Le vote a pris quatre minutes. Dix-huit mois de travail, une équipe dédiée, une ligne budgétaire que la moitié de la finance connaissait par cœur, et le comité directeur a tué le pilote d'IA agentique le temps de réchauffer un café. Pas parce qu'il plantait. Les démos roulaient. L'agent réservait les rencontres, rédigeait les comptes rendus, a même attrapé une facture en double une fois, d'une façon qui a fait taire la salle deux secondes. Ce qui l'a tué, c'est une question à laquelle personne dans l'équipe de construction ne pouvait répondre sans bafouiller : au juste, qu'est-ce que cette affaire avait le droit de décider, et qui a signé pour ça? Personne ne le savait. La salle est passée au point suivant, et un an et demi d'efforts est devenu une ligne dans le post-mortem.
Cette scène-là va se rejouer partout, et il y a maintenant un chiffre dessus. En juin 2025, Gartner a prédit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici la fin de 2027, à cause de coûts qui explosent, d'une valeur d'affaires floue, ou de contrôles de risque inadéquats (Gartner, juin 2025). Relisez les trois causes. Pas une seule ne dit que le modèle était trop faible, qu'il hallucinait trop, ou qu'il ne savait pas raisonner. Les agents marchent, en gros. Ce sont les programmes autour qui cassent, et ils cassent pour des raisons décidées bien avant qu'un seul token soit généré.
Qu'est-ce qui pousse vraiment l'abandon des projets d'IA agentique?
Le battage, surtout, qui frappe la réalité à la porte de la production. Gartner est direct sur le mécanisme : la plupart des projets agentiques aujourd'hui sont des expérimentations en phase précoce ou des preuves de concept, souvent poussées par le buzz et tout aussi souvent mal appliquées, ce qui aveugle les organisations sur le vrai coût et la vraie complexité d'opérer des agents à l'échelle. Puis la facture arrive. Le même rapport pointe le « agent washing », le rebranding de vieux chatbots, assistants et automatisation robotisée des processus en « agentique », et estime que sur des milliers de fournisseurs qui se disent agentiques, à peu près 130 le sont pour vrai.
L'argent rend la mise évidente. Les dépenses mondiales en IA devraient atteindre 2 590 milliards de dollars US en 2026, un bond de 47 % sur un an, selon Gartner (Gartner via CIO Dive, mai 2026). Quand autant de capital se déverse dans une catégorie, la finance pose des questions plus serrées, plus vite. Un sondage Gartner de janvier 2025 auprès de 3 412 participants à un webinaire a trouvé que seulement 19 % avaient investi de façon significative dans l'IA agentique, 42 % restant prudents, le reste attendant ou incertain. Traduction : la majorité du marché est encore prudente, encore en pilote, encore en train de décider si l'affaire se rembourse. Ces pilotes-là, ce sont justement ceux qu'un directeur financier peut couper sans grande résistance, parce que personne ne les a armés de preuves.
Voici le bout sur lequel je veux m'asseoir, parce que c'est tout l'argument. Coûts, valeur floue, contrôles faibles. Ce ne sont pas trois problèmes distincts. Ce sont trois symptômes d'un seul échec en amont : l'agent a été pointé sur un objectif que personne n'a pris la peine de définir, de borner ou de s'approprier. Le coût déraille parce qu'il n'y avait aucun critère de succès pour l'arrêter. La valeur reste floue parce que « valeur claire » n'a jamais été spécifiée. Les contrôles restent faibles parce que le comportement qu'ils devaient encadrer n'a jamais été écrit. Le modèle est correct. Le mandat derrière lui n'a jamais existé.
Pourquoi « l'humain sur la boucle » a-t-il encore besoin d'exigences gouvernées?
Parce qu'on ne peut pas superviser un objectif que personne n'a écrit. Le monde de la gouvernance a passé deux ans à glisser de « l'humain dans la boucle », où une personne approuve chaque action de l'agent avant qu'elle parte, vers « l'humain sur la boucle », où l'agent roule tout seul pendant qu'une personne surveille, prête à intervenir. Ce virage est nécessaire. On ne met pas des agents à l'échelle si un humain doit bénir chaque étape. Mais il monte la mise en amont, en silence, parce que la supervision ne marche que contre une cible définie.
