Fermer Le Menu
    FORUM
    Apple

    Apple teste Enchante et Enterprise Assistant en 2026 : Siri attend encore

    YvesPar Aucun commentaire10 Minutes de Lecture
    Young woman focused on work at a modern office, using laptop. Bright and vibrant setting.
    Photo de Vitaly Gariev sur Pexels.

    Apple teste auprès de ses salariés deux assistants, Enchante et Enterprise Assistant. Le premier vise les tâches générales, le second les procédures internes, tandis que Siri reste attendue en 2026.

    Enchante aurait été déployé en novembre 2025. Les employés peuvent l’utiliser pour relire un texte, trouver des idées, développer un projet ou obtenir une réponse de culture générale. Enterprise Assistant cible un besoin plus administratif : règles de conduite, congés, assurance santé et configuration du VPN sur iPhone.

    Le calendrier remonte à septembre 2025, quand Apple travaillait déjà sur Veritasune application interne de type ChatGPT pour iPhone. En octobre, la nouvelle version de Siri restait annoncée pour 2026. Apple construit donc ses outils d’abord derrière les murs de l’entreprise, avant d’envisager une exposition aux utilisateurs.

    Le sujet n’est pas encore un chatbot Apple à télécharger, mais un banc d’essai interne pour comparer les modèles, les accès et les erreurs.

    Enchante, le collègue qui ne prend jamais de pause

    Enchante est l’assistant généraliste du duo. Son interface ressemblerait à celle de ChatGPT sur macOSavec des fonctions de correction, de brainstorming, de recherche et d’aide au développement. Pour un salarié, l’intérêt est concret : disposer d’un outil conversationnel dans le flux de travail, sans ouvrir systématiquement un service externe.

    Le chatbot pourrait fonctionner localement ou sur les serveurs privés d’Apple. Il s’appuie sur les modèles de fondation de la marque et donne aussi accès à Claude et Gemini dans un cadre contrôlé. Cette architecture permettrait de comparer plusieurs modèles tout en limitant l’envoi automatique de documents confidentiels vers des infrastructures tierces.

    La confidentialité devient ici une contrainte d’architecture, pas un slogan de keynote. Un traitement local ou privé peut réduire l’exposition des données, mais il ne garantit ni la justesse des réponses ni la bonne gestion des droits d’accès. Apple doit encore contrôler la précision, la stabilité et les éventuelles hallucinations avant d’étendre ce type d’usage.

    Enterprise Assistant, le majordome du jardin clos

    Enterprise Assistant répond à une demande différente. Il centralise les informations propres à Apple afin qu’un salarié puisse retrouver une règle interne, vérifier un avantage social ou suivre une procédure technique. La recherche documentaire devient conversationnelle, ce qui évite de fouiller des pages intranet au vocabulaire administratif soporifique.

    A la différence d’Enchantel’outil serait fondé entièrement sur les grands modèles de langage internes d’Apple. Ce périmètre fermé permet de calibrer les réponses sur les documents, les règles et les processus de l’entreprise. Il ne s’agit donc pas d’un compagnon créatif universel, mais d’un intranet capable de répondre en phrases compréhensibles.

    Apple sépare ainsi deux fonctions : un assistant polyvalent qui compare ses modèles à Claude et Geminipuis un moteur spécialisé pour les données opérationnelles. Le jardin clos ne disparaît pas. Il reçoit une interface de chat et un concierge qui connaît les horaires du service informatique.

    Le feedback, carburant de Siri

    A woman kneeling and searching in an office drawer, focused on finding documents.
    Photo de Mizuno K sur Pexels.

    Les deux outils permettent aux salariés d’évaluer leurs réponses. Apple peut alors observer si un résultat est exact, utile et compréhensible dans une situation de travail réelle. Ces retours peuvent aussi révéler des réponses trop vagues, des hallucinations ou des procédures mal interprétées.

    Le feedback interne donne à Apple une salle de test à grande échelle pour ses assistants. Rien ne prouve que chaque évaluation alimentera automatiquement les produits destinés au public. Ces données peuvent toutefois aider à repérer les fonctions suffisamment fiables avant une diffusion plus large, notamment pour une Siri capable de gérer davantage de contexte.

