IA agentique : pourquoi votre pilote ne passera pas en production

Chapô

Neuf pilotes d’IA agentique sur dix ne franchissent jamais le cap de la production. La cause n’est presque jamais le modèle : elle tient à la gouvernance, à l’évaluation, à l’intégration métier et à la propriété du projet. Cet article décrit les quatre arbitrages qu’un·e DSI passe avant de lancer un agent, et pourquoi les passer en amont coûte moins cher que de les découvrir en incident. Une lecture pour direction des systèmes d’information et direction de la donnée, à quelques jours de l’échéance AI Act du 2 août.

Introduction

Quand Karim, DSI d’un assureur mutualiste de taille moyenne, a présenté à son comité de direction la démonstration d’un agent de traitement des réclamations, la salle a applaudi. Trois mois plus tard, l’agent n’était toujours pas en production. Personne n’avait tranché qui répondait quand il se trompait, ni comment mesurer qu’il faisait mieux qu’un humain. Cette scène, nos équipes la croisent chaque semaine. Elle dit le vrai sujet de 2026 : non pas déployer un pilote d’IA agentique, mais le faire tenir en production. Nous décrivons ici les quatre arbitrages que votre direction doit passer avant de lancer, et ce que coûte leur report.

Le gouffre entre la démo qui marche et l’agent qui tient

Un pilote d’IA agentique impressionne parce qu’il est joué dans des conditions idéales : périmètre étroit, données propres, opérateur bienveillant. La production, elle, expose l’agent au réel, à ses cas limites et à ses volumes. C’est là que l’écart se creuse.

Les chiffres de 2026 sont sans appel. Selon les données Forrester et Anaconda publiées cette année, 88 % des pilotes d’agents ne passent pas en production. Le rapport du MIT NANDA, « The GenAI Divide : State of AI in Business 2025 », va plus loin sur la valeur : sur 300 déploiements analysés, 95 % des pilotes d’IA générative ne produisent aucun effet mesurable sur le compte de résultat. Le point commun de ces travaux mérite d’être posé net : le frein dominant n’est pas la performance du modèle, c’est l’organisation qui l’entoure.

Léa, lead MLOps dans un groupe de distribution, le résume à sa façon. Son équipe a livré un agent de génération de fiches produit qui fonctionnait à 92 % en test. En production, les 8 % restants ont généré assez d’erreurs visibles en rayon pour que la direction métier suspende le projet. Le modèle n’avait pas changé. Le contexte, oui.

Les quatre arbitrages que votre direction n’a pas encore passés

Le premier arbitrage porte sur l’évaluation. Avant de mettre un agent à l’échelle, sait-on mesurer qu’il fait mieux, et sur quoi ? Dans l’enquête Forrester citée plus haut, l’absence d’évaluation automatisée avant la mise à l’échelle est le premier blocage, cité par 64 % des responsables. Sans protocole de mesure, vous ne déployez pas un agent, vous pariez.

Le deuxième porte sur la gouvernance et les permissions. Un agent agit : il écrit, il déclenche, il engage. Qui contrôle son périmètre d’action, et que se passe-t-il quand il dépasse ? La friction de gouvernance est le deuxième blocage cité (57 %), et une enquête OutSystems 2026 auprès de 1 900 responsables informatiques montre que seuls 12 % estiment pouvoir gouverner leurs systèmes agentiques. C’est le prolongement opérationnel de ce que votre conseil devrait savoir sur la gouvernance de l’IA. C’est peu, pour une technologie qui agit sans supervision continue.

Le troisième arbitrage porte sur l’intégration métier. Un agent qui n’apprend pas des flux de travail réels reste un outil générique. Le MIT observe précisément là un « écart d’apprentissage » : les solutions achetées à un fournisseur externe, mieux intégrées, réussissent deux fois plus souvent que les développements internes bricolés. La question n’est pas build ou buy par principe, mais où se trouve l’intégration métier la plus profonde, comme nous l’avons détaillé dans notre analyse de l’arbitrage build, buy et open source.

Le quatrième porte sur la propriété. Qui possède le projet une fois la démo terminée : la direction technique, la direction métier, personne ? L’absence de propriété claire transforme un succès de laboratoire en orphelin organisationnel. C’est souvent l’arbitrage le plus discret et le plus décisif.

