Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
Les entreprises utilisent des agents d’IA avant les contrôles nécessaires à leur gestion – et elles les ont déployés de cette manière en toute connaissance de cause. C’est la principale conclusion de l’enquête de VentureBeat Research menée en juin auprès de 573 responsables techniques d’entreprises de 100 employés ou plus, interrogés dans le cadre de cinq enquêtes parallèles sur la pile agent.
Les entreprises se mettent désormais à niveau pour rattraper leurs propres normes, et elles budgétisent cela : environ six entreprises sur dix prévoient de changer ou d’ajouter des fournisseurs dans chacune des cinq couches de contrôle au cours des 12 prochains mois, et environ un tiers – en fonction de la couche – prévoient de changer de fournisseur au cours du trimestre, selon l’étude.
Les entreprises construisent cinq niveaux principaux : l’identité des agents (quel agent est autorisé à faire quoi, sous les informations d’identification de qui) ; évaluation du rendement de l’agent (si le travail est bon) ; télémétrie des coûts (ce que coûte chaque agent pour fonctionner) ; la couche contextuelle (les données métiers et les définitions sur lesquelles les agents s’appuient pour répondre) ; et le plan de contrôle de l’orchestration (le logiciel qui coordonne le travail des agents en plusieurs étapes).
Les entreprises paient déjà le prix du déploiement d’agents avant le déploiement de fonctions de contrôle adéquates. Cinquante-quatre pour cent des entreprises ont connu un incident de sécurité ou un quasi-accident détecté avant le préjudice au cours des 12 derniers mois. Vingt-sept pour cent n’exercent qu’un contrôle réactif sur les dépenses des agents : ils apprennent ce que coûte un agent lorsque la facture arrive, sans budget ni plafond par agent.
573 répondants d’organisations de plus de 100 employés, dans cinq enquêtes réalisées en juin 2026 :
101 orchestration · 157 fiabilité/évaluations · 107 sécurité/identité · 107 infra/calcul · 101 contexte/RAG
Les échantillons sont auto-sélectionnés ; lire les résultats de manière directionnelle. Faites confiance au modèle sur des pourcentages exacts : chaque enquête, indépendamment, pointe dans le même sens, avec un déploiement avant la gouvernance, la visibilité et le contrôle des coûts.
Rapports complets à VB Transform, du 14 au 15 juillet à Menlo Park →
Voici les cinq résultats qui ancrent l’ensemble – un résultat par couche de la pile technologique – et ce que les données suggèrent de faire en premier dans chacun.
Du matériel coûteux est inactif : 86 % des opérateurs de GPU déclarent une utilisation de 50 % ou moins
Quatre-vingt-six pour cent des entreprises qui utilisent leurs propres GPU déclarent une utilisation de 50 % ou moins. Wall Street a passé le trimestre à se demander si le développement de l’IA était excessif. Il s’agit d’une mesure côté acheteur, émanant des entreprises qui achètent, et la recherche indique que le matériel le plus cher dans les bâtiments de ces entreprises ne fonctionne qu’à la moitié de sa capacité.
L’écart de mesure aggrave la situation : une minorité de 44 % suivent rigoureusement les coûts et les rendements réels calculés par leur IA. Tout le monde ne fait qu’estimer. Et le processus d’achat des entreprises se poursuit malgré tout : 45 % de ces entreprises déclarent que l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois est un cloud spécialisé en IA (CoreWeave, Lambda, Crusoe, Nebius). Cependant, moins de 2 % de ces entreprises déclarent utiliser aujourd’hui l’un de ces néoclouds.
De plus, environ une entreprise sur trois semble envisager de se protéger contre Nvidia : interrogées sur l’option de calcul émergente qu’elles sont les plus susceptibles d’évaluer au cours des 12 prochains mois, 32 % des entreprises ont cité des accélérateurs non-Nvidia (AWS Trainium, Google TPU, AMD), tandis que 28 % ont cité des GPU Nvidia de nouvelle génération. Les données suggèrent que les entreprises devraient mesurer l’utilisation et le coût par charge de travail des GPU qu’elles possèdent déjà avant d’engager un budget dans de nouveaux calculs, qu’il s’agisse d’un contrat cloud spécialisé dans l’IA, de nouveaux accélérateurs ou de davantage de GPU.
La plupart des « agents » déployés effectuent un travail à une seule invite : 71 % déclarent qu’un quart ou moins accomplissent des tâches en plusieurs étapes par eux-mêmes.
Soixante et onze pour cent des entreprises déclarent qu’un quart ou moins de leurs « agents » déployés peuvent effectuer eux-mêmes un travail en plusieurs étapes ; les autres sont des chatbots à invite unique. Seulement 10 % déclarent que les vrais agents représentent la majorité de ce qu’ils dirigent. Certes, les personnes interrogées ont déclaré qu’elles étaient en mesure de savoir ces choses : 81 % ont déclaré qu’elles recommandaient ou décidaient des achats d’IA dans leur entreprise.