Pensez à ce que la surveillance « sur la boucle » exige pour vrai. Le superviseur doit remarquer quand l'agent dérive de son comportement prévu. Dérive de quoi, par exemple? Si le « comportement prévu » vit seulement dans la tête de quelqu'un, ou pire, dans trois têtes avec trois versions différentes, le superviseur n'a rien contre quoi mesurer la dérive. Il regarde un processus sans spec, ce qui revient juste à regarder. Gartner a fait un point connexe en mai 2026 : appliquer une seule politique de gouvernance uniforme à des agents très différents va elle-même causer l'échec des agents IA en entreprise (Gartner, mai 2026). La gouvernance doit coller à ce que chaque agent est censé faire. Et « ce qu'il est censé faire », c'est une question d'exigences, décidée avant la construction, pas une politique qu'on visse après.
Un agent sans exigences gouvernées n'est pas autonome. Il est non supervisé, ce qui est une affaire très différente et bien plus chère. L'autonomie, c'est la liberté à l'intérieur de bornes que vous avez définies. Sans les bornes, vous n'avez pas un agent. Vous avez une responsabilité légale qui livre vite.
Comment des objectifs flous deviennent-ils un ROI improuvable?
Chaîne simple. On ne peut pas prouver une valeur qu'on n'a jamais définie. Quand un pilote démarre sur « améliorer les opérations clients » ou « rendre l'équipe plus productive », il s'est lui-même condamné à échouer la seule revue qui compte : celle, dix-huit mois plus tard, où quelqu'un demande le chiffre. Pas de chiffre. Parce que personne ne s'est entendu sur quoi compter. Alors la discussion retombe sur le ressenti, et le ressenti perd contre une ligne budgétaire serrée à tous les coups.
J'ai vu cet échec précis de l'autre bord de la table, et c'est rarement la technologie qui déçoit. L'agent a fait du vrai travail. Il a juste fait un travail que personne n'avait attaché à une métrique qu'un directeur financier reconnaît. « On a résumé 40 000 billets », c'est une activité, pas une valeur. Ça a coupé le temps de traitement? De combien, contre quelle base, mesuré comment? Si ces questions n'ont pas eu de réponse pendant la découverte, elles n'en auront pas pendant le post-mortem, et le projet meurt avec une démo qui roule encore sur le portable de quelqu'un. La valeur prouvable est un artefact d'exigences. On la définit d'avance, ou on y renonce.
Et le contre-argument est juste, alors je lui donne sa phrase : oui, une partie de la valeur agentique est honnêtement dure à chiffrer tôt, et forcer un faux chiffre peut être pire qu'admettre l'incertitude. Vrai. Mais il y a un large fossé entre « on est honnêtement incertains et voici comment on va le découvrir » et « on n'a jamais défini le succès, point », et presque tous les pilotes abandonnés que j'ai vus vivaient dans le deuxième camp, pas le premier. C'est le fil de tout ce qu'on a écrit sur la gouvernance IA et la piste d'audit, et ça commence en amont du modèle.
Qu'est-ce qu'une piste d'exigences vérifiable donne à un programme agentique?
Elle donne une réponse à la question qui a tué le pilote du début. Une piste d'exigences vérifiable enregistre, pour chaque décision que l'agent a le droit de prendre, quel était l'objectif, quelles sont les bornes, quel compromis a été choisi, et qui a signé. Quand le comité directeur demande « qu'avait-il le droit de décider, et qui l'a décidé », la réponse est un document, pas un haussement d'épaules. Cette seule différence sépare souvent un programme qui passe d'un programme qu'on rejette au vote.
Le marché prend déjà ça en compte. Gartner s'attend à ce que les dépenses en plateformes de gouvernance IA atteignent 492 millions de dollars US en 2026 et dépassent le milliard d'ici 2030 (Gartner, février 2026). L'argent migre vers la gouvernance parce que les abandons ont donné une leçon, à la dure. Mais voici la nuance qui me revient toujours : une plateforme de gouvernance enregistre et applique des décisions. Elle ne rend pas les décisions correctes ou complètes au départ. Si les exigences qui l'alimentent sont floues, vous avez maintenant une piste d'audit de la flou, magnifiquement journalisée. La piste ne vaut que ce que vaut la découverte derrière.
