- ▸ Pourquoi l'IA agentique exige un accès complet, et non fragmenté, aux données
- ▸ 45 % en moyenne, plus de 70 % pour une minorité : le fossé de l'accès aux données
- ▸ Systèmes historiques : le frein que 68 % des retardataires pointent du doigt
- ▸ Quand la fiabilité des données devient une condition de confiance
D’ici 2027, les agents d’IA pourraient automatiser ou assister la moitié des décisions d’entreprise. Le socle qui rend cette bascule possible n’est pas le modèle, mais la donnée : selon une enquête relayée par MIT Technology Review, l’IA n’accède en moyenne qu’à 45 % des données de son organisation. Le reste dort dans des systèmes qu’elle ne sait pas lire.
Ce qu’il faut retenir – Gartner projette que les agents d’IA automatiseront ou assisteront 50 % des décisions d’entreprise d’ici 2027. – En moyenne, l’IA n’accède qu’à 45 % des données d’une organisation ; ce taux tombe à 30 % ou moins chez les retardataires. – Un groupe restreint d’entreprises garantit un accès à plus de 70 % de leurs données — et 100 % de ces leaders déclarent faire confiance aux décisions de leurs agents. – Deux tiers des retardataires accusent leurs systèmes historiques de freiner le passage à l’échelle (66 %) et la rapidité de décision (68 %). – Dans deux ans, 100 % des répondants prévoient d’utiliser l’IA agentique, dont 69 % à grande échelle.
Pourquoi l’IA agentique exige un accès complet, et non fragmenté, aux données
Un agent d’IA ne se contente pas de répondre à une question. Il agit : il déclenche une commande fournisseur, réévalue un stock, ajuste un tarif, ouvre un ticket. Ce glissement du « répondre » vers le « faire » change la nature des besoins en données.
Pour comprendre — l’IA agentique On parle d’IA agentique (ou IA agissante) lorsqu’un système ne se limite plus à produire un texte en réponse à une requête, mais enchaîne des actions de façon autonome pour atteindre un objectif : consulter plusieurs sources, décider, exécuter. Là où un assistant conversationnel travaille sur un contexte ponctuel, un agent a besoin d’une vue transversale de l’entreprise.
Cette autonomie place des exigences nouvelles sur les systèmes de données, souligne l’enquête publiée par MIT Technology Review. Un agent qui décide de réapprovisionner un entrepôt doit croiser des données structurées — niveaux de stock, historiques de vente, délais logistiques — et des données non structurées : e-mails fournisseurs, contrats, remontées terrain. Le tout avec le bon contexte métier, faute de quoi l’action déclenchée sera techniquement correcte mais commercialement absurde.
La différence avec les usages précédents de l’IA est de degré autant que de nature. Un modèle qui rédige un résumé peut se contenter d’un extrait. Un agent qui engage l’entreprise a besoin d’une image fidèle et à jour de la réalité opérationnelle. Or cette image reste, pour la majorité des organisations, incomplète. C’est là que se joue la fiabilité — un enjeu que nous avions déjà abordé sous l’angle de la gouvernance des modèles à haut risque.
45 % en moyenne, plus de 70 % pour une minorité : le fossé de l’accès aux données
Le chiffre central de l’enquête est sobre mais parlant. Toutes organisations confondues, l’IA n’a accès qu’à 45 % des données de l’entreprise. Autrement dit, plus de la moitié du patrimoine informationnel reste hors de portée des agents censés en tirer des décisions.
La moyenne masque un écart considérable. Chez les organisations classées « data laggards » — les retardataires de la donnée —, l’accès chute à 30 % ou moins. À l’autre extrémité, un groupe restreint d’entreprises garantit à son IA un accès à plus de 70 % de ses données.
Pour comprendre — « data laggard » L’enquête range les organisations selon leur maturité en matière de données. Un data laggard est une entreprise dont les systèmes sont trop fragmentés, cloisonnés ou obsolètes pour alimenter efficacement ses agents. À l’opposé, les data leaders ont unifié et rendu exploitable la majeure partie de leur patrimoine informationnel.
Ce grand écart n’est pas anecdotique. Il dessine deux trajectoires. Une entreprise qui n’expose que 30 % de ses données à son IA prive mécaniquement ses agents des deux tiers du contexte nécessaire pour décider juste. À volume de données comparable, un leader à 70 % offre à ses agents plus du double de matière exploitable qu’un retardataire à 30 %. L’écart de performance qui en découle n’est pas un défaut de modèle : c’est un défaut d’alimentation.
La donnée manquante n’a pourtant rien de mystérieux. Elle existe. Elle est produite chaque jour par les opérations. Mais elle reste enfermée dans des applications historiques, des formats incompatibles, des silos que personne n’a relié. L’agent le plus sophistiqué reste aveugle à ce qu’il ne peut pas lire. Notre lecture : le débat s’est trop longtemps concentré sur la puissance des modèles, alors que le goulot d’étranglement se situe en amont, dans la plomberie des données.
Systèmes historiques : le frein que 68 % des retardataires pointent du doigt
Les organisations les moins avancées identifient elles-mêmes la cause. Deux tiers des data laggards estiment que leurs systèmes de données historiques limitent le passage à l’échelle de leurs agents IA — 66 % précisément. Et 68 % considèrent que ces mêmes systèmes empêchent leurs agents de décider à la vitesse requise.
