Morgan Stanley a divisé par deux son travail de réconciliation le plus risqué, en rendant ses agents moins autonomes

L'IA en entreprise entre dans une zone d'incertitude d'évaluation : les agents gagnent en autonomie plus vite que les entreprises ne peuvent les vérifier

Les entreprises qui déploient des agents IA en production accordent de plus en plus d'autonomie à ces systèmes, au moment même où leur confiance dans les méthodes d'évaluation automatisées s'effondre. Selon l'enquête VB Pulse menée en juin 2026 auprès de 157 répondants qualifiés dans des entreprises de plus de 100 salariés, la moitié d'entre elles ont déjà déployé un agent ou une fonctionnalité basée sur un LLM qui avait pourtant réussi ses évaluations internes, avant de provoquer un incident visible par les clients. Un quart des entreprises concernées ont connu ce type d'échec plus d'une fois. L'échantillon, auto-sélectionné, ne constitue pas un sondage probabiliste et doit être lu comme une tendance plutôt qu'une mesure exacte. Malgré cela, les entreprises ne ralentissent pas l'automatisation : 66% des répondants autorisent déjà certains déploiements en production sans supervision humaine, ou construisent des systèmes destinés à le permettre dans les douze prochains mois. Seuls 5% affirment faire pleinement confiance aux évaluations automatisées censées justifier ces décisions de mise en production. Les raisons de cette défiance sont précises : 29% pointent un mauvais alignement entre les scores obtenus et les résultats réels observés en production, 21% évoquent des biais ou des incohérences, 18% un manque d'explicabilité, et 17% des risques de fuite de données ou de confidentialité. Ce décalage, que les analystes appellent le fossé d'évaluation, illustre un problème structurel : contrairement aux logiciels traditionnels testés sur des entrées et sorties définies, un agent choisit sa propre séquence d'actions, appelle des outils, modifie des états et peut réagir différemment d'une exécution à l'autre. Il peut ainsi récupérer le bon compte client mais modifier le mauvais champ, rédiger une demande de remboursement valide mais l'envoyer sans validation, ou réussir cinq appels d'outils avant qu'un sixième ne divulgue des données sensibles. Pour les entreprises, l'enjeu dépasse la vitesse des tests : c'est la fiabilité même des scores qui est en cause. Ce constat rejoint les recommandations du NIST, qui appelle à des tests en conditions réelles et à une surveillance post-déploiement, car le comportement d'un modèle varie selon les invites, les utilisateurs et le contexte. Cette problématique doit être au cœur des discussions lors de la conférence VB Transform 2026, où sera défendue l'idée que les entreprises déploient d'abord leurs agents, avant que les couches de contrôle telles que la gestion des identités, l'évaluation, le suivi des coûts et l'orchestration ne suivent. L'année à venir s'annonce donc comme un cycle de rattrapage, avec des budgets réorientés vers les outils de gouvernance. Les orientations d'Anthropic sur l'évaluation des agents insistent sur une distinction essentielle entre réussir une fois et réussir systématiquement, ce qui pousse les équipes à traiter la répétabilité comme une métrique de premier plan, en testant les mêmes scénarios plusieurs fois, en faisant varier les formulations et en intégrant chaque incident de production comme un nouveau test de non-régression.

