Forrester dévoile les 10 technologies émergentes pour 2026 : quand l’IA s’échappe de l’écran

Forrester remet un coup de projecteur sur un basculement qui se sent déjà dans les entreprises les plus agiles : l’intelligence artificielle ne se contente plus d’assister, elle agit. Elle réserve, achète, rédige du code, coordonne des tâches et commence même à piloter des systèmes physiques. Ce déplacement, discret en apparence, a pourtant un effet spectaculaire sur les systèmes d’information : les interfaces deviennent plus invisibles, les décisions plus distribuées, et la question centrale n’est plus « que sait faire l’IA ? » mais « qui l’autorise à faire quoi, comment, et avec quelles preuves ? » C’est là que la notion d’IA hors écran prend tout son sens : l’action ne se limite plus à une fenêtre de chat, elle traverse des applications, des machines, des workflows et des chaînes logistiques entières.

Le classement des technologies émergentes esquissé par Forrester dessine un futur numérique où l’innovation technologique se mesure autant en capacité d’exécution qu’en puissance de calcul. Les directions IT se retrouvent face à un puzzle enthousiasmant : comment industrialiser des agents qui discutent entre eux, tout en maîtrisant l’identité, la conformité, l’observabilité et les coûts ? Dans cette nouvelle phase de transformation digitale, le gagnant ne sera pas forcément celui qui adopte tout en premier, mais celui qui choisit avec méthode : valeur, risque et horizon de retour. Et si l’IA sort de l’écran, c’est aussi parce que l’infrastructure, la sécurité et les protocoles mûrissent enfin pour l’accompagner.

En bref

• 🚀 Forrester décrit une IA devenue agentique : elle exécute, orchestre et déclenche des actions, au-delà du simple dialogue.
• 🧩 Trois familles structurent les technologies émergentes : Interact (expériences), Build (construction), Fuel (socles).
• 🫥 Les Layer Zero Experiences annoncent une interface « au-dessus » des applications, où l’intention prime sur la navigation.
• 🤖 L’IA prend corps avec la robotique et la technologie immersive des environnements simulés qui entraînent les machines.
• 🛒 Le commerce agentique déplace la relation client vers des assistants transactionnels (paiement, mandat, traçabilité).
• 🧱 La bataille se déplace vers l’architecture : identité des agents, droits, audit, sécurité et gouvernance.
• 🖥️ Les « usines à IA » (GPU, réseaux, refroidissement) deviennent un facteur de compétitivité… et de dépendance.
• 🔐 Le quantique n’est pas qu’une promesse : la migration post-quantique devient un chantier concret pour les RSSI.

Forrester et les technologies émergentes 2026 : l’IA hors écran comme nouveau centre de gravité

Le rapport Forrester sur les technologies émergentes met en scène un phénomène facile à résumer et difficile à maîtriser : l’intelligence artificielle cesse d’être un outil « dans » l’ordinateur pour devenir un acteur « autour » des processus. Là où, hier, l’utilisateur cliquait, copiait-collait et validait, l’agent propose une séquence complète : comprendre l’objectif, appeler plusieurs services, vérifier des contraintes, puis exécuter. Cette montée en autonomie fait passer la transformation digitale d’une logique de modernisation (migrer, refondre, automatiser) à une logique d’orchestration (déléguer, contrôler, auditer, arbitrer).

Pour visualiser la bascule, imaginons une entreprise fictive, Novalys, distributeur de pièces industrielles. Avant, un acheteur comparait des fournisseurs sur trois portails, demandait un devis, négociait, puis créait la commande dans l’ERP. Désormais, un agent peut agréger les catalogues, calculer le meilleur compromis coût/délai/empreinte carbone, vérifier les seuils d’approbation, puis préparer la commande. Le geste humain ne disparaît pas : il se déplace vers la définition des règles, l’arbitrage et la supervision. Et c’est précisément là que Forrester insiste : la valeur se gagne si l’architecture et la gouvernance suivent, sinon l’autonomie devient un risque.

Forrester propose une lecture en trois familles qui évite l’effet « liste hétéroclite ». Interact couvre ce que les utilisateurs vont ressentir directement ; Build regroupe les briques qui rendent ces usages possibles ; Fuel désigne les fondations (modèles, calcul, infrastructures) qui alimentent la machine. Cette catégorisation est précieuse pour les DSI : elle aide à séparer ce qui peut produire des bénéfices rapidement de ce qui demande une préparation plus longue, et de ce qui relève d’un investissement de socle.

