L’intelligence artificielle d’entreprise entre dans une nouvelle étape où il ne suffit plus de générer des réponses : les agents commencent à prendre des décisions et à exécuter des tâches. Une étude de SAS, basée sur la recherche d’IDC, auprès de 2 699 responsables de données et d’IA dans 28 pays, révèle une paradoxe : les organisations progressent vers des systèmes plus autonomes tandis que la confiance diminue. 66 % des répondants font confiance à l’IA agentique, contre 76 % à l’IA générative.

Les clés de la confiance dans l’IA d’entreprise en 20 secondes

• 79 % des organisations modifient les recommandations d’IA dans plus de 10 % des cas.
• Le manque d’explication est la principale raison d’intervenir, avec 34,5 %.
• Seuls 17,5 % disposent d’une infrastructure de données au niveau de maturité le plus élevé.
• Les organisations avec les meilleures pratiques en IA fiable déclarent un ROI élevé ou important dans 62 % des cas, contre seulement 4 % pour celles à la moindre maturité.
• L’étude identifie cinq domaines essentiels : données, modèles, explicabilité, politique d’IA responsable et audit.

Le portrait dressé par le Data and AI Impact Report : The New Economics of Trust est particulièrement pertinent pour les entreprises qui évoluent du rôle de copilotes et d’outils génératifs vers celui d’agents capables d’agir directement sur les systèmes d’entreprise. La question n’est plus seulement si un modèle répond correctement, mais aussi ce qui se passe lorsque cette réponse déclenche une action dans un processus réel.

Le passage de la GenAI aux agents change les règles

L’étude établit une distinction claire entre la confiance perçue dans l’IA générative et celle que suscitent les systèmes agentiques. La première atteint 76 %, tandis que la seconde chute à 66 %.

Cette différence apparaît justement lorsque l’autonomie augmente. 89 % des sondés affirment que leurs agents participent déjà d’une certaine manière à la prise de décision. Cette catégorie inclut aussi bien des systèmes qui fournissent des informations pour une décision qu’un humain doit encore valider, que des agents capables d’agir en autonomie.

Ce détail importe. Tous les agents n’opèrent pas avec le même niveau d’autonomie ni n présentent le même risque opérationnel. Un agent qui classe une requête pour qu’un employé la revoie a un impact différent d’un autre qui modifie des données, exécute une opération financière ou déclenche un flux de travail sans intervention préalable.

Le problème surgit lorsque la technologie est mise en production avant que les mécanismes de contrôle ne soient prêts.

79 % des organisations interrogées reconnaissent qu’elles modifient les recommandations d’IA dans plus de 10 % des cas. L’étude détaille ces interventions en précisant que le manque d’explication est la principale cause, représentant 34,5 %. Vient ensuite une intervention lorsque le système ne reflète pas correctement le contexte, avec 25,6 %.

Viennent ensuite les réponses biaisées ou injustes (16,9 %), les erreurs factuelles (14,8 %) et les résultats jugés peu sûrs ou inappropriés (8,3 %).

Pour une équipe technique, la conclusion pratique est simple : une fréquence élevée d’interventions humaines peut témoigner que le système n’est pas encore prêt pour le degré d’autonomie envisagé.

Le véritable défi réside sous le modèle : la gestion des données

Une des parties les plus importantes de l’étude déplace l’attention des modèles vers l’infrastructure de données.

Seules 17,5 % des organisations interrogées disposent d’une infrastructure de données entièrement optimisée pour répondre aux exigences de l’IA. La catégorie « Managed » représente 34,7 %, tandis que 31,6 % sont encore en phase de « Standardized ».

Même si l’évolution annuelle est positive, la majorité reste encore loin du niveau supérieur. En 2025, 47,7 % des structures étaient en niveau Standardized ; en 2026, cette proportion chute à 31,6 %, tandis que « Managed » passe de 25,9 % à 34,7 %, et « Optimized » de 10,2 % à 17,5 %.

L’infrastructure de données est cruciale pour les agents, car une décision doit pouvoir être retracée. Si une entreprise ignore quels sont les données utilisées, leur source, leur actualisation ou les validations auxquelles elles ont été soumises, il devient beaucoup plus difficile d’expliquer une action ultérieurement.

