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

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.

Cognition, créateur de l'agent de code Devin, plus que double sa valorisation à 26 milliards de dollars en moins de neuf mois

Cognition, la startup américaine à l'origine de Devin, l'agent de développement logiciel piloté par intelligence artificielle, a finalisé une levée de fonds dépassant le milliard de dollars, portant sa valorisation à plus de 26 milliards de dollars. Cette opération, bouclée en moins de neuf mois après un précédent tour de table, plus que double la valorisation de l'entreprise et s'impose comme l'une des plus importantes jamais réalisées dans le secteur des agents IA spécialisés dans le code. Devin avait été présenté en mars 2024 comme le premier "ingénieur logiciel autonome" capable de planifier, coder, tester et déployer des applications sans intervention humaine. Ce financement illustre l'appétit spectaculaire des investisseurs pour les outils capables d'automatiser le développement logiciel, un marché estimé à plusieurs centaines de milliards de dollars. Pour les entreprises tech, l'enjeu est concret : réduire les coûts de développement, accélérer les cycles de production et potentiellement redéfinir le rôle des ingénieurs humains. Pourtant, la valeur opérationnelle réelle de Devin reste vivement discutée dans la communauté des développeurs, certains benchmarks indépendants ayant remis en question ses performances annoncées. Cognition évolue dans un secteur de plus en plus disputé, face à GitHub Copilot d'OpenAI et Microsoft, Cursor, ou encore des agents comme Claude Code d'Anthropic. La course aux agents de codage s'intensifie alors que les grands modèles de langage atteignent un niveau de compétence technique suffisant pour traiter des tâches de programmation complexes. Cette méga-levée signale que, malgré les débats sur les performances actuelles, les investisseurs parient sur un basculement prochain vers une automatisation large du génie logiciel.