    Cette méthode évite de lancer immédiatement un chatbot public avec des données sensibles. Elle permet aussi de comparer le comportement des modèles sur des tâches réelles, avec des utilisateurs qui connaissent les procédures et les exigences de l’entreprise. Pour Apple, le pari est moins spectaculaire qu’une keynote, mais le retour est plus directement exploitable.

    Claude et Gemini entrent dans le jardin clos

    L’accès à Claude et Gemini dans Enchante ne signifie pas qu’Apple abandonne ses propres modèles. La marque peut comparer plusieurs approches sur la rédaction, la synthèse, le raisonnement et le développement. Même le jardin clos a besoin de regarder ce qui pousse chez le voisin.

    Cette combinaison dessine une architecture à plusieurs niveaux : traitement local pour certaines demandes, serveurs privés pour d’autres et modèles externes dans un périmètre défini. Elle correspond à la logique d’Apple Intelligencequi cherche à préserver le contrôle de l’expérience et des données tout en utilisant, lorsque cela se justifie, des capacités extérieures.

    Pas de chatbot en vitrine, Siri garde la file

    Apple n’a pas annoncé de lancement public d’Enchante ou d’Enterprise Assistant. Aucun des deux outils ne remplace donc Siri sur l’iPhonele Mac ou l’iPad. Leur rôle reste interne : aider les salariés, mesurer les erreurs et déterminer quelles fonctions pourraient rejoindre les produits grand public.

    Les utilisateurs attendent toujours une Siri capable de comprendre le contexte, d’agir entre plusieurs applications et de traiter des demandes complexes. Pendant ce temps, Apple teste des assistants utilisables derrière les murs de l’Apple Park. Le jardin clos a donc un concierge. Reste à savoir quand Apple ouvrira la porte.

