L'agent marchait en mars. Il marchait en avril aussi, puis au démo du jeudi en mai, quand il a rédigé quarante lettres de renouvellement, signalé les trois qui demandaient un humain et acheminé le reste sans accrocher, pendant que la salle hochait la tête. Fin juin, ce même pilote n'avait pas touché un seul compte client en vrai. Pas un. Huit mois de presque.
Le modèle? Jamais le problème. Chaque comité de pilotage mourait sur les deux mêmes questions, et personne dans la salle ne pouvait répondre à l'une ou l'autre par écrit : qu'est-ce que cet agent a le droit de décider tout seul, et qui met son nom en dessous? Le démo était impeccable. L'autorité, indéfinie. Fait que le lancement glissait d'un mois, puis d'un autre, et le deck se mettait à porter le mot « bientôt » comme un aveu.
Multipliez cette salle par quelques milliers et vous obtenez le chiffre marquant de 2026. Le sondage Gartner 2026, mené auprès de plus de 2 500 dirigeants des technologies de l'information, a trouvé que seulement 17 % des organisations ont vraiment déployé des agents IA, alors que plus de 60 % comptent le faire d'ici deux ans (Gartner, Hype Cycle 2026 pour l'IA agentique). C'est la courbe d'adoption la plus agressive que Gartner ait jamais tracée pour une techno émergente. Et l'un des plus grands écarts qu'il ait mesurés entre vouloir une affaire et la livrer.
Attention, je ne veux pas balayer ça du revers de la main comme un simple décalage de cycle de battage. Une partie l'est. Le marché court toujours en avant des opérations. Mais un écart de 43 points, ce n'est pas le retard normal entre une tendance et son déploiement, et la raison pour laquelle il est si large est précise. Les équipes coincées du mauvais côté de ce chiffre ne manquent ni de modèles ni de budget. Elles manquent de la seule chose que personne ne met sur une feuille de route : une réponse écrite et convenue à ce que veulent dire « fini » et « sûr » pour un agent qui agit tout seul.
Quel est l'écart entre vouloir des agents IA et les déployer?
C'est un écart de préparation, et la préparation, ça se gouverne. Le chiffre « veulent déployer » mesure l'appétit. Le chiffre « ont déployé » mesure si une organisation peut écrire, défendre et assumer ce que son agent a le droit de faire. Deux muscles différents. Le premier a besoin d'une ligne budgétaire et d'un démo de fournisseur. Le second a besoin du travail de découverte ingrat que la plupart des équipes sautent parce qu'il n'apparaît pas dans un tableau de sprint : faire ressortir les exceptions, nommer les droits de décision et valider les données avant la mise en ligne.
Deloitte a mis un chiffre dur sur le muscle manquant. Son sondage 2026 « State of AI in the Enterprise », mené auprès de 3 235 dirigeants dans 24 pays, a trouvé que seulement 21 % des organisations ont un modèle de gouvernance mature pour les agents autonomes, même si 74 % comptent utiliser l'IA agentique au moins modérément d'ici deux ans (Deloitte, Agentic AI is scaling faster than guardrails). Lisez les deux chiffres côte à côte. Presque tout le monde s'en va vers les agents. Et à peu près quatre sur cinq y vont sans façon gouvernée de les encadrer.
Voici la partie qui m'a surpris quand je me suis assis avec les données. Un modèle de gouvernance mature, ce n'est pas un cartable de conformité. Deloitte le décrit comme des limites claires sur les décisions qu'un agent prend seul versus celles qui passent par un humain, une surveillance en temps réel qui signale les anomalies, et des pistes d'audit qui captent toute la chaîne des gestes de l'agent. Enlevez le vocabulaire de gouvernance de cette liste et il reste des exigences. Précises, validées, traçables. L'écart de gouvernance et l'écart d'exigences, c'est le même écart, avec deux étiquettes différentes.
Pourquoi les pilotes d'agents IA restent coincés à « presque prêt »?
Parce que le modèle est prêt des mois avant les exigences. C'est le piège. Un agent moderne fait un démo superbe au jour trois, ce qui fait croire à tout le monde que le dur est derrière. Pantoute. Le dur commence à la porte de lancement, où quelqu'un doit enfin répondre aux questions qu'un démo ne pose jamais : quelles actions ça peut rouler tout seul, lesquelles demandent une approbation, à quelles données il a droit, et c'est quoi la seule chose qu'il ne doit jamais faire, peu importe la confiance qu'il affiche.
