Dans les 101 entreprises interrogées par VentureBeat, l’infrastructure qui fournit aux agents d’IA leur contexte métier est déployée plus vite qu’elle ne peut être rendue fiable. La génération augmentée par récupération (RAG) est devenue la source de contexte par défaut pour l’IA d’entreprise, et les outils de recherche natifs des fournisseurs ont discrètement dépassé les bases de données vectorielles spécialisées qui avaient initialement défini la catégorie. La rapidité de cette adoption est notable : le RAG a été introduit comme technique de recherche en 2020 (Lewis et al., alors chez Facebook AI Research) et, en quelques années, est devenu la méthode standard par laquelle les entreprises ancrent les grands modèles de langage dans leurs propres données. Pourtant, une majorité d’entreprises ont déjà vu leurs agents d’IA fournir des réponses confiantes mais incorrectes, attribuables à un contexte manquant ou incohérent — un problème que davantage de récupération ne résoudra pas à lui seul.

Ce volet de VentureBeat Pulse Research examine le RAG d’entreprise et la couche de contexte : ce qui alimente les agents d’IA en contexte métier, les systèmes de récupération utilisés par les organisations, la manière dont elles les sélectionnent et les évaluent, l’évolution de l’architecture et la fréquence à laquelle ce contexte produit déjà des défaillances.

Le déficit de contexte

La conclusion centrale du rapport est ce que VentureBeat appelle un « déficit de contexte » — l’écart entre le degré d’assurance avec lequel les agents d’entreprise répondent et la fiabilité réelle du contexte sous-jacent. Une majorité d’entreprises (57%) ont déclaré qu’au cours des six derniers mois, leurs agents d’IA avaient produit des réponses confiantes mais erronées, attribuées à un contexte métier manquant ou incohérent. Plus de la moitié de ces répondants ont indiqué que cela s’était produit plus d’une fois. Seules 28% ont déclaré n’avoir constaté aucune défaillance de ce type.

Il ne s’agit pas d’un problème marginal. La récupération est la principale source de contexte pour 38% des entreprises — plus que toute autre approche — ce qui signifie que lorsque la récupération est insuffisante ou incohérente, les erreurs qui en résultent portent l’autorité perçue de l’agent. L’infrastructure destinée à résoudre ce problème est en cours de développement actif : 58% des entreprises exploitent déjà ou construisent une couche sémantique gouvernée, même si, pour la plupart, elle n’a pas encore atteint la production.

Derrière ces constats, le marché se consolide dans une direction inattendue. La récupération native des fournisseurs — la recherche de fichiers d’OpenAI (40%) et Vertex AI Search de Google (38%) — devance déjà toutes les bases de données vectorielles spécialisées en usage de production. Les entreprises s’attendent à ce que la recherche hybride domine d’ici la fin de 2026 (34%). Pourtant, une pluralité (36%) disent vouloir conserver des outils autonomes best-of-breed plutôt que de se consolider sur la pile de contexte native d’un seul fournisseur, et une majorité (57%) prévoient de changer de fournisseur ou d’en ajouter un dans les douze mois. Les préférences déclarées et l’usage réel divergent : les organisations achètent de la récupération native des fournisseurs tout en affirmant vouloir conserver leur indépendance.

Méthodologie

VentureBeat a mené cette enquête dans le cadre de sa série continue Pulse Research, centrée sur l’infrastructure RAG d’entreprise et la couche de contexte — systèmes de récupération, couches sémantiques et sources de contexte qui alimentent les agents d’IA. Les réponses ont été filtrées pour ne retenir que les organisations de plus de 100 employés (n=101). L’enquête n’a reçu aucune réponse d’organisations de 100 employés ou moins, de sorte que l’ensemble de l’échantillon est qualifié. Toutes les réponses proviennent d’une seule vague du T2 2026 (juin), ce qui fait du rapport une analyse transversale plutôt qu’un suivi de tendances. Plusieurs questions autorisaient des réponses multiples, de sorte que les parts peuvent totaliser plus de 100%.

