Contexte de l'enquête

Redwood a interrogé 300 cadres senior en technologie, risques et IA aux États‑Unis, au Canada et au Royaume‑Uni. L’objectif était de cartographier le passage de l’expérimentation d’IA agentique à une utilisation fiable à l’échelle de l’entreprise. Les répondants proviennent de secteurs variés, ce qui donne une vision transversale des défis rencontrés lors de l’intégration d’agents autonomes dans les processus critiques.

Principaux constats chiffrés

Quatre indicateurs clés émergent : 28 % des participants ont constaté un accès non autorisé à des données sensibles, révélant une faille de contrôle d’accès. 30,7 % ont fait face à un problème de conformité ou de réglementation, indiquant que les cadres légaux ne suivent pas le rythme de l’innovation. 31 % ont subi des interruptions opérationnelles ou des pannes, ce qui montre une fragilité des pipelines d’orchestration. Enfin, 34,7 % ont été surpris par des factures cloud et de calcul excessives, soulignant un manque de visibilité sur la consommation de ressources.

Implications pour la gouvernance de l'IA

Les chiffres traduisent trois axes de risque : sécurité des données, conformité juridique et maîtrise des coûts. L’accès non autorisé implique que les modèles d’authentification et les politiques de moindre privilège ne sont pas appliqués de façon systématique. Les incidents de conformité suggèrent que les cadres de gouvernance (RGPD, ISO 27001, etc.) ne sont pas intégrés aux cycles de développement des agents. Les dépassements de facturation cloud découlent d’une visibilité insuffisante sur les appels d’API et les charges de calcul, ce qui rend difficile la prévision budgétaire.

Recommandations et limites de l’étude

Près de la moitié des répondants (49,3 %) souhaitent renforcer l’observabilité, tandis que 48,3 % demandent des garde‑fous plus stricts. Une approche pragmatique consiste à déployer des plateformes d’observabilité capables de tracer chaque décision d’agent, d’enregistrer les métriques de latence et de consommation, puis d’alimenter des tableaux de bord de conformité en temps réel. Les garde‑fous peuvent être codifiés sous forme de politiques d’exécution, de limites de données d’entrée et de contrôles de sortie. L’étude reste toutefois limitée : elle repose sur des réponses auto‑déclarées, ne détaille pas les types d’agents (LLM, agents de décision, etc.) et ne fournit pas de contexte sectoriel précis. Ces lacunes réduisent la capacité à généraliser les résultats à l’ensemble du marché.