Ce ne sont pas des questions d'ingénierie. Ce sont des questions de découverte, et il faut y répondre avant que l'agent soit en ligne, pas après qu'il ait posé un geste que personne n'a sanctionné. Le pilote d'assurance par lequel j'ai commencé n'attendait pas un meilleur modèle. Il attendait une décision que personne n'avait été chargé de prendre : la ligne précise entre ce que l'agent pouvait approuver seul et ce qu'un humain devait toucher. Cette ligne n'a jamais été un artefact technique. C'était une exigence, et l'exigence n'existait pas.
L'agent était prêt en mars. Les exigences ne l'étaient pas en juin. Le pilote n'avait pas un problème de modèle. Il avait un problème de « personne n'a écrit ce que veut dire sûr », et ça, on ne le déploie pas pour s'en sortir.
L'indice Cisco de préparation à l'IA a mesuré exactement cet écart de contrôle, à grande échelle. Dans son sondage mondial, 83 % des organisations disaient prévoir déployer des agents IA d'ici un an, mais seulement 24 % se disaient capables de contrôler les actions d'un agent avec de vrais garde-fous et une surveillance en direct (Cisco, AI Readiness Index 2025). Cisco a bien nommé le problème de fond : la « dette d'infrastructure IA », l'évolution moderne de la dette technique qui a fait caler les transformations passées. Moi, je pousse le nom d'une couche plus loin. Sous la dette d'infrastructure dort une dette d'exigences : des objectifs non écrits et des droits de décision non bornés qu'aucune puissance de calcul ne vient paver.
Qu'est-ce qui fait des exigences le vrai substrat de la préparation?
Quatre questions, répondues avant le lancement. C'est ça qui sépare un pilote qui livre d'un pilote qui tourne en rond. Un agent est déployable quand ses exigences fixent son objectif, ses données, ses décisions et ses contrôles de risque assez clairement pour qu'un réviseur signe sans retenir son souffle. Manquez une seule des quatre et vous obtenez exactement ce que les sondages décrivent : un modèle fonctionnel coincé derrière une porte qu'il ne peut pas franchir, parce que franchir la porte n'a jamais été une tâche d'ingénierie au départ.
Prenons-les une par une, parce que chacune est un problème de découverte déguisé en problème technique. Objectif : de quel résultat cet agent est responsable, formulé assez précisément pour se mesurer, pas « améliorer le service à la clientèle » mais « régler les litiges de facturation de niveau un sous un seuil défini en dollars ». Données : quelles sources sont validées, à jour et dans les limites, parce qu'un agent qui raisonne sur une source périmée ou non autorisée produit des erreurs confiantes et sans trace. Décisions : quelles actions il peut poser seul, lesquelles montent vers un humain, et comment chacune est journalisée pour qu'on puisse reconstruire la chaîne plus tard. Contrôles de risque : les limites dures, les gestes qu'il ne doit jamais poser, et le mécanisme qui l'arrête vraiment quand il dérive vers l'un d'eux.
Rien d'exotique là-dedans. C'est la même discipline de découverte que les bonnes équipes ont toujours dû à leurs projets, avec des enjeux plus hauts parce que la chose au bout agit toute seule et vite. On a posé la méthode au complet dans ce qu'est vraiment l'intelligence des exigences, et la mécanique de gouvernance dans la gouvernance IA des exigences. La version courte : on ne tient pas un agent responsable d'un but que personne n'a fixé, et on ne le borne pas avec une règle que personne n'a écrite. L'intelligence des exigences, c'est la découverte structurée et multi-experte qui produit ces réponses exprès, pour que le dossier de gouvernance existe avant la revue de lancement, au lieu d'être reconstitué après le premier incident.
La banque DBS, à Singapour, est l'exemple le plus net de la gouvernance qui passe en premier et du déploiement qui suit. Début 2026, elle roulait plus de 1 500 modèles d'intelligence artificielle en production, tous passés par un seul cadre de gouvernance que la banque appelle PURE : chaque cas d'usage doit être « Purposeful, Unsurprising, Respectful, Explainable » (utile, sans surprise, respectueux, explicable) avant la mise en ligne (DBS Bank, Agentic AI is here: are we ready to govern it?).
PURE, ce n'est pas un slogan. C'est une série de questions répondues avant qu'un modèle sorte, appuyée par un comité d'IA responsable, un modèle de risque par paliers avec évaluation de matérialité, un registre d'IA et, pour les cas à plus haut risque, une surveillance en temps réel avec coupe-circuits automatiques. Quand DBS s'est tournée vers l'IA agentique, elle n'est pas partie de zéro. Elle a étendu le même substrat de gouvernance, et c'est pour ça qu'elle décrit ce socle comme l'assise solide pour déployer des agents de façon sûre (Computer Weekly, DBS rewires operating models for the AI reasoning era).
