commencent leur travail dans un assistant d’IA généraliste, cet assistant peut devenir l’interface principale.

Salesforce contrôle encore des actifs importants sous cette interface. L’entreprise stocke les relations clients, les autorisations, les définitions de processus et les enregistrements de l’activité métier.

Anthropic contrôle un modèle et un assistant que de nombreux utilisateurs considèrent déjà comme un lieu pour raisonner, rédiger et analyser. Intégrer Salesforce à Claude relie cette interface aux données opérationnelles.

L’accord ressemble à une division du travail négociée. Claude gère la conversation et le raisonnement général, tandis que Salesforce reste le système qui régit les dossiers et les actions.

Cette division n’est pas assurée de rester stable. Anthropic pourrait étendre ses connecteurs et ses fonctionnalités applicatives. Salesforce pourrait mettre l’accent sur ses propres modèles ou proposer des assistants concurrents.

Salesforce a annoncé Koa, son premier modèle de raisonnement CRM, durant la même période de Dreamforce. L’entreprise indique que Koa a été entraîné sur des scénarios d’entreprise synthétiques et fonctionne dans son périmètre de confiance.

Selon Salesforce, son benchmark interne a montré que Koa égalait ou dépassait les modèles de premier plan sur les actions CRM avec trois fois moins d’erreurs. Il s’agit d’un benchmark de l’entreprise, et non d’une évaluation indépendante.

La conception du modèle Koa révèle néanmoins la stratégie de Salesforce. L’entreprise veut une intelligence spécialisée pour les tâches CRM tout en conservant la prise en charge de modèles externes.

Koa utilise les modèles ouverts Nvidia Nemotron comme fondation. Salesforce indique contrôler les poids et effectuer le post-entraînement ainsi que l’inférence au sein de son infrastructure.

Cette approche offre aux clients une autre voie. Ils peuvent utiliser Claude pour le raisonnement général, un modèle hébergé par Salesforce pour un travail CRM spécialisé, ou différents modèles selon les tâches.

Salesforce présente ce choix de modèles comme faisant partie d’une architecture ouverte. L’intérêt commercial de l’entreprise est clair. Elle veut que la couche applicative et de gouvernance reste précieuse, même lorsque le leadership des modèles évolue.

Anthropic a un intérêt correspondant. L’intégration directe avec Salesforce rapproche Claude de workflows d’entreprise précieux sans obliger Anthropic à reconstruire une plateforme CRM complète.

Cela crée une trêve pragmatique, pas un règlement permanent. Les deux entreprises y gagnent tant que les entreprises ont besoin d’un pont entre les modèles et les applications existantes.

Salesforce détenait également une participation dans Anthropic évaluée à environ 5 milliards de dollars début juin, selon le rapport de Bloomberg. Cette relation financière ajoute une autre dimension à leur alignement technique.

Cependant, les clients devraient évaluer cette intégration comme une décision produit, et non comme la preuve que les intérêts des entreprises correspondent parfaitement aux leurs.

Une entreprise peut apprécier la commodité d’un flux de travail unifié. Elle peut également s’inquiéter de la concentration des fournisseurs, de l’évolution des périmètres produits et du coût d’un changement d’agents ultérieur.

La portabilité des modèles peut réduire ce risque. Des méthodes d’évaluation partagées, des interfaces stables et des autorisations clairement définies peuvent faciliter le changement de fournisseur.

La portabilité des données est encore plus importante. Une entreprise incapable de séparer son contexte propriétaire d’un modèle ou d’une plateforme risque de reproduire un verrouillage logiciel bien connu.

La question concurrentielle dépasse donc Claude face à Agentforce. Elle porte sur la couche qui capte la valeur durable de l’IA d’entreprise.

Les fournisseurs de modèles soutiennent qu’un raisonnement supérieur attirera utilisateurs et charges de travail. Les éditeurs d’applications affirment que des données gouvernées et des flux de travail intégrés créent une différenciation durable.

Le partenariat d’IA d’entreprise entre Anthropic et Salesforce réunit ces deux arguments. Son succès dépend de la capacité du système combiné à paraître plus utile aux clients que chacune des deux couches prise séparément.

Salesforce mise sur le contrôle comme couche manquante

Salesforce estime que les entreprises paieront pour les systèmes qui entourent l’IA, car le raisonnement doit être relié aux règles, à l’identité, aux données et à des actions responsables.

L’entreprise appelle sa fondation proposée un Enterprise AI Harness. Un harness est une couche architecturale qui fournit un contexte partagé, de la sécurité, de la gouvernance, des modèles et des actions.