    Sources et références scientifiques
    1. Amber Neely. Apple Park employees are testing two new AI chatbots. 2026.
    2. Schiavon L, Benkeser SM, Settecase E, Jung RE, Zitzmann NU, Joda T.. Can AI assistants improve time efficiency in digital dataset preparation in virtual implant planning? A comparative study.. Journal of dentistry. 2025. DOI: 10.1016/j.jdent.2025.106152 · PMID: 41072898. (résumé scientifique structuré; texte intégral non fourni)
    3. Shadow AI in Consumer Health: The Case for Safe Adoption of National Health AI Assistants – PMC. Mayo Clinic proceedings. Digital health. DOI: 10.1016/j.mcpdig.2026.100352 · PMID: 42005407.
    4. 1.Singh V., Cheng S., Kwan A.C., Ebinger J. United States Food and Drug Administration regulation of clinical software in the era of artificial intelligence and machine learning. Mayo Clin Proc Digit Health. 2025;3(3) doi: 10.1016/j.mcpdig.2025.100231. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.mcpdig.2025.100231.
    5. 2.Gerke S., Babic B., Evgeniou T., Cohen I.G. The need for a system view to regulate artificial intelligence/machine learning-based software as medical device. NPJ Digit Med. 2020;3(1):53. doi: 10.1038/s41746-020-0262-2. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41746-020-0262-2.
    6. 3.Introducing ChatGPT health. OpenAI. January 7, 2026 [Google Scholar].
    7. 4.Advancing Claude in healthcare and the life sciences. Anthropic. January 12, 2026 [Google Scholar].
    8. 5.Dangerous and alarming Google Removes Some of Its AI Summaries after Users’ Health Put at Risk. The Guardian. January 11, 2026 [Google Scholar].
    9. 6.The state of enterprise AI. OpenAI. December 8, 2025 [Google Scholar].
    10. 7.Ayre J., Cvejic E., McCaffery K.J. Use of ChatGPT to obtain health information in Australia, 2024: insights from a nationally representative survey. Med J Aust. 2025;222(4):210-212. doi: 10.5694/mja2.52598. [DOI] [PubMed] [Google Scholar]. doi:10.5694/mja2.52598.
    11. 8.Mendel T., Singh N., Mann D.M., Wiesenfeld B., Nov O. Laypeople’s use of and attitudes toward large language models and search engines for health queries: survey study. J Med Internet Res. 2025;27 doi: 10.2196/64290. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/64290.
    12. 9.Mörike F., Spiehl H.L., Feufel M.A. Workarounds in the shadow system: an ethnographic study of requirements for documentation and cooperation in a clinical advisory center. Hum Factors. 2022;66(3):636-646. doi: 10.1177/00187208221087013. [DOI] [PubMed] [Google Scholar]. doi:10.1177/00187208221087013.
    13. 10.Adams S.J., Acosta J.N., Rajpurkar P. How generative AI voice agents will transform medicine. NPJ Digit Med. 2025;8(1):353. doi: 10.1038/s41746-025-01776-y. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41746-025-01776-y.
    14. 11.Rousmaniere T., Zhang Y., Li X., Shah S. Large language models as mental health resources: patterns of use in the United States. Pract Innov. 2025 doi: 10.1037/pri0000292. [DOI] [Google Scholar]. doi:10.1037/pri0000292.
    15. 12.Aggarwal A., Tam C.C., Wu D., Li X., Qiao S. Artificial intelligence-based chatbots for promoting health behavioral changes: systematic review. J Med Internet Res. 2023;25 doi: 10.2196/40789. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/40789.
    16. Evaluating the Role of AI Assistants in Accelerating Neurodegenerative Disease Research: Opportunities and Translational Limitations – PMC. Neuropsychiatric disease and treatment. DOI: 10.2147/ndt.s614952 · PMID: 42245290.
    17. 1.Poewe W, Seppi K, Tanner CM, et al. Parkinson disease. Nat Rev Dis Primers. 2017;3:17013. doi: 10.1038/nrdp.2017.13 [DOI] [PubMed] [Google Scholar]. doi:10.1038/nrdp.2017.13.
    18. 2.Kalia LV, Lang AE. Parkinson’s disease. Lancet. 2015;386(9996):896-7. doi: 10.1016/S0140-6736(14)61393-3 [DOI] [PubMed] [Google Scholar]. doi:10.1016/S0140-6736(14)61393-3.
    19. 3.Cummings J, Zhou Y, Lee G, Zhong K, Fonseca J. Alzheimer’s disease drug development pipeline: 2024. Alzheimers Dement. 2024;10:e12465. [DOI] [PMC free article] [PubMed] [Google Scholar].
    20. 4.Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi: 10.1038/s41591-018-0300-7 [DOI] [PubMed] [Google Scholar]. doi:10.1038/s41591-018-0300-7.
    21. 5.Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med. 2019;380(14):1347-1358. doi: 10.1056/NEJMra1814259 [DOI] [PubMed] [Google Scholar]. doi:10.1056/NEJMra1814259.
    22. 6.Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88. doi: 10.1016/j.media.2017.07.005 [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.media.2017.07.005.
    23. 7.Bommasani R, Dodge J, Hoffman MW, et al. On the opportunities and risks of foundation models. arXiv preprint. 2021. arXiv:2108.07258..
