Décider avec ses données : ce que l’IA agentique change vraiment

Cet article propose une méthode de décision augmentée dans laquelle l’IA prépare les analyses et les scénarios, tandis que l’entreprise conserve la maîtrise des données, des contrôles et de l’arbitrage.

• Public visé : dirigeants de PME et d’ETI, responsables data et fonctions financières ou opérationnelles.
• Périmètre : décisions chiffrables à partir de données internes, avec un exemple fil rouge sur les prix, les marges et les volumes.
• Thèse : le coût de calcul a fortement baissé, mais la préparation des données et la vérification restent des investissements à part entière.

Par Paul-Antoine TUAL, AI Transformation Leader, Croissance et Transitions. Août 2026, révisé en septembre 2026.

---

1. Une décision mieux instruite

Une hausse de prix de 4 %, l’arrêt d’une gamme ou le recrutement d’un commercial peuvent désormais être instruits plus vite, dès lors que les données nécessaires sont accessibles et leurs définitions stabilisées.

• Hypothèse : formuler la décision, l’horizon et le critère qui ferait renoncer.
• Données : réunir volumes, marges, remises, coûts logistiques, attrition et capacité opérationnelle.
• Sortie : comparer plusieurs scénarios plutôt que demander une recommandation unique.

Un agent bien raccordé peut préparer ce dossier en minutes ou en heures, sans que cette vitesse garantisse la justesse des données, des règles d’allocation ou des conclusions.

• Il extrait trois ans de ventes depuis l’ERP et le CRM sous des droits minimaux.
• Il recalcule la marge après réaffectation documentée des coûts logistiques.
• Il explicite la saisonnalité, les hypothèses et les sensibilités de chaque scénario.

L’enquête mondiale IBM 2026 montre une ouverture des dirigeants aux analyses produites par l’IA, mais elle mesure une disposition déclarée et ne prouve ni la qualité des décisions ni la maturité des PME françaises [9].

• Échantillon : 2 000 PDG et dirigeants comparables, dans 33 géographies et 21 secteurs.
• Résultat : 64 % se disent à l’aise pour prendre une décision stratégique majeure à partir d’éléments générés par l’IA.
• Lecture prudente : l’analyse complète l’expérience du dirigeant ; elle ne transfère ni la responsabilité ni le jugement au modèle.

2. Séparer calcul, accès et mise en production

Comparer une tâche d’agent à un projet data complet crée une fausse équivalence, car les deux achats ne couvrent ni le même actif, ni le même risque, ni le même horizon.

• Projet data : pipelines, référentiels, modèle de données, sécurité et exploitation récurrente [1].
• Analyse ponctuelle : collecte, cadrage métier, interprétation et restitution [3].
• Tâche d’agent : calcul et synthèse à partir d’un environnement déjà préparé, sans inclure le travail amont.

Les pages officielles consultées le 6 septembre 2026 confirment des coûts d’accès et d’exécution bas, tout en précisant que les prix varient selon les licences, la région, les volumes et les outils appelés [5][6][7].

• Microsoft affiche Microsoft 365 Copilot à 28,10 € HT par utilisateur et par mois en paiement annuel, en plus d’une licence éligible [5].
• Anthropic affiche Claude Pro à 20 $ par mois, ou 17 $ par mois avec facturation annuelle, avec des limites d’usage [6].
• Google estime une tâche Deep Research standard à 1–3 $ aux tarifs de préversion et avertit que le coût dépend de la profondeur de recherche [7].

L’intérêt agentique tient à l’enchaînement contrôlé de plusieurs opérations, tandis que MCP fournit un protocole ouvert pour exposer des outils et des sources de contexte aux applications d’IA [6].

• L’agent peut lire un fichier, lancer une requête, appliquer une règle métier et produire un dossier traçable.
• Le connecteur doit limiter les ressources, opérations et identités autorisées.
• Le budget de tokens, les appels d’outils et les reprises après erreur restent mesurables.
• Le coût marginal baisse surtout lorsque l’entreprise a déjà financé ses données, ses accès et ses contrôles.

3. Transformer l’intuition en hypothèses testables

Un dossier de décision utile rend les hypothèses contestables et relie chaque scénario à des données observables, sans présenter la projection du modèle comme une prévision certaine.

• Base : scénario central calculé sur les données validées et la période pertinente.
• Variantes : hypothèses haute et basse sur les variables réellement sensibles.
• Réfutation : seuils qui invalident le scénario préféré et pré-mortem des causes d’échec [27].
• Décision : coût du retour en arrière, signaux à suivre et date de réexamen.

