Contexte technique
J'ai analysé l'annonce de Microsoft du 2 juin, et il ne s'agit pas de marketing superficiel, mais d'une tentative de bâtir une base solide pour l'AI automation sous Windows. La logique est simple : moins d'allers-retours entre le cloud, le runtime, la sécurité et le matériel, c'est l'assurance de mener une artificial intelligence implementation en production sans accumuler de solutions de contournement.
Le changement majeur réside selon moi dans l'extension de Windows AI et Windows ML à un parc de GPU plus large. C'est le signe évident que Microsoft souhaite voir les modèles locaux et les applications d'agents s'exécuter sur le parc d'appareils réellement installés, et non plus sur quelques machines de démonstration.
La suite est encore plus intéressante. Deux modèles embarqués (on-device) sont ajoutés au système : Aion 1.0 Instruct, option de raisonnement plus économique, et Aion 1.0 Plan, modèle de planification pour la boucle d'agent locale (agentic loop). Autrement dit, Windows n'incite plus seulement à l'inférence, mais à un cycle complet : comprendre la tâche, planifier les étapes, maintenir l'état et poursuivre l'exécution.
Et c'est là que j'ai vraiment tiqué. Microsoft insiste particulièrement sur la mémoire persistante (persistent memory), les signaux de vie (heartbeats) et les intégrations avec des outils de travail comme Teams et Slack. On ne parle plus d'un simple chat avec un modèle, mais d'une infrastructure pour un agent capable de vivre au-delà d'une requête unique et de s'intégrer à un processus.
La sécurité n'a pas été en reste. Leur outil MDASH (multi-model agentic scanning harness) déploie plus d'une centaine d'agents spécialisés sur la base de code pour identifier, valider et prouver l'exploitabilité des failles. De plus, Defender AI model scanning (en preview) permet d'inspecter les modèles dans les registres, les espaces de travail et les pipelines CI/CD avant leur déploiement.
J'ai particulièrement apprécié que le SDK Agent 365 soit désormais en disponibilité générale (GA), couvrant l'observabilité, les accès et la conformité. Sur le papier, c'est une tentative de réunir enfin le développement, la gestion et la protection des agents au sein d'une seule pile, plutôt que de disperser la responsabilité entre de multiples équipes.
Impact sur le business et l'automatisation
Pour les entreprises, j'anticipe trois retombées concrètes. Premièrement : les agents d'IA locaux sur Windows deviennent viables là où les données ne peuvent pas être envoyées dans le cloud. Deuxièmement : le coût de l'architecture peut chuter si certains scénarios sont gérés directement sur l'appareil au lieu de solliciter en permanence une API d'inférence externe.
Troisièmement : la sécurité n'est plus une réflexion après coup. Qui y gagne ? Les équipes qui exigent une AI integration dans leur périmètre d'entreprise avec un suivi d'audit, une gouvernance et un contrôle rigoureux des modèles. Qui y perd ? Ceux qui assemblent encore des pipelines d'agents à partir de composants disparates en espérant que la conformité s'ajustera plus tard.
C'est un constat récurrent dans les projets de nos clients : concevoir une démo est aisé, l'ancrer dans des processus réels est complexe. Chez Nahornyi AI Lab, nous intervenons précisément au carrefour de l'architecture, de la sécurité et de la valeur métier. Si vous souhaitez passer des phases d'expérimentation à une AI automation opérationnelle sur Windows, nous pouvons analyser votre scénario et concevoir une solution sur mesure.