Les annonces d’agents IA se multiplient chez les éditeurs de logiciels. Les projets déployés par les entreprises répondent pourtant à des préoccupations plus classiques : centraliser les données, harmoniser les processus et moderniser les systèmes d’information. À cette première réalité s’ajoute désormais un nouvel enjeu pour les DSI : maîtriser la consommation de tokens et sélectionner, pour chaque tâche, le modèle qui présente le meilleur compromis entre coût, performance et fiabilité.
L’intelligence artificielle est partout dans les feuilles de route des éditeurs de logiciels. Sur les 135 actualités publiées en 2026 par Tech for Business, 48 mentionnent explicitement l’IA dans leur titre. La moitié d’entre elles font référence à des agents, à l’IA agentique ou à des assistants capables d’intervenir dans un processus métier.
Les annonces couvrent toutes les fonctions de l’entreprise : RH, gestion des achats, comptabilité et finance, traitement des factures, supply chain, relation client, contractualisation, commerce, etc.
La réalité des projets que nous avons couverts apparaît toutefois différente, même si ce constat doit être nuancé : le panel étudié n’est pas représentatif de l’ensemble des secteurs d’activité ni de toutes les tailles d’entreprise, et les résultats dépendent également du niveau de maturité de chaque organisation. Parmi les 42 cas clients publiés, trois seulement mettent explicitement l’IA au cœur du projet : Air France avec l’IA prédictive de Splio, Duferco Energia avec des agents chargés du traitement des contrats et le CHRU de Nancy avec Microsoft 365 Copilot.
Ce décalage ne signifie pas que les entreprises se désintéressent de l’IA. Il révèle surtout que beaucoup d’entre elles doivent encore consolider le socle sur lequel ces agents sont censés fonctionner.
Les entreprises cherchent d’abord à remettre leur système d’information en ordre
Les objectifs les plus fréquents dans les cas clients restent la centralisation des données et des applications, l’automatisation de processus existants, le remplacement de solutions anciennes et l’harmonisation des pratiques entre plusieurs sites ou pays.
Sur les 42 projets étudiés depuis début janvier 2026 :
- 29 cherchent à centraliser, unifier ou harmoniser les données et les processus ;
- 26 portent sur l’automatisation ou la dématérialisation ;
- 20 correspondent à une modernisation du système d’information ;
- 19 visent une amélioration du pilotage ;
- 16 abordent directement la fiabilité des données ou des prévisions.
Ces projets constituent souvent un préalable à l’IA agentique. Un agent capable d’interroger plusieurs applications, de prendre une décision et de déclencher une action ne peut produire un résultat fiable que si les données utilisées sont exactes, accessibles, actualisées et correctement contextualisées.
Or, dans beaucoup d’entreprises, les informations restent dispersées entre ERP, CRM, logiciels métier, bases documentaires, feuilles de calcul et applications développées en interne. Une même donnée peut exister sous plusieurs formats ou présenter des valeurs différentes selon le système consulté.
Un agent ne corrige pas les incohérences ou les limites du SI
Un assistant conversationnel peut produire une réponse imparfaite. Un agent qui dispose d’un accès aux outils métier est capable de créer une commande, de modifier un dossier client, de déclencher une relance ou de mettre à jour une prévision. L’erreur change alors de nature : elle a un impact sur le processus opérationnel.
Une donnée client dupliquée risque de provoquer une action commerciale inadaptée. Une information de stock obsolète peut fausser une proposition de réapprovisionnement. Une mauvaise classification est susceptible d’orienter un document vers le mauvais circuit de validation. Des droits d’accès mal définis exposent des informations à un utilisateur qui ne devrait pas les consulter.
L’automatisation ne garantit pas que les données sont correctes et ne supprime donc pas les défauts du processus initial. Elle peut au contraire les reproduire plus rapidement et à plus grande échelle.
L’IA agentique fait aussi apparaître un problème économique
La qualité des données ne constitue pas le seul frein au déploiement à grande échelle de l’IA. Le coût de l’inférence devient un autre sujet de vigilance. En effet, le prix d’une requête dépend du modèle sélectionné, de la puissance de calcul à mobiliser, du nombre de tâches à réaliser successivement par les agents.
Une tâche agentique se découpe en plusieurs étapes, décrites schématiquement ci-dessous :
- Analyser la demande de l’utilisateur ;
- Rechercher les informations utiles ;
- Sélectionner le modèle ;
- Appeler une application métier ;
- Contrôler le résultat ;
- Corriger ou relancer l’opération ;
- Produire une réponse finale.
Chaque étape génère un nouvel appel au modèle et augmente la quantité de tokens consommée. Le coût d’un dispositif agentique doit être mesuré à l’échelle de la tâche accomplie : traitement d’une facture, qualification d’un prospect, réponse apportée au client ou anomalie détectée.
Vers une couche de pilotage entre les applications et les modèles
Une nouvelle catégorie d’outils se développe pour répondre à cette difficulté : passerelles IA, plateformes d’observabilité et routeurs de modèles.
Ces solutions centralisent les appels adressés aux différents fournisseurs de modèles. Elles mesure le nombre de tokens consommés ; le coût par application, agent, utilisateur ou tâche ; le temps de réponse ; les erreurs et les nouvelles tentatives et la qualité des résultats, tout en répartissant les requêtes entre les modèles.
Cloudflare AI Gateway propose par exemple un suivi des tokens et des coûts entre plusieurs fournisseurs, ainsi que des mécanismes de mise en cache et de limitation des dépenses. Microsoft Foundry dispose d’un routeur de modèles qui analyse les requêtes et arbitre entre plusieurs modèles selon trois priorités : équilibre, coût ou qualité. Amazon Bedrock propose également un routage intelligent des prompts afin de rechercher le niveau de qualité requis au coût le plus faible.
Des services comme OpenRouter (récemment racheté par Stripe) vont dans la même direction. Leur routeur prend en compte le type de tâche, les capacités du modèle, la prise en charge des outils et le niveau de coût souhaité.
Le modèle le moins cher n’est pas nécessairement le plus économique
Le choix du modèle devient clé. Une classification simple ou une extraction de données structurées peut être confiée à un modèle peu coûteux, tandis qu’une opération complexe ou une tâche qui nécessite plusieurs appels d’outils doit être dirigée vers un modèle plus performant. Le rapport coût-performance doit être évalué à partir de scénarios métier représentatifs. Une économie peut masquer une baisse de qualité importante sur une catégorie de tâches.
Cette approche marque l’apparition du FinOps appliquée à l’IA. L’entreprise ne cherche plus seulement à savoir combien elle consomme, mais quelle valeur elle obtient pour chaque dépense d’inférence.
Deux couches de gouvernance deviennent indissociables
L’industrialisation de l’IA agentique nécessite finalement deux formes de gouvernance. La première porte sur les données : sources de référence, qualité, fraîcheur, droits d’accès, traçabilité et responsabilités de mise à jour. La seconde concerne les modèles : coûts, performances, localisation, règles de routage, contrôle des usages et suivi de la qualité en production.
Avant de confier un processus à un agent, la DSI doit pouvoir répondre à plusieurs questions :
- Quelles données l’agent utilisera-t-il et quelle application fait autorité ?
- Ces données sont-elles suffisamment fiables et récentes ?
- Quelles actions l’agent pourra-t-il exécuter sans validation humaine ?
- Comment les erreurs et les décisions seront-elles retracées ?
- Quel modèle sera utilisé pour chaque type de tâche ?
- Quel est le coût complet d’une tâche traitée par l’IA ?
- Quel niveau de qualité minimal doit être respecté ?