Le message le plus enthousiasmant—et le plus exigeant—tient en une formule : l’IA hors écran va se multiplier. Pourquoi ? Parce que les organisations veulent réduire les frictions invisibles : ressaisies, validations dispersées, tickets qui s’empilent, recherches d’informations, erreurs de contexte. Ces micro-coûts paraissent anodins, mais à l’échelle d’un groupe international ils représentent des millions d’euros et une fatigue opérationnelle. Les technologies disruptives mises en avant par Forrester promettent de grignoter ces frictions, à condition de traiter trois points de front : les droits (qui peut agir), la traçabilité (qui a fait quoi), la sécurité (comment empêcher les dérives).

En filigrane, une question s’impose : faut-il piloter l’IA comme un logiciel, ou comme une équipe ? La réponse ressemble à un « oui » vibrant. Un agent a besoin de tests, de versions, de monitoring, mais il a aussi besoin d’un mandat, d’une charte et d’un cadre de responsabilité. Cette hybridation annonce la prochaine section : des interfaces qui disparaissent, remplacées par une couche d’intention au-dessus des applications.

Layer Zero Experiences : l’interface au-dessus des apps, moteur de technologie immersive et de futur numérique

Dans la liste Forrester, les Layer Zero Experiences frappent par leur dimension presque philosophique : et si l’interface n’était plus l’application, mais une couche d’intelligence artificielle capable d’interpréter une intention et d’assembler des actions à travers des services ? Concrètement, l’utilisateur ne navigue plus ; il formule un objectif. Le système décompose, appelle des fonctions, récupère des données, puis rend un résultat cohérent. Cela ne « tue » pas immédiatement les applications : cela déplace le centre de gravité vers des services composables, des droits finement gérés, et des API prêtes pour des agents.

Cette évolution s’observe déjà dans les usages grand public et professionnels. Les intégrations de services directement dans des conversations, les kits de développement d’extensions, ou les protocoles permettant de générer des interfaces structurées indiquent la direction : l’agent devient un chef d’orchestre. Pour Novalys, cela se traduit par une demande simple en apparence : « préparer une proposition commerciale pour ce client, avec les disponibilités réelles, les marges cibles, et une livraison optimisée ». Derrière cette phrase, l’agent doit consulter CRM, stock, transport, règles de pricing et conditions contractuelles. Sans une couche « zéro », l’utilisateur jongle entre dix onglets. Avec elle, il obtient une réponse actionnable, parfois même une action prête à être validée.

Ce mouvement rend la technologie immersive plus subtile qu’un casque de réalité virtuelle. L’immersion devient contextuelle : l’interface épouse le besoin et s’efface dès que l’action est terminée. Dans une salle de maintenance, une tablette ou une paire de lunettes connectées peut afficher la bonne procédure au bon moment, déclenchée par l’agent qui a compris la situation (symptômes, historique, pièces disponibles). L’écran existe encore, mais il n’est plus le point de départ ; il est un support temporaire.

Le défi le plus délicat n’est pas l’UX, c’est la permission. Une couche qui « flotte » au-dessus des applications exige de cartographier les capacités exposées : lecture seule, écriture, déclenchement d’achat, création de compte, modification de prix, etc. Les équipes IAM (Identity & Access Management) doivent alors gérer non seulement des humains, mais aussi des identités non humaines : agents, sous-agents, outils. Et la conformité n’est pas un bonus : dès qu’un agent touche à des données personnelles ou à des décisions sensibles, l’entreprise doit pouvoir prouver qui a autorisé quoi, quand, et sur la base de quelles règles.

Dans les comités de pilotage, une tension apparaît : faut-il ouvrir largement les fonctions pour accélérer, ou limiter fortement pour éviter les incidents ? La voie la plus robuste consiste à démarrer par des scénarios bornés et mesurables. Par exemple : « génération de documents », « préparation de devis », « création de tickets IT », « pré-remplissage de commandes »… avec validation humaine. Ce n’est pas un frein : c’est un accélérateur durable, car l’entreprise construit une base de contrôle et de confiance. Le terrain est alors prêt pour l’étape suivante, plus tangible : l’IA qui s’incarne dans des robots et des machines.

La bascule vers l’IA dans le monde réel n’est pas un gadget : c’est la partie visible d’une informatique qui devient action.

