IA agentique : gouvernance, données et identité, les 3 piliers incontournables

De la conversation à l’action : la rupture agentique

Pendant trois ans, les entreprises se sont familiarisées avec une intelligence artificielle qui répond. ChatGPT rédige, résume, traduit. Utile, certes, mais sans conséquence réelle : si la réponse est mauvaise, on la jette et on recommence. Ce qui change fondamentalement en 2026, c’est que l’IA agit.

L’IA agentique ne se contente plus de produire du texte. Elle ouvre un dossier dans votre GED, interroge votre ERP, met à jour une fiche client, déclenche un workflow de validation. Elle ne produit plus du contenu : elle produit des effets. Et un effet, contrairement à une réponse textuelle, ne se jette pas — il se rattrape, ou pas.

Selon la définition de la CNIL et du Conseil de l’IA et du numérique (CIANum), l’IA agentique désigne « un ensemble de systèmes qui reposent sur la coordination de plusieurs sous-systèmes appelés agents IA », capables de planifier, d’invoquer des outils, d’accéder à des données et d’exécuter des actions avec une intervention humaine limitée. Cette autonomie change radicalement la nature du risque.

Un exemple concret illustre cette bascule : un environnement Microsoft Copilot permet désormais à un utilisateur de créer son propre agent, de le connecter à des applications métier et de lui transmettre une partie de ses droits. L’ironie, soulignent plusieurs experts, c’est que l’entreprise permet souvent de le faire sans avoir décidé comment elle souhaite gouverner ces agents, et parfois même sans en avoir pleinement conscience.

Premier pilier : une gouvernance qui anticipe l’autonomie

La gouvernance de l’IA agentique ne peut plus se contenter d’un comité qui valide des projets pilotes. Elle doit définir, avant le déploiement, qui peut créer un agent, pour quels usages, avec quelles limites d’action, et sous quelle supervision.

Plusieurs autorités convergent vers les mêmes principes. Le National Cyber Security Centre britannique recommande dans ses directives d’août 2026 que « chaque agent devrait se voir attribuer sa propre identité unique, dans une classe qui le distingue des humains et des autres identités machine ». L’Estonie va plus loin avec une proposition de juin 2026 : attribuer à chaque agent IA un identifiant national qui lie l’agent à un opérateur nommé, des limites de permissions et un registre auditable.

La gouvernance efficace repose sur quatre mécanismes concrets :

• Traçabilité avant supervision : chaque action d’un agent doit être enregistrée avec l’identité réelle qui l’a déclenchée, avant même qu’un humain ne la révise.
• Pré-autorisation plutôt que post-révision : définir ce qu’un agent peut faire, pas seulement auditer ce qu’il a fait.
• Limitation de périmètre comme mécanisme de gouvernance : une liste blanche d’outils, des plafonds chiffrés, une approbation humaine obligatoire avant toute action irréversible.
• Responsabilité humaine nommée : chaque agent doit avoir un propriétaire identifié, responsable de son comportement.

Selon une enquête Dataiku/Harris Poll menée auprès de plus de 800 responsables data dans le monde, 75 % des décideurs considèrent la confiance dans leurs déploiements d’agents IA comme une préoccupation majeure. Ce n’est pas une inquiétude abstraite : c’est l’écart entre ce que les agents sont autorisés à faire et ce que l’organisation peut réellement contrôler.

Deuxième pilier : des données qui deviennent un enjeu de sécurité

La qualité des données n’est plus seulement une question de performance analytique. Avec l’IA agentique, elle devient un enjeu de sécurité opérationnelle. Un agent qui agit sur des données erronées ou obsolètes peut déclencher des actions aux conséquences immédiates et tangibles.

David Guede, ingénieur ayant développé l’agent vocal Sharlie pour Sosh, raconte dans une série d’articles techniques comment un processus agentique a un jour produit un reporting impeccable en apparence, avec un chiffre de marge bien en évidence. Sauf que ce chiffre était faux : la source finance n’avait pas été rafraîchie, et la marge affichée datait du trimestre précédent. Le document est parti en comité de direction avant que l’erreur ne soit détectée.

