OutilsVentureBeat AI · 9 juin 2026, 10:00· 2 min de lecture

L'IA s'apprête à remplacer les interfaces, et les dirigeants d'entreprise ne sont pas prêts

Les agents d'intelligence artificielle sont en train de rendre obsolète la forme même du logiciel d'entreprise. Là où un salarié devait autrefois jongler entre un CRM, un outil de prévision, un tableau de bord support et plusieurs fils de discussion pour comprendre la situation d'un compte client, il lui suffira bientôt de poser une question à un agent unique : "Qu'est-ce qui nécessite mon attention aujourd'hui ?" L'agent identifie les comptes à risque, explique pourquoi, résume les interactions récentes, rédige des actions de suivi et déclenche les workflows suivants. Ce n'est plus une interface que l'on pilote, c'est un système qui comprend l'intention et agit en conséquence.

L'enjeu dépasse largement l'expérience utilisateur. Pour qu'un agent réponde correctement à "Pourquoi le churn augmente-t-il dans notre segment entreprise ?", il ne suffit pas qu'il sache où se trouvent les données clients. Il doit comprendre comment l'entreprise définit le churn, quels comptes entrent dans la catégorie "entreprise", si les données d'utilisation produit sont plus fiables que les enquêtes, ce que les tickets support indiquent, et si la réponse varie selon la géographie. Cela signifie que les définitions, les règles métier et les hypothèses implicites qui donnent du sens aux données doivent être formalisées, documentées et cohérentes à l'échelle de l'organisation. La couche sémantique, longtemps considérée comme un problème technique réservé aux équipes data, devient une question stratégique de direction générale. Les entreprises qui laisseront chaque département former son propre agent avec sa propre version de la réalité obtiendront de l'inexactitude à grande échelle. Les dashboards ne disparaissent pas parce que les graphiques deviennent inutiles, mais parce que le reporting statique devient trop lent pour les besoins opérationnels réels.

Cette transition soulève aussi un nouveau problème de gouvernance. Tant que l'IA se contentait de répondre à des questions, contrôler ses accès était déjà difficile mais gérable. Dès que les agents commencent à agir, émettre un remboursement, réapprovisionner des stocks ou envoyer un e-mail à un client, les conséquences d'une erreur changent de nature. Les entreprises qui ont investi dans des fondations solides, des définitions partagées, des accès gouvernés, une traçabilité claire et des workflows documentés seront celles capables de déployer ces agents avec confiance. Les autres risquent d'automatiser leurs propres incohérences. La course à l'IA agentique est donc aussi, fondamentalement, une course à la maturité organisationnelle.

Dans nos dossiers

Agents IA

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1VentureBeat AI

Les agents IA en entreprise échouent souvent parce qu'ils ne retiennent pas ce qu'ils ont appris

Les agents d'intelligence artificielle déployés en entreprise échouent régulièrement dès qu'ils doivent enchaîner des décisions complexes, et la cause est souvent la même : ils oublient ce qu'ils ont appris. C'est le problème que cherche à résoudre Rippletide, une startup gravitant dans l'écosystème Neo4j, avec une architecture appelée "decision context graph". Fondée par Yann Bilien, co-fondateur et directeur scientifique, la société a conçu un système qui dote les agents d'une mémoire structurée, d'un raisonnement ancré dans le temps et d'une logique de décision explicite. L'objectif central : des agents dits "non-régressifs", capables de figer des séquences d'actions validées et de capitaliser dessus au fil du temps. Le problème que Rippletide adresse touche au cœur de la majorité des déploiements d'IA en entreprise. Les architectures RAG (Retrieval-Augmented Generation), qui constituent aujourd'hui le standard, se contentent de récupérer des documents sémantiquement pertinents depuis des sources variées, ERP, bases de données, politiques internes, et de les injecter dans le contexte du modèle. Mais comme le souligne Wyatt Mayham, consultant chez Northwest AI Consulting, cette approche "fonctionne pour les chatbots, mais se brise immédiatement dès qu'un agent doit prendre des décisions et agir". Un document récupéré ne dit pas à l'agent s'il est encore valide, s'il a été remplacé, ou si une règle contradictoire a la priorité. Résultat : des agents qui combinent des règles incompatibles, inventent des contraintes pour combler les vides, et produisent des erreurs difficiles à tracer et à reproduire. À l'échelle d'un workflow multi-étapes, même un faible taux d'erreur par étape devient catastrophique, raison principale pour laquelle la plupart des agents d'entreprise ne sortent jamais de la phase pilote. Le "decision context graph" répond à ce problème en encodant explicitement une carte structurée : quelles règles s'appliquent, dans quel contexte, et à quel moment. Le temps y est traité comme une dimension de premier ordre, chaque règle, décision et exception est délimitée temporellement, permettant à l'agent de distinguer "ce qui était vrai à ce moment-là" de "ce qui est vrai maintenant". Le système repose sur trois piliers : l'applicabilité (le bon contexte est retourné uniquement quand il est pertinent), la mémoire temporelle, et les chemins de décision explicites, l'agent peut expliquer pourquoi il a inclus tel contexte et non un autre. Lors de l'initialisation, les données non structurées sont ingérées puis organisées en ontologie. Ce marché de l'infrastructure agentique en entreprise attire une attention croissante alors que les limitations du RAG seul deviennent un frein réel au passage à l'échelle des systèmes d'IA autonomes.