Physical AI & robotique : quand l’intelligence artificielle prend corps et transforme l’innovation technologique

La robotique dopée à l’IA, souvent fantasmée, entre dans une phase plus opérationnelle. Forrester parle d’IA physique pour désigner des systèmes capables de percevoir, raisonner et agir dans un environnement réel, sans se limiter à des scripts rigides. Cette nuance change tout : au lieu d’une machine programmée pour répéter, on obtient une machine capable de s’adapter à des variations, d’interpréter une consigne, et de corriger sa trajectoire. L’innovation technologique se mesure alors en robustesse : comment le système réagit-il face à un carton mal posé, une lumière changeante, un humain qui traverse ?

Dans Novalys, l’IA physique arrive d’abord par des cas d’usage « sans glamour », mais à forte valeur : manutention, préparation de commandes, inventaires, inspection. Un entrepôt peut confier à des robots la prise d’objets hétérogènes, là où l’automatisation classique exigeait des bacs standardisés. Un hôpital peut automatiser certains transports internes, réduisant les kilomètres parcourus par le personnel. Une usine peut améliorer la sécurité en déléguant des contrôles dans des zones à risque. Ces scénarios se financent parce qu’ils répondent à des pénuries de main-d’œuvre, à des exigences de sécurité, et à des gains de qualité.

Les piles technologiques présentées par les grands acteurs vont dans la même direction : modèles vision-langage-action, simulateurs, environnements de données, outils de génération de scénarios. Un point clé, souvent sous-estimé, est la simulation. Avant de lâcher un robot dans le monde réel, l’entreprise veut le tester dans un jumeau numérique : gestes répétables, millions de variantes, et surtout collecte d’incidents « virtuels » qui évitent des incidents « réels ». C’est ici que la technologie immersive prend une dimension industrielle : elle sert à entraîner, valider, et expliquer.

Pour autant, la difficulté n’est pas seulement algorithmique. Elle est aussi OT/IT : connecter des machines (OT) au SI (IT) sans exposer l’usine à des risques cyber. Elle est RH : redéfinir les postes, former, rassurer, éviter l’effet « boîte noire ». Elle est juridique : qui est responsable si un robot cause un dommage ? L’opérateur, le fournisseur, l’intégrateur, l’entreprise qui a défini les règles ? Ces questions ne sont pas théoriques : elles conditionnent les contrats, les assurances, les procédures de sécurité.

Les organisations les plus matures adoptent une stratégie par zones : commencer dans des périmètres contrôlés (entrepôt, couloir, ligne) et étendre ensuite. Elles mettent en place une instrumentation forte : logs d’événements, vidéos, capteurs, journal d’actions de l’agent, et revues d’incidents. Cela peut sembler lourd, mais c’est le prix d’une autonomie fiable. Une fois la mécanique acquise, le passage vers le transport autonome devient plus lisible : même logique de périmètres, mêmes obsessions de sécurité, mêmes cas limites.

Commerce agentique, développement agentique et systèmes multi-agents : les technologies disruptives qui refaçonnent la transformation digitale

La partie la plus immédiatement business du classement Forrester tient en trois expressions qui s’emboîtent : agentic commerce, agentic software development et systèmes multi-agents. Ensemble, elles dessinent une entreprise où l’IA ne répond pas seulement, mais exécute des chaînes de tâches. L’intérêt est évident : réduire les délais, fluidifier les parcours, limiter les erreurs de saisie, et rendre les équipes plus efficaces. Le risque l’est tout autant : déléguer l’action sans maîtriser l’identité, la validation et l’audit.

Le commerce agentique s’annonce comme un transfert de pouvoir. Au lieu d’un client qui compare sur des sites, un assistant peut filtrer, négocier des options, puis déclencher un achat. Des protocoles d’achat et de paiement adaptés aux agents émergent, portés par des plateformes de paiement et des acteurs du SaaS. Pour une marque, l’enjeu devient : comment rester visible quand l’agent fait le tri ? Comment présenter un catalogue sous forme « lisible par agent » ? Comment prouver l’authenticité d’un produit, ses conditions, ses garanties ? On entre dans une économie où la fiche produit devient un objet contractuel et traçable, et où la bataille se joue sur les données structurées et la confiance.

Chez Novalys, un scénario concret s’impose : un responsable maintenance demande « une pompe compatible, livrable sous 48h, avec certification ». L’agent compare, vérifie les compatibilités, calcule le coût d’arrêt évité, puis propose l’option la plus rationnelle. La tentation est forte de laisser l’agent acheter directement. Et c’est là que le SI doit encadrer : mandat d’achat, seuils, double validation, journal d’actions, et mécanisme d’annulation. Un agent qui achète sans garde-fou peut économiser du temps… ou créer un désastre budgétaire.

