Agentes d'IA en entreprise : le coût caché d'une mauvaise gouvernance de vos nouveaux employés numériques
Au début de 2026, Salesforce a enregistré quelque chose que nul manuel des ressources humaines n’avait anticipé : après avoir déployé son assistant de planification alimenté par l'intelligence artificielle, les ingénieurs humains ont libéré tellement de capacité productive que l’entreprise ne savait plus quoi en faire. La solution a été de créer un rôle totalement nouveau—les "Ingénieurs Déployés sur le Terrain"—pour absorber l'excédent. Ce n'était pas un problème de technologie. C'était un problème d'architecture organisationnelle que personne n'avait conçu à l'avance.
Cet épisode résume avec une précision clinique le moment que vivent les grandes entreprises : les agents d'IA agissent déjà comme des employés—ils prennent des décisions routinières, gèrent des flux de travail complets, et font remonter des exceptions aux humains—mais les structures qui les gouvernent continuent de les traiter comme s'ils n’étaient qu'une simple licence de logiciel à renouveler chaque année.
Gartner projette que d'ici 2028, au moins 15 % des décisions professionnelles routinières seront prises de façon autonome par des agents d'IA, partant d'un point de départ de 0 % en 2024. Simultanément, la même entreprise avertit que 4 projets d'agents d'IA sur 10 échoueront avant 2027 faute de gouvernance adéquate. Ces deux données forment ensemble la paradoxe la plus coûteuse de l’entreprise moderne : la technologie se développe, mais le modèle de gestion ne suit pas.
L'organigramme ne prend pas en compte ceux qui travaillent seuls et ne sont pas payés
Un agent d'IA bien configuré peut examiner des milliers de CV, mettre à jour des registres dans des systèmes internes, produire des rapports d'exception et approuver sans intervention humaine. Il fait exactement ce qu’un analyste junior ferait, mais sans salaire, sans avantages et sans période de formation. En termes de structure de coûts, cela semble parfait. Le problème réside dans ce que l’entreprise ne prend pas en compte.
Lorsque qu'un employé humain commet une erreur dans une décision réglementée—par exemple, un refus de crédit ou une sélection de candidats biaisés—il existe un cadre légal clair : il y a un responsable, un processus de révision, une trace documentaire. Lorsque qu'un agent d'IA prend cette même décision sans système de traçabilité, sans logs d’audit et sans propriétaire interne clairement défini, le coût de l'erreur ne disparaît pas. Il se déplace simplement vers l'entreprise sous la forme de risques juridiques, de sanctions réglementaires ou de dommages réputationnels que nul bilan ne prévoit.
Les organisations qui réussissent dans ce domaine ne sont pas celles qui déploient le plus d'agents, mais celles qui les ont structurés avec des rôles définis, des limites d'autonomie documentées et des mécanismes d'audit intégrés dès le premier jour. Cela n'est pas de la bureaucratie ; c'est la différence entre un actif qui génère de la valeur et un passif qui attend d'exploser.
L'exécutif qui traite un agent d'IA comme un abonnement à un service de cloud—quelque chose qui s’active, s’utilise et s’oublie—accumule une dette opérationnelle qui, tôt ou tard, présente sa facture. La question n’est pas de savoir si l’agent fonctionne. C’est qui répond lorsque cela va mal.
Quelle est réellement la valeur de la capacité libérée ?
Revenons à Salesforce. La logique financière qui sous-tend le déploiement d'un agent d'IA au lieu de l'embauche d'un autre analyste semble évidente : si un agent peut traiter le travail équivalent à deux personnes, les économies en coûts de main-d'œuvre sont immédiates. Mais cette arithmétique ignore le coût de réaffectation que l'entreprise de CRM a découvert à ses dépens.
La capacité libérée n'est pas de la valeur gratuite. C'est un potentiel qui nécessite direction, structure et, dans de nombreux cas, une refonte complète du travail humain restant. Salesforce a investi pour créer un nouveau rôle—les Ingénieurs Déployés sur le Terrain—afin de convertir cet excédent en valeur commerciale réelle. Cela a un coût : conception du rôle, formation, indicateurs de performance, intégration avec les clients. Les entreprises qui ne font pas cette conception gaspillent simplement l'efficacité qu’elles ont payée pour générer.
Oracle décrit une vision où les agents d'IA évoluent d'"assistants" à "collègues" capables d'exécuter des flux de travail totalement autonomes. Ce langage n'est pas poétique : il a des implications directes sur la façon dont le budget des opérations est structuré. Un collègue a des responsabilités. Un collègue a des métriques. Un collègue appartient à un domaine, rapporte à quelqu'un et a des limites d'autorité. Un logiciel, non.
La différence financière entre ces deux modèles est significative. Déployer des agents sans cette architecture revient à embaucher du personnel sans descriptions de poste ni indicateurs de performance. Les dépenses existent, la valeur est incertaine et le risque est hors de contrôle. CB Insights a désigné 2025 comme l'année des "agents avec restrictions" : des systèmes conçus pour fonctionner avec autonomie dans des limites définies et avec supervision humaine préservée. Cette description n'est pas une préférence technique, mais une exigence d'architecture financière.
Gouverner les agents est une décision de structure de coûts, pas de culture
Il existe une narrative confortable qui circule dans les forums de transformation technologique : la résistance aux agents d'IA est un problème culturel, une peur du changement, des collaborateurs qui ne veulent pas s'adapter. Cette interprétation est commode et presque toujours incorrecte.
La résistance réelle au sein des organisations ne provient pas de la peur de la technologie. Elle provient de l'ambiguïté sur qui est responsable des décisions que prennent les agents. Lorsque qu'un agent d'IA met à jour un contrat, refuse une demande ou priorise un client sur un autre, quelqu'un au sein de l'entreprise doit être responsable de ce résultat. Si cette propriété n'est pas assignée, le système d'incitations s'effondre : personne ne veut signer sous une décision qu'il n'a pas prise et qu'il ne peut pas auditer.
OB Rashid, directeur de technologie de LMS Absorb Software, anticipe qu’au cours des cinq prochaines années, les travailleurs seront passés de l'utilisation d'agents d'IA à les gérer activement, selon la même logique que celle avec laquelle ils mentorent aujourd'hui des collègues juniors. Cette transition n’est pas automatique. Elle nécessite que l’entreprise conçoive ce que signifie gérer un agent : avec quels indicateurs, selon quelles politiques, avec quel niveau d'autonomie déléguée et avec quel processus d'escalade lorsque l'agent se trompe.
Cette architecture a un coût de conception que la plupart des entreprises ne budgétisent pas. Et elle a un retour que la plupart ne mesurent pas non plus avec la précision nécessaire. Les logs d'audit pour les décisions réglementées—que Gartner décrit déjà comme un exigence de conformité, non une option—ne sont pas une dépense technologique. Ils sont l'équivalent fonctionnel d'avoir un contrat signé avec chaque agent sur ce qu'il peut et ne peut pas décider seul.
Les entreprises qui structureront cette gouvernance dès le départ feront face à des coûts d'erreur significativement moindres. Celles qui ne le feront pas découvriront que les 40 % d'échec projetés par Gartner ne sont pas une statistique abstraite, mais une ligne dans leur propre état des résultats.
Le seul modèle qui soutiendra le déploiement d'agents d'IA à l'échelle productive est celui où chaque agent génère plus de valeur que le coût de sa gouvernance, et où ce différentiel est capturé, mesuré et converti en flux de trésorerie réel. Tout le reste est un potentiel non facturé.
