Les équipes IA d’entreprise semblent se fixer sur des plateformes pour des systèmes « agentiques » plus vite qu’elles ne résolvent le problème plus difficile : rendre ces systèmes fiables en production. Une série de quatre enquêtes VentureBeat Pulse Research de juin 2026, chacune fondée sur des échantillons distincts de répondants d’entreprise, aboutit au même constat sous différents angles : le goulot d’étranglement n’est plus le choix d’une plateforme de base, mais le déploiement d’agents avec une orchestration fiable, un contexte gouverné, une évaluation crédible et des contrôles de sécurité de base.

Le signal le plus net vient de la vague d’orchestration. Selon l’enquête de VentureBeat menée auprès de 101 organisations de plus de 100 employés, les entreprises concentrent l’orchestration des agents sur les plateformes des fournisseurs de modèles, Claude d’Anthropic étant cité comme plateforme principale par 40% des répondants, suivi de Microsoft à 18% et OpenAI à 13%. Mais cette consolidation s’accompagne d’un aveu dérangeant : 71% ont déclaré qu’un quart ou moins de leurs « agents » déployés sont en réalité des flux de travail orchestrés en plusieurs étapes, plutôt que de simples habillages de chatbot.

Pris avec trois enquêtes complémentaires sur l’infrastructure contextuelle, l’évaluation et la sécurité, le message dépasse largement la seule avance d’un fournisseur. Les entreprises disent vouloir des systèmes fiables, autonomes et multi-étapes. En pratique, beaucoup livrent encore des assistants fragiles, utilisent les paramètres natifs par défaut des fournisseurs et découvrent les échecs après le déploiement. Pour les concepteurs d’IA, les acheteurs d’entreprise et les fondateurs qui vendent sur ce marché, cela déplace la conversation du choix du modèle vers la discipline opérationnelle.

L’orchestration se consolide, mais la maturité du déploiement reste en retard

L’enquête de VentureBeat sur l’orchestration soutient que les entreprises choisissent des plateformes largement à cause de la « gravité du modèle », c’est-à-dire l’attraction du modèle fondation sous-jacent plutôt que celle d’un plan de contrôle d’orchestration distinct. Dans cet échantillon, les grands fournisseurs dominaient, tandis que des frameworks ouverts comme LangChain/LangGraph et des développements internes sur mesure restaient à un chiffre pour l’usage principal.

C’est important parce que les entreprises ont aussi dit à VentureBeat que le succès de l’orchestration se juge principalement à la fiabilité d’achèvement des tâches et à la gestion de flux de travail multi-étapes. Ces priorités indiquent que les acheteurs recherchent des systèmes capables de coordonner des outils, de maintenir l’état et de mener un travail à bien sur plusieurs étapes. Pourtant, les mêmes répondants ont reconnu que la plupart des déploiements actuels n’atteignent pas ce niveau.

Cet écart entre ambition et réalité de production est au cœur de l’histoire. Si la plupart des systèmes déployés ne sont encore que des assistants à prompt unique, alors les dépenses d’entreprise en orchestration relèvent en partie d’une infrastructure préventive : les équipes construisent la couche avant même que le portefeuille de véritables agents orchestrés n’existe. Ce n’est pas nécessairement irrationnel. Cela peut refléter un schéma classique en entreprise, consistant à standardiser tôt les achats et les contrôles. Mais cela signifie qu’une grande partie des chiffres d’adoption des « agents » agrègent probablement des systèmes très différents.

L’enquête a également révélé que 68% prévoient d’adopter une nouvelle plateforme d’orchestration, d’en ajouter une ou d’en remplacer une dans l’année, beaucoup n’ayant pas encore de présélection. Cela suggère que cette couche est loin d’être stabilisée, même si quelques fournisseurs dominent actuellement les déploiements principaux.

Les principaux points de défaillance sont le contexte, les évaluations et la sécurité

Les trois autres enquêtes VentureBeat expliquent pourquoi les entreprises peinent à passer des habillages de chatbot à des agents fiables.

Sur le contexte, une enquête distincte menée auprès de 101 répondants a montré que 57% des entreprises avaient attribué, au cours des six derniers mois, une réponse confiante mais erronée d’un agent IA à un contexte métier manquant ou incohérent. La génération augmentée par récupération est déjà la principale source de contexte pour de nombreuses équipes, et VentureBeat a signalé que des outils de récupération natifs des fournisseurs comme OpenAI file search et Google Vertex AI Search surpassent désormais les bases vectorielles dédiées en usage de production dans son échantillon.

Cela ne veut pas dire que la récupération est résolue. La même enquête suggère l’inverse : la plupart des entreprises construisent encore la couche sémantique gouvernée nécessaire pour rendre le contexte récupéré cohérent et fiable. VentureBeat a constaté que 58% exploitent ou construisent une telle couche sémantique, mais que seulement 25% en disposent en production. Autrement dit, les agents IA parlent déjà avec assurance avant que les définitions métier sous-jacentes ne soient stables.

