A priori, on pourrait penser que lancer une initiative d’agents IA en entreprise suppose avant tout de mobiliser des équipes de geeks et d’investir massivement dans la technologie. Infrastructures, modèles, plateformes, agents autonomes : l’imaginaire collectif place la performance technique au cœur du sujet. Cette lecture est pourtant trompeuse. Les résultats récents d’une enquête internationale menée auprès de décideurs data montrent que le véritable point de départ n’est ni l’outil ni la stack technologique, mais la formation. Former les équipes, en amont du déploiement, conditionne la capacité des agents IA à passer du stade expérimental à une mise à l’échelle maîtrisée. Décryptons ces enseignements pour comprendre pourquoi, sans montée en compétences, les agents IA restent condamnés au pilote.
Agents IA en entreprise : on n’industrialise pas sans apprendre — la formation fait la différence.
L’essor des agents d’intelligence artificielle marque une rupture nette avec les premières vagues de l’IA générative. Il ne s’agit plus seulement de produire du texte ou des recommandations, mais de déléguer à des systèmes la capacité d’agir, de déclencher des processus et, dans certains cas, de prendre des décisions opérationnelles. Pourtant, malgré un niveau d’adoption élevé, ces agents peinent à franchir le cap du passage à l’échelle. Comme une impression de déjà vu mais les causes sont différentes des premiers pas des IA. L’enquête CDO Insights 2026 d’Informatica, relayée par VentureBeat, met en lumière un paradoxe structurant : les usages progressent plus vite que la capacité des organisations à les comprendre, les encadrer et les piloter. Et, comme on peut s’y attendre dans un tel cas cela dérape.
Du pilote à l’agent : une accélération mal maîtrisée
Les chiffres sont sans aucune ambiguïté. Près de 69 % des entreprises interrogées déclarent avoir intégré l’IA générative dans leurs pratiques, et 47 % ont déjà adopté des formes d’IA agentique. Autrement dit, des systèmes capables d’exécuter des actions sur la base de données, de règles ou de modèles. Cette accélération crée un décalage inédit entre l’ambition technologique et la maturité organisationnelle.
Ce décalage n’est pas d’abord technique. Contrairement à une idée répandue, les principaux freins ne résident ni dans le calcul, ni dans les bases vectorielles, ni dans l’empilement d’outils. Les décideurs data interrogés citent en priorité la fiabilité des données, la gouvernance et le manque de compétences internes comme obstacles majeurs au passage de l’expérimentation à la production. L’agent ne fait qu’amplifier ces fragilités : lorsqu’un modèle agit, toute faiblesse en amont devient un risque opérationnel.
Le “trust paradox” : trop de confiance, pas assez de compréhension
Informatica qualifie cette situation de “trust paradox”. D’un côté, 65 % des leaders data estiment que les collaborateurs font largement confiance aux données et aux sorties de l’IA. De l’autre, 75 % jugent indispensable de renforcer la culture data, et 74 % la culture IA, pour un usage responsable. Cette confiance n’est donc pas le fruit d’une compréhension approfondie, mais d’une adoption rapide (trop?), souvent opportuniste.
Ce paradoxe est particulièrement dangereux dans le cas des agents IA. Là où une erreur de génération peut être corrigée par un humain, une action automatisée peut produire des effets irréversibles : déclenchement d’un paiement, modification d’un référentiel, interaction non conforme avec un client. Si vous opérez dans un cadre réglementé s’y ajoute un point de conformité. Sans capacité à questionner la donnée, à comprendre les limites du modèle ou à interpréter un résultat, la confiance devient aveugle.
Pourquoi la formation précède l’outillage
L’enseignement central de l’étude est clair : la première étape d’un programme “agents” n’est ni l’outil ni l’infrastructure. Elle réside dans une double montée en compétences, à la fois en data literacy et en AI literacy, couvrant les métiers comme l’IT. La data literacy permet de comprendre l’origine, la qualité et les biais potentiels des données. L’AI literacy donne les clés pour appréhender le fonctionnement des modèles, leurs limites, leurs zones d’incertitude et leurs risques.
Sans cette base, la gouvernance reste théorique. Les chiffres le confirment : 76 % des organisations reconnaissent que la visibilité et la gouvernance de l’IA ne suivent pas le rythme réel des usages des employés. Autrement dit, les agents sont parfois déjà utilisés avant même que des règles claires n’aient été définies, comprises et acceptées.
Le rôle pivot du CDO et l’alignement organisationnel
Dans ce contexte, le rôle du Chief Data Officer évolue profondément. Longtemps cantonné à la conformité et à la qualité des données, il devient un acteur central de l’industrialisation de l’IA. Comme le souligne Graeme Thompson, CIO d’Informatica, le CDO doit sortir d’une posture de “tour d’ivoire” pour s’inscrire dans une logique d’exécution, en étroite coordination avec le CIO et les équipes métiers.
Cet alignement est déterminant pour éviter l’effet catalogue de pilotes isolés. Les priorités d’investissement déclarées pour 2026 illustrent ce déplacement : protection des données, gouvernance IA et upskilling des équipes arrivent avant l’acquisition de nouveaux outils. L’enjeu n’est plus d’expérimenter, mais de rendre la confiance mesurable et opérable.
Former pour gouverner, gouverner pour agir
La formation joue un rôle structurant, et dans ce cas plus qu’ailleurs ! Elle permet avant tout de réduire le risque, en donnant aux équipes la capacité d’identifier des usages non conformes ou des dérives potentielles. Elle permet ensuite de créer une demande interne plus mature. Car avec une formation adhoc il devient plus facile de formuler des cas d’usage réalistes et alignés sur les contraintes de gouvernance. Enfin, elle facilite le dialogue entre métiers et IT, condition indispensable à la mise en production d’agents IA fiables. Une langue commune aide à la communication !