L’expérience terrain reste précieuse pour poser la bonne question, puis une procédure explicite aide à limiter les biais d’ancrage, de confirmation, de statu quo et d’excès de confiance documentés par la psychologie de la décision [26].

• Écrire l’intuition avant de voir les résultats évite de réécrire l’hypothèse après coup.
• Demander des éléments qui contredisent le scénario préféré combat la confirmation.
• Faire varier les hypothèses visibles révèle l’influence du premier chiffre proposé.
• Consigner le choix et le résultat réel permet de calibrer l’intuition au fil du temps.

Le baromètre Bpifrance Le Lab 2026 illustre l’écart entre diffusion et gains déclarés chez les ETI, sans permettre d’attribuer cet écart à une méthode particulière [10].

• 77 % des répondants déclarent un usage professionnel de l’IA générative par eux-mêmes ou leurs collaborateurs.
• Parmi les ETI utilisatrices, 17 % constatent un gain de temps, soit 13 % de l’échantillon total.
• Le résultat invite à mesurer chaque cas d’usage sur un indicateur précis plutôt qu’à déduire une productivité générale de l’adoption.

4. Vérifier à proportion de l’enjeu

Les classements BIRD et Spider 2.0 montrent que la performance varie fortement selon la tâche et le protocole, ce qui justifie des tests locaux sans convertir un score de benchmark en probabilité d’erreur métier [11][12].

• BIRD publie une référence humaine de 92,96 % et un meilleur score historique de 81,95 % sur son évaluation d’exécution [11].
• Spider 2.0 couvre des tâches d’entreprise de complexité différente et signale que ses scores peuvent évoluer avec les corrections de l’évaluation [12].
• Les pistes, données et réglages diffèrent ; les barres de la Figure 2 décrivent des résultats de laboratoire datés, pas une hiérarchie universelle.
• Une étude de 2026 relève aussi des erreurs d’annotation dans des jeux de référence text-to-SQL [13].

Les évaluations de recherche longue renforcent la nécessité d’un contrôle par critères, car une réponse fluide peut omettre des exigences ou propager une erreur entre les étapes [14][15].

• Vérifier séparément couverture, exactitude, fraîcheur et diversité des sources.
• Bloquer les calculs décisifs sur une source de référence plutôt que sur une citation secondaire.
• Faire relire les hypothèses et les exceptions par le responsable métier.

Un contrôle robuste combine traçabilité technique, vérification arithmétique et rapprochement métier, avec une intensité adaptée au coût potentiel d’une erreur.

• Conserver la requête, la version des données, les filtres et les transformations.
• Recalculer manuellement un échantillon représentatif et les totaux sensibles.
• Rapprocher chiffre d’affaires, marge et encours des systèmes comptables concernés.
• Faire examiner les écarts inexpliqués avant toute présentation au comité de direction.

5. Préparer des données utilisables et gouvernées

Les enquêtes d’éditeurs publiées en 2026 signalent fréquemment les silos et la qualité des données, mais leurs populations de grandes organisations ne décrivent pas automatiquement la situation d’une PME française [16][17].

• Cloudera/HBR Analytic Services rapporte 7 % de répondants jugeant leurs données « complètement prêtes » et 56 % citant les silos [16].
• Nasuni/Sapio rapporte que 46 % des répondants ont vu leurs initiatives révéler des problèmes de qualité ou de gouvernance [17].
• Ces résultats servent de signaux de risque ; un diagnostic local doit mesurer les données, droits et usages réels de l’entreprise.

Un socle agentique réutilisable associe qualité, accès, sécurité et historique afin que chaque nouvelle analyse bénéficie d’actifs déjà gouvernés.

• Référentiels : un identifiant stable par client, produit, fournisseur et entité juridique.
• Accès : API ou connecteurs surveillés, périmètres minimaux et identités de service séparées.
• Confidentialité : classification des marges, salaires et données de trésorerie avant tout envoi vers un service externe.
• Mémoire : conservation des hypothèses, décisions, résultats et corrections pour améliorer le cycle suivant.
• Contrôle : application des règles des systèmes agentiques et du cadre de souveraineté au cas concret.

6. Éviter les recommandations génériques

Une étude exploratoire de 2026 sur sept modèles et sept tensions stratégiques observe une convergence fréquente vers des options socialement valorisées, résultat utile pour concevoir un test mais insuffisant pour prédire chaque conseil produit en entreprise [19].

• Le protocole couvre 15 000 simulations et trouve une convergence sur six tensions sur sept.
• L’effet dépend des modèles, des dilemmes et du contexte simulé étudiés.
• Une recommandation générique doit donc être confrontée aux contraintes et données propres de l’entreprise.

