Connecter les agents IA aux connaissances de l'entreprise
Les agents d'intelligence artificielle déployés en entreprise souffrent d'une lacune paradoxale : malgré les masses de données qu'ils ingèrent, ils manquent de connaissance, c'est-à-dire de la compréhension de ce que ces données signifient dans le contexte propre à chaque organisation. Selon une étude d'Insights, la branche de contenu sur mesure de MIT Technology Review, menée auprès de 300 dirigeants des données, de l'IA et des technologies, seuls 34 % des projets d'IA agentique en moyenne atteignent la production, y compris dans les entreprises de haute technologie. Un petit groupe de « leaders de la production » se distingue, avec 61 % de projets qui dépassent le stade pilote. Les principaux points de blocage sont les systèmes de données hérités, les craintes liées à la sécurité et à la vie privée, ainsi que le manque de connaissance et de contexte. La fragmentation des données, c'est-à-dire le partage insuffisant entre systèmes, est citée par 55 % des répondants comme un défi majeur pour élargir l'accès des agents à la connaissance.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MIT Technology Review. Lire l'article original →
L'enjeu est directement économique. Sans connaissance suffisante, les agents prennent des décisions défaillantes et peu fiables, ce qui explique qu'une grande partie des cas d'usage ne dépasse jamais le stade expérimental. Les entreprises qui échouent à déployer leurs agents à grande échelle risquent de perdre les investissements déjà engagés et de céder du terrain à des concurrents qui les exploitent plus efficacement, alors que la pression concurrentielle s'accentue pour capter les gains d'efficacité promis par l'IA. L'étude montre aussi que la solidité des capacités de connaissance, en particulier sur le plan sémantique, suit de près le taux de passage en production. Un paradoxe apparaît toutefois : les leaders sont plus nombreux (72 % d'entre eux) à voir la sécurité et la vie privée comme une préoccupation majeure, signe que l'accès élargi aux données les expose davantage à ces questions.
L'étude évalue les capacités agentiques selon trois dimensions : la connaissance sémantique, la mémoire épisodique et la connaissance procédurale. Pour améliorer la qualité des décisions des agents, les dirigeants attendent le plus grand effet d'un renforcement de la base structurelle entre les données de l'organisation et ses agents, et les experts interrogés y voient dans une « couche de connaissance » la voie privilégiée. Les priorités d'investissement pour élargir l'accès des agents au savoir vont des technologies de récupération (pipelines d'ingestion, API prêtes pour l'IA, génération augmentée par récupération ou RAG) aux agents d'évaluation de l'IA, en passant par les graphes de connaissances. Ces choix traduisent un déplacement de l'attention, de la seule puissance des modèles vers l'architecture de données qui les alimente. Le rapport précise avoir été produit par Insights, et non par la rédaction de MIT Technology Review.
Pas d'impact direct sur la France/UE