La plupart des agents IA échoueront. L’architecture déterminera lesquels réussiront.

Le secteur des logiciels d’entreprise a tendance à répéter les mêmes schémas. Nous nous précipitons souvent vers une nouvelle abstraction prometteuse, qu’il s’agisse des ERP, de la BI, du cloud ou des microservices. Nous la simplifions à l’excès, la survendons, puis nous nous étonnons lorsque la moitié des déploiements échouent discrètement.

Soyez-en certains : les agents IA suivront le même scénario.

Gartner prévoit que 40 % des applications d’entreprise intégreront des agents IA spécialisés dans certaines tâches d’ici 2026. Dans le même temps, Gartner avertit que plus de 40 % des initiatives d’IA agentique seront abandonnées d’ici fin 2027 en raison des coûts, de la complexité et de l’absence de valeur métier. Ce n’est pas une contradiction. C’est un avertissement.

La réalité dérangeante pour les DSI et les CTO est la suivante : la plupart des agents IA sont conçus pour des démonstrations, pas pour répondre aux exigences des entreprises.

Le véritable problème n’est pas le modèle. C’est l’architecture.

Lorsque les agents IA échouent, l’explication se résume généralement à quelques constats techniques :

• « Le modèle a halluciné. »

• « La requête n’était pas suffisamment précise. »

• « Il nous faut un meilleur système RAG. »

Mais ce diagnostic passe à côté du véritable problème. Les recommandations de Microsoft concernant les hallucinations montrent clairement que les défaillances augmentent lorsque les modèles ne disposent pas d’un ancrage clair, d’un contexte maîtrisé et d’une validation déterministe. Autrement dit, lorsque les systèmes ne disposent pas d’une architecture de données adaptée aux exigences de l’entreprise (Microsoft Tech Community), ils sont davantage susceptibles de fournir des recommandations formulées avec assurance mais néanmoins incorrectes. Dans le contexte de la planification financière, du merchandising ou de la supply chain, ces hallucinations ne sont pas de simples erreurs théoriques. Elles peuvent avoir des conséquences considérables sur les décisions prises en amont comme en aval et éroder la confiance dans l’ensemble du processus de planification.

Pour le dire simplement : lorsque votre organisation utilise cinq méthodes différentes pour calculer le chiffre d’affaires et la marge, et que chaque département travaille avec ses propres fichiers Excel, votre agent IA n’avait aucune chance de réussir.

Les hallucinations de l’IA ne sont pas simplement une particularité du langage ou une anomalie sémantique. Elles sont le symptôme de limites architecturales et opérationnelles plus profondes dans les systèmes d’IA actuels. Ce que les professionnels qualifient d’« hallucinations » se produit lorsque les modèles génèrent des résultats qui semblent plausibles mais qui sont en réalité incorrects. Cela s’explique notamment par l’absence d’un accès fiable et en temps réel à des données d’entreprise de confiance, par des définitions de données incohérentes et par le recours à une reconnaissance probabiliste de schémas plutôt qu’à un raisonnement structuré fondé sur des sources faisant autorité. Le problème n’est donc pas simplement linguistique. Il est fondamentalement lié à la manière dont les données sont gérées, accessibles, intégrées et gouvernées dans l’ensemble de l’organisation. (CIO+1)

Les dirigeants technologiques sont de plus en plus confrontés à cette réalité. Les DSI indiquent que l’incohérence des résultats et les hallucinations figurent parmi les principaux facteurs expliquant le recul de l’enthousiasme pour l’IA générative, car elles compromettent la confiance et la fiabilité, en particulier dans les situations métier qui exigent précision et responsabilité. Par ailleurs, de nombreuses architectures de données traditionnelles n’ont pas été conçues pour gérer le volume, la vitesse et la diversité des données nécessaires aux charges de travail modernes liées à l’IA. Sans couches d’accès aux données modernisées ni cadres de gouvernance adaptés, les modèles d’IA sont amenés à émettre des hypothèses plutôt qu’à raisonner, ce qui accroît les risques dans les cas d’usage à forts enjeux.

Réduire ces hallucinations exige donc davantage qu’une amélioration de la formulation des requêtes ou qu’un travail portant uniquement sur la sémantique. Cela nécessite des fondations de données robustes, des définitions cohérentes, un accès aux données en temps réel et des pratiques de gouvernance permettant de rattacher les résultats à des sources de confiance. Ce n’est qu’en réunissant ces éléments fondamentaux que les entreprises pourront faire évoluer l’IA générative d’un assistant créatif qui « semble avoir raison » vers un outil fiable d’aide à la décision, ancré dans la réalité de l’entreprise.

Pourquoi la plupart des agents d’entreprise sont fragiles sur le plan architectural

La plupart des plateformes d’agents présentent aujourd’hui la même faiblesse : elles considèrent l’IA comme une couche ajoutée au-dessus des systèmes existants. Les données sont récupérées de manière très large. Leur signification est déduite de façon probabiliste. La logique métier est approximée. La validation est facultative. La gouvernance est ajoutée après coup, lorsqu’elle l’est.