Refonte des processus axée sur les agents autonomes

Les budgets technologiques consacrés à l'intelligence artificielle devraient augmenter de plus de 70 % au cours des deux prochaines années, selon les projections actuelles. Dans ce contexte, Deloitte et Microsoft publient une analyse commune sur ce qu'ils appellent l'entreprise "agent-first", un modèle organisationnel où les agents d'IA opèrent les processus de bout en bout pendant que les humains se concentrent sur la définition des objectifs, des contraintes de politique et la gestion des exceptions. Scott Rodgers, architecte en chef mondial et directeur technique pour la pratique Microsoft de Deloitte aux États-Unis, résume ainsi le changement de paradigme : "Il faut faire basculer le modèle opérationnel vers des humains en tant que gouverneurs et des agents en tant qu'opérateurs." Ce repositionnement représente un changement structurel profond pour les organisations. Contrairement aux systèmes automatisés classiques fondés sur des règles statiques, les agents d'IA peuvent apprendre, s'adapter et optimiser des flux de travail entiers de manière autonome, en interagissant en temps réel avec des données, des systèmes, des personnes et d'autres agents. Pour les entreprises, l'enjeu est double : améliorer l'efficacité opérationnelle de façon non linéaire et libérer les collaborateurs des tâches répétitives pour les orienter vers des activités à plus forte valeur ajoutée, créatives, stratégiques, relationnelles. Rodgers avertit que les gains vraiment significatifs n'apparaissent que lorsque les entreprises conçoivent des flux de travail centrés sur les agents avec une gouvernance humaine, et non lorsqu'elles se contentent de greffer des agents sur des processus fragmentés hérités. Le principal obstacle identifié n'est pas technologique mais organisationnel. De nombreuses entreprises ne maîtrisent pas encore leurs propres leviers économiques, coût par transaction, coût de service, ce qui les empêche de prioriser les cas d'usage les plus rentables et les pousse à multiplier des pilotes spectaculaires mais sans impact structurel. Par ailleurs, les systèmes legacy ne sont pas conçus pour des agents autonomes : ils requièrent des définitions de processus lisibles par des machines, des contraintes de politique explicites et des flux de données structurées. Rodgers formule l'urgence sans détour : "Le vrai risque n'est pas que l'IA ne fonctionne pas, c'est que les concurrents redesignent leurs modèles opérationnels pendant que vous pilotez encore des agents et des copilotes." Les entreprises qui tardent à franchir ce cap s'exposent à un décrochage compétitif durable face à celles qui auront su reconstruire leurs processus autour des agents plutôt que de simplement les y intégrer.

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

Une enquête publiée par VentureBeat en mai 2026, menée auprès de 132 responsables technologiques de grandes entreprises, révèle que le principal problème de l'IA agentique en production n'est pas le modèle d'intelligence artificielle lui-même, mais l'infrastructure d'exécution. Conduite dans le cadre de la série Pulse Research, l'étude interroge des dirigeants de sociétés d'au moins 100 salariés, dont 35 % dans des entreprises de plus de 10 000 employés, couvrant des secteurs comme la technologie (42 %), les services financiers (20 %) ou la santé (7 %). Résultat central : les agents IA déployés sur des infrastructures sans état, scripts Python, chaînes LangChain, orchestrations improvisées, s'effondrent au contact des exigences opérationnelles réelles. Les redémarrages de conteneurs effacent le contexte, les coûts en tokens dépassent les prévisions, et les hallucinations produites à l'étape 3 d'un workflow se transforment en échecs catastrophiques à l'étape 12. Ce constat a des conséquences concrètes pour des milliers d'équipes d'ingénierie : la majorité d'entre elles consacrent davantage de temps à gérer la "plomberie" de ces systèmes qu'à construire l'intelligence qui était censée justifier l'investissement. L'enquête introduit une distinction structurante entre le "cerveau" (la capacité de raisonnement du modèle) et la "colonne vertébrale" (l'infrastructure d'exécution qui gère l'état, la résilience et la coordination). Si les problèmes d'intégration et de gouvernance restent le premier facteur de défaillance cité, les problèmes d'infrastructure arrivent juste derrière. Et 17 % des répondants identifient encore le modèle lui-même comme la cause principale, ce qui n'est pas anecdotique : ces entreprises signalent que les modèles restent insuffisamment fiables pour les cas limites que leurs workflows génèrent. Ce rapport s'inscrit dans une série de recherches commencée au premier trimestre 2026 autour du concept de "Governance Mirage" : 43 % des entreprises interrogées alors déclaraient avoir une équipe centrale responsable de la gouvernance IA, tandis que 23 % ne s'accordaient pas sur cette question, et 31 % pointaient l'opacité des fournisseurs comme obstacle principal. Le parallèle avec la vague RPA (automatisation robotique des processus) il y a dix ans est explicitement évoqué : un cimetière de pilotes brillants incapables de passer le cap du "Jour 2". Selon VentureBeat, les organisations qui survivront à ce qu'il appelle l'"Agentic Reckoning" seront celles qui traiteront la durabilité de l'infrastructure d'exécution comme une priorité d'ingénierie de premier ordre, et non comme un problème à corriger à coups de relances et de prompts.