EY offre un contre-exemple utile à la tendance des abandons, et ça mérite d'être dit franchement. En mettant l'IA agentique à l'échelle, la firme n'a pas commencé par courir après l'autonomie. Elle a commencé par bâtir la fondation gouvernée en dessous. Sa plateforme EY.ai EYQ a été déployée auprès de plus de 300 000 professionnels, avec ce qu'EY décrit comme des outils de prompt gouvernés, un catalogue de modèles centralisé, des garde-fous, et une couche de données permissionnée, riche en traçabilité et conforme via le EY.ai Data Marketplace (EY, 2026).
Le résultat est révélateur. En neuf mois, la plateforme a soutenu le développement de plus de 50 000 agents, et l'adoption a dépassé 80 % de la main-d'œuvre. Ça, ce n'est pas un pilote qui meurt en silence sur un portable. Ce sont des agents qui montent à l'échelle, parce que les objectifs, la traçabilité des données et les contrôles ont été définis avant de lâcher la flotte, pas vissés après qu'un comité soit devenu nerveux.
La leçon, ce n'est pas « soyez EY », avec le budget d'EY. La leçon, c'est l'ordre des opérations. On gouverne les exigences d'abord, on met les agents à l'échelle ensuite. Faites-le à l'envers et vous rejoignez le 40 %.
Quel est le lien avec l'échéance du 2 août de la Loi IA de l'UE?
Le lien est direct, et le calendrier est serré. Le 2 août 2026, les obligations haut risque de la Loi IA de l'UE deviennent applicables, dont la journalisation automatique et la tenue de registres de l'Article 12 et les dispositions de supervision humaine. Un système agentique qui ne peut pas montrer ce qu'il avait le droit de décider, qui l'a approuvé et ce qu'il a vraiment fait est désormais exposé deux fois plutôt qu'une : il échoue la revue de valeur interne et la barre de conformité externe avec le même artefact manquant. On a couvert la mécanique en détail dans le guide de conformité à la Loi IA de l'UE, et l'échéance n'est plus théorique.
Alors remarquez la convergence. La raison interne pour laquelle les pilotes agentiques se font abandonner (pas d'objectif défini, pas de valeur prouvable, pas de piste vérifiable) a la même forme que la raison externe pour laquelle ils échouent la conformité (pas de registre des décisions, pas de preuve de supervision humaine, pas de comportement journalisé). Un seul substrat satisfait les deux. Un ensemble d'exigences validé et traçable dit ce que l'agent est censé faire, ce qu'il peut décider, qui possède cette décision, et il le fait dans une forme qu'un auditeur et un directeur financier peuvent lire tous les deux. Bâtissez ça une fois et vous répondez à deux comités en même temps. Sautez-le et vous êtes exposé sur les deux fronts, ce qui est une bien mauvaise place à quarante jours d'une échéance réglementaire.
Le modèle n'a jamais été le risque
Les projets d'IA agentique ne meurent pas surtout de modèles faibles. Ils meurent d'objectifs flous, de valeur improuvable et de comportement non gouverné, qui sont tous des échecs d'exigences déguisés en technique. Les trois causes d'abandon de Gartner partagent une seule racine, et elle est en amont du premier prompt.
Gouvernez les exigences avant de mettre les agents à l'échelle. Définissez l'objectif en chiffres, bornez ce que l'agent peut décider, nommez le responsable de chaque compromis, et consignez le tout dans une piste qu'un auditeur et un directeur financier peuvent lire. Faites ça et votre pilote survit à la revue du comité et à l'échéance du 2 août du même coup. Sautez-le et vous livrez vite, vous ne prouvez rien, et vous rejoignez le 40 %. C'est la même discipline qu'on défend dans pourquoi vos specs, pas vos agents, sont le problème.
Quelles sont les questions les plus courantes sur la gouvernance des projets d'IA agentique?
