Les organisations IA en entreprise ont un problème d'exécution, pas un problème de modèle, et la plupart construisent la mauvaise solution

L'écart d'évaluation des agents : les organisations d'IA en entreprise ont un problème d'alignement avec la réalité, pas de couverture, et déploient quand même en production

Cent cinquante-sept entreprises ont participé à cette enquête menée par VentureBeat en juin 2026 dans le cadre de sa série Pulse Research, consacrée à la manière dont les organisations évaluent la fiabilité de leurs agents IA. Le constat central est frappant: la moitié des entreprises interrogées ont déployé, au cours de l'année écoulée, un agent ou une fonctionnalité basée sur un LLM qui avait pourtant réussi ses tests internes avant de provoquer un incident visible par les clients, et un quart d'entre elles ont connu ce type de défaillance plus d'une fois. Seules 5% des organisations disent faire pleinement confiance à leurs méthodes d'évaluation automatisée, la faiblesse la plus souvent citée (29%) étant le décalage entre les résultats des tests et les performances réelles en production. Malgré cela, 66% des entreprises autorisent déjà un déploiement entièrement automatisé, sans supervision humaine, pour les agents jugés à faible risque (34%), ou construisent activement leurs systèmes pour y parvenir dans les douze prochains mois (33%). L'échantillon, composé à 38% de décideurs finaux et 34% de personnes influentes dans les achats technologiques, provient majoritairement d'entreprises de taille moyenne, entre 100 et 2500 salariés, avec le secteur technologique en tête (23%), suivi du commerce de détail (15%) et de la santé (12%). Ce décalage entre l'autonomie accordée aux agents et la confiance réelle dans les outils censés la contrôler pose un problème concret pour les entreprises qui accélèrent l'adoption de l'IA agentique. Si un agent passe ses tests puis échoue devant un client, c'est la réputation de l'entreprise, sa relation commerciale et potentiellement sa conformité réglementaire qui sont en jeu. Le fait que les organisations avancent malgré tout vers plus d'automatisation, avec moins de supervision humaine, signifie qu'elles acceptent un risque opérationnel croissant sans disposer des garde-fous adéquats. Pour les équipes techniques, cela traduit une pression du marché à déployer vite, quitte à improviser la gouvernance des risques après coup plutôt qu'avant. Ce phénomène s'explique en partie par l'immaturité des outils d'évaluation disponibles: l'étude montre que les outils natifs fournis par les fournisseurs de modèles arrivent à égalité avec l'absence totale d'outillage dédié comme solution la plus répandue (17% chacun), et seulement un quart des entreprises effectuent des contrôles qualité en temps réel sur leur trafic de production réel. L'écosystème des plateformes de fiabilité et d'évaluation des agents reste donc fragmenté, ce qui alimente un cercle vicieux: plus les entreprises automatisent leurs déploiements, plus elles auraient besoin d'évaluations robustes, alors que ces dernières peinent justement à suivre le rythme de l'adoption. Les auteurs de l'étude soulignent que l'échantillon, bien que suffisamment large pour dégager des tendances, reste auto-sélectionné et penché vers le marché intermédiaire, ce qui invite à lire ces résultats comme un signal directionnel plutôt qu'une mesure précise de l'ensemble du marché.

L'orchestration à base d'agents : les entreprises ont un problème de déploiement, pas de plateforme, et confondent souvent chatbots et agents