Bain identifie un marché SaaS de 100 milliards de dollars dans l'automatisation par agents IA

Le cabinet de conseil Bain & Company estime à 100 milliards de dollars le marché adressable aux États-Unis pour les éditeurs SaaS qui intègrent l'IA agentique dans l'automatisation des processus d'entreprise. Cette estimation figure dans le deuxième volet d'une série de cinq rapports que Bain consacre au secteur logiciel à l'ère de l'IA. La firme chiffre à 4 à 6 milliards de dollars ce que les éditeurs captent déjà aujourd'hui aux États-Unis, ce qui signifie que plus de 90 % du marché reste inexploité. En étendant l'analyse au Canada, à l'Europe, à l'Australie et à la Nouvelle-Zélande, Bain porte l'estimation globale à environ 200 milliards de dollars. Par fonction, la vente représente la plus grande part individuelle avec environ 20 milliards, portée avant tout par la taille de la main-d'oeuvre commerciale. Les opérations et le coût de production pèsent 26 milliards au total. Le support client, la R&D, l'ingénierie et la finance se situent chacun entre 6 et 12 milliards. Ce que Bain met en évidence, c'est moins la concurrence frontale avec les plateformes SaaS existantes que la conversion en dépenses logicielles d'un travail humain massif et jusqu'ici peu automatisé : la coordination entre applications d'entreprise. Ces workflows traversent des ERP, des CRM, des outils de gestion fournisseurs et des boîtes mail, enchaînant des tâches comme la vérification croisée de données, l'interprétation de messages non structurés ou la décision d'escalader un problème. L'automatisation classique par règles ou par RPA bute sur l'ambiguïté et la dispersion de l'information dans plusieurs systèmes. L'IA agentique, elle, peut agréger des sources hétérogènes, déclencher des actions dans plusieurs outils et opérer dans des cadres de gouvernance définis. Le potentiel d'automatisation varie selon les fonctions : le support client et la R&D atteignent 40 à 60 % des tâches automatisables, grâce à des données structurées et des signaux de résultat clairs. La finance et les RH se situent entre 35 et 45 %, la vente et l'informatique entre 30 et 40 %, tandis que le juridique plafonne à 20-30 % en raison du risque d'erreur élevé. Ce rapport s'inscrit dans un contexte de réorientation stratégique des grands éditeurs, qui cherchent à positionner l'IA agentique non pas comme une fonctionnalité supplémentaire, mais comme un nouveau segment de revenus autonome. Bain identifie six facteurs déterminants pour évaluer l'automatisabilité réelle d'un workflow : la vérifiabilité des résultats, les conséquences d'un échec, la disponibilité de données structurées, la variabilité des processus, notamment. Les workflows à risque réglementaire ou financier élevé, déclarations fiscales, conformité légale, réponse aux incidents de sécurité, nécessitent une supervision humaine rapprochée même lorsque les agents sont techniquement capables. Ce cadre analytique va probablement devenir une référence pour les éditeurs qui doivent décider où concentrer leurs investissements en IA agentique dans les prochains mois.

💬 100 milliards dans l'automatisation agentique, Bain sort l'artillerie. Ce qui me retient dans ce rapport, c'est pas le total (les cabinets de conseil adorent les chiffres ronds), c'est qu'ils pointent le vrai angle : tout le travail de coordination entre ERP, CRM et boîte mail, le genre de flux qui n'a encore aucune ligne budget logiciel aujourd'hui. Sur ce sujet, franchement, c'est plus intéressant que ça en a l'air.