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

SAP : comment la gouvernance de l'IA en entreprise protège les marges bénéficiaires

Manos Raptopoulos, président mondial du succès client pour l'Europe, l'APAC, le Moyen-Orient et l'Afrique chez SAP, a posé un constat sans appel lors de l'AI & Big Data Expo North America : la distance entre 90 % et 100 % de précision n'est pas une nuance graduelle dans le monde de l'entreprise, c'est une différence existentielle. Les systèmes d'IA dits "agentiques" sont désormais capables de planifier, raisonner, coordonner d'autres agents et exécuter des flux de travail de façon autonome. Mais leur déploiement à grande échelle expose les organisations à des risques opérationnels sévères si leur gouvernance reste au stade de la liste de conformité plutôt que de devenir une contrainte d'ingénierie à part entière. Intégrer des bases de données vectorielles modernes aux architectures relationnelles historiques exige des investissements massifs, et restreindre la boucle d'inférence de l'agent pour éviter les hallucinations dans les chaînes financières ou logistiques fait grimper la latence et les coûts de calcul cloud, modifiant les projections de rentabilité initiales. L'enjeu dépasse la simple fiabilité technique : il touche directement les marges et la responsabilité juridique des entreprises. Raptopoulos identifie trois questions que les conseils d'administration doivent impérativement résoudre avant tout déploiement agentique : qui est responsable en cas d'erreur d'un agent, comment tracer les décisions automatisées pour les audits, et à quel seuil précis l'humain doit reprendre la main. Sans ces réponses, l'expansion incontrôlée des agents risque de reproduire les crises du "shadow IT" de la décennie passée, avec des conséquences potentiellement bien plus graves, car ces systèmes agissent directement sur des données sensibles et influencent des décisions à l'échelle de l'organisation entière. Des données maîtres fragmentées, des systèmes métiers en silos ou des ERP surchargés de personnalisations introduisent une imprévisibilité dangereuse au pire moment : lorsqu'un agent autonome s'appuie sur ces fondations défaillantes pour formuler une recommandation touchant la trésorerie, les relations clients ou la conformité réglementaire, les dégâts opérationnels se propagent instantanément. Ce diagnostic s'inscrit dans un contexte de fragmentation géopolitique croissante. Les mandats de souveraineté des données et les exigences de localisation dans des marchés clés comme New York, Francfort, Riyad ou Singapour complexifient la définition des périmètres de responsabilité. SAP avance que l'intelligence d'entreprise authentique ne peut pas reposer sur des grands modèles de langage entraînés sur du texte générique : elle doit être ancrée dans les données propriétaires de l'entreprise, commandes, factures, dossiers logistiques et données financières incluses. Raptopoulos en fait un mandat de direction générale, non un projet informatique : intégrer un contrôle déterministe au coeur d'une intelligence probabiliste est la condition pour que l'IA agentique devienne un levier de rentabilité plutôt qu'une source de risque systémique.

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.

L'IA en entreprise : un défi que le code seul ne résout pas

Selon Michael Ameling, directeur produit de la plateforme technologique SAP Business Technology Platform, 81% des organisations disposent d'une stratégie détaillée en matière d'intelligence artificielle, mais seulement 12 à 16% d'entre elles parviennent effectivement à une exécution pilotée par l'IA. Le problème ne vient presque jamais de la qualité du code généré par les outils d'IA. Les entreprises qui ont investi massivement dans ces technologies se heurtent à un mur lorsque ce code doit fonctionner dans leurs environnements existants, car générer du code et le rendre opérationnel sont deux problèmes distincts. Pour les grandes entreprises, notamment les multinationales clientes de SAP dont certains systèmes tournent depuis dix ou vingt ans, le code doit répondre à des exigences strictes de conformité, de sécurité et de maintenabilité sur le long terme, des contraintes que la gestion du cycle de vie logiciel ne résout pas d'elle-même. Ce constat a des implications concrètes pour l'industrie. Les équipes développent des prototypes convaincants, puis découvrent qu'elles n'ont pas accès aux données nécessaires, aux intégrations requises ou aux permissions pour faire tourner leur solution en conditions réelles. L'IA amplifie la maturité existante d'une organisation en matière de données et de processus, mais elle ne peut pas s'y substituer. Ce défi s'intensifie à mesure que l'IA passe de la simple production de code à l'exécution autonome d'actions: la latence, les coûts et la charge système augmentent fortement lorsque des agents fonctionnent en continu sur des données en direct plutôt que de produire un résultat ponctuel. Les exigences de performance d'un agent autonome opérant sur les systèmes transactionnels d'une multinationale n'ont rien à voir avec celles d'un simple copilote de développement. Le véritable défi architectural, souvent sous-estimé, est celui de l'intégration dans des environnements hétérogènes combinant cloud, infrastructures legacy sur site et applications métier jamais conçues pour communiquer entre elles. Selon Ameling, la modernisation des systèmes reste indispensable, mais c'est justement l'IA qui en démultiplie la valeur: l'accès fédéré aux données et l'harmonisation des processus ne sont pas des alternatives à la mise à niveau d'un paysage informatique fragmenté, ils en sont la condition de rentabilité. Pour répondre à ces besoins, SAP mise sur sa Business AI Platform, qui regroupe des outils comme Joule Studio, l'Integration Suite, le Business Data Cloud et le SAP AI Agent Hub, afin de donner à la logique générée par l'IA une connaissance précise et à jour des systèmes d'entreprise sur lesquels elle doit s'exécuter.

💬 Bon, sur le papier 81% des boîtes ont une stratégie IA, mais 12 à 16% seulement passent à l'exécution, ça dit tout. Le code généré, c'est jamais le problème: le mur, c'est les accès aux données, les intégrations, les permissions sur des systèmes qui tournent depuis vingt ans. Retiens celle-là: l'IA n'invente pas la maturité data d'une boîte, elle se contente de l'amplifier, en bien comme en mal.

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.