Sur l’évaluation, les chiffres sont tout aussi sobriaux. Dans l’enquête VentureBeat menée auprès de 157 répondants, 50% ont dit avoir livré une fonctionnalité IA passée avec succès par les évaluations internes puis ayant échoué dans un contexte orienté client. Seuls 5% ont déclaré faire entièrement confiance aujourd’hui à l’évaluation automatisée. Malgré cela, 66% autorisent déjà le déploiement entièrement automatisé pour les agents à faible risque, ou y travaillent dans un horizon d’un an.

Cette combinaison est peut-être le signe le plus clair que les opérations IA d’entreprise dépassent leurs pratiques d’assurance. Les équipes veulent des cycles de livraison plus rapides et davantage d’autonomie, mais les éléments recueillis dans cette enquête suggèrent que la couche de test n’est pas encore assez robuste pour soutenir cela en toute sécurité.

Sur la sécurité, l’enquête VentureBeat menée auprès de 107 répondants a révélé que 54% avaient déjà vécu soit un incident de sécurité d’agent confirmé, soit un quasi-incident. Le problème structurel, selon le rapport, est l’identité et le confinement. Seuls 32% ont indiqué que chaque agent reçoit sa propre identité gérée et à périmètre défini, tandis que beaucoup s’appuient encore sur des identifiants partagés. À peine 30% isolent leurs agents les plus risqués dans des sandboxes.

C’est particulièrement important à mesure que les entreprises accordent aux agents un véritable accès aux systèmes internes. Sans identité par agent et sans isolement, un système compromis ou trop autorisé peut avoir un rayon d’impact beaucoup plus large.

Les outils natifs des fournisseurs gagnent par défaut, pas par verdict final

Un schéma constant dans les quatre enquêtes est que les outils natifs des fournisseurs deviennent le choix opérationnel par défaut. En orchestration, les fournisseurs de plateformes de modèles dominent l’usage principal. En contexte, OpenAI file search et Google Vertex AI Search dominent la pile de récupération dans l’échantillon de VentureBeat. En sécurité, OpenAI guardrails et les contrôles cloud natifs des grands fournisseurs étaient les outils les plus courants. En évaluation, les outils natifs des fournisseurs étaient également en tête, à égalité avec l’absence totale d’outillage dédié.

Ce schéma compte pour le marché, car il montre que la commodité l’emporte sur la spécialisation dans la première vague de déploiement en entreprise. Les acheteurs semblent choisir ce qui est livré avec leur plateforme de modèle ou leur pile cloud, surtout lorsque les équipes sont encore au début de leur maturité de production.

Mais les données de VentureBeat suggèrent aussi que ces valeurs par défaut sont provisoires. En sécurité, 59% prévoyaient d’adopter ou de changer d’outillage dans l’année. En contexte, 57% prévoyaient de changer ou d’ajouter un fournisseur de récupération. En évaluation, 64% prévoyaient d’adopter une plateforme nouvelle ou de remplacement. En orchestration, l’intention de changement était également élevée.

Ainsi, même si la pile actuelle paraît concentrée, le cycle d’achat reste ouvert. Les entreprises commencent peut-être avec des contrôles et une récupération groupés parce que cela réduit la friction, mais beaucoup ne semblent pas convaincues d’y rester. Le verrouillage fournisseur était le principal risque cité lorsque la couche de contrôle de l’orchestration est intégrée à une plateforme de fournisseur de modèles, ce qui aide à expliquer pourquoi 51% dans l’enquête sur l’orchestration s’attendaient à un plan de contrôle hybride d’ici fin 2026.

Preuves, réserves et ce que montrent réellement ces enquêtes

Les quatre éléments source sont des enquêtes VentureBeat Pulse Research de juin 2026, et non des dépôts publics ni des données de marché auditées. Cela leur donne de la valeur comme lecture directionnelle du sentiment et du comportement de déploiement en entreprise, mais impose aussi de vraies limites.

Les échantillons étaient auto-sélectionnés, pondérés dans plusieurs cas vers le mid-market, et de taille modeste : 101 répondants pour l’orchestration, 101 pour le contexte, 157 pour l’évaluation et 107 pour la sécurité. VentureBeat précise lui-même que les résultats doivent être considérés comme directionnels plutôt que comme des mesures précises. Les enquêtes utilisaient aussi des groupes de répondants différents, donc les lecteurs doivent rester prudents lorsqu’ils traitent des pourcentages provenant de différentes vagues comme des parts de marché directement comparables.

Cette prudence est particulièrement importante pour les positions des fournisseurs. Le fait que Claude d’Anthropic mène l’orchestration dans cet échantillon n’établit pas une part de marché plus large. Il en va de même pour OpenAI file search, Google Vertex AI Search, OpenAI guardrails ou les évaluations natives des fournisseurs. Ce sont des instantanés, fondés sur des enquêtes, de l’usage principal ou de la présence dans la pile parmi des répondants actifs en IA, et non des classements pondérés par les dépenses.

