En quelques mois, l‘IA agentique est devenue le mot à la mode dans le monde informatique. Les fournisseurs promettent des systèmes autonomes qui ne se contentent plus de fournir des analyses, mais prennent des décisions, planifient des actions et exécutent des processus de manière indépendante. Le passage d’assistant à acteur autonome semble avoir été franchi.
Pourtant, dans les coulisses, les CIO et les directeurs informatiques sont de plus en plus sceptiques. À quel point cette technologie est-elle réellement mature aujourd’hui ? Qu’est-ce qui est déjà utilisable dans les environnements de production et qu’est-ce qui en est encore au stade expérimental ?
Selon l’analyste de Gartner Haritha Khandabattu, cette distinction est cruciale. Sans attentes réalistes, l’IA agentique risque de devenir plus un effet de mode qu’un levier.
« L’IA agentique ne concerne pas ce qui est technologiquement envisageable, mais ce que les organisations peuvent utiliser de manière responsable et efficace », explique Haritha Khandabattu. « Ne vous laissez pas aveugler par le battage médiatique. L’IA agentique n’est pas une solution universelle et certainement pas une technologie que vous pouvez appliquer n’importe où. »
Selon Mme Khandabattu, une idée fausse courante consiste à présenter l’IA agentique comme un concept entièrement nouveau. « Ce que beaucoup de gens ne réalisent pas, c’est que l’IA agentique n’est pas du tout un concept nouveau. Nous utilisons des agents IA depuis des décennies, par exemple dans les agents d’apprentissage par renforcement et les systèmes de recommandation », explique-t-elle.
Ce qui est nouveau, c’est la prédominance de l’IA générative dans le débat. « Nous constatons aujourd’hui qu’environ 95 % des agents dont on parle sont des agents d’IA générative basés sur le LLM. Cela conduit à une mauvaise compréhension de ce qu’est réellement l’IA agentique. » L’IA en tant que discipline est beaucoup plus large, souligne-t-elle, et consiste en une combinaison d’autres techniques d’IA, telles que l’optimisation, la simulation, les règles, la prédiction et l’apprentissage automatique classique. « Ceux qui se concentrent exclusivement sur les agents IA génératifs risquent de passer à côté d’alternatives importantes. »
L’autonomie n’est pas une fin en soi
L’IA agentique est de plus en plus souvent présentée comme la prochaine étape pour pratiquement tous les processus. Mais selon Mme Khandabattu, c’est une hypothèse dangereuse. « L’IA agentique n’est qu’une toute petite partie du paysage plus large de l’IA. Les organisations doivent déterminer très soigneusement quelle forme d’automatisation ou d’IA convient à quel processus. »
« Toutes les charges de travail ne se prêtent pas à une refonte agentique », affirme-t-elle. « Parfois, une plus grande autonomie ajoute surtout de la complexité et des coûts supplémentaires, sans réelle valeur ajoutée. » Selon elle, la question centrale n’est pas de savoir ce qui est technologiquement possible, mais où l’autonomie apporte réellement une valeur ajoutée.
Le rôle de l’humain est également un facteur crucial à cet égard. « Les organisations doivent déterminer de manière très consciente ce qui peut être autonome, ce qui ne peut jamais l’être et ce qui doit toujours rester sous contrôle humain. » Cette réflexion nécessite des choix administratifs, et pas seulement des expériences techniques.
Pourquoi tant d’initiatives en matière d’IA échouent-elles ?
Le nombre élevé de projets d’IA qui ne dépassent jamais le stade pilote montre que ces choix sont souvent insuffisants. « Soixante-dix pour cent des projets pilotes d’IA n’atteignent pas la phase de production. Cela s’explique simplement par le fait que les organisations n’ont pas suffisamment évalué le comportement de ces agents dans un environnement de production », explique Mme Khandabattu.
Outre les défis techniques, les aspects financiers jouent également un rôle de plus en plus important. De nombreuses solutions d’IA agentique sont proposées via des modèles de paiement à l’utilisation, souvent combinés à une tarification basée sur des jetons pour l’utilisation de modèles linguistiques. Comme les agents sont précisément destinés à être utilisés fréquemment et à grande échelle, les coûts peuvent rapidement grimper.
« Si la valeur n’est pas claire, l’IA agentique peut même conduire à un business case négatif. » Mme Khandabattu constate dans la pratique que les modèles de prix varient parfois en fonction de la volonté des clients d’investir, ce qui soulève des questions sur la maturité de certaines solutions.