Ces deux chiffres décrivent un même verrou sous deux angles. Le premier, 66 %, concerne le volume : impossible de déployer largement des agents quand l’infrastructure ne suit pas. Le second, 68 %, concerne le temps : un agent qui doit attendre qu’une donnée remonte d’un système obsolète perd l’avantage même qui justifie son existence, la rapidité.
Le contraste avec les leaders est net. Ayant pour l’essentiel surmonté les contraintes liées à leurs systèmes historiques, ils ne sont que 8 % à signaler l’un ou l’autre de ces freins. Un retardataire sur deux, ou presque, bute donc sur un obstacle que seul un leader sur douze rencontre encore.
Ce que révèle cette asymétrie mérite d’être posé sans détour : la modernisation des systèmes de données n’est pas un chantier technique périphérique, elle conditionne l’accès même à l’IA agentique. Les entreprises qui ont investi tôt dans l’unification de leur donnée récoltent aujourd’hui une capacité d’exécution que les autres devront reconstruire sous pression. Le retard se paie en vélocité, précisément là où les agents étaient censés faire la différence.
Quand la fiabilité des données devient une condition de confiance
Le chiffre le plus frappant de l’enquête ne concerne ni le volume ni la vitesse, mais la confiance. Parmi les data leaders, 100 % déclarent faire confiance aux décisions prises par leurs agents. La totalité, sans exception dans l’échantillon.
Ce résultat n’est pas anodin. Il établit une corrélation directe entre la qualité du socle de données et la confiance opérationnelle accordée aux agents. Là où les données sont fiables, complètes et contextualisées, les décisions automatisées le deviennent aussi — au point que les organisations concernées cessent de douter de leurs agents.
La logique se tient. Un agent ne « raisonne » pas dans le vide : il agit sur la base de ce qu’on lui donne à voir. Nourrissez-le d’une vue partielle, et ses décisions porteront la marque de cette partialité. Offrez-lui une image fidèle du réel, et sa fiabilité rejoint celle de sa source. La confiance n’est pas une propriété du modèle ; elle se construit dans la couche de données.
Un contre-argument mérite d’être entendu. On peut objecter que 100 % de confiance déclarée traduit aussi un biais : les leaders, ayant investi lourdement, ont intérêt à valider leur propre stratégie. La confiance auto-rapportée n’équivaut pas à une mesure indépendante d’exactitude des décisions. L’enquête ne permet pas de trancher entre confiance justifiée et confiance de conviction. Mais la cohérence d’ensemble — plus de données, moins de freins historiques, plus de confiance — plaide pour un lien réel plutôt que pour un simple effet de discours.
100 % d’adoption dans deux ans : l’urgence de sécuriser l’infrastructure
La trajectoire d’adoption ne laisse guère de marge à l’attentisme. Dans deux ans, 100 % des répondants prévoient d’utiliser l’IA agentique, et 69 % s’attendent à l’employer à grande échelle. L’agent d’IA n’est plus une expérimentation de laboratoire ; il s’installe dans les processus de décision.
Cette généralisation rencontre la projection de Gartner : si les agents en viennent à automatiser ou assister 50 % des décisions d’entreprise d’ici 2027, alors les organisations devront éliminer leurs goulots d’étranglement sous peine de priver ces agents des données nécessaires pour décider juste, et vite. Le raisonnement est mécanique. Une entreprise qui confie la moitié de ses décisions à des agents alimentés par 30 % de ses données transfère à l’automatisation ses propres angles morts — et les industrialise.
Le problème n’est donc pas de savoir si les agents arrivent, mais dans quel état de préparation ils trouveront leurs organisations. Les retardataires qui déploieront à marche forcée, sans avoir résolu l’accès à leurs données, risquent une sous-performance généralisée : des agents partout, mais mal informés. Les leaders, eux, aborderont cette échéance avec un socle déjà éprouvé.
Reste une question que l’enquête laisse ouverte. Combien de ces 100 % de futurs utilisateurs auront, d’ici là, comblé leur déficit de données ? Entre l’intention affichée et l’infrastructure réelle, l’écart de 45 % pointé aujourd’hui est le meilleur indicateur du travail qui reste à accomplir. Ceux qui traiteront la donnée comme un préalable, et non comme un rattrapage, tiendront l’avantage — les autres découvriront que l’agent le plus avancé ne vaut jamais mieux que ce qu’on lui donne à lire.
Questions fréquentes
Qu’est-ce qu’un « data laggard » dans le contexte des agents IA ?
Un data laggard désigne une organisation dont les systèmes de données sont trop fragmentés ou obsolètes pour alimenter efficacement ses agents. Selon l’enquête relayée par MIT Technology Review, ces entreprises n’exposent en moyenne que 30 % ou moins de leurs données à l’IA, ce qui limite fortement la prise de décision autonome fiable.
De quelles données un agent d’IA a-t-il réellement besoin ?
Contrairement à un assistant conversationnel, un agent a besoin d’une vue transversale : données structurées (stocks, ventes, délais) et non structurées (contrats, e-mails, remontées terrain), couvrant l’ensemble des opérations. Le tout doit être associé au bon contexte métier pour que l’action déclenchée reste pertinente, et non seulement techniquement correcte.
Pourquoi les leaders font-ils davantage confiance à leurs agents ?
Parce que la confiance découle du socle de données. Les leaders exposent plus de 70 % de leurs données à l’IA et ne sont que 8 % à subir des freins liés aux systèmes historiques. Résultat : 100 % d’entre eux déclarent faire confiance aux décisions de leurs agents, contre une fiabilité bien plus incertaine chez les retardataires.