Par taille d’organisation, l’échantillon est concentré sur le mid-market : les entreprises de 251–1 000 employés (31%) et de 101–250 employés (31%) arrivent en tête, suivies de celles de 1 001–5 000 (20%), 5 001–10 000 (12%) et 10 001+ (7%). Par fonction, les répondants couvrent les managers (39%), les contributeurs individuels (27%), la direction générale (16%) ainsi que les VP et directeurs (14%). En matière d’autorité d’achat, l’échantillon est crédible du point de vue des acheteurs : 46% sont décideurs finaux et 26% supplémentaires sont prescripteurs ou influenceurs. Le secteur Technologie/Logiciels est le plus représenté, à 20%, suivi de la Santé/Sciences de la vie (11%), avec une répartition large entre commerce de détail, transport, services financiers, industrie manufacturière et éducation.

Avec 101 répondants, l’échantillon reste modeste et doit être interprété comme un signal directionnel plutôt que comme une mesure précise. Il est auto-sélectionné, ne constitue pas un échantillon probabiliste et reflète des organisations qui construisent activement une infrastructure RAG et de contexte plutôt que les plus grands opérateurs.

Constat 1 : confiants et erronés — des erreurs d’agents attribuées à un mauvais contexte

VentureBeat a demandé aux entreprises si, au cours des six derniers mois, elles avaient attribué une réponse d’agent confiante mais erronée à un contexte métier manquant ou incohérent. Une majorité l’avait fait.

C’est le chiffre déterminant du rapport. Une majorité d’entreprises (57%) ont déjà vu un agent d’IA produire une réponse confiante mais erronée attribuée à un mauvais contexte — notamment des métriques incorrectes, des définitions obsolètes ou des documents manquants — et plus de la moitié d’entre elles ont observé ce phénomène plus d’une fois. Seules 28% ne signalent aucune défaillance de ce type, et une petite part restante soit n’exécute pas d’agents sur des données d’entreprise, soit ne retrace pas suffisamment les causes racines pour le savoir.

Le mode de défaillance est spécifique et dangereux : le modèle n’hallucine pas de manière évidente. Il se trompe avec assurance parce que le contexte qui l’alimente était insuffisant ou incohérent. Cette distinction compte pour le risque en entreprise : l’hallucination — lorsqu’un modèle invente sans fondement dans les données récupérées — est de plus en plus détectable au moyen de garde-fous et de validations de sortie. Mais une métrique erronée formulée avec assurance et extraite d’un document obsolète est plus difficile à repérer, car la réponse dispose d’une source plausible. Tous les autres constats du rapport — ce que les entreprises récupèrent, comment elles le gouvernent et ce qu’elles prévoient de construire — découlent de ce problème.

Constat 2 : le RAG est la source de contexte par défaut

La récupération alimente davantage d’agents que toute autre méthode. Pour 38% des organisations, le RAG appliqué à des documents ou à un index vectoriel est le principal moyen par lequel les agents comprennent l’activité — près du double de l’approche suivante, à savoir une couche sémantique gouvernée ou une ontologie (21%). Les approches mixtes représentent 14%, les requêtes directes vers des systèmes en temps réel 10%, et le chargement de longs contextes 6%. Seules 2% laissent les agents s’appuyer uniquement sur les connaissances générales du modèle.

Cette concentration est importante au regard du Constat 1 : comme une grande partie du contexte d’entreprise transite par la récupération, la qualité de cette récupération détermine la qualité de la réponse. Lorsque le RAG est la source par défaut, une récupération insuffisante n’est pas un cas limite — c’est la principale surface de défaillance.

