Pourquoi l’adoption des agents IA progresse plus vite que la préparation

L’intérêt des pouvoirs publics pour les agents IA progresse rapidement. Selon une étude d’IDC rapportée par Route Fifty et Salesforce, 82 % des organisations interrogées du secteur public fédéral, étatique et local aux États-Unis ont adopté l’IA agentique, et 60 % des dirigeants du secteur public estiment être en avance sur le secteur privé en matière d’adoption.

C’est un chiffre impressionnant. C’est aussi le genre de chiffre qui mérite un second examen.

L’adoption ne signifie pas toujours que l’organisation est prête. Une agence peut disposer de projets pilotes, d’outils internes, de fonctionnalités d’IA fournies par des prestataires, d’expérimentations d’automatisation ou de premiers flux de travail agentiques sans avoir mis en place la gouvernance, l’architecture des données, la supervision, la formation du personnel et le contrôle nécessaires pour exploiter ces systèmes de manière responsable à grande échelle.

C’est là que se situe le risque. Les agents IA ne sont pas une simple fonctionnalité logicielle supplémentaire. Ils peuvent interpréter des informations, appeler des outils, orienter le travail, générer des résultats, recommander des décisions et, dans certains cas, prendre des mesures dans un périmètre défini. Plus un agent peut faire de choses, plus il devient important de savoir à quelles données il peut accéder, quelles décisions il peut influencer, qui est responsable de son comportement et ce qui se passe lorsqu’il se trompe.

Pourquoi c’est important

L’adoption de l’IA dans le secteur public intervient à un moment où les agences subissent une pression pour améliorer la prestation des services, réduire la charge manuelle, moderniser des systèmes vieillissants, renforcer la cybersécurité et faire davantage avec des ressources limitées. Les agents IA sont attrayants parce qu’ils promettent d’aider précisément à résoudre ces problèmes.

Un agent bien conçu pourrait contribuer à trier les demandes, résumer des dossiers, orienter le travail interne, faciliter les recherches liées aux achats, soutenir les processus de détection des fraudes, préparer des réponses préliminaires ou aider les employés à s’orienter dans des politiques et une documentation complexes.

Ce sont de véritables possibilités. Mais les systèmes publics répondent à des exigences différentes de celles des outils de productivité ordinaires. L’IA du secteur public doit tenir compte de la transparence, de l’accessibilité, de la confidentialité, des règles de passation des marchés, de la conservation des documents, de la cybersécurité, de l’auditabilité et de la confiance du public.

GovExec a rapporté en mai 2026 que les responsables fédéraux des technologies de l’information s’intéressent de plus en plus aux outils d’IA autonomes à mesure que les projets pilotes s’accélèrent, mais que des lacunes en matière de gouvernance, de données et de supervision persistent dans l’ensemble du gouvernement. C’est la tension centrale : les agences avancent rapidement, mais nombre d’entre elles mettent encore en place les structures opérationnelles nécessaires pour soutenir l’IA agentique en toute sécurité.

Du projet pilote aux exigences de la mise en production

Un projet pilote peut être utile sans être prêt pour la production. Cette distinction est importante.

Un petit projet pilote d’agent peut fonctionner avec un nombre limité d’utilisateurs, des données sélectionnées, une supervision manuelle et une tâche restreinte. La production est différente. Dès qu’un agent devient partie intégrante des opérations quotidiennes, l’agence a besoin d’un modèle de soutien plus solide. Qui en est responsable ? À quels systèmes a-t-il accès ? Comment les résultats sont-ils vérifiés ? Quels journaux sont conservés ? Que se passe-t-il si l’agent fournit une mauvaise réponse, expose des données sensibles ou achemine incorrectement le travail ?

Ces questions sont faciles à remettre à plus tard pendant l’expérimentation. Il est beaucoup plus difficile d’y répondre après qu’un outil d’IA s’est diffusé dans les équipes et est devenu partie intégrante des flux de travail informels.

Le même schéma s’est manifesté plus largement dans l’IA d’entreprise. Les organisations peuvent créer des prototypes impressionnants avant d’avoir résolu les problèmes de données, de flux de travail, de gouvernance et d’intégration qui déterminent si un système peut changer d’échelle. Les agences gouvernementales font face au même défi, avec en plus une obligation de rendre des comptes au public.

Le problème de l’adoption décentralisée de l’IA

L’adoption de l’IA par les pouvoirs publics se fait souvent de manière inégale. Les différentes agences ont des missions, des systèmes existants, des environnements de données, des mécanismes de passation des marchés et des niveaux de maturité technique différents. Certaines équipes peuvent avancer rapidement. D’autres peuvent être plus prudentes. Certaines peuvent utiliser des outils approuvés à l’échelle de l’organisation. D’autres peuvent expérimenter des fonctionnalités d’IA intégrées à des plateformes de prestataires déjà en place.

