Selon un nouveau rapport de DatabricksLe paysage de l'IA d'entreprise connaît une transformation radicale. Les organisations délaissent les simples chatbots et les programmes pilotes pour adopter des solutions intelligentes. systèmes agents qui redéfinissent les flux de travail opérationnels.

La première vague de l'IA générative a suscité de grandes attentes, mais son utilité s'est souvent avérée limitée. Les leaders technologiques se sont heurtés à des outils isolés incapables de générer une véritable valeur ajoutée pour les entreprises. Cependant, de nouvelles données télémétriques de Databricks indiquent un tournant. Le marché arrive à maturité et l'accent est désormais mis sur les agents autonomes capables de planifier et d'exécuter des tâches complexes.

Les données recueillies auprès de plus de 20 000 organisations, dont 60 % des entreprises du classement Fortune 500, révèlent une migration rapide vers des architectures où les modèles d’IA ne se contentent plus de collecter des informations, mais orchestrent les flux de travail de manière autonome. Cette évolution représente une réaffectation fondamentale des ressources d’ingénierie, l’utilisation des flux de travail multi-agents sur la plateforme Databricks ayant bondi de 327 % entre juin et octobre 2025.

L'essor de l'« agent superviseur »

Au cœur de cette croissance se trouve le concept de « Agent superviseur »Au lieu de s'appuyer sur un modèle monolithique pour traiter chaque requête, un superviseur joue le rôle d'orchestrateur. Il décompose les requêtes complexes des utilisateurs et délègue des tâches spécifiques à des sous-agents ou outils spécialisés, à l'instar d'un chef de projet au sein d'une équipe.

Depuis son lancement en juillet 2025, l'agent superviseur s'est rapidement imposé comme le cas d'utilisation dominant, représentant 37 % de l'ensemble des agents utilisés en octobre. Cette structure reflète les hiérarchies organisationnelles efficaces : un responsable assure l'exécution sans effectuer chaque tâche personnellement. De même, l'agent superviseur gère la détection des intentions, les contrôles de conformité et le routage vers les outils spécifiques au domaine.

Bien que les entreprises technologiques soient actuellement à la pointe de cette évolution — développant près de quatre fois plus de systèmes multi-agents que tout autre secteur —, l'utilité de l'IA multi-agents dépasse largement le cadre technologique. Les sociétés de services financiers, par exemple, déploient des systèmes multi-agents pour gérer simultanément la recherche documentaire complexe et la conformité réglementaire, fournissant ainsi des réponses clients vérifiées sans intervention humaine.

Infrastructures sous pression : la réalité en temps réel

À mesure que les agents d'IA passent de la simple réponse aux questions à l'exécution de tâches, l'infrastructure de données sous-jacente est soumise à des exigences sans précédent. Les bases de données OLTP (traitement transactionnel en ligne) traditionnelles, conçues pour des interactions à la vitesse de l'humain, atteignent leurs limites. Les flux de travail agentiques inversent ces hypothèses, générant des schémas de lecture et d'écriture continus et à haute fréquence.

L'ampleur de cette automatisation est stupéfiante. Il y a deux ans, les agents d'IA ne représentaient que 0,1 % des bases de données. Aujourd'hui, ce chiffre atteint un niveau impressionnant. 80 pour centDe plus, 97 % des environnements de test et de développement de bases de données sont désormais mis en place par des agents d'IA, permettant aux développeurs de créer des environnements éphémères en quelques secondes plutôt qu'en plusieurs heures.

Contrairement à l'héritage du traitement par lots dans le domaine du big data, l'IA agentielle opère principalement dans l'instant présent. Le rapport souligne que 96 % de toutes les requêtes d'inférence sont traitées en temps réelCe changement est particulièrement évident dans les secteurs où la latence est directement corrélée à la valeur, comme la santé et la finance.

La norme multimodèle et l'indépendance des fournisseurs

La dépendance vis-à-vis d'un fournisseur unique demeure un risque persistant pour les dirigeants d'entreprise. Pour l'atténuer, les organisations adoptent activement des stratégies multimodèles. En octobre 2025, 78 % des entreprises utilisaient deux familles de modèles de langage étendus (LLM) ou plus, tels que ChatGPT, Claude, Llama et Gemini.

Cette approche gagne en sophistication. La proportion d'entreprises utilisant trois familles de modèles ou plus a considérablement augmenté, passant de 36 % à 59 % en seulement deux mois. Cette diversité permet aux équipes d'ingénierie d'affecter les tâches les plus simples à des modèles plus petits et économiques, tout en réservant les modèles de pointe aux tâches de raisonnement complexes.

La gouvernance comme accélérateur

Le constat le plus contre-intuitif pour de nombreux dirigeants est sans doute le lien entre gouvernance et rapidité de mise en œuvre. Souvent perçus comme un frein, les cadres de gouvernance et d'évaluation rigoureux agissent en réalité comme des accélérateurs du déploiement en production.

Les organisations utilisant des outils de gouvernance de l'IA ont surpassé Douze fois plus de projets d'IA mis en production Par rapport à celles qui ne le font pas, les entreprises qui utilisent des outils d'évaluation pour tester systématiquement la qualité de leurs modèles réalisent près de six fois plus de déploiements en production. La gouvernance fournit les garde-fous nécessaires – comme la définition de l'utilisation des données et la fixation de limites de débit – permettant ainsi aux parties prenantes d'approuver le déploiement en toute confiance.

La valeur de l'automatisation « ennuyeuse »

Si les agents autonomes évoquent souvent des capacités futuristes, leur véritable valeur ajoutée pour les entreprises réside aujourd'hui dans l'automatisation des tâches routinières et répétitives. Les principaux cas d'usage de l'IA varient selon les secteurs, mais visent tous à résoudre des problèmes concrets et spécifiques :

• Industrie manufacturière et automobile : 35 % des cas d'utilisation sont axés sur la maintenance prédictive.
• Santé et sciences de la vie : 23 % des cas d'utilisation impliquent la synthèse de la littérature médicale.
• Commerce de détail et biens de consommation : 14 % des cas d'utilisation sont consacrés à l'intelligence de marché.

De plus, 40 % des principaux cas d'usage de l'IA répondent à des préoccupations concrètes des clients, telles que le support, la fidélisation et l'intégration. Ces applications génèrent des gains d'efficacité mesurables et renforcent les capacités organisationnelles nécessaires à des flux de travail automatisés plus avancés.

Pour les dirigeants, l'avenir réside moins dans la « magie » de l'IA et davantage dans la rigueur technique qui la sous-tend. L'avantage concurrentiel se recentre sur la manière dont les entreprises conçoivent leurs solutions, plutôt que sur ce qu'elles achètent. Les plateformes ouvertes et interopérables permettent aux organisations d'appliquer l'IA à leurs propres données, créant ainsi un avantage concurrentiel durable sur des marchés fortement réglementés.