Make Next-Gen AI Agents : Le Reasoning Panel Expliqué

Make Next-Gen AI Agents : Le Reasoning Panel Expliqué

L'automatisation intelligente entre dans une nouvelle ère : les agents IA Make peuvent désormais raisonner à voix haute. Voici ce que cela change concrètement pour vos workflows.

Make (anciennement Integromat) a franchi un cap décisif début 2026 avec le lancement de ses Make Next-Gen AI Agents : une génération d'automatisations pilotées par des modèles de langage qui ne se contentent plus d'exécuter des tâches préprogrammées, mais raisonnent pour atteindre un objectif. Au cœur de cette innovation se trouve le Reasoning Panel, une interface qui rend visible en temps réel le processus de pensée de l'agent. Pour les équipes métier, les développeurs et les consultants en automatisation, ce changement n'est pas cosmétique : il transforme la façon de concevoir, de déboguer et de faire confiance à des workflows complexes.

Dans cet article, nous décryptons le fonctionnement technique du Reasoning Panel et du Chat In-Canvas, nous comparons en profondeur Make et n8n sur ce terrain en 2026, et nous vous donnons un guide pas à pas pour créer votre premier agent IA Make — avec des cas d'usage concrets tirés de scénarios réels.

---

Qu'est-ce qu'un Agent IA en 2026 ?

Avant de plonger dans les spécificités de Make, il est important de bien comprendre ce qu'on entend par « agent IA » en 2026. Le terme est galvaudé, utilisé pour décrire des réalités très différentes selon les plateformes. Dans le contexte de Make et des outils d'automatisation no-code, un agent IA désigne un système qui :

1. Reçoit un objectif exprimé en langage naturel (par exemple : « qualifie ce lead et crée une tâche HubSpot si le score est supérieur à 70 »).
2. Décompose cet objectif en étapes en utilisant un modèle de langage comme orchestrateur.
3. Sélectionne et utilise des outils (modules Make, APIs HTTP, services tiers) pour obtenir les informations dont il a besoin.
4. Ajuste sa stratégie en fonction des résultats intermédiaires, sans suivre un arbre de décision préprogrammé.
5. Produit un résultat accompagné d'une trace de raisonnement complète.

C'est une rupture fondamentale avec l'automatisation classique. Un scénario Make traditionnel est déterministe : vous définissez exactement ce qui se passe à chaque étape. Un agent IA est probabiliste et adaptatif : vous définissez l'objectif, et l'agent décide comment l'atteindre. Cette flexibilité est précieuse pour les cas d'usage où les situations varient — un email client qui peut contenir dix types de demandes différentes, un lead qui peut provenir de dix sources avec des données hétérogènes, un rapport qui doit être adapté selon le contexte métier de la semaine.

La contrepartie de cette flexibilité, c'est l'opacité. Comment savoir ce que fait réellement l'agent ? Comment déboguer un comportement inattendu ? C'est précisément pour répondre à cette problématique que Make a développé le Reasoning Panel.

---

Le Reasoning Panel : Fenêtre sur le Cerveau de l'Agent

Le Reasoning Panel est la fonctionnalité la plus innovante des Make Next-Gen AI Agents. C'est une interface visuelle, intégrée directement dans l'éditeur Make, qui affiche en temps réel les « pensées » de l'agent pendant son exécution. Concrètement, vous voyez :

• L'analyse initiale du contexte : l'agent commence par évaluer l'objectif reçu et les données disponibles. Il identifie ce qu'il sait et ce qu'il lui manque.
• La sélection des outils : avant chaque action, l'agent explique pourquoi il choisit tel outil plutôt qu'un autre. « J'ai besoin de vérifier l'historique email de ce contact — j'utilise le module Gmail. »
• L'interprétation des résultats : après chaque appel d'outil, l'agent analyse ce qu'il a obtenu et comment cela influence sa décision suivante.
• La décision finale : l'agent justifie son résultat en résumant le raisonnement qui l'a conduit là.

L'agent IA Make orchestre LLM, outils et Reasoning Panel pour produire des résultats transparents et auditables

Pourquoi c'est une avancée majeure

Avant le Reasoning Panel, les automatisations IA sur Make ressemblaient à des boîtes noires. Vous envoyiez un input, vous obteniez un output, mais si le résultat était incorrect ou inattendu, identifier la cause était laborieux : fallait-il revoir le prompt ? Les données d'entrée ? La configuration du module ? La logique de branchement ?

