Gouvernance incomplète, données fragiles, pilotage flou de la valeur : loin d’accélérer la transformation numérique, l’IA dite « agentique » agit surtout comme un test de résistance grandeur nature pour des SI encore insuffisamment préparés.
L’IA autonome, un changement de nature plus que de technologie
L’essor des agents IA marque une rupture nette avec les usages précédents de l’intelligence artificielle. Il ne s’agit plus seulement d’assister, de recommander ou de générer, mais d’agir, de déclencher des décisions, d’orchestrer des processus entiers sans supervision humaine constante. Cette évolution, souvent présentée comme un saut technologique, est en réalité un basculement systémique. Elle déplace la question de l’IA du champ de l’innovation vers celui de la fiabilité opérationnelle.
Le rapport 2026 State of Data Integrity and AI Readiness met en évidence un paradoxe désormais récurrent : alors que l’IA est devenue le principal moteur des stratégies data, les organisations peinent encore à garantir les conditions minimales de son déploiement à l’échelle. La majorité des décideurs interrogés se déclarent prêts, mais reconnaissent dans le même temps que leurs infrastructures, leurs données et leurs compétences constituent leurs premiers points de fragilité. Ce décalage n’est pas anecdotique. Il révèle une confusion persistante entre capacité technique et maturité organisationnelle.
Quand l’autonomie met fin aux approximations
Tant que l’IA reste cantonnée à des usages exploratoires ou à des assistants supervisés, les insuffisances des systèmes d’information peuvent être compensées. Un humain corrige, arbitre, interprète. Avec des agents autonomes, cette marge disparaît. Toute faiblesse structurelle devient immédiatement un facteur de risque.
Données incomplètes, incohérentes ou obsolètes, règles de gouvernance mal définies, chaînes de responsabilité floues : ce qui relevait hier de la dette technique se transforme aujourd’hui en risque opérationnel direct. Le rapport souligne que près de la moitié des organisations identifient encore la préparation des données comme un frein majeur à l’alignement de l’IA avec les objectifs de l’entreprise, tandis que seules une minorité disposent d’indicateurs réellement reliés à la performance métier.
Cette réalité est résumée sans détour par Dave Shuman, Chief Data Officer chez Precisely : « La confiance dans l’IA ne se traduit pas automatiquement par un retour sur investissement. Les organisations évoluent rapidement, mais beaucoup le font sans disposer des bases de données fiables et gouvernées nécessaires pour déployer l’IA de manière responsable. » Derrière la promesse d’autonomie se cache donc une exigence accrue de rigueur.
La gouvernance des données, ligne de fracture des SI
Dans ce rapport la gouvernance n’est pas comme un dispositif administratif ou réglementaire, mais comme un facteur discriminant de performance. Les organisations ayant articulé une stratégie data claire avec une gouvernance opérationnelle affichent des niveaux de confiance et de résultats significativement supérieurs à celles qui ont privilégié la vitesse de déploiement.
Ce point est crucial. L’IA autonome ne crée pas le besoin de gouvernance, elle l’expose. Là où les règles sont implicites, fragmentées ou dépendantes de savoirs individuels, les agents IA se heurtent à des zones grises qu’ils ne savent pas interpréter. À l’inverse, lorsque les données sont qualifiées, contextualisées et gouvernées, l’autonomie devient un levier d’efficacité plutôt qu’un facteur d’instabilité.
Le rapport montre également que les organisations ayant intégré la gouvernance de l’IA dans leurs dispositifs data existants obtiennent de meilleurs résultats que celles ayant tenté de créer des cadres parallèles. Une manière de rappeler que l’IA ne peut être traitée comme un îlot technologique indépendant du reste du système d’information.
Des systèmes d’information encore mal outillés pour prouver la valeur
Un autre angle mort persistant concerne la mesure de la valeur. Si l’IA est largement présentée comme alignée avec les priorités stratégiques, peu d’organisations sont en mesure d’en démontrer l’impact concret. Les indicateurs restent majoritairement techniques, rarement connectés à des objectifs opérationnels ou financiers clairement définis.
Cette incapacité à piloter la valeur n’est pas sans conséquence. Elle nourrit des attentes de retour sur investissement très optimistes, parfois en décalage avec la réalité des chantiers à mener. Elle empêche surtout de distinguer ce qui relève d’un gain structurel de ce qui n’est qu’un effet d’annonce. Dans un contexte d’IA autonome, cette faiblesse devient critique : comment déléguer des décisions à des systèmes dont on ne sait pas précisément mesurer les effets ?
L’agentic AI, révélateur d’un enjeu humain avant tout
Contrairement à une idée largement répandue, le principal frein identifié n’est pas technologique. Il est humain. Le rapport met en évidence une pénurie de compétences transverses, capables de faire le lien entre données, processus métier, exigences réglementaires et gouvernance de l’IA. Non pas un manque de spécialistes isolés, mais une difficulté à construire des équipes capables de penser l’IA comme un système à part entière.
Murugan Anandarajan, professeur et directeur académique du Center for Applied AI and Business Analytics, le résume ainsi : « Le manque de compétences ne concerne pas un déficit dans un domaine particulier, mais le besoin de professionnels capables d’opérer simultanément dans les domaines des données, de la stratégie d’entreprise et de la gouvernance de l’IA. » Une réalité qui renvoie directement à la maturité des organisations, bien plus qu’à celle des outils.
L’avantage ne reviendra pas à ceux qui déploient l’IA le plus vite, mais à ceux qui auront pris le temps de renforcer leurs fondations. L’autonomie, en matière d’IA, ne pardonne pas l’immaturité.
