Pourquoi les agents IA ont encore besoin des humains dans les opérations IT

Les agents IA prennent désormais en charge un tiers des actions IT, mais le contrôle humain reste essentiel

Les agents IA exécutent déjà environ une action sur trois dans les workflows IT des entreprises. Il s’agit d’une automatisation significative, mais pas d’une IT autonome. L’étude de Fixify montre un modèle opérationnel plus pragmatique : l’IA prend en charge l’exécution de routine, tandis que les personnes gardent le contrôle des décisions lorsque les erreurs ont un coût plus élevé.

Fixify a analysé près de 18 000 plans d’agents et plus de 147 000 actions d’agents dans 40 entreprises sur trois mois. Les données montrent une répartition claire du travail. Les agents exécutent des tâches répétables et coordonnent les demandes. Les analystes humains approuvent les changements importants, résolvent les exceptions et corrigent les décisions des agents lorsque le contexte métier compte.

L’équilibre évolue également. Au cours de l’étude de trois mois, l’approbation humaine des actions proposées par l’IA est passée de 23 % à 41 %. Le taux de rejet a reculé de 27 % à 16 %. Cela suggère que le système est devenu plus utile à mesure que les agents opéraient dans des processus de feedback et de revue. Cela ne montre pas que la supervision humaine est devenue inutile. Cela montre qu’une automatisation supervisée peut progressivement se voir confier un rôle plus important.

Matt Peters, cofondateur et PDG de Fixify, présente cela comme un objectif plus réaliste que le remplacement d’un help desk IT. « Cela peut sembler moins spectaculaire que de remplacer le help desk », a écrit Peters. « C’est aussi une voie bien plus crédible pour transformer la manière dont le travail IT est réalisé. »

Pour les dirigeants, l’indicateur important n’est donc pas le pourcentage d’emplois IT que l’IA peut remplacer. C’est le pourcentage de travail qui peut passer en toute sécurité de l’exécution humaine à la supervision humaine. Ce sont deux objectifs différents. Le second peut offrir un service plus rapide et une plus grande capacité sans exiger qu’un agent prenne chaque décision de manière indépendante.

Cela modifie aussi le rôle des équipes IT. Les analystes doivent de plus en plus examiner les actions proposées, gérer les exceptions et décider quand l’automatisation doit s’arrêter. Leur jugement se concentre sur un nombre plus réduit de décisions, mais à plus fort enjeu. Les organisations devraient concevoir leurs workflows, leurs effectifs et leurs indicateurs de performance autour de cette division du travail, plutôt que de mesurer le succès de l’IA principalement à l’aune d’une autonomie complète.

Les éléments observés soutiennent un principe opérationnel clair : automatiser l’exécution avant d’automatiser l’autorité. Les agents IA peuvent prendre en charge davantage de travail à mesure que leurs performances s’améliorent, mais les entreprises devraient conserver le contrôle humain là où une action incorrecte peut affecter de manière significative la sécurité, les accès, les employés ou les opérations.

Les meilleures cibles de l’automatisation sont les tâches IT répétables, réversibles et à faible risque

La principale contrainte de l’automatisation IT n’est pas de savoir si un agent IA peut exécuter une action. C’est de savoir si l’organisation peut tolérer que l’agent se trompe. Fixify a constaté que les agents actuels fonctionnent le mieux lorsque les demandes sont bien comprises, reviennent fréquemment et peuvent être annulées sans conséquences graves.

Les opérations logicielles, applicatives, collaboratives et certaines opérations de sécurité correspondent à ce profil. Un agent peut traiter des demandes standard, collecter des informations, envoyer des messages et exécuter des procédures établies. Ces tâches reposent sur des règles claires et des résultats observables. En cas d’échec, l’organisation peut souvent corriger le problème sans impact métier majeur.

Le travail à plus fort enjeu est différent. Les analystes humains restent étroitement impliqués dans la vérification d’identité, l’onboarding et l’offboarding, l’attribution des accès et les environnements matériels. Ces activités peuvent sembler routinières, mais elles peuvent donner à une personne accès à des systèmes sensibles, supprimer un accès nécessaire au travail ou laisser d’anciens employés avec des autorisations qu’ils ne devraient plus avoir. Le coût d’une action incorrecte compte donc autant que sa complexité technique.