Toute la thèse, dans une seule institution. DBS est du côté des 17 % non pas parce qu'elle avait de meilleurs modèles, mais parce qu'elle avait répondu, par écrit et des années d'avance, à ce que chaque système avait le droit de faire et qui se tenait derrière. La gouvernance était l'exigence. L'exigence était la préparation.
En quoi un lancement bloqué diffère d'un projet abandonné?
L'un ne démarre jamais. L'autre se fait tuer. Ça vaut la peine de les garder distincts, parce que de loin ils se ressemblent, et ce n'est pas le même échec. Un projet abandonné a été financé, lancé, puis arrêté pour cause de coût, de valeur floue ou de contrôles faibles. Gartner prévoit que plus de 40 % des projets d'IA agentique finissent comme ça d'ici la fin de 2027, et on a expliqué pourquoi dans pourquoi 40 % des projets d'IA agentique seront abandonnés. Ça, c'est l'histoire de programmes qui ont franchi la ligne de départ et n'ont pas pu prouver qu'ils devaient continuer.
Le chiffre de 17 %, lui, parle de la ligne de départ elle-même. Ces pilotes ne la franchissent jamais. Ils ne se font pas annuler en réunion de conseil; ils ne passent juste jamais en ligne, à s'accumuler dans ce purgatoire du « presque prêt » où le modèle marche et le lancement ne vient pas. Timing différent, même racine. Une organisation découvre que ses exigences étaient non gouvernées après le lancement, quand la valeur refuse de se matérialiser. L'autre le découvre avant, quand personne ne peut signer la porte. Réglez les exigences en amont et vous bougez les deux chiffres d'un coup, parce que vous traitez la chose qui empoisonnait chacun.
Quel lien avec l'échéance du 2 août de la Loi européenne sur l'IA?
L'échéance transforme la préparation en loi. Le 2 août 2026 est une date d'application active sous la Loi européenne sur l'IA, avec des obligations pour l'IA à usage général qui commencent là, et des devoirs de gouvernance, de journalisation et de supervision humaine attachés aux systèmes classés à haut risque. Fin juin, c'est à environ cinq semaines. Un accord provisoire « Digital Omnibus » conclu le 7 mai 2026 reporterait certaines obligations à haut risque à décembre 2027, mais il n'est pas formellement adopté, donc la date d'août reste légalement active et les devoirs d'usage général commencent peu importe. On a suivi les pièces mouvantes dans le guide de conformité à la Loi européenne sur l'IA.
Voici pourquoi ça compte pour l'écart d'adoption. Les artefacts qu'un régulateur va demander à une organisation de produire sont les mêmes qui rendent un agent déployable au départ. Des données validées. Des décisions traçables. Des contrôles de risque documentés. Une ligne claire de responsabilité humaine. Une équipe qui a comblé son écart de préparation pour livrer un agent a, presque par accident, fait le gros du devoir de conformité. Et une équipe qui a ignoré l'écart a maintenant deux échéances qui foncent sur elle en même temps : celle que sa propre revue de lancement échoue, et celle que la loi vient de fixer. Des exigences gouvernées répondent aux deux. Ce n'est pas un hasard. C'est le même devoir, corrigé par deux examinateurs différents.
L'écart n'est pas le modèle. Ce sont les exigences auxquelles un agent répond.
Seulement 17 % des organisations ont déployé des agents IA alors que plus de 60 % comptent le faire : le plus grand écart intention-déploiement de 2026. Ces 43 points, c'est un écart de préparation, et la préparation, ce sont des exigences gouvernées : un objectif clair, des données validées, des décisions traçables et des contrôles de risque qu'un réviseur peut signer avant le lancement.
Les pilotes calent parce que le modèle est prêt des mois avant ces exigences. Deloitte a trouvé que seulement 21 % des organisations ont un modèle de gouvernance d'agents mature; Cisco, que seulement 24 % peuvent vraiment contrôler les actions d'un agent avec garde-fous et surveillance. Les équipes qui franchissent la ligne, comme DBS, ont répondu par écrit, en premier, à ce que veulent dire « fini » et « sûr ». L'échéance du 2 août de la Loi européenne sur l'IA fait de ce même devoir une obligation légale, pas seulement opérationnelle.
Je reviens toujours à ce pilote d'assurance, parce qu'il était tellement ordinaire. Pas de méchant, pas de modèle brisé, pas d'échec dramatique. Juste un agent capable et un espace vide là où ses exigences auraient dû être, et huit mois qui se vidaient dans cet espace, un comité de pilotage à la fois. Les équipes du côté des 17 % ne sont pas plus brillantes ni mieux financées. Elles ont fait la chose pas chère et ingrate en premier. Elles ont décidé, par écrit, ce que l'agent avait le droit de faire avant de lui demander quoi que ce soit.
Quelles sont les questions les plus fréquentes sur le déploiement d'agents IA?