Avec le Reasoning Panel, le débogage devient une conversation. Vous voyez exactement à quel moment l'agent a pris une mauvaise décision, et pourquoi. Vous pouvez intervenir, affiner le prompt ou la configuration des outils, et relancer l'exécution avec une compréhension précise de ce que vous avez changé.

Cette transparence a aussi un impact direct sur la confiance des parties prenantes. Dans un contexte professionnel, il est beaucoup plus facile de convaincre un directeur commercial d'adopter une qualification de leads automatisée quand vous pouvez lui montrer, pour chaque lead, le raisonnement complet qui a conduit au score. L'IA n'est plus une magie opaque : c'est un collaborateur dont vous pouvez suivre le travail.

Séquence complète : de l'objectif en langage naturel à la décision finale avec justification visible dans le Reasoning Panel

Le modèle ReAct sous-jacent

D'un point de vue technique, le Reasoning Panel est l'expression visible d'un cycle de raisonnement appelé ReAct (Reasoning + Acting), popularisé dans la recherche sur les agents LLM. Ce cycle alterne entre une phase de réflexion (le LLM analyse la situation et planifie la prochaine action) et une phase d'action (l'agent appelle un outil et observe le résultat). Ce cycle se répète jusqu'à ce que l'objectif soit atteint ou qu'une condition d'arrêt soit rencontrée. Le Reasoning Panel expose ce cycle itératif de façon lisible et chronologique, ce qui en fait un outil pédagogique autant qu'opérationnel.

---

Chat In-Canvas : Piloter l'Agent en Langage Naturel

Le Chat In-Canvas est la seconde grande innovation des Make Next-Gen AI Agents. Il s'agit d'une interface de dialogue directement intégrée dans l'éditeur de scénarios Make, qui vous permet d'interagir avec votre agent — et avec votre scénario lui-même — en langage naturel.

Les cas d'usage du Chat In-Canvas sont variés :

Création de scénarios par dialogue. Au lieu de drag-and-dropper des modules et de configurer chaque paramètre manuellement, vous décrivez ce que vous voulez faire : « Crée un agent qui reçoit un email Gmail, extrait le nom et l'email de l'expéditeur, vérifie s'il existe dans HubSpot, et si non, crée un contact. » Make génère automatiquement les modules correspondants.

Débogage conversationnel. Quand un agent se comporte de façon inattendue, vous pouvez lui poser des questions directement : « Pourquoi as-tu choisi d'escalader ce ticket plutôt que de répondre automatiquement ? » L'agent explique son raisonnement dans le chat, et vous pouvez affiner les instructions sans toucher à la configuration technique.

Modification de scénario par prompt. Vous pouvez modifier le comportement de l'agent en écrivant simplement : « Ajoute une condition : si le score du lead est inférieur à 50, archive-le plutôt que de créer une tâche. » Make interprète l'instruction et modifie le scénario en conséquence.

Test en mode conversationnel. Pendant la phase de développement, vous pouvez soumettre des cas de test directement dans le chat : « Teste avec ce contenu d'email : [texte]. » L'agent s'exécute, le Reasoning Panel s'affiche, et vous évaluez le comportement sans avoir à déclencher un webhook ou à attendre un email réel.

Cette approche conversationnelle réduit considérablement la courbe d'apprentissage pour les utilisateurs non techniques, tout en offrant aux développeurs une façon plus rapide d'itérer sur des configurations complexes.

---

Architecture Technique des Agents Make

Pour tirer le meilleur parti des Make Next-Gen AI Agents, il est utile de comprendre leur architecture interne. Un agent Make se compose de trois couches principales :

Le LLM Orchestrateur

C'est le cerveau de l'agent. Make permet selon la documentation de connecter plusieurs LLMs : OpenAI (GPT-4o, GPT-4o mini), Anthropic (Claude 3.5), et selon les mises à jour disponibles, d'autres modèles via des intégrations custom. Le LLM reçoit l'objectif, le contexte courant, la liste des outils disponibles, et génère les instructions pour les appels d'outils successifs. Le choix du LLM influence directement la qualité du raisonnement, le coût d'exécution par opération, et la vitesse de réponse.

