42% des projets d'IA agentique échouent : la gouvernance devient urgente

Un taux d'échec alarmant qui redéfinit les priorités en 2026

Le chiffre est brutal : selon Salesforce, 42% des projets d'IA agentique échouent avant même d'atteindre la mise en production en 2026. Ce n'est pas un problème de technologie au sens strict - les modèles existent, les frameworks aussi. C'est un problème de gouvernance. Les agents autonomes, livrés à eux-mêmes dans des environnements d'entreprise complexes, dérivent, produisent des résultats imprévisibles ou tout simplement s'arrêtent faute de cadre de contrôle adapté.

Ce bilan 2025-2026 marque une rupture nette avec la période d'euphorie des premières expérimentations. Les équipes techniques ont appris à leurs dépens que déployer un agent IA en production n'est pas comparable au déploiement d'une API classique. Un agent prend des décisions, enchaîne des actions, interagit avec des systèmes tiers - et chaque étape est un point de défaillance potentiel si aucune couche de supervision ne vient encadrer ce comportement.

En 2026, la question n'est plus 'quel agent choisir' mais 'comment le contrôler à grande échelle' - c'est ce glissement de paradigme qui redéfinit le rôle des DSI.

Les causes d'échec identifiées convergent autour de trois axes principaux :

• Absence de traçabilité : impossible de savoir pourquoi un agent a pris telle décision à tel moment
• Manque d'interopérabilité : les agents de différents fournisseurs ne parlent pas le même langage de contrôle
• Déficit de politiques de sécurité : les accès aux données sensibles ne sont pas correctement bornés

MuleSoft Omni Gateway et les benchmarks Databricks : deux signaux convergents

Face à ce constat, Salesforce a lancé MuleSoft Omni Gateway, une solution conçue pour unifier la gouvernance des agents autonomes d'entreprise. L'idée centrale est simple : créer une couche d'abstraction unique qui centralise le contrôle, les politiques d'accès et la supervision de tous les agents déployés dans une organisation, quelle que soit leur origine technologique. C'est une réponse directe au chaos qui s'installe quand chaque équipe déploie ses propres agents avec ses propres règles - ou sans règles du tout.

De son côté, Databricks apporte une perspective complémentaire et particulièrement éclairante. L'entreprise a publié un benchmark de coding agents testés non pas sur des jeux de données artificiels, mais sur leur propre codebase réelle de plusieurs millions de lignes de code. Les résultats sont instructifs : même les meilleurs agents de codage actuels montrent des limites significatives dès que la complexité du contexte augmente. Les performances se dégradent, les erreurs se multiplient, et sans cadre de contrôle robuste, ces agents peuvent introduire des régressions silencieuses dans des bases de code critiques.

La convergence entre ces deux sources est frappante. D'un côté, un éditeur majeur répond à l'échec massif des déploiements par une solution de gouvernance centralisée. De l'autre, un acteur de référence du data engineering démontre empiriquement, en conditions réelles, pourquoi cette gouvernance est non négociable. Ce n'est pas une coïncidence : c'est le signe que l'industrie a atteint un point de maturité où les garde-fous deviennent aussi importants que les capacités elles-mêmes.

Dimension	Sans gouvernance unifiée	Avec gouvernance unifiée
Traçabilité des décisions	Opaque, non auditables	Logs centralisés, auditables
Gestion des accès	Fragmentée par agent	Politiques unifiées
Taux de mise en production	58% seulement	Objectif : 80%+
Détection des dérives	Réactive, souvent tardive	Proactive, en temps réel

Pour aller plus loin, les sources originales sont disponibles ici : zdnet.fr pour l'annonce MuleSoft Omni Gateway (https://www.zdnet.fr/actualites/zd-tech-face-aux-42-dechecs-des-projets-dia-salesforce-lance-une-solution-pour-encadrer-les-agents-autonomes-498185.htm#xtor=RSS-1) et databricks.com pour le benchmark de coding agents (https://www.databricks.com/blog/benchmarking-coding-agents-databricks-multi-million-line-codebase).

Quelles architectures de contrôle adopter dès maintenant ?

Pour les DSI qui veulent sortir de la statistique des 42%, la question n'est plus théorique. Voici les principes architecturaux qui émergent comme standards de facto en 2026 :

• Gateway d'agents centralisé : toute requête émise ou reçue par un agent passe par un point de contrôle unique, capable d'appliquer des politiques de sécurité, de journaliser les échanges et d'interrompre une action si elle sort du périmètre autorisé. C'est exactement le positionnement de MuleSoft Omni Gateway.
• Évaluation en conditions réelles : les benchmarks sur données synthétiques ne suffisent plus. Comme le démontre Databricks, tester un agent sur une codebase de production révèle des comportements invisibles en environnement contrôlé. Cette approche doit devenir la norme avant tout déploiement.
• Politiques d'accès granulaires : un agent de support client n'a pas besoin d'accéder aux données financières. Le principe du moindre privilège, bien connu en sécurité système, s'applique désormais aux agents IA avec la même rigueur.
• Observabilité native : chaque action d'un agent doit être traçable, horodatée et rattachée à un contexte. Sans cette couche d'observabilité, le débogage en production devient un cauchemar et la conformité réglementaire une impossibilité.

Le message pour les décideurs est clair : investir dans la gouvernance des agents n'est pas un coût supplémentaire, c'est la condition pour que les investissements déjà réalisés en IA agentique produisent un retour réel. Un agent non gouverné est un agent qui ne passera jamais en production - ou pire, un agent qui y passera et créera des incidents.

En 2026, la maturité d'une organisation sur l'IA agentique se mesure moins à la sophistication de ses modèles qu'à la robustesse de son cadre de contrôle. C'est ce renversement de perspective que les DSI les plus avancés ont déjà intégré - et que les autres doivent adopter sans attendre.