Pourquoi l’IA Agentic Échouera Sans Données d’Actifs Fiables

L’IA agentic passe rapidement de la discussion au déploiement dans les industries à forte intensité d’actifs. Contrairement à l’IA générative, qui résume les informations ou élabore des recommandations, l’IA agentic peut prendre un objectif, le décomposer en étapes, extraire des données de plusieurs systèmes et agir en conséquence. Elle peut examiner l’historique de maintenance, vérifier les ordres de travail ouverts, comparer les horaires d’équipe et générer une recommandation sans nécessiter qu’une personne relie manuellement chaque pièce d’information.

Cette capacité est exactement pourquoi tant d’organisations se précipitent pour l’adopter. Selon l’enquête 2026 de Gartner sur les CIO et les dirigeants technologiques, seuls 17 % des organisations ont déployé des agents IA, tandis que plus de 60 % prévoient de le faire dans les deux prochaines années. C’est plus rapide que pour toute autre technologie émergente incluse dans l’enquête.

Dans les déploiements que j’ai soutenus, les équipes ont longtemps passé trop de temps à basculer entre les systèmes, les tableurs, les notes d’inspection et les e-mails pour prendre une seule décision opérationnelle. L’IA agentic promet de réduire cette friction, aidant les planificateurs à préparer le travail plus rapidement et donnant aux techniciens une image plus claire de l’historique des actifs sans s’appuyer uniquement sur la mémoire institutionnelle.

Mais cette promesse comporte une clause qui est facile à négliger dans la précipitation du déploiement : l’IA agentic est moins un problème de modélisation qu’un problème de confiance opérationnelle.

Dans les industries à forte intensité d’actifs telles que les services publics, les transports, l’extraction minière, les télécommunications et la fabrication, un agent IA n’est pas meilleur que les données sur lesquelles il agit. Si ces données sont incomplètes, obsolètes ou incohérentes, l’agent ne rate pas nécessairement de manière évidente. Il peut échouer de manière confiante, en recommandant des travaux sur le mauvais actif, en manquant une dépendance, en sous-estimant les risques ou en mal jugeant ce qui devrait être prioritaire.

Alimenter un agent avec de mauvaises données ne fera pas évoluer l’intelligence. Il fera évoluer les risques opérationnels.

Les Mêmes Anciens Problèmes de Données, à une Nouvelle Vitesse

Les problèmes de qualité des données que l’IA agentic expose ne sont pas nouveaux. En plus de 17 ans de travail sur les systèmes et les déploiements de gestion d’actifs d’entreprise, j’ai vu les mêmes problèmes surgir à plusieurs reprises : enregistrements en double, relations d’actifs manquantes, conventions de nommage incohérentes, évaluations de criticité obsolètes et codage de défaillance médiocre pendant des années.

Ce qui a changé, ce n’est pas la nature de ces problèmes, mais leur portée potentielle.

Un technicien expérimenté peut détecter un mauvais enregistrement avant d’agir, en s’appuyant sur des années de connaissance institutionnelle qui n’ont jamais été capturées dans le système. Un agent IA n’a pas cette instinct. Il peut traiter des milliers d’enregistrements beaucoup plus rapidement qu’une personne ne pourrait les examiner manuellement, en appliquant la même hypothèse erronée à grande échelle avant que quiconque ne s’en aperçoive.

Le problème d’implémentation de l’entreprise est déjà visible. Un rapport préliminaire 2025 du MIT Project NANDA a constaté que 95 % des organisations étudiées n’avaient pas réalisé d’impact mesurable sur le profit et la perte de leurs initiatives d’IA générative. Le rapport a attribué cette différence principalement à des lacunes d’apprentissage et d’intégration, notamment des outils qui ne conservaient pas le contexte ou ne s’adaptaient pas efficacement aux flux de travail existants. Dans les opérations à forte intensité d’actifs où une mauvaise recommandation peut affecter des équipements physiques plutôt que seulement un tableau de bord, l’écart entre l’ambition de l’IA et la réalité des données est encore plus conséquent.