Les Outils (Tools)

Les outils sont les modules Make que l'agent peut appeler pendant son raisonnement. Tout module Make peut potentiellement être exposé comme outil d'agent : Gmail, HubSpot, Airtable, Google Sheets, modules HTTP pour APIs custom, etc. Chaque outil est décrit au LLM via une description textuelle qui lui permet de comprendre quand et comment l'utiliser. La qualité de ces descriptions est critique : une description imprécise conduira l'agent à utiliser les mauvais outils ou à les utiliser incorrectement.

La Mémoire et le Contexte

Les agents Make Next-Gen disposent d'une mémoire de session : ils conservent le contexte de l'exécution courante (les résultats des outils précédents, les décisions prises) pour informer les actions suivantes. Pour des cas d'usage nécessitant une mémoire persistante entre plusieurs sessions — par exemple, un agent support qui doit se souvenir des interactions passées avec un client — il faut connecter une source de données externe (Airtable, Notion, Supabase, etc.) et la configurer comme outil de mémoire.

---

Make vs n8n en 2026 : Analyse Comparative Complète

La comparaison entre Make et n8n est incontournable pour quiconque s'intéresse aux agents IA. Les deux plateformes ont fait des avancées significatives en 2025-2026, mais leurs philosophies restent fondamentalement différentes.

Make domine sur la facilité d'utilisation et le Reasoning Panel ; n8n domine sur le support MCP, le self-hosting et le prix

Quand choisir Make ?

Make est le meilleur choix si vous valorisez la facilité d'adoption et la transparence du raisonnement. Les équipes métier sans développeur dédié, les agences qui construisent des automatisations pour des clients non-techniques, et les cas d'usage où l'auditabilité de l'IA est critique (qualification de leads, rédaction de contenu, service client) bénéficieront directement du Reasoning Panel et du Chat In-Canvas. Make dispose également d'un catalogue d'intégrations natif extrêmement large — plus de 1 800 apps selon la documentation Make — ce qui réduit le besoin de développement custom.

Quand choisir n8n ?

n8n est supérieur si vous avez des exigences de souveraineté des données (self-hosting), si vous avez besoin du protocole MCP dès maintenant pour connecter des agents à des serveurs d'outils standardisés, ou si vous avez des développeurs capables de personnaliser profondément les workflows. n8n est aussi plus adapté pour les entreprises avec des données sensibles qui ne peuvent pas transiter par le cloud Make. Pour en savoir plus sur les capacités MCP de n8n, consultez notre article Connecter n8n à un serveur MCP pour vos agents IA.

Le verdict terrain

Dans la pratique, les deux outils sont complémentaires plutôt que concurrents directs. Chez BOVO Digital, nous utilisons Make pour les workflows orientés business — intégrations CRM, qualification de leads, reporting — et n8n pour les architectures techniques où le contrôle total et le MCP sont nécessaires. Pour comparer en détail les deux plateformes sur l'ensemble des critères d'un choix 2026, consultez notre analyse complète Make AI Agents vs n8n : Lequel Choisir en 2026 ?.

---

Guide Pas à Pas : Créer Votre Premier Agent Make

Voici comment mettre en place un agent IA Make de A à Z. Ce guide est basé sur l'interface Make telle qu'elle était documentée début 2026 — la Beta peut évoluer.

Les 6 étapes pour créer et déployer votre premier agent IA Make, du prérequis au déploiement

Prérequis

Avant de commencer, vous avez besoin d'un compte Make actif (plan Core minimum pour accéder aux modules IA Beta), et d'une clé API pour le LLM de votre choix — OpenAI, Anthropic ou autre selon les intégrations disponibles dans votre région.

Étape 1 : Créer un nouveau scénario

Dans votre tableau de bord Make, créez un nouveau scénario vierge. Donnez-lui un nom descriptif qui reflète l'objectif de l'agent — par exemple : « Agent Qualification Leads Entrants ».

Étape 2 : Ajouter le module AI Agent (Beta)

Dans l'éditeur de scénarios, cliquez sur le bouton « + » pour ajouter un module. Recherchez « AI Agent » dans la barre de recherche. Si la fonctionnalité Beta est activée sur votre compte, le module apparaît. Ajoutez-le comme point d'entrée ou comme étape intermédiaire selon votre architecture.