Cette anecdote illustre un principe nouveau : la gouvernance des données doit précéder le déploiement des agents. Cela implique :

• Classification systématique : chaque jeu de données doit être étiqueté selon sa sensibilité, sa fraîcheur, sa qualité et son niveau de certification.
• Contrôle d’accès granulaire : définir précisément quelles données un agent peut lire, modifier ou supprimer, avec des mécanismes de masquage pour les informations sensibles.
• Validation de la fraîcheur : un agent ne doit jamais agir sur des données dont il ne peut vérifier la date de dernière mise à jour.
• Traçabilité des sources : comme le souligne une analyse de Glean publiée en août 2026, les journaux d’audit actuels indiquent quelle source un agent a citée, mais jamais quelle source valide il a écartée — un angle mort majeur pour comprendre les décisions.

Snowflake, dans son cadre de gouvernance sémantique pour agents IA, insiste sur un point souvent négligé : les agents ne sont fiables que si la fondation de données qui les sous-tend est solide. Si on les dirige vers des tables brutes ou des métadonnées obsolètes, ils peuvent sembler convaincants tout en étant incorrects — un phénomène que les équipes data appellent la « dégradation de qualité des agents ».

Troisième pilier : l’identité, nouveau périmètre de sécurité

Le pilier le plus technique, mais aussi le plus critique, concerne l’identité. Un agent IA qui agit dans un système d’information est, de fait, un utilisateur. Mais quel utilisateur ? Avec quels droits ? Pour combien de temps ? Et qui peut révoquer ces droits ?

Trois modèles d’identité coexistent aujourd’hui dans les déploiements d’IA agentique, avec des niveaux de risque très différents :

1. L’agent emprunte les droits de l’utilisateur qui l’a déclenché : simple à mettre en place, mais rend la traçabilité impossible. Si un agent commet une erreur, on ne peut pas distinguer l’action de l’agent de celle de l’humain.
2. L’agent partage un compte de service avec d’autres traitements : économique en gestion, mais crée un point de défaillance unique et empêche toute attribution fine des actions.
3. L’agent dispose d’une identité propre : plus complexe, mais seul modèle permettant une gouvernance réelle. Chaque agent a son propre compte, avec un propriétaire désigné, une finalité déclarée, un périmètre d’accès explicite et une durée de vie définie.

Selon une enquête Delinea de mars 2026 auprès de 2 000 décideurs IT utilisant activement l’IA, 80 % des organisations déclarent ne pas toujours pouvoir expliquer pourquoi une identité non-humaine ou un agent IA a effectué une action privilégiée. Ce trou béant dans la traçabilité devient un risque de conformité majeur, notamment au regard de l’AI Act européen entré en vigueur en 2025.

La gestion des identités agentiques impose plusieurs pratiques nouvelles :

• Principe du moindre privilège appliqué aux agents : un agent ne doit jamais avoir plus de droits que strictement nécessaire pour sa mission.
• Permissions temporaires et contextuelles : les droits d’un agent peuvent varier selon le contexte (heure, type de demande, données concernées).
• Révocation rapide : en cas d’incident, il doit être possible de désactiver un agent en quelques secondes, sans impacter les autres systèmes.
• Audit continu : chaque appel d’API, chaque accès à une donnée doit être enregistré avec l’identité précise de l’agent et l’horodatage.

Le National Cyber Security Centre britannique recommande également d’implémenter une « couche de temps réel d’autorisation continue qui revalide l’accès d’un agent au moment où il agit, et détecte les comportements qui dérivent en cours de session ».

Les angles morts à ne pas négliger

Plusieurs risques émergents sont encore sous-estimés par les organisations qui déploient l’IA agentique :

Le « shadow AI agentique » : des équipes métiers créent et déploient des agents sans validation IT ou sécurité, reproduisant le problème du shadow IT mais avec des conséquences potentiellement plus graves. Un agent mal configuré peut modifier des données critiques ou déclencher des workflows sensibles.

L’explicabilité des décisions : quand un agent enchaîne plusieurs actions pour atteindre un objectif, comment reconstituer son raisonnement ? Les journaux d’audit actuels enregistrent les actions, mais rarement les critères de décision. Glean souligne que « le log dit quelle source l’agent a citée, jamais quelle source valide il a écartée ».

La responsabilité juridique : qui est responsable quand un agent IA prend une mauvaise décision autonome ? L’entreprise qui le déploie ? L’éditeur du modèle ? Le concepteur de l’agent ? Le cadre juridique reste flou, créant un vide que les premiers contentieux viendront combler.