Les données restent le facteur décisif
Les données sont un thème récurrent dans son analyse. Malgré des années d’attention portée au travail basé sur les données, celles-ci restent pour de nombreuses organisations le maillon faible de leurs ambitions en matière d’IA. « L’IA se développe à un rythme effréné, mais la gestion des données d’entreprise est encore au XIXe siècle dans de nombreuses organisations », explique Mme Khandabattu. Sans données fiables, bien organisées et sécurisées, aucun modèle d’IA ne peut fonctionner efficacement.
Elle constate des différences nettes entre les organisations qui investissent dans leur base de données et celles qui se concentrent principalement sur les outils. « Certaines organisations n’ont pas paniqué lorsque l’IA générative a explosé. Elles ont d’abord organisé leurs données, et elles en récoltent aujourd’hui les fruits. » Ces organisations semblent mieux à même d’appliquer efficacement l’IA par la suite, précisément parce que les conditions préalables sont réunies.
L’architecture comme condition préalable à la réussite
L’architecture informatique sous-jacente joue également un rôle déterminant. « On ne peut pas construire une IA agentique sur des systèmes rigides et monolithiques. La réussite dépend fortement d’une architecture composable. Une telle architecture permet de combiner de manière flexible différents modèles de conception et d’intégration et de les adapter aux besoins changeants de l’entreprise. »
Elle fait une distinction importante entre les flux de travail et les véritables agents. « La véritable IA agentique fonctionne sur la base de l’intention. L’homme définit l’objectif, et l’agent détermine lui-même les étapes à suivre pour atteindre cet objectif. Mais dès que les gens codifient de manière rigide l’ordre des étapes, vous n’avez plus un agent, mais un flux de travail. »
Gouvernance et réglementation européenne
L’émergence de l’IA agentique touche également directement à la gouvernance et à la conformité, en particulier en Europe. « Vous ne pouvez pas laisser les équipes techniques construire des agents IA de manière isolée. Vous avez besoin d’une organisation IA avec une gouvernance, une propriété et une supervision claires, telles que des conseils IA, des comités de pilotage et des centres d’excellence qui garantissent une application cohérente des principes et des politiques. »
La mise en œuvre progressive de la loi européenne sur l’IA rend cela encore plus urgent. Les résultats générés par l’IA dans des produits externes doivent être explicables, traçables et vérifiables. « Cela a des conséquences commerciales directes, souvent avant même que les autorités de contrôle n’interviennent », affirme Mme Khandabattu. Dans la pratique, cela signifie que les clients, les plateformes et les écosystèmes exigent de plus en plus souvent la transparence comme condition préalable à toute collaboration.
Talents, internalisation et organisation axée sur l’IA
Enfin, Mme Khandabattu souligne l’impact de l’IA agentique sur les talents et la structure organisationnelle. Elle constate une nette tendance à l’internalisation, les organisations souhaitant exercer un contrôle accru sur leurs capacités en matière d’IA. Dans le même temps, de nombreux DSI sont confrontés à une pénurie de compétences. « L’IA nécessite non seulement de nouvelles compétences, mais aussi une refonte des rôles, des structures et des carrières. »
« L’IA ne remplacera pas un médecin, mais un médecin doté de compétences en IA remplacera un médecin qui n’en possède pas. » Les organisations qui ne gèrent pas cela de manière suffisamment stratégique risquent de perdre leur compétitivité à long terme.
Où l’IA agentique apporte déjà une valeur ajoutée
Khandabattu voit les premiers gains d’efficacité principalement dans l’ingénierie logicielle, grâce à la maturité des outils et à la délimitation claire des tâches. Les processus back-office tels que la gestion des services informatiques et le service clientèle interne montrent également des améliorations concrètes. Selon elle, les applications front-office, dans lesquelles les agents interagissent directement avec les clients, nécessitent plus de temps et de maturité.
« L’IA agentique offre donc de réelles opportunités, mais surtout pour les organisations qui sont prêtes à voir au-delà du battage médiatique. Le pragmatisme, la discipline et une base solide en matière de données, d’architecture et de gouvernance ne freinent pas l’innovation, mais constituent au contraire les conditions nécessaires à une utilisation durable et responsable de l’IA agentique. »
Opinion de Khandabattu Haritha, analyste chez Gartner, partagée par DutchIT.nl
