Calipia : le blog

Un agent IA répond à une question métier. La réponse est nette, argumentée, formulée sans la moindre hésitation. Elle est aussi totalement fausse. Personne ne s’en aperçoit tout de suite, jusqu’à ce qu’un analyste remonte le fil et découvre que l’agent s’appuyait sur une définition de métrique obsolète, ou sur un document que le système de recherche n’était jamais allé chercher. Le modèle n’a pas failli. C’est le contexte qu’on lui a fourni qui était mauvais…

C’est le constat que dresse une enquête VB Pulse menée en juin 2026 auprès de 101 entreprises de plus de 100 salariés, relayée par VentureBeat. Et le chiffre qui en ressort mérite qu’on s’y attarde : 57 % des organisations interrogées ont, au cours des six derniers mois, retracé au moins une réponse d’agent erronée mais formulée avec assurance jusqu’à un problème de contexte métier manquant ou incohérent. Près d’un tiers d’entre elles (31 %) précisent même que l’incident s’est reproduit plusieurs fois. Ce n’est donc pas un accident isolé, c’est un mode de défaillance récurrent.

Le RAG, solution par défaut mais pas par vertu

L’enquête pointe une cause structurelle assez simple à comprendre pour quiconque a déjà mis en production un système de retrieval. La recherche documentaire (RAG) reste la méthode par défaut pour fournir du contexte métier aux agents dans 38 % des entreprises, un score qui écrase presque deux fois toutes les autres approches. Le souci n’est pas le RAG en soi, c’est la manière dont les entreprises choisissent leur système de retrieval : la facilité d’ingestion et la simplicité opérationnelle arrivent en tête des critères de sélection, loin devant la précision de la restitution. Autrement dit, on optimise le temps de mise en service, pas la fiabilité de la réponse. Un choix rationnel à court terme, une dette technique certaine à moyen terme.

La couche de contexte, un vieux problème avec un nouveau nom

L’idée derrière la fameuse « couche de contexte agentique » n’a rien de révolutionnaire pour qui a déjà travaillé sur un référentiel de données d’entreprise ou une couche sémantique BI. Il s’agit de construire une fois pour toutes un modèle partagé de ce que signifient réellement les données métier, un chiffre d’affaires calculé de la même façon par tous les agents, une définition de client actif qui ne varie pas selon l’outil qui la consomme, plutôt que de laisser chaque agent redériver sa propre interprétation à chaque requête. Sur le papier, c’est une évidence. Dans les faits, l’enquête VentureBeat montre un paysage encore très fragmenté : seules 25 % des entreprises exploitent une telle couche gouvernée en production, 34 % sont en train d’en construire une, et 41 % n’ont tout simplement pas commencé.

Le paradoxe des entreprises échaudées

Le détail le plus révélateur de l’enquête tient dans une corrélation presque trop nette pour être confortable. Parmi les entreprises qui construisent ou exploitent déjà une couche de contexte gouvernée, 78 % rapportent avoir subi un incident d’agent confiant mais faux. Parmi celles qui n’ont aucun projet en ce sens, seules 20 % rapportent le même type d’incident. Le message est sans ambiguïté : ce n’est pas la prudence qui pousse à investir dans la gouvernance du contexte, c’est la cicatrice. Les DSI qui bâtissent cette brique aujourd’hui ne le font pas par anticipation, ils le font parce qu’ils se sont déjà brûlés, souvent devant un comité de direction peu enclin à excuser une IA qui invente des chiffres avec assurance 🙂

Une ruée vers l’or (et un marché qui n’a pas encore choisi son camp)

Sans surprise, tous les grands éditeurs de plateformes data et IA se positionnent désormais sur ce segment, chacun avec sa propre architecture, ce qui devrait retenir l’attention de tout architecte d’entreprise habitué à l’écosystème Microsoft. Snowflake avance Horizon Context et Cortex Sense pour donner aux agents une définition partagée et gouvernée de la logique métier à travers les différentes piles de retrieval. Microsoft, de son côté, a ouvert l’ontologie métier de Fabric via le protocole MCP, permettant à n’importe quel agent tiers de puiser dans une couche sémantique commune, une approche cohérente avec la stratégie d’interopérabilité que Microsoft pousse actuellement sur l’ensemble de son offre Copilot et Fabric. Redis a lancé Iris, une plateforme de contexte et de mémoire positionnée entre les agents et leurs données. Pinecone, enfin, se repositionne : d’une base vectorielle, l’éditeur se rêve en moteur de connaissance avec Nexus, qui précompile les données d’entreprise en artefacts prêts à l’emploi avant même que l’agent ne formule sa requête.

Le marché plus large confirme cette instabilité. Toujours selon les enquêtes VB Pulse, entre 57 % et 64 % des entreprises envisagent de changer ou d’ajouter un fournisseur sur chacune des cinq couches de contrôle de l’IA agentique (infrastructure, évaluation, sécurité des agents, retrieval et contexte) dans les douze prochains mois. Aucun de ces segments n’a encore d’acteur réellement installé, et les outils natifs des fournisseurs de modèles ou des hyperscalers dominent encore largement par défaut, davantage par commodité que par conviction.

Ce qu’il faut en retenir, sans se laisser embarquer par le marketing

Difficile de ne pas voir dans cet empressement des éditeurs une part de récupération commerciale d’un problème réel. Mais le problème, lui, ne se discute pas : un agent parfaitement gouverné sur le plan de la sécurité peut produire une réponse fausse à chaque fois, de façon parfaitement reproductible, simplement parce qu’il s’appuie sur une donnée périmée ou mal qualifiée. Aucun garde-fou comportemental ne détecte ce type d’erreur, puisque l’agent se comporte exactement comme prévu.

Pour un DSI, le message pratique tient en une phrase : gouvernez vos définitions avant d’industrialiser vos agents, pas après. Cela suppose de traiter le glossaire métier, la traçabilité des données, la fraîcheur des définitions et les droits d’accès comme des actifs de production au même titre que le modèle lui-même, et non comme un chantier de documentation que l’on repousse indéfiniment. La couche de contexte n’est pas un produit qu’on achète un jour, c’est une discipline qu’on entretient. Les éditeurs vous vendront volontiers la brique technique. La gouvernance qui va avec, en revanche, reste entièrement votre problème.