Les entreprises ont déployé des agents IA en toute connaissance de cause avant d'établir les contrôles nécessaires à leur gestion. Telle est la conclusion centrale tirée de cinq enquêtes parallèles menées par VentureBeat Research en juin 2026, couvrant chaque couche de la pile agentique. Ce schéma rappelle les cycles d'adoption technologique en entreprise précédents — de la migration vers le cloud à l'intégration mobile — où l'élan de déploiement a devancé la gouvernance, contraignant les organisations à des remédiations réactives. Ce qui distingue la vague agentique, c'est son ampleur : comme les agents peuvent prendre des actions autonomes au sein des systèmes de production, le déficit de gouvernance comporte un risque opérationnel immédiat, et non seulement une exposition à long terme en matière de conformité. Les organisations procèdent désormais à des rétrofitings de leurs cadres de gouvernance pour répondre à leurs propres normes — et y consacrent des budgets. Sur les cinq couches de contrôle mesurées, 57 % à 68 % des entreprises prévoient de changer de prestataire ou d'en ajouter de nouveaux dans les 12 mois, tandis qu'environ un tiers a l'intention d'agir dès le trimestre en cours.

VentureBeat Research a identifié cinq contrôles que les entreprises doivent mettre en œuvre avant de pouvoir faire confiance à un agent IA de manière responsable : l'identité, l'évaluation, la télémétrie des coûts, la couche de contexte et l'orchestration. L'identité détermine quel agent est autorisé à effectuer quelles actions et sous les identifiants de qui. L'évaluation vérifie si le résultat d'un agent répond aux standards de qualité. La télémétrie des coûts suit les dépenses liées au fonctionnement de chaque agent. La couche de contexte fournit les données et définitions métier dont les agents dépendent pour générer leurs réponses. Le plan de contrôle d'orchestration coordonne les flux de travail multi-étapes des agents. Chacun des cinq rapports porte sur l'un de ces contrôles. Ensemble, ils forment une chaîne de dépendances : un agent sans identité délimitée ne peut être évalué en toute sécurité ; un agent sans évaluation fiable ne peut être autorisé à agir de manière autonome ; et un agent sans contexte précis produira des réponses assurées quel que soit le niveau de fonctionnement des autres contrôles.

La plupart des « agents » déployés sont des chatbots déguisés

Soixante-onze pour cent des entreprises ont indiqué qu'un quart ou moins de leurs « agents » déployés sont capables d'accomplir de manière autonome un travail multi-étapes. Seulement 10 % ont déclaré que de véritables agents constituent la majorité de ce qu'elles exploitent. Les répondants sont bien placés pour évaluer la situation : 81 % recommandent ou décident directement des achats d'IA au sein de leurs organisations. Un chatbot à invite unique, dont chaque réponse est revue par un humain, ne nécessite aucun des contrôles examinés dans les quatre autres rapports. Un véritable agent multi-étapes, en revanche, les exige tous — pourtant, la plupart des entreprises ne peuvent pas identifier clairement quel type elles ont déployé. Cette ambiguïté définitionnelle persiste dans l'ensemble du secteur, les fournisseurs et les équipes internes appliquant le label « agent » de manière incohérente, ce qui complique les décisions d'achat et l'évaluation des risques. (Résultats complets : rapport sur l'orchestration agentique.)

L'autonomie devance la confiance dans les évaluations

Deux tiers des entreprises autorisent déjà un agent à pousser des modifications de code ou de système en production sur la seule base des résultats d'évaluation automatisée — sans aucune revue humaine — ou travaillent activement à cette capacité dans les 12 mois. Malgré cela, seulement 5 % ont exprimé une confiance totale dans les évaluations qui régiraient de telles décisions. Au cours de la dernière année, la moitié des entreprises ont déployé un agent qui avait réussi les évaluations internes mais qui a ensuite provoqué une défaillance visible par les clients. L'écart entre la confiance dans les évaluations et la réalité de la production reflète un défi structurel : la plupart des benchmarks internes testent le comportement des agents dans des conditions contrôlées qui ne tiennent pas compte de la variabilité des entrées utilisateur en temps réel et de l'évolution des données métier. La recommandation est claire : avant de retirer la revue humaine d'un flux de travail, les organisations devraient tester les évaluations par rapport aux résultats réels en production plutôt que de s'appuyer sur des benchmarks internes. (Résultats complets : rapport sur la fiabilité et l'évaluation des agents.)

Le partage d'identifiants corrèle avec les incidents de sécurité

Soixante-neuf pour cent des entreprises autorisent au moins certains agents à partager des identifiants, ce qui signifie que plusieurs agents fonctionnent sous une seule clé API ou un seul compte de service. Parmi les organisations qui autorisent le partage d'identifiants, 63,5 % (47 sur 74) ont subi un incident de sécurité ou un quasi-incident. Ce chiffre tombe à 40,9 % (9 sur 22) dans les entreprises où chaque agent fonctionne sous sa propre identité délimitée. Cette corrélation s'inscrit dans les principes de sécurité zero-trust établis, où l'accès au moindre privilège et le cloisonnement des identifiants par entité constituent depuis longtemps une pratique de base pour les comptes humains et de service. Le remède préconisé est une identité délimitée pour chaque agent, en commençant par ceux qui interagissent avec les systèmes de production. (Résultats complets : rapport sur la sécurité et l'identité agentiques.)

Le taux d'utilisation des GPU reste faible tandis que le suivi des coûts prend du retard

Plus de huit entreprises sur dix qui exploitent leurs propres GPU ont signalé des taux d'utilisation de 50 % ou moins. Parallèlement, seulement 44 % suivent rigoureusement le coût réel de leur calcul d'IA et les retombées qu'il génère. Cette combinaison crée une inefficacité cumulative : les organisations ne peuvent pas optimiser des charges de travail qu'elles ne mesurent pas, et sans visibilité sur les coûts par charge de travail, les décisions d'achat sont dictées par l'anxiété de capacité plutôt que par les données d'utilisation. Selon les conclusions, la priorité ne devrait pas être d'acquérir des GPU supplémentaires, mais plutôt d'améliorer le taux d'utilisation et de mesurer le coût par charge de travail du matériel déjà en place. (Résultats complets : rapport sur l'infrastructure et le calcul IA.)

Des données non gouvernées alimentent des réponses fausses mais assurées

Cinquante-sept pour cent des entreprises ont rattaché une réponse d'agent assurée mais incorrecte, au cours des six derniers mois, à leur propre contexte métier manquant ou incohérent — incluant des métriques erronées, des définitions obsolètes ou des documents absents. Une majorité a observé que cela se produisait plus d'une fois. Ce résultat souligne une distinction que le secteur reconnaît de plus en plus : la qualité de récupération est nécessaire mais non suffisante lorsque les définitions métier sous-jacentes sont elles-mêmes incohérentes ou obsolètes. La gouvernance des définitions dont dépendent les agents, en commençant par les métriques et les entités, doit précéder tout effort de mise à l'échelle des agents qui s'y appuient. (Résultats complets : rapport sur les couches de contexte / RAG.)

Aucun acteur établi sur aucune couche

Aucune couche ne compte d'acteur solidement installé. Les solutions par défaut d'aujourd'hui sont les outils intégrés fournis avec les grandes plateformes d'IA que les entreprises utilisent déjà. L'intention de changement est la plus forte dans l'orchestration, où 68 % des organisations prévoient d'adopter, d'ajouter ou de remplacer des plateformes dans les 12 mois et 34 % dès le trimestre en cours. Ce paysage concurrentiel ouvert est cohérent avec les premiers stades des catégories d'infrastructure d'entreprise précédentes, où les outils intégrés aux plateformes dominent initialement avant que des fournisseurs spécialisés ne se différencient par la profondeur et le contrôle. Les enquêtes n'ont pas capté la direction dans laquelle les dépenses s'orienteront — vers les outils natifs des plateformes ou vers les challengers spécialisés — et cette question non résolue devrait définir les quatre prochains trimestres du marché.

À propos de cette recherche

VentureBeat Research a mené cinq enquêtes parallèles en juin 2026 dans le cadre de son programme VB Pulse : Orchestration agentique (101 répondants), Fiabilité et évaluation des agents (157), Sécurité et identité agentiques (107), Infrastructure et calcul IA (107), et Couches de contexte / RAG (101) — soit 573 répondants qualifiés au total, tous issus d'organisations de 100 salariés ou plus. Les échantillons sont auto-sélectionnés et certains résultats doivent être interprétés de manière directionnelle ; chaque rapport comporte sa propre note méthodologique complète. Ce que le schéma d'ensemble corrobore plus fortement que tout pourcentage pris individuellement, c'est la direction elle-même : chaque enquête, indépendamment, pointe dans le même sens. VentureBeat produit à la fois cette recherche et VB Transform, la conférence où ces rapports ont été présentés en première.