Une approche est notablement absente : la personnalisation des poids du modèle, ou fine-tuning. Toutes les principales sources de contexte métier de l’enquête sont injectées au moment de l’exécution. La mesure directe la plus récente de VentureBeat sur le fine-tuning provient de sa vague d’enquête d’avril–mai (une enquête distincte, n=136), où les capacités de fine-tuning se classaient dernières parmi six facteurs de sélection de modèles, à 5% — même si 26% de cet échantillon citaient encore le fine-tuning et la personnalisation comme un investissement appelé à croître. Le fine-tuning est sorti de la conversation principale sur la sélection ; l’injection de contexte est la manière dont les entreprises rendent les agents compétents sur leur activité.

Constat 3 : la récupération native des fournisseurs devance déjà les bases de données vectorielles

La base de données vectorielle spécialisée n’est plus le centre de la pile RAG. La recherche de fichiers d’OpenAI (40%) et Vertex AI Search de Google (38%) dominent l’usage en production — récupération native des fournisseurs et native des hyperscalers — devant toutes les bases de données vectorielles conçues spécifiquement à cet effet. Parmi les spécialistes, les plus utilisés sont des outils que les entreprises exploitent déjà pour d’autres raisons (Elasticsearch/OpenSearch, 20%) et l’option ouverte et intégrée (pgvector, 12%). Les bases de données vectorielles pure-play qui définissent la catégorie — Weaviate, Qdrant, Pinecone et Milvus — se situent chacune entre des pourcentages à un chiffre et le bas des deux chiffres. Il est notable que 13% des entreprises déclarent ne toujours exécuter aucun RAG en production.

Il s’agit d’un changement significatif pour une catégorie qui a attiré d’importants investissements en capital-risque en 2022–2023. Des entreprises comme Pinecone, Weaviate et Qdrant ont levé des fonds sur la thèse selon laquelle une infrastructure vectorielle spécialisée serait fondamentale pour l’IA d’entreprise. Les données de l’enquête suggèrent que les fournisseurs de modèles et les hyperscalers capturent la couche de récupération en l’intégrant aux mêmes API que les entreprises utilisent déjà pour l’inférence — le même schéma de dynamique de plateforme qui a remodelé des marchés allant de la supervision au CI/CD.

Comme pour les plateformes observées dans la vague parallèle de VentureBeat sur l’infrastructure, les entreprises se tournent vers la récupération intégrée aux outils qu’elles achètent déjà.

Ce constat s’est vérifié dans les deux vagues du T2. En avril–mai (n=161), la récupération construite par les fournisseurs dominait également l’usage, tandis que chaque base de données vectorielle spécialisée restait marginale — la base de données vectorielle autonome la plus utilisée culminait à 8% de cet échantillon. L’avenir hybride et pluraliste était déjà l’attente consensuelle à ce moment-là également (34% s’attendaient à ce que la recherche hybride domine, tandis que 29% supplémentaires anticipaient plusieurs architectures selon les cas d’usage). Deux vagues dessinent une image cohérente : la catégorie qui a popularisé le terme « base de données vectorielle » est absorbée par les plateformes auprès desquelles les entreprises achètent déjà.

Constat 4 : les entreprises disent vouloir conserver le best-of-breed

Même si la récupération native des fournisseurs domine dans la pratique, une pluralité d’entreprises (36%) disent avoir l’intention de conserver des outils autonomes best-of-breed plutôt que de se consolider sur la pile de contexte native d’un fournisseur — bien devant les 21% qui prévoient de se consolider. Un autre groupe de 21% anticipe un mix, et 9% comptent construire et posséder la couche eux-mêmes.

L’écart entre ce que les entreprises utilisent et ce qu’elles disent vouloir constitue la question stratégique de la catégorie : elles adoptent la récupération intégrée pour sa commodité tout en affirmant vouloir préserver leur indépendance. L’impulsion qui l’emportera — l’attraction de l’offre groupée du fournisseur ou la préférence déclarée pour un contrôle modulaire — façonnera le marché de la récupération davantage que n’importe quel outil isolé.

