Xebia : les agents IA échouent sans une base de données solide

Niels Zeilemaker, directeur technique mondial du cabinet de conseil Xebia, a déclaré dans un commentaire à AI News que la plupart des déploiements ratés d'agents IA en entreprise s'expliquent non par la faiblesse des modèles, mais par l'absence d'un socle de données préparé. Selon lui, l'IA agentique ne passe à l'échelle que dans la mesure où les données sur lesquelles s'appuient les agents sont solides : si l'organisation n'a pas réfléchi à la question en amont, le projet risque de s'enliser bien avant que les agents n'accélèrent les processus pour lesquels on les a déployés.

Pourquoi les données sont un socle, pas un détail

Contrairement à un logiciel classique, qui exécute un scénario prédéfini, un agent IA autonome décide lui-même quelles sources consulter, quelles données lire et quelle action entreprendre ensuite. Si les informations de l'entreprise sont dispersées dans des systèmes cloisonnés, non étiquetées et inaccessibles via des interfaces claires, l'agent ne trouvera pas les données dont il a besoin, ou les recevra déformées et commettra une action erronée. Niels Zeilemaker souligne que la qualité du travail de l'agent est directement bornée par la qualité et l'accessibilité des données auxquelles il a accès, et qu'aucune puissance du modèle ne le compense.

C'est ce qui distingue fondamentalement les systèmes agentiques des pilotes classiques d'IA générative, où l'erreur d'un modèle a rarement des conséquences réelles en dehors du chat.

La même logique s'est déjà vue dans la vague de projets d'IA générative de ces dernières années : les entreprises ont lancé en masse des chatbots sur leurs données internes, puis constaté que les réponses étaient imprécises ou incomplètes, car le modèle n'avait pas accès aux versions à jour des documents ou ne savait pas distinguer une consigne obsolète d'une consigne en vigueur. Avec les agents, l'enjeu est plus élevé, car un agent ne se contente pas de produire du texte : il agit. Il envoie des e-mails, met à jour des fiches dans le CRM, déclenche des paiements.

Dans un scénario agentique, une erreur causée par de mauvaises données ne se traduit pas par une réponse imprécise, mais par une action réelle, potentiellement coûteuse.

Ce qui motive la position de Xebia

Xebia est un cabinet de conseil informatique international qui accompagne les grandes entreprises dans leur transformation numérique, la construction de leurs plateformes de données et l'intégration de l'IA dans leurs processus de production. Le message de Niels Zeilemaker s'adresse précisément à ceux qui sont chargés d'accélérer les processus métier de l'organisation grâce aux agents IA : selon lui, il faut commencer par le socle, en rendant les données exploitables par les agents, et seulement ensuite passer à la montée en charge du déploiement. Cette séquence paraît évidente, mais c'est elle qui est le plus souvent violée en pratique : les entreprises achètent des licences de plateformes d'agents avant de mettre de l'ordre dans les sources de données que ces agents doivent utiliser.

Faits clés :

• Niels Zeilemaker est le CTO mondial de Xebia
• Le commentaire a été publié par AI News (artificialintelligence-news.com)
• Thèse centrale : l'IA agentique passe à l'échelle grâce à la solidité des données, et pas seulement à la puissance du modèle
• Xebia est spécialisé dans le conseil en données et la transformation numérique pour des clients entreprises

Ce que cela change pour les équipes qui déploient des agents IA

La conclusion pratique de la position de Xebia est simple : avant de multiplier les agents, il faut auditer les sources de données, c'est-à-dire savoir où elles sont stockées, à quel point elles sont à jour, qui les gère et si l'on peut y donner un accès sécurisé à un agent via une API. Les entreprises qui sautent cette étape et passent directement à des pilotes avec des démos spectaculaires constatent le plus souvent que l'agent fonctionne en bac à sable, mais plante face à des données d'entreprise réelles, incomplètes ou contradictoires. L'investissement dans la préparation des données, qui comprend le catalogage des sources, le contrôle de la qualité et la séparation des droits d'accès, est rentabilisé à l'étape de la montée en charge, et non à celle du premier prototype.

Pour les responsables techniques, cela implique de revoir les priorités budgétaires : une partie des fonds qui allaient jusqu'ici exclusivement aux abonnements à des modèles et aux frameworks d'agents doit être réaffectée au data engineering, c'est-à-dire à des pipelines donnant aux agents un accès en temps réel à des données à jour et vérifiées. Sans cette étape, même le modèle le plus avancé prendra des décisions à l'aveugle, et les agents risquent de devenir une coûteuse vitrine de démonstration plutôt qu'un outil de travail qui accélère réellement les processus de l'entreprise.