La sécurité illustre bien cette distinction. Les agents n’ont participé qu’à environ 6 % du travail de sécurité examiné par Fixify. Leurs activités comprenaient l’ajout ou le retrait de personnes de groupes et de canaux, le déverrouillage de comptes, la réinitialisation de mots de passe, l’analyse de problèmes d’authentification multifacteur, le provisionnement ou le déprovisionnement de comptes, ainsi que l’attribution de licences logicielles. Ce sont des opérations techniquement automatisables, mais beaucoup modifient l’état de sécurité d’une organisation.

Le travail lié au cycle de vie des identités est aussi celui où les agents ont rencontré le plus de difficultés. Fixify a constaté que les changements liés à l’identité échouaient trois à neuf fois plus souvent que les changements liés au matériel et à la connectivité. Cela renforce l’idée que le périmètre de l’automatisation doit être déterminé à la fois par la fiabilité et par les conséquences.

La décision des dirigeants ne consiste donc pas simplement à déterminer où l’IA peut être déployée. Elle consiste à déterminer où les erreurs peuvent être détectées, contenues et corrigées à un coût acceptable. Le travail à faible risque et réversible devrait être traité en premier. Les processus à plus haut risque devraient utiliser des agents pour la préparation, la collecte d’informations et les recommandations, tout en conservant une approbation humaine explicite pour les changements à fort impact.

Cette approche laisse malgré tout une marge d’expansion importante. À mesure que les données s’améliorent et que les organisations apprennent quelles actions les agents exécutent de manière fiable, davantage de tâches peuvent basculer vers une automatisation supervisée. L’objectif est une délégation contrôlée : augmenter la quantité de travail exécutée par l’IA tout en maintenant l’autorité alignée sur le risque métier.

L’essentiel de l’activité des agents IA relève de la coordination et de la planification

Seules 1,1 % des actions analysées par Fixify impliquaient l’exécution d’un workflow complet. Ce chiffre fixe une attente importante pour les dirigeants. Les agents IA d’entreprise sont déjà utiles, mais leur valeur aujourd’hui vient surtout de la gestion d’étapes individuelles, de la coordination du travail et de la décision sur ce qui doit se passer ensuite.

Fixify divise le travail agentique en quatre étapes : la planification, la proposition d’une action, la réception d’une approbation ou d’un rejet humain, puis l’exécution d’une action approuvée. Cette structure permet à un agent d’évaluer une demande avant de modifier un système de production. Elle donne aussi aux analystes humains des points d’intervention clairs.

L’étude montre l’ampleur du travail qui entoure l’exécution. L’exécution d’une compétence spécifique, c’est-à-dire la réalisation effective d’une tâche, représentait 39,4 % de toutes les actions des agents. L’envoi d’un message à la personne à l’origine de la demande représentait 27,7 %. Les commentaires initiaux comptaient pour 13,2 %, les instructions aux analystes humains pour 9,8 %, et l’attente pour 8,8 %. L’exécution complète d’un workflow ne représentait que 1,1 %.

La planification est tout aussi étendue. Fixify a constaté que les agents cartographiaient généralement environ 15 actions possibles, mais n’en exécutaient finalement que deux. C’est délibéré. Les demandes IT évoluent souvent à mesure que de nouvelles informations deviennent disponibles. Un agent peut découvrir qu’un compte n’existe pas, qu’une demande nécessite une approbation ou qu’une autre équipe est propriétaire du système nécessaire. Il doit alors sélectionner une autre action plutôt que d’exécuter aveuglément une séquence prédéfinie.

Fixify décrit ce processus comme le fait, pour l’agent, de cartographier les chemins possibles puis de choisir le plus approprié lorsqu’il rencontre les conditions réelles d’exploitation. L’étude a également montré que les agents les plus sophistiqués finissent par produire des plans plus légers et replanifient lorsque c’est nécessaire au lieu de prédire à l’avance chaque éventualité.

