Contexte et orientation post‑Dreamforce

Lors de Dreamforce 2026, Salesforce a présenté une stratégie centrée sur les agents d’intelligence artificielle capables de créer des interfaces autour d’une tâche, que ce soit dans Claude, Slack ou d’autres clients. L’idée est de ne plus commencer par l’écran de l’application, mais par le résultat attendu. Cette orientation repose sur les conclusions d’une étude Qualitate qui montre que la plupart des organisations sont encore en phase pilote ou preuve de concept avec les agents « Agentforce ». Malgré ce stade précoce, 75 % des répondants qui ont modélisé l’impact financier du mode « headless » anticipent une hausse des dépenses Salesforce, ce qui indique un intérêt fort pour l’exécution d’opérations hors de l’interface native.

Architecture du système d’intelligence et des agents

Le cadre présenté par les auteurs s’articule autour de trois couches : le système d’engagement (SoE), le système d’intelligence (SoI) et le système d’agence (SoA). Le SoI constitue le cœur technique ; il relie les modèles de langage large (LLM) aux « physiques » de l’entreprise, c’est‑à‑dire aux métriques comme le revenu ou le churn et aux processus métier tels que le quote‑to‑cash. Cette couche s’appuie sur des plateformes d’analyse de données (Snowflake, Databricks, AWS, Google) qui agrègent les données opérationnelles, puis sur des métadonnées de gouvernance qui transforment les colonnes en vocabulaires compréhensibles par les humains et les agents. Au-dessus, le SoA lit l’état du business, élabore un plan et l’exécute via le SoI, tandis que le SoE fournit l’interface humaine ou agent pour interagir avec les décisions. Le concept d’« enterprise AI harness » regroupe données, connaissances métier, workflows et contrôles, permettant aux agents d’agir de façon déterministe tout en tirant parti de la stochasticité des LLM.

Implications techniques et défis d’une approche headless

Déplacer l’interaction hors de l’interface Salesforce implique une intégration via API et des mécanismes de gouvernance renforcés. Les agents doivent accéder aux cubes de données qui restent des silos tant que le modèle de données n’est pas harmonisé, ce qui impose des efforts de normalisation. Le modèle économique change : plus d’utilisation du moteur Salesforce peut augmenter le chiffre d’affaires, mais la valeur perçue dépend de la capacité à justifier les coûts lorsque les utilisateurs opèrent depuis leurs propres environnements IA. Le mélange de logiciels déterministes (workflows, règles métier) avec les réponses probabilistes des LLM crée un besoin de validation en temps réel pour éviter des actions non conformes. Enfin, la tarification doit évoluer pour couvrir les scénarios de consommation « headless » sans pénaliser les clients qui migrent leurs interfaces.

Perspectives d’adoption et limites

Les données de Qualitate suggèrent que la plupart des entreprises restent en phase pilote, ce qui indique que la maturité technique des agents n’est pas encore généralisée. Le succès de l’expansion dépendra de la capacité de Salesforce à maintenir la pertinence de son contexte métier dans des environnements externes, à fournir des métadonnées de gouvernance fiables et à garantir que les workflows automatisés restent alignés avec les exigences de conformité. Sans ces garanties, le déplacement de l’interface pourrait réduire la valeur ajoutée perçue, même si la consommation technique augmente. En résumé, la stratégie repose sur une architecture modulaire (SoE/SoI/SoA) et sur l’intégration profonde avec les plateformes de données, mais son adoption à grande échelle reste conditionnée par la résolution des défis d’interopérabilité, de gouvernance et de modèle économique.