Ce que coûte le report de ces arbitrages

Reporter ces quatre questions ne les fait pas disparaître : il les déplace vers l’incident. Le cabinet Gartner prévoit que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, pour cause de coûts croissants, de valeur floue et de contrôles de risque insuffisants. Gartner pointe aussi l’« agent washing », ces produits d’automatisation ou de dialogue rebaptisés « agents », et estime qu’environ 130 fournisseurs sur des milliers proposent une réelle capacité agentique.

À ce coût de projet s’ajoute désormais un coût réglementaire. Au 2 août 2026, les obligations de l’AI Act sur les systèmes à haut risque deviennent pleinement applicables, et la Commission européenne active ses pouvoirs d’exécution, une échéance que nous avions décryptée dans notre point sur ce qui s’applique en août 2026. Dès le lendemain, les autorités nationales, dont la CNIL en France, peuvent inspecter et sanctionner. Un agent lancé sans documentation technique, sans supervision humaine effective et sans traçabilité des données n’est plus seulement un risque opérationnel : il devient une exposition juridique.

Comment décider avant de lancer, sans tout ralentir

La bonne nouvelle est que ces quatre arbitrages se passent en amont, en quelques réunions cadrées, et non en fin de projet sous la pression de l’incident. Le critique de l’IA Gary Marcus, qui alerte de longue date sur la fiabilité des systèmes autonomes, rappelle une évidence utile aux directions : un agent qui échoue silencieusement une fois sur dix n’est pas prêt pour une tâche où l’erreur se voit.

Concrètement, un cadrage d’agent tient en quatre décisions écrites avant la première ligne de code de production : le protocole d’évaluation, le périmètre de permissions et son garde-fou humain, le point d’intégration métier, et le nom de la personne qui possède le projet. Ces quatre décisions ne ralentissent pas le déploiement. Elles évitent le déploiement qui n’aboutit pas.

« 95 % des pilotes d’IA générative ne produisent aucun effet mesurable sur le compte de résultat. »

The GenAI Divide : State of AI in Business 2025 · MIT NANDA

FAQ

Pourquoi la plupart des pilotes d’IA agentique n’atteignent-ils jamais la production ?
Parce que le pilote est joué en conditions idéales et la production expose l’agent au réel. Les données Forrester et MIT 2026 situent le taux d’échec entre 88 et 95 %. Le frein dominant n’est pas le modèle, mais l’absence d’évaluation, de gouvernance des permissions, d’intégration métier et de propriété claire du projet.

Faut-il construire son agent en interne ou l’acheter à un fournisseur ?
La question utile n’est pas build ou buy par principe, mais où se situe l’intégration métier la plus profonde. Le MIT observe que les solutions externes bien intégrées réussissent deux fois plus souvent que les développements internes. Un build interne se justifie quand vous détenez une donnée ou un flux propriétaire que le marché ne couvre pas.

Qu’est-ce que l’« agent washing » et pourquoi s’en méfier ?
C’est le fait de rebaptiser « agent » un produit d’automatisation ou un chatbot sans réelle capacité agentique. Gartner estime qu’environ 130 fournisseurs sur des milliers proposent une vraie capacité. Se méfier de l’étiquette et exiger une démonstration sur vos propres cas d’usage évite d’acheter une promesse.

L’AI Act change-t-il quelque chose pour un agent déjà en projet ?
Oui. Au 2 août 2026, les obligations sur les systèmes à haut risque deviennent pleinement applicables et les autorités nationales peuvent inspecter dès le 3 août. Documentation technique, supervision humaine et traçabilité des données ne sont plus optionnelles pour les usages concernés.

Pour aller plus loin

• Le rapport The GenAI Divide : State of AI in Business 2025 du MIT NANDA, source du chiffre des 95 %.
• La prévision Gartner 40 % des projets d’IA agentique annulés d’ici 2027.
• Le dossier de la Commission européenne sur l’entrée en vigueur des règles relatives aux modèles d’IA à usage général.

CTA

Ces quatre arbitrages, vous les porterez seul·e face à votre comité de direction. Si vous voulez en tester l’armature avant de lancer, téléchargez notre cadre d’arbitrage IA pour direction des systèmes d’information.

Bio auteur·rice

La rédaction Afervescence. Afervescence est un cabinet de conseil en stratégie et en IA opérationnelle qui accompagne les directions dans le cadrage et le déploiement de leurs cas d’usage. Nous croyons qu’une organisation ne réussit pas l’IA en accélérant, mais en arbitrant. Notre métier : faire croitre ce qui compte vraiment. Découvrir Afervescence.