Traduction en cours. Anthropic conforte sa position de plateforme de référence pour l'orchestration d'agents en entreprise, selon une enquête VentureBeat Pulse Research menée en juin 2026 auprès de 101 organisations de plus de 100 salariés. Claude est déjà la plateforme principale pour 40% des entreprises interrogées, soit plus du double de son plus proche concurrent Microsoft (18%), OpenAI arrivant troisième avec 13%. Ce choix s'explique surtout par ce que l'étude appelle la "gravité du modèle", c'est-à-dire l'alignement natif avec un modèle de pointe (21% des répondants), la réussite d'un déploiement étant jugée sur la fiabilité d'exécution multi-étapes: 32% citent la fiabilité de complétion des tâches et 28% la gestion de workflows en plusieurs étapes comme critères clés. Mais l'écart est frappant: interrogées honnêtement sur leur portefeuille d'agents, 71% des entreprises admettent qu'un quart ou moins de leurs "agents" déployés sont de véritables workflows orchestrés en plusieurs étapes, le reste n'étant que des chatbots enrobés d'un seul prompt. Seules 10% dépassent la barre des 50% d'agents réellement orchestrés. Cet écart entre l'ambition et la réalité pèse directement sur les décisions d'architecture des entreprises. D'ici fin 2026, 51% des organisations prévoient d'adopter un plan de contrôle hybride, combinant outils natifs du fournisseur et orchestration externe, tandis que seulement 6% envisagent de confier entièrement ce contrôle à un service géré par le fournisseur du modèle. La raison principale de cette prudence est la peur du verrouillage propriétaire, citée par 35% des répondants comme le risque numéro un. Les budgets suivent cette logique de construction: les outils de workflow agentique captent la plus grosse part des investissements (34%), suivis par la sécurité et la gestion des permissions (25%). Autre signal inquiétant, le contrôle financier reste largement absent: plus d'un quart des entreprises (27%) n'ont aucun moyen en temps réel d'arrêter un agent qui s'emballerait avant que la facture n'arrive, ce qui expose les organisations à des dérapages de coûts liés à la consommation de tokens. Cette enquête s'inscrit dans la série Pulse Research de VentureBeat et repose sur une vague unique collectée en juin 2026, ce qui limite l'analyse à une lecture transversale plutôt qu'à une tendance dans le temps. L'échantillon est réparti équitablement entre grandes tranches d'effectifs, avec une forte représentation de décideurs seniors: 81% des répondants sont recommandeurs, influenceurs ou décideurs finaux sur les solutions d'IA, et le secteur technologique domine avec 44% des répondants, devant les services financiers (17%) et la santé (8%). Ces résultats confirment une dynamique de fond dans l'industrie: la consolidation rapide autour des grandes plateformes de modèles s'accompagne d'une méfiance persistante envers la dépendance à un seul fournisseur, poussant les entreprises à bâtir des architectures hybrides tout en peinant encore à combler le fossé entre le marketing de l'"agent" et la réalité opérationnelle de systèmes multi-étapes réellement autonomes et maîtrisés financièrement.

💬 Selon Le Fil IA, la vraie fracture de l'IA agentique en entreprise n'est pas technique, elle est comptable : 71% des boîtes appellent "agent" un chatbot avec un joli prompt, et 27% n'ont même pas de bouton pour arrêter la facture si ça déraille. Anthropic gagne la bataille de la plateforme (40%, loin devant Microsoft et OpenAI), mais gagner la course au modèle et savoir orchestrer un vrai workflow multi-étapes, ce sont deux histoires différentes. La méfiance envers le verrouillage propriétaire pousse tout le monde vers l'hybride, ce qui en dit long : les entreprises font confiance au modèle, pas encore au fournisseur.

Le problème de gouvernance dans l'IA en entreprise : une question de propriété, pas de technologie

