IA en 2025 : pourquoi l’observabilité et les agents deviennent stratégiques

En ce début d’année 2025, l’enjeu pour les entreprises n’est plus seulement d’expérimenter l’intelligence artificielle générative. Il consiste à l’intégrer sans perdre la maîtrise de ses résultats, de ses coûts ni de ses risques. Cette transition conduit à rapprocher plusieurs chantiers longtemps traités séparément : surveillance technique, qualité des données, sécurité, conformité et automatisation des processus.

Pourquoi 2025 marque un tournant pour l’IA en entreprise

L’essor des assistants conversationnels a familiarisé un vaste public avec l’IA générative. Mais produire rapidement une réponse, un résumé ou un brouillon ne suffit pas à transformer une organisation. Dès qu’un outil intervient dans la relation client, la cybersécurité, l’analyse de documents ou une décision opérationnelle, une question devient centrale : peut-on comprendre son comportement et intervenir lorsqu’il se trompe ?

C’est dans ce contexte que l’observabilité et les systèmes agentiques prennent de l’importance. La première vise à rendre les systèmes d’IA mesurables et contrôlables. Les seconds cherchent à faire exécuter à l’IA une succession d’actions pour atteindre un objectif, plutôt que de lui demander une réponse isolée.

Le diagnostic relayé par Thomas Gourand, de Snowflake, peut se résumer en cinq priorités pour 2025 :

• mieux observer les modèles et leurs résultats ;
• moderniser les données et l’infrastructure nécessaires à l’IA ;
• limiter les erreurs de l’IA générative par des garde-fous ;
• faire émerger des applications agentiques à forte valeur ajoutée ;
• renforcer la gouvernance, la transparence et la conformité.

Ces tendances ne signifient pas que toute entreprise doit automatiser tous ses processus. Elles soulignent plutôt un changement de maturité : l’IA devient un sujet de fonctionnement quotidien, qui doit être évalué avec la même rigueur qu’un logiciel critique ou qu’un service destiné aux clients.

L’observabilité, indispensable pour faire confiance à une IA

Dans le monde des logiciels, l’observabilité désigne la capacité à comprendre l’état d’un système à partir de signaux mesurables. Appliquée à l’IA, elle ne se limite pas à vérifier qu’une application reste accessible. Elle consiste aussi à examiner la qualité des réponses, les écarts de comportement, les sources d’erreur, les biais éventuels, les délais de traitement et la consommation de ressources.

Un modèle peut donner une réponse convaincante tout en étant factuellement erroné. Il peut aussi répondre différemment à des demandes très proches, ou voir sa qualité diminuer lorsque les données, les utilisateurs ou les usages changent. Sans suivi, ces dérives sont difficiles à détecter avant qu’elles n’aient des conséquences concrètes.

L’observabilité suppose donc de conserver des traces utiles, de définir des critères d’évaluation et de revoir régulièrement les résultats. Elle implique également de déterminer ce qui mérite une validation humaine. Dans un usage à faible risque, un contrôle par échantillon peut suffire. Dans un usage sensible, la supervision doit être plus étroite et les règles d’arrêt plus claires.

Réduire les hallucinations avant d’ouvrir l’IA aux clients

Les hallucinations restent l’un des principaux obstacles à une adoption élargie de l’IA générative. Le terme décrit une réponse qui paraît plausible, mais contient une information inventée, inexacte ou non vérifiable. Ce phénomène est lié au fonctionnement même des grands modèles de langage : ils génèrent la suite de texte la plus probable au regard de leur entraînement et de l’instruction reçue, sans disposer par nature d’un mécanisme infaillible de vérification des faits.

Pour cette raison, de nombreuses organisations limitent encore ces outils à des usages internes : préparation de documents, assistance à la rédaction, synthèse de notes ou aide à la recherche. Le risque augmente lorsque le contenu est publié sans relecture, transmis à un client, ou utilisé pour orienter une décision importante.

La réponse ne tient pas dans une promesse de modèle parfait. Elle passe par une combinaison de garde-fous : cadrer les questions acceptées, donner accès à des informations fiables et pertinentes, demander au système de signaler ses incertitudes, tester des scénarios difficiles et prévoir une validation humaine lorsque l’enjeu le justifie. La précision dépend aussi de la qualité des données mises à disposition et de la clarté de la tâche confiée à l’IA.

Autrement dit, la fiabilité ne relève pas seulement du modèle. Elle dépend de tout le dispositif qui l’entoure : données, consignes, outils, règles de sécurité, tests et suivi dans le temps.

Que change réellement l’IA agentique ?

L’expression IA agentique désigne des systèmes capables de décomposer un objectif en plusieurs étapes et d’utiliser des outils pour progresser vers ce but. Là où un assistant classique répond à une question, un agent peut, selon son périmètre, rechercher une information, consulter un système autorisé, proposer une action, puis passer à l’étape suivante.

L’intérêt potentiel est considérable dans les activités où les équipes enchaînent des tâches répétitives mais contextualisées. Le service client peut, par exemple, bénéficier d’un système qui rassemble les informations nécessaires avant de préparer une réponse. La cybersécurité constitue un autre terrain d’application : une IA peut aider à trier des alertes, à rassembler des éléments de contexte et à accélérer le travail d’analyse.