Les données privées créent une analyse plus spécifique lorsqu’elles sont pertinentes, propres et correctement interprétées, sans constituer à elles seules une défense durable contre la copie ou l’erreur.

• Dix ans d’historique client révèlent des cohortes et des cycles absents des données publiques.
• Les marges réelles et les taux de transformation donnent des contraintes propres à l’entreprise.
• Les définitions métier, les contrôles et la vitesse de retour d’expérience complètent cet actif, comme l’explique la fin de la course au modèle.

Pour une entreprise, la conséquence pratique consiste à acheter une décision mieux instruite plutôt qu’un volume de pages, en exigeant la traçabilité, l’explication et la capacité de contredire la première réponse.

• Le livrable doit relier chaque affirmation décisive à une donnée ou une source vérifiable.
• Le prestataire doit expliciter ses hypothèses, limites et contrôles humains.
• La valeur se juge sur la qualité de l’arbitrage et le résultat observé, pas sur le nombre d’analyses générées.

7. Un protocole en cinq gestes

Le protocole tient en cinq gestes successifs qui produisent un dossier comparable, vérifiable et réversible avant la décision finale.

• Écrire la décision et son critère de retour. Une phrase : « Faut-il faire X avant Y, sachant Z ». Puis le critère de réversibilité : qu’est-ce qui ferait dire non, et combien coûte le retour en arrière. Votre intuition pose l’hypothèse ; c’est sa place, et le développement à décision gardée en fait le premier garde-fou.
• Brancher l’agent sur les systèmes. Un connecteur avec droits d’accès minimaux vers l’ERP, le CRM ou l’entrepôt, plutôt que des exports manuels vieux de trois semaines qui figent des chiffres déjà faux.
• Exiger des scénarios, leurs hypothèses et leur réfutation. Trois trajectoires chiffrées, les hypothèses écrites, l’analyse de sensibilité, et le pré-mortem du scénario préféré : qu’est-ce qui le tue, avec quelle probabilité, détectable par quel signal.
• Contrôler avant de croire. Les règles de la section 4 : requêtes et sources exigées, second moteur indépendant, échantillon recompté à la main, réconciliation comptable. Tout écart inexpliqué est une alerte, pas un détail.
• Trancher en session, à froid. Regrouper les arbitrages dans une session de décision dédiée, comme nous le détaillons dans la méthode d’efficacité personnelle, et garder la signature humaine sur tout ce qui engage l’entreprise.

L’enquête IBM décrit une attente d’automatisation accrue des décisions opérationnelles codifiables, ce qui renforce le besoin de définir à l’avance les décisions admissibles, les exceptions et le responsable [9].

• Les répondants anticipent 48 % de décisions opérationnelles où cohérence et garde-fous peuvent être codifiés prises sans intervention humaine en 2030, contre 25 % au moment de l’enquête.
• Cette projection exprime leurs attentes ; elle ne garantit ni le rythme d’adoption ni la qualité des décisions.
• La Figure 3 place donc l’analyse dans une boucle où l’humain cadre, vérifie, tranche et mesure.

Le coût complet s’est déplacé

L’IA réduit le coût de génération d’une analyse, tandis que la valeur d’une décision dépend encore de la qualité des données, du contrôle des calculs et de la responsabilité de l’arbitrage.

• Moins cher : variantes, requêtes exploratoires, synthèses et mise en forme.
• Toujours coûteux : intégration, sécurité, référentiels, validation métier et supervision.
• Toujours humain : définition de l’enjeu, acceptation du risque et décision qui engage l’entreprise.

Une première expérimentation peut partir d’une décision réelle et réversible, comparée au processus habituel sur des critères définis avant le test.

• Choisir un dossier du prochain comité et figer les données de départ.
• Comparer délai, coût complet, écarts de calcul, qualité des hypothèses et utilité perçue.
• Décider ensuite s’il faut industrialiser, corriger le socle de données ou arrêter le cas d’usage.

L’audit de maturité IA Junyr est un échange vidéo gratuit de 30 minutes, sans engagement, qui situe l’entreprise sur l’échelle, identifie le principal blocage et le premier projet raisonnable, puis fournit une synthèse d’une page.

• À préparer : une décision récente, ses données disponibles et son circuit de validation.
• À obtenir : une position, un blocage prioritaire et un premier pas proportionné.