Voici l'article traduit et résumé : Une nouvelle étude de VentureBeat Pulse Research, menée auprès de 145 responsables d'entreprises de 100 salariés et plus au deuxième trimestre 2026 (vague de juin), révèle un décalage croissant entre l'expansion rapide de l'intelligence artificielle en entreprise et la capacité à la gouverner. Près de trois entreprises sur cinq (58%) déclarent étendre significativement leurs initiatives IA, mais 85% d'entre elles font tourner deux plateformes ou plus se revendiquant chacune comme la couche IA « principale », et seulement 8% ont réussi à consolider leur infrastructure autour d'une seule solution. Autre signal préoccupant : 40% des répondants se disent très confiants dans leur capacité à détecter un modèle qui dérive, se comporte de façon dangereuse ou tombe en panne en production, mais seuls 10% appuient cette confiance sur une surveillance et des alertes automatisées, les autres s'en remettant à une revue humaine manuelle. Sur le plan de la gouvernance, seuls 38% des organisations confient le pilotage de l'IA à une équipe centrale, tandis que 20% laissent chaque équipe gérer sa propre plateforme indépendamment. L'obstacle le plus cité à une gouvernance transversale reste l'absence d'un responsable unique et clairement identifié (32%), et environ une entreprise sur six (17%) reconnaît qu'aucun rôle ne porte formellement cette responsabilité. Ce fossé de contrôle a des conséquences financières bien réelles. Près de la moitié des entreprises interrogées (49%) citent le « shadow AI », c'est-à-dire des pipelines d'agents autonomes déployés sans autorisation sur des cartes bancaires professionnelles et échappant à toute supervision centrale, comme leur défaillance de contrôle la plus grave. Un quart des répondants (25%) rapportent avoir été confrontés à une facture incontrôlée provoquée par un agent bloqué dans une boucle infinie. Ces chiffres illustrent un problème structurel : les entreprises ont normalisé leur ambition en matière d'IA bien avant de normaliser les mécanismes permettant de la maîtriser, qu'il s'agisse de surveiller les coûts, de vérifier la fiabilité des modèles ou d'attribuer une responsabilité claire. Cette étude s'inscrit dans un contexte où l'adoption des agents autonomes s'accélère plus vite que la mise en place de garde-fous adaptés. L'échantillon, composé majoritairement de cadres techniques et dirigeants (consultants et conseillers à 20%, directeurs informatiques et de la sécurité à 18%, directeurs de l'ingénierie à 14%), couvre principalement le secteur technologique (41%), suivi des services financiers et professionnels (12% chacun). Les auteurs de l'étude précisent qu'il s'agit d'un échantillon auto-sélectionné et non d'un sondage probabiliste, invitant à lire les résultats comme une tendance directionnelle plutôt qu'une mesure exacte. Reste que le constat global converge avec d'autres alertes du secteur : sans propriétaire clairement désigné pour l'IA à l'échelle de l'entreprise, la multiplication des plateformes et des agents autonomes risque de transformer la promesse de productivité en une source de risques opérationnels et financiers difficiles à anticiper.

💬 Le vrai coupable n'est pas la techno, c'est l'absence de nom sur la porte : 62% des boîtes n'ont personne qui possède l'IA à l'échelle de l'entreprise, alors banane, ça part en freestyle. Le chiffre qui pique, c'est ces 25% qui se sont pris une facture salée à cause d'un agent coincé dans une boucle infinie, sans personne pour appuyer sur stop. Selon Le Fil IA, la prochaine grosse crise IA en entreprise ne viendra pas d'un modèle défaillant mais d'une ligne de responsabilité qui n'existe nulle part sur l'organigramme.

La prochaine phase de l'IA en entreprise concerne les décisions, pas les expérimentations

