The 2025 state of AI Development

L'enquête classe les équipes selon jusqu'où elles ont mené l'IA, depuis les échanges avec les utilisateurs sur leurs besoins jusqu'à une stratégie et une preuve de concept, une bêta et, enfin, un déploiement en production. Environ un quart des entreprises avaient quelque chose en production et le reste se répartissait sur les étapes antérieures. Cette ventilation compte parce qu'elle montre que le domaine n'est pas une seule vague mais un éventail : une équipe qui se sent en retard se trouve souvent, en réalité, à la même étape que la majorité.

L'analyse et l'extraction de documents sont ressorties comme le cas d'usage le plus courant, suivies du service client et des assistants conversationnels, puis de l'analyse en langage naturel. La génération de contenu, les systèmes de recommandation, la génération de code et l'automatisation de la recherche complétaient la liste. Le schéma pointe vers des tâches qui consistent à lire et trier du texte existant, pas seulement à en produire du nouveau, ce qui est un indice utile sur la localisation de la demande.

OpenAI a gardé la plus grande part d'usage, surtout avec GPT-4o et GPT-4o Mini, avec Microsoft Azure, Anthropic et AWS Bedrock juste derrière. Les grandes entreprises s'appuyaient davantage sur les plateformes cloud, et la part d'Azure grimpait avec la taille de l'entreprise. Les modèles ouverts hébergés par des fournisseurs comme Groq, Fireworks AI et Together AI ont gagné du terrain, ce que le rapport lit comme le signe que les équipes veulent plus d'une option dans le mélange.

La génération augmentée par récupération a dominé les architectures décrites par les équipes, la majorité utilisant une base de données vectorielle. Seul environ un tiers affinait un modèle. Le rapport relie ce faible recours à l'affinage à la baisse des coûts et à la hausse de la qualité des modèles, car un bon modèle de base plus la récupération suffisent souvent sans entraînement sur mesure.

La plupart des développeurs disaient évaluer leur IA, mais les méthodes penchent vers le manuel : les tests et la revue dépassent largement les outils d'évaluation automatique. La surveillance se répartissait de la même façon, les tableaux de bord maison devançant les outils tiers. Gérer les hallucinations et les problèmes de prompt est ressorti comme le principal défi, ce qui colle à la finesse encore limitée des contrôles automatiques.

Le rapport se termine par un regard vers l'avant et prédit que 2025 devient une année d'outils et que les flux agentiques passent des expérimentations aux fonctions déjà livrées. Il signale aussi la montée des configurations multi-modèles et la pression continue sur les coûts comme des forces qui façonneront ce que les équipes construisent ensuite.