Cette souplesse peut favoriser l’innovation, mais elle peut aussi créer des incohérences. En l’absence d’un inventaire clair et d’un modèle de gouvernance de référence, les agences peuvent ne pas savoir quels agents IA sont utilisés, quelles données ils traitent, quelles actions ils peuvent effectuer ou s’ils respectent les exigences de sécurité et de supervision.

Le problème n’est pas que chaque agence ait besoin exactement de la même stratégie en matière d’IA. Ce n’est pas le cas. Le contexte de la mission est déterminant. Une agence des transports, une agence de santé, une organisation de défense, un administrateur de prestations et un service local chargé des permis n’auront pas des besoins identiques en matière d’IA.

Mais un socle commun reste nécessaire. Les agences ont besoin d’attentes cohérentes en matière d’inventaire, d’accès aux données, de conservation des documents, de supervision humaine, de tests, de surveillance et de réponse aux incidents. Sans ce socle, l’IA agentique peut se répandre plus vite que l’organisation ne peut la gouverner.

La préparation des données est le fondement

Les agents IA dépendent des données et du contexte. Dans le secteur public, ce contexte se trouve souvent dans des systèmes existants, des documents de politique publique, des plateformes de gestion des dossiers, des feuilles de calcul, des portails, des systèmes d’archivage et des connaissances institutionnelles qui ne sont pas toujours documentés clairement.

Si les données sous-jacentes sont incomplètes, obsolètes, incohérentes ou soumises à des autorisations mal définies, un agent peut tout de même produire un résultat formulé avec assurance. C’est dangereux, car des réponses bien présentées peuvent donner une fausse impression de fiabilité.

La préparation des données pour l’IA agentique soulève plusieurs questions concrètes :

À quelles sources de données l’agent est-il autorisé à accéder ?
À qui appartiennent ces sources ?
Sont-elles à jour et fiables ?
Quelles données faut-il exclure ?
Comment les autorisations sont-elles appliquées ?
L’agence peut-elle relier un résultat aux sources utilisées ?
Quels documents faut-il conserver ?
Comment corriger les erreurs lorsque les données sources sont incorrectes ?

Il ne s’agit pas de questions théoriques de gouvernance. Elles déterminent si un agent IA peut être digne de confiance dans un flux de travail réel du secteur public.

La supervision doit être à la mesure du niveau d’autonomie

Tous les agents IA ne présentent pas le même niveau de risque. Un assistant interne qui aide à résumer des documents réglementaires est différent d’un agent qui achemine des dossiers de prestations, recommande des mesures d’application de la loi, contribue aux décisions d’achat ou modifie des données dans un système opérationnel.

La supervision doit évoluer en fonction du niveau d’autonomie et de l’impact de l’agent. Les cas d’usage à faible risque peuvent nécessiter des règles d’utilisation claires, des contrôles d’accès et une vérification élémentaire. Les cas d’usage à fort impact peuvent exiger une approbation formelle, une vérification humaine, des journaux d’audit, des tests, des procédures d’escalade et une surveillance continue des performances.

L’essentiel est de définir les limites avant le déploiement :

Que peut faire l’agent de manière autonome ?
Qu’est-ce qui nécessite une approbation humaine ?
Quelles actions sont interdites ?
Quel niveau de confiance est requis avant d’utiliser un résultat ?
Qui examine les exceptions ?
Qui est responsable des résultats ?

Si ces questions restent sans réponse, l’agence ne dispose pas d’une stratégie pour les agents d’IA. Elle mène une expérimentation d’automatisation aux conséquences incertaines.

L’infrastructure organisationnelle compte autant que la technologie

Le commentaire publié en mai 2026 par Federal News Network sur la construction du moteur organisationnel nécessaire au déploiement de l’IA à grande échelle souligne un point important : les agences n’ont pas le luxe de choisir entre stabilité et transformation. Elles doivent préserver la fiabilité de leurs missions tout en s’adaptant suffisamment rapidement pour utiliser l’IA de manière responsable.

Cela exige plus que des outils. Il faut une infrastructure organisationnelle. Les agences ont besoin d’équipes de gouvernance, de responsables des données, de responsables techniques, de responsables des politiques, de directives en matière d’achats, de processus d’examen des risques, de pratiques de surveillance, de programmes de formation et de plans de réponse aux incidents.

C’est là que de nombreux projets d’IA s’enlisent. La technologie attire d’abord l’attention. Le modèle opérationnel vient ensuite, lorsqu’il vient.

Pour l’IA agentique, cet ordre est risqué. Le modèle opérationnel doit être conçu parallèlement à la technologie, car le comportement du système, ses autorisations, son accès aux données et sa structure de responsabilité font tous partie de la mise en œuvre.

Ce que les organisations gouvernementales devraient faire dès maintenant

Les agences et les organisations du secteur public n’ont pas besoin de suspendre l’adoption de l’IA jusqu’à ce que toutes les questions de gouvernance soient entièrement résolues. Ce serait irréaliste et probablement contre-productif. Mais elles doivent suivre une démarche rigoureuse pour passer de l’expérimentation à une utilisation responsable.

