À partir de mon analyse des grandes voix de l'IA en 2026, j'ai dégagé ce qui compte vraiment pour un dirigeant. Pas les prouesses techniques, mais les signaux de fond : ce qui change dans nos organisations, dans nos métiers et dans la façon dont nous décidons. J'en tire 7 tendances IA que tout dirigeant devrait anticiper cette année, illustrées par les voix qui construisent l'IA d'aujourd'hui.

Mon parti pris est simple : je ne cherche pas à vous impressionner avec des courbes de progrès. Sur le terrain, j'observe un décalage qui grandit entre ce que les modèles savent faire et ce que les équipes arrivent à en faire. C'est ce décalage, plus que la technologie elle-même, qui devrait occuper un comité de direction en 2026.

Sur quoi repose mon analyse des tendances IA 2026

Cette analyse s'appuie sur une étude personnelle des prises de parole publiques des principaux acteurs de l'IA en 2026 : chercheurs, fondateurs et dirigeants de laboratoires qui construisent ces technologies au quotidien. J'ai confronté leurs interventions, croisé les signaux qui reviennent et retenu ce qui résiste à l'effet d'annonce. Le tableau ci-dessous résume, voix par voix, l'idée-force que j'en tire, avant d'en dégager les 7 tendances de fond.

1. Le vrai défi est organisationnel et humain, pas technologique

La tendance la plus nette qui ressort de mon étude est un renversement : le frein n'est plus la technologie, c'est nous. Voix après voix, la capacité brute des modèles apparaît en avance sur la capacité des entreprises à la mettre au travail. Le goulot s'est déplacé de la machine vers l'organisation, ses processus, sa culture et ses décisions.

Boris Cherny (Anthropic, Claude Code) illustre l'ampleur du choc lorsqu'il affirme que, pour lui, le modèle écrit désormais la totalité de son code. Quand une brique aussi centrale que la production logicielle bascule à ce point, le sujet n'est plus l'outil : c'est la manière dont on réorganise le travail, les rôles et la responsabilité autour de lui. La technologie est disponible ; l'absorption, elle, se joue sur le terrain humain.

La conséquence pour un dirigeant est directe. Injecter de l'IA dans des workflows sans travailler la culture, la confiance et la qualité des décisions ne transforme rien : cela ajoute une couche moderne sur une organisation inchangée. Le vrai chantier consiste à mobiliser l'intelligence collective de vos équipes pour absorber ces outils, pas seulement à signer des licences.

2. Le jugement humain devient la ressource rare

Quand l'IA produit à volonté, ce qui devient rare, c'est le jugement humain qui oriente cette production. Greg Brockman (OpenAI) résume la bascule : l'attention humaine est le nouveau goulot d'étranglement. À mesure qu'un ingénieur passe d'écrire 20 % de son code à en superviser 80 %, sa valeur ne se mesure plus à ce qu'il tape, mais à ce qu'il décide de garder, de rejeter et d'orienter.

Deux ressources humaines montent ainsi en valeur. D'abord l'attention, capacité à rester lucide et concentré face à un flot de propositions générées. Ensuite le goût et l'expertise métier : Boris Cherny, en disant le code « résolu », pointe que la valeur remonte vers le discernement produit, savoir quel problème mérite d'être résolu et à quoi ressemble une bonne solution. L'IA amplifie une intention ; encore faut-il en avoir une, et juste.

Plus l'IA sait tout produire, plus le rare devient de savoir quoi lui demander, et de reconnaître quand elle a tort.

Pour les dirigeants et les DRH, cela réhabilite ce qui semblait secondaire face à la vitesse : l'expertise de fond, l'esprit critique, la capacité à déjouer les biais dans une décision. Protéger l'attention de vos meilleurs profils, plutôt que la fragmenter, devient un enjeu de performance : l'attention et le jugement s'imposent comme la ressource rare de l'ère IA. C'est aussi ce qui explique que l'IA ne tue pas les métiers d'expertise, elle les déplace, comme je l'ai détaillé à propos de la reconfiguration du métier de Product Manager.

3. L'accélération s'auto-entretient et l'horizon se raccourcit

Mon étude des acteurs de l'IA en 2026 montre une IA qui commence à accélérer sa propre progression, ce qui raccourcit l'horizon de planification des dirigeants. Le signal le plus frappant vient d'Anna Goldie et Azalia Mirhoseini (Ricursive) : elles font concevoir des puces par l'IA. Or un gain, même de 1 % sur une puce, se démultiplie sur toute la chaîne, puisque ces puces servent ensuite à entraîner de meilleurs modèles, qui conçoivent de meilleures puces. La boucle se referme sur elle-même, et c'est cette dynamique qui rend urgent de garder l'initiative humaine face aux agents IA.

Andrej Karpathy apporte le contrepoint utile. Celui qui a inventé l'expression « vibe coding » confie qu'il ne s'est « jamais senti autant en retard » comme programmeur, tout en rappelant que l'autonomie réellement fiable relève de la décennie des agents, pas de l'année. L'accélération est réelle, mais elle n'est pas magique : passer d'une démonstration bluffante à un système robuste demande encore du temps et de la rigueur d'ingénierie.

Pour un comité de direction, la leçon est double. L'horizon crédible de planification se raccourcit, un plan à trois ans en IA est aujourd'hui fragile. Mais il faut distinguer le rythme de la démonstration de celui du déploiement fiable. La bonne posture n'est pas de tout paranoïaquement précipiter, c'est de bâtir une résilience organisationnelle face à des cycles plus courts, avec des boucles de décision plus fréquentes.