Là où les Mauvaises Données Deviennent une Décision Non Sûre

Dans les environnements opérationnels, ces conséquences deviennent physiques.

Prenez la priorisation de la maintenance. Si un agent ne peut pas voir une défaillance récente, un ordre de travail retardé ou un changement dans l’état d’un actif, il peut attribuer la mauvaise priorité. Cela peut créer des travaux inutiles dans une zone tandis que des risques plus importants restent sans solution ailleurs.

Les enjeux augmentent encore lorsque les relations entre actifs sont elles-mêmes incorrectes. C’est le scénario qui soulève un drapeau rouge. Si un système ne reflète pas avec précision quels actifs sont connectés, quel équipement doit être isolé avant le début des travaux, ou quelles contraintes s’appliquent à un site particulier, ses recommandations peuvent devenir réellement dangereuses.

C’est pourquoi les organisations devraient réfléchir attentivement avant de donner à l’IA agentic une autonomie totale sur les décisions critiques. Le cadre volontaire de gestion des risques de l’IA de NIST offre une structure pour incorporer la fiabilité tout au long du cycle de vie d’un système d’IA plutôt que de l’aborder uniquement après le déploiement. L’IA peut rassembler des informations rapidement, présenter des options et résumer les preuves derrière une recommandation. Cependant, lorsque la sécurité, la conformité ou la fiabilité du service sont en jeu, les humains doivent rester impliqués.

Au moins initialement, l’objectif devrait être une IA qui soutient les décisions, et non une IA qui les prend seule.

Pourquoi la Gestion des Actifs d’Entreprise Est la Fondation, et Non le Bureau Arrière

La gestion des actifs d’entreprise, ou GAE, est où la réalité opérationnelle est organisée. C’est là que les ordres de travail, les stratégies de maintenance, les inspections, les approbations, les relations d’actifs et les historiques d’équipement sont enregistrés et gérés.

Une solide fondation de GAE donne à un agent IA des données opérationnelles fiables sur lesquelles travailler. Une fondation faible est susceptible d’être exposée presque immédiatement. Une analyse d’EY sur les systèmes de gestion d’actifs d’entreprise avec IA met également l’accent sur le rôle des données et de l’analyse en temps réel pour faire passer les organisations d’une maintenance réactive à une maintenance proactive.

Plutôt que de traiter la GAE comme un système de back-office, les organisations qui se préparent à l’IA agentic devraient la traiter comme faisant partie de la couche de contrôle opérationnel. Elle façonne ce que l’IA peut accéder, quels processus elle doit suivre, quels preuves elle s’appuie et où l’approbation humaine est toujours requise.

La GAE aide également à fournir le contexte derrière une décision opérationnelle. Une recommandation de maintenance ne devrait pas être basée uniquement sur l’état d’un actif individuel. Elle peut également dépendre de la criticité de l’actif, des défaillances récentes, des équipements connectés, des pièces disponibles, des procédures de sécurité, de la disponibilité de l’équipe et de l’effet que le temps d’arrêt aurait sur l’ensemble de l’opération.

Sans ce contexte, même un agent IA techniquement sophistiqué peut recommander la mauvaise ligne de conduite.

Vos Données Sont-Elles Vraiment « Prêtes pour l’IA » ?

Plutôt que de lancer une vaste et abstraite revue de la qualité des données, les organisations sont mieux servies en commençant par un cas d’utilisation spécifique, comme la planification de la maintenance assistée par IA, et en posant des questions ciblées.

Ce sont les questions que je pose en premier : Pouvons-nous faire confiance à la hiérarchie des actifs ? L’historique des défaillances est-il fiable ? Les plans de travail sont-ils à jour ? La disponibilité de l’équipe est-elle précise ? Les plans de sécurité sont-ils à jour ?

