L'expérience utilisateur en entreprise, qui désigne l'utilisation de logiciels, d'outils, de produits et de services dans un environnement professionnel, reposait traditionnellement sur un postulat simple : c'est l'être humain qui prend la décision finale.
- Un utilisateur examine les données.
- Un responsable approuve le flux de travail.
- Un employé valide la recommandation.
L'IA agentique, un logiciel qui poursuit des objectifs et agit de manière autonome, est en train de bouleverser cette hypothèse.
Aujourd'hui, les systèmes d'IA classifient les produits, enrichissent les données de référence, recommandent des actions, valident les enregistrements, déclenchent des workflows et collaborent avec d'autres systèmes de manière autonome. Dans de nombreux environnements d'entreprise, les humains ne sont plus les principaux opérateurs au sein du workflow, mais les superviseurs de systèmes agissant en leur nom.
Cela modifie radicalement le rôle de l'expérience utilisateur (UX). Le défi ne se limite plus à la conception d'écrans, de formulaires ou de tableaux de bord, mais s'étend à la création d'un climat de confiance entre les humains, les agents IA et les écosystèmes de données d'entreprise.
Dans l'IA d'entreprise, la confiance est primordiale.
L'IA semble intelligente grâce à la reconnaissance de formes
Les grands modèles linguistiques, ou LLM, ne « comprennent » pas véritablement l’information comme le font les humains. Ils prédisent des résultats statistiquement probables en se basant sur les modèles présents dans les données d’entraînement et les entrées contextuelles (Source : Jamie Bartlett, How to Talk to AI, Penguin, 2026). Cette distinction est importante car l’IA semble souvent sûre d’elle aux yeux des utilisateurs humains, même lorsqu’elle manque de contexte, de règles métier, de sens sémantique ou de données sources fiables. Les humains associent naturellement la fluidité à l’intelligence, ce qui crée une dangereuse illusion de certitude. C’est pourquoi le terme « hallucination » peut parfois simplifier à l’excès le problème.
Dans les environnements d'entreprise, l'IA n'« imagine » souvent pas de réponses incorrectes, mais tente de déduire un sens à partir de données incomplètes, fragmentées ou mal gérées. Le résultat reste erroné, mais la cause profonde se trouve souvent plus profondément ancrée dans l'écosystème des données lui-même. Cela devient critique lorsque les systèmes autonomes commencent à prendre des décisions opérationnelles.
Un agent IA enrichissant les dossiers clients avec des données de référence incohérentes peut multiplier les problèmes de gouvernance plus rapidement que n’importe quelle équipe humaine ne pourrait le faire. Un moteur de recommandation formé sur des relations de produits mal structurées peut fournir en toute confiance, à l’échelle de l’entreprise, des informations trompeuses difficiles à détecter.
Lorsque les humains se désengagent trop profondément de la prise de décision, les organisations risquent de perdre leur jugement contextuel, leur expertise métier et leurs capacités de réflexion critique. Les gains de productivité peuvent involontairement créer de nouveaux angles morts opérationnels et potentiellement générer davantage de travail pour revenir en arrière et corriger les erreurs de données créées par l’agent IA.
L'IA ne supprime pas les problèmes de qualité des données : elle les amplifie lorsque le flux complet n'a pas été conçu de manière intentionnelle et que les humains sont trop écartés du processus.
L'objectif ne doit pas être de remplacer la pensée humaine, mais d'augmenter les capacités humaines de manière responsable grâce à une expérience agentique bien conçue.
Pourquoi la gestion des données de référence (MDM) est encore plus importante à l'ère de l'IA
Alors que les organisations accélèrent l'adoption de l'IA, beaucoup découvrent qu'une IA fiable nécessite des bases de données fiables. Comme indiqué ci-dessus, c'est là que la gestion des données de référence (MDM) et la qualité des données prennent une importance stratégique encore plus grande.
Les agents IA s'appuient sur le contexte. Ils dépendent de définitions cohérentes, de relations régies, d'une clarté sémantique et de connaissances d'entreprise fiables. Sans ces fondements, même les modèles les plus avancés peinent à produire des résultats