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

Top 10 Forrester 2026 : la “Layer Zero” et l’IA qui s’échappe de l’écran pour réinventer l’expérience

L’idée la plus électrisante du classement Forrester, celle qui donne l’impression d’assister à un changement de décennie en temps réel, porte un nom presque minimaliste : Layer Zero Experiences. Derrière l’expression se cache une bascule simple à formuler et vertigineuse à mettre en œuvre : une couche d’intelligence “au-dessus” des applications, capable de comprendre une intention, d’assembler des actions et de livrer un résultat sans imposer le parcours en silo entre dix interfaces. Autrement dit, le centre de gravité ne serait plus l’application… mais l’intention. Et c’est précisément là que l’IA “sort de l’écran” : elle n’est plus un onglet à ouvrir, elle devient un mécanisme omniprésent qui relie tout.

Dans un scénario concret, une responsable RH d’une entreprise fictive, Atelier Mistral (600 salariés, multisites), ne “va plus” sur un outil de paie puis un outil de planification. Elle formule une demande : “Prépare les contrats des intérimaires pour Lyon, ajoute les accès badge, et programme la formation sécurité.” La couche zéro interroge les briques disponibles, vérifie les droits, compose le flux, génère les documents, ouvre les tickets, et rend un statut lisible. Ce n’est pas une interface plus jolie : c’est une orchestration qui absorbe la complexité.

De la conversation à l’action : l’interface devient un assemblage dynamique 🧩

Les premiers signaux sont déjà visibles via l’intégration de services directement dans des assistants conversationnels. Des plateformes ont démontré qu’un assistant peut convoquer un outil de design, un module d’apprentissage ou une réservation de voyage au sein d’un même espace. Une “super-app” qui réunirait conversation, navigation et exécution de tâches ressemble à une préfiguration : l’utilisateur n’alterne plus entre “chercher” et “faire”, il fait pendant qu’il cherche.

En parallèle, l’approche protocolaire progresse : des mécanismes permettent à des agents de produire des interfaces structurées que l’application hôte peut rendre nativement. Cela a un effet immédiat sur les DSI : si l’interface devient variable, alors ce qui compte est la capacité du SI à exposer des fonctions actionnables (API, connecteurs, politiques d’accès, traçabilité). La question n’est plus “quelle application acheter ?”, mais “quels services internes rendre composables ?”

Ce déplacement peut surprendre, car il ne tue pas les apps du jour au lendemain. Il les “déplace” : elles deviennent des moteurs invisibles derrière une expérience unifiée. Et quand l’expérience se réorganise, tout le reste suit : sécurité, gouvernance, catalogue de données, gestion d’identité. C’est une transformation de fond, pas un relooking.

Cas d’école : l’entreprise qui prépare le terrain au lieu de subir 🔧

Chez Atelier Mistral, un incident a servi d’électrochoc : un projet “assistant interne” a échoué parce que l’agent n’avait pas de droits clairs et que les API des outils métiers n’étaient pas documentées. Résultat : des demandes approximatives, des validations manuelles partout, et une impression de gadget. La relance du projet a démarré par une discipline presque classique : cartographier les capacités du SI, définir des mandats (ce qu’un agent peut faire au nom d’un utilisateur), et construire un registre de connecteurs.

Pour éviter une inflation de solutions superposées, le DSI a aussi mis à plat la question du coût et du foisonnement, un thème qui résonne fortement dans les comités de direction. L’angle est détaillé dans l’analyse sur l’inflation technologique côté DSI, qui éclaire pourquoi l’empilement d’outils IA peut devenir une dette opérationnelle si la stratégie de plateforme n’est pas explicite.

À la fin, l’insight le plus important est presque paradoxal : plus l’interface se simplifie, plus l’architecture doit être robuste ⚙️.

