L'essentiel du 20 septembre 2026

Besoin de slides pour une réunion ? Claude peut désormais créer votre présentation de A à Z ↗Anthropic intègre deux nouvelles fonctionnalités à Claude : Claude Docs et Claude Slides, qui permettent de générer des documents et des présentations directement depuis une conversation. L'assistant absorbe au passage Claude Cowork, consolidant ainsi ses capacités de production de contenu dans une interface unifiée. Concrètement, un utilisateur peut partir d'un brief oral ou textuel et obtenir une présentation structurée sans passer par PowerPoint ou Google Slides. C'est le type d'usage à tester dès maintenant pour les équipes qui produisent régulièrement des livrables de communication interne ou client.

Siècle Digital/2 min

How To Write With An LLM ↗Thomas Ptacek décrit une règle stricte pour écrire avec un LLM : ne jamais utiliser une formulation suggérée par le modèle, même partielle. Le LLM est mobilisé comme outil de vérification factuelle, de relecture orthographique et grammaticale, ou comme dictionnaire des synonymes, pas comme co-rédacteur. Cette discipline vise à préserver la voix de l'auteur et à éviter le style générique qui caractérise les textes produits ou trop influencés par ces outils. Il partage également son prompt de relecture personnalisé, ce qui rend l'approche directement reproductible.

Simon Willison's Weblog/5 min

Aurélie Le Cain (L-Acoustics) et Edouard Guérin (OutSystems) : « On ne peut pas faire de l’IA pour faire de l’IA » ↗L'IA agentique peut automatiser des pans entiers des processus métiers, mais son efficacité dépend d'abord de la qualité des données disponibles et d'une intégration maîtrisée au système d'information existant. Aurélie Le Cain (L-Acoustics) et Edouard Guérin (OutSystems) rappellent qu'un projet IA doit partir d'un problème concret à résoudre, pas d'une volonté de faire de l'IA pour l'image. Le choix des cas d'usage est donc la décision clé : mieux vaut un périmètre restreint et utile qu'une ambition large mal cadrée. La gouvernance des accès et la fiabilité des données constituent les prérequis non négociables avant toute automatisation avancée.

IT for Business/6 min

PLANITY, TREATWELL ou FRESHA : quelle plateforme choisir pour son salon de coiffure, ou de soins esthétiques? ↗Les plateformes de réservation en ligne pour salons, Planity, Treatwell et Fresha, ne se limitent plus à la gestion d'agenda : elles intègrent désormais encaissement, fichier client, marketing, gestion des stocks et, pour certaines, des options de financement. Chaque modèle repose sur une logique économique distincte, abonnement, commission sur les réservations apportées, ou accès gratuit monétisé autrement, ce qui change concrètement la relation entre la plateforme et le professionnel. Le choix engage donc bien plus qu'un outil de prise de rendez-vous : il détermine qui contrôle la relation client et à quel coût.

FRENCHWEB.FR : innovation, tech, network/6 min

AI agents for business automation (with 27 AI agent examples) ↗Les agents IA vont plus loin que l'automatisation classique : ils ne se contentent pas d'exécuter des séquences prédéfinies, ils prennent des décisions en cours de route selon le contexte. Là où un outil comme Zapier suit des règles fixes, un agent peut évaluer une situation, choisir une action parmi plusieurs et s'adapter sans intervention humaine. L'article recense 27 exemples concrets d'agents appliqués à des usages métier (tri d'emails, planification, support client, gestion de données), ce qui en fait une base utile pour identifier ce qui est testable rapidement. Le sujet intéresse directement les structures qui automatisent déjà et cherchent à franchir le palier suivant.

The Zapier Blog/12 min

BPCE construit son benchmark IA : « Un coût choisi contre des coûts subis » ↗BPCE a conçu son propre benchmark pour évaluer les modèles d'IA, plutôt que de s'appuyer uniquement sur les classements publics jugés insuffisamment adaptés à ses usages métiers. La démarche repose sur un raisonnement simple : investir dans un cadre d'évaluation maîtrisé coûte moins cher que de subir les erreurs de choix de modèles mal adaptés. Le groupe a présenté au salon Big Data & AI la méthode retenue, les critères retenus et les premiers enseignements tirés de cet exercice. Pour des organisations qui multiplient les expérimentations IA, construire ses propres critères d'évaluation devient un levier de pilotage aussi important que le choix des outils eux-mêmes.

Silicon.fr/4 min

Aldrick Zappelini (Crédit Agricole) : « La mère de toutes les batailles, c’est la banque conversationnelle » ↗Le Crédit Agricole engage 500 millions d'euros sur trois ans pour structurer son virage IA, avec la création d'une entreprise IA interne et des infrastructures mutualisées entre entités du groupe. L'objectif affiché est la banque conversationnelle, c'est-à-dire des agents capables d'interagir directement avec les clients pour gérer des opérations courantes. Aldrick Zappelini précise que le déploiement passe d'abord par des usages internes avant d'exposer ces agents côté client. Le modèle retenu mise sur la mutualisation des briques techniques pour éviter que chaque entité redéveloppe les mêmes outils.

IT for Business/5 min

AI Overviews arrive en France : comment rester visible dans les résultats de recherche ? ↗Google déploie AI Overviews en France : le moteur affiche désormais une réponse générée par IA en tête de page, avec une sélection réduite de sources citées. Le trafic organique vers les sites tiers diminue mécaniquement, y compris pour des contenus bien positionnés. L'enjeu pour les entreprises et équipes marketing n'est plus seulement le classement SEO, mais la capacité à être sélectionné comme source par le système. Structurer ses contenus de façon claire, travailler l'autorité thématique et soigner les données structurées deviennent des leviers concrets pour rester visible.

FRENCHWEB.FR : innovation, tech, network/5 min

Remettre la donnée dans son contexte, un enjeu clé pour fiabiliser rapidement l'IA industrielle ↗Dans les environnements industriels, les modèles d'IA entraînés sur des données brutes sans métadonnées contextuelles (conditions de production, paramètres machine, historique de maintenance) produisent des prédictions peu fiables et difficilement exploitables. Relier chaque donnée à son contexte de collecte devient une condition technique de base pour que la maintenance prédictive ou le contrôle qualité fonctionnent réellement. Cette exigence pousse les industriels à revoir leur architecture de données en amont, avant même de déployer un modèle. L'enjeu n'est pas de collecter plus, mais de collecter mieux, avec des informations qui donnent du sens à la mesure.

Intelligence artificielle : Derniers contenus/5 min