Nouvelle étude : pourquoi l'IA agentique peine encore à se déployer à grande échelle dans les entreprises
7 juil. 2026 | SAN DIEGO/PARIS
Une enquête menée auprès de 1 000 dirigeants internationaux des fonctions Data, IA et IT met en lumière les principaux freins qui empêchent les organisations de passer d'une utilisation individuelle de l'IA à un déploiement à l'échelle de l'entreprise.
Teradata (NYSE: TDC) publie aujourd'hui les résultats d'une étude réalisée par Wakefield Research auprès de 1 000 décideurs internationaux en charge des technologies et des données, répartis sur six marchés mondiaux. Intitulé « Arrested Automation: Why Agentic AI Stalls at the Enterprise Level », le rapport révèle que, malgré un enthousiasme quasi unanime pour l'IA agentique, les infrastructures de données actuelles n'ont pas été conçues pour répondre aux besoins des agents d'IA. Les entreprises devront moderniser leurs fondations de données afin de déployer l'IA à grande échelle et d'en tirer pleinement les bénéfices et le retour sur investissement attendu.
Les principaux freins mis en évidence dans le rapport (résumés ci-dessous) prennent tout leur sens lorsqu'on distingue l'IA personnelle de l'IA organisationnelle. La première regroupe des outils comme les chatbots ou les assistants de rédaction, qui améliorent la productivité individuelle. La seconde agit à l'échelle de l'entreprise en s'appuyant sur des connaissances partagées, des droits d'accès adaptés et une gouvernance robuste. C'est à ce niveau que les organisations peuvent réellement créer de la valeur et obtenir les bénéfices attendus de l'IA.
Le rapport introduit également un « Agentic AI Maturity Index », un cadre permettant d'évaluer le niveau de maturité des entreprises dans leur adoption de l'IA agentique. Il met également en avant le concept d’ « Autonomous Knowledge » : des données d'entreprise enrichies de contexte, de traçabilité et de gouvernance, indispensables pour permettre aux agents d'IA d'agir de manière fiable et à grande échelle.
Agentic AI Maturity Index : Où en sont réellement les entreprises ?
L'indice de maturité repose sur quatre étapes : expérimentation, développement, mise en place et opérationnalisation. Cette dernière correspond au stade où l'IA pilote des processus métier complexes et génère un impact mesurable sur l'activité.
Aujourd'hui, seules 7 % des entreprises ont atteint ce niveau de maturité. À l'inverse, 68 % se situent encore aux phases d'expérimentation ou de développement, où le manque de contexte exploitable autour des données demeure l'un des principaux freins au déploiement de l'IA agentique.
L'étude met également en évidence un écart de perception entre les niveaux hiérarchiques : 69 % des dirigeants estiment que leur organisation utilise déjà l'IA agentique, contre 57 % des vice-présidents, révélant une vision parfois différente de la réalité des déploiements.
Une analyse par secteur et par pays
Le rapport compare les résultats selon les secteurs d'activité — notamment la santé, les services financiers, l'informatique, l'industrie manufacturière et le commerce de détail — ainsi que sur six marchés : les États-Unis, le Royaume-Uni, la France, l'Allemagne, le Japon et l'Arabie saoudite.
Si les défis liés au déploiement de l'IA agentique sont communs à l'échelle mondiale, ils se manifestent avec des intensités différentes selon les secteurs et les pays. L'étude met ainsi en évidence plusieurs obstacles majeurs qui freinent l'adoption de l'IA à grande échelle.
Le défi du retour sur investissement
Si 90 % des décideurs technologiques prévoient d'augmenter leurs investissements dans l'IA agentique au cours des 12 prochains mois, 63 % estiment que les bénéfices observés à ce jour restent limités ou encore émergents.Selon l'étude, cet écart entre les investissements consentis et les résultats obtenus ne reflète pas un manque d'ambition, mais les limites des infrastructures de données actuelles, conçues pour des utilisateurs humains plutôt que pour des agents d'IA autonomes.
La fragmentation des données, principal frein à l'IA agentique
L'étude identifie la fragmentation du contexte comme le principal obstacle au déploiement de l'IA agentique. Si les entreprises disposent de volumes considérables de données, celles-ci manquent souvent du contexte, de la traçabilité et de la gouvernance nécessaires pour permettre aux agents d'IA de fonctionner de manière fiable. Les chiffres sont révélateurs : 77 %des dirigeants estiment que 20 % ou moins de leurs données sont aujourd'hui suffisamment documentées et contextualisées pour être exploitées par des agents d'IA, tandis que 78 % peinent à unifier les données et les connaissances entre les différentes fonctions de l'entreprise.
Les principaux freins cités sont le manque de métadonnées, de contexte et de relations entre les données (43 %), ainsi que leur dispersion dans des systèmes qui ne communiquent pas en temps réel (42 %). Résultat : de nombreux projets d'IA restent bloqués au stade de pilote. 40 % des responsables technologiques indiquent que plus de 40 % de leurs projets pilotes n'atteignent jamais la production, et seules 15 % des organisations parviennent à industrialiser au moins 80 % de leurs initiatives.
