Les agents ont triplé, les contenus non

Quatre travaux de recherche ont posé des questions différentes et trouvé les mêmes trois limites à l'intérieur de l'entreprise : budget fragmenté, contenus inutilisables, attentes réglées sur la mauvaise horloge. Les déploiements accélèrent quand même.

Par Stefano Zoia · · 5 min

Quatre travaux de recherche parus au cours des huit derniers mois ont posé des questions différentes. Salesforce a demandé ce qui amène un agent IA interne au retour sur investissement. Une étude de mesure a demandé ce qui pousse un moteur de réponse à citer une marque. Forrester a demandé où l’expérience client va casser et où orienter les budgets 2027. Gartner a demandé ce que les applications d’entreprise doivent changer.

Ils ont trouvé les mêmes trois limites, et toutes les trois se situent à l’intérieur de l’entreprise. Aucune ne concerne la qualité des modèles. Et les déploiements accélèrent quand même : sur le dernier exercice, le nombre moyen d’agents par entreprise a environ triplé, et l’agent moyen est passé de deux à six tâches qu’il sait exécuter.

Cet article nomme les trois limites et dit quoi faire pour chacune.

Limite un : le budget est réparti entre trois propriétaires

Le même actif est financé trois fois. Les Budget Planning Guides 2027 de Forrester demandent aux responsables technologiques d’augmenter la dépense sur le contexte d’entreprise lisible par les machines sur lequel les agents peuvent agir, et demandent aux responsables marketing d’augmenter la dépense sur la visibilité de la marque dans les moteurs de réponse. Ce sont deux lignes d’un même document. Dans la plupart des entreprises, ce sont aussi deux directions différentes, et une troisième direction finance la base de connaissances du centre de contact.

Les trois paient la même chose. Je l’appellerai le corpus : l’ensemble structuré et à jour des contenus et des données qui décrivent ce que l’entreprise vend, comment cela fonctionne et quelles règles s’appliquent, dans une forme qu’une machine peut lire. Réparti sur trois budgets, le corpus est financé selon trois standards partiels et n’en satisfait aucun.

Que faire : inventorier le corpus avant d’approuver l’une des trois lignes budgétaires, et lui donner un propriétaire unique. Ce propriétaire n’est pas le marketing, qui possède les mots mais pas les systèmes, ni la DSI, qui possède les systèmes mais pas l’exactitude.

Limite deux : le corpus n’est pas exploitable par une machine

C’est la limite que les preuves soutiennent le plus solidement, et elle arrive de trois directions.

Salesforce a interrogé 2 025 décideurs de l’IA agentique dans vingt pays. Pour leurs agents les plus autonomes, ceux qui les exploitent désignent deux facteurs comme les plus déterminants : des données propres et accessibles au moment où l’agent agit, et un cas d’usage au périmètre serré. Les deux passent devant la qualité du modèle et devant les outils d’orchestration. Seuls 31 pour cent avaient remis en ordre les données utiles avant le lancement, et ceux-là ont atteint le retour en 7,3 mois contre 8,8 pour les autres.

Le travail de mesure atteint le même actif depuis l’extérieur, avec une correction qui compte. Sur plus de cent mille réponses générées, couvrant une centaine de marques, environ 78 pour cent des citations vont à des sites d’entreprise. L’étude précise que la majeure partie de cette part correspond à des pages tierces d’entreprises du même secteur, et non aux pages de la marque citée. Le contenu d’entreprise est ce que les machines lisent. Ce n’est pas forcément le vôtre.

La troisième direction vient du service client. Le taux d’escalade des agents IA vers des agents humains est resté stable à 32 pour cent alors que les volumes montaient fortement. Une escalade signifie que l’agent est tombé sur une question à laquelle les contenus ne savaient pas répondre. C’est un trou dans les contenus, pas une limite du modèle.

La note Gartner de janvier énumère le travail nécessaire, et c’est de l’ingénierie plus que du marketing : des modèles de contenu atomiques et réutilisables à la place des pages monolithiques, un balisage schema.org généré automatiquement, des types de contenu dédiés aux questions et réponses, et des métadonnées sémantiques portant des relations entre entités plutôt que des mots-clés.

Que faire : soumettre le corpus à trois épreuves. Un agent interne peut-il agir dessus au moment où il en a besoin. Un moteur de réponse peut-il le citer sans combler lui-même les trous. Un conseiller peut-il clore une conversation avec. Les pages qui ratent une épreuve en ratent presque toujours trois, ce qui rend un programme de remédiation unique plus défendable que trois programmes séparés.

