Les équipes d’IA d’entreprise semblent prendre une décision stratégique sur l’endroit où leurs systèmes d’agents s’exécuteront : de plus en plus, sur les plateformes des principaux fournisseurs de modèles. Mais un nouveau groupe d’enquêtes VentureBeat Pulse Research soutient que le problème le plus difficile n’est plus de choisir une plateforme. Il s’agit de faire en sorte que les déploiements d’agents réels, les contrôles et la discipline opérationnelle rattrapent l’ambition.

Au fil de quatre vagues d’enquêtes menées en juin 2026 et publiées par VentureBeat AI, les répondants ont décrit un marché qui se standardise autour de piles natives des fournisseurs, proposées par des sociétés comme Anthropic, OpenAI, Microsoft et Google, tout en continuant à lutter avec les fondations qui rendent les logiciels autonomes utilisables en production. Ces faiblesses apparaissent dans l’orchestration, la recherche, l’évaluation et la sécurité.

L’enseignement le plus net vient de l’enquête sur l’orchestration : 71 % des entreprises ont déclaré qu’un quart ou moins de leurs « agents » déployés étaient en réalité des workflows orchestrés en plusieurs étapes plutôt que de simples habillages de chatbot. Cela compte, car ces mêmes répondants ont dit juger le succès de l’orchestration à l’achèvement fiable des tâches et à la gestion de workflows multi-étapes, et non à l’UX du chatbot. Autrement dit, de nombreuses équipes achètent et prévoient des systèmes agentiques avant que la plupart de ce qu’elles ont en production ne mérite vraiment le qualificatif d’agent.

Pris ensemble, les quatre sondages suggèrent un schéma d’entreprise plus large. Les équipes sont à l’aise avec l’adoption des contrôles et de l’infrastructure intégrés fournis par les plateformes de modèles de pointe, mais elles restent beaucoup moins matures en matière d’identité, de gouvernance du contexte, d’évaluation dans le monde réel et d’application des coûts. Pour les bâtisseurs comme pour les acheteurs, l’implication est nette : le prochain avantage concurrentiel viendra peut-être moins d’un autre framework d’orchestration que de la preuve que les agents peuvent être dignes de confiance, mesurables et contenus.

Une même histoire à travers quatre couches de la pile

Le rapport sur l’orchestration portait sur 101 entreprises de plus de 100 salariés et a révélé que Claude d’Anthropic était la plateforme d’orchestration principale pour 40 % des répondants, devant Microsoft à 18 % et OpenAI à 13 %. VentureBeat a explicitement précisé que ces chiffres ne constituent pas des parts de marché et doivent être lus comme un instantané directionnel d’un échantillon auto-sélectionné, et non comme un recensement sectoriel pondéré par les dépenses.

Même avec cette réserve, le schéma concorde avec les trois autres enquêtes. Dans l’infrastructure de recherche et de contexte, la recherche de fichiers OpenAI et Google Vertex AI Search ont dominé l’usage en production devant les bases de données vectorielles spécialisées. En sécurité, les garde-fous et contrôles d’OpenAI ainsi que ceux de Google et Microsoft dominaient les déploiements actuels. En évaluation, les évaluations natives et les traces d’OpenAI menaient le secteur, à égalité avec les répondants disant n’utiliser aucun outil d’évaluation dédié.

Cette cohérence est importante. Elle suggère que les équipes d’entreprise se tournent par défaut vers les outils les plus proches du modèle sous-jacent et de la pile cloud qu’elles utilisent déjà. VentureBeat a qualifié cela de « gravité du modèle » en orchestration et de choix par défaut natif du fournisseur dans les autres couches. La lecture pratique est plus simple : les acheteurs veulent moins d’éléments mobiles, un déploiement plus rapide et une intégration plus étroite, du moins pour les premiers systèmes de production.

Mais ces mêmes équipes n’expriment pas une loyauté profonde à long terme. Les enquêtes ont révélé que 68 % prévoient d’adopter, d’ajouter ou de remplacer une plateforme d’orchestration dans l’année, 57 % prévoient de changer ou d’ajouter des fournisseurs de recherche, 64 % anticipent des changements dans les outils d’évaluation et 59 % prévoient des changements dans les outils de sécurité des agents. La standardisation est en cours, mais la pile reste fluide.

L’étiquette de chatbot devance la réalité logicielle

Les données sur l’orchestration fournissent l’exemple le plus clair du fossé entre le langage marketing et la réalité opérationnelle. Selon l’enquête, seulement 10 % des entreprises ont déclaré que plus de la moitié de leurs « agents » déployés étaient de vrais workflows orchestrés en plusieurs étapes. La plupart ont admis que le portefeuille reste dominé par des assistants à prompt unique.