IA physique & robotique : quand les modèles passent dans les machines et transforment les métiers 🤖

La deuxième grande vague décrite par Forrester est celle qui impressionne immédiatement, parce qu’elle se voit : Physical AI & Robotics. Là où la Layer Zero rend l’IA “invisible” dans les espaces numériques, l’IA physique la rend visible dans le monde réel. On ne parle plus d’un assistant qui rédige une note, mais d’un système qui perçoit, raisonne et agit dans un entrepôt, un atelier, un hôpital, un chantier. Et surtout : il s’adapte, au lieu d’exécuter un script figé.

Les avancées récentes en modèles vision-langage-action ont accéléré cette trajectoire. Un robot qui comprend une consigne (“prends la caisse bleue, évite la zone humide, dépose-la quai 3”) et la convertit en actions motrices devient un acteur opérationnel. Les plateformes industrielles, de leur côté, fournissent simulateurs, environnements de données et piles logicielles pour entraîner et valider ces comportements. L’enthousiasme est justifié, mais la réalité du terrain impose un pragmatisme total : intégrer un robot, ce n’est pas “brancher une IA”, c’est intégrer une nouvelle entité dans un système socio-technique.

Entrepôts, hôpitaux, maintenance : les cas d’usage qui démarrent maintenant 🏭

Les premiers déploiements se concentrent sur des tâches répétitives, pénibles ou dangereuses : préparation de commandes, inventaires, manutention, transport interne, inspection visuelle, nettoyage spécialisé, assistance logistique en milieu hospitalier. Dans un hôpital, par exemple, un robot peut livrer des consommables entre services, libérant du temps infirmier sans toucher à l’acte de soin. Dans un entrepôt, il peut réduire les accidents liés au port de charge.

Chez Atelier Mistral, une usine pilote a équipé une zone de contrôle qualité avec un système d’inspection couplé à un bras robotisé. Au départ, le modèle confondait deux défauts de surface sous un certain éclairage. Plutôt que d’accuser “l’IA”, l’équipe a traité le problème comme un sujet industriel : améliorer la lumière, enrichir les données, mettre des seuils, et surtout instaurer un protocole de validation humaine sur les lots sensibles. Ce type d’histoire rappelle une règle d’or : l’IA physique est une discipline de fiabilité autant que d’intelligence.

Sécurité, responsabilité, OT/IT : le triangle qui décide du passage à l’échelle 🔒

Les obstacles ne sont pas seulement techniques. Qui est responsable si une machine endommage un produit, ou si elle provoque un arrêt de ligne ? Quelles traces conserver pour investiguer un incident ? Comment gérer les mises à jour de modèles sans perturber la production ? Et comment faire dialoguer l’OT (automates, capteurs, contraintes temps réel) avec l’IT (réseaux, identités, politiques de sécurité) ? Ces questions, longtemps “hors scope” des projets IA de bureau, deviennent centrales.

Dans cette logique, les entreprises qui maîtrisent déjà l’automatisation structurée ont un avantage : elles savent documenter les processus, gérer les exceptions, auditer. Une lecture utile se trouve dans ce dossier sur l’automatisation et la RPA, car l’industrialisation robotique reprend les mêmes réflexes : gouvernance, supervision, mesures de performance, gestion des dérives.

Dernier point, rarement dit mais décisif : l’acceptation sociale. Dans les ateliers, les meilleurs résultats apparaissent quand les équipes sont impliquées, formées, et que le robot est présenté comme un renfort sur les tâches pénibles, pas comme un juge de performance. L’insight final tient en une phrase : la robotique IA gagne quand elle protège et augmente le travail ✅.

Pour comprendre la dynamique technique côté recherche et produits, une exploration vidéo des tendances “robotics + foundation models” peut aider à situer les termes et les démonstrations.

Commerce agentique & développement agentique : l’IA qui achète et l’IA qui code, deux chocs pour les organisations 🛒

Forrester place deux tendances à fort impact proche au cœur de l’actualité : Agentic Commerce et Agentic Software Development. L’une touche la relation client et le chiffre d’affaires. L’autre touche la capacité de livraison des équipes techniques. Et les deux ont un point commun : l’IA ne se contente plus de suggérer, elle exécute, sous conditions, au nom d’un utilisateur ou d’une organisation.