OutilsOutil

1 source

2VentureBeat AI

Les agents IA entrent dans une phase de refonte face aux problèmes de fiabilité en entreprise

Les agents d'intelligence artificielle d'entreprise entrent dans une phase de refonte profonde. Après une première vague de déploiements rapides, de nombreuses organisations découvrent que la performance des modèles de langage ne suffit pas à garantir la fiabilité en production. Selon Preeti Somal, vice-présidente senior de l'ingénierie chez Temporal Technologies, intervenante lors d'un récent événement AI Impact Series à New York, de nombreuses équipes reviennent aujourd'hui construire une "version 2.0" de leurs agents. "Ils ont dû aller très vite, mais ils n'ont pas pris soin de la plomberie", a-t-elle déclaré. "Les systèmes s'effondrent, et ils se retrouvent à reconstruire avec une fondation fiable." Les difficultés concrètes sont multiples : gestion de l'état d'exécution, récupération après pannes, coordination entre APIs et systèmes d'entreprise, visibilité sur les processus, et maîtrise des coûts d'inférence. Un agent peut enchaîner plusieurs modèles de langage, des systèmes de récupération d'information et des applications externes, en maintenant un état sur plusieurs heures ou jours. L'enjeu est considérable pour les entreprises qui opèrent sous contraintes budgétaires. Redémarrer un processus après une panne peut multiplier les coûts d'inférence, augmenter la latence et dégrader l'expérience client. La distinction entre deux notions souvent confondues devient cruciale : l'état d'exécution, qui indique où en est l'agent dans un processus et à quel point reprendre après une défaillance, et la mémoire contextuelle, qui regroupe les informations transportées d'une interaction à l'autre. Somal cite l'exemple du client Abridge dans le secteur de la santé, où des processus traitent des visites médicales en plusieurs étapes : traitement audio, résumé, appels de modèles et génération de comptes-rendus post-consultation. Ces enchaînements longs et multi-étapes exigent une fiabilité structurelle que les premières architectures n'avaient pas anticipée. Temporal Technologies, dont l'infrastructure d'orchestration est antérieure à la vague actuelle de l'IA agentique, voit dans cette situation un écho direct à une période précédente de l'adoption du cloud en entreprise. Somal compare cette ruée vers l'IA à la stratégie "lift-and-shift" des débuts du cloud : migrer des charges de travail sans repenser les architectures sous-jacentes, pour finalement dépenser davantage sans en tirer la valeur attendue. "Cette précipitation vers l'IA dans un monde où vous n'avez même pas modernisé vos applications me rappelle un peu ce lift-and-shift qui s'est produit dans le cloud", a-t-elle dit. Les problèmes d'ingénierie fondamentaux comme la durabilité d'exécution et la récupération après défaillance n'émergent souvent qu'après le déploiement. L'IA agentique n'invente pas ces problèmes : elle les amplifie, et les entreprises qui n'ont pas modernisé leur socle applicatif risquent de reproduire les mêmes erreurs coûteuses qu'une décennie auparavant.

OutilsOpinion

1 source

3VentureBeat AI

L'écart de contexte en IA : les entreprises ont un problème de confiance, pas de recherche, et la plupart n'ont pas encore la solution

