Panorama IA – 1er au 14 mars 2026 : GPT-5.4 et le million de tokens, course aux puces, gouvernance renforcée et nouveaux modèles économiques

GPT-5.4 et son contexte d’un million de tokens, l’offensive matérielle de Meta pour réduire sa dépendance à Nvidia, les prévisions de revenus massifs chez Oracle et Broadcom, la création de l’Anthropic Institute et l’acquisition de Promptfoo par OpenAI : les deux premières semaines de mars 2026 dessinent un paysage où la mise à l’échelle des modèles, la sécurisation de la chaîne d’approvisionnement en calcul et l’institutionnalisation de la gouvernance progressent simultanément.

Pour les entreprises, cette séquence rend plus urgentes trois questions : quels modèles intégrer dans leurs architectures, comment diversifier leurs fournisseurs de calcul et comment structurer l’évaluation et la sécurité de leurs systèmes IA avant que les cadres réglementaires ne l’imposent.

Produits, modèles, agents et capacités

GPT-5.4 : le contexte long et l’agentivité passent à l’échelle

Le 5 mars, OpenAI a lancé GPT-5.4, décliné en versions « Thinking » et « Pro ». Le modèle traite jusqu’à 1 million de tokens de contexte, ce qui permet de planifier et d’exécuter des tâches longues et complexes sans découpage préalable. Il intègre des capacités de contrôle d’ordinateur via API et de recherche d’outils, tout en étant plus efficace en tokens que GPT-5.2. OpenAI le présente comme son modèle de pointe pour le travail professionnel, combinant raisonnement amélioré, codage avancé et workflows d’agents. (Source : OpenAI)

Ce lancement a des conséquences directes sur les architectures d’entreprise. Un contexte d’un million de tokens remet en question le dimensionnement des systèmes RAG conçus pour des fenêtres plus étroites — un enjeu traité au chapitre 3 du livre Réussir l’IA en entreprise (long contexte et RAG robuste). L’ajout de capacités agentiques (contrôle d’ordinateur, exécution de tâches) place par ailleurs la sécurité des agents au centre des préoccupations de déploiement, en écho au chapitre 8 (agents autonomes et copilotes métiers).

Quelques jours plus tôt, OpenAI avait déployé GPT-5.3 Instant, une mise à jour de son offre grand public qui réduit les hallucinations de 26,8 % avec accès web et de 19,7 % sans. Le modèle répond plus directement, avec moins de refus injustifiés et un ton moins moralisateur. Cette itération rapide — GPT-5.3 Instant le 4 mars, GPT-5.4 le 5 — illustre la cadence de publication qu’OpenAI impose au marché.

Agents locaux et interopérabilité des assistants

Perplexity a dévoilé le 12 mars son Personal Computer, un système fonctionnant sur des serveurs Mac mini M4 qui exécute des agents capables d’utiliser des applications locales. L’appareil requiert l’approbation de l’utilisateur pour les actions sensibles, fournit un journal d’activités complet et inclut un « kill switch ». Les détails sur le prix et les spécifications restent non communiqués. Cette annonce, comme le lancement de GPT-5.4, confirme que l’IA agentique locale progresse simultanément chez plusieurs acteurs.

Côté assistants, Anthropic a rendu gratuite et ouverte l’importation de mémoire dans Claude : les utilisateurs peuvent copier les données mémorielles générées par ChatGPT ou Gemini. La fonctionnalité, réservée aux abonnés depuis octobre 2025, vise à faciliter la migration entre assistants — un levier de portabilité qui intéresse directement les questions de réversibilité traitées au chapitre 16 du livre (réversibilité, portabilité et VendorOps IA).

Infrastructure, cloud, calcul et chaîne de valeur

Meta construit sa propre filière de calcul

Meta a dévoilé le 13 mars quatre puces de la famille MTIA (300, 400, 450, 500), destinées aux modèles de recommandation et à l’inférence. Le MTIA 400 peut être assemblé en baies de 72 puces, avec des performances jugées compétitives face aux produits Nvidia et AMD. En parallèle, un rapport de l’institut BISI a révélé que Meta loue des TPU de Google pour diversifier ses sources de calcul. L’entreprise finalise également un contrat de 950 millions de dollars avec AMD pour des GPU MI450 et travaille sur sa propre puce Artemis.

Cette stratégie multi-fournisseurs — puces internes, TPU Google, GPU AMD, puce Artemis en développement — constitue la réponse la plus structurée du marché à la dépendance à Nvidia. Elle offre un modèle de référence pour les grandes entreprises qui cherchent à négocier leurs contrats de calcul avec plus de levier, un sujet au cœur du chapitre 16 du livre (VendorOps IA).

Oracle, Broadcom et le boom des centres de données

Dans ses résultats trimestriels du 10 mars, Oracle a déclaré que l’essor des centres de données IA propulserait ses revenus au-delà des attentes jusqu’en 2027. Les engagements de revenus futurs (RPO) sont en hausse de 325 % sur un an. Larry Ellison a précisé que les marges de la location de puces IA devraient atteindre 30 % à 40 %. Oracle investit massivement dans des centres de données pour des clients comme OpenAI et Meta.

Broadcom prévoit de son côté plus de 100 milliards de dollars de ventes de puces IA dès 2027. Le fabricant entend augmenter la fourniture de TPU pour Anthropic et d’autres clients, avec un objectif de 1 gigawatt de puissance de calcul livré en 2026 et 3 gigawatts en 2027. Ces chiffres confirment que le marché des semi-conducteurs IA est en train de se restructurer autour de plusieurs fournisseurs — une dynamique qui modifie les arbitrages d’architecture économique décrits au chapitre 19 du livre (FinOps IA).

Apple, Google et les limites des infrastructures propriétaires

Apple a demandé à Google d’héberger un futur Siri alimenté par Gemini. Selon les informations disponibles, les serveurs privés d’Apple n’étaient exploités qu’à 10 % de leur capacité, mais le futur Siri nécessitera davantage de ressources. Qu’Apple — habituellement réticente à utiliser un cloud tiers pour des raisons de confidentialité — explore un tel partenariat constitue un signal sur l’écart entre la demande de calcul des modèles IA et les capacités d’infrastructure de certains acteurs technologiques majeurs.

Énergie : un facteur de risque structurel

Un rapport de Morgan Stanley publié le 13 mars anticipe un bond des capacités des modèles IA au premier semestre 2026 grâce à la mise à l’échelle des ressources informatiques. L’analyste décrit une dynamique « 15-15-15 » : contrats de location de centres de données sur 15 ans, rendement de 15 % et 15 dollars générés par watt. Le rapport avertit cependant qu’une crise énergétique pourrait se profiler, avec une pénurie de 9 à 18 gigawatts d’ici 2028, et souligne les risques de perturbation de l'emploi. L’enjeu énergétique devient un paramètre incontournable de toute projection de coût d’infrastructure IA.

Gouvernance, régulation, évaluation et conformité

L’évaluation et la sécurité deviennent des briques industrielles

Le 9 mars, OpenAI a acquis Promptfoo, un fournisseur d’outils d’évaluation et de tests de sécurité pour IA. L’objectif : intégrer ces outils à la plateforme Frontier pour permettre des tests automatisés, l’intégration dans les workflows de développement et des options de gouvernance adaptées aux exigences réglementaires et sectorielles. Les dirigeants des deux entreprises soulignent que l’évaluation et la sécurité seront « cruciales pour les agents IA ». Cette acquisition transforme l’évaluation de modèles en composant intégré de la chaîne d’outils — un mouvement que le chapitre 15 du livre (observabilité, qualité et test continu) anticipait sous l’angle LLMOps.

Deux jours plus tard, Anthropic a créé l’Anthropic Institute, une entité interne dirigée par le cofondateur Jack Clark. L’Institut regroupe trois équipes — Frontier Red Team, Societal Impacts et Economic Research — et recrute des chercheurs comme Matt Botvinick et Anton Korinek. Un bureau à Washington D.C. renforcera les relations avec les décideurs publics. L’institutionnalisation de la recherche sur l’impact sociétal chez un fournisseur de modèles de fondation marque une étape dans la structuration de la gouvernance de l’IA — un thème central du chapitre 12 (gouvernance, conformité et éthique).

Tensions entre défense et sécurité des modèles

Le conflit entre Anthropic et le Département américain de la Défense a connu plusieurs rebondissements sur la période. Depuis fin janvier, le Pentagone aurait demandé à Anthropic de supprimer des garde-fous de sécurité. En février, le DoD a désigné Anthropic comme risque pour la chaîne d’approvisionnement et a menacé de mettre fin à des contrats. Le 9 mars, Anthropic a intenté une action en justice pour bloquer cette désignation. Microsoft et d’autres acteurs se sont rangés du côté d’Anthropic. Ce différend illustre la tension entre exigences gouvernementales de contrôle et principes de sûreté défendus par les fournisseurs de modèles.

