L’adoption de l’IA d’entreprise évolue vers des systèmes agentic alors que les organisations adoptent des flux de travail intelligents.
La première vague d’IA générative promettait une transformation commerciale mais ne livrait souvent que des chatbots isolés et des programmes pilotes bloqués. Les leaders technologiques se sont retrouvés à gérer des attentes élevées avec une utilité opérationnelle limitée. Cependant, de nouvelles données de Databricks suggèrent que le marché a franchi un cap.
Les données de plus de 20 000 organisations – y compris 60 % du Fortune 500 – indiquent un rapide changement vers des architectures « agentic » où les modèles ne se contentent pas de récupérer des informations mais planifient et exécutent indépendamment des flux de travail.
Cette évolution représente une réaffectation fondamentale des ressources d’ingénierie. Entre juin et octobre 2025, l’utilisation de flux de travail multi-agents sur la plateforme Databricks a augmenté de 327 %. Cette montée en puissance indique que l’IA devient un composant essentiel de l’architecture système.
Cette croissance est stimulée par le « Supervisor Agent ». Plutôt que de s’appuyer sur un seul modèle pour gérer toutes les demandes, un superviseur agit en tant qu’orchestrateur, décomposant les requêtes complexes et déléguant des tâches à des sous-agents ou des outils spécialisés.
Depuis son lancement en juillet 2025, le Supervisor Agent est devenu le principal cas d’utilisation des agents, représentant 37 % de l’utilisation en octobre. Ce schéma reflète les structures organisationnelles humaines : un manager ne réalise pas toutes les tâches mais veille à ce que l’équipe les exécute. De même, un superviseur agent gère la détection d’intentions et les vérifications de conformité avant de router le travail vers des outils spécifiques au domaine.
Les entreprises technologiques mènent actuellement cette adoption, construisant près de quatre fois plus de systèmes multi-agents que toute autre industrie. Pourtant, l’utilité s’étend à travers les secteurs. Une entreprise de services financiers, par exemple, pourrait employer un système multi-agent pour gérer simultanément la récupération de documents et la conformité réglementaire, fournissant une réponse client vérifiée sans intervention humaine.
Alors que les agents passent de la réponse aux questions à l’exécution des tâches, l’infrastructure de données sous-jacente est confrontée à de nouvelles demandes. Les bases de données traditionnelles de traitement en ligne des transactions (OLTP) étaient conçues pour des interactions à la vitesse humaine avec des transactions prévisibles et des changements de schéma peu fréquents. Les flux de travail agentic contredisent ces hypothèses.
Les agents d’IA génèrent désormais des schémas de lecture et d’écriture continus et à haute fréquence, créant souvent et détruisant des environnements de manière programmable pour tester du code ou exécuter des scénarios. L’ampleur de cette automatisation est visible dans les données de télémétrie. Il y a deux ans, les agents d’IA créaient seulement 0,1 % des bases de données ; aujourd’hui, ce chiffre atteint 80 %.
De plus, 97 % des environnements de test et de développement de bases de données sont désormais construits par des agents d’IA. Cette capacité permet aux développeurs et aux « vibe coders » de mettre en place des environnements éphémères en quelques secondes au lieu de plusieurs heures. Plus de 50 000 applications de données et d’IA ont été créées depuis la prévisualisation publique des applications Databricks, avec un taux de croissance de 250 % au cours des six derniers mois.
Le verrouillage vendeur reste un risque persistant pour les dirigeants d’entreprise qui cherchent à accroître l’adoption de l’IA agentic. Les données indiquent que les organisations atténuent activement ce risque en adoptant des stratégies multi-modèles. En octobre 2025, 78 % des entreprises utilisaient deux familles de modèles de langage volumineux (LLM) ou plus, comme ChatGPT, Claude, Llama et Gemini.
La sophistication de cette approche augmente. La proportion d’entreprises utilisant trois familles de modèles ou plus est passée de 36 % à 59 % entre août et octobre 2025. Cette diversité permet aux équipes d’ingénierie de router des tâches plus simples vers des modèles plus petits et plus rentables, tout en réservant des modèles de pointe pour le raisonnement complexe.
