Les agents d’IA d’entreprise stagnent faute de connaissances organisationnelles

Selon MIT Technology Review Insights, de nombreux agents d’IA d’entreprise ne parviennent pas à dépasser le stade des projets pilotes parce qu’ils manquent du contexte organisationnel nécessaire pour interpréter les données et agir de manière fiable. Un nouveau rapport fondé sur une enquête menée auprès de 300 dirigeants des domaines des données, de l’IA et de la technologie révèle qu’en moyenne, seuls environ 34 % des projets d’IA agentique passent en production.

Ce constat révèle un problème plus profond que l’accès à un plus grand nombre de documents ou à des modèles de langage plus volumineux. Les agents doivent comprendre ce que signifie une information dans une entreprise donnée, comment les événements sont liés les uns aux autres et quelles procédures encadrent une décision. Sans ce contexte, les organisations peuvent disposer de démonstrations fonctionnelles, mais pas de systèmes auxquels elles sont prêtes à confier des tâches de production.

L’écart de production est aussi un écart de connaissances

Le rapport répartit les connaissances d’entreprise en trois grandes capacités : les connaissances sémantiques, qui décrivent le sens et les relations dans les données ; la mémoire épisodique, qui consigne les événements passés pertinents ; et les connaissances procédurales, qui décrivent la manière dont le travail doit être effectué.

MIT Technology Review Insights indique que les organisations disposant de capacités plus solides dans ces domaines sont davantage susceptibles de faire progresser leurs projets d’agents. Un groupe qu’il identifie comme celui des leaders de la production a fait passer en moyenne 61 % de ses projets d’IA agentique au-delà du stade pilote, contre environ un tiers en moyenne pour l’ensemble des organisations interrogées.

Le rapport n’établit pas que de meilleures capacités de connaissance causent directement des taux de mise en production plus élevés. Il met en évidence une relation étroite entre les deux. Cette distinction est importante, car l’étude repose sur les réponses de dirigeants plutôt que sur un audit indépendant des systèmes déployés.

L’enquête a également révélé que la fragmentation des données était l’obstacle le plus fréquemment cité à l’élargissement de l’accès des agents aux connaissances organisationnelles : 55 % des répondants l’ont mentionnée. Les applications déconnectées et les structures de données incohérentes compliquent la tâche d’un agent qui doit réunir une vision complète d’un client, d’un processus, d’un risque ou d’un événement commercial.

Chez les leaders de la production, les préoccupations liées à la sécurité et à la confidentialité étaient plus présentes : 72 % de ce groupe les ont citées. Cela peut indiquer que les organisations progressant davantage dans le déploiement rencontrent les problèmes de gouvernance qui apparaissent lorsque les agents obtiennent un accès plus large à des informations sensibles.

Pourquoi le contexte d’entreprise est important pour les agents

Un système de recherche classique peut renvoyer un document pertinent sans comprendre comment celui-ci s’inscrit dans les règles opérationnelles d’une entreprise. Un agent censé recommander une ligne d’action ou exécuter un flux de travail a besoin de davantage. Il doit identifier les informations faisant autorité, rapprocher les enregistrements contradictoires, se souvenir de ce qui s’est déjà produit et suivre les procédures approuvées.

C’est la distinction que le rapport établit entre données et connaissances. Les données peuvent montrer qu’un compte a manqué un paiement ou qu’un composant est en rupture de stock. Les connaissances aident un agent à déterminer si le compte est soumis à un contrat particulier, si l’enregistrement des stocks est à jour et quelle action l’organisation autorise dans cette situation.

Ce problème de contexte affecte la fiabilité des agents d’IA dans les flux de travail pratiques. Un agent connecté à des systèmes fragmentés peut produire une réponse plausible tout en négligeant une exception stockée dans une autre application. Dans le service client, la finance, les achats ou les opérations, cet échec peut être plus dommageable qu’une simple incapacité à répondre.

Les conclusions du rapport expliquent également pourquoi la génération augmentée par récupération, à elle seule, ne résoudra peut-être pas tous les problèmes de déploiement. La récupération peut améliorer les informations fournies à un modèle, mais les organisations ont toujours besoin de règles concernant la qualité des sources, les autorisations d’accès, les relations entre les données et la séquence des actions qu’un agent est autorisé à effectuer.

Les entreprises construisent une couche de connaissances

Les dirigeants interrogés s’attendent à ce que les gains les plus importants en matière de qualité des décisions des agents proviennent du renforcement du lien structurel entre les données de l’entreprise et les systèmes d’IA. Le rapport décrit cette approche comme une couche de connaissances : une fondation organisationnelle qui donne aux agents accès à des informations utilisables et contextualisées plutôt qu’à des silos de données isolés.