L’enterprise AI harness de Salesforce comporte six capacités annoncées. Elles couvrent le contexte, l’autonomie, l’action, la gouvernance, la sécurité et le choix des modèles.

L’entreprise a également annoncé un AI Control Plane. Salesforce affirme qu’il permettra aux administrateurs d’enregistrer des agents, d’appliquer des politiques d’identité, d’observer les comportements, d’évaluer les performances et de gérer les coûts.

Cette architecture répond à un problème réel. Les entreprises commencent souvent par des projets d’IA distincts qui utilisent différents connecteurs, autorisations et processus d’évaluation.

La fragmentation crée un risque opérationnel. Un agent peut accéder à des documents obsolètes, tandis qu’un autre suit une règle d’approbation différente pour la même action métier.

Une couche de contrôle partagée peut rendre les politiques réutilisables. Elle peut aussi offrir aux équipes de sécurité et de données une vision plus claire de l’activité des agents.

Salesforce veut que cette couche prenne en charge ses propres outils ainsi que des systèmes tiers. L’entreprise affirme que les entreprises peuvent accéder aux capacités via des API, Model Context Protocol, des compétences et des plugins.

Model Context Protocol, ou MCP, est une interface standard qui permet aux applications d’IA de se connecter à des outils et données externes. Il peut réduire le besoin d’une intégration personnalisée pour chaque combinaison.

L’architecture prend également en charge Claude, Slack, Microsoft Teams et d’autres interfaces. Cette étendue reflète la décision de Salesforce de rejoindre les employés là où ils travaillent déjà.

La proposition paraît logique, mais les schémas d’architecture ne démontrent pas la fiabilité opérationnelle. Les entreprises ont besoin de preuves issues de déploiements complexes couvrant plusieurs services et systèmes.

Elles devraient demander si les administrateurs peuvent retracer chaque action d’un agent. Elles devraient aussi examiner la rapidité avec laquelle elles peuvent révoquer des accès, mettre à jour une politique et enquêter sur des défaillances.

L’évaluation exige une attention équivalente. Un plan de contrôle devrait mesurer davantage que la qualité des réponses du modèle.

Il devrait montrer si un agent a utilisé les bonnes sources, suivi le flux de travail prévu et produit un résultat métier approuvé. Il devrait également révéler les schémas de défaillance dans les tâches répétées.

Les contrôles des coûts sont importants, car les flux de travail des agents peuvent impliquer plusieurs appels de modèles et actions d’outils. Un processus qui paraît abordable lors d’un petit pilote peut se comporter différemment à l’échelle de l’entreprise.

Salesforce reconnaît le routage des modèles comme un contrôle. Son système peut orienter le travail selon la précision, les performances, le coût et les exigences métier.

Cela soulève une autre question. Les clients doivent savoir qui définit ces priorités de routage et dans quelle mesure ils peuvent vérifier les résultats de manière indépendante.

Un fournisseur peut optimiser une combinaison qui soutient ses relations commerciales. Un client peut donner la priorité à la localisation des données, à la latence ou à un seuil de précision spécifique.

La transparence autour du routage et de l’évaluation déterminera si une architecture ouverte offre un véritable choix. Un catalogue de modèles procure une liberté limitée lorsque le changement de l’un d’eux exige une reconstruction importante des flux de travail.

L’interprétation la plus forte de la stratégie de Salesforce n’est pas que les modèles sont devenus sans importance. Elle est que les modèles deviennent de plus en plus des composants interchangeables au sein de systèmes gouvernés.

L’interprétation plus faible est qu’une entreprise logicielle établie protège sa position en ajoutant une couche de gestion supplémentaire. Les deux explications peuvent être vraies simultanément.

Les clients devraient juger cette stratégie à l’aune des résultats de déploiement. Si le harness réduit le temps d’implémentation, améliore les audits et limite les intégrations redondantes, il résout un problème mesurable.

S’il ne fait essentiellement que reconditionner des composants existants de la plateforme, les acheteurs pourraient peiner à relier sa vaste promesse à des résultats métier.

La prochaine étape de l’offensive d’IA d’entreprise d’Anthropic et Salesforce doit donc démontrer le contrôle sans ajouter de complexité inutile.

Le récit de l’adoption manque encore de preuves indépendantes

Les entreprises ont présenté des intégrations et des déploiements internes, mais les affirmations générales sur la valeur économique attendent encore des résultats vérifiés de manière indépendante.

