Votre agent IA n’est performant que si votre système de classement l’est

Le 30 décembre 2025, le service postal du Danemark a livré la dernière lettre de ses 401 ans d’histoire. Les 1 500 boîtes aux lettres restantes ont été retirées des rues cette année-là. Par ailleurs, en juillet 2026, le cabinet fédéral allemand a approuvé GeDIG, la loi sur les données de santé et l’innovation numérique, qui éliminera progressivement le fax des cabinets médicaux d’ici l’automne 2029 et rendra les références électroniques obligatoires.

Alors, comment se fait‑il qu’un pays puisse mettre en œuvre de tels changements tandis qu’un autre continue de réduire sa dépendance aux fax au XXIe siècle ? En tenant compte de l’utilisation de l’IA dans les entreprises, 42 % des entreprises danoises employaient au moins une technologie d’IA en 2025, soit la part la plus élevée d’Europe. L’Allemagne affichait 26 %, au‑dessus de la moyenne de l’UE mais seize points derrière le Danemark.

Pour moi, ce contraste nous incite à reconsidérer nos convictions concernant l’adoption de l’IA. En particulier l’idée que le choix du modèle constitue le point de départ de l’adoption, en négligeant l’état des systèmes qui l’entourent. Les deux pays ont accès aux mêmes modèles et fournisseurs de cloud, mais la différence réside dans le fait que les processus commerciaux et publics produisent déjà des enregistrements numériques fiables. Puisqu’un agent IA ne travaille pas directement avec la réalité, mais avec la version de la réalité disponible dans un système, cela engendre naturellement certaines contraintes.

Première contrainte: l’information n’a jamais été numérisée

Un agent ne peut pas récupérer un document qui n’a jamais été intégré au système. La forme du flux d’information de l’organisation détermine ce qu’un agent peut même percevoir comme une tâche.

Au niveau national, les données Eurostat montrent que l’adoption de l’IA par les entreprises corrèle avec la numérisation des processus administratifs. Mais le mécanisme clé est que les pays où les citoyens reçoivent déjà les documents officiels numériquement ont moins d’interactions hors‑système à concilier pour les entreprises, ce qui réduit le travail d’interprétation nécessaire avant que l’IA puisse être utilisée en toute sécurité dans les opérations.

Au niveau de l’entreprise, une étude IZA de 2026 portant sur 1 907 sociétés danoises révèle qu’une hausse d’un écart‑type de la numérisation est associée à une probabilité de 8 à 10 points de pourcentage supérieure d’adopter des systèmes d’IA de base. Cela suggère que l’adoption de l’IA dépend de la manière dont les opérations internes de l’entreprise sont déjà organisées de façon numérique et lisible par machine. Si les processus sont fragmentés, il y a peu d’informations stables sur lesquelles les systèmes ou agents d’IA peuvent agir.

Cela peut également aider à expliquer pourquoi la numérisation guidée par les politiques ne se traduit pas automatiquement par une préparation à l’IA. La facturation électronique B2B obligatoire en Italie a créé un canal entièrement numérique, mais l’adoption globale de l’IA reste inférieure à la moyenne de l’UE. Numériser une seule étape n’élimine pas le système analogue qui l’entoure.

Deuxième contrainte: l’information n’existe que dans la tête de quelqu’un

Les humains gèrent les opérations, ce qui signifie que la plupart du temps ils connaissent des détails que l’IA ignore. Un administrateur financier sait qu’un locataire a payé en espèces, mais le paiement n’a jamais été saisi dans le système comptable. En conséquence, les relevés bancaires et le système ne concordent pas. L’administrateur comprend la raison, alors que l’IA ne voit que des données incohérentes. Un gestionnaire immobilier se souvient qu’un propriétaire a demandé à ne pas être contacté pendant deux semaines. Une équipe connaît la solution de contournement pour un bâtiment ou un client, mais personne ne l’a documentée.

ClarEval a testé des tâches avec des objectifs manquants, des prémisses absentes et une terminologie ambiguë. La performance du modèle est passée d’environ 89 % après clarification à environ 9 % lorsque l’ambiguïté restait non résolue. Par ailleurs, Ambig‑SWE a constaté que permettre à un modèle d’interroger un utilisateur disposant de l’information manquante récupérait jusqu’à 74 % de la performance perdue. Cela implique que les ingénieurs devraient concevoir un système capable de demander des clarifications dès le départ.

Troisième contrainte: l’information existe mais ne peut pas être transmise

Certaines données sont disponibles au sein de l’entreprise mais ne peuvent toujours pas atteindre le modèle en raison de règles de confidentialité, de contrôles de sécurité, de contrats ou de politiques internes.

Une étude basée sur sept ans de données cloud a constaté que le RGPD — la loi européenne principale sur la protection des données — a réduit le stockage des données de 26 % et le traitement de 15 % parmi les entreprises de l’UE par rapport à des entreprises américaines comparables. En d’autres termes, la réglementation sur la confidentialité a rendu les entreprises moins intensives en données en limitant la quantité d’informations qu’elles peuvent conserver et traiter pour l’analyse et l’IA. L’adoption de l’IA générative était presque égale, à 37 % des entreprises de l’UE et 36 % des entreprises américaines. Mais l’écart dans la profondeur de l’adoption de l’IA est considérable, 81 % des entreprises américaines utilisant l’IA dans au moins deux processus internes, contre 55 % dans l’UE. Une raison possible est que les informations déjà présentes au sein des organisations sont souvent plus difficiles à réutiliser pour l’IA en Europe. Les conversations du support client, par exemple, contiennent souvent des données personnelles collectées pour résoudre les problèmes des clients. En vertu du principe de limitation des finalités du RGPD (Article 5(1)(b)), ces données ne peuvent pas être simplement réaffectées à l’entraînement de l’IA sans une base juridique valable. Les entreprises américaines font généralement face à moins de restrictions fédérales équivalentes concernant la réutilisation de ces données.

Comment construire le bon système

La récupération ne fonctionne que lorsque la réponse existe dans le système. Les agents doivent demander lorsque l’information manque, ne jamais deviner, et transformer les appels ou décisions informelles en enregistrements structurés. Les entreprises devraient également éliminer les flux de travail parallèles sur papier, car si une tâche peut se dérouler hors du système, une partie du contexte restera invisible.

Chaque entreprise doit prendre en compte ses propres lacunes. Mesurez si un fait nécessaire à une action correcte était présent dans le système ou non. Testez les flux de travail avec et sans les champs d’examen de la confidentialité exclus. Enfin, pour le flux de travail qui peut être réalisé sur papier, c’est l’agent à construire en dernier.

Les agents peuvent améliorer la production humaine, mais ils ne réparent pas ce qui manque.