Ceci compte lorsque les entreprises mesurent les retours. Une focalisation étroite sur les workflows autonomes entièrement exécutés sous-estimera ce que font réellement les agents. Un agent qui collecte les informations manquantes, vérifie l’état du système, communique avec un employé et prépare l’action correcte pour approbation par un analyste peut réduire une quantité importante de travail manuel sans jamais prendre en charge l’ensemble du processus.

Les dirigeants devraient donc mesurer le travail individuel supprimé autant que les workflows automatisés. Les indicateurs utiles incluent le temps analyste économisé, le nombre d’étapes manuelles éliminées, les taux d’approbation, les taux de rejet, le succès d’exécution et la fréquence de replanification. Ces mesures donnent une image plus claire de la valeur opérationnelle que le pourcentage de processus exécutés sans intervention humaine.

L’opportunité à court terme n’est pas l’autonomie maximale. C’est la réduction de la coordination et de l’exécution de routine qui consomment la capacité des analystes. L’automatisation de bout en bout peut s’étendre là où les preuves la justifient, mais elle devrait être le résultat d’une fiabilité démontrée plutôt que l’exigence de départ.

Une automatisation sélective peut améliorer le service IT sans confier le contrôle complet à l’IA

L’IA n’a pas besoin de mener à bien un processus IT complet pour produire une valeur mesurable. Elle peut prendre en charge les premières étapes d’une demande, collecter les informations requises et transmettre le dossier au bon expert. Cela réduit le travail manuel tout en préservant le contrôle humain sur les décisions qui nécessitent un contexte métier ou présentent un risque plus élevé.

Fixify a décrit un processus de tickets à fort volume qui illustre ce modèle. Un agent IA déterminait quelle équipe devait disposer de l’accès nécessaire pour traiter la demande. Il effectuait le tri initial, posait des questions de suivi et orientait le ticket vers l’équipe disposant des informations et de l’autorité nécessaires pour agir. L’agent n’essayait pas d’automatiser l’ensemble du processus.

Le résultat important était une meilleure préparation. L’équipe destinataire pouvait agir plus tôt, car la découverte initiale et le routage avaient déjà eu lieu. Cela répond à une source fréquente de retard dans le service IT : non pas le travail technique lui-même, mais le temps passé à collecter des informations, clarifier une demande, identifier le responsable et faire circuler les tickets entre les équipes.

Matt Peters, cofondateur et PDG de Fixify, a résumé le cas en termes plus simples : « Nous n’avions pas besoin d’un esprit de ruche apocalyptique », a-t-il déclaré. « Nous avions simplement besoin d’orienter un peu d’intelligence conversationnelle dans la bonne direction. » Son propos est opérationnel. Une automatisation utile n’exige pas un système capable de gérer indépendamment chaque étape d’une demande.

Pour les dirigeants d’entreprise, cela crée une manière pragmatique de prioriser l’investissement. Les entreprises peuvent automatiser les étapes à fort volume lorsque les règles sont claires, tout en conservant des points de validation autour des changements sensibles. Le tri initial, la collecte d’informations, la classification, la communication et le routage sont de bons candidats, car ils peuvent consommer un temps analyste considérable sans nécessairement exiger l’autorité de décision finale.

Cette approche limite aussi le coût des erreurs. Si un agent formule une recommandation incorrecte pendant la phase de préparation, un humain peut la rejeter ou la corriger avant qu’une action à fort impact ne se produise. Les conclusions plus larges de Fixify soutiennent cette conception : les analystes humains restent les plus impliqués dans les domaines à plus fort enjeu, tandis que l’activité des agents se concentre sur le travail répétable plus facile à annuler.

L’objectif métier devrait être de réduire le travail humain inutile. Une automatisation sélective peut raccourcir les files d’attente, améliorer les informations disponibles pour les analystes et permettre aux équipes qualifiées de se concentrer sur les exceptions et les décisions à fort impact. À mesure que la fiabilité des agents et les données opérationnelles s’améliorent, les organisations peuvent étendre la frontière de l’exécution automatisée sur la base des performances observées plutôt que d’hypothèses.

