Mieux vaut faire ses premiers pas dans l’IA agentique que de courir après la vague

James HendergartDirecteur principal de la recherche technique | F5

Il est facile d’avoir l’impression que votre entreprise prend du retard dans l’adoption de l’IA agentique. Le battage médiatique est aussi incessant que convaincant, mais rien ne sert de se précipiter tant que les exigences des entreprises à l’égard d’une technologie donnée ne sont pas encore arrivées à maturité. Notre récente étude, menée dans le cadre du Rapport 2025 sur l’état des stratégies applicatives en matière d’IA, révèle que 37 % des organisations n’ont pas d’approche formelle de l’IA agentique et que seules 5 % d’entre elles se lancent résolument dans son adoption.

L’approche la plus prudente consiste à porter un regard critique sur le battage médiatique tout en investissant progressivement pendant la phase d’apprentissage et d’expérimentation. Aujourd’hui, le déploiement de l’IA agentique privilégie largement les chatbots statiques basés sur l’IA qui exécutent des tâches prédéfinies, plutôt que des ensembles dynamiques, complexes et autonomes d’agents qui collaborent pour atteindre des objectifs et s’améliorer au fil du temps.

Voici cinq raisons pour lesquelles les entreprises devraient tâter le terrain de l’IA agentique plutôt que de céder à l’engouement.

1. La pile technologique n’est pas encore mature

La technologie de l’IA agentique continue d’évoluer plus vite que les solutions ne peuvent être développées. De nouvelles fonctionnalités, de nouveaux outils et de nouvelles bibliothèques de code apparaissent régulièrement. L’heure est au prototypage, qui permet de suivre le rythme de l’innovation, mais les solutions d’entreprise à grande échelle nécessitent une évolution moins rapide de la pile technologique. Voici quelques exemples précis :

• Les agents doivent disposer de solides capacités de raisonnement pour résoudre les problèmes les plus complexes qui caractérisent un comportement autonome orienté vers un objectif. Des modèles sont utilisés à cette fin, mais leurs capacités de raisonnement ne sont pas encore suffisantes pour remplacer les humains.
• Les agents ont besoin de meilleures capacités de mémoire pour résoudre des problèmes complexes. De nouveaux systèmes de mémoire ont donc vu le jour, chacun ayant sa propre spécialité, notamment la mémoire sémantique, la mémoire épisodique et la mémoire procédurale. On observe même des exemples de capacités de mémoire émergeant au sein des modèles.
• Des avancées fonctionnelles majeures sont ajoutées aux API que les développeurs utilisent pour créer des applications. Côté client, les navigateurs sont enrichis afin de faciliter l’utilisation de l’IA. Côté serveur, OpenAI a récemment annoncé plusieurs mises à jour de son API Responses. Parmi celles-ci figurent la prise en charge du Model Context Protocol (MCP) et la possibilité d’effectuer des recherches dans plusieurs bases de données vectorielles.

2. Manque de normes matures

De nouvelles normes continuent d’émerger à mesure que les experts et les concepteurs s’efforcent de répondre aux besoins d’interopérabilité du marché. Prenons le MCP proposé par Anthropic et le protocole Agent2Agent (A2A) proposé par Google. Le premier concerne la communication entre les modèles et les ressources, tandis que le second porte sur la communication entre agents. Aucun des deux ne répond à l’ensemble des exigences d’interopérabilité de l’IA agentique. Pour combler ces lacunes, il est raisonnable de s’attendre à ce que d’autres normes soient proposées dans les mois à venir. Et bien que le MCP et l’A2A bénéficient d’un soutien croissant de la part des fournisseurs et des clients, les normes proposées devraient être davantage formalisées avant qu’une entreprise ne s’engage à les adopter.

3. Le coût total de possession (TCO) est inconnu

Des agents d’IA sont en cours de développement et de déploiement. Les premiers indicateurs témoignent de leur efficacité, mais ils mesurent les bénéfices pour l’entreprise en termes d’augmentation du chiffre d’affaires (sans tenir compte des coûts) ou de proportion du nombre total de demandes traitées par des robots plutôt que par des humains (ce qui montre que les agents peuvent accomplir certaines tâches, mais ne permet pas d’établir une comparaison complète des coûts). Le coût total de possession (TCO) de l’IA agentique doit prendre en compte les éléments suivants :

• Une nomenclature complète, couvrant les technologies, la mise à jour et l’adoption des processus, ainsi que les besoins en ressources humaines, tels que l’acquisition de nouvelles compétences pour les postes existants ou la création de nouveaux postes.
• Directives architecturales et schémas d’architecture des composants, incluant la topologie et l’interopérabilité avec l’infrastructure et les services existants.
• Critères de réussite définissant les indicateurs clés en fonction de l’impact sur l’infrastructure, notamment les performances et la capacité des ressources informatiques, du réseau et du stockage.

4. La qualité et la sécurité des données sont les préalables à une adoption réussie de l’IA

Pour fonctionner efficacement, les applications basées sur l’IA ont besoin de données fiables et sécurisées. Toute organisation ne disposant pas d’une approche efficace pour gérer les silos de données, les formats de données et la normalisation des données aura du mal à déployer avec succès une solution d’IA agentique, car celle-ci amplifie les faiblesses de l’entreprise en matière de données et de sécurité. Il ne suffit pas de déployer de nombreux agents fonctionnant à la vitesse des machines sur un réseau. À l’heure actuelle, les mesures de sécurité sont appliquées aux agents comme s’il s’agissait de personnes ou d’appareils. Ainsi, les utilisateurs humains autorisent des agents sans comprendre pleinement dans quelle mesure ceux-ci utiliseront, modifieront ou supprimeront leurs données.

5. L’observabilité de l’ensemble de la pile est fondamentale

Les applications intégrant l’IA nécessitent une observabilité de l’ensemble de la pile. Si une organisation n’a pas encore mis en œuvre avec succès une démarche d’observabilité full-stack, elle ne sera pas en mesure d’adopter une solution d’IA agentique, qui en dépend fortement pour assurer la visibilité, les opérations, le dépannage et la gouvernance.

Examinez ces cinq raisons et privilégiez la prudence plutôt que de céder à l’engouement pour l’IA agentique. Si plus de deux d’entre elles constituent des obstacles concrets à votre plan d’adoption, il peut être préférable de patienter. Sur un marché où la pile technologique et les normes continuent d’évoluer, où les coûts ne sont pas encore quantifiés et où les prérequis comprennent de solides capacités de niveau entreprise, telles qu’une gestion complète des données et une observabilité intégrée dès la conception, rien ne presse pour adopter l’IA agentique. Le premier déploiement d’une solution d’IA agentique ne démontre d’ailleurs pas la valeur des agents pour une entreprise. Il prouve que l’infrastructure est prête. Une adoption progressive donne aux entreprises le temps de repérer et de corriger les faiblesses avant de s’engager trop loin.

Pour approfondir la question de la préparation à l’IA agentique, découvrez nos dernières analyses dans l’article « Policy in Payload: Preparing for AI Agent Architectures ».

À propos de l’auteur

James HendergartDirecteur principal de la recherche technique | F5

Autres articles de James Hendergart