Une enquête menée par VentureBeat auprès de 101 entreprises de plus de 100 salariés, réalisée en juin 2026 dans le cadre de sa série Pulse Research, révèle que 57% des organisations ont vu leurs agents IA produire des réponses confiantes mais fausses au cours des six derniers mois, un problème directement lié à un contexte métier manquant ou incohérent. Plus de la moitié d'entre elles disent que l'incident s'est reproduit plusieurs fois. La génération augmentée par récupération, ou RAG, reste la principale source de contexte pour les agents, citée par 38% des entreprises, davantage que toute autre méthode. Côté outils, les solutions de récupération natives des grands fournisseurs dominent déjà le marché : le file search d'OpenAI est utilisé par 40% des entreprises et Vertex AI Search de Google par 38%, devançant les bases de données vectorielles spécialisées qui avaient pourtant défini cette catégorie technologique ces dernières années. L'échantillon, composé pour l'essentiel d'entreprises de taille moyenne (31% comptent entre 251 et 1000 salariés, 31% entre 101 et 250), inclut des répondants à fort pouvoir de décision, puisque 46% sont décideurs finaux et 26% occupent un rôle de recommandation ou d'influence sur les achats. Ce décalage entre l'assurance affichée par les agents et la fiabilité réelle de leur socle de données, que l'étude nomme le "context gap", n'est pas anecdotique. Avec le RAG comme source de contexte dominante, toute lacune ou incohérence dans la récupération d'information se traduit mécaniquement par des erreurs habillées de l'autorité apparente de l'agent, un risque particulièrement sensible pour des secteurs comme la santé (11% de l'échantillon) ou la finance, où une réponse erronée mais formulée avec assurance peut avoir des conséquences opérationnelles ou réglementaires. Face à ce constat, 58% des entreprises interrogées disent déjà exploiter, ou être en train de construire, une couche sémantique gouvernée censée fiabiliser l'accès des agents aux données internes, mais cette infrastructure reste, pour la majorité d'entre elles, encore hors production. Le marché montre par ailleurs une tension entre les intentions affichées et les usages réels. Si les entreprises anticipent une généralisation de la récupération hybride d'ici fin 2026 (34% des réponses), une majorité relative de 36% affirme vouloir conserver des outils spécialisés indépendants plutôt que de tout consolider chez un seul fournisseur, alors même que 57% prévoient de changer de fournisseur ou d'en ajouter un dans l'année à venir. Autrement dit, les achats penchent vers les solutions natives d'OpenAI ou de Google, tandis que le discours stratégique continue de vanter l'indépendance technologique. Menée en un seul cycle trimestriel sans possibilité de comparaison mensuelle, et reposant sur un échantillon volontaire de taille modeste, cette étude doit être lue comme un signal directionnel sur l'état de confiance des entreprises envers leurs agents IA, plutôt que comme une mesure statistique définitive.

OutilsOutil

1 source

4VentureBeat AI

Pourquoi les entreprises à base d'agents doivent devenir des systèmes apprenants

Chaque jour, les entreprises accumulent un savoir opérationnel que leurs systèmes d'intelligence artificielle n'exploitent jamais. Un analyste en sécurité corrige une investigation générée par l'IA. Un ingénieur réseau identifie la cause d'une panne récurrente. Une équipe d'observabilité découvre qu'un enchaînement précis de latence, de logs et de modifications d'infrastructure annonce systématiquement une dégradation de service. Ces instants contiennent une connaissance organisationnelle précieuse, mais dans la grande majorité des entreprises, elle disparaît dans des tickets, des fils de discussion, des post-mortems d'incidents ou dans l'esprit de quelques experts isolés. Elle résout le problème immédiat, rarement davantage. C'est ce constat que Splunk expose dans une analyse publiée en juin 2026 sur ce qu'il appelle l'entreprise agentique apprenante. Le vrai avantage concurrentiel de la prochaine décennie ne sera pas de disposer du modèle d'IA le plus performant, beaucoup d'organisations auront accès aux mêmes modèles frontier. Il sera de savoir si les agents déployés dans les domaines de la sécurité, l'IT, le service client ou les opérations métier peuvent apprendre de l'organisation elle-même. Non pas en réentraînant continuellement le modèle sous-jacent, mais en capturant l'expérience opérationnelle, en la convertissant en connaissance institutionnelle et en la rendant accessible aux agents futurs. Un modèle ne sait pas d'emblée quelle action corrective a résolu la panne du mois dernier, quel signal réseau a précédé la dernière interruption de service, ni quelle politique interne doit prendre le pas sur une recommandation autrement plausible. Ce savoir appartient à l'entreprise, et c'est à elle de le rendre réutilisable, en enrichissant l'écosystème autour du modèle : base de connaissances, couche de récupération, prompts, guardrails et logique de routage. Pour y parvenir, chaque flux de travail agentique doit devenir une boucle de rétroaction. Un agent reçoit une requête, raisonne, appelle des outils, produit une réponse. Un humain l'accepte, la rejette ou la corrige. Les systèmes en aval révèlent si l'action a fonctionné. L'ensemble de cette chaîne est exploitable : c'est ce que l'observabilité de l'IA doit permettre de capturer, non pas seulement pour déboguer un agent, mais pour comprendre ce qu'il a appris, ce que l'humain a corrigé, et ce qui devrait changer avant le prochain événement similaire. C'est le passage du monitoring de l'IA à son enseignement. Splunk, dont la plateforme d'observabilité couvre précisément ces couches, sécurité, réseau, infrastructure, positionne cette capacité comme le fondement de l'entreprise de demain : non pas une organisation qui utilise l'IA, mais une organisation qui apprend à travers elle.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic