L'IA ne cesse de gagner en capacités. Mais son déploiement au sein d'une entreprise ne devient pas nécessairement plus simple pour autant.

À mesure que les entreprises dépassent le stade de l'expérimentation et intègrent l'IA dans davantage de leurs activités, elles se heurtent à un ensemble de défis distinct. Les questions portent de plus en plus sur les modèles devant traiter quelles tâches, sur la qualité réelle des données sous-jacentes, sur qui — et quoi — les systèmes d'IA sont autorisés à consulter, et sur la capacité des dispositifs de gouvernance existants à suivre le rythme.

Plusieurs développements de cette semaine conduisent à la même conclusion : la prochaine phase de l'IA d'entreprise dépendra peut-être moins de l'accès aux derniers modèles que de la capacité réelle des entreprises à les gérer.

Les opérations multi-modèles deviennent la norme

Les entreprises ne se contentent plus de choisir un modèle d'IA. Elles font tourner plusieurs modèles, chacun avec des capacités, des coûts et des risques différents. Cela signifie que quelqu'un doit décider quel modèle traite quelle tâche — et quand ces décisions doivent évoluer.

La société de paiements et de données Deluxe, par exemple, exploite plus de 50 agents d'IA, avec une passerelle centralisée qui achemine les requêtes vers différents modèles. L'entreprise pèse des facteurs tels que la qualité, le risque, la vitesse et le coût pour décider quels modèles utiliser.

Il s'agit d'un défi très différent du simple choix d'un fournisseur d'IA. À mesure que les entreprises ajoutent des modèles, la sélection des modèles devient en elle-même une fonction opérationnelle continue — qui transforme un choix ponctuel de fournisseur en travail récurrent : acheminer les requêtes, comparer les résultats et revoir ces arbitrages à mesure que les profils de qualité, de coût et de risque évoluent. (À lire : Gemini 3.8 Live transforme l'IA conversationnelle.)

La qualité des données sape toujours les projets d'IA

La gestion des modèles ne représente qu'une partie du problème. Les projets d'IA se heurtent également à un obstacle d'entreprise bien connu : des données médiocres ou fragmentées.

on une récente enquête de Collibra, 72 % des décideurs IA ont déclaré qu'une fondation de données médiocre était la cause racine de l'échec des initiatives d'IA d'entreprise. Ce chiffre rappelle que lorsque les initiatives d'IA trébuchent, le problème précède souvent le modèle : il réside dans les données qui l'alimentent.

La gouvernance prend du retard sur l'IA agentique

Les questions opérationnelles ne s'arrêtent pas aux données. Les entreprises disposent peut-être de politiques de gouvernance de l'IA, mais leurs stratégies ne prennent peut-être pas en compte les systèmes agentiques.

Un rapport d'EY publié mardi révèle que près de six répondants sur dix au sein d'organisations utilisant l'IA agentique estimaient qu'aucun groupe unique ne supervisait les agents après leur déploiement. Près de la moitié ont déclaré que leurs cadres de gouvernance n'avaient pas été actualisés pour traiter les risques spécifiques aux agents, tandis que quatre sur dix manquaient de visibilité sur l'ensemble des outils d'IA présents sur leurs réseaux.

C'est un déficit opérationnel autant que de gouvernance. Les entreprises ne peuvent pas gérer efficacement des systèmes d'IA si elles ignorent ce qui tourne ou qui est responsable de leur supervision. Ces constats laissent aux organisations deux questions immédiates à trancher : qui est responsable de la supervision des agents une fois ceux-ci en service, et comment dresser un tableau complet des outils d'IA déjà en fonctionnement sur le réseau.

Le défi organisationnel

Un modèle plus puissant ne résoudra aucun de ces problèmes. Ils exigent des entreprises qu'elles prennent des décisions relatives à l'architecture, aux données, aux responsabilités et à la supervision, à mesure que l'IA s'immisce dans davantage d'activités.

La partie la plus difficile de l'IA d'entreprise ne consiste peut-être plus à accéder à une technologie puissante. Il s'agit de bâtir une organisation capable de l'exploiter — et les indicateurs à surveiller sont internes : la préparation des données, la couverture de la gouvernance et des lignes de responsabilité claires. (À lire : Les appels au ralentissement de l'IA posent de nouveaux défis aux modèles à poids ouverts.)

Également cette semaine dans l'actualité de l'IA

• L'IA est désormais le premier moteur des dépenses en cybersécurité : sept RSSI sur dix classent désormais l'IA comme leur priorité absolue pour les nouvelles dépenses de cybersécurité, en particulier pour l'automatisation la sécurité et la gestion des identités et des accès.
• Altman et Amodei évoquent le rythme de l'IA à Dreamforce : les dirigeants de laboratoires d'IA ont profité de la conférence Dreamforce de Salesforce pour évoquer un ralentissement du développement de l'IA de pointe, alors que grandit l'inquiétude que les capacités progressent plus vite que les garde-fous.
• Gemini 3.8 Live transforme l'IA conversationnelle : le nouveau modèle de Google ajoute le raisonnement en temps réel, l'utilisation d'outils et le traitement visuel tout en conservant des interactions vocales naturelles.
• Les appels au ralentissement de l'IA posent de nouveaux défis aux modèles à poids ouverts : les appels à ralentir le développement de l'IA de pointe pourraient créer de nouveaux défis pour les modèles à poids ouverts, laissant potentiellement aux entreprises une responsabilité accrue en matière de tests, de surveillance et de gouvernance.
• La panique de l'IA crée un nouveau problème de confiance pour les DSI : l'anxiété croissante autour de l'IA crée un nouveau défi pour les DSI, qui tentent de renforcer la confiance organisationnelle dans les déploiements d'entreprise sans minimiser les préoccupations légitimes liées à la technologie.
• « Nous allons cesser de parler d'IA » et autres prévisions industrielles : les entreprises manufacturières s'attendent à ce que l'IA devienne moins une initiative autonome et s'intègre davantage dans les opérations quotidiennes. (À lire : L'IA change l'équation du ROI. Voici comment certains ont trouvé la clé du succès.)
• L'IA met sens dessus dessous le marché de l'emploi tech : l'IA remodele le marché de l'emploi tech, une analyse de près de 50 000 offres d'emploi en ingénierie révélant des exigences de compétences en évolution et un nombre croissant de rôles spécialisés.

À propos de l'auteure

Liz Hughes est une stratège éditoriale et de contenu primée qui compte des décennies d'expérience dans l'édition de presse, les médias numériques et la communication de direction. Elle a notamment été rédactrice en chef d'AI Business et d'IoT World Today, où elle pilotait la stratégie éditoriale, la couverture quotidienne et des newsletters touchant plus d'un million de lecteurs par mois. Son travail se concentre sur l'IA et les technologies émergentes, avec un accent mis sur la distinction l'adoption réelle et le battage médiatique ; elle a couvert l'IA générative, la robotique, les systèmes autonomes et les technologies d'entreprise. Hughes est également fondatrice de LTH Media, un cabinet de conseil éditorial stratégique, et continue de contribuer à des publications de référence dans les domaines de la technologie et de l'économie.

Cet article, rédigé par la contributrice Liz Hughes, est initialement paru sur AI Business le 18 septembre 2026.