Les organisations les plus avancées combinent cette montée en compétences avec des actions concrètes sur les fondations : amélioration des workflows data, renforcement des contrôles de qualité, gestion des métadonnées et extension des outils de gouvernance existants à l’IA. Près de la moitié des entreprises privilégient d’ailleurs cette extension, plutôt que le développement de solutions entièrement nouvelles.
Un chemin d’action pragmatique pour passer à l’échelle
Loin des approches globales et abstraites, l’étude met en avant une méthode pragmatique. Elle consiste à démarrer par un cas d’usage vertical, à forte valeur métier. Pour ce périmètre précis, l’entreprise construit la qualité de données, définit des garde-fous clairs, forme les équipes concernées et met l’agent en production. Ce n’est qu’une fois ce modèle stabilisé qu’il est répliqué à d’autres domaines. Pas avant ! Cette approche évite d’attendre une prétendue gouvernance « parfaite » à l’échelle du système d’information, tout en limitant les risques. Elle permet surtout de démontrer que la formation n’est pas un prérequis théorique, mais un levier direct de performance et de scalabilité.
Conclusion
Les agents IA ne butent pas sur un déficit de technologie, mais sur un déficit de compréhension collective. Le “trust paradox” mis en évidence par Informatica rappelle une évidence souvent négligée : sans formation, la confiance est fragile, et sans confiance maîtrisée, il n’y a pas de passage à l’échelle. Former, définir des garde-fous, piloter un cas d’usage en production, puis répliquer le modèle : c’est à ce prix que les agents IA peuvent devenir autre chose qu’une promesse, autre chose qu’un danger !
Cet article s’appuie sur une idée originale personnelle et a été élaboré avec l’aide d’une IA générative pour la recherche d’information et la structuration du texte ; je conserve la main sur l’analyse, la sélection des contenus et j’assure la relecture finale.
Les sources
FAQ
Qu’entend-on par “agents IA” en entreprise ?
Les agents IA désignent des systèmes d’intelligence artificielle capables non seulement de générer des contenus ou des recommandations, mais aussi d’exécuter des actions. Ils peuvent interagir avec des applications, déclencher des processus, modifier des données ou prendre des décisions dans un cadre défini. Cette capacité d’action les distingue de la simple IA générative et accroît fortement les enjeux opérationnels et de gouvernance.
Pourquoi les agents IA échouent-ils souvent à passer à l’échelle ?
L’échec ne provient pas principalement de limites technologiques. Les enquêtes récentes montrent que les freins majeurs sont la fiabilité des données, le manque de gouvernance opérationnelle et l’insuffisance de compétences internes. Lorsque des agents sont déployés sans fondations solides, ils restent cantonnés à des pilotes ou génèrent des risques incompatibles avec un déploiement industriel.
Qu’est-ce que le “trust paradox” mis en avant par Informatica ?
Le “trust paradox” décrit une situation dans laquelle les collaborateurs font largement confiance aux données et aux sorties de l’IA, alors même que les organisations reconnaissent des lacunes importantes en matière de culture data, de culture IA et de gouvernance. Cette confiance, insuffisamment éclairée, devient problématique dès lors que l’IA agit de manière autonome.
Pourquoi la formation est-elle prioritaire par rapport aux outils ?
Sans data literacy et AI literacy, les équipes ne disposent pas des clés nécessaires pour comprendre l’origine des données, les limites des modèles ou les risques associés aux agents IA. La formation permet de transformer une confiance implicite en confiance raisonnée, condition indispensable pour définir des garde-fous efficaces et piloter des agents en production.
Quelles compétences faut-il développer en priorité ?
Deux axes sont essentiels. La data literacy, qui couvre la qualité des données, les biais, la traçabilité et les métadonnées. L’AI literacy, qui permet de comprendre le fonctionnement des modèles, leurs limites, les notions de dérive, d’incertitude et de responsabilité. Ces compétences doivent concerner à la fois les métiers et les équipes IT.
Quel est le rôle du Chief Data Officer dans cette trajectoire ?
Le CDO devient un acteur central du passage à l’échelle de l’IA. Son rôle ne se limite plus à la conformité, mais s’étend à l’alignement entre gouvernance des données, stratégie IA et préparation des équipes. En lien étroit avec le CIO, il contribue à rendre la confiance mesurable et opérable dans les usages quotidiens.
Faut-il attendre une gouvernance globale parfaite avant de déployer des agents IA ?
Non. Les retours d’expérience montrent qu’une approche pragmatique est plus efficace. Il est recommandé de démarrer par un cas d’usage vertical à forte valeur, de construire pour ce périmètre la qualité de données, les règles de gouvernance et la formation des équipes, puis de mettre l’agent en production. Le modèle peut ensuite être répliqué.
Quels sont les principaux risques à anticiper avec l’IA agentique ?
Les risques concernent principalement la qualité et la récupération des données, la sécurité, la confidentialité, l’absence de garde-fous et le manque de visibilité sur les usages réels. Ces risques sont amplifiés par la multiplication des outils et des fournisseurs, ce qui renforce la nécessité d’une gouvernance claire et comprise par tous.
Quel est le message clé pour les décideurs ?
Industrialiser les agents IA ne consiste pas à accélérer le déploiement technologique, mais à préparer l’organisation. Former d’abord, gouverner ensuite, produire sur un périmètre maîtrisé, puis répliquer : c’est cette séquence qui permet aux agents IA de tenir leurs promesses à l’échelle de l’entreprise.