McKinsey détaille quatre étapes pour déployer l'IA agentique sur des données de qualité

McKinsey a publié des recommandations pour les entreprises qui tentent de déployer l'IA agentique à grande échelle et butent non sur les modèles, mais sur les données. Le message central est simple : sans socle de données commun, workflows clairs et gouvernance stricte, les agents ne sortent pas des pilotes pour entrer dans un véritable processus métier.

Pourquoi les pilotes s'enlisent

Selon McKinsey, près des deux tiers des entreprises ont déjà expérimenté des agents IA, mais moins de 10 % ont réussi à les porter à une échelle qui apporte une valeur métier sensible. Dans huit cas sur dix, l'obstacle est la donnée : elle se trouve dans des systèmes dispersés, porte des contextes différents, ne passe pas de contrôles qualité uniformes et se prête mal aux décisions autonomes. Tant qu'un humain assemble les sources à la main et revérifie le résultat, le pilote peut encore tenir. Quand ces mêmes actions doivent être menées en continu et en temps réel, l'édifice commence à s'effondrer.

Le problème s'aggrave à mesure que l'autonomie augmente. Un seul agent peut parcourir successivement plusieurs systèmes et décider à partir d'informations fragmentées, tandis qu'un groupe d'agents spécialisés peut en plus se transmettre mutuellement des erreurs. C'est pourquoi McKinsey place au centre non pas le modèle, mais la capacité de l'entreprise à offrir aux agents un accès stable aux données, des définitions claires, de la traçabilité et des règles d'accès. Sinon, l'automatisation fait bonne figure en démo, mais casse dès les premiers volumes sérieux d'opérations.

Quatre premières étapes

McKinsey suggère de ne pas refondre toute l'entreprise d'un coup, mais de commencer par quatre étapes liées, qui relient stratégie, architecture et modèle opérationnel. La logique : choisir d'abord les processus où l'autonomie est réellement rentable, préparer ensuite l'infrastructure, et seulement après élargir l'échelle. Cette approche vise à éviter des mois de pilotes coûteux sans effet reproductible, et à ne pas traîner les anciens problèmes de données dans la nouvelle couche d'agents.

• Choisir 1-2 workflows à fort impact et les évaluer selon la valeur, la faisabilité et l'effet stratégique
• Moderniser les couches de l'architecture de données pour que les agents puissent échanger du contexte en toute sécurité
• Passer de nettoyages ponctuels à un contrôle continu de la qualité des données structurées et non structurées
• Mettre en place un modèle opérationnel et une gouvernance : rôles, droits d'accès, logs, politiques et points de validation humaine

McKinsey insiste sur la nécessité de mener les quatre étapes de façon coordonnée. Si l'entreprise a choisi le bon cas d'usage mais conservé l'ancienne architecture, l'agent butera sur des systèmes incompatibles. Si l'architecture est déjà moderne mais que les règles d'accès et la journalisation des actions font défaut, le passage à l'échelle deviendra vite un risque pour la sécurité, la conformité et la qualité des décisions métier. McKinsey conseille aussi de tester l'approche sur des pilotes ciblés avec des métriques claires, et de chercher immédiatement les données réutilisables ensuite dans les workflows voisins.

Quel socle est nécessaire

Par architecture prête pour les agents, McKinsey n'entend pas un nouveau monolithe, mais un ensemble de couches modulaires. Les données doivent entrer une seule fois dans l'entreprise, puis servir à l'analytique, au machine learning et à l'IA générative, sans pipelines parallèles distincts pour chaque tâche. La couche sémantique joue un rôle important : elle décrit ce que signifie chaque entité, comment les objets sont reliés et quelles règles métier s'appliquent. En pratique, cela mène à des ontologies, des graphes de connaissances et des produits de données dotés d'un responsable, d'un niveau de qualité et d'interfaces d'accès clairs.

McKinsey souligne à part le travail sur les données non structurées : documents, images, correspondances, historique des demandes. Pour que les agents puissent exploiter ce contenu de façon fiable, il faut l'étiqueter, le classer, l'indexer via des embeddings et le relier au reste du modèle de données de l'entreprise. Pour les données structurées, la priorité est différente : non pas un nettoyage manuel périodique, mais une surveillance permanente de la qualité, une validation automatique, la détection d'anomalies et la conservation du lineage. Les mêmes standards doivent s'appliquer aux données créées par les agents eux-mêmes.

La dernière couche est la gouvernance du cycle de vie des agents. L'entreprise doit définir à l'avance ce que l'agent a le droit de faire, à quelles données il accède, où une confirmation humaine est requise et qui répond du résultat. Cela comprend l'émission d'identifiants, la télémétrie, les logs d'actions, le suivi des performances et des contrôles automatiques de conformité aux politiques. Dans ce schéma, les équipes métier portent leurs workflows et leur modèle de domaine, tandis que les équipes centrales data et IA gèrent les plateformes communes, les garde-fous et la supervision.

Ce que cela signifie

Le marché glisse peu à peu de la question « quel modèle choisir » vers « sur quelles données et quels processus agira-t-il ». Pour les entreprises, c'est une mauvaise nouvelle pour les démos rapides, mais une bonne pour celles qui sont prêtes à construire l'IA agentique comme une composante du système d'exploitation de l'entreprise, et non comme une expérience isolée.