---

Références et limites de lecture

[1] Fenxi, Combien coûte un projet data en 2026 : prix et délais (fenxi.fr, publié le 30 mars 2026, mis à jour le 10 août 2026) : projet structurant PME 10 000 à 30 000 €, projet avancé avec IA 30 000 à 60 000 € et plus ; exemples clients (18 000 € et 6 semaines pour 40 salariés, 12 000 € pour 80 sites) ; stack data récurrente de 300 à 1 000 €/mois (petite structure) à 1 500 à 5 000 €/mois (PME structurée).

[2] Études de rémunération data analyst France 2026, relevés convergents de sources secondaires (Glassdoor et écoles spécialisées, consultés le 18 août 2026) : médiane nationale autour de 45 000 € brut annuels, 35 000 à 42 000 € en junior, davantage à Paris. Ordres de grandeur non vérifiés sur une source primaire unique, cités comme repères.

[3] IntoTheMinds, Combien coûte une étude de marché ? (publié le 26 février 2025, mis à jour le 12 avril 2026) : la plupart des projets entre 8 000 et 12 000 € ; analyse concurrentielle 5 000 à 10 000 €.

[4] Vendr, fiches tarifaires Gartner et Forrester (mises à jour datées de février 2026, plateforme d’achat SaaS, lecture intermédiaire) : abonnement Gartner 25 000 à 60 000 $ par an en accès ciblé, 100 000 à plus de 500 000 $ en accès élargi, heures d’advisory 3 000 à 7 000 $ ; Forrester, montant médian observé 65 755 $ par an.

[5] Microsoft, page tarifaire France de Microsoft 365 Copilot (revérifiée le 6 septembre 2026) : 28,10 € HT par utilisateur et par mois en paiement annuel, en complément d’une licence Microsoft 365 éligible.

[6] Anthropic, tarifs Claude et documentation MCP (revérifiés le 6 septembre 2026) : Claude Pro 20 $ par mois ou 17 $ par mois avec facturation annuelle ; MCP est présenté comme un protocole ouvert standardisant l’accès des applications d’IA aux sources et outils.

[7] Google, documentation officielle de l’agent Gemini Deep Research (revérifiée le 6 septembre 2026) : coût estimé de 1 à 3 $ par tâche standard et de 3 à 7 $ en version Max, selon les tarifs de préversion et la profondeur de recherche.

[8] TechCrunch et MacRumors (9 avril 2026) : lancement d’un palier ChatGPT à 100 $ par mois, intercalé entre les offres à 20 $ et à 200 $.

[9] IBM Institute for Business Value, étude mondiale auprès des dirigeants (4 mai 2026 ; 2 000 PDG et dirigeants comparables, 33 géographies, 21 secteurs, terrain de février à avril 2026) : 64 % se disent à l’aise pour prendre des décisions stratégiques majeures à partir d’éléments générés par l’IA ; projection déclarée de 48 % pour les décisions opérationnelles dont les garde-fous peuvent être codifiés en 2030, contre 25 % au moment de l’enquête.

[10] Bpifrance Le Lab, 16e baromètre des ETI (23 juin 2026 ; 534 réponses, terrain du 11 mars au 18 mai 2026) : 77 % déclarent un usage professionnel d’IA générative ; 17 % des ETI utilisatrices constatent un gain de temps, soit 13 % de l’échantillon complet.

[11] BIRD, leaderboard officiel (revérifié le 6 septembre 2026) : référence humaine publiée de 92,96 % et meilleur score historique affiché de 81,95 % sur l’évaluation d’exécution ; le jeu a fait l’objet d’opérations de nettoyage documentées.

[12] Spider 2.0, leaderboard officiel (revérifié le 6 septembre 2026) : le site décrit 632 problèmes issus de cas d’entreprise et précise que les scores peuvent évoluer lorsque la suite d’évaluation est corrigée.

[13] Jin, Choi, Zhu et Kang (Université de l’Illinois Urbana-Champaign), arXiv:2601.08778, v3 du 19 janvier 2026 : mise en évidence d’erreurs d’annotation systématiques dans les réponses de référence des benchmarks text-to-SQL, dont BIRD et Spider 2.0.

[14] Li, Du, Xu, Zhu, Wang et Mao, DeepResearch Bench II, arXiv:2601.08536 (janvier 2026) : 132 tâches de recherche, 9 430 critères issus de plus de 400 heures d’expertise ; les meilleurs modèles satisfont moins de 50 % des critères.

[15] Zhan, Fan, Huang, Guo et Huang (Université du Zhejiang, Université de Hong Kong), arXiv:2601.22984 (30 janvier 2026) : propagation des hallucinations le long de la trajectoire des agents de recherche approfondie ; aucun agent robuste de bout en bout ; biais d’ancrage temporel et d’homogénéité des sources.

