McKinsey identifie quatre étapes pour faire passer l’agentic AI à l’échelle avec des données de qualité

McKinsey a publié des recommandations pour les entreprises qui tentent d'augmenter la capacité d'agentic AI mais rencontrent des obstacles non dans les modèles, mais dans les données. Le point principal est simple : sans une base de données commune, des workflows clairs et une gouvernance robuste, les agents ne sortent jamais des pilotes pour entrer dans les processus métier réels.

Pourquoi les pilotes s'enlisent

Selon McKinsey, près des deux tiers des entreprises ont déjà expérimenté avec des agents d'IA, mais moins de 10% ont réussi à les mettre à l'échelle jusqu'à un niveau qui génère une valeur métier significative. Dans huit cas sur dix, les données deviennent l'obstacle : elles résident dans des systèmes fragmentés, ont des contextes différents, échouent aux contrôles de qualité unifiés et conviennent mal aux solutions autonomes. Tant que les humains assemblent manuellement les sources et revalident les résultats, le pilote fonctionne encore.

Quand les mêmes actions doivent être effectuées constamment et en temps réel, la structure commence à s'effondrer. Le problème devient plus aigu à mesure que l'autonomie augmente. Un agent unique peut visiter séquentiellement plusieurs systèmes et prendre des décisions basées sur des informations fragmentées, tandis qu'un groupe d'agents spécialisés peut se transmettre des erreurs les uns aux autres.

C'est pourquoi McKinsey place au centre non le modèle lui-même, mais la capacité de l'entreprise à fournir aux agents un accès stable aux données, des définitions claires, la traçabilité et les règles d'accès. Autrement, l'automatisation semble impressionnante dans une démo mais s'effondre sous le premier volume sérieux d'opérations.

Quatre premières étapes

McKinsey propose de ne pas restructurer l'ensemble de l'entreprise à la fois, mais de commencer par quatre étapes interconnectées qui relient la stratégie, l'architecture et le modèle opérationnel. La logique est : d'abord choisir les processus où l'autonomie paie réellement, puis préparer l'infrastructure, et ensuite seulement augmenter l'échelle. Cette approche est nécessaire pour éviter de passer des mois sur des pilotes coûteux sans effet reproductible et pour empêcher que les anciens problèmes de données ne se reportent à la nouvelle infrastructure d'agents.

• Sélectionner 1-2 workflows à haut impact et les évaluer par valeur, faisabilité et impact stratégique
• Mettre à jour les couches d'architecture de données pour que les agents puissent échanger le contexte en toute sécurité
• Passer du nettoyage ponctuel au contrôle continu de la qualité des données structurées et non structurées
• Introduire un modèle opérationnel et une gouvernance : rôles, droits d'accès, logs, politiques et points d'approbation humaine

Une attention particulière est mise sur l'exécution coordonnée de ces quatre étapes. Si une entreprise a choisi le bon cas d'usage mais conservé l'ancienne architecture, l'agent se heurtera à des systèmes incompatibles. Si l'architecture est déjà moderne mais dépourvue de règles d'accès et de journalisation des actions, la montée en charge deviendra rapidement un risque pour la sécurité, la conformité et la qualité des décisions métier. McKinsey recommande également de valider l'approche sur des pilotes ciblés avec des métriques claires et de chercher immédiatement les données qui pourront être réutilisées dans des workflows adjacents.

Quel fondement est nécessaire

Selon McKinsey, une architecture agent-ready n'est pas un nouveau monolithe mais un ensemble de couches modulaires. Les données doivent entrer une seule fois dans l'entreprise, puis être utilisées pour l'analytics, le machine learning et l'generative AI, sans pipelines parallèles séparés pour chaque tâche. Une semantic layer joue un rôle important : elle décrit ce que signifie chaque entité, comment les objets se rapportent les uns aux autres et quelles règles métier s'appliquent.

En pratique, cela conduit à des ontologies, des knowledge graphs et des data products avec une propriété claire, une qualité et des interfaces d'accès définis. McKinsey souligne séparément le travail avec les données non structurées : documents, images, correspondance et historiques de tickets. Pour que les agents utilisent de manière fiable ce type de contenu, il doit être tagué, classifié, indexé via embeddings et lié au reste du modèle de données d'entreprise.

Pour les données structurées, la priorité est différente : non un nettoyage manuel périodique, mais un suivi continu de la qualité, une validation automatisée, une détection des anomalies et un suivi de la lignée. Les mêmes normes doivent s'appliquer aux données créées par les agents eux-mêmes. La couche finale est la gouvernance autour du cycle de vie des agents.

L'entreprise doit déterminer à l'avance ce que les agents sont autorisés à faire, à quelles données ils peuvent accéder, où l'approbation humaine est nécessaire et qui est responsable des résultats. Cela inclut le provisionnement des identifiants, la télémétrie, les logs d'actions, la surveillance des performances et les vérifications automatiques de conformité aux politiques. Dans ce schéma, les équipes métier possèdent leurs workflows et leurs modèles de domaine, tandis que les équipes centrales de données et d'IA possèdent les plateformes communes, les guardrails et la supervision.

Ce que cela signifie

Le marché passe progressivement de la question « quel modèle choisir » à « sur quelles données et quels processus opérera-t-il ». Pour les entreprises, c'est une mauvaise nouvelle pour les démos rapides, mais une bonne nouvelle pour celles prêtes à construire agentic AI comme partie du système d'exploitation métier plutôt que comme une expérience isolée.