Databricks observe la transition de l'IA d'entreprise vers les systèmes agents

Selon Databricks, l'adoption de l'IA par les entreprises s'oriente vers des systèmes agents à mesure que les organisations mettent en œuvre des flux de travail intelligents.

La vague initiale d'IA générative promettait une transformation des entreprises, mais elle s'est souvent traduite par des chatbots isolés et des programmes pilotes au point mort. Les leaders technologiques ont dû faire face à des attentes élevées avec une utilité pratique limitée. Cependant, les données récentes de Databricks indiquent que le marché a atteint un tournant.

Les informations provenant de plus de 20 000 organisations, dont 60 % des entreprises du classement Fortune 500, montrent une transition rapide vers des architectures « agentiques » où les modèles ne se contentent pas de récupérer des informations, mais planifient et exécutent également des flux de travail de manière autonome.

Ce changement représente une réaffectation fondamentale des ressources d'ingénierie. Entre juin et octobre 2025, l'utilisation des flux de travail multi-agents sur la plateforme Databricks a augmenté de 327 %. Cette croissance témoigne de l'évolution de l'IA vers un composant central de l'architecture des systèmes.

L'« agent superviseur » favorise l'adoption de l'IA agentique par les entreprises

Le « Supervisor Agent » est le moteur de cette expansion. Au lieu de dépendre d'un seul modèle pour chaque requête, un superviseur agit comme un orchestrateur, décomposant les requêtes complexes et attribuant des tâches à des sous-agents ou des outils spécialisés.

Depuis son introduction en juillet 2025, l'agent superviseur est devenu la principale application d'agent, représentant 37 % de l'utilisation en octobre. Cette approche reflète les structures organisationnelles humaines : un manager n'effectue pas toutes les tâches, mais s'assure que l'équipe les accomplit. De même, un agent superviseur gère la détection des intentions et les contrôles de conformité avant de diriger le travail vers des outils spécifiques au domaine.

Les entreprises technologiques sont actuellement à la pointe de cette adoption, construisant près de quatre fois plus de systèmes multi-agents que tout autre secteur. Pourtant, les avantages s'étendent à tous les secteurs. Par exemple, une société de services financiers peut utiliser un système multi-agents pour gérer simultanément la récupération de documents et la conformité réglementaire, fournissant ainsi des réponses vérifiées aux clients sans intervention humaine.

Les infrastructures traditionnelles sous pression

À mesure que les agents passent de la réponse à des questions à l'exécution de tâches, l'infrastructure de données sous-jacente est confrontée à de nouveaux défis. Les bases de données traditionnelles de traitement des transactions en ligne (OLTP) ont été conçues pour des interactions à la vitesse humaine, avec des transactions prévisibles et des changements de schéma peu fréquents. Les flux de travail des agents renversent ces hypothèses.

Les agents IA génèrent désormais des modèles de lecture et d'écriture continus et à haute fréquence, créant et démantelant souvent des environnements par programmation pour tester du code ou exécuter des scénarios. L'ampleur de cette automatisation est évidente dans les données. Il y a deux ans, les agents IA ne créaient que 0,1 % des bases de données ; aujourd'hui, ce chiffre s'élève à 80 %.

De plus, 97 % des environnements de test et de développement de bases de données sont désormais construits par des agents IA. Cette capacité permet aux développeurs et aux « vibe coders » de créer des environnements temporaires en quelques secondes plutôt qu'en plusieurs heures. Plus de 50 000 applications de données et d'IA ont été développées depuis la préversion publique de Databricks Apps, avec un taux de croissance de 250 % au cours des six derniers mois.

La norme multimodèle

La dépendance vis-à-vis d'un fournisseur reste une préoccupation constante pour les dirigeants d'entreprise qui s'efforcent d'accroître l'adoption de l'IA agentielle. Les données montrent que les organisations s'attaquent activement à ce problème en mettant en œuvre des stratégies multimodèles. En octobre 2025, 78 % des entreprises utilisaient deux ou plusieurs familles de grands modèles linguistiques (LLM), tels que ChatGPT, Claude, Llama et Gemini.

Cette approche devient de plus en plus sophistiquée. Le pourcentage d'entreprises utilisant trois familles de modèles ou plus est passé de 36 % à 59 % entre août et octobre 2025. Cette diversité permet aux équipes d'ingénieurs d'attribuer des tâches plus simples à des modèles plus petits et plus rentables, tout en réservant les modèles avancés au raisonnement complexe.

Les entreprises de vente au détail sont à la pointe de cette tendance, 83 % d'entre elles utilisant deux familles de modèles ou plus afin d'équilibrer performances et coûts. Une plateforme unifiée capable d'intégrer divers modèles propriétaires et open source devient rapidement indispensable pour la pile IA moderne des entreprises.