La gestion des identités et des accès est le domaine où les agents IA échouent le plus souvent

Les changements liés au cycle de vie des identités échouent trois à neuf fois plus souvent que les changements liés au matériel et à la connectivité, selon Fixify. Cela fait de la gestion des identités et des accès (IAM) l’un des domaines les plus évidents où les entreprises devraient conserver de solides contrôles humains.

Le problème ne tient pas simplement à la complexité des tâches. Les opérations d’identité dépendent de relations exactes entre employés, comptes, groupes, applications, autorisations et structures organisationnelles. Ces relations changent en permanence. Des employés arrivent ou partent. Des personnes changent d’équipe. Les groupes sont réorganisés. Les comptes sont renommés. Les exigences d’accès évoluent. Un agent agissant sur la base d’informations obsolètes peut prendre une décision techniquement valide à partir d’une vision incorrecte de l’organisation.

Ceci est important parce que les erreurs d’identité peuvent avoir des conséquences significatives. Donner un accès au mauvais compte peut créer une faille de sécurité. Supprimer un accès légitime peut perturber le travail. Un processus d’offboarding incomplet peut laisser d’anciens employés avec des autorisations qui auraient dû être révoquées. L’action elle-même peut être simple, mais son autorisation et son contexte métier exigent un niveau de confiance plus élevé.

Fixify a constaté que les agents participaient au travail de sécurité, même si la sécurité ne représentait qu’environ 6 % de leur activité. Les tâches comprenaient l’ajout ou le retrait d’utilisateurs de groupes ou de canaux, le déverrouillage de comptes, la réinitialisation de mots de passe, l’analyse de problèmes d’authentification multifacteur, le provisionnement et le déprovisionnement de comptes, ainsi que l’attribution de licences logicielles.

Ces activités ne devraient pas toutes relever de la même politique d’automatisation. Les réinitialisations de mots de passe et les opérations de compte routinières peuvent convenir à des niveaux d’automatisation plus élevés lorsque l’identité peut être vérifiée de manière fiable. Les accès privilégiés, l’appartenance à des groupes sensibles et l’offboarding des employés exigent des contrôles plus stricts, car une décision incorrecte a un impact plus important sur la sécurité ou la conformité.

Pour les dirigeants, la principale contrainte est la qualité du système d’identité de l’organisation. Accroître les capacités du modèle d’IA ne corrigera pas une propriété des comptes inexacte, des groupes obsolètes, des dossiers employés incohérents ou des politiques d’accès mal documentées. Automatiser ces processus plus rapidement peut simplement exposer plus souvent les faiblesses existantes.

La priorité pratique est donc d’améliorer la gouvernance des identités avant d’étendre les changements d’accès autonomes. Les entreprises ont besoin de dossiers employés à jour, d’une propriété claire des groupes et des systèmes, de politiques d’accès définies, de règles d’approbation fiables et de connexions fiables entre les plateformes d’identité et les autres systèmes d’entreprise.

La revue humaine devrait rester concentrée sur les actions ayant l’impact le plus élevé. À mesure que les organisations améliorent les données d’identité et démontrent des performances d’agents cohérentes, elles peuvent automatiser davantage de changements de routine. Les éléments observés par Fixify suggèrent que cette expansion devrait reposer sur une fiabilité mesurée par type de tâche, et non sur l’hypothèse générale que toutes les opérations IT se prêtent également à l’IA.

De mauvaises données opérationnelles sont la principale source d’échec des agents IA

Près de la moitié des échecs identifiés par Fixify ont été classés comme « cible introuvable ». C’est un avertissement direct pour les dirigeants qui investissent dans l’IA agentique : la qualité de l’automatisation dépend de l’état des systèmes et des données que l’agent est censé utiliser.

Fixify a pu examiner ce problème parce que ses workflows maintenaient les humains dans le processus d’approbation. Les recommandations des agents divergeaient du jugement humain environ 23 % du temps. L’entreprise a ensuite analysé pourquoi les actions proposées échouaient ou étaient inappropriées.

