Sept responsables technologiques interrogés sur les priorités de 2027 préconisent de limiter les actions des agents d'IA et de renouveler les tests lorsque leur modèle change. Leurs recommandations couvrent aussi la mesure des résultats, la préparation des données et le choix entre modèles externes et auto-hébergés.
Définir les responsabilités et les droits des agents
Chez Sedgwick, spécialiste de la gestion des sinistres d'assurance, Sean Safieh dirige les systèmes d'information des plateformes mondiales et des solutions numériques. Il décrit des agents qui ne se limitent plus à résumer ou à recommander : ils orientent le travail et déclenchent des transactions. Une équipe commerciale peut, par exemple, permettre à un agent de valider seul une transaction. Pour ce responsable, ces capacités présentent un risque opérationnel différent, particulièrement dans les organisations complexes.
Sean Safieh oppose la responsabilité généralement identifiable d'une personne à celle d'un agent, dont il faut déterminer qui a autorisé l'accès et quels actes sont permis. Il préconise une surveillance explicite, des actions auditables et explicables, ainsi qu'une traçabilité fiable. Chez Sedgwick, précise-t-il, la gouvernance de l'IA relève du métier, pas seulement du contrôle informatique : elle touche aux risques, à la conformité et à la confiance accordée aux outils. Avant d'accroître l'autonomie d'un agent, il préconise de le traiter comme une identité de l'entreprise et de définir les responsabilités avec les directions commerciales et des risques.
Pour Boris Kolev, responsable mondial de la technologie de JA Worldwide, ONG consacrée à l'éducation des jeunes, le changement tient également aux actions permises, et non à la seule fiabilité des réponses. Selon lui, modifier des données, engager une transaction, communiquer avec l'extérieur ou activer un autre système transforme une erreur en risque opérationnel. Il demande une gestion des identités, des permissions et des traces d'audit adaptée aux agents. Des plafonds de dépenses, des procédures de remontée vers un responsable et une possibilité de reprise en main humaine devraient, à ses yeux, précéder leur intégration profonde aux processus critiques.
Retester les systèmes quand leur modèle change
Frank Meltke, PDG du cabinet de conseil en transformation numérique Contraco, avertit qu'un système déjà approuvé peut changer de modèle sans nouvelle autorisation. Les fournisseurs remplacent et actualisent continuellement leurs modèles, affirme-t-il. Un assistant validé au printemps pourrait donc se comporter autrement à l'automne tout en conservant son nom, ses droits et son rôle dans les processus. Il estime que très peu d'entreprises déclenchent alors une nouvelle révision.
Vous voulez les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Sa recommandation consiste à enregistrer le modèle et sa version pour chaque système en production, puis à demander aux fournisseurs d'annoncer les changements à l'avance. Les tests d'acceptation initiaux devraient être rejoués à chaque changement, insiste-t-il, surtout lorsqu'un outil peut approuver une opération, effectuer un achat ou modifier des enregistrements sans intervention humaine.
Daniel Herrington, directeur de l'IA chez le comparateur d'assurances The Zebra, appelle de son côté à développer les évaluations synthétiques pour vérifier la manière dont les agents agissent sur les données. Il considère comme déjà en retard les entreprises qui n'y ont pas investi. Il juge naïf de compter sur des protections traditionnelles telles que l'authentification à deux facteurs ou les CAPTCHA et prédit que les plateformes de sécurité finiront par perdre cette confrontation.
Mesurer les résultats et préparer les données
L'IA figure parmi les premières préoccupations des responsables des systèmes d'information pour 2027. Pour Michael Corrigan, qui occupe cette fonction chez World Insurance Associates, un investissement doit répondre à un problème précis, commercial ou informatique. Avant de déployer l'outil, l'entreprise devrait définir ce qu'elle mesurera et les critères qui serviront à juger son efficacité. Les mêmes indicateurs doivent ensuite permettre de comparer la situation antérieure aux nouveaux résultats, recommande-t-il.
Mojgan Lefebvre, directrice de la technologie et des opérations de l'assureur Travelers, insiste sur la préparation des données. Elle rapporte qu'un spécialiste expérimenté de son équipe considère leur bonne organisation comme un préalable à l'usage de l'IA. Qualité, classification et compréhension doivent être travaillées, explique-t-elle. Elle souligne aussi la nécessité de restituer le contexte commercial des données, leur interprétation par l'IA différant de celle des humains.
Répartir les demandes entre modèles
Andy Boettcher, directeur de l'innovation chez DoubleTrack, société de services et de conseil informatique, anticipe pour 2027 une combinaison de grands modèles de pointe et de modèles ouverts hébergés par les entreprises elles-mêmes. Dans ce scénario, des routeurs orienteraient chaque demande selon des règles de classification. Il présente la gestion de cet ensemble, plutôt que d'un modèle unique, comme un défi à préparer.
Le responsable dit utiliser sur sa machine trois modèles ouverts aux côtés d'un modèle de pointe et juge leurs performances proches de ce dernier. Il recommande de définir dès maintenant quelles données et quelles questions peuvent être confiées à chaque destination. L'objectif qu'il fixe est de conserver les travaux les plus sensibles à l'intérieur de l'entreprise.