Côté développement, les agents changent la place du développeur. Ils savent analyser un dépôt, modifier plusieurs fichiers, lancer des tests et proposer une pull request. Le développeur devient un chef d’orchestre : il fixe l’intention, impose des contraintes (performance, sécurité, style), puis révise. La promesse est enthousiasmante pour les DSI : accélération des correctifs, meilleure couverture de tests, réduction des tâches répétitives. Mais la vigilance s’impose : les agents peuvent aussi introduire de la dette technique, des dépendances fragiles, ou des failles subtiles. Les équipes DevSecOps gagnent donc un nouveau terrain : politiques de revue, analyse statique, scans de secrets, et gating automatique avant merge.

Pourquoi les systèmes multi-agents deviennent le “système d’exploitation” de l’IA agentique

Un agent isolé suffit pour automatiser une tâche simple. Une entreprise, elle, fonctionne en rôles : achats, finance, conformité, support, production. Les systèmes multi-agents permettent de distribuer les responsabilités : un agent « approvisionnement » consulte le catalogue, un agent « conformité » vérifie les contraintes, un agent « finance » contrôle le budget, un agent « exécution » prépare la commande. Cela rappelle une équipe humaine, avec des spécialités et des processus. Et comme dans une équipe, l’orchestration fait la différence : qui délègue, qui valide, qui arbitre ?

Les frameworks et kits se multiplient : registres de connecteurs, outils d’évaluation, garde-fous, protocoles d’agent à agent. Le point crucial, lui, reste la gouvernance. Quand des agents se parlent, les effets de cascade deviennent possibles : un mauvais signal, une règle mal définie, et une série d’actions s’enchaîne. Les entreprises qui réussissent traitent donc ces systèmes comme des chaînes critiques : elles limitent le périmètre, imposent des budgets d’action, mettent des verrous, et observent tout.

Liste de contrôle opérationnelle pour déployer des agents sans perdre la maîtrise

• 🧾 Définir un mandat clair par agent (objectif, périmètre, interdits) et un propriétaire métier.
• 🔐 Mettre en place une identité d’agent avec droits minimaux, rotation des clés et séparation des environnements.
• ✅ Exiger des points de validation (humain ou règles) pour les actions à impact : achat, suppression, publication.
• 🧭 Activer une traçabilité complète : prompts, outils appelés, données consultées, décisions, horodatage.
• 🧪 Industrialiser les tests (fonctionnels, sécurité, régression) et mesurer le taux d’échec par scénario.
• 📉 Fixer des budgets : coût de calcul, limites de requêtes, et garde-fous anti-boucle.
• 🧑‍⚖️ Prévoir un plan d’incident : arrêt d’urgence, rollback, et procédure de communication interne.

Ce triptyque commerce–code–multi-agents annonce mécaniquement une question : comment protéger tout cela de manière cohérente ? C’est le moment où la sécurité cesse d’être un patchwork d’outils pour devenir une plateforme.

Avant d’aller plus loin, une visualisation simple aide à situer les technologies : impact, horizon et principaux défis.

Cette photographie des technologies disruptives montre un fil rouge : l’exécution accélère, donc la confiance doit devenir systémique.

Sécurité, confiance et infrastructures : AI Security and Trust, modèles de pointe, supercalcul et urgence post-quantique

Quand l’IA devient un acteur opérationnel, la sécurité ne peut plus rester une couche ajoutée après coup. Forrester souligne un tournant : la sécurité de l’IA devient unificatrice. Jusqu’ici, le marché empilait des briques : pare-feu de prompts, monitoring d’applications, détection de fuites, protection de modèles. Désormais, ces composants tendent à se consolider en plateformes capables de couvrir l’ensemble du cycle de vie : découverte, évaluation, protection, audit, réponse. C’est une excellente nouvelle pour les entreprises : moins d’angles morts, plus de cohérence. C’est aussi une exigence : sans plateforme, impossible de sécuriser des agents qui appellent des outils, manipulent des identités et déclenchent des actions.

Le sujet le plus explosif est celui des identités non humaines. Un agent n’est pas un utilisateur classique : il peut être instancié, cloné, spécialisé, délégué. Il peut agir à grande vitesse, sur des volumes élevés. Pour Novalys, cela impose une discipline nouvelle : un annuaire d’agents, des rôles précis, des droits minimaux, et des revues régulières. De la même façon qu’une entreprise audite les comptes administrateurs, elle doit auditer les agents privilégiés. Un agent qui « peut acheter » ou « peut déployer en production » est un super-utilisateur : il mérite des contrôles renforcés.