    24. 8.Moor M, Banerjee O, Abad ZM, et al. Foundation models for generalist medical artificial intelligence. Nature. 2023;616:259-265. [DOI] [PubMed] [Google Scholar].
    25. 9.Clusmann J, Sinaegi M, Kuhl AA, et al. The future landscape of large language models in medicine. Commun Med. 2023;3:141. doi: 10.1038/s43856-023-00370-1 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s43856-023-00370-1.
    26. 10.Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-453. doi: 10.1126/science.aax2342 [DOI] [PubMed] [Google Scholar]. doi:10.1126/science.aax2342.
    27. 11.Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell. 2019;1(5):206-215. doi: 10.1038/s42256-019-0048-x [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s42256-019-0048-x.
    28. 12.Finlayson SG, Bowers JD, Ito Z, Zittrain JL, Beam AL, Kohane IS. The clinician and dataset shift in artificial intelligence. N Engl J Med. 2021;385(3):283-286. doi: 10.1056/NEJMc2104626 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1056/NEJMc2104626.
    29. Optimizing Voice Controlled Intelligent Personal Assistants for Use by Home-Bound Older Adults – PMC. Journal of the American Geriatrics Society. DOI: 10.1111/jgs.17625 · PMID: 35029296.
    30. 1.Donovan NJ, Wu Q, Rentz DM, Sperling RA, Marshall GA, Glymour MM. Loneliness, depression and cognitive function in older U.S. adults. Int J Geriatr Psychiatry 2017;32(5):564-573. doi: 10.1002/gps.4495 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1002/gps.4495.
    31. 2.Kotwal AA, Cenzar IS, Waite LJ et al. “Social Isolation and Loneliness Among San Francisco Bay Area Older Adults During the COVID‐19 Shelter‐in‐Place Orders.” J Am Geriatr Soc 2021;69.1: 20-29. doi: 10.1111/jgs.16865 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1111/jgs.16865.
    32. 3.Hämmig O. Health risks associated with social isolation in general and in young, middle and old age. PLOS ONE 2019;14(8): e0222124. 10.1371/journal.pone.0222124 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1371/journal.pone.0222124.
    33. 4.COVID19: How to Protect Yourself and Others.. Updated July/26/2021. Accessed 7/1/2020. [Google Scholar].
    34. 5.Wu B Social isolation and loneliness among older adults in the context of COVID-19: a global challenge. Glob Health Res Policy 2020;5:27. doi: 10.1186/s41256-020-00154-3 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s41256-020-00154-3.
    35. 6.Steinman MA, Perry L, Perissinotto CM. Meeting the Care Needs of Older Adults Isolated at Home During the COVID-19 Pandemic. JAMA Intern Med 2020;180(6):819-820. doi: 10.1001/jamainternmed.2020.1661 [DOI] [PubMed] [Google Scholar]. doi:10.1001/jamainternmed.2020.1661.
    36. 7.Venkatesh A, Edirappuli S. Social distancing in covid-19: what are the mental health implications?. BMJ 2020;369:m1379. doi: 10.1136/bmj.m1379 [DOI] [PubMed] [Google Scholar]. doi:10.1136/bmj.m1379.
    37. 8.Armitage R, Nellums LB. COVID-19 and the consequences of isolating the elderly. Lancet Public Health 2020;5(5):e256. doi: 10.1016/S2468-2667(20)30061-X [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/S2468-2667(20)30061-X.
    38. 9.Landeiro F, Barrows P, Nuttall Musson E, Gray AM, Leal J. Reducing social isolation and loneliness in older people: a systematic review protocol. BMJ Open 2017;7(5):e013778. doi: 10.1136/bmjopen-2016-013778 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1136/bmjopen-2016-013778.
    39. 10.Venkatesh A, and Edirappuli S Social distancing in covid-19: what are the mental health implications? BMJ 2020;369:m1379. doi: 10.1136/bmj.m1379 [DOI] [PubMed] [Google Scholar]. doi:10.1136/bmj.m1379.
    40. en YR, Schulz PJ. The Effect of Information Communication Technology Interventions on Reducing Social Isolation in the Elderly: A Systematic Review. J Med Internet Res 2016;18(1):e18. doi: 10.2196/jmir.4596 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/jmir.4596.
    41. 12.O’Brien K, Liggett A, Ramirez-Zohfeld V, Sunkara P, Lindquist LA. Voice-Controlled Intelligent Personal Assistants to Support Aging in Place. J Am Geriatr Soc 2020;68: 176-179. 10.1111/jgs.16217 [DOI] [PubMed] [Google Scholar]. doi:10.1111/jgs.16217.
    42. Paul Terpstra. Apple Tests Two New AI Chatbots Inside Apple Park. 2026.

    Articles relatifs:

    Bonjour ! Je suis Yves, un passionné de technologie et du web, âgé de 35 ans. J'adore explorer les innovations numérique et partager mes connaissances avec autrui. Mon objectif est d'aider chacun à naviguer dans l'univers digital avec aisance. Bienvenue sur mon site !

    Connexes Postes

    Ajouter Un Commentaire
    Laisser Une Réponse