La dépendance aux plateformes : les solutions d’IA agentique créent un nouveau type de vendor lock-in. Migrer un agent d’une plateforme à une autre implique de reconstruire toute la couche de gouvernance, d’identité et d’accès aux données.

Les coûts cachés : au-delà des licences, le déploiement d’une IA agentique bien gouvernée implique des investissements significatifs en infrastructure IAM, en stockage de logs, en monitoring et en formation des équipes. Une enquête récente suggère que ces coûts indirects peuvent représenter 40 à 60 % du coût total de possession.

Vers une maturité progressive

L’adoption de l’IA agentique ne se fera pas d’un bloc. Les organisations avancent selon trois trajectoires distinctes :

Les pionniers structurés : grandes entreprises et institutions qui investissent massivement dans les trois piliers avant de déployer à l’échelle. Elles bénéficient d’un avantage concurrentiel mais supportent des coûts de mise en conformité élevés.

Les expérimentateurs pragmatiques : organisations qui déploient des agents sur des périmètres limités et à faible risque, tout en construisant progressivement leur cadre de gouvernance. Approche moins coûteuse mais plus lente.

Les retardataires contraints : entreprises qui adoptent l’IA agentique sous pression concurrentielle ou réglementaire, sans avoir le temps de structurer leur approche. Elles s’exposent aux risques les plus élevés.

Plusieurs signaux indiquent que le marché se structure rapidement. Les éditeurs IAM (Okta, Ping Identity, CyberArk) adaptent leurs produits pour gérer les identités non-humaines. Des startups spécialisées émergent sur les segments de la gouvernance IA et de l’observabilité des agents. Les cabinets de conseil lancent des offres dédiées à la transformation agentique.

Ce que cela change concrètement

Pour les directions IT et sécurité, l’IA agentique impose de repenser l’architecture de sécurité. Les systèmes IAM doivent désormais gérer des milliers d’identités non-humaines avec des permissions dynamiques. Les équipes doivent auditer les cas d’usage actuels pour identifier lesquels évoluent vers l’agentique, établir un comité de gouvernance multi-départements, et mettre en place des logs détaillés avec alertes sur les actions sensibles.

Pour les responsables data, la priorité devient la classification et la certification des données. Chaque jeu de données accessible par un agent doit être qualifié : sensibilité, fraîcheur, qualité, propriétaire. La gouvernance des données n’est plus une préoccupation IT/analytique mais un risque opérationnel de premier plan.

Pour les directions métiers, l’IA agentique promet des gains de productivité significatifs — certaines analyses évoquent 20 à 40 % sur certains processus — mais impose une rigueur nouvelle. Chaque agent déployé doit avoir un propriétaire nommé, une finalité déclarée, des limites d’action explicites et un plan de supervision.

Pour les directions juridiques et conformité, l’AI Act européen rend ces trois piliers non plus optionnels mais réglementaires. Les obligations de traçabilité, d’explicabilité et de contrôle humain s’appliquent directement aux systèmes agentiques. Les amendes peuvent atteindre 35 millions d’euros ou 7 % du chiffre d’affaires annuel mondial.

Conclusion : l’autonomie sous contrôle

L’IA agentique n’est pas dangereuse par nature. Ce qui l’est, c’est son installation dans les processus d’entreprise sans cadre commun. Les trois piliers — gouvernance, données, identité — ne sont pas des contraintes qui freinent l’innovation : ce sont les conditions de sa viabilité.

Les organisations qui les mettent en place dès maintenant bénéficieront d’un avantage concurrentiel durable. Celles qui les négligent s’exposent à des incidents de sécurité, des non-conformités réglementaires et des responsabilités juridiques dont elles mesurent encore mal la portée.

La question n’est plus de savoir si l’IA agentique va transformer les entreprises, mais comment les entreprises vont transformer leur gouvernance pour l’accueillir. Les pionniers de 2026 construisent les standards que les régulateurs imposeront demain. Mieux vaut être du bon côté de cette transition.

Une question reste ouverte : à mesure que les agents IA gagnent en autonomie et commencent à interagir entre eux dans des écosystèmes complexes, les cadres de gouvernance actuels suffiront-ils, ou faudra-t-il inventer de nouveaux modèles de régulation pour des systèmes dont personne ne peut prédire entièrement le comportement ?