Limite trois : les attentes sont réglées sur la mauvaise horloge

Les conseils d’administration demandent si l’entreprise avance assez vite. Les données disent que la vitesse de déploiement ne prédit pas la vitesse du retour.

Les services professionnels et aux entreprises figurent parmi les secteurs les plus lents à déployer et parmi les plus rapides à atteindre un retour réel, en 6,5 mois. La tech est l’un des plus gros déployeurs et l’un des plus lents au retour, à 10,1 mois. Dans l’enquête, le délai moyen jusqu’à un retour réel est d’environ huit mois, et 47 pour cent des répondants étaient encore en phase pilote après deux ans de disponibilité de la technologie.

Forrester en tire la conséquence budgétaire de façon explicite : couper les projets pilotes qui multiplient l’activité sans gouvernance, sans responsable désigné et sans chemin défini vers l’échelle. Sa prévision côté client décrit la même erreur vue de l’extérieur : un tiers des entreprises abîmeront l’expérience client en 2026 en poussant des agents conversationnels là où ils n’avaient aucune chance de fonctionner.

Que faire : fixer l’attente interne autour de huit mois jusqu’au retour, et mesurer l’avancement sur le corpus plutôt que sur le nombre d’agents déployés.

L’écart se creuse

Aucune de ces limites n’arrête les déploiements. Les agents par entreprise ont triplé, le temps de création a été plus que divisé par deux, et plus de 80 pour cent des dirigeants attendent des budgets en hausse sur les douze prochains mois. Gartner prévoit que d’ici 2028, 80 pour cent des interactions clients passeront par des interfaces agentiques.

Le nombre d’agents augmente donc face à des contenus qui ne sont pas prêts, des budgets divisés et des délais faux. Les trois limites coûtent peu à corriger tôt et cher à corriger quand des agents tournent déjà dessus en production.

Zurich et Milan

En Suisse, près de six entreprises sur dix déclarent utiliser l’IA sous une forme ou une autre, selon une enquête UBS auprès d’environ 2 500 sociétés. Dans ces entreprises, les trois limites sont déjà actives, et corriger revient à modifier des systèmes dont les gens dépendent.

En Italie, l’observatoire du Politecnico di Milano sur l’innovation numérique dans les PME relève que 76 pour cent des PME n’ont pas investi dans l’IA et ne comptent pas le faire, et que 7 pour cent ont des formations structurées. Ces entreprises disposent encore de la version économique des trois corrections. Elles ont aussi un désavantage réel à rattraper : dans la mesure de visibilité, les marques petites et de niche apparaissaient dans 11 pour cent des réponses pertinentes, contre 73 pour cent pour les noms mondialement connus.

Le prochain article : quelles structures de contenu les moteurs de réponse lisent vraiment, lesquelles ils ignorent, et pourquoi le format le plus cité dans les réponses générées est un classement écrit par quelqu’un d’autre à votre sujet.

Restons en contact.

— Stefano

Sources

  1. Salesforce, New Study of 2,025 Agentic AI Leaders: First To Launch Isn’t Fastest to ROI (State of Agentic AI in the Enterprise), 27 août 2026. https://www.salesforce.com/news/stories/agentic-ai-leaders-survey-on-roi/
  2. Salesforce, Agentic Enterprise Index: Agent Deployments More Than Double Year over Year, 7 août 2026. https://www.salesforce.com/news/stories/agentic-enterprise-index-insights-2026/
  3. Pratyush Kumar, Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines, arXiv:2606.20065, 18 juin 2026. https://arxiv.org/abs/2606.20065
  4. Irina Guseva, Optimize Enterprise Apps for Agentic AI’s GEO and AEO, Gartner, note G00841018, 7 janvier 2026.
  5. Forrester, 2027 Budget Planning Guides, communiqué de presse, 15 juillet 2026. https://investor.forrester.com/news-releases/news-release-details/forresters-2027-budget-planning-guides-after-year-caution
  6. Forrester, 2026 B2C Marketing, CX & Digital Business Predictions. https://www.forrester.com/press-newsroom/forrester-b2c-marketing-cx-digital-2026-predictions/
  7. UBS, AI in Switzerland: Pragmatic adoption, growing potential. https://www.ubs.com/global/en/wealthmanagement/insights/marketnews/article.3430283.html
  8. Osservatorio Innovazione Digitale nelle PMI, Politecnico di Milano, résultats de recherche, mai 2026. https://www.osservatori.net/