4. La donnée et l'expérience terrain sont le vrai goulot d'étranglement

Le vrai carburant rare de l'IA n'est ni le calcul ni les modèles, c'est la donnée, en particulier la donnée d'expérience. Ben et Asher Spector le posent frontalement : la donnée est le véritable goulot d'étranglement de l'IA. Une fois la puissance de calcul disponible, ce qui manque, ce sont les jeux de données et les environnements qui permettent aux modèles d'apprendre des tâches réellement utiles.

Jim Fan (Nvidia) le montre côté robotique : comme les données du monde physique sont coûteuses à récolter, il fait générer des masses d'expériences en simulation pour entraîner les robots à passer ce qu'il nomme le « test de Turing physique ». Le message est le même dans les deux cas : la performance dépend de la donnée qui nourrit le modèle, et cette donnée devient l'actif stratégique.

Autrement dit, la course ne se gagne pas seulement chez ceux qui ont le plus gros modèle, mais chez ceux qui savent capter et structurer une expérience terrain unique. C'est une bonne nouvelle pour les organisations riches en savoir métier, à condition de le rendre exploitable.

5. L'autonomie se déploie par la confiance et la rigueur, pas par la hype

Donner de l'autonomie à des systèmes IA ne se décrète pas, cela se mérite par la preuve et la rigueur. Dmitri Dolgov (Waymo) en est l'exemple le plus tangible avec plus de 20 millions de trajets autonomes réalisés : cette autonomie n'a pas été gagnée par un coup d'accélérateur, mais par des années de sécurité démontrée, de mesure et de confiance construite pas à pas.

Le revers est incarné par Oege de Moor (XBOW), dont les agents autonomes se hissent au niveau des meilleurs hackers. La même autonomie qui rend un système utile le rend puissant s'il dérape. D'où une règle constante : plus on délègue à un agent, plus il faut des garde-fous, de l'auditabilité et un périmètre clair. L'autonomie sans cadre n'est pas de la performance, c'est du risque.

On ne confie pas les clés à un agent parce qu'il est impressionnant. On les lui confie quand il a prouvé, dans un cadre, qu'on peut lui faire confiance.

Pour un dirigeant, la transposition managériale est frappante. Déployer des agents IA ressemble à déléguer à des équipiers : on ajuste le niveau d'autonomie à la maturité démontrée, exactement comme en management situationnel. Et la confiance, ici comme entre humains, se construit par la preuve et la clarté du cadre, pas par l'injonction, un principe que je développe sur la différence entre imposer et faire naître la confiance.

6. L'efficience prime désormais sur la course à la puissance brute

Une bascule stratégique se dessine : après la course à la taille des modèles, l'enjeu devient l'efficience, faire plus avec moins d'énergie et de ressources. Naveen Rao (Unconventional AI) plante le décor : le cerveau humain calcule environ 1 000 000 de fois plus efficacement qu'un GPU. L'écart désigne la marge de progrès et le vrai mur, celui de l'énergie et du coût, plus que celui de l'intelligence.

Cette contrainte pousse à des paris contrariens. Philip Johnston (Starcloud) défend l'idée que le calcul le moins cher sera bientôt dans l'espace, grâce à l'énergie solaire continue et au refroidissement passif. Anna Goldie et Azalia Mirhoseini attaquent le même mur par le silicium, en optimisant les puces elles-mêmes. Le fil commun : la performance de demain ne viendra pas seulement de plus de puissance, mais de plus d'efficience.

La transposition pour les organisations est immédiate. La question utile n'est pas « comment déployer le maximum d'IA », mais « où l'IA crée-t-elle le plus de valeur par unité d'effort, de coût et d'attention ». L'efficience, côté machine comme côté humain, redevient une discipline de dirigeant : concentrer la ressource rare là où elle compte, plutôt que la disperser.

7. Anticiper l'AGI sans naïveté ni panique

La dernière tendance est une invitation à la lucidité : l'AGI est traitée comme un horizon sérieux et proche, à préparer sans catastrophisme. Demis Hassabis (Google DeepMind), prix Nobel de chimie, estime que nous sommes aux trois quarts du chemin, avec un horizon de l'ordre de la décennie et des pièces encore manquantes comme l'apprentissage continu et les modèles du monde. Plusieurs de ces voix convergent, sans détour, sur l'idée que nous vivons déjà l'entrée dans cette ère.

Hassabis en donne un aperçu concret et non menaçant : avec des systèmes comme AlphaFold, l'IA a compressé des travaux qui prenaient en moyenne dix ans en quelques mois. C'est cela, anticiper l'AGI sans naïveté : ni y voir une magie qui résout tout, ni la nier, mais s'y préparer comme à une capacité stratégique qui va rebattre les cartes de secteurs entiers.

Pour un CODIR, cela ne veut pas dire « tout changer demain ». Cela veut dire poser dès maintenant les fondations pour préparer votre entreprise à l'AGI : une gouvernance de l'IA, une montée en compétence réelle des équipes, des garde-fous de sécurité et de conformité, et une culture capable de décider vite et bien. Les organisations qui prendront de l'avance ne seront pas celles qui auront le plus d'outils, mais celles qui auront le plus travaillé leur capacité humaine à s'en servir.