L’estimation de 5 % à 10 % d’Amodei brosse un tableau convaincant de valeur inexploitable. Elle ne révèle pas comment cette valeur a été calculée ni comment elle varie selon les secteurs.

L’estimation peut décrire une capacité technique non réalisée plutôt qu’un bénéfice économique récupérable. Ces catégories ne sont pas identiques.

Un modèle peut accomplir une tâche dans un environnement contrôlé sans que cette tâche soit adaptée à une automatisation fiable. L’utilisation en production introduit des cas limites, des politiques et des exigences de responsabilité.

La même prudence s’applique aux statistiques d’adoption des fournisseurs. Le nombre d’employés utilisant un outil ne révèle ni la profondeur d’utilisation, ni la rétention, ni la qualité des résultats, ni le rendement financier.

Les 7 000 utilisateurs internes de Salesforce constituent un environnement de test significatif. Toutefois, les clients doivent savoir quels flux de travail ces utilisateurs réalisent et ce qui a changé après le déploiement.

Anthropic affirme que le plugin peut réduire la préparation manuelle et les suivis. L’entreprise n’a pas publié de comparaisons contrôlées pour étayer ces affirmations.

Les exemples clients exigent également une interprétation prudente. Les déploiements nommés confirment que des organisations essaient la technologie. Ils ne prouvent pas qu’un modèle d’implémentation fonctionne dans toutes les entreprises.

Les grandes entreprises diffèrent par la qualité de leurs données, leurs structures d’accès, leur exposition réglementaire et leur dette technique. Ces différences contribuent à expliquer l’adoption inégale décrite par Benioff.

Il existe également une tension entre le message sur l’adoption et les récentes mises en garde d’Amodei sur la sécurité. Il a soutenu que le rythme du développement de pointe exigeait davantage de prudence.

Le président de Salesforce, Patrick Stokes, a présenté ce ralentissement potentiel comme utile aux développeurs d’applications. Il a déclaré que les développeurs ont « beaucoup de retard à rattraper » en matière de modèles.

Son commentaire révèle le renversement central de l’article. Un ralentissement des sorties de modèles de pointe pourrait donner aux entreprises le temps d’assimiler les capacités déjà disponibles.

Il pourrait aussi bénéficier aux éditeurs d’applications établis. Un cycle de modèles plus lent leur donne davantage de temps pour créer des intégrations, des mécanismes de gouvernance et des produits spécialisés.

L’économie au sens large pourrait continuer à investir même si les progrès de pointe ralentissent. Les modèles existants nécessitent toujours une préparation des données, une refonte organisationnelle et des infrastructures.

Une analyse récente a mis en avant l’investissement au niveau des entreprises dans la stratégie et les données comme une part sous-estimée des dépenses en IA. Ce point de vue soutient l’accent mis par Salesforce sur l’implémentation.

Cependant, un ralentissement ne produirait pas automatiquement une adoption réussie. Les entreprises peuvent investir massivement dans l’intégration sans résoudre les besoins des utilisateurs ni la conception des processus.

Il existe également une question de travail. Les fournisseurs d’IA présentent souvent l’automatisation administrative comme un avantage, mais les employés peuvent y voir une surveillance accrue ou un déplacement d’emplois.

Un agent qui met à jour les enregistrements CRM peut supprimer du travail répétitif. Il peut aussi standardiser la supervision managériale et modifier la manière dont les performances sont mesurées.

Les entreprises ont besoin d’une gouvernance pour ces effets humains, et pas seulement pour l’accès technique. Les employés devraient comprendre ce que les agents enregistrent, recommandent et transmettent.

Les entreprises doivent également définir la frontière entre assistance et action autonome. Cette frontière devrait varier selon les conséquences d’une erreur.

La rédaction de notes de réunion présente moins de risques que la modification d’un contrat client. La mise à jour d’un enregistrement commercial diffère de l’approbation d’une remise ou de l’engagement de stocks.

L’approbation humaine peut réduire les risques, comme le suggère le flux de mise à jour CRM du plugin Claude. Pourtant, l’approbation devient superficielle lorsque les employés sont confrontés à trop d’actions générées.

Un système efficace doit diriger l’attention vers les cas incertains ou conséquents. Exiger une revue manuelle de chaque étape routinière peut annuler le gain de productivité promis.

Les preuves indépendantes devraient donc examiner l’intégralité du flux de travail. Des études utiles compareraient la précision, le temps de revue, les résultats métier et la récupération après défaillance.

En attendant ces preuves, la conclusion la plus sûre reste limitée. Anthropic et Salesforce ont identifié une véritable lacune d’implémentation et développé des produits pour y répondre.