La plus grande catégorie, représentant près de 50 % des échecs, se produisait lorsqu’un agent ne parvenait pas à localiser l’utilisateur, le compte, le groupe ou une autre ressource qu’il s’attendait à trouver. Fixify a relié ces échecs en grande partie à la qualité des données opérationnelles. Des employés peuvent avoir changé d’équipe, des comptes peuvent avoir été renommés, des groupes peuvent avoir été restructurés, ou le travail peut déjà avoir été effectué sans que le système concerné ait été mis à jour.

Les entrées invalides représentaient environ 29 % des échecs. Les autres problèmes incluaient des erreurs non gérées, des autorisations refusées, des opérations invalides et des configurations incorrectes. Fixify a indiqué que ces dernières catégories peuvent signaler de véritables défaillances dans les intégrations plutôt qu’un mauvais raisonnement de l’agent.

Cette distinction est importante pour l’investissement technologique. Une entreprise peut déployer un modèle d’IA plus performant et continuer à obtenir de mauvais résultats si l’agent reçoit des enregistrements obsolètes ou interroge des systèmes d’entreprise peu fiables. Dans ces cas, le facteur limitant se situe sous la couche IA. L’environnement opérationnel sous-jacent ne fournit pas un état suffisamment exact et cohérent pour permettre une action automatisée.

Les dirigeants devraient donc distinguer les erreurs des agents des erreurs d’infrastructure et de données lorsqu’ils examinent les performances. Une proposition rejetée en raison d’un raisonnement incorrect exige une réponse différente d’une action échouée causée par un compte manquant, un enregistrement d’identité obsolète, une autorisation API refusée ou une intégration défaillante. Regrouper ces échecs dans un seul indicateur de précision de l’IA rend plus difficile l’identification des domaines où l’investissement est réellement nécessaire.

Les conclusions de Fixify modifient aussi le business case de la qualité des données. Le nettoyage des dossiers d’identité et la maintenance des intégrations système ne sont pas de simples tâches administratives. Ils deviennent des prérequis pour faire évoluer l’automatisation. Un agent doit savoir quelle ressource existe, qui en est propriétaire, dans quel état elle se trouve et quelles actions sont autorisées avant de pouvoir fonctionner de manière fiable.

Les dirigeants devraient exiger des tableaux de bord opérationnels qui exposent les causes des échecs plutôt que les seuls taux de réussite globaux. Les erreurs de type « cible introuvable » devraient déclencher un travail sur l’hygiène des identités et les enregistrements système. Les entrées invalides devraient conduire à une meilleure validation et à une meilleure conception des workflows. Les échecs liés aux autorisations ou à la configuration devraient être rattachés aux intégrations et aux contrôles d’accès. Les erreurs de raisonnement devraient éclairer les instructions données aux agents et les politiques de revue.

La priorité est de corriger la contrainte sous-jacente avant d’étendre l’automatisation. De meilleurs modèles peuvent améliorer la planification et le jugement, mais ils ne peuvent pas compenser de manière fiable des systèmes d’entreprise qui décrivent incorrectement l’activité. Des données opérationnelles propres et à jour font donc partie de l’infrastructure IA elle-même, même lorsqu’elles se situent en dehors de la plateforme IA.

Le feedback humain est ce qui permet aux agents IA de prendre en charge davantage de travail en toute sécurité

L’approbation humaine des actions proposées par l’IA est passée de 23 % à 41 % au cours de l’étude de trois mois de Fixify. Le taux de rejet a reculé de 27 % à 16 %. La tendance est importante. Les agents se sont davantage alignés sur les actions que les analystes étaient prêts à approuver, tandis que les humains se sont sentis plus à l’aise pour déléguer du travail.

Fixify relie cette amélioration aux boucles de feedback intégrées dans des workflows hybrides humain-IA. Les agents planifient et proposent des actions. Les analystes approuvent ensuite ou rejettent ces propositions avant que des changements à fort impact ne se produisent. Ces décisions fournissent des signaux qui peuvent être utilisés pour améliorer le comportement des agents et le système d’automatisation qui les entoure.

