IA agentique : des déploiements freinés par les angles morts de l’observabilité

IA agentique : les investissements augmentent (modérément)

Au contraire, 74 % des personnes interrogées dans 15 pays sur trois continents (EMEA, APAC, NALATAM) prévoient que leurs entreprises augmentent leur budget en la matière d’ici un an (l’étude a été réalisée entre le mois de novembre et décembre 2025). Les dépenses sont comprises entre 2 et 5 millions de dollars pour 36 % des répondants et 5 et 10 millions de dollars pour 28 % d’entre eux. La moitié s’attendent à ce que l’enveloppe croisse de 2 à 5 millions de dollars en moyenne, l’année prochaine.

Un signe de priorité « soutenu » qui ne cache pas une certaine prudence, nuance Dynatrace. La réalité des déploiements est encore contrastée.

La majorité des sondés assurent que les cas d’usage d’IA agentique servent la gestion des opérations IT et le DevOps (72 %), l’ingénierie logicielle (56 %) et le support client (51 %). Les applications « externes », liées à l’expérience et la relation client, sont promis à une croissance rapide. Ces résultats sont sans doute dictés par la typologie des interlocuteurs de Dynatrace, les directions techniques et les DSI.

Près des trois quarts des entreprises ont 2 à 10 projets d’IA agentique, dont 50 % en phase de pilote avancé ou en cours de déploiement. La moitié des sondés mentionne des cas d’usage spécifiques en production et 44 % précisent que certains projets sont largement adoptés au sein de départements de la société. Seulement 23 % des personnes interrogées évoquent l’existence de solutions agentiques déployées de manière transverse.

Pour Dynatrace, c’est la preuve que les entreprises y trouvent un intérêt. Si l’étude ne s’attarde pas sur les bénéfices, les métriques de la mesure du succès gagnent en finesse. Les répondants indiquent que les organisations évaluent d’abord la performance technique (60 %), puis l’efficience opérationnelle (56 %), l’amélioration de l’efficacité des développeurs (54 %) et les résultats commerciaux (48 %). Là encore, cela laisse apparaître un manque de maîtrise du ROI.

Ces freins qui limitent l’autonomie des agents IA et leur déploiement

Or, il y a des barrières encore difficiles à franchir.

En premier lieu, la sécurité, la confidentialité des données et la conformité (52 %), la mise sous supervision et le contrôle des agents IA à l’échelle (51 %) et le manque de compétences (44 %) sont les trois freins principaux. Ce n’est d’ailleurs que lorsque ces conditions sont réunies que les entreprises déploient leurs agents IA. Et quand elles le font, c’est avant tout (82 %) sur les clouds des hyperscalers (AWS, Azure, GCP), suivis des néocloud (51 %) et sur site (42 %). En outre, la proportion de déploiement on premise est légèrement plus forte en Amérique du Sud et du Nord (47 %) qu’en EMEA (39 %).

Dans le détail, 45 % des sondés considèrent que leurs équipes ont des capacités limitées pour établir des règles claires pour savoir quand un agent devrait agir de manière autonome et quand il devrait laisser la main à un humain pour agir. De même, le manque de visibilité sur la manière dont les agents IA prennent et exécutent les décisions (41 %) et la difficulté à superviser les performances, les coûts, le respect de la conformité pour chaque déploiement sont des éléments qui freinent la mise en production. D’autant qu’il convient de coordonner des suites d’outils et des équipes et trouver des moyens de limiter les comportements.

« Les organisations ne se battent pas avec des idées, elles se battent avec le contrôle », écrit Bob Wambach, vice-président, portfolio et stratégie chez Dynatrace. « Sans garde-fous déterministes, sans modèle de comportement transparent et sans signaux en temps réel qui montrent ce que les agents font et pourquoi, les équipes ne peuvent pas rendre l’autonomie opérationnelle en toute sécurité ».

Selon les commentaires recueillis par Qualtrics, l’effet « boîte noire » des modèles de langage (malgré l’explication du raisonnement, qui reste partielle), le manque d’indicateurs en temps réel, les défauts d’interopérabilité et la faiblesse des liens entre les données techniques et métiers sont autant d’angles morts des outils de supervision.

Ces défis ont des effets sur l’autonomie des agents IA : 69 % de leurs décisions sont vérifiés par des humains. « Les principales méthodes de validation comprennent les contrôles de la qualité des données, l’examen humain, la détection des dérives et les logs/traces », indique Dynatrace. Seulement 13 % des dirigeants interrogés affirment que leurs équipes bâtissent des agents autonomes. La majorité (64 %) a un mix des deux.

Les cas d’usage les plus fortement automatisés sont le traitement de données et la BI, la cybersécurité et le service et le support client.

« En général, les répondants s’attendent à un pourcentage plus élevé d’automatisation avec intervention humaine (60/40 en moyenne) pour les applications métiers que pour les fonctions informatiques et de support client routinières (50/50 en moyenne) », précise le rapport.

Les trous dans la raquette de l’observabilité

« Les outils existants qui reposent uniquement sur des signaux déterministes ne sont pas conçus pour les systèmes basés sur les probabilités et guidés par des objectifs », lance Dynatrace.

« L’instauration de la confiance passe par une progression incrémentale : une approche “humain dans la boucle”, l’autonomie supervisée et l’expansion fonctionnelle graduelle, le tout rendu possible par l’observabilité », vante Bob Wambach.

Oui, le spécialiste de l’observabilité commence à doter son outil pour mieux comprendre le comportement des agents IA. Mais aucun acteur du marché ne peut dire qu’il a la solution pour pallier tous ces problèmes. C’est en partie ce pour quoi les éditeurs multiplient le rachat de solutions ou en développent pour aller au-delà du simple comptage de tokens consommés et de répartition des budgets. Qui plus est, l’effet boîte noire des LLM est, à ce jour, irrésolu.

« Pendant des années, l’observabilité a fonctionné parce que les SI se comportaient de manière prévisible », affirme Shrikant B Pagar, architecte principal chez LTIMindTree, dans un billet publié sur LinkedIn. « Les requêtes arrivaient, le code s’exécutait et les échecs apparaissaient clairement dans les logs, les métriques et les traces ».

« L’IA agentique rompt avec ce modèle : ces systèmes ne se contentent pas d’exécuter du code ; ils raisonnent, se souviennent et prennent des décisions en s’appuyant sur le contexte », poursuit-il. « Une fois que les systèmes commencent à choisir plutôt qu’à exécuter, les échecs cessent de ressembler à des échecs ». En clair, les indicateurs traditionnels peut être au « vert », mais le LLM, lui, produit potentiellement des réponses incohérentes ou, pire, tenter de contourner les règles qui dictent ces décisions.

L’architecte insiste sur le fait que « l’observabilité doit évoluer au fur et à mesure que les logiciels passent de l’exécution à la prise de décision ». Bien qu’il existe des méthodes – comme celles évoquées par Dynatrace pour gagner en maîtrise, c’est encore un objet d’étude pour IBM Research. En mars dernier, le groupe de travail dédié à l’IA agentique au sein d’OpenTelemetry évoquait des conventions de nommage à fixer dans le marbre.

 Tout comme les entreprises, les plateformes doivent s’engager sur le chemin de la maturité.