Les entreprises de vente au détail donnent le ton, avec 83 % d’entre elles employant deux familles de modèles ou plus pour équilibrer performances et coûts. Une plateforme unifiée capable d’intégrer divers modèles propriétaires et open source devient rapidement un prérequis pour la pile d’IA d’entreprise moderne.
Contrairement à l’héritage du big data du traitement par lots, l’IA agentic fonctionne principalement dans l’instant présent. Le rapport souligne que 96 % de toutes les demandes d’inférence sont traitées en temps réel.
Cela est particulièrement évident dans les secteurs où la latence est directement liée à la valeur. Le secteur technologique traite 32 demandes en temps réel pour chaque demande par lots. Dans les soins de santé et les sciences de la vie, où les applications peuvent impliquer la surveillance des patients ou le support à la décision clinique, le ratio est de 13 pour un. Pour les dirigeants informatiques, cela renforce la nécessité d’une infrastructure de service d’inférence capable de gérer les pics de trafic sans dégrader l’expérience utilisateur.
Peut-être la découverte la plus contre-intuitive pour de nombreux dirigeants est la relation entre la gouvernance et la vélocité. Souvent perçus comme un goulot d’étranglement, des cadres de gouvernance et d’évaluation rigoureux fonctionnent comme des accélérateurs pour le déploiement en production.
Les organisations utilisant des outils de gouvernance en IA mettent plus de 12 fois plus de projets en IA en production que celles qui n’en utilisent pas. De même, les entreprises qui utilisent des outils d’évaluation pour tester systématiquement la qualité des modèles réalisent près de six fois plus de déploiements en production.
La logique est simple. La gouvernance fournit des balises nécessaires – comme définir comment les données sont utilisées et fixer des limites de débit – ce qui donne aux parties prenantes la confiance pour approuver le déploiement. Sans ces contrôles, les pilotes restent souvent bloqués dans la phase de preuve de concept en raison de risques de sécurité ou de conformité non quantifiés.
Alors que les agents autonomes évoquent souvent des capacités futuristes, la valeur actuelle de l’IA agentic pour les entreprises réside dans l’automatisation des tâches routinières, ennuyeuses mais nécessaires. Les principaux cas d’utilisation de l’IA varient selon les secteurs mais se concentrent sur la résolution de problèmes commerciaux spécifiques.
De plus, 40 % des principaux cas d’utilisation de l’IA répondent à des préoccupations pratiques des clients telles que le support client, la promotion et l’intégration. Ces applications génèrent une efficacité mesurable et renforcent les compétences organisationnelles nécessaires pour des flux de travail agentic plus avancés.
Pour la haute direction, la voie à suivre implique moins de focalisation sur la « magie » de l’IA et davantage sur la rigueur d’ingénierie qui l’entoure. Dael Williamson, CTO EMEA de Databricks, souligne que la conversation a évolué.
« Pour les entreprises à travers l’EMEA, la conversation est passée de l’expérimentation en IA à la réalité opérationnelle », déclare Williamson. « Les agents d’IA gèrent déjà des parties critiques de l’infrastructure d’entreprise, mais les organisations qui voient une réelle valeur sont celles qui considèrent la gouvernance et l’évaluation comme des fondations, pas des après-pensées. »
Williamson souligne que l’avantage compétitif revient à la manière dont les entreprises construisent, plutôt qu’à simplement ce qu’elles achètent.
« Des plates-formes ouvertes et interopérables permettent aux organisations d’appliquer l’IA à leurs propres données d’entreprise, plutôt que de dépendre de fonctionnalités d’IA intégrées qui offrent une productivité à court terme mais pas de différenciation à long terme. »
Dans des marchés fortement réglementés, cette combinaison d’ouverture et de contrôle est « ce qui sépare les pilotes de l’avantage compétitif. »