L’étude a également identifié un changement dans la manière dont les agents planifient. Un comportement moins mature consiste à préparer à l’avance de nombreuses actions possibles, y compris des scénarios qui peuvent ne jamais se produire. Les agents plus sophistiqués élaborent des plans plus légers et replanifient lorsque les conditions changent réellement. Fixify a décrit cette capacité à s’adapter pendant l’exécution comme un signe de plus grande sophistication.

La replanification est importante parce que les environnements IT d’entreprise ne sont pas statiques. L’état d’un compte, d’une autorisation, d’une application ou d’une demande peut changer entre le plan initial et l’exécution. Un agent efficace doit détecter ces changements et s’ajuster plutôt que de poursuivre une action qui n’est plus appropriée.

Cependant, la hausse des taux d’approbation ne doit pas être interprétée comme la preuve que la revue humaine peut automatiquement être supprimée. L’étude a porté sur trois mois, et l’approbation peut s’améliorer pour plusieurs raisons. Les agents peuvent mieux s’aligner sur les préférences des analystes, les workflows peuvent s’améliorer, les organisations peuvent confier aux agents des tâches plus adaptées, et les utilisateurs peuvent mieux se familiariser avec le système. Les résultats de Fixify démontrent une amélioration dans les environnements étudiés, pas un rythme universel d’apprentissage de l’IA auquel chaque entreprise devrait s’attendre.

Les demandes les plus difficiles restent également dépendantes des personnes. Fixify a constaté que les cas nécessitant des replanifications répétées ou un jugement contextuel restent fortement humains. À mesure que les agents absorbent l’exécution de routine, les analystes se concentrent de plus en plus sur les exceptions, les décisions à fort impact et le contrôle du comportement des agents.

Cela change la manière dont les dirigeants devraient envisager les systèmes avec humain dans la boucle. La revue fait partie du modèle opérationnel, et n’est pas simplement un coût temporaire à éliminer. Les décisions des analystes génèrent des informations sur les domaines où l’automatisation fonctionne, où les politiques manquent de clarté et où un agent ne dispose pas d’un contexte suffisant.

Les entreprises devraient mesurer ce processus avec soin. Les taux d’approbation et de rejet sont utiles, mais ils ont besoin de contexte. Les dirigeants devraient aussi suivre les raisons des rejets de propositions, les tâches qui nécessitent des replanifications répétées, la fréquence à laquelle les humains modifient les actions proposées et si les mêmes erreurs se répètent. Ces mesures révèlent si l’agent s’améliore réellement ou si les employés corrigent sans cesse les mêmes faiblesses.

L’objectif est une délégation progressive étayée par des preuves. Lorsqu’une action spécifique atteint de manière constante une fiabilité élevée et un faible risque métier, les organisations peuvent réduire le niveau d’intervention humaine qu’elle exige. Le travail à fort impact et ambigu devrait conserver des contrôles plus stricts. Cela permet à l’automatisation de s’étendre sans faire de l’autonomie elle-même la mesure du succès.

Faire évoluer les agents IA exige de meilleurs systèmes opérationnels

Les entreprises ne peuvent pas faire évoluer l’automatisation IT agentique simplement en déployant davantage d’agents. Fixify identifie des données d’identité propres, des playbooks solides, des intégrations fiables et une revue humaine efficace comme exigences fondamentales. Ces capacités opérationnelles déterminent si les agents peuvent transformer leur raisonnement en actions correctes.

La première exigence est l’exactitude des données. Les agents ont besoin d’informations à jour sur les employés, les comptes, les groupes, les applications, les autorisations et les ressources. Le constat de Fixify selon lequel près de la moitié des échecs impliquaient une cible introuvable montre le coût de dossiers opérationnels défaillants. Un agent ne peut pas exécuter de manière fiable une action lorsque l’organisation elle-même ne dispose pas d’un enregistrement cohérent de ce qui existe et de qui en est propriétaire.

La deuxième exigence est une conception claire des processus. Un playbook définit quelles actions sont autorisées, quand une approbation est requise et comment les exceptions doivent être traitées. Sans règles explicites, un agent peut devoir replanifier à plusieurs reprises ou faire remonter des décisions que l’organisation n’a jamais clairement définies.