Lors de la conférence Milken Institute Global Conference de cette année, les échanges sur l'IA en entreprise ont changé de nature. La question posée par les dirigeants n'était plus de savoir si l'IA allait rapporter, mais comment. Beaucoup ont moins insisté sur la démonstration du retour sur investissement que sur le positionnement de leur entreprise pour le capter. Cette tension entre les capacités de l'IA et la capacité des organisations à suivre le rythme est apparue partout, des tables rondes à un dîner privé coorganisé par Bianca Anghelina, fondatrice et PDG d'Aily Labs, et Cory Weinberg de The Information. Des fonds de private equity ont annoncé une vague de coentreprises avec des laboratoires d'IA de pointe au moment même où s'ouvrait Milken, une manière opportune de justifier des valorisations élevées, même si les questions les plus difficiles sur l'emploi restaient largement sans réponse. L'analogie historique revenue sans cesse dans la bouche des dirigeants: la délocalisation. Comme elle avant elle, l'IA redessine le travail dans la santé, la finance, l'assurance et le service client, avec des gains à court terme plus incrémentaux que transformateurs. Pete Stavros, de KKR, l'a dit sans détour: les bénéfices dans son portefeuille ont progressé d'environ 5%, loin des 50% que suggèrent les gros titres. Martín Escobari, de General Atlantic, s'est montré plus optimiste, estimant que la technologie est prête à automatiser la majorité du travail de bureau, et que ce qui manque, c'est la priorisation et la diffusion. Lors du dîner, les dirigeants qui décrivaient des succès avec l'IA partageaient un même réflexe: la considérer comme une couche de décision transversale à l'entreprise, plutôt que comme une collection d'outils isolés. Un exemple est venu de la certification de pierres précieuses: après le rachat d'IGI par Blackstone, des systèmes de détection d'images pilotés par IA sont utilisés pour identifier les diamants de synthèse, avec une précision d'environ 95%, surpassant les évaluateurs humains sur certaines tâches de classification. Des dirigeants du secteur de la santé ont décrit un recours croissant aux grands modèles de langage pour interpréter des analyses sanguines, faire émerger des diagnostics possibles et alimenter les échanges sur la prévention. C'est précisément ce que construit Aily Labs, présentée comme la première plateforme d'intelligence décisionnelle nativement pilotée par l'IA pour les grandes entreprises, conçue pour faire passer les groupes du Fortune 500 de données fragmentées à un impact mesurable sur le compte de résultat en moins de deux semaines. La plateforme d'Aily orchestre des agents IA autonomes qui ne se contentent pas de faire remonter des informations: ils exécutent des décisions, avec des effets qui remontent jusqu'au chiffre d'affaires et au résultat net, dans la finance, la chaîne d'approvisionnement, la R&D et les opérations commerciales. L'objectif, selon Anghelina, est de donner à chaque niveau de l'organisation la même intelligence en temps réel et la capacité d'agir dessus. La distinction entre une IA qui signale un problème et une IA qui agit est revenue à plusieurs reprises: pour Anghelina, c'est précisément là que la plupart des déploiements en entreprise s'enlisent, un système repère un problème de stock puis laisse un humain reprendre la main. L'agent de gestion des stocks d'Aily va plus loin en remontant à la cause racine d'un sur ou sous-stockage et en agissant de façon autonome pour limiter les dégâts avant qu'ils n'affectent le résultat. Dans un déploiement chez un client du Fortune 500, cela s'est traduit par 685 millions de dollars de valeur d'inventaire débloquée. Un des constats marquants du dîner porte sur l'écart entre l'usage de l'IA par les dirigeants et celui du reste de leurs organisations. Plusieurs cadres ont décrit l'IA comme un collaborateur permanent, capable de synthétiser l'ensemble du compte de résultat, de stress-tester des décisions et d'accélérer des travaux qui prenaient auparavant plusieurs jours. Anghelina a été directe sur ce que révèle cet écart: la question n'est plus de savoir si l'IA a sa place dans les conseils d'administration, mais pourquoi elle y reste cantonnée. L'objectif, selon elle, ne se limite pas à améliorer les informations dont dispose la direction, il s'agit de bâtir une source unique d'intelligence en temps réel à partir de laquelle chaque salarié, du PDG jusqu'au terrain, doit pouvoir opérer. Mais la réalité est très différente quelques étages plus bas, où une large part de la main-d'œuvre reste au tout début de la courbe d'adoption, un décalage qui illustre bien l'ampleur du chantier qui attend encore la plupart des entreprises.

💬 Le vrai chiffre à retenir c'est les 5% de Pete Stavros, pas les 50% des gros titres. Ça confirme ce que je répète depuis des mois: l'IA en entreprise avance par frictions et cas d'usage précis (le tri de diamants, les stocks débloqués à 685 millions), pas par grand soir automatisé. Et l'écart qu'Anghelina pointe, entre des dirigeants qui traitent déjà l'IA comme un collègue et des équipes qui n'ont pas encore commencé, c'est le vrai goulot d'étranglement des deux prochaines années, bien avant la question des capacités du modèle.