Cette autonomie ne doit toutefois pas être confondue avec une liberté totale. Un agent devient plus utile lorsqu’il dispose de limites explicites : quels outils peut-il utiliser ? Quelles données peut-il consulter ? Quelles actions peut-il seulement suggérer, et lesquelles peut-il exécuter ? Qui est alerté si son comportement sort du cadre prévu ?

La question pertinente n’est donc pas seulement de savoir si l’IA peut agir seule. Il faut déterminer à quel niveau d’autonomie elle peut intervenir sans mettre en danger la sécurité, la qualité de service ou la responsabilité de l’organisation. Dans de nombreux cas, le modèle le plus robuste sera celui d’une collaboration entre un agent et un professionnel qui conserve la décision finale.

Gouvernance et éthique : la responsabilité ne peut plus être ajoutée après coup

À mesure que l’IA s’intègre aux outils de travail, les exigences de transparence et de responsabilité progressent. Une gouvernance solide doit permettre d’identifier les systèmes utilisés, les données qu’ils mobilisent, les personnes responsables de leur déploiement et les risques associés à leurs usages.

Les sujets à traiter sont multiples : biais dans les résultats, protection des données, sécurité des accès, explicabilité adaptée au contexte, propriété intellectuelle, conservation des traces et procédures d’incident. Il ne s’agit pas uniquement d’une contrainte juridique. Une organisation incapable d’expliquer comment son outil est utilisé ou de corriger une erreur perd rapidement la confiance de ses salariés, de ses clients et de ses partenaires.

Le cadre européen se précise. Le règlement européen sur l’intelligence artificielle, entré en vigueur le 1er août 2024, voit ses premières dispositions s’appliquer à partir du 2 février 2025. Elles concernent notamment l’interdiction de certaines pratiques et l’obligation de développer une culture suffisante de l’IA au sein des organisations concernées. Pour les entreprises, l’anticipation est préférable à une mise en conformité tardive.

Données, cloud et GPU : les fondations matérielles de l’IA

L’IA ne fonctionne pas sans infrastructure. L’entraînement et l’utilisation de modèles demandent des données accessibles, des capacités de stockage, des réseaux et, pour de nombreux usages, une puissance de calcul importante. Les GPU, processeurs particulièrement adaptés à certains calculs massivement parallèles, sont devenus des ressources stratégiques pour le développement de l’IA.

Cette pression sur le calcul conduit les organisations à réexaminer leurs architectures. Il ne s’agit pas nécessairement de posséder son propre matériel. Les offres cloud peuvent mutualiser l’accès aux ressources et proposer des alternatives aux investissements directs. Mais elles posent aussi des questions de coût, de dépendance à un fournisseur, de localisation des données et de maîtrise des accès.

La modernisation concerne également les données elles-mêmes. Une entreprise peut posséder beaucoup d’informations sans disposer de données prêtes à être utilisées par une IA. Les données doivent être organisées, documentées, sécurisées et reliées à des règles d’accès. Elles doivent surtout être assez pertinentes pour répondre à un besoin réel, plutôt que d’alimenter un projet technologique sans objectif précis.

Des équipes sous pression, des cas d’usage à prouver

Les professionnels de l’IA, de la donnée, de la sécurité et des métiers devront composer avec un rythme d’évolution soutenu. Les dirigeants ont un rôle déterminant : fixer des priorités, éviter la dispersion des expérimentations et donner aux équipes les moyens d’évaluer sérieusement les outils.

Un projet utile commence généralement par un problème concret : réduire le temps de traitement d’une demande, aider à retrouver une information, améliorer la cohérence d’un document ou renforcer la détection d’un signal faible. Il doit ensuite définir des indicateurs simples, comme la qualité obtenue, le temps gagné, le coût, le taux de correction humaine ou la satisfaction des utilisateurs.

Les cas d’usage réussis ont une valeur particulière. Ils rendent les bénéfices observables, révèlent les limites avant un déploiement plus large et contribuent à bâtir la confiance. À l’inverse, une promesse trop générale d’automatisation peut créer de la déception si les données sont insuffisantes, si les équipes ne sont pas formées ou si les responsabilités ne sont pas claires.

Ce qu’il faut surveiller en 2025

L’année 2025 devrait confirmer que l’avenir de l’IA en entreprise se joue moins dans une opposition entre humains et machines que dans la qualité de leur organisation commune. Les systèmes génératifs et agentiques peuvent accélérer certaines opérations, mais leur intérêt dépendra de leur capacité à rester fiables, auditables et proportionnés aux risques.

Plusieurs signaux méritent une attention particulière : la progression réelle des agents dans les outils métiers, la généralisation des dispositifs d’observabilité, l’évolution des coûts de calcul, la disponibilité des GPU via le cloud, ainsi que la mise en œuvre concrète des nouvelles obligations réglementaires.

Pour les organisations, la priorité est claire : ne pas traiter l’IA comme une fonctionnalité isolée. Les projets les plus solides relieront innovation, qualité des données, sécurité, supervision humaine et gouvernance. C’est à cette condition que l’autonomie promise par l’IA pourra devenir un levier de performance plutôt qu’une nouvelle zone d’incertitude.