Constat 5 : la recherche hybride est le pari consensuel

Un tiers des entreprises (34%) s’attendent à ce que la recherche hybride — embeddings combinés au reranking et aux contrôles d’accès — domine leurs systèmes de production d’ici la fin de 2026, soit trois fois les 11% qui anticipent la prééminence de la récupération uniquement vectorielle. L’approche de recherche vectorielle pure qui a lancé la catégorie est déjà jugée insuffisante à elle seule, remplacée par des pipelines qui ajoutent du reranking pour la précision et des contrôles d’accès pour la gouvernance — ces mêmes contrôles d’accès dont l’absence produit les défaillances décrites dans le Constat 1.

La deuxième réponse la plus fréquente est l’incertitude : 17% des répondants ne savent pas quelle architecture dominera, et 14% supplémentaires s’attendent à dépasser entièrement une couche vectorielle dédiée au profit d’une récupération axée d’abord sur les outils ou sur les longs contextes. Le consensus ne porte pas sur un outil unique, mais sur un pipeline en couches, qui n’est pas encore pleinement formé.

Constat 6 : la couche de contexte gouvernée est en cours de construction

Bien plus de la moitié des entreprises (58%) exploitent une couche sémantique gouvernée en production (25%) ou en pilotent et construisent une (34%). 17% supplémentaires évaluent activement cette approche, ce qui signifie que les trois quarts sont engagés d’une manière ou d’une autre avec ce concept.

Le concept de couche sémantique a des précédents dans la business intelligence, où des plateformes comme dbt, Looker et Tableau fournissent depuis longtemps des définitions gouvernées et réutilisables des métriques métier afin de garantir que les tableaux de bord et rapports d’une organisation se réfèrent aux mêmes chiffres. La nouveauté consiste ici à étendre cette même couche de définition disciplinée aux entrées qui alimentent les agents d’IA — afin de s’assurer que lorsqu’un agent cite le chiffre d’affaires ou le statut d’un client, la définition sous-jacente est cohérente, à jour et soumise à des contrôles d’accès, plutôt qu’extraite du premier document remonté par le pipeline de récupération.

Cependant, l’équilibre est révélateur : davantage d’organisations construisent qu’elles n’ont livré. Pour la plupart des entreprises, la couche partagée et gouvernée de définitions qui permettrait d’éviter les défaillances « confiantes mais erronées » du Constat 1 reste un chantier en cours. La couche sémantique est la réponse du secteur à l’incohérence du contexte, et cette enquête la saisit en pleine construction, avec une ambition largement en avance sur la production.

Constat 7 : achetés pour l’ingestion et la simplicité, surveillés pour l’exactitude

Les entreprises choisissent les systèmes de récupération selon leur opérabilité. La facilité d’ingestion des données (36%), la latence et les performances (32%) ainsi que la simplicité opérationnelle (29%) dominent les critères de sélection — devant la précision de la récupération et le contrôle d’accès (23% chacun), les deux facteurs les plus directement liés aux défaillances du Constat 1.

Une fois les systèmes en fonctionnement, l’accent se déplace vers la confiance. Les métriques les plus suivies sont l’exactitude des réponses (42%) ainsi que la sécurité et le contrôle d’accès (38%), devant la latence (28%), la stabilité opérationnelle (27%) et la pertinence des réponses (23%).

Cette dissociation entre critères d’achat et critères de surveillance reflète un schéma plus large dans l’adoption de l’IA d’entreprise : les organisations privilégient la rapidité d’intégration lors de l’achat, puis découvrent que l’exactitude et la gouvernance — des attributs plus difficiles et plus lents à mesurer — deviennent les métriques qui déterminent si les agents peuvent être jugés fiables en production. L’écart est accentué par le fait que la précision de la récupération et le contrôle d’accès, les deux dimensions les plus directement liées aux défaillances confiantes mais erronées, arrivent en bas des critères de sélection.