Cartographier le portefeuille d’agents d’IA : Identifier les agents, les projets pilotes, les fonctionnalités intégrées aux solutions des fournisseurs, les outils non officiels et les flux de travail automatisés déjà utilisés.
Documenter les cas d’utilisation et les responsables : Chaque agent doit avoir un responsable métier, un responsable technique, une finalité prévue, des sources de données et des limites décisionnelles.
Classer les risques : Classer les cas d’utilisation selon le niveau d’autonomie, la sensibilité des données, l’impact sur le public, l’importance opérationnelle et l’exposition réglementaire ou politique.
Standardiser les exigences fondamentales de gouvernance : Établir des attentes minimales concernant l’accès aux données, la journalisation, les tests, l’examen humain, la surveillance et la conservation des documents.
Commencer par préparer les données : Améliorer la qualité des données, les métadonnées, les autorisations, la traçabilité des sources et les modèles d’intégration avant d’accroître l’autonomie.
Prévoir les incidents : Définir ce qui se passe lorsqu’un agent commet une erreur, expose les mauvaises données, produit une recommandation erronée ou se comporte de manière inattendue.
Former le personnel : Les employés doivent comprendre ce que les agents peuvent faire, dans quels cas ils échouent, comment les utiliser de manière responsable et quand signaler leurs préoccupations.

L’objectif n’est pas de ralentir l’innovation pour elle-même. Il s’agit d’éviter que l’adoption ne dépasse la capacité de l’agence à gérer les risques.

Comment Ridiculous Engineering envisage la préparation à l’IA agentique

Chez Ridiculous Engineering, nous considérons l’IA agentique comme un problème de mise en œuvre et de modèle opérationnel, et non simplement comme un problème de sélection d’outils. Le modèle compte, mais le système qui l’entoure compte davantage : qualité des données, autorisations, conception des flux de travail, surveillance, auditabilité, supervision humaine, intégrations et responsabilités.

Cela est particulièrement vrai dans les environnements du secteur public et les environnements réglementés. Les agents d’IA doivent être utiles, mais ils doivent également être suffisamment explicables, gouvernables et faciles à prendre en charge pour fonctionner au sein d’organisations réelles.

Nous aidons les organisations à définir le chemin pratique entre l’intérêt et la préparation. Cela peut inclure l’inventaire des agents, l’évaluation des cas d’utilisation, la cartographie des flux de travail, l’examen des sources de données, la conception de la gouvernance, la planification des intégrations, l’évaluation des fournisseurs, la stratégie de surveillance et l’accompagnement de la mise en œuvre de systèmes agentiques qui doivent fonctionner en production, plutôt que seulement dans le cadre d’un projet pilote.

La première étape est souvent simple : déterminer ce qui se passe déjà. De nombreuses organisations découvrent que l’utilisation de l’IA est plus étendue que ne le pensait la direction. Une fois le paysage visible, il devient beaucoup plus facile de décider quels cas d’utilisation méritent d’être déployés à grande échelle, lesquels nécessitent des contrôles renforcés et lesquels doivent être suspendus ou repensés.

Adoption ne signifie pas préparation

Le chiffre de 82 % d’adoption montre que l’IA agentique n’est pas une tendance lointaine dans le secteur public. Les agences et les organisations du secteur public sont déjà en mouvement. Certaines avancent probablement de manière réfléchie. D’autres vont peut-être plus vite que ne peuvent le soutenir leurs modèles de gouvernance, de données et de supervision.

Les agences qui en tireront le plus grand bénéfice ne seront pas celles qui auront le plus d’agents. Ce seront celles qui comprendront où les agents ont leur place, quelles limites leur imposer, quelles données sont fiables et comment préserver la responsabilité humaine.

Si votre organisation étudie les agents d’IA, mène déjà des projets pilotes ou cherche à déterminer si ses fondations en matière de gouvernance et de données sont prêtes pour une utilisation en production, Ridiculous Engineering peut vous aider. Nous travaillons avec nos clients pour clarifier les cas d’utilisation, concevoir des garde-fous pratiques et créer des systèmes d’IA agentique adaptés à l’organisation plutôt que de la dépasser.

Le gouvernement agentique ne sera pas défini uniquement par les statistiques d’adoption. Il le sera par la capacité des agences à transformer l’automatisation intelligente en un service public digne de confiance.

Sources et lectures complémentaires : Salesforce : l’essor du gouvernement agentique, Route Fifty : les dirigeants du secteur public et l’adoption de l’IA agentique, GovExec : les agences s’intéressent à l’IA agentique, mais les questions de préparation persistent, Federal News Network : de la stratégie à la structure, Forum économique mondial : faire fonctionner l’IA agentique pour les pouvoirs publics

Gouvernement agentique : pourquoi 82 % des agences adoptent des agents IA, mais que la préparation reste à la traîne