Ils n’ont pas encore démontré que leur approche combinée comble systématiquement cette lacune dans les grandes organisations.

Trois signaux mettront à l’épreuve la thèse de l’IA d’entreprise

Le prochain test consiste à savoir si les agents connectés produisent des améliorations opérationnelles mesurables sans affaiblir la gouvernance ni enfermer les clients dans une seule pile technologique.

Le premier signal sera l’utilisation soutenue de Salesforce dans Claude après la période bêta. Les chiffres d’activation initiaux compteront moins que l’engagement récurrent au niveau des tâches.

Anthropic devrait indiquer à quelle fréquence les commerciaux réalisent des recherches sur les comptes, préparent des réunions, examinent le pipeline et effectuent des mises à jour CRM approuvées. La rétention sur plusieurs mois renforcerait la thèse de l’adoption.

Les résultats clients rendraient les preuves plus utiles. Un temps de préparation réduit, des dossiers plus complets et moins de suivis manqués relieraient l’activité du produit à la valeur métier.

Une baisse d’utilisation après les essais initiaux affaiblirait l’argument. Elle suggérerait que l’accès conversationnel seul ne résout pas les frictions des flux de travail.

Le deuxième signal sera la performance de l’architecture de contrôle de Salesforce dans les déploiements clients. Les entreprises devraient surveiller les témoignages indépendants sur l’application des politiques, l’auditabilité et la réponse aux incidents.

Un résultat solide montrerait que les entreprises peuvent gouverner plusieurs modèles et agents via des contrôles communs. Il devrait aussi montrer que les équipes peuvent changer de fournisseur sans reconstruire leurs opérations.

Un résultat plus faible révélerait une personnalisation lourde, des travaux d’évaluation dupliqués ou une visibilité limitée sur le routage des modèles. Ces problèmes transformeraient la couche de contrôle en une nouvelle source de complexité.

Le troisième signal est la relation entre les dépenses en IA et les résultats opérationnels publiés. Salesforce et ses clients devraient aller au-delà du nombre d’agents, de conversations ou d’utilisateurs activés.

Les acheteurs ont besoin de mesures liées aux ventes, au service et au travail des employés. Les exemples incluent la qualité de résolution, les durées de cycle, l’exactitude des dossiers, la rétention et les taux d’escalade.

Ces mesures devraient inclure le coût de la revue humaine et de la maintenance des systèmes. Le temps brut économisé peut être trompeur lorsque les employés doivent corriger des erreurs ailleurs.

Les prochains cycles de résultats fourniront des éléments utiles. Salesforce pourra indiquer si les produits d’IA augmentent les dépenses des clients et si les déploiements dépassent le stade des équipes isolées.

Anthropic peut renforcer cet argument en publiant des évaluations détaillées en entreprise. Ces évaluations devraient distinguer les performances des modèles des couches d’intégration et de workflow.

Les clients devraient également comparer ce partenariat aux alternatives proposées par Microsoft, Google, OpenAI et des fournisseurs spécialisés pour les entreprises. La pression concurrentielle peut clarifier quels choix architecturaux comptent réellement.

La compétition principale n’est pas un simple classement des modèles. Elle oppose la croissance rapide des capacités à la capacité d’une organisation à les intégrer de manière responsable.

Pour les développeurs, l’opportunité se situe dans l’intégration, l’évaluation, l’observabilité et les outils tenant compte des autorisations. Ces domaines prennent davantage de valeur lorsque les modèles gèrent déjà des tâches de raisonnement étendues.

Pour les acheteurs en entreprise, la leçon est de commencer par un workflow limité et un résultat mesurable. Une vaste directive en matière d’IA génère de l’activité, mais rarement de la responsabilisation.

Pour les travailleurs du savoir, la question clé est de savoir si l’IA peut accéder au bon contexte sans supprimer un contrôle significatif. La commodité seule ne suffit pas pour un travail aux conséquences importantes.

La stratégie d’IA d’entreprise d’Anthropic et Salesforce soutient que la prochaine phase appartiendra aux systèmes qui relient l’intelligence à une action fiable. Cette proposition doit désormais être étayée par des preuves opérationnelles.

Il faudra observer si les employés continuent d’utiliser les workflows intégrés, si les administrateurs peuvent les gouverner à travers les différents modèles, et si les clients font état de gains commerciaux durables. Ces signaux montreront si l’IA d’entreprise se diffuse enfin, ou si elle ne fait qu’acquérir une interface plus soignée.