Les données n’ont pas besoin d’être parfaites. Peu d’organisations auront jamais des données opérationnelles parfaites. Elles doivent être suffisamment précises, actuelles et bien gérées pour que l’IA puisse réellement soutenir les personnes qui prennent des décisions.

Cette approche rend également l’amélioration des données plus gérable. Au lieu d’essayer de nettoyer chaque enregistrement dans l’ensemble de l’organisation, les équipes peuvent se concentrer sur les informations qui affectent directement le cas d’utilisation sélectionné.

Les risques de se tromper ne sont pas répartis uniformément. Les industries où les décisions numériques affectent les opérations physiques présentent l’exposition la plus élevée, ce qui explique pourquoi NIST est en train d’élaborer un profil dédié du cadre de gestion des risques de l’IA pour guider les opérateurs d’infrastructures critiques qui utilisent des capacités avec IA. Dans un processus à faible risque, une mauvaise recommandation de l’IA pourrait causer des désagréments ou un travail supplémentaire. Dans un réseau électrique, un système d’eau, une mine, un réseau de transport ou un environnement de télécommunications, cela peut affecter la sécurité, causer des temps d’arrêt, créer des problèmes de conformité ou perturber le service.

Cela ne signifie pas que ces industries devraient éviter l’IA agentic. Cela signifie qu’elles doivent être plus délibérées en matière de qualité des données, de gouvernance et de surveillance humaine avant d’augmenter ses responsabilités.

Un Chemin Pratique Vers l’IA Agentic

Un chemin d’implémentation pratique commence par un cas d’utilisation spécifique où l’IA peut ajouter de la valeur sans introduire un risque excessif.

À partir de là, l’organisation devrait cartographier les données sur lesquelles le cas d’utilisation dépend et évaluer honnêtement si ces informations peuvent être considérées comme fiables. Les équipes devraient ensuite corriger les données d’actifs les plus critiques, attribuer une propriété claire et normaliser la façon dont les travaux, les défaillances et les changements opérationnels sont enregistrés.

L’IA devrait fonctionner dans le cadre des processus de gouvernance existants plutôt que de les contourner. Dans les premières étapes, l’agent peut soutenir les planificateurs, les équipes de fiabilité et les techniciens en rassemblant des informations, en identifiant des modèles et en recommandant des actions possibles.

Cela donne à l’organisation le temps de comparer les recommandations de l’agent avec les résultats réels, d’identifier les lacunes dans les données et de confirmer que les contrôles nécessaires sont en place.

Seulement après que les résultats soient compris, l’organisation devrait envisager de donner à l’IA de plus grandes responsabilités. L’autonomie devrait augmenter progressivement et uniquement lorsque les risques associés sont clairs, contrôlés et auditable.

Une stratégie d’IA agentic réussie relie l’IA à des données d’actifs fiables et à des flux de travail de GAE solides, soutenue par une gouvernance claire et une responsabilité humaine. La revue 2026 de Deloitte sur l’état de l’IA dans l’entreprise arrive à la même conclusion de manière descendante, en décrivant une fondation de données unifiée et fiable comme essentielle pour faire évoluer l’IA. Les organisations restent responsables des actions que l’IA recommande ou prend. Cette responsabilité ne disparaît pas simplement parce qu’une décision a été générée par un algorithme.

L’IA agentic devrait gagner sa place dans les opérations, et non lui être donnée. Commencez de manière étroite, vérifiez ses recommandations contre ce qui se passe réellement, corrigez les lacunes dans les données qui apparaissent et étendez son rôle uniquement lorsque les preuves le justifient. Je préférerais voir un agent gagner une petite quantité de confiance et la conserver plutôt que de lui en donner une grande quantité et la perdre. Dans les industries à forte intensité d’actifs, cette patience est la différence entre l’IA qui gagne la confiance et l’IA qui la perd discrètement.