La troisième exigence est une intégration fiable. Les agents agissent via les applications d’entreprise existantes, les plateformes d’identité, les outils de ticketing, les API et les systèmes d’automatisation. Des échecs d’autorisation, des configurations invalides et des intégrations défaillantes peuvent empêcher l’exécution d’une recommandation IA pourtant valide. La qualité du modèle ne peut pas résoudre une autorisation API que l’organisation a mal configurée.

La revue humaine est la quatrième exigence. Fixify recommande de concevoir les files d’attente des analystes, les workflows et les indicateurs spécifiquement autour de la revue des propositions des agents. L’interface de revue devrait rendre les actions proposées faciles à comprendre afin que les analystes puissent les évaluer rapidement. L’attention limitée des analystes devrait être concentrée sur les décisions où le jugement humain apporte le plus de valeur.

La replanification fournit un autre signal de gestion utile. Fixify suggère qu’une seule replanification peut indiquer une adaptation saine à de nouvelles informations. Des replanifications répétées peuvent signaler de l’ambiguïté, des informations non pertinentes, un contexte manquant ou des politiques peu claires. Les dirigeants peuvent donc utiliser la fréquence de replanification pour identifier des faiblesses opérationnelles au lieu de considérer chaque replanification comme un échec de l’IA.

Cela a des implications directes pour l’investissement. Les budgets IA devraient inclure la maintenance des données d’identité, la fiabilité des intégrations, la refonte des processus, les contrôles, l’observabilité et la capacité de revue des analystes. Investir massivement dans les modèles tout en négligeant ces domaines a peu de chances de produire une automatisation fiable à grande échelle.

La gouvernance devrait aussi devenir plus granulaire à mesure que l’adoption progresse. Les organisations devraient définir un niveau d’autonomie acceptable par type d’action et par impact métier. Une action de routine et réversible peut fonctionner avec moins de contrôles après avoir démontré des performances fiables. Un changement impliquant des accès sensibles, l’identité ou un impact opérationnel substantiel devrait être soumis à un seuil d’approbation plus élevé.

La mesure la plus solide des progrès n’est donc pas le nombre d’agents déployés. C’est la quantité de travail utile qu’ils peuvent accomplir de manière fiable avec une supervision appropriée. Les conclusions de Fixify pointent vers un modèle opérationnel dans lequel les agents exécutent davantage de travail de routine au fil du temps, tandis que les humains fixent les limites, approuvent les décisions à fort impact et gèrent les exceptions. Pour les dirigeants, construire ce système de pilotage est aussi important que de choisir la technologie IA elle-même.

Réflexions finales

Les agents IA exécutent déjà environ un tiers des actions IT en entreprise. La question suivante n’est pas de savoir si cette part va croître. C’est de savoir si les entreprises peuvent l’étendre sans accroître les risques opérationnels, de sécurité et d’accès.

Les conclusions de Fixify pointent vers la principale contrainte. Une automatisation fiable dépend autant de l’environnement de l’entreprise que de l’IA elle-même. Des données d’identité propres, des intégrations stables, des politiques explicites et une revue humaine rapide déterminent si un agent peut transformer un plan raisonnable en action correcte. De meilleurs modèles ne peuvent pas compenser des systèmes contenant des données obsolètes ou des autorisations peu claires.

Les dirigeants devraient donc résister à la tentation de faire de l’autonomie complète l’objectif. Commencez par le travail répétable et réversible. Mesurez l’approbation, le rejet, les causes d’échec et les replanifications répétées. Étendez l’automatisation lorsque les preuves le justifient. Conservez l’autorité humaine autour des actions dont les erreurs ont des conséquences significatives.

Les entreprises qui tireront le plus de valeur des agents IA ne seront pas celles qui retireront le plus vite les personnes des workflows IT. Ce seront celles qui repenseront ces workflows afin que l’IA prenne en charge l’exécution de routine pendant que les employés qualifiés se concentrent sur les exceptions, le jugement et le contrôle. C’est une voie pragmatique pour faire évoluer l’automatisation tout en maintenant la responsabilité.