Cette découverte – selon laquelle la plupart des agents ne sont en réalité que des chatbots en trench-coat – arrive au milieu de revendications d’adoption dans l’ensemble du secteur, bien en avance sur ce que les entreprises gèrent réellement. Gartner prédit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Il a également averti que l’idée fausse la plus répandue est de qualifier ces assistants d’IA d’agents, un malentendu connu sous le nom de « lavage d’agents ».
Parallèlement, l’enquête menée par Zapier auprès des entreprises indique que 72 % d’entre elles ont déclaré avoir déployé ou testé des agents autonomes ; et l’enquête Writer’s 2026 révèle que 97 % des dirigeants déclarent que leur entreprise a déployé des agents d’IA au cours de l’année écoulée.
Ces enquêtes demandaient si les entreprises avaient déployé ce qu’on appelle un agent IA, et les entreprises ont répondu oui. Notre enquête a posé une question plus difficile aux responsables de ces déploiements : parmi les agents que vous avez en production, combien peuvent accomplir une tâche en plusieurs étapes sans qu’une personne ne dirige chaque étape ? Cet écart est important pour deux raisons pratiques. Premièrement, les chiffres d’adoption gonflés sont les références utilisées par les conseils d’administration et les fournisseurs pour faire pression sur les leaders techniques afin qu’ils accélèrent – et ces données indiquent que la barre réelle est bien plus basse que ce que suggèrent les gros titres. Deuxièmement, l’étiquette détermine la facture : un chatbot à invite unique avec un humain lisant chaque réponse n’a besoin d’aucun des contrôles d’identité, d’évaluation et de coûts couverts par ce rapport, alors qu’un véritable agent en plusieurs étapes a besoin de tous.
66 % laissent les agents passer à la production uniquement sur la base d’évaluations automatisées – ou envisagent d’y parvenir. 5 % font entièrement confiance à ces évaluations
Les deux tiers des entreprises se répartissent en deux camps : 34 % autorisent déjà un agent d’IA à mettre en production une modification de code ou de système sur la base des seuls résultats d’évaluation automatisée, sans qu’aucun humain ne l’examine, et 33 % supplémentaires conçoivent activement leurs pipelines pour permettre cela dans les 12 prochains mois. Seuls cinq pour cent font pleinement confiance aux évaluations automatisées qui prendraient cette décision.
La méfiance se mérite. La moitié des entreprises ont envoyé un agent qui a réussi les évaluations internes et a ensuite provoqué une défaillance auprès du client au cours de l’année écoulée ; un quart d’entre eux l’ont vu se produire plus d’une fois. Lorsqu’on leur a demandé de citer la plus grande faiblesse de leurs évaluations actuelles, un plus grand nombre d’entreprises ont choisi « un mauvais alignement avec les résultats du monde réel » que toute autre réponse : 29 % des personnes interrogées.
Et la plupart des vérifications ont lieu avant l’expédition d’un agent, puis s’arrêtent. Une fois que les agents sont en contact avec de vrais utilisateurs, seules 23 % des entreprises effectuent des contrôles de qualité en temps réel sur les réponses produites par ces agents. 51 % surveillent uniquement l’état du système (temps de disponibilité, traces de requêtes et journaux de passerelle), ce qui leur indique que l’agent est en cours d’exécution, sans savoir si ses réponses sont correctes. La première étape : avant de supprimer l’évaluation humaine de tout flux de travail, testez vos évaluations par rapport aux résultats de production plutôt qu’aux références internes et à la qualité des réponses des instruments, et pas seulement à la disponibilité.
Cette découverte est explorée plus en profondeur dans la couverture connexe de VentureBeat sur l’écart d’évaluation, qui révèle que les grandes entreprises évoluent plus rapidement vers un déploiement sans humain tout en échouant plus souvent – et décrit un cadre de tests de régression construit sur les résultats de production plutôt que sur des références internes.
69 % d’entre elles organisent le partage d’informations d’identification quelque part dans leur flotte d’agents – et ces entreprises sont beaucoup plus souvent touchées.
Soixante-neuf pour cent des entreprises autorisent le partage des informations d’identification des agents quelque part dans leur flotte d’agents pendant l’exécution, ce qui signifie que plusieurs agents opèrent sous une seule clé API ou un seul compte de service. Ces entreprises étaient beaucoup plus susceptibles d’être touchées : les organisations partageant des informations d’identification n’importe où dans la flotte ont connu un incident de sécurité ou un quasi-accident dans un taux de 63,5 % (47 sur 74), contre 40,9 % (9 sur 22) où chaque agent a sa propre identité.
Ce que les entreprises doivent retenir est le suivant : donnez à chaque agent sa propre identité, en commençant par les agents qui touchent aux systèmes de production.
57 % ont attribué une mauvaise réponse confiante à leur propre contexte commercial manquant ou incohérent.
Cinquante-sept pour cent des entreprises ont attribué au moins une mauvaise réponse sûre d’un agent au cours des six derniers mois à un contexte commercial manquant ou incohérent : mesures erronées, définitions obsolètes, documents absents. La plupart d’entre eux ont vu cela se produire plus d’une fois.