Cette conclusion tombe à un moment où « agents IA » est devenu l’étiquette par défaut pour une large gamme de produits. Les données de VentureBeat laissent entendre que de nombreux déploiements d’entreprise seraient mieux décrits comme des chatbots avancés avec connecteurs d’entreprise que comme des systèmes autonomes coordonnant des outils, de la mémoire et des politiques sur plusieurs étapes.

Cette distinction n’est pas un pinaillage sémantique. Elle touche à l’architecture, aux tests, à la sécurité et au budget. Un habillage de chatbot peut nécessiter de bons prompts, un grounding solide et un polish UX. Un véritable agent multi-étapes a besoin d’autorisations d’exécution, de chemins de retour arrière, de traçabilité, de contrôles de dépenses, d’un état persistant, d’une évaluation alignée sur les résultats de la tâche et souvent d’un plan de contrôle hybride situé au-dessus d’un fournisseur de modèles donné.

Les répondants semblent comprendre cet écart. D’ici la fin de 2026, 51 % disent s’attendre à un plan de contrôle hybride, combinant des systèmes natifs des fournisseurs et une orchestration externe. Seuls 6 % s’attendaient à dépendre entièrement d’un service géré par le fournisseur. La principale raison, selon l’enquête, était le verrouillage fournisseur, que 35 % ont cité comme le plus grand risque si le contrôle vit à l’intérieur de la plateforme d’un fournisseur de modèles.

C’est pourquoi l’histoire n’est pas simplement « les fournisseurs gagnent ». Ils gagnent le choix de déploiement par défaut actuel, mais les entreprises construisent simultanément des issues de secours.

La sécurité, le contexte et l’évaluation restent en retard sur le déploiement

Les trois enquêtes associées suggèrent que l’écart d’orchestration n’est qu’un élément d’un problème plus large de maturité du déploiement.

En sécurité, l’enquête de VentureBeat auprès de 107 entreprises a révélé que 54 % signalaient soit un incident de sécurité d’agent IA confirmé, soit un quasi-incident. Seuls 32 % ont déclaré que chaque agent dispose de sa propre identité cloisonnée, tandis que 69 % ont fait état d’un partage d’identifiants quelque part dans la flotte. À peine 30 % isolent leurs agents les plus à risque dans des bacs à sable. La publication a noté que l’association entre identités cloisonnées et taux d’incidents plus faibles est suggestive, mais ne prouve pas la causalité, surtout compte tenu de la taille modeste de l’échantillon auto-sélectionné.

Dans l’infrastructure de contexte, une enquête distincte menée auprès de 101 entreprises a montré que 57 % avaient vu des agents produire des réponses assurées mais erronées, attribuées à un contexte métier manquant ou incohérent. La génération augmentée par récupération était la principale source de contexte pour 38 % des répondants, et les outils natifs des fournisseurs dominaient l’usage réel. Dans le même temps, 58 % ont déclaré exploiter ou construire une couche sémantique gouvernée, ce qui implique que de nombreuses organisations jugent désormais la simple recherche insuffisante sans une couche de définition métier plus solide.

En évaluation, les signaux d’alerte étaient tout aussi directs. La moitié des 157 entreprises interrogées ont déclaré avoir livré une fonctionnalité d’agent ou de LLM qui avait réussi les évaluations internes puis échoué devant un client. Seuls 5 % ont dit faire entièrement confiance à l’évaluation automatisée aujourd’hui. Pourtant, 66 % autorisent déjà ou construisent vers un déploiement sans humain dans la boucle pour les agents à faible risque.

Cette combinaison est probablement le signal le plus important du groupe. Les entreprises n’attendent pas une assurance parfaite avant d’automatiser davantage de décisions. Elles augmentent l’autonomie tout en admettant que les contrôles censés certifier cette autonomie sont incomplets.

Ce que les preuves démontrent et ne démontrent pas

Les quatre éléments sources proviennent du programme Pulse Research de VentureBeat AI lui-même, et non de rapports d’entreprises, de documentation produit ou de vastes jeux de données de marché indépendants. Cela rend le groupe utile comme indicateur directionnel du comportement actuel des acheteurs, mais pas comme mesure définitive du marché.

VentureBeat précise lui-même à plusieurs reprises les limites : les échantillons étaient auto-sélectionnés, biaisés vers les organisations de taille intermédiaire dans plusieurs enquêtes, et issus d’une seule vague de juin 2026 plutôt que de panels longitudinaux agrégés. Dans l’enquête sur l’orchestration, les répondants devaient également indiquer une seule plateforme principale, ce qui fournit un instantané de la préférence actuelle plutôt qu’une vue complète de l’usage multi-couches ou des dépenses.

Cela signifie que les chiffres spécifiques aux plateformes pour Claude, OpenAI, Microsoft, Google, Vertex AI Search ou LangChain/LangGraph doivent être maniés avec prudence. Ils montrent où cette cohorte dit avoir placé son pari principal, pas le classement complet du secteur.

