Contexte de HumanX 2026

La conférence HumanX, tenue à Amsterdam en septembre 2026, a rassemblé une dizaine de jeunes entreprises spécialisées dans l’intelligence artificielle appliquée aux processus métier. L’objectif affiché était de réduire l’écart entre la volonté d’utiliser l’IA (« les yeux ») et la capacité à la déployer en production (« l’estomac »). Les intervenants ont présenté des architectures et des outils visant à rendre l’IA traçable, maintenable et intégrable dans des environnements d’entreprise.

Solutions présentées

8wave Oy propose un système de « AI lineage » qui relie chaque jeu de données d’entrée aux indicateurs de performance (KPI) de l’entreprise, créant ainsi un ERP dédié aux opérations d’IA. Bosun B.V. utilise un fichier de parité, stocké sous forme lisible et modifiable, pour comparer les entrées‑sorties d’une application legacy avant et après mise à jour. Clarifeye SAS déploie un « AI consultant » capable d’interviewer des experts afin d’extraire la connaissance tribale et de la fusionner avec les sources numériques existantes.

Distil labs GmbH automatise la création de petits modèles de langage (SLM) en affinant itérativement un modèle de base avec des données d’entreprise et synthétiques, réduisant ainsi le coût en tokens par rapport aux grands modèles (LLM). Reasoning Engines B.V. (LangWatch) offre des tests d’agents basés sur la simulation d’utilisateurs humains, en s’appuyant sur le modèle Jev d’TypeSafe AI pour accélérer les évaluations de type LLM‑as‑Judge. Orq.ai Holding B.V. combine une gouvernance centralisée (politiques, garde‑fous, traçabilité) avec une livraison décentralisée d’agents spécifiques, suivant les principes du platform engineering.

Safe Intelligence Ltd. fournit une plateforme d’essais itératifs qui identifie les causes d’échec – modèles sous‑performants, garde‑fous mal alignés ou logique métier défectueuse – et propose des correctifs. Softr Platforms GmbH propose un environnement visuel sans code, intégrant des capacités back‑end d’entreprise (déploiement scalable, contrôle d’accès, enforcement de politiques) tout en permettant aux équipes d’apporter leurs propres agents d’IA.

Analyse technique des innovations

Le suivi de l’AI lineage d’8wave impose la collecte systématique de métadonnées à chaque étape du pipeline, ce qui augmente la charge de stockage mais rend possible la corrélation directe entre variations de données et fluctuations de KPI. Le fichier de parité de Bosun, en conservant les flux d’entrée‑sortie sous forme textuelle, facilite la validation manuelle mais nécessite une gestion rigoureuse des versions pour éviter les divergences.

Le modèle de Clarifeye repose sur le traitement du langage naturel pour synthétiser des entretiens, ce qui soulève la question de la précision des transcriptions et de la confidentialité des informations sensibles. Distil labs, en limitant la taille du modèle, diminue les besoins en calcul et en mémoire, mais la qualité du SLM dépend fortement de la représentativité des données d’entraînement synthétiques.

LangWatch exploite la simulation d’utilisateurs pour générer des scénarios de test, mais la fidélité de la simulation reste conditionnée par la capacité du modèle Jev à reproduire des comportements humains complexes. Orq.ai, grâce à son architecture duale, sépare les fonctions de gouvernance (centralisées) des fonctions d’exécution (décentralisées), ce qui réduit les frictions de conformité tout en conservant la flexibilité opérationnelle ; toutefois, la synchronisation des politiques entre les nœuds distribués peut introduire des latences.

Safe Intelligence identifie les points de rupture via des itérations multiples, mais la couverture exhaustive des cas d’usage nécessite un volume important de scénarios, augmentant le temps de calcul. Softr, en offrant un environnement no‑code, accélère le prototypage, mais la dépendance à une couche d’abstraction peut limiter l’accès à des optimisations spécifiques d’infrastructure.

Enjeux d’intégration et limites

Ces solutions partagent le besoin d’une infrastructure de données fiable, d’une gouvernance claire et d’une surveillance continue. L’ajout de métadonnées (AI lineage, fichiers de parité) augmente la complexité de la chaîne d’approvisionnement logicielle, ce qui peut freiner les petites équipes. De plus, la plupart des présentations ne détaillent pas les métriques de performance (latence, taux d’erreur) ni les exigences de conformité (RGPD, ISO 27001), limitant l’évaluation de leur adéquation à des environnements réglementés. Enfin, la dépendance à des modèles propriétaires (Jev, SLM personnalisés) crée un verrouillage technologique qui doit être pesé contre les gains d’efficacité annoncés.