L’IA d’entreprise a besoin d’un contexte cumulatif avant de pouvoir gagner en autonomie

Imaginez : nous sommes lundi matin, quelques heures avant la réunion consacrée aux prévisions trimestrielles. Un responsable financier demande à un agent d’IA : « Pourquoi la marge brute a-t-elle diminué ? Quelles hypothèses faut-il revoir ? Et que devrait faire l’entreprise ensuite ? » En quelques secondes, l’agent extrait des informations de plusieurs systèmes, repère quelques facteurs déterminants et recommande de réduire les dépenses discrétionnaires ou de revoir le plan de recrutement. Sa réponse est claire, détaillée et plausible. Rien ne semble manifestement faux.

C’est ce qui rend la situation si dangereuse. 

En y regardant de plus près, plusieurs éléments manquent. L’agent a utilisé la mauvaise version des prévisions. Il n’a pas tenu compte d’un ajustement comptable approuvé au trimestre précédent. Il n’a pas pris en considération le fait qu’une région applique des règles opérationnelles différentes. Les données sous-jacentes n’étaient pas nécessairement erronées ; l’agent ignorait simplement la manière dont l’organisation les interprétait et dont elles s’articulaient entre elles. Le problème n’est pas un problème de modèle qu’un autre modèle pourrait facilement résoudre. C’est que le modèle ne connaît pas cette entreprise. 

Une grande partie du développement de l’IA d’entreprise s’est concentrée sur les capacités des modèles et l’autonomie des agents. Mais un modèle ne peut parvenir à une conclusion fiable et propre à une entreprise s’il ne comprend pas comment celle-ci définit ses chiffres et les relie à son fonctionnement. 

La couche manquante est le contexte métier cumulatif, c’est-à-dire une compréhension encadrée par des règles de gouvernance de ce que signifient les données de l’entreprise : leurs définitions, leurs relations, les hypothèses, les calculs, les flux de travail, les exceptions et les décisions qui s’accumulent au fil du temps.

Ce contexte se construit au fil de la planification, des prévisions, de la modélisation de scénarios, de l’analyse des écarts, des corrections, des retours d’expérience, des activités de clôture et des décisions approuvées. Sans lui, les organisations risquent de confier davantage de responsabilités à l’IA sans lui donner une compréhension suffisante de l’entreprise pour qu’elle puisse les assumer de manière fiable. 

Les capacités de l’IA progressent plus vite que la préparation des entreprises

Selon l’AI Index 2026 de Stanford, 88 % des organisations interrogées ont utilisé l’IA en 2025, mais le déploiement d’agents est resté à un chiffre dans presque toutes les fonctions de l’entreprise. 

Ces statistiques montrent que les entreprises ont accès aux capacités de l’IA, mais que beaucoup ne sont pas prêtes à lui confier des tâches lourdes de conséquences. Les dirigeants savent qu’ils doivent développer leurs activités avec l’IA, mais ils doivent encore déterminer s’ils s’attaquent au problème au bon niveau.

Un modèle peut lire les données sans comprendre l’entreprise

Les modèles de fondation sont efficaces pour reconnaître des schémas, synthétiser des informations, interagir en langage naturel et explorer de vastes ensembles de données. Ces avancées sont importantes, mais le modèle lui-même devient un facteur de différenciation de moins en moins déterminant. 

Le défi le plus difficile pour les entreprises consiste à apprendre à l’IA ce que signifient leurs informations et, surtout, comment elles sont utilisées dans la prise de décision et l’analyse.

Une grande partie des discussions sur la gouvernance de l’IA s’est concentrée sur la qualité des données. C’est une étape nécessaire, mais elle ne suffit pas pour déployer l’IA à grande échelle dans l’ensemble de l’entreprise. Deux jeux de données de qualité peuvent tout de même s’appuyer sur des définitions, des périodes et des règles opérationnelles différentes. 

L’étude d’IBM menée auprès de PDG en 2025 a révélé que 25 % des initiatives d’IA ont généré le retour sur investissement attendu, et que seulement 16 % ont été déployées à l’échelle de l’entreprise. Cette tendance témoigne d’un défi de mise en œuvre plus vaste : l’accès aux modèles et aux données ne garantit pas qu’un système d’IA puisse concilier les règles organisationnelles qui déterminent la manière dont les informations doivent être utilisées.

Il est facile de se procurer des modèles plus performants. La compréhension propre à chaque entreprise, elle, doit être construite. 

Le contexte récupéré à la demande n’est pas un contexte cumulatif

Dans l’IA d’entreprise, une grande partie de ce qui est présenté comme du contexte est encore fournie par recherche au moment de la requête. Le système trouve un document, un enregistrement ou un point de données pertinent et s’en sert pour générer une réponse, puis recommence la fois suivante. 

La recherche d’informations est utile, mais, à elle seule, elle ne crée pas une mémoire organisationnelle cumulative. Elle transmet peu d’éléments d’une interaction à l’autre, si bien que l’IA peut aborder l’entreprise comme une inconnue à chaque nouvelle interaction.

C’est comme si l’on accueillait chaque matin un nouvel analyste brillant. Il maîtrise la finance et sait comment examiner un jeu de données, mais il doit tout de même apprendre comment cette entreprise définit ses indicateurs, quelles prévisions font autorité, pourquoi une exception a été approuvée et quelles hypothèses se révèlent régulièrement erronées.