Quand l’agent devient intermédiaire entre marque et client 🎯

Le commerce agentique renverse un réflexe du web : au lieu de naviguer, comparer, ajouter au panier, payer, l’utilisateur délègue. Un assistant peut comparer des offres selon un budget, appliquer des préférences (taille, marque, contraintes éthiques), puis déclencher l’achat via un mécanisme de checkout intégré. Des protocoles émergent pour standardiser ces échanges entre assistants et systèmes de paiement, et des acteurs de l’écosystème e-commerce s’y branchent déjà.

Pour une marque, l’enjeu n’est pas seulement technique, il est stratégique : si la découverte produit, la recommandation et l’acte d’achat se déplacent vers des assistants transactionnels, alors le pouvoir se déplace aussi. Qui “voit” la donnée client ? Qui contrôle le ranking ? Qui impose ses standards ? Une entreprise qui attend risque de se retrouver à optimiser non plus pour un moteur de recherche, mais pour un agent. Dans l’UE, cette question recoupe aussi les débats sur autonomie et dépendances : la réflexion sur l’inaction en matière de souveraineté numérique illustre pourquoi laisser la couche protocolaire aux autres revient souvent à accepter leurs règles.

Exemple concret : un catalogue prêt pour les agents, sinon rien 📦

Atelier Mistral vend des pièces industrielles. Le commerce agentique semble “loin” de ce B2B, jusqu’au jour où un client important annonce : “Les achats passeront par un agent, et seuls les fournisseurs exposant des fiches produits structurées, des délais fiables et une traçabilité seront éligibles.” Cela force une modernisation : normalisation des attributs, disponibilité en temps réel, règles de substitution, conditions de paiement, gestion d’identité et de mandat. Ce n’est pas glamour, mais c’est la base pour être “lisible” par un agent.

Voici une liste d’actions qui reviennent dans les chantiers les plus solides :

• 🧭 Structurer le catalogue (attributs, variantes, unités, équivalences) pour éviter les ambiguïtés.
• 🔐 Définir le mandat d’achat (plafonds, fournisseurs autorisés, règles de conformité) afin de limiter les erreurs.
• 🧾 Assurer la traçabilité (qui a décidé, qui a validé, quel agent a exécuté) pour l’audit.
• ⏱️ Exposer des services temps réel (stock, délai, prix, contraintes logistiques) plutôt que des exports statiques.
• 🛡️ Prévoir un mode “humain dans la boucle” sur les achats sensibles, avec validation explicite.

L’insight à retenir : dans le commerce agentique, la visibilité se gagne par la qualité des données et des règles 📌.

Le développement agentique : du codeur à l’orchestrateur 🧑‍💻

Du côté des équipes techniques, les assistants de code ont changé de nature. Ils ne se limitent plus à compléter une ligne : ils peuvent prendre une tâche, analyser un dépôt, modifier plusieurs fichiers, lancer des tests, puis proposer une pull request. Cela transforme le rôle du développeur : moins “producteur de syntaxe”, plus pilote d’intentions, de contraintes, de revues, de sécurité. Les bénéfices potentiels sont énormes sur la vélocité, mais les risques existent : dette technique accélérée, tests insuffisants, dépendances vulnérables, logique métier mal comprise.

Atelier Mistral a institué une règle simple : tout changement généré par agent doit passer par une revue humaine, et tout composant ajouté doit être scanné et justifié. Une équipe a même mis en place un “budget de complexité” : si l’agent propose une solution trop sophistiquée, il faut la simplifier avant merge. Résultat : l’outil devient un accélérateur sans devenir un générateur de chaos.

Pour approfondir la façon dont un agent intelligent peut s’intégrer à un environnement de travail outillé, cet article sur un agent intelligent orienté action apporte un éclairage intéressant sur l’évolution des assistants vers des exécutants supervisés.

La transition vers les systèmes multi-agents et la sécurité devient alors inévitable : plus les agents font, plus il faut les encadrer.