La satisfaction à l’égard des systèmes actuels est modérément positive, sans enthousiasme marqué. Sur une échelle de cinq points, la satisfaction globale atteint en moyenne 4,0, tandis que la facilité de mise en œuvre et le rapport qualité-prix se situent tous deux autour de 3,9. Les entreprises achètent en fonction de la facilité d’exploitation d’un système et le surveillent pour vérifier s’il peut être digne de confiance.

Constat 8 : un remaniement de la récupération se prépare

Si 43% des entreprises n’ont pas l’intention de changer de fournisseur de récupération, une courte majorité (57%) prévoient d’en changer ou d’en ajouter un dans les douze mois, et un quart (26%) dès le prochain trimestre.

L’ensemble des solutions envisagées diverge de la pile actuelle. La récupération native des fournisseurs reste en tête des évaluations des entreprises (OpenAI 22%, Vertex AI Search 21%), mais les spécialistes vectoriels open source dépassent leur empreinte actuelle. Qdrant (14%) et Milvus (13%) suscitent plus d’intérêt pour un changement que leur usage actuel (respectivement 10% et 6%) ne le laisserait penser.

Lu avec le Constat 4, le tableau est celui d’un marché en mouvement : les entreprises utilisent aujourd’hui des outils natifs des fournisseurs, évaluent un champ plus large et disent vouloir garder leurs options ouvertes. Le remaniement à venir testera si l’intention best-of-breed résiste à la commodité des offres groupées.

En résumé

Les organisations de plus de 100 employés intègrent des agents d’IA dans leurs opérations métier plus vite qu’elles ne peuvent garantir le contexte sur lequel ces agents s’appuient. La récupération est la source par défaut du contexte d’entreprise, et elle provient de plus en plus des fournisseurs de modèles et des hyperscalers plutôt que de bases de données vectorielles spécialisées. Pourtant, une majorité d’entreprises ont déjà vu des agents répondre avec assurance et de manière erronée parce que ce contexte était insuffisant ou incohérent. Cette défaillance n’a rien d’exotique ; elle est le résultat prévisible d’agents au ton autoritaire branchés sur une base non fiable.

La réponse proposée par le secteur — une couche sémantique gouvernée combinée à une recherche hybride, au reranking et aux contrôles d’accès — est en cours de construction, mais n’est pour l’essentiel pas encore en production. Les entreprises sont prises entre la commodité des offres natives des fournisseurs et une préférence déclarée pour l’indépendance best-of-breed.

Avec 101 répondants dans une seule vague du T2, il s’agit d’une lecture directionnelle, orientée vers le mid-market. Mais la direction est claire : la couche de contexte est le prochain niveau disputé de la pile IA, et pour l’instant les agents avancent plus vite qu’elle. Le déficit de contexte n’est pas un problème de volume de récupération que davantage de documents ou des index plus volumineux résoudront à eux seuls ; c’est un problème de contexte gouverné, cohérent et sensible aux accès. La question ouverte pour les prochaines vagues d’enquête est de savoir si les entreprises achèveront la construction de cette couche avant que les défaillances confiantes mais erronées ne passent du laboratoire à des décisions importantes.

Sur la base des réponses de 101 répondants d’entreprises qualifiées (100+ employés), issues d’une seule vague du T2 2026 (juin). À cette taille d’échantillon, les résultats doivent être interprétés comme un signal directionnel plutôt que comme une mesure précise. L’échantillon est auto-sélectionné, ne constitue pas un échantillon probabiliste et penche vers le mid-market. Les répondants incluent des managers, des contributeurs individuels, des VP/directeurs et des membres de la direction générale, avec une forte autorité d’achat, dans les secteurs de la technologie, de la santé, du commerce de détail, du transport, des services financiers, de l’industrie manufacturière et de l’éducation.