Selon le State of AI in the Enterprise: The Untapped Edge (Deloitte AI Institute, janvier 2026), 74 % des entreprises mondiales interrogées prévoient d’utiliser des agents IA au moins modérément dans les deux ans. La plupart n’ont encore désigné personne pour répondre quand ces agents se trompent.

La maturité technologique n’est qu’une dimension du problème. Ce rapport, qui a interrogé 3 235 dirigeants dans 24 pays, indique que seulement 21 % des entreprises disposent d’un modèle de gouvernance mature pour leurs agents IA, et 84 % n’ont pas redessiné leurs postes autour de ces outils. L’écart entre la vitesse de déploiement et la vitesse d’adaptation institutionnelle dessine une architecture de responsabilité à trous, dans laquelle des décisions conséquentes se prendront sans que personne ne sache vraiment qui les a prises.

L’essentiel

74 % des entreprises mondiales interrogées par Deloitte prévoient d’utiliser des agents IA au moins modérément dans les deux ans, mais 84 % n’ont pas redessiné leurs postes en conséquence et seulement 21 % ont une gouvernance mature des agents, selon le State of AI in the Enterprise: The Untapped Edge (Deloitte AI Institute, janvier 2026). Le risque central n’est pas la suppression d’emplois mais l’absence de chaîne de responsabilité lorsqu’un agent autonome prend une décision erronée. Les entreprises qui ont commencé à redéfinir les postes et à instaurer des protocoles de supervision humaine obtiennent des résultats mesurables supérieurs à celles qui se contentent de déployer.

75 % prévoient, 21 % gouvernent : l’arithmétique du vide

Quand un trader humain prend une mauvaise décision, on sait qui appeler. Quand un agent IA approuve un crédit, déclenche une commande ou écarte un candidat, la chaîne de causalité se dilue. Qui a paramétré l’agent ? Qui a validé ses seuils de décision ? Qui supervisait au moment de l’erreur ?

Ces questions ne sont pas hypothétiques. Elles se posent déjà dans les entreprises qui ont commencé à déployer, et la réponse est souvent embarrassée. Le KPMG Q4 AI Pulse Survey confirme la tendance : l’adoption accélère, la gouvernance suit lentement. L’écart entre les deux n’est pas une curiosité statistique ; c’est la description d’un vide institutionnel.

Ce vide a une logique. Les agents IA promettent des gains de productivité immédiats et mesurables. La gouvernance, elle, est coûteuse, lente et ne produit pas de métriques flatteuses pour un conseil d’administration. Le déploiement avance donc en éclaireur, et la structure organisationnelle suit à distance.

Le chercheur Milo Rignell, qui travaille sur la politique technologique et la régulation de l’IA, insiste sur ce point : les décisions de déploiement sont prises par des acteurs dont les incitations sont orientées vers la performance à court terme, tandis que la gouvernance suppose des investissements dont les bénéfices sont diffus et différés. Sans correction externe, qu’elle vienne de la réglementation ou d’une contrainte de marché, cet écart tend à se creuser.

La mécanique est similaire à celle que l’on a observée dans d’autres transitions technologiques : l’outil arrive, les usages s’improvisent, les règles arrivent après l’incident. La différence avec les agents IA, c’est que les décisions qu’ils prennent peuvent engager des tiers, des budgets, des vies professionnelles, dans des conditions où la traçabilité est encore largement optionnelle.

Pourquoi la suppression d’emplois est le mauvais sujet

Le débat public sur l’IA et le travail est saturé par la question de la suppression d’emplois. C’est compréhensible, mais cela détourne l’attention du problème plus immédiat que les données révèlent.

Le fait que 84 % des entreprises n’aient pas redessiné leurs postes autour des agents IA dit quelque chose de précis : les travailleurs humains qui coexistent avec ces agents n’ont pas vu leur rôle redéfini. Ils continuent à opérer selon des descriptions de poste antérieures, sans que soit formalisé ce qui relève de leur jugement et ce qui relève de celui de l’agent. Cette ambiguïté n’est pas confortable à gérer au quotidien, mais elle est aussi juridiquement fragile : en cas d’erreur, elle rend l’attribution de responsabilité quasi impossible.

Les économistes qui étudient les transitions technologiques, dont Daron Acemoglu et Simon Johnson dans leur analyse des conditions dans lesquelles la technologie profite au plus grand nombre, soulignent que la technologie reconfigure avant tout les rapports de pouvoir et les chaînes de décision, au-delà du seul remplacement des travailleurs. Qui contrôle l’agent ? Qui peut l’arrêter ? Qui est informé de ses décisions ? Ces questions de gouvernance interne conditionnent bien plus l’impact du travail humain que le seul volume d’emplois supprimés ou créés.

Il existe un précédent instructif. Quand l’automatisation a transformé les lignes de production dans les années 1990, les entreprises qui avaient investi dans la redéfinition des postes d’opérateurs, les transformant en superviseurs de processus plutôt qu’en exécutants, ont obtenu de meilleurs résultats sur la durée que celles qui s’étaient contentées de substituer des machines à des bras. La leçon tient encore : l’outil seul ne suffit pas, c’est son intégration dans une organisation repensée qui détermine le résultat. On avait déjà observé une dynamique similaire dans l’automatisation agricole, où le gain de productivité s’est accompagné d’une recomposition profonde des rôles sans que les institutions locales l’anticipent.

Les entreprises qui ont commencé à redéfinir les postes obtiennent plus

Les données de Deloitte permettent une comparaison directe entre les entreprises qui ont investi dans la redéfinition des postes et la supervision humaine et celles qui se sont contentées de déployer. Les premières obtiennent des résultats mesurables supérieurs, que ce soit en termes de productivité, de satisfaction des équipes ou de qualité des décisions prises par les agents.

Ce résultat n’est pas contre-intuitif si l’on comprend comment fonctionnent les agents IA actuels. Ces systèmes opèrent à l’intérieur d’objectifs définis par leurs paramètres. Quand ces paramètres sont mal calibrés, l’agent optimise efficacement pour le mauvais objectif. La supervision humaine ne consiste pas à vérifier chaque décision, ce qui annulerait les gains de productivité, mais à maintenir une capacité d’intervention sur les cas limites, à détecter les dérives systématiques et à ajuster les paramètres en conséquence.

Les entreprises qui ont formalisé ce rôle de supervision, en désignant des responsables explicites, en définissant des seuils de décision au-delà desquels l’agent doit solliciter une validation humaine, et en documentant les décisions de l’agent pour permettre un audit, construisent une architecture de responsabilité. Celles qui ne le font pas construisent une architecture d’opacité.

La prudence managériale est une première exigence, à laquelle s’ajoute une dimension juridique. Dans les secteurs où les décisions ont des conséquences directes sur des tiers, crédit, assurance, santé, recrutement, l’absence de chaîne de responsabilité claire commence à attirer l’attention des juristes et des régulateurs. La question de savoir si un agent IA peut être un “décideur” au sens du droit est ouverte dans la plupart des juridictions. En attendant qu’elle soit tranchée, les entreprises qui ne se sont pas dotées de protocoles de supervision humaine opèrent dans un angle mort juridique.

Deux scénarios pour combler l’écart avant qu’il ne devienne un problème social

L’écart entre adoption et gouvernance n’est pas figé. Deux trajectoires sont plausibles d’ici 2030, selon les signaux qui se dessinent aujourd’hui.

Le premier scénario est celui de la convergence par l’incident. Un agent autonome prend une décision erronée dans un contexte à enjeux élevés : un refus de crédit basé sur un biais non détecté, une erreur médicale dans un protocole assisté par IA, un licenciement automatisé contesté en justice. L’incident médiatisé force les régulateurs à agir. Les entreprises, sous contrainte, instaurent rapidement des cadres de responsabilité qu’elles auraient pu construire progressivement. La gouvernance rattrape le déploiement, mais par la contrainte et dans l’urgence, avec les coûts que cela implique. L’Union européenne, avec son AI Act entré en application en 2024, a partiellement anticipé ce scénario pour les systèmes à haut risque. Aux États-Unis, le cadre reste largement sectoriel et fragmenté.

Le second scénario est celui de la gouvernance préventive. Les entreprises qui ont investi tôt dans la redéfinition des postes et la supervision humaine obtiennent un avantage compétitif visible, en qualité de décision, en résilience face aux erreurs, en capacité à justifier leurs pratiques auprès de clients et de régulateurs. Cet avantage crée un effet d’imitation. Les standards de gouvernance montent sans attendre la contrainte réglementaire, portés par la logique concurrentielle. Les 21 % d’entreprises avec une gouvernance mature deviennent une référence de marché plutôt qu’une minorité vertueuse.

Ces deux trajectoires ne s’excluent pas. Le scénario réglementaire peut accélérer la dynamique concurrentielle, et inversement. Mais elles impliquent des besoins collectifs différents. Dans le premier cas, le besoin urgent est un cadre juridique de responsabilité pour les décisions algorithmiques, qui permette à un tribunal de déterminer qui répond d’une erreur d’agent et selon quelle norme. Dans le second, le besoin est davantage méthodologique : des standards d’auditabilité des décisions automatisées, des référentiels de supervision humaine adaptés par secteur, et des mécanismes de certification qui rendent la gouvernance comparable et vérifiable.

Deux signaux permettront de distinguer quelle trajectoire prend le dessus dans les deux ou trois prochaines années. D’abord, l’évolution du pourcentage d’entreprises avec une gouvernance mature : si ce chiffre monte au-delà de 30 % sans incident déclencheur majeur, le scénario préventif est en train de s’imposer. Ensuite, les premiers contentieux sur les décisions d’agents IA : leur nature, leur issue et leur médiatisation conditionneront la vitesse et la forme de la réponse institutionnelle. L’European AI Office, créé pour piloter l’application de l’AI Act, fournira également des données sur la façon dont les entreprises opérant en Europe s’adaptent à la contrainte réglementaire, ce qui éclairera indirectement la situation américaine par contraste.

Les pratiques concrètes des entreprises en avance

Les entreprises qui ont commencé à combler l’écart ne suivent pas un modèle unique, mais leurs pratiques convergent sur quelques axes.

La redéfinition des postes passe d’abord par la cartographie des décisions. Ces entreprises ont identifié quelles décisions seraient prises par des agents, quelles décisions resteraient humaines, et quelles décisions nécessiteraient une validation humaine en amont ou en aval. Cette cartographie n’est pas un document de politique interne ; c’est la base d’une réorganisation des responsabilités. Chez les employés dont le travail est affecté, cela se traduit par une redéfinition explicite du rôle : superviseur de processus plutôt qu’exécutant, chargé de détecter les anomalies et d’intervenir sur les cas limites.

La supervision humaine, dans ces organisations, est formalisée plutôt qu’implicite. Des seuils de décision sont définis au-delà desquels l’agent doit signaler et attendre une validation. Des journaux de décisions sont tenus, permettant un audit ultérieur. Des revues périodiques examinent les décisions prises par les agents pour détecter les dérives systématiques avant qu’elles ne se transforment en incidents.

Sur le plan de la gouvernance, ces entreprises ont désigné des responsables explicites de la performance et des erreurs des agents. Dans certains cas, cette responsabilité est portée par des comités transversaux associant les équipes techniques, juridiques et opérationnelles. L’objectif n’est pas de ralentir le déploiement mais de s’assurer que la chaîne de responsabilité existe avant que l’agent ne prenne sa première décision conséquente.

Cette approche ne supprime pas le risque d’erreur. Les agents IA font des erreurs. La question posée par les données de Deloitte et de KPMG n’est pas de savoir si des erreurs se produiront, mais si les organisations dans lesquelles elles se produiront seront capables d’y répondre : les détecter rapidement, en comprendre la cause, corriger le paramétrage et en rendre compte. C’est cette capacité de réponse, davantage que l’absence d’incident, qui distingue les organisations avec une gouvernance mature des autres.

La régulation comme signal, pas comme solution

La tentation, face à cet écart, est d’attendre que la régulation impose un standard. Cette attente est rationnelle à court terme et risquée à moyen terme.

Milo Rignell et d’autres chercheurs qui travaillent sur la politique technologique soulignent que la régulation est efficace lorsqu’elle codifie des pratiques qui ont déjà fait leurs preuves, non lorsqu’elle invente des solutions que les acteurs n’ont pas encore testées. L’AI Act européen a été construit en s’appuyant sur des pratiques émergentes dans l’industrie et la recherche. Aux États-Unis, où le cadre réglementaire est plus fragmenté, les normes de fait émergent souvent des acteurs eux-mêmes avant d’être formalisées par les régulateurs sectoriels.

Pour les entreprises américaines, l’horizon réglementaire reste incertain. Les grandes plateformes technologiques, qui ont le plus d’influence sur les standards de déploiement des agents, ont intérêt à des règles claires plutôt qu’à une fragmentation étatique, mais leur position sur la forme de ces règles varie considérablement. Les entreprises utilisatrices, celles qui déploient des agents dans des processus opérationnels, ont quant à elles intérêt à des référentiels sectoriels qui leur permettent de démontrer leur conformité à des clients et des régulateurs.

Dans ce contexte, les entreprises qui investissent maintenant dans la gouvernance ne se contentent pas de gérer un risque. Elles acquièrent une capacité organisationnelle qui deviendra un prérequis, que ce prérequis soit imposé par la réglementation ou par les attentes du marché. La question ouverte, que les deux à trois prochaines années permettront de commencer à trancher, est de savoir si cet investissement sera fait assez tôt pour que la gouvernance précède les incidents plutôt que de les suivre.

Sources

  1. KPMG Q4 AI Pulse Survey
  2. Deloitte State of AI in the Enterprise 2026 – communiqué officiel , State of AI in the Enterprise: The Untapped Edge (Deloitte AI Institute, janvier 2026) (enquête auprès de 3 235 dirigeants dans 24 pays)
  3. Daron Acemoglu et Simon Johnson, Power and Progress, PublicAffairs, 2023 , MIT Shaping Work
  4. European AI Act – Règlement UE 2024/1689 – EUR-Lex
  5. European AI Office – Page officielle Commission européenne
  6. Deloitte – AI agents scaling faster than their guardrails
  7. National Law Review – Legal considerations for Agentic AI