Le fossé de mise à l’échelle des agents : 62 % expérimentent, moins de 10 % passent vraiment à l’échelle

Tout le monde teste les agents ; presque personne ne les a mis à l’échelle

Les chiffres phares sur l’adoption de l’IA ont cessé d’être intéressants parce qu’ils sont tous quasi universels. Selon l’enquête mondiale State of AI 2026 de McKinsey, 88 % des répondants déclarent que leurs organisations utilisent régulièrement l’IA dans au moins une fonction, et 72 % utilisent l’IA générative — en forte hausse par rapport à 33 % en 2024. L’adoption, au sens large, est acquise.

Le chiffre intéressant est celui du dessous. McKinsey constate que 62 % des organisations expérimentent au moins les agents IA, et 23 % déclarent mettre à l’échelle un système d’IA agentique quelque part dans l’entreprise — mais dans une fonction donnée, comme le note l’analyse du rapport par CX Today, pas plus de 10 % des organisations passent les agents à l’échelle. La distance entre « expérimenter » et « mis à l’échelle en production » est le problème déterminant de l’IA en entreprise cette année, et il est large.

Ce que la « mise à l’échelle » exige réellement

La raison pour laquelle le fossé est si persistant est que mettre un agent à l’échelle est un exercice fondamentalement différent d’en tester un. Un pilote réussit quand un seul agent accomplit un seul flux de travail dans un cadre contrôlé pour un petit groupe d’utilisateurs. La mise à l’échelle exige que le même agent fonctionne de manière fiable sur de nombreux flux, pour de nombreux utilisateurs, face à des données de production réelles, sous gouvernance, avec un comportement observable et un coût prévisible. Chacune de ces exigences est un engagement d’ingénierie et d’organisation distinct.

Les données de McKinsey rendent le gain conditionnel à exactement ce type de refonte. L’enquête constate que le petit groupe d’organisations qui tirent une valeur significative et mise à l’échelle — environ 6 % des répondants se qualifient comme « hautement performants en IA » attribuant plus de 5 % de leur EBIT à l’IA — se comporte différemment de tous les autres. Comme le rapporte CX Today à partir de l’enquête, 55 % des hautement performants déclarent avoir fondamentalement repensé leurs flux de travail pour capter la valeur de l’IA, contre seulement 20 % des autres organisations, et 65 % ont défini des processus de validation avec l’humain dans la boucle, contre 23 %. L’avantage n’est pas le modèle ; c’est la discipline opérationnelle autour du modèle.

Le rappel à l’ordre de l’EBIT

Le chiffre le plus dégrisant de l’enquête est celui de la valeur. Malgré 88 % d’usage régulier, l’enquête de McKinsey constate que seulement 39 % des organisations déclarent un quelconque impact sur l’EBIT attribuable à l’IA — et seulement 6 % environ en tirent un impact significatif et mis à l’échelle. C’est une grande majorité d’entreprises dépensant en IA sans encore pouvoir la pointer au compte de résultat.

Ce n’est pas la preuve que l’IA ne fonctionne pas ; les hautement performants démontrent qu’elle fonctionne. C’est la preuve que la valeur revient aux organisations qui traitent l’IA comme un changement de modèle opérationnel plutôt qu’une fonctionnalité à visser. Le chiffre des 39 % avec un quelconque impact et celui des ~6 % avec impact mis à l’échelle décrivent la même réalité sous deux angles : la plupart des organisations ont adopté les outils mais pas la discipline qui transforme les outils en marge.

Pourquoi les agents sont plus difficiles que l’IA générative

L’IA générative s’est diffusée rapidement dans les entreprises parce qu’elle s’insère dans les flux de travail humains existants — une personne interroge un modèle, lit la sortie, et décide qu’en faire. Les agents retirent l’humain du milieu de la boucle, et c’est exactement là que se concentre la difficulté :

• L’autonomie augmente l’enjeu de chaque erreur. Un agent conversationnel qui hallucine fait perdre du temps à un utilisateur. Un agent qui hallucine en exécutant un flux à plusieurs étapes peut poser des actions réelles et fausses sur des systèmes de production avant que quiconque le remarque.
• L’évaluation n’est pas résolue. On sait noter un résumé. Noter si un agent autonome a pris une bonne séquence de décisions sur une longue tâche est bien plus difficile, et l’absence d’évaluation fiable est une raison majeure du blocage des pilotes.
• La friction de gouvernance est réelle. Décider quelles actions un agent peut poser, au nom de qui, avec quelles données et avec quelle validation humaine, est un travail organisationnel qui touche la sécurité, le juridique et la conformité — pas quelque chose qu’une équipe d’ingénierie livre seule.
• Le coût est non linéaire. Un seul agent qui engendre des sous-agents et des relances peut générer des ordres de grandeur d’appels de modèle de plus qu’un pilote ne le suggérait, et les tableaux de bord FinOps traditionnels rapportent la facture après coup.