La plupart des entreprises résolvent ce problème, même si elles ont déjà progressé dans le déploiement d’agents : 25 % d’entre elles exécutent déjà une couche sémantique gouvernée, ou une définition gouvernée de l’entreprise à partir de laquelle chaque IA lit, en production. Cependant, 34 % d’entre eux en construisent encore un et 41 % n’ont pas encore commencé. Ce qu’il faut retenir : régissez d’abord les définitions auxquelles vos agents répondent, les métriques et les entités, avant de faire évoluer les agents qui en dépendent.
Le trimestre où la « portabilité » de la technologie des agents est devenue une priorité
Un autre changement mérite d’être signalé, avec ses limites clairement énoncées. Lors de notre vague d’enquête du printemps sur l’orchestration, la principale préoccupation concernant l’orchestration contrôlée par le fournisseur concernait les limites de sécurité et d’autorisation (32 %). En juin, la dépendance envers les fournisseurs représentait environ un tiers, avec des limites de sécurité à 28 %.
Ce sont deux instantanés espacés d’un quart, et voici une explication possible de la raison pour laquelle la portabilité est devenue un problème majeur pour les entreprises. Notre enquête de juin a été lancée après qu’une commande d’exportation du Département du Commerce américain du 12 juin ait mis hors ligne Claude Fable 5 d’Anthropic pour les entreprises pendant environ trois semaines. Pendant ce temps, la société chinoise Z.ai a publié le 16 juin les poids ouverts du GLM-5.2 sous licence MIT, à environ un sixième du prix du GPT-5.5 ; et Hy3 de Tencent est arrivé le 6 juillet sous Apache 2.0 ; et OpenAI a présenté en avant-première GPT-5.6 le 26 juin à un petit groupe de partenaires approuvés par le gouvernement, l’ouvrant largement le 9 juillet après l’autorisation de l’examen du gouvernement. Les publications à pondération ouverte en particulier promettent aux entreprises davantage de contrôle sur leurs agents, et même si nous n’avons pas établi de lien de causalité ici, le timing mérite d’être noté.
Les données sur la posture correspondent à l’ambiance : 51 % s’attendent désormais à ce que leur plan de contrôle principal pour les agents d’entreprise soit hybride (natif du fournisseur plus orchestration externe) d’ici la fin 2026, contre 34 % lors de la vague d’enquête du printemps. Les entreprises déclarant s’appuyer uniquement sur les services d’agents gérés par le fournisseur ont chuté de 12 % à 7 %.
Cinq niveaux, aucun titulaire, 12 mois
La synthèse des cinq enquêtes révèle une énorme fenêtre « d’achat ». Dans chacune des cinq couches de contrôle, 57 à 64 % des entreprises prévoient de changer ou d’ajouter de fournisseur dans un délai de 12 mois (64 % pour l’infrastructure et les évaluations, 59 % pour la sécurité des agents, 57 % pour la récupération et le contexte) et 26 % à 38 %, selon la couche, prévoient de le faire d’ici un trimestre. Aucune couche n’a de titulaire établi : les outils d’évaluation les plus courants sont les évaluations intégrées du fournisseur de modèles, sans aucun outil dédié (17 % chacune) ; 82 % des personnes interrogées désignent les contrôles natifs du fournisseur ou hyperscaler comme leur principale couche de sécurité d’agent ; et la récupération native du fournisseur dirige également la couche technologique contextuelle (RAG, etc.).
La plupart des entreprises utilisent aujourd’hui par défaut les outils intégrés fournis avec les grandes plates-formes d’IA qu’elles utilisent déjà : Anthropic, OpenAI, Google, Microsoft et AWS. Cela est vrai pour chacune de ces couches technologiques agentiques : les entreprises se tournent vers leurs principaux fournisseurs de cloud et de modèles pour fournir les garde-fous, les évaluations et les solutions de récupération déjà intégrées dans les offres de ces fournisseurs.
Ces valeurs par défaut l’emportent sur la commodité, et c’est également ce que les décisions de dépenses à venir mettront à l’épreuve. L’enquête n’a pas demandé dans quelle direction cet argent allait – vers les outils intégrés des plateformes ou vers les spécialistes qui les défient – c’est exactement pourquoi chaque contrat dans ces cinq niveaux mérite d’être surveillé au cours des quatre prochains trimestres.
La vague d’enquête du troisième trimestre mesurera si les entreprises ont respecté ces plans budgétaires : si leurs agents ont obtenu des identités ciblées, si les évaluations ont été testées par rapport aux résultats de production, si l’utilisation des GPU a augmenté et si les couches sémantiques en construction ont été expédiées.
VentureBeat publiera les rapports complets du deuxième trimestre sur les cinq trackers VB Pulse à Transformation VBdu 14 au 15 juillet à l’hôtel Nia de Menlo Park, où nous réunissons les dirigeants techniques des entreprises qui construisent des agents autonomes en production.
Divulgation : VentureBeat produit à la fois cette recherche et VB Transform