Néanmoins, les tendances plus larges sont plus difficiles à écarter parce qu’elles reviennent dans les quatre enquêtes. Les outils natifs des fournisseurs semblent mener en orchestration, recherche, sécurité et évaluations. Les entreprises signalent des taux importants d’incidents et d’échecs. Et de larges majorités prévoient de revoir leur pile dans l’année. Les pourcentages individuels peuvent évoluer avec un autre échantillon ; l’histoire structurelle paraît plus robuste.

Ce que cela signifie pour les bâtisseurs et les acheteurs d’entreprise

Pour les équipes produit qui construisent des systèmes d’agents, ce groupe suggère que l’orchestration devient un problème de plan de contrôle, et non plus seulement un choix de framework. Miser sur Claude, OpenAI ou Microsoft peut accélérer le premier déploiement, mais cela n’élimine pas le besoin d’un contexte gouverné, d’une identité d’exécution, d’évaluations de production et de seuils de coûts.

Pour les startups d’infrastructure, l’ouverture est peut-être plus étroite que « remplacer la plateforme », mais plus vaste qu’il n’y paraît au premier abord. Les enquêtes montrent une pénétration actuelle limitée des fournisseurs spécialisés, mais une forte intention d’ajouter des couches que les piles natives ne résolvent pas complètement. C’est particulièrement pertinent pour l’identité non humaine, la gouvernance sémantique, la surveillance de la qualité en temps réel et la gestion des dépenses.

Pour les acheteurs d’IA d’entreprise, le message est d’examiner si les portefeuilles internes d’« agents » sont vraiment des workflows autonomes ou surtout des interfaces de chat assistées. Si c’est la seconde option, le bon prochain investissement n’est peut-être pas une autre abstraction d’orchestration. Il peut s’agir des disciplines opérationnelles qui rendent un workflow digne de confiance lorsqu’il devient véritablement autonome.

Les enquêtes suggèrent aussi que de nombreuses organisations achètent encore pour des raisons de commodité, puis contrôlent la correction plus tard. Cet ordre fonctionne pendant l’expérimentation. Il devient plus risqué une fois que des agents peuvent agir sur des systèmes internes ou déployer des changements sans approbation humaine.

Ce qu’il faut surveiller ensuite

Le signal de suivi le plus clair est de savoir si la domination native des fournisseurs se durcit ou plafonne. Si OpenAI, Anthropic, Microsoft et Google continuent d’absorber l’orchestration, la recherche, les évaluations et la sécurité dans une seule pile, les entreprises pourraient accepter davantage de verrouillage qu’elles ne disent en vouloir actuellement.

Un deuxième signal est de voir si les plans de contrôle hybrides passent de l’intention déclarée à l’architecture déployée. Si des couches externes autour de LangChain/LangGraph, de l’orchestration personnalisée et des contrôles d’identité gagnent une réelle part en production, cela confirmerait que les acheteurs veulent les fournisseurs pour l’accès au modèle, mais pas pour le contrôle total.

Troisièmement, il faut surveiller si les budgets d’entreprise se déplacent des outils de workflow vers les couches moins visibles mises en évidence par les enquêtes : gouvernance sémantique, identités cloisonnées, surveillance des sorties en temps réel et application programmatique des coûts. Ce ne sont pas des fonctionnalités de titre, mais ce sont les capacités les plus directement liées aux échecs signalés par les répondants.

Enfin, le plus grand test opérationnel est définitionnel. À mesure que les entreprises mettent davantage de systèmes en production, le marché aura besoin d’une séparation plus claire entre les interfaces de chatbot, les assistants utilisant des outils et les agents IA entièrement orchestrés. Pour l’instant, l’étiquette est en avance sur l’implémentation.

Perspective Creati.ai

La partie la plus révélatrice de cette histoire est que les entreprises ne semblent pas confuses sur ce que devraient faire de bons agents. Elles disent vouloir une exécution fiable en plusieurs étapes, des autorisations contrôlées, un contexte précis et des évaluations capables de prédire des résultats réels. Le fossé est que leurs déploiements actuels n’atteignent souvent pas ce niveau, même si les décisions d’achat et de plateforme s’accélèrent.

C’est pourquoi cela ressemble moins à une guerre de plateformes qu’à un bilan opérationnel. Les fournisseurs de modèles gagnent le droit d’être le point de départ par défaut, mais le problème commercial le plus difficile reste non résolu : transformer des workflows alimentés par des LLM en systèmes logiciels fiables. Les équipes qui combleront cet écart en premier le feront probablement grâce à de meilleurs contrôles et à des définitions plus claires, pas seulement à de meilleures démonstrations.