Contrairement à l'approche traditionnelle du big data, qui repose sur le traitement par lots, l'IA agentique fonctionne principalement en temps réel. Le rapport note que 96 % de toutes les demandes d'inférence sont traitées immédiatement.

Cela est particulièrement évident dans les secteurs où la latence a une incidence directe sur la valeur. Le secteur technologique traite 32 demandes en temps réel pour chaque demande par lots. Dans le domaine de la santé et des sciences de la vie, où les applications peuvent concerner la surveillance des patients ou l'aide à la décision clinique, le ratio est de 13 pour 1. Pour les responsables informatiques, cela souligne la nécessité d'une infrastructure de service d'inférence capable de gérer les pics de trafic sans compromettre l'expérience utilisateur.

La gouvernance accélère les déploiements d'IA dans les entreprises

La conclusion la plus contre-intuitive pour de nombreux dirigeants est peut-être la relation entre la gouvernance et la rapidité. Souvent considérés comme un goulot d'étranglement, les cadres rigoureux de gouvernance et d'évaluation accélèrent en fait le déploiement en production.

Les organisations qui utilisent des outils de gouvernance de l'IA déploient plus de 12 fois plus de projets d'IA en production que celles qui n'en utilisent pas. De même, les entreprises qui utilisent des outils d'évaluation pour tester systématiquement la qualité des modèles réalisent près de six fois plus de déploiements en production.

Le raisonnement est simple. La gouvernance fournit des garde-fous essentiels, tels que la définition de l'utilisation des données et la fixation de limites de débit, qui donnent aux parties prenantes la confiance nécessaire pour approuver le déploiement. Sans ces contrôles, les projets pilotes restent souvent bloqués dans la phase de validation du concept en raison de risques non quantifiés en matière de sécurité ou de conformité.

La valeur de l'automatisation « ennuyeuse » de l'entreprise grâce à l'IA agentique

Si les agents autonomes peuvent évoquer des capacités futuristes, la valeur actuelle de l'IA agentielle pour les entreprises provient de l'automatisation de tâches routinières, banales, mais essentielles. Les principales applications de l'IA varient selon les secteurs, mais se concentrent sur la résolution de défis commerciaux spécifiques :

• Fabrication et automobile : 35 % des cas d'utilisation se concentrent sur la maintenance prédictive.

• Santé et sciences de la vie : 23 % des cas d'utilisation concernent la synthèse de la littérature médicale.

• Commerce de détail et biens de consommation : 14 % des cas d'utilisation sont consacrés à la veille commerciale.

En outre, 40 % des principaux cas d'utilisation de l'IA répondent à des préoccupations pratiques des clients, telles que le support client, la défense des intérêts et l'intégration. Ces applications offrent une efficacité mesurable et renforcent les capacités organisationnelles nécessaires à des flux de travail agentique plus avancés.

Pour les cadres supérieurs, la voie à suivre consiste à moins se concentrer sur la « magie » de l'IA et davantage sur la discipline d'ingénierie qui l'entoure. Dael Williamson, directeur technique EMEA chez Databricks, note que le débat a évolué.

« Pour les entreprises de la région EMEA, le débat est passé de l'expérimentation de l'IA à la réalité opérationnelle », explique M. Williamson. « Les agents IA gèrent déjà des éléments essentiels de l'infrastructure des entreprises, mais les organisations qui en tirent une réelle valeur sont celles qui considèrent la gouvernance et l'évaluation comme des fondements, et non comme des éléments secondaires. »

M. Williamson souligne que l'avantage concurrentiel revient à la manière dont les entreprises se construisent, plutôt qu'à ce qu'elles achètent.

« Les plateformes ouvertes et interopérables permettent aux organisations d'appliquer l'IA à leurs propres données d'entreprise, plutôt que de s'appuyer sur des fonctionnalités d'IA intégrées qui offrent une productivité à court terme, mais pas de différenciation à long terme. »

Sur les marchés hautement réglementés, cette combinaison d'ouverture et de contrôle est « ce qui distingue les projets pilotes de l'avantage concurrentiel ».

Voir aussi : Anthropic sélectionné pour développer un projet pilote d'assistant IA gouvernemental

Vous souhaitez en savoir plus sur l'IA et le big data auprès des leaders du secteur ? Découvrez l'AI & Big Data Expo qui se tiendra à Amsterdam, en Californie et à Londres. Cet événement complet fait partie de TechEx et se déroule en même temps que d'autres événements technologiques de premier plan, notamment le Cyber Security & Cloud Expo. Cliquez ici pour plus d'informations.

AI News est alimenté par TechForge Media. Découvrez ici d'autres événements et webinaires à venir sur les technologies d'entreprise.