Systèmes multi-agents & plateforme de sécurité IA : l’orchestration devient le vrai sujet, la confiance aussi 🧠

Une fois que les agents savent agir, une question s’impose : comment coordonner plusieurs agents sans transformer l’entreprise en labyrinthe automatique ? Forrester décrit les systèmes multi-agents comme une sorte de système d’exploitation de l’IA agentique. L’image est parlante : un agent seul exécute une tâche, mais un processus réel implique des rôles, des outils, des validations, des exceptions, des contraintes légales. La coordination devient donc la couche stratégique, celle qui décide si l’IA apporte de la valeur ou du risque.

Pourquoi un agent unique ne suffit pas (et ce que change la coordination) 🔄

Dans un processus de gestion d’incident informatique, par exemple, un agent peut analyser les logs. Un autre peut vérifier l’état des services cloud. Un troisième peut ouvrir un ticket, prévenir les équipes, proposer un contournement, et documenter l’événement. Sans orchestration, ces agents peuvent se contredire, saturer des systèmes de requêtes, ou pire : déclencher des actions en cascade sur la base d’une hypothèse erronée.

Atelier Mistral a vécu une version miniature de ce scénario : un agent “support” a escaladé trop vite un incident mineur, déclenchant des notifications massives. La correction n’a pas été de “désactiver l’agent”, mais de créer des garde-fous : seuils, délais, corrélation d’événements, et surtout un “chef d’orchestre” qui distribue les tâches et exige des preuves avant action. La leçon est claire : l’autonomie sans structure fabrique de l’imprévisible ⚠️.

Identités d’agents, droits, audit : le noyau dur de la confiance 🔐

La sécurité et la confiance deviennent alors une plateforme transversale. Les menaces connues se multiplient : injection de prompt, fuite de données, détournement d’outils, vol de modèles, abus de connecteurs. Les organisations ont d’abord répondu par des outils spécialisés (pare-feux IA, monitoring de prompts, détection de fuites). Mais la tendance la plus marquante est la consolidation en plateformes intégrées qui couvrent prompts, applications et modèles dans une même chaîne de contrôle.

Les RSSI se retrouvent avec une question nouvelle, mais très concrète : un agent est-il un utilisateur ? un service ? une identité non humaine ? Qui le crée ? Qui le désactive ? Que se passe-t-il si un agent a un jeton trop permissif ? L’architecture de confiance devient un préalable, sinon le reste du Top 10 reste théorique.

Un tableau de lecture opérationnel aide à prioriser, en distinguant valeur, risque et horizon :

Technologie (Forrester) 🧭	Valeur attendue 💡	Risque principal ⚠️	Horizon typique ⏳
Agentic Commerce 🛒	Conversion et personnalisation, parcours réduit	Perte de maîtrise de la relation client, fraude	Court terme
Agentic Software Development 🧑‍💻	Accélération livraison, automatisation tests/tâches	Dette technique, vulnérabilités, qualité variable	Court à moyen terme
Multi-agent systems 🧠	Processus bout-en-bout, orchestration métier	Effets de cascade, accès excessifs	Moyen terme
AI Security & Trust 🛡️	Déploiement sûr, audit, conformité	Couverture incomplète, fragmentation des outils	Immédiat et continu

Pour saisir l’ampleur des débats contemporains autour de l’IA et des plateformes, un détour par les discussions industrielles et les stratégies des grands acteurs peut être éclairant, notamment via ce décryptage sur la “révolution IA” côté Huawei, qui montre comment l’IA est pensée comme écosystème complet (matériel, logiciel, services).

Dernier insight : si l’entreprise veut des agents autonomes, elle doit d’abord être autonome sur ses règles de contrôle ✅.

Une recherche vidéo sur les architectures multi-agents et leurs garde-fous permet aussi de visualiser les patterns d’orchestration (registre d’outils, policy engine, évaluations, supervision).

Frontier models, supercomputing IA et quantum computing : les “carburants” qui redessinent la puissance et l’urgence cryptographique ⚡

Le classement Forrester ne parle pas seulement d’usages visibles. Il rappelle que l’IA agentique repose sur des socles : modèles de pointe, supercalcul IA, et, plus loin mais déjà pressant, calcul quantique. Ces technologies “Fuel” changent la donne pour les organisations, parce qu’elles touchent au coût, à la souveraineté, à l’énergie, et à la sécurité à long terme.