Étape 3 : Configurer le LLM

Dans les paramètres du module AI Agent, sélectionnez le LLM que vous souhaitez utiliser. Entrez votre clé API et choisissez le modèle. Pour des agents de qualification, GPT-4o offre un bon équilibre entre qualité de raisonnement et coût. Pour des agents plus simples, GPT-4o mini ou des modèles moins coûteux peuvent suffire.

Étape 4 : Définir les outils disponibles

C'est l'étape la plus critique. Vous devez indiquer à l'agent quels modules Make il peut appeler pendant son raisonnement. Pour chaque outil, rédigez une description claire et précise : « Utilise cet outil pour rechercher un contact dans HubSpot par email et obtenir son historique d'interactions. » La qualité de ces descriptions détermine directement la qualité du raisonnement de l'agent.

Étape 5 : Définir l'objectif via le Chat In-Canvas

Ouvrez le Chat In-Canvas et rédigez l'objectif de l'agent en langage naturel. Soyez précis mais pas trop prescriptif — laissez l'agent de la latitude pour décider comment atteindre l'objectif. Un bon prompt d'objectif ressemble à : « Analyse les données de ce lead (email, secteur, taille d'entreprise) et attribue-lui un score de 0 à 100 en justifiant chaque critère. Si le score dépasse 70, crée une tâche HubSpot urgente pour l'équipe commerciale. »

Étape 6 : Observer le Reasoning Panel et itérer

Lancez une première exécution de test et observez attentivement le Reasoning Panel. Notez les moments où l'agent hésite, utilise un outil inattendu, ou prend une décision que vous n'anticipiez pas. Chaque écart est une opportunité d'affiner votre configuration. Ajustez les descriptions des outils, précisez l'objectif, ou ajoutez des contraintes explicites dans le prompt.

---

Cas d'Usage Concrets et Avancés

Les Make Next-Gen AI Agents s'adaptent à une variété de cas d'usage. Voici cinq scénarios détaillés illustrant leur valeur ajoutée réelle.

1. Qualification Intelligente de Leads

Le problème classique : votre formulaire de contact reçoit 50 soumissions par semaine. L'équipe commerciale passe des heures à trier manuellement les leads, sans critères objectifs et cohérents.

La solution avec Make : un agent reçoit chaque nouvelle soumission, consulte LinkedIn via HTTP pour vérifier le profil professionnel du contact, interroge HubSpot pour vérifier s'il y a eu des interactions passées, analyse le secteur et la taille de l'entreprise, et produit un score de 0 à 100 avec une justification détaillée visible dans le Reasoning Panel. Les leads A (score > 80) déclenchent automatiquement une tâche urgente dans HubSpot. Les leads B (50-80) reçoivent un email de nurturing personnalisé. Les leads C (< 50) sont archivés.

La valeur ajoutée du Reasoning Panel : le directeur commercial peut voir, pour chaque lead, exactement pourquoi l'agent a attribué ce score. Si un lead important a été mal classé, il peut identifier l'erreur de raisonnement et affiner les critères.

2. Gestion Support Multicanal Intelligent

Le problème : vos clients contactent le support via email, WhatsApp et Zendesk. Les agents de support passent beaucoup de temps à trier les tickets, identifier la nature du problème, et trouver la bonne réponse dans la base de connaissances.

La solution : un agent Make unifie tous les canaux entrants, analyse le contenu de chaque message pour identifier la catégorie (bug, question facturation, demande de remboursement, etc.), recherche dans la base de connaissances les réponses pertinentes, rédige une réponse adaptée au ton du client, et escalade vers un humain si le problème dépasse ses capacités. Le Reasoning Panel montre pourquoi l'agent a choisi d'escalader ou de répondre automatiquement — ce qui est crucial pour auditer la qualité du service.

3. Reporting Exécutif Automatisé

Le problème : préparer le reporting hebdomadaire prend 3 à 4 heures par semaine — extraction des données Google Analytics, Google Ads, HubSpot, mise en forme, identification des tendances, rédaction du résumé.

La solution : un agent Make déclenché chaque lundi matin collecte toutes les données sources, identifie les indicateurs en hausse et en baisse, contextualise les variations (campagne spécifique, saisonnalité, incident technique), et rédige un résumé exécutif en langage naturel directement envoyé par email à l'équipe de direction. Le Reasoning Panel documente les interprétations de l'agent, ce qui permet de valider ou corriger son analyse.