Il reste que le schéma structurel répété à travers des enquêtes distinctes est difficile à écarter. Différents groupes d’entreprises ont signalé des tensions similaires : les outils groupés dominent l’usage actuel ; les catégories spécialisées restent fragmentées ; et la plupart des organisations prévoient de changer ou d’ajouter des outils dans l’année. Même si les pourcentages exacts évoluent, ce schéma paraît crédible.

Ce que cela signifie pour les créateurs et les acheteurs d’entreprise

Pour les équipes produit IA, la leçon pratique est que les affirmations d’« agents » seront soumises à un examen plus sévère. Si les clients d’entreprise comprennent de plus en plus que de nombreux agents déployés ne sont que des habillages de prompts, les fournisseurs devront montrer où l’orchestration existe réellement : gestion d’état, coordination d’outils, contrôles d’exécution, comportement de repli et achèvement de tâches mesurable.

Pour les acheteurs d’entreprise, ces enquêtes suggèrent que la sélection de plateforme devient la partie la plus facile. La partie difficile consiste à opérationnaliser l’IA d’entreprise sur quatre couches simultanément : une couche de contexte fiable, une couche d’évaluation liée à des résultats réels, une couche d’identité et d’isolation pour la sécurité, et un plan de contrôle capable de gérer à la fois les coûts et la dépendance au fournisseur.

Pour les startups, l’opportunité pourrait être plus étroite que ne le suggère le discours large autour des « plateformes d’agents ». Les offres groupées des fournisseurs absorbent le point d’entrée par défaut. Les opportunités semblent plus ciblées : couches sémantiques gouvernées, identité non humaine, isolement à l’exécution, surveillance de la qualité des sorties et contrôles d’orchestration placés au-dessus du fournisseur de modèle.

L’angle coût mérite aussi l’attention. L’enquête VentureBeat sur l’orchestration a révélé que 27% n’avaient aucun moyen programmatique en temps réel d’arrêter un agent hors de contrôle avant l’arrivée de la facture. Ce n’est pas seulement un problème de FinOps. C’est le signe que les plans de contrôle d’exécution restent immatures.

Ce qu’il faut surveiller ensuite

Le signal de suivi le plus important est de savoir si les entreprises commencent à signaler une croissance des flux de travail de production réellement multi-étapes, et pas seulement davantage de déploiements d’« agents ». Si ce chiffre reste bas tandis que les dépenses d’orchestration augmentent, la catégorie pourrait être suretiquetée et sous-livrée.

Ensuite, il faut observer si les architectures de contrôle hybrides deviennent la norme. Si les équipes continuent à standardiser sur Claude d’Anthropic, Microsoft ou OpenAI tout en ajoutant des couches externes d’orchestration et de politique, le marché pourrait se stabiliser en une pile divisée plutôt qu’en plateformes gagnant-tout.

Troisièmement, il faut prêter attention au passage des couches sémantiques gouvernées du pilote à la production. Si OpenAI file search et Google Vertex AI Search continuent de croître sans meilleure gouvernance du contexte, le problème du « confiant mais faux » risque de perdurer.

Quatrièmement, la couche d’évaluation mérite d’être surveillée. Si les entreprises continuent de s’orienter vers le déploiement automatisé tandis que les évaluations natives des fournisseurs et les outils fragmentés restent la norme, les échecs côté client pourraient devenir un déclencheur majeur d’achat.

Enfin, les dépenses et l’architecture de sécurité seront le véritable test du sérieux. Si OpenAI guardrails restent la valeur par défaut tandis que l’identité à périmètre défini et le sandboxing demeurent rares, les entreprises pourraient normaliser l’exposition au lieu de la réduire.

Perspective Creati.ai

Ces enquêtes pointent vers un marché de l’IA d’entreprise qui mûrit, où le langage des agents a progressé plus vite que la réalité opérationnelle. L’essentiel n’est pas que les entreprises aient choisi les mauvaises plateformes. C’est que trop d’équipes ont traité le choix de la plateforme comme la décision principale alors que le défi du déploiement se situe dans la qualité du contexte, le contrôle à l’exécution, la fidélité de l’évaluation et la conception de la sécurité.

C’est pourquoi le champ de bataille concurrentiel le plus intéressant n’est peut-être pas du tout le modèle de base. Cela pourrait être les couches de contrôle autour de lui : les systèmes qui décident ce qu’un agent sait, ce à quoi il peut accéder, comment il est testé, quand il est arrêté et qui peut ensuite prouver ce qui s’est passé. Tant que ces couches ne seront pas renforcées, beaucoup d’« agents » d’entreprise resteront des assistants coûteux, mieux marketés qu’autonomes sur le plan opérationnel.