L’étude met aussi en évidence une différence notable entre les organisations disposant d’une infrastructure ad hoc et celles ayant atteint le niveau « Optimized ». Ces dernières sont six fois plus susceptibles d’exiger des outils de gestion de la qualité des données dans leurs projets IA. Elles sont également six fois plus enclines à imposer des contrôles d’explicabilité. Enfin, elles sont cinq fois plus susceptibles d’utiliser une validation et une surveillance automatisées et continues.

Ce n’est pas uniquement une question de stockage ou de pipelines. Pour qu’un agent d’entreprise soit véritablement auditable, il faut assurer traçabilité, contrôles, supervision, et une connexion fiable entre les données utilisées et la décision exécutée.

L’explicabilité demeure l’un des défis majeurs

L’étude divise la confiance en cinq dimensions : qualité et gouvernance des données, gouvernance et supervision des modèles, explicabilité et équité, politique d’IA responsable, et audit et responsabilité.

Le score global de confiance, basé sur ces pratiques, est passé de 49,7 à 61,3 points sur 100 entre les deux éditions. Toutefois, tous les composantes n’ont pas progressé au même rythme.

La politique d’IA responsable atteint 67,5 points, l’audit et la responsabilité 63,4, tandis que l’explicabilité et l’équité sont à 60,4. La qualité et la gouvernance des données obtiennent 59,5, et la gouvernance et supervision des modèles 58,9. L’explicabilité est aussi la dimension qui a le moins progressé d’une année à l’autre.

Une corrélation notable apparaît avec le comportement des utilisateurs : la principale cause de correction d’une recommandation reste le manque d’explication.

Pour une plateforme IA, expliquer une décision ne signifie pas forcément dévoiler tout le fonctionnement interne d’un modèle. En contexte d’entreprise, il peut être plus pertinent de fournir des informations traçables sur les données employées, les règles, les contrôles, les sources consultables, et les raisons opérationnelles ayant conduit à une action donnée.

Cela soulève un enjeu d’ingénierie beaucoup plus large que la simple génération d’une explication par le modèle lui-même.

Le chiffre des 15x nécessite une lecture plus précise

SAS souligne que les organisations avec des pratiques d’IA fiables ont 15 fois plus de chances de déclarer un ROI fort ou élevé. Selon l’étude, cette statistique est tirée en comparant celles qui atteignent au moins 80 points dans leur indice de confiance avec celles au bas de l’échelle.

Parmi les premières, 62 % déclarent un retour fort ou élevé, contre seulement 4 % parmi les autres. L’étude estime aussi que ces organisations généreraient en moyenne un gain 1,85 fois supérieur dans 13 résultats clés d’affaires.

Mais attention : ce « 15x » ne signifie pas que les entreprises récupèrent quinze fois leur investissement en IA. Il s’agit d’une démarche comparative entre groupes, pas d’un multiplicateur direct du retour financier.

Par ailleurs, l’étude est une enquête. Elle montre une association entre maturité des pratiques IA et résultats déclarés, mais ne prouve pas que la gouvernance soit la cause exclusive d’un ROI supérieur. D’autres facteurs, comme l’investissement, le choix des cas d’usage, la maturité technologique ou les capacités internes, peuvent également jouer.

L’étude ajoute aussi un point intéressant : 85 % des organisations considérées comme leaders prévoient d’augmenter leur investissement dans les pratiques d’IA fiable de plus de 10 % dans l’année à venir, contre 26 % pour celles avec une confiance moindre.

Pour les équipes technologiques, le message est plus pratique que spectaculaire : déployer des agents ne se limite pas à intégrer des modèles plus puissants. Il faut d’abord maîtriser quels données peuvent être utilisées, quelles actions sont autorisées, comment valider les résultats, et quels mécanismes permettent d’arrêter ou de réviser une décision.

L’IA générative pouvait se tromper dans une réponse, mais l’IA agentique ajoute une variable : elle peut transformer cette erreur en une action concrète. C’est pourquoi l’étude place la donnée, la supervision, l’explicabilité et l’audit au cœur de la prochaine phase d’adoption en entreprise.