Cette approche peut convenir à des outils destinés au grand public, mais elle atteint rapidement ses limites dans les processus de planification critiques pour la finance, les opérations, la supply chain et les environnements réglementés. Or, ce sont précisément les domaines dans lesquels les DSI sont censés déployer l’IA de manière responsable.

C’est pourquoi Board a fait un choix différent dans la conception de son architecture et de sa stratégie en matière d’IA. Lors d’un récent échange avec David Marmer, SVP Product chez Board, celui-ci a résumé cette philosophie de conception en ces termes :

« La couche sémantique définit un univers de données. Comme notre IA n’est pas ajoutée à la plateforme, mais directement reliée au moteur, nous pouvons contrôler précisément ce que l’agent est autorisé à voir, à analyser, à optimiser et les actions qu’il peut entreprendre. »

Cette déclaration reflète un consensus croissant parmi les analystes. Gartner comme Forrester soulignent de plus en plus que les couches sémantiques et les indicateurs gouvernés constituent des fondations indispensables pour concevoir et déployer une IA digne de confiance. Il ne s’agit pas d’améliorations facultatives. (Gartner, AtScale).

Autrement dit, les agents Board ne « découvrent » pas le sens des données. Ils en héritent.

• Le modèle de données intègre déjà les définitions métier.

• Les indicateurs propriétaires sont gouvernés de manière centralisée.

• Le contexte accessible à l’agent Board est volontairement limité.

Cela réduit considérablement les hallucinations, car l’agent n’a tout simplement pas à raisonner à partir de concepts ambigus.

Board a également fait un autre choix de conception, moins visible mais essentiel : dans la mesure du possible, les agents Board exécutent leurs analyses à l’aide des moteurs multidimensionnels et en mémoire natifs de Board. Pourquoi est-ce important ? Parce qu’un raisonnement probabiliste ne peut pas se substituer efficacement à une logique métier déterministe.

Comme l’explique Marmer : « Lorsque vous créez un calcul, il doit correspondre exactement à la manière dont Board l’aurait effectué, et non à une approximation. » McKinsey a averti à plusieurs reprises que les initiatives d’IA échouent lorsque les organisations permettent aux modèles de réinterpréter les logiques financières et opérationnelles fondamentales au lieu de les faire respecter. Dans l’architecture de Board, l’IA renforce la logique de l’entreprise sans la remplacer, en privilégiant systématiquement la supervision humaine afin de garantir précision et responsabilité. Pour les DSI et les CTO, cette distinction fait toute la différence entre une information exploitable et un risque.

Pourquoi les agents censés « tout faire » sont une mauvaise idée

Les agents IA entièrement autonomes et généralistes suscitent un intérêt croissant. Cette approche peut certes avoir sa place dans une « vision » de la planification continue pilotée par l’IA, mais la réalité actuelle doit être considérée avec davantage de pragmatisme : du point de vue de l’entreprise, elle constitue principalement un risque.

Gartner recommande explicitement de privilégier des agents spécialisés dans des tâches précises plutôt que des systèmes autonomes généralistes, car ils sont plus faciles à gouverner, à auditer et à déployer de manière responsable à grande échelle. C’est l’une des principales raisons pour lesquelles les agents Board sont spécialisés par domaine, avec des cas d’usage clairement définis, conçus pour apporter immédiatement de la valeur et un retour sur investissement, sans configuration préalable complexe.

En outre, des agents IA dont le périmètre est précisément défini :

• Réduisent le risque d’hallucination.

• Améliorent l’explicabilité.

• S’alignent naturellement sur les responsabilités métier.

Il est essentiel de garder à l’esprit que, dans le domaine de l’IA d’entreprise, un périmètre ciblé est toujours préférable à une ambition démesurée.

La validation n’est pas facultative. C’est une exigence de conception.

L’un des aspects les plus sous-estimés de la conception des agents est la validation des résultats. Board intègre des étapes de validation qui vérifient les réponses avant qu’elles ne soient présentées aux utilisateurs. Cette pratique est largement étayée par la recherche universitaire consacrée à la réduction des hallucinations (Springer).

Pour être clair, il ne s’agit pas de se méfier de l’IA. Il s’agit de prendre en compte les risques propres à l’entreprise et de veiller à ce que l’expertise décisionnelle des équipes de planification reste pleinement intégrée au cycle de planification.

En définitive, les DSI ne sont pas responsables de produire des réponses ingénieuses, mais des réponses exactes. Les agents Board sont là pour permettre aux équipes de planification d’aller plus loin dans leur travail, et non pour introduire des réponses formulées avec assurance mais inexactes. L’objectif n’est pas d’avoir « plus d’IA ». Il est de disposer d’une IA davantage adaptée aux exigences de l’entreprise.

À l’ère de l’IA agentique, l’architecture n’est plus un simple détail technique. Elle devient un choix stratégique.