Améliorer la qualité des analyses dans l'analytique à base d'agents
Les agents d'analyse pilotés par l'IA commencent à tenir leurs promesses, mais lentement. Selon un rapport publié par Insights, la branche de contenu sur mesure de MIT Technology Review, 48 % des enseignements générés par ces agents dans les entreprises interrogées débouchent sur des actions qui améliorent réellement l'activité, contre 37 % un an plus tôt. Plus de la moitié de leurs productions restent donc sans effet utile. Un petit groupe d'organisations, baptisées « insight leaders », se distingue nettement : chez elles, plus de 70 % des enseignements des agents conduisent à des actions bénéfiques, et elles jugent aussi la qualité de ces résultats plus favorablement que la moyenne. L'écart est surtout marqué pour les enseignements prescriptifs, ceux qui recommandent une action, alors que la plupart des répondants saluent la qualité des enseignements descriptifs, qui se bornent à décrire une situation.
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 →
Ces chiffres comptent parce que l'IA agentique promet d'aller plus loin que l'IA générative, qui a déjà ouvert l'analyse de données à l'ensemble des collaborateurs : elle vise à automatiser des chaînes de travail entières et à agir sur la base de ses propres conclusions. Or un enseignement défaillant ne se contente pas de priver l'entreprise du retour sur investissement espéré, il peut déclencher une action erronée et provoquer des dommages financiers ou de réputation. Le problème est aggravé par la surabondance : dans 52 % des organisations interrogées, les agents produisent trop d'enseignements pour qu'ils soient correctement évalués et exploités. Seules 24 % parviennent à tous les examiner, et la plupart procèdent au cas par cas, avec un processus qui mobilise encore beaucoup de ressources humaines.
Le rapport identifie aussi les causes de cette médiocrité. Pour 55 % des dirigeants interrogés, le principal facteur est le manque de contexte métier, tandis que 45 % pointent des données fragmentées ou inaccessibles. Les « insight leaders » déclarent moins souvent que leurs agents peinent à accéder à ce contexte. Pour y remédier, les entreprises placent en tête de leurs priorités le renforcement de la gouvernance de l'IA et des données (60 %), puis l'ajout d'une couche sémantique à leur architecture de données (45 %). Cette couche, qui traduit les données brutes en concepts métier compréhensibles par les agents, est jugée indispensable à la performance par les experts consultés. Le document précise avoir été conçu par des humains, avec un recours éventuel à l'IA limité aux processus de production sous supervision humaine. Il rappelle enfin que la valeur de l'analyse agentique dépendra moins de la quantité d'enseignements produits que de leur fiabilité et de la capacité des organisations à les trier.
Pas d'impact direct sur la France/UE