Modèles de pointe : la performance ne suffit plus, l’arbitrage devient métier 🎛️

Le marché des modèles évolue à une vitesse qui donne le tournis : de nouvelles versions plus capables arrivent alors que les précédentes ne sont pas encore pleinement industrialisées. Pourtant, dans les entreprises, la question n’est plus “quel modèle est le meilleur ?”, mais “quel modèle est le plus adapté au contexte : coût, latence, confidentialité, auditabilité, disponibilité, intégration”. Un modèle plus gros peut coûter trop cher, ou être trop lent pour un processus en temps réel. Un modèle plus sobre, bien évalué, peut produire un meilleur ROI.

Atelier Mistral a mené une évaluation sur trois familles de tâches : support interne, génération de code, extraction de données de documents. Surprise : le modèle le plus “prestigieux” n’a pas gagné partout. Sur les documents, un pipeline spécialisé avec des validations a fait mieux, parce que la précision et la traçabilité étaient plus importantes que la créativité. L’insight : l’industrialisation récompense la pertinence, pas le gigantisme 🎯.

Supercalcul IA : des “usines” de calcul, et une nouvelle dépendance énergétique 🧊

L’IA qui agit dans le monde a un coût physique : GPU, CPU, réseau, stockage, refroidissement, énergie, data centers, orchestration. Les constructeurs proposent des plateformes rack-scale conçues pour les “AI factories”, et les hyperscalers accélèrent leur silicium maison pour réduire la dépendance à un seul fournisseur. Pour les DSI, c’est une révolution silencieuse : la capacité de calcul devient un facteur de compétitivité, mais aussi un facteur de dépendance aux chaînes d’approvisionnement et aux choix d’architecture.

Dans certains groupes, l’arbitrage “cloud vs on-prem” se rejoue avec une nuance : il faut parfois combiner plusieurs clouds, des capacités locales, et des environnements spécialisés. Cela oblige à renforcer la FinOps, mais aussi l’obsession de l’efficacité : un agent mal conçu peut consommer 10 fois trop de tokens, et donc 10 fois trop de budget. La sobriété logicielle revient par la grande porte, portée par le coût du calcul.

Calcul quantique : promesse industrielle et urgence post-quantique 🔑

Le quantique reste la technologie la plus “long horizon” du Top 10, mais sa présence envoie un signal : la praticité se rapproche, et surtout le risque cryptographique n’est plus un sujet abstrait. L’idée de Q-day (le moment où des schémas cryptographiques actuels deviennent cassables) impose aux RSSI une préparation structurée. Les cas d’usage applicatifs existent déjà dans quelques niches : optimisation en finance, simulation moléculaire en pharmacie, routage en supply chain. Le gros de l’économie, lui, doit surtout préparer la transition post-quantique.

Les standards de cryptographie post-quantique formalisés par les autorités de référence poussent à commencer sans attendre : inventaire des dépendances cryptographiques, priorisation des systèmes critiques, tests de compatibilité, plan de migration. Chez Atelier Mistral, le chantier a démarré par un exercice simple mais révélateur : identifier où se trouvent les certificats, qui les renouvelle, et quels équipements ne supportent pas les nouveaux algorithmes. La découverte d’équipements industriels “non patchables” a immédiatement fait monter le sujet au comité risques.

Ce trio “modèles + calcul + quantique” prépare le terrain au prochain chapitre : des SI où l’ERP, le commerce et les opérations s’alignent autour d’agents et de workflows. Sur ce point, l’actualité des suites de gestion est éloquente, notamment avec les approches décrites dans ce point sur l’ERP agentique et SAP Sapphire, qui illustre comment l’agent devient une façade de processus et non un gadget collé par-dessus. L’insight final : les technologies Fuel ne sont pas un arrière-plan, elles sont le levier et la contrainte ⚡.