[16] Cloudera et Harvard Business Review Analytic Services, communiqué du 5 mars 2026 (enquête d’octobre 2025, plus de 230 décideurs data et IA) : 7 % de données jugées « complètement prêtes » pour l’IA ; 56 % citent le cloisonnement des données, 44 % l’absence de stratégie data, 41 % la qualité ou les biais.

[17] Nasuni, enquête Sapio Research, communiqué du 18 mai 2026 (1 000 décideurs, entreprises de plus de 1 000 salariés, États-Unis, Royaume-Uni, France, Allemagne-Autriche-Suisse, terrain de mars 2026) : 97 % déploient ou pilotent des agents IA ; 57 % des projets IA n’atteignent pas leurs objectifs ; 18 % à l’échelle ; 46 % ont vu leurs initiatives IA révéler des problèmes de qualité et de gouvernance des données.

[18] Efalia, Baromètre DSI Data et IA 2026 (efalia.com, 11 août 2026 ; méthodologie non détaillée sur la page consultée) : 96 % d’organisations jugées non prêtes pour l’IA ; 85 % des DSI déclarent ne pas maîtriser la qualité de leur patrimoine documentaire ; 62 % y consacrent moins de 1 % du budget IT.

[19] Romasanta (Esade), Thomas (Sydney et Imperial) et Levina (NYU Stern), Researchers Asked LLMs for Strategic Advice. They Got Trendslop in Return, Harvard Business Review (16 mars 2026) ; méthodologie et citations reprises par Fortune (10 avril 2026) : 7 modèles, 15 000 simulations, 7 tensions stratégiques, convergence sur 6 tensions sur 7 vers l’option socialement valorisée ; citation de conclusion sur le leadership traduite par nos soins.

[20] Ramírez, Lang, Köhler et Mennell, A Faster Way to Build Future Scenarios, MIT Sloan Management Review (9 décembre 2025, numéro d’hiver 2026) : cas Fazer et Unum ; l’approche classique y est décrite comme faisant attendre ses enseignements utiles « six months or more » ; aucun gain chiffré revendiqué.

[21] Syntec Conseil, 30e baromètre du conseil en stratégie et management, via La Lettre du Conseil (11 juin 2026 ; 140 cabinets interrogés de février à juin 2026) : recul de 1,5 % en 2025, sixième plus mauvaise année depuis 2002 ; Consultor, bilan 2025 et perspectives 2026 du conseil en stratégie (17 juin 2026) : +2 % anticipé en 2026 par la même étude, l’usage de l’IA par les cabinets devenu argument de négociation des clients.

[22] BCG, communiqué de résultats 2025 (23 avril 2026) : 14,4 milliards de dollars de revenus (+7 %, 22e année de croissance) ; les services centrés IA et technologie représentent plus de 40 % du chiffre d’affaires total, portés par une croissance de 25 % par an des services IA ; 33 500 salariés.

[23] Consultor, Chez McKinsey, l’IA s’invite aux entretiens de recrutement (27 janvier 2026) : étude de cas travaillée avec l’assistant interne Lilli ; évaluation de la qualité des prompts, de l’esprit critique face aux résultats et de la capacité à les contextualiser.

[24] Bernard Marr, How Klarna’s AI Agent Strategy Backfired But Became a Useful Lesson, Forbes (16 juillet 2026) : 2,3 millions de conversations le premier mois, temps de résolution de 11 à 2 minutes, effectifs support de 5 000 à 3 500 personnes, puis réembauche d’une centaine de spécialistes ; propos du PDG Sebastian Siemiatkowski rapportés par Forbes (coupé trop loin, trop vite, perte d’une expertise humaine précieuse).

[25] Journal du Net (7 juillet 2026), analyse du rapport inter-inspections IGF, IGAS et IGA d’avril 2026 sur l’IA dans le secteur public : jusqu’à 40 % d’usage d’IA non régulée chez les agents des collectivités ; assistants conversationnels rarement certifiés SecNumCloud ; données stratégiques des entreprises traitées marginalement.

[26] Daniel Kahneman, Système 1 / Système 2 : les deux vitesses de la pensée (Flammarion, 2012 ; édition originale Thinking, Fast and Slow, 2011) : biais de confirmation, d’ancrage, d’excès de confiance et d’attachement au statu quo dans la décision intuitive.

[27] Gary Klein, Performing a Project Premortem, Harvard Business Review (septembre 2007) : la technique du pré-mortem, se projeter dans l’échec du projet pour en lister les causes avant de décider.