Le passage à l’action reste un défi
Même lorsque les entreprises parviennent à mieux contextualiser leurs données, le déploiement d'agents d'IA capables d'agir de manière autonome reste un défi majeur. 60 % des dirigeants déclarent être confrontés à une forme de paralysie décisionnelle lorsqu'il s'agit de choisir une infrastructure pérenne. Si 30 % évoquent le risque de dépendance vis-à-vis d'un fournisseur, le principal frein reste le manque de confiance dans les solutions déployées. Tant que les organisations n'auront pas pleinement confiance dans les données sur lesquelles s'appuient leurs agents, elles hésiteront à leur laisser prendre des décisions de manière autonome. 51 % des dirigeants citent d'ailleurs la précision et la fiabilité des résultats générés par l'IA comme un obstacle majeur à son déploiement.
L'étude met également en évidence un problème d'intégration : les résultats produits par l'IA sont encore trop souvent présentés dans des applications ou tableaux de bord distincts, en dehors des outils où les collaborateurs prennent réellement leurs décisions et exécutent leur travail. À l'inverse, lorsque l'IA est directement intégrée aux applications métier utilisées au quotidien, elle favorise naturellement le passage à l'action. Finalement, ces deux défis trouvent une même origine : des données qui manquent encore de contexte, de traçabilité et de gouvernance pour être considérées comme suffisamment fiables et permettre aux entreprises de déployer des agents d'IA autonomes en toute confiance.
La voie à suivre : vers une « connaissance autonome »
Pour franchir le cap entre une IA utilisée à titre individuel et une IA déployée à l'échelle de l'entreprise, le rapport met en avant le concept de « connaissance autonome » (Autonomous Knowledge). Cette approche consiste à s'appuyer sur des données enrichies de contexte, de traçabilité et de gouvernance afin de permettre aux agents d'IA d'agir de manière fiable et autonome. Le rapport recommande une démarche progressive : identifier et contextualiser les données les plus stratégiques, intégrer la gouvernance au cœur de la couche de données et mettre en place une architecture capable d'évoluer à grande échelle. Les organisations ayant déjà engagé cette transformation commencent à en tirer des bénéfices concrets, tandis que les autres peinent encore à faire passer leurs projets pilotes d'IA au stade de la production.
À propos de l'étude
Le rapport « Arrested Automation: Why Agentic AI Stalls at the Enterprise Level » a été réalisé par Wakefield Research pour le compte de Teradata. L'étude s'appuie sur les réponses de 1 000 décideurs en charge des technologies et des données, occupant des fonctions de vice-président ou supérieures, au sein d'entreprises de plus de 500 salariés. Les personnes interrogées sont réparties sur six marchés : les États-Unis (500 répondants), le Royaume-Uni, la France, l'Allemagne, le Japon et l'Arabie saoudite (100 répondants chacun). L'enquête a été menée entre le 23 mars et le 5 avril 2026.
Teradata permet aux entreprises de transformer l’intelligence en actions autonomes, en intégrant les agents IA à un contexte métier riche et à des données fiables. À mesure que l’adoption des agents IA s’accélère, Teradata fournit la base contextuelle, la couche de gouvernance et l’infrastructure de performance essentielles aux organisations. La plateforme Teradata Autonomous Knowledge facilite la mise en production de l’IA dans des environnements cloud, on-premises et hybrides, en assurant cohérence, contrôle et performance.
L'indice de maturité repose sur quatre étapes : expérimentation, développement, mise en place et opérationnalisation. Cette dernière correspond au stade où l'IA pilote des processus métier complexes et génère un impact mesurable sur l'activité.
12 prochains mois, 63 % estiment que les bénéfices observés à ce jour restent limités ou encore émergents.Selon l'étude, cet écart entre les investissements consentis et les résultats obtenus ne reflète pas un manque d'ambition, mais les limites des infrastructures de données actuelles, conçues pour des utilisateurs humains plutôt que pour des agents d'IA autonomes.
Les principaux freins cités sont le manque de métadonnées, de contexte et de relations entre les données (43 %), ainsi que leur dispersion dans des systèmes qui ne communiquent pas en temps réel (42 %). Résultat : de nombreux projets d'IA restent bloqués au stade de pilote. 40 % des responsables technologiques indiquent que plus de 40 % de leurs projets pilotes n'atteignent jamais la production, et seules 15 % des organisations parviennent à industrialiser au moins 80 % de leurs initiatives.
Même lorsque les entreprises parviennent à mieux contextualiser leurs données, le déploiement d'agents d'IA capables d'agir de manière autonome reste un défi majeur. 60 % des dirigeants déclarent être confrontés à une forme de paralysie décisionnelle lorsqu'il s'agit de choisir une infrastructure pérenne. Si 30 % évoquent le risque de dépendance vis-à-vis d'un fournisseur, le principal frein reste le manque de confiance dans les solutions déployées. Tant que les organisations n'auront pas pleinement confiance dans les données sur lesquelles s'appuient leurs agents, elles hésiteront à leur laisser prendre des décisions de manière autonome. 51 % des dirigeants citent d'ailleurs la précision et la fiabilité des résultats générés par l'IA comme un obstacle majeur à son déploiement.