Les priorités d’investissement recensées dans le rapport comprennent les pipelines d’ingestion, les API prêtes pour l’IA, la génération augmentée par récupération, les agents d’évaluation et les graphes de connaissances. Ces technologies répondent à différentes parties du problème. Les pipelines peuvent préparer les informations à l’utilisation, les API peuvent exposer les données et les fonctions métier de manière cohérente, et les graphes de connaissances peuvent représenter des relations difficiles à déduire du seul texte non structuré.

Le rapport présente ces domaines comme des priorités organisationnelles et des recommandations d’experts, et non comme la preuve qu’une architecture donnée fonctionnera pour toutes les entreprises. Un graphe de connaissances peut, par exemple, aider à cartographier les entités et les dépendances, mais il nécessite également une gestion continue des définitions et des relations. De même, une API prête pour l’IA peut améliorer l’accès tout en exposant un agent à des données sources incomplètes ou mal gouvernées.

Pour les développeurs, cela signifie que le développement d’agents englobe de plus en plus l’ingénierie des données, la gestion des métadonnées, le contrôle des accès et la conception des flux de travail. Le modèle reste important, mais il ne constitue qu’un composant d’un système de production.

Ce que ces résultats signifient pour les développeurs et les acheteurs

Les équipes produit qui évaluent des agents d’IA devraient mesurer davantage que la capacité d’un agent à réaliser une démonstration scénarisée. Elles devraient vérifier s’il sélectionne la bonne source, gère les enregistrements contradictoires, respecte les autorisations, se souvient des événements pertinents et explique pourquoi il a effectué une action particulière.

Les agents d’évaluation pourraient devenir utiles dans ce processus, notamment pour tester un grand nombre de décisions au regard des politiques de l’entreprise et des résultats attendus. Toutefois, l’évaluation automatisée devrait compléter, et non remplacer, l’examen humain des flux de travail à fort impact. Les sources ne fournissent pas de preuves détaillées concernant la précision ou la maturité de ces systèmes d’évaluation.

Les acheteurs d’entreprise devraient également considérer la fragmentation des données comme une contrainte de déploiement plutôt que comme un simple désagrément administratif. Connecter un agent à davantage de systèmes peut accroître sa portée, tout en augmentant le nombre de points de défaillance et l’ampleur d’un éventuel incident de confidentialité. L’importance accordée à la sécurité par les leaders de la production laisse penser qu’un déploiement réussi exige que les politiques d’accès et la capacité d’audit progressent parallèlement aux fonctionnalités.

Pour les fondateurs et les fournisseurs de plateformes, le signal du marché est que la demande pourrait se déplacer des interfaces d’agents autonomes vers une infrastructure rendant les connaissances d’entreprise utilisables. Les produits qui unifient récupération, autorisations, mémoire, évaluation et exécution des flux de travail pourraient répondre à un problème plus immédiat des acheteurs que les systèmes promettant l’autonomie sans contexte organisationnel fiable.

Ce qu’il faut surveiller ensuite

Les prochains signaux importants seront de savoir si les entreprises font état de taux de mise en production plus élevés après avoir investi dans des couches de connaissances, et si ces gains se maintiennent dans les secteurs réglementés et fortement dépendants des données. Les acheteurs devraient rechercher des preuves de déploiement vérifiables indépendamment plutôt que de se fier au nombre de projets pilotes ou à de vastes affirmations sur l’adoption.

Il sera également important de suivre la manière dont les fournisseurs définissent une API prête pour l’IA, maintiennent leurs graphes de connaissances à jour et vérifient si les systèmes de récupération peuvent préserver les autorisations entre plusieurs applications d’entreprise. Les incidents de sécurité, les échecs d’évaluation et les réductions mesurables de la revue manuelle en diront davantage sur l’aptitude à la production que les démonstrations seules.

Le rapport lui-même a été produit par Insights, la branche de contenu personnalisé de MIT Technology Review, et non par sa rédaction. Ses résultats d’enquête sont donc utiles comme indication des priorités des dirigeants, mais doivent être lus comme des affirmations fondées sur des recherches plutôt que comme des mesures définitives du marché.

Le point de vue de Creati.ai

La leçon centrale est pratique : les agents d’entreprise ne deviennent pas fiables simplement parce qu’ils reçoivent davantage de données. Ils ont besoin d’une compréhension maintenue du sens métier, de l’historique, des autorisations et des procédures. L’infrastructure de connaissances devient ainsi un élément central de la pile produit de l’IA, et non une amélioration facultative à ajouter après le choix du modèle.

Les déploiements les plus solides seront probablement ceux qui traitent le contexte comme une infrastructure mesurable. Les équipes capables de montrer quelles sources un agent a utilisées, quelles règles l’ont contraint et comment ses décisions ont été évaluées disposeront d’une voie plus claire du pilote à la production que celles qui s’appuient uniquement sur des réponses fluides.