Toolbox : estimer la maturité “IA hors écran” d’un projet agentique

Au-delà de la sécurité, Forrester rappelle que les modèles de pointe restent le carburant. Le marché avance si vite que la question n’est plus seulement « quel modèle est le plus performant ? », mais « quel modèle est le plus adapté à ce contexte ? ». Dans une banque, la priorité peut être l’auditabilité et la souveraineté. Dans un service client, ce peut être la latence et le coût par conversation. Dans un bureau d’études, ce sera la multimodalité et la précision. Le meilleur choix est souvent un portefeuille : un modèle premium pour les cas complexes, des modèles plus légers pour le volume, et une couche d’orchestration qui route intelligemment.

Cette réalité mène naturellement à l’AI supercomputing. L’IA agentique a un coût physique : GPU, réseaux, stockage, refroidissement, énergie. Les plateformes rack-scale et les « AI factories » deviennent un nouveau langage du SI. Pour les DSI, il y a une énergie communicative dans cette course au calcul, mais aussi une question très terre-à-terre : combien coûte une action agentique, à l’échelle d’un million d’actions ? Quel est le prix de l’entraînement, de l’inférence, des tests, de l’observabilité ? La transformation digitale se retrouve donc liée aux contraintes énergétiques et aux chaînes d’approvisionnement.

Enfin, le calcul quantique apparaît comme la technologie à horizon plus lointain, mais au présent paradoxalement pressant à cause de la cryptographie. Forrester évoque un calendrier où le « Q-day »—le jour où des schémas actuels deviennent cassables—cesse d’être un sujet de science-fiction. La réponse la plus pragmatique est déjà connue : migrer vers des standards post-quantiques. Les standards finalisés par les organismes de normalisation forment une base solide pour planifier. Ce chantier ressemble à une rénovation de plomberie : peu visible, mais vital. Il implique inventaire des usages cryptographiques, priorisation, tests de performance, compatibilité partenaires, et plan de déploiement par vagues.

Au fond, la promesse est enthousiasmante : un futur numérique où l’IA accélère la valeur. La condition est tout aussi claire : sans confiance, l’autonomie devient une dette. Et c’est précisément cette équation—valeur, risque, horizon—que Forrester pousse sur le devant de la scène.

Qu’est-ce que Forrester entend par IA hors écran ?

Il s’agit d’une intelligence artificielle qui ne se limite plus à répondre dans une interface conversationnelle. Elle agit via des services (API), déclenche des workflows, pilote des outils et peut interagir avec le monde physique (robots, capteurs), tout en restant souvent « invisible » pour l’utilisateur final.

Pourquoi les Layer Zero Experiences sont-elles considérées comme disruptives ?

Parce qu’elles déplacent l’expérience utilisateur au-dessus des applications : l’intention devient l’entrée principale, et la couche IA assemble les actions entre plusieurs services. Cela pousse les entreprises à exposer leurs fonctions de manière actionnable, avec des droits, des validations et une traçabilité renforcés.

Quels sont les risques majeurs des systèmes multi-agents en entreprise ?

Les principaux risques sont les effets de cascade (une erreur se propage), les accès excessifs (droits trop larges), l’imprévisibilité (agents qui se déclenchent mutuellement) et le manque d’audit. La réponse passe par l’identité des agents, des budgets d’action, des points de validation et une observabilité de bout en bout.

Le commerce agentique menace-t-il la relation directe entre marques et clients ?

Oui, car l’assistant transactionnel peut devenir un nouvel intermédiaire : il filtre, compare et choisit. Les marques doivent donc rendre leurs catalogues lisibles par des agents, investir dans la qualité des données, la preuve (authenticité, garanties) et une stratégie d’intégration pour rester présentes dans les parcours.

Que faire dès maintenant face au risque cryptographique lié au quantique ?

L’action la plus concrète consiste à lancer une transition post-quantique : inventorier où la cryptographie est utilisée, prioriser les systèmes à longue durée de vie, tester les algorithmes post-quantiques recommandés, puis déployer progressivement en coordination avec les partenaires et fournisseurs.

Anna Bailly

Anna Bailly dirige la rédaction de CDI TECH MEDIA. Journaliste numérique depuis onze ans, elle a fait ses armes au pôle innovation de Numerama avant de rejoindre Usbek & Rica comme cheffe de la rubrique technologies, puis de co-fonder un média indépendant dédié à l’intelligence artificielle à Berlin. Diplômée de Sciences Po Paris et titulaire d’un DU d’éthique de l’intelligence artificielle, elle s’intéresse autant à la mécanique interne des modèles de langage qu’aux dynamiques sociales du numérique.