Aucune de ces raisons n’est un motif pour ne pas déployer d’agents. Ce sont les raisons précises pour lesquelles la cohorte des 62 % qui expérimentent n’est pas devenue une cohorte des 62 % mis à l’échelle — et la liste de contrôle que toute organisation doit parcourir pour franchir le fossé.

Ce que cela signifie pour les dirigeants d’entreprise

La prescription implicite de l’enquête est que la mise à l’échelle est un projet de modèle opérationnel, pas une décision d’achat. Les dirigeants sérieux quant au passage du pilote à la production devraient opérer les mouvements structurels suivants.

1. Repenser le flux de travail autour de l’agent avant de le déployer

Les hautement performants repensent les flux ; les retardataires vissent les agents sur des processus inchangés. Avant de déployer un agent, cartographiez le flux de bout en bout qu’il exécutera, décidez quelles étapes il possède et lesquelles restent humaines, et reconstruisez le processus autour de cette répartition — en mesurant par rapport à une base réelle pour pouvoir prouver l’impact plus tard.

2. Bâtir l’évaluation des agents avant de bâtir l’agent

La raison du blocage des pilotes est que personne ne peut dire avec confiance que l’agent est assez bon. Définissez, dès le départ, comment vous mesurerez le succès sur des séquences de tâches complètes — pas seulement des sorties isolées — et mettez en place le harnais d’évaluation avant la mise à l’échelle. Si vous ne pouvez pas le mesurer, vous ne pouvez pas le mettre à l’échelle de façon responsable.

3. Installer la validation avec l’humain dans la boucle comme un contrôle, pas un après-coup

65 % des hautement performants ont défini une validation avec l’humain dans la boucle ; la plupart des autres non. Décidez quelles actions de l’agent exigent une validation humaine, intégrez ces points de contrôle dans le flux, et désignez un responsable nommé, redevable du comportement de chaque agent en production — avant le déploiement, pas après un incident.

4. Instrumenter coût et gouvernance dès le premier jour

Faites transiter les actions des agents par une couche de politique qui applique les outils autorisés, les règles d’accès aux données et les limites de débit, et placez le coût et le comportement par agent dans un système d’observabilité que vos équipes sécurité, finance et ingénierie peuvent toutes interroger. Le coût non linéaire et l’action autonome ne sont gérables que s’ils sont visibles.

Le scénario de correction

Le fossé de mise à l’échelle ne se refermera probablement pas parce que tout le monde deviendrait soudain hautement performant. La trajectoire 2026-2027 la plus probable est une bifurcation : les ~6 % qui ont reconstruit leur modèle opérationnel prennent davantage d’avance, captant un EBIT disproportionné, tandis que la longue traîne continue de mener des pilotes qui ne passent jamais en production. Pour cette longue traîne, le risque n’est pas de prendre du retard sur la technologie — les modèles sont largement disponibles — mais sur la discipline organisationnelle qui transforme les modèles en résultats.

Pour les entreprises des marchés émergents, dont l’Algérie, ce cadrage est étonnamment encourageant. Le facteur limitant que McKinsey identifie n’est pas l’accès aux modèles de pointe ni les budgets à l’échelle des hyperscalers ; c’est la refonte des flux, l’évaluation et la gouvernance — des capacités qu’une organisation de taille moyenne disciplinée peut bâtir sans programme d’IA à neuf chiffres. La leçon de l’enquête 2026 est que les gagnants se distinguent des autres moins par ce qu’ils ont acheté que par la façon dont ils ont reconstruit le travail autour.

Questions Fréquemment Posées

Sources et lectures complémentaires

• The State of AI: Global Survey 2026 — McKinsey & Company
• McKinsey’s State of AI: The Scaling Gap Is Now CX’s Problem — CX Today
• AI Value Gap 2026: 88% Use AI, Only 6% Profit — innobu
• AI Agent Adoption Statistics 2026: Enterprise AI Usage — GoGloby