4. Veille Concurrentielle Continue

Un agent Make surveille quotidiennement les publications de vos concurrents (blog RSS, Product Hunt, LinkedIn), identifie les nouvelles fonctionnalités ou offres lancées, évalue leur impact potentiel sur votre positionnement, et envoie un brief hebdomadaire au responsable produit. Ce cas d'usage est particulièrement adapté à Make grâce à son large catalogue d'intégrations natives.

5. Gestion des Ressources Humaines (Onboarding)

Quand un nouvel employé est ajouté dans votre SIRH, un agent Make orchestre l'ensemble du processus d'onboarding : création du compte Google Workspace, invitation Slack dans les bons canaux, génération du planning de la première semaine, envoi d'un email de bienvenue personnalisé, et création des tâches de suivi dans l'outil de gestion de projets. Ce type d'automatisation libère les RH de tâches répétitives pour se concentrer sur l'accompagnement humain. Pour aller encore plus loin dans l'automatisation de votre temps de travail, lisez notre guide Automatise 40h de travail par semaine avec les agents IA.

---

Bonnes Pratiques pour des Agents Fiables

L'expérience terrain sur des dizaines de projets d'automatisation permet de dégager plusieurs bonnes pratiques pour des agents Make robustes et prévisibles.

Écrivez des descriptions d'outils précises. C'est la règle d'or. Le LLM ne peut utiliser un outil correctement que s'il comprend exactement ce que cet outil fait, quand l'utiliser, et quelles données il retourne. Une description vague comme « Recherche dans HubSpot » est insuffisante. Préférez : « Recherche un contact dans HubSpot par adresse email. Retourne le nom complet, la société, le titre, le score de lead, et la date du dernier contact. Utilise cet outil quand tu as besoin de vérifier si un contact existe déjà dans le CRM avant d'en créer un nouveau. »

Définissez des conditions d'arrêt claires. Les agents LLM peuvent théoriquement boucler indéfiniment s'ils ne trouvent pas de condition d'arrêt satisfaisante. Configurez toujours un nombre maximum d'itérations (Make permet de le définir dans les paramètres du module AI Agent) et définissez des critères de succès et d'échec explicites dans votre prompt d'objectif.

Testez avec des cas limites. Un agent qui fonctionne parfaitement sur des inputs propres peut dérailler sur des inputs réels — emails mal formatés, données manquantes, réponses d'API inattendues. Planifiez des scénarios de test incluant des cas dégradés et vérifiez le comportement de l'agent via le Reasoning Panel.

Surveillez les coûts LLM. Chaque appel à un LLM a un coût en tokens. Un agent complexe avec de nombreux appels d'outils peut générer des coûts significatifs sur des volumes élevés. Utilisez le tableau de bord Make pour monitorer la consommation, et envisagez d'utiliser des modèles moins coûteux (GPT-4o mini) pour les étapes simples du raisonnement.

Documentez le raisonnement attendu. Pour chaque agent déployé en production, documentez le comportement attendu pour les cas principaux — une sorte de « politique de l'agent ». Cette documentation facilite l'onboarding des équipes et sert de référence pour identifier les déviations comportementales lors des révisions.

---

Limites et Points de Vigilance

Comme toute technologie en Beta, les Make Next-Gen AI Agents présentent des limitations qu'il est important de prendre en compte avant de les déployer en production.

Disponibilité Cloud uniquement. Make ne propose pas d'option self-hosted, contrairement à n8n. Toutes vos données transitent par les serveurs Make et les APIs LLM de tiers. Pour des cas d'usage impliquant des données sensibles (données médicales, données financières régulées, données RH confidentielles), cette contrainte peut être rédhibitoire selon votre secteur et votre réglementation applicable.

Statut Beta. Les fonctionnalités AI Agent et Chat In-Canvas étaient en version Beta début 2026. Cela signifie que l'API peut évoluer, que des comportements inattendus sont possibles, et que le support client pour les problèmes liés à ces fonctionnalités peut être limité. Évitez de les déployer pour des processus business critiques sans plan de fallback.