Copyright : la paternité humaine confirmée

Le 2 mars, la Cour suprême des États-Unis a refusé d’examiner la requête de Stephen Thaler, qui tentait d’obtenir la protection du copyright pour une œuvre créée par une IA. Les juridictions inférieures avaient confirmé que les œuvres sans auteur humain ne peuvent pas être protégées par le droit d’auteur. Cette décision stabilise la position juridique américaine et impacte directement toute entreprise qui utilise l’IA générative pour produire du contenu destiné à être protégé.

Usages, distribution, déploiement et marchés

Criteo est devenu le premier acteur d’adtech intégré au programme publicitaire d’OpenAI pour les versions gratuites et « Go » de ChatGPT. Les marques pourront connecter leurs catalogues via la plateforme de Criteo. Selon le dirigeant de l’entreprise, les conversions issues des recommandations de grands modèles sont 1,5 fois supérieures à celles des autres canaux de marketing. L’introduction de la publicité dans les assistants IA ouvre un nouveau canal de distribution et un modèle économique qui pourrait se généraliser — un sujet à suivre sous l’angle du chapitre 19 (architecture économique et FinOps IA). (Source : Criteo)

Ce que cela change pour les entreprises

Le lancement de GPT-5.4 impose une réévaluation des architectures de contexte long. Les systèmes RAG dimensionnés pour des fenêtres de 128 k ou 256 k tokens n’exploitent pas le potentiel d’un modèle à un million de tokens. Pour autant, contexte long et RAG ne s’opposent pas : le chapitre 3 du livre détaille les cas où le RAG reste indispensable (actualisation, traçabilité des sources, maîtrise des coûts) et ceux où le contexte long suffit. L’arrivée simultanée de capacités agentiques (contrôle d’ordinateur, orchestration de tâches) rend par ailleurs indispensable un cadre de sécurité des agents avant tout déploiement — sujet structuré au chapitre 8 et dans les garde-fous du chapitre 13.

Côté infrastructure, la stratégie multi-fournisseurs de Meta fournit un schéma opérationnel pour réduire la dépendance à un seul fournisseur de calcul. L’acquisition de Promptfoo par OpenAI signale que l’évaluation et le test continu des modèles deviennent des composants de la chaîne d’outils, non plus des activités secondaires. Les entreprises qui n’ont pas encore structuré leur propre dispositif d’évaluation — métriques, jeux de tests, protocoles de validation — perdent en visibilité sur la qualité réelle de leurs systèmes IA.

La décision de la Cour suprême sur le copyright clarifie un point juridique, mais n’épuise pas le sujet : toute organisation qui génère du contenu par IA doit documenter le rôle de l’intervention humaine dans le processus de création pour préserver ses droits. Ce sujet rejoint les exigences de traçabilité et de marquage des contenus synthétiques détaillées au chapitre 12.

Décisions à préparer dans les 90 jours

• Architecture modèle et contexte long : évaluer l’impact de GPT-5.4 (et des modèles concurrents à contexte long) sur les pipelines RAG existants. Identifier les cas d’usage où le contexte étendu remplace le découpage, et ceux où le RAG reste nécessaire — en suivant la grille du chapitre 3.
• Sécurité des agents : formaliser une politique de gouvernance des agents avant tout déploiement de capacités agentiques (contrôle d’ordinateur, exécution de tâches), en s’appuyant sur les garde-fous du chapitre 8 et la checklist AI SecOps du chapitre 13.
• Stratégie fournisseur de calcul : cartographier les dépendances actuelles et explorer les options multi-fournisseurs (puces internes, TPU, GPU alternatifs) selon le cadre VendorOps du chapitre 16.
• Évaluation et test continu : structurer un dispositif d’évaluation des modèles en production (métriques, jeux de tests, protocoles de validation) conforme aux pratiques décrites au chapitre 15.

Le fait marquant de cette quinzaine tient à la convergence de trois accélérations : les modèles atteignent le million de tokens et deviennent agentiques, la chaîne d’approvisionnement en calcul se restructure autour de stratégies multi-fournisseurs, et la gouvernance — évaluation, sécurité, impact sociétal — s’industrialise chez les fournisseurs eux-mêmes. Les entreprises qui attendent que ces évolutions se stabilisent avant de s’organiser prennent le risque de devoir rattraper simultanément trois retards.