Tu veux 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.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Les projets d’agents d’IA butent sur l’accès à la connaissance d’entreprise : en moyenne, 34% seulement passent en production. Des organisations mieux équipées sur la connaissance affichent 61% de projets au-delà du pilote et ciblent des investissements dans les fondations de données et les graphes.
La production freinée par la fragmentation et les héritages
En entreprise, la mise en production des agents d’IA reste limitée à 34% des projets en moyenne. Les principaux points de défaillance cités sont les systèmes de données hérités, les préoccupations de sécurité et de confidentialité, ainsi qu’un déficit de connaissance et de contexte. La fragmentation des données est identifiée comme le défi numéro un pour élargir l’accès des agents à la connaissance par 55% des répondants. Chez les organisations les plus avancées, 72% considèrent la sécurité et la confidentialité comme un problème majeur. Même les entreprises de haute technologie rencontrent ces difficultés.
Des leaders plus performants grâce à des capacités de connaissance
Un groupe de leaders en production parvient à faire progresser en moyenne 61% de leurs projets agentiques au-delà de la phase pilote. Ces organisations disposent de capacités de connaissance plus solides que les autres, notamment sur la dimension sémantique. Des capacités de connaissance renforcées sont associées à un taux de production plus élevé.
Priorités d’investissement : fondations, RAG et graphes
La plupart des entreprises cherchent à renforcer le lien entre leurs données et leurs agents d’IA. Les cadres interrogés s’attendent à ce que le renforcement des fondations structurelles reliant données et agents ait l’impact le plus important sur la qualité des décisions prises par les agents. Des experts estiment qu’une couche de connaissance est un moyen privilégié pour atteindre cet objectif. Les priorités d’investissement incluent des technologies de récupération comme les pipelines d’ingestion, des API prêtes pour l’IA, la génération augmentée par récupération, ainsi que des agents d’évaluation de l’IA et des graphes de connaissances.
Pourquoi la connaissance compte pour l’agent
Les agents d’IA d’entreprise souffrent souvent d’un manque de connaissance, comprise comme la capacité à interpréter le sens des données dans le contexte de l’organisation. Cette compréhension est nécessaire pour raisonner, prendre des décisions et agir ; son absence accroît le risque de décisions erronées et peu fiables. Ce manque figure parmi les raisons majeures pour lesquelles les cas d’utilisation d’IA agentique n’atteignent pas la production. La pression concurrentielle rend urgent de corriger ce déficit, sous peine de gaspiller les investissements déjà engagés et de laisser des concurrents plus efficaces avec leurs agents prendre l’avantage. Ces constats s’appuient sur une enquête menée auprès de 300 cadres et sur un rapport qui vise à évaluer les capacités de connaissance agentique — sémantique, mémoire épisodique, procédurale —, à explorer les défis d’accès à la connaissance et à examiner les mesures prises pour y remédier.
