Comment l’IA change la donne en mathématiques pour les startups, selon un vice-président de Microsoft

Russell Brandom

Jeudi 12 février 2026 à 2h51 GMT+9 5 min de lecture

Dans cet article :

•                                       StockStory Top Pick
  

MSFT -2.22%

Microsoft CVP pour CoreAI Amanda Silver | Crédit image : Microsoft

Depuis 24 ans, Amanda Silver de Microsoft travaille pour aider les développeurs — et ces dernières années, cela signifie créer des outils pour l’IA. Après une longue période sur GitHub Copilot, Silver est maintenant vice-présidente d’entreprise chez Microsoft dans la division CoreAI, où elle développe des outils pour déployer des applications et des systèmes agentiques au sein des entreprises. Son travail se concentre sur le système Foundry dans Azure, conçu comme un portail d’IA unifié pour les entreprises, lui offrant une vue précise de la façon dont ces systèmes sont réellement utilisés et où les déploiements échouent.

J’ai discuté avec Silver des capacités actuelles des agents d’entreprise, et pourquoi elle pense que c’est la plus grande opportunité pour les startups depuis le cloud public.

Cette interview a été modifiée pour la longueur et la clarté.

Votre travail concerne principalement les produits Microsoft pour les développeurs externes — souvent des startups qui ne se concentrent pas forcément sur l’IA. Comment voyez-vous l’impact de l’IA sur ces entreprises ?

Je considère cela comme un moment charnière pour les startups, aussi important que le passage au cloud public. Si vous y réfléchissez, le cloud a eu un impact énorme pour les startups car il leur a permis de ne plus avoir besoin d’espace immobilier pour héberger leurs racks, ni de dépenser autant pour l’infrastructure matérielle dans leurs laboratoires. Tout est devenu moins cher. Maintenant, l’IA agentique va continuer à réduire le coût global des opérations logicielles, car beaucoup de tâches liées à la création d’une nouvelle entreprise — support, investigations juridiques — peuvent être faites plus rapidement et à moindre coût avec des agents IA. Je pense que cela va favoriser la création de plus de ventures et de startups. Et nous verrons des startups à plus forte valorisation avec moins de personnel à leur tête. C’est un monde passionnant.

À quoi cela ressemble-t-il concrètement ?

Nous voyons certainement des agents multi-étapes devenir très courants dans toutes sortes de tâches de codage. Par exemple, pour maintenir une base de code, les développeurs doivent suivre les dernières versions des bibliothèques dont ils dépendent. Vous pouvez avoir une dépendance à une version plus ancienne du runtime .NET ou du SDK Java. Nous pouvons faire en sorte que ces systèmes agentiques analysent l’ensemble de votre code et le mettent à jour beaucoup plus facilement, avec peut-être une réduction de 70 ou 80 % du temps nécessaire. Et cela nécessite un agent multi-étapes déployé pour fonctionner.

Les opérations en direct sont un autre exemple — si vous maintenez un site web ou un service et qu’un problème survient, il y a un bruit de fond, et quelqu’un doit être de garde pour répondre à l’incident. Nous avons encore des personnes de garde 24/7, au cas où le service tomberait. Mais c’était une tâche très redoutée, car on vous réveillait souvent pour des incidents mineurs. Nous avons maintenant construit un système génétique capable de diagnostiquer et, dans de nombreux cas, de résoudre complètement ces problèmes en direct, évitant ainsi que les humains aient à se réveiller en pleine nuit pour diagnostiquer ce qui se passe. Cela réduit aussi considérablement le temps moyen de résolution d’un incident.

Story Continues

Un autre défi actuel est que les déploiements agentiques ne se sont pas produits aussi rapidement que prévu il y a six mois. Pourquoi pensez-vous que c’est le cas ?

Si vous pensez aux personnes qui construisent des agents, ce qui les empêche souvent de réussir, c’est qu’elles ne savent pas vraiment quel doit être le but de l’agent. Il faut un changement de culture dans la façon dont ces systèmes sont construits. Quelle est la problématique commerciale qu’ils cherchent à résoudre ? Qu’espèrent-ils accomplir ? Il faut être très clair sur ce que signifie le succès pour cet agent. Et il faut réfléchir à quelles données fournir à l’agent pour qu’il puisse raisonner sur la façon d’accomplir cette tâche spécifique.

Nous voyons ces obstacles comme étant plus importants que l’incertitude générale liée au déploiement des agents. Quiconque examine ces systèmes voit le retour sur investissement.

Vous mentionnez l’incertitude générale, qui semble être un gros frein de l’extérieur. Pourquoi la voyez-vous comme moins problématique en pratique ?

Tout d’abord, je pense qu’il sera très courant que les systèmes agentiques impliquent des scénarios avec intervention humaine. Pensez à un retour de colis. Avant, le processus de retour était automatisé à 90 %, avec 10 % d’intervention humaine, où quelqu’un devait examiner le colis et juger du dommage avant d’accepter le retour.

C’est un exemple parfait où les modèles de vision par ordinateur deviennent si performants qu’on n’a plus besoin d’autant de supervision humaine pour inspecter le colis et prendre une décision. Il y aura toujours des cas limites, où la vision par ordinateur n’est pas encore fiable pour décider, et où une escalade sera nécessaire. C’est comme demander : à quelle fréquence faut-il faire appel à un manager ?

Certaines opérations nécessitent toujours une supervision humaine, comme engager une obligation légale ou déployer du code en production qui pourrait affecter la fiabilité de vos systèmes. Mais même dans ces cas, il faut se demander jusqu’où on peut automatiser le reste du processus.