Le contexte cumulatif remplit une autre fonction. Au lieu de repartir de zéro à chaque requête ou cycle de planification, il s’enrichit au fil du temps. Chaque enquête, scénario, correction, approbation et décision peut contribuer à une compréhension encadrée par des règles de gouvernance du fonctionnement de l’organisation. Ainsi, les cycles ultérieurs peuvent s’appuyer sur ce qui a été établi lors des précédents, au lieu de redécouvrir les mêmes relations, la même logique et les mêmes méthodes de travail à chaque requête. 

Cela ne signifie pas qu’il faille tout conserver indéfiniment. Le contexte utile à l’entreprise doit être délimité de manière réfléchie, pouvoir être corrigé, tenir compte des autorisations et être traçable jusqu’à sa source. Les organisations doivent préserver ce qui compte tout en veillant à pouvoir repérer et corriger au fil du temps les hypothèses obsolètes, les exceptions temporaires et les interprétations erronées.

La confiance repose sur des fondations sous-jacentes au modèle

Le modèle est la partie la plus visible d’un système d’IA, mais c’est rarement lui qui détermine si une entreprise peut se fier au résultat.

Un modèle performant peut examiner un écart, envisager différentes explications et recommander une action. La capacité d’une entreprise à se fier à cette recommandation dépend de l’architecture qui entoure le modèle.

Gartner a constaté que les organisations faisant état d’initiatives d’IA réussies investissent jusqu’à quatre fois plus, en pourcentage de leur chiffre d’affaires, dans des fondations telles que la qualité des données, la gouvernance, les talents prêts à travailler avec l’IA et la gestion du changement que les organisations qui obtiennent de mauvais résultats.

La couche de contexte gouvernée fait partie de ces fondations et se situe entre les systèmes sources, les modèles et les actions métier.

C’est aussi à ce niveau que l’intelligence et le déterminisme doivent se dissocier. L’IA peut mener des recherches, rédiger et formuler des recommandations. Une fois une action examinée et approuvée, son exécution doit s’appuyer sur des calculs gouvernés, des vérifications des autorisations, des contrôles de réécriture et des pistes d’audit. La flexibilité qui rend un modèle utile pour l’exploration n’est pas toujours adaptée lorsqu’il s’agit d’apporter un changement à l’entreprise.

Un modèle peut recommander ce qu’il convient de faire. L’architecture qui l’entoure, notamment l’approbation humaine et les contrôles des systèmes, détermine ce qu’il est permis de faire.

Des garde-fous qui rendent les agents utiles

Le déploiement des agents progresse plus vite que la mise en place des contrôles qui l’encadrent. KPMG a constaté que la part des organisations déployant au moins certains agents d’IA est passée de 11 % au premier trimestre 2025 à 42 % au troisième trimestre. Pourtant, Gartner a indiqué que seulement 13 % des organisations étaient tout à fait d’accord pour dire qu’elles disposaient de structures de gouvernance adaptées aux agents.

Cet écart est important, car les capacités et les autorisations relèvent de décisions de conception distinctes. Un système peut être techniquement capable d’accéder à une base de données, de réviser une prévision ou de déclencher un processus. Cela ne signifie pas qu’il devrait être autorisé à le faire de manière autonome.

Les organisations devraient appliquer trois garde-fous avant de déléguer des tâches importantes.

• Établir une compréhension commune

Les définitions, les indicateurs, les hiérarchies, les calendriers fiscaux et les règles de calcul doivent être harmonisés avant qu’un agent puisse raisonner de manière cohérente à partir de ces éléments.

On ne devrait pas s’attendre à ce que l’IA résolve discrètement des désaccords auxquels l’organisation elle-même n’a pas remédié. En l’absence d’une compréhension commune, elle risque de traiter des définitions contradictoires comme si elles étaient interchangeables et de produire une réponse cohérente, mais erronée sur le plan opérationnel.

• Déterminer ce qui doit être conservé

Les organisations doivent définir quelles corrections, approbations, décisions et quels résultats deviendront un contexte réutilisable. Elles doivent également établir des politiques régissant la conservation, l’accès et la correction.

Une mémoire utile est sélectionnée et gouvernée, et non accumulée sans discernement. Sinon, une hypothèse obsolète ou une exception ponctuelle peut modifier discrètement les recommandations futures.

• Distinguer la recommandation de l’engagement

L’analyse, la recommandation, la modification proposée, l’exécution approuvée par un humain et l’exécution autonome dans des limites définies correspondent à différents niveaux d’autorité. Les agents doivent avoir une identité et des autorisations adaptées à chacun de ces niveaux.

L’évaluation doit également porter sur toute la chaîne d’action : quelles informations ont été récupérées, quel contexte a été utilisé, quels outils ont été appelés, ce qui a changé et si ce changement peut être annulé.

Tester uniquement la réponse finale ne permet pas de détecter la plupart des façons dont un processus agentique peut échouer.

Les capacités décrivent ce qu’un agent peut faire, et la gouvernance définit ce qu’il est autorisé à faire.

L’autonomie ne se résume pas aux capacités

Dans le scénario de marge évoqué au début, la rapidité n’est utile que si le système sait également quelle prévision fait autorité, quelle exception a été approuvée, quelle action il peut entreprendre et qui demeure responsable.

Je pense que l’IA d’entreprise ne gagnera la confiance que lorsqu’elle conservera le contexte pertinent d’un cycle à l’autre et pourra montrer comment elle est parvenue à un résultat ayant des conséquences importantes.

Les organisations devraient mettre en place cette couche de contexte et de contrôle avant d’élargir l’autonomie des agents. Le travail évoluera, mais la responsabilité, elle, ne changera pas.