Absence de support MCP natif. Le Model Context Protocol est devenu un standard important pour l'interopérabilité des agents IA. Make ne le supporte pas nativement début 2026 — le support est prévu pour le Q2 2026 selon la roadmap. Si vous avez besoin de MCP maintenant, n8n est la solution. Pour créer des agents IA en langage naturel avec Make MAIA, une alternative complémentaire, consultez notre tutoriel Créer un Agent IA en Langage Naturel avec Make MAIA.

Coûts variables selon l'usage. Les agents IA font potentiellement beaucoup d'appels LLM et d'opérations Make (chaque appel d'outil consomme des opérations Make). Le coût total d'un agent en production dépend du volume de traitement et du modèle LLM choisi. Établissez une estimation réaliste avant de déployer à grande échelle.

Fiabilité du raisonnement non garantie. Même avec le Reasoning Panel, le LLM peut parfois prendre des décisions sous-optimales — c'est une propriété inhérente aux modèles probabilistes. Le Reasoning Panel vous aide à identifier ces cas, mais ne les élimine pas. Un processus de revue humaine régulière reste indispensable pour les décisions à fort enjeu.

---

Perspectives : La Roadmap Make et l'Avenir des Agents IA

L'arrivée des Make Next-Gen AI Agents s'inscrit dans une tendance de fond qui transforme l'ensemble du paysage de l'automatisation. La convergence entre les plateformes no-code et les LLMs puissants est en train de redéfinir ce qu'il est possible de faire sans coder.

De Zapier et Integromat en 2020 aux agents IA autonomes avec Reasoning Panel en 2026 : six ans d'évolution accélérée

Selon les informations disponibles dans la communauté Make et les annonces publiques, plusieurs évolutions sont attendues :

Support MCP (Q2 2026, selon la roadmap). L'intégration du Model Context Protocol permettrait aux agents Make de se connecter à l'écosystème croissant de serveurs MCP — outils de développement, bases de données, services métier — de façon standardisée. Ce serait une avancée majeure pour la compatibilité avec l'écosystème IA plus large.

Agents multi-agents. L'orchestration d'agents spécialisés par un agent superviseur (pattern multi-agents) est une tendance forte dans la recherche IA. Make pourrait permettre à des agents de déléguer des sous-tâches à d'autres agents, chacun avec ses propres outils et compétences.

Mémoire persistante native. Aujourd'hui, la mémoire persistante entre sessions nécessite une solution externe. Une intégration native de la mémoire à long terme dans le module AI Agent simplifierait considérablement les cas d'usage de support client et d'assistant personnel.

Amélioration de la fiabilité. Les futures versions du Reasoning Panel pourraient inclure des mécanismes de validation automatique du raisonnement, des suggestions d'amélioration des prompts, et des alertes proactives quand l'agent s'écarte de son comportement attendu.

L'automatisation intelligente est en train de passer d'un avantage compétitif réservé aux grandes entreprises à une compétence accessible à toutes les PME et freelances. Les agents Make sont un exemple concret de cette démocratisation.

---

Conclusion

Le Reasoning Panel des Make Next-Gen AI Agents représente une avancée significative dans la maturité des outils d'automatisation no-code. En rendant visible le processus de pensée de l'agent, Make résout l'un des principaux obstacles à l'adoption de l'IA en entreprise : la méfiance face à l'opacité. Le Chat In-Canvas, de son côté, abaisse considérablement la barrière d'entrée pour créer et maintenir des agents complexes sans compétences techniques avancées.

Ces deux innovations ne font pas pour autant de Make la solution universelle. L'absence de self-hosting, le statut Beta de la fonctionnalité, et l'absence de support MCP natif en font un choix à évaluer soigneusement selon votre contexte. n8n reste supérieur pour les architectures techniques exigeantes. Mais pour les équipes métier qui veulent adopter l'IA dans leurs processus avec un minimum de friction, Make Next-Gen AI Agents est aujourd'hui l'une des solutions les plus abouties du marché.

Si vous souhaitez déployer des agents IA dans votre organisation — sur Make, n8n, ou une combinaison des deux — BOVO Digital vous accompagne de l'architecture à la formation. Contactez-nous pour un audit gratuit de vos processus automatisables.

---

Sources : Documentation Make.com (make.com/help), annonces Make Community, documentation OpenAI API, recherche ReAct (Yao et al., 2022). Les informations sur les fonctionnalités Beta et la roadmap reflètent l'état de la plateforme début 2026.