LangChain : les grandes entreprises déploient des agents AI en production plus vite que les startups

LangChain a publié le rapport State of Agent Engineering basé sur un sondage de 1.300 spécialistes de diverses entreprises. La conclusion principale semble inattendue : les agents d'IA entrent déjà en production non pas là où il y a moins de bureaucratie, mais là où il y a plus de ressources et des exigences de fiabilité plus strictes.

Qui est déjà en production

Dans le rapport, les agents d'IA sont compris comme des systèmes qui ne font pas que répondre à une demande comme un chatbot ordinaire, mais qui choisissent leurs propres étapes pour atteindre un objectif : rechercher des données, invoquer des outils, envoyer des e-mails ou déclencher des actions dans d'autres services. Et la « production » dans ce contexte n'est pas une démonstration ou un pilote, mais un environnement en direct où le produit est déjà utilisé par des employés, des clients ou des partenaires. C'est là que le rapport brise le stéréotype populaire selon lequel les grandes entreprises sont trop lentes pour les nouvelles technologies.

Selon LangChain, 67% des organisations comptant plus de 10.000 employés ont déjà déployé des applications d'agents en production. Parmi les entreprises comptant moins de 100 employés, ce chiffre est de 50%. La raison semble pragmatique : les agents fiables nécessitent une infrastructure, des intégrations, un suivi et une équipe capable de maintenir tout cela — et les entreprises de classe entreprise ont généralement plus de ces ressources.

Où se situe la faiblesse

La deuxième partie importante du rapport concerne non pas le lancement, mais le contrôle de la qualité. Ici, il est utile de distinguer entre deux termes. Le premier est l'observabilité — l'équipe voit ce que fait l'agent, quels outils il invoque, à quelle étape il commet des erreurs et pourquoi il est arrivé à un résultat spécifique. Le second est l'évaluation hors ligne, c'est-à-dire la vérification sur un ensemble de tests avec des réponses correctes connues. Ce n'est plus l'observation des conséquences, mais une tentative de mesurer la qualité avant l'utilisation dans le monde réel.

L'écart entre ces pratiques s'est avéré significatif. 89% des équipes interrogées ont mis en place des mécanismes d'observabilité, mais seulement 52,4% effectuent une évaluation hors ligne. En d'autres termes, le marché a beaucoup mieux appris à observer le comportement des agents après le lancement qu'à les vérifier systématiquement au préalable. Cette approche pourrait être décrite comme « déployer d'abord, résoudre après. » Pour les logiciels ordinaires, c'est risqué, et pour les systèmes d'agents encore plus : une erreur ici peut se transformer non seulement en texte incorrect, mais en action incorrecte.

Pourquoi la qualité est devenue le goulot d'étranglement

Un autre changement concerne l'argent. Il y a quelques trimestres, les conversations sur les agents d'IA se réduisaient presque toujours au coût des modèles et de l'infrastructure. Dans le nouveau rapport, le tableau est différent : 32% des répondants nomment la qualité, pas le prix, comme principal obstacle. Par qualité, ils entendent ici non pas des choses abstraites comme « qu'il soit intelligent, » mais des choses tout à fait pratiques qui affectent directement la confiance dans le système et la volonté de l'entreprise d'élargir le déploiement.

• Précision des réponses et actions de l'agent
• Stabilité des résultats d'une exécution à l'autre
• Minimisation des hallucinations et des fausses conclusions
• Latence acceptable entre la demande et la réponse
• Sécurité et conformité aux exigences

Le deuxième obstacle en importance dépend de la taille de l'entreprise. Les startups se plaignent plus souvent de latence — le délai qui rend l'interaction avec l'agent lente et frustrante. Les grandes entreprises comptant plus de 2.000 employés pointent plus souvent vers la sécurité et la conformité. La logique est claire : plus l'entreprise est grande, plus le coût de l'erreur est élevé, plus les exigences concernant les données, l'audit, les accès et la reproductibilité de chaque étape sont strictes.

Ce que cela signifie

Le marché des agents d'IA mûrit rapidement. La question n'est plus de savoir si vous pouvez assembler un beau scénario de démonstration, mais si vous pouvez intégrer un agent de manière stable et sûre dans un processus de travail. Par conséquent, le prochain stade de la concurrence ne suivra pas la ligne « qui a le modèle le moins cher, » mais suivra la ligne de la discipline d'ingénierie : qui teste mieux, observe mieux et limite les erreurs avant que l'agent ne commence à agir au nom de l'utilisateur.