La data ne suffit plus ! Il faut du contexte, de la confiance et une governance qui permette de scaler

Le problème n’est pas le volume de données

8 entreprises sur 10 citent les limitations de données comme principal obstacle au scale agentique. Le problème est pourtant mal posé : ce n’est pas une question de volume ou même de qualité, c’est une question de capacité à fournir à l’agent le bon contexte au bon moment, avec les bonnes règles. La data platform change de rôle : elle ne sert plus seulement à alimenter un model, elle devient une trusted architecture. J’ai écrit dans mon précédent article que les organisations ont besoin d’une architecture d’action. Une architecture d’action sans contexte exploitable est une coquille vide.

Un blind spot persiste dans beaucoup d’organisations : la préparation de la donnée non structurée. Si les données tabulaires et transactionnelles sont majoritairement prêtes pour l’IA, les documents, les emails, les contenus textuels et les flux conversationnels qui constituent la majeure partie de l’information d’entreprise restent largement inaccessibles aux agents. Environ deux tiers des organisations considèrent leur donnée structurée comme préparée pour l’IA, contre moins de quatre sur dix pour la donnée non structurée. C’est précisément dans cette donnée non structurée que se trouve le contexte métier le plus riche : les priorités, les contraintes, les exceptions, les règles implicites qui permettent à un agent de distinguer ce qui est utile de ce qui ne l’est pas.

Le context engineering devient une enterprise capability

C’est ce que j’appelle le context engineering : non pas un sujet technique réservé aux équipes data, un levier de plateforme qui détermine la qualité de chaque décision prise par un agent. Gartner prédit que le context engineering sera intégré dans 80 % des AI tools d’ici 2028 et améliorera la précision des agents de plus de 30 %. Les données de production le confirment déjà : 69 % des input tokens dans les traces LLM en entreprise sont consacrés au contexte système (prompts, instructions, policies, tool descriptions), pas aux requêtes réelles. Les organisations qui investissent dans cette context layer ne font pas de l’optimisation. Elles construisent un avantage structurel difficile à répliquer.

Concrètement, le context engineering exige trois choses :

• Une semantic layer unifiée : les mêmes business definitions pour tous les agents, les mêmes ontologies métier, le même vocabulaire. Sans ça, deux agents qui traitent le même sujet prennent des décisions incohérentes.
• Des context products versionnés et gouvernés : le contexte traité comme un data product, pas comme un prompt jetable. Chaque context product est versionné, testé, auditable et distribué à travers tout le système.
• Des protocoles de communication inter-agents comme le MCP : ils permettent de distribuer ce contexte de manière cohérente à travers le multi-agent system. Sur un socle comme Fabric, cela se traduit par un data lake unifié où chaque donnée est gouvernée, tracée et consommable par les agents au même titre que par les analytics tools.

La confiance se pilote, elle ne se décrète pas

À mesure que les agents gagnent en autonomie, les questions deviennent pressantes : quelle trace laisse l’agent, comment détecter un drift, comment arbitrer entre velocity et safety. Seulement un tiers des organisations atteint aujourd’hui un niveau satisfaisant de governance spécifique aux agents.

L’ampleur du défi ne va pas diminuer avec le scale up à venir. Gartner prévoit qu’une entreprise Fortune 500 moyenne comptera plus de 150 000 agents en usage d’ici 2028, contre moins de 15 en 2025. L’agent sprawl, cette prolifération incontrôlée d’agents sans governance commune, est déjà une réalité dans les organisations les plus avancées. Le shadow AI, ces agents qui prolifèrent sans traçabilité, est le symptôme le plus visible d’une autonomie mal encadrée. Plus d’un quart des organisations l’identifient déjà comme obstacle majeur.

Les power users le savent. 86 % traitent les outputs d’agents comme un point de départ, pas comme un deliverable final. 50 % citent le quality control comme la première compétence humaine à renforcer. La confiance ne se décrète pas par une charte : elle se construit à chaque interaction, par la supervision, la traçabilité et le jugement humain qui reste accountable du résultat.

Mon précédent article a posé le FinOps AI comme composante de l’architecture d’action. Le sujet ici est différent : c’est la governance de la valeur. Pas seulement combien coûte un agent, mais quel outcome business il produit. Le coût par décision automatisée, le marginal gain vs alternative humaine, le ROI par processus agentisé. C’est cette logique de ValueOps qui rend le programme agentique défendable en comex. Sans elle, le FinOps AI reste un cost dashboard, avec elle, il devient un outil de pilotage stratégique.

La souveraineté : un enjeu que l’architecture agentique doit intégrer

Au-delà de la governance fonctionnelle et économique, la souveraineté est un enjeu que nous voyons monter chez de nombreux clients. Le challenge réside dans la capacité à décliner les architectures agentiques en mode on-premise ou cloud souverain, en choisissant le bon SLM ou LLM en fonction du niveau de sensibilité de chaque use case. Certaines organisations explorent des solutions nationales comme Mistral pour les traitements qui exigent une maîtrise complète de la reasoning chain, tout en utilisant des models commerciaux plus puissants pour les usages moins sensibles. Cette approche hybride (souveraineté du raisonnement critique + puissance des models commerciaux pour le reste) devient une exigence dans les secteurs régulés, en particulier en FSI et dans le secteur public. L’architecture agentique doit intégrer cette dimension dès la conception : pas comme un choix binaire, comme une governance par niveaux.

Ce que ça change pour les dirigeants

Les organisations qui réussiront ne sont pas celles qui auront plus de données. Ce sont celles qui transformeront données, contexte, supervision et ValueOps en confiance opérationnelle. 75 % des organisations jugent la transparency très ou extrêmement importante pour l’IA agentique, ce chiffre monte à 88 % chez les Frontier firms. Les organisations qui investissent dans la maturité de leur responsible AI sont aussi celles qui rapportent les bénéfices financiers les plus élevés. La confiance n’est pas un coût, c’est un accélérateur. Ce que je constate dans chaque programme que nous accompagnons.

Focus sur deux industries :

Services Financiers (FSI)

88 % des Frontier firms FSI considèrent la transparency agentique comme critique : une exigence qui n’est pas seulement éthique, elle est réglementaire. DORA impose des standards de résilience opérationnelle. L’AI Act impose la traçabilité pour les high-risk systems (scoring crédit, fraud detection, recommandation d’investissement). Une banque incapable d’expliquer pourquoi son agent a refusé un crédit ou flaggé une transaction suspecte expose ses dirigeants à un risque réglementaire direct. Le ValueOps est également critique en FSI : certaines institutions constatent déjà des token costs qui explosent sur des usages de compliance mal cadrés, sans lien traçable avec l’outcome business. La souveraineté des models devient un sujet de risk committee, pas seulement un sujet technique.

Retail / CPG

26 % des organisations identifient le shadow AI et la governance des agents comme obstacle majeur. En Retail, le risque est immédiat : un agent de pricing autonome sans guardrails calibrés peut générer des pertes de marge en quelques heures sur un catalogue de millions de références. Les enseignes les plus avancées mettent en place des niveaux d’autonomie gradués par type de décision : un agent peut ajuster les prix dans une fourchette définie sans validation, tout mouvement supérieur à un threshold déclenche une human review. Le ValueOps en Retail cible en priorité les agents de personnalisation real-time : des volumes de tokens à piloter directement en lien avec le taux de conversion généré.

Article 6 → L’architecture d’action est posée. Le contexte et la confiance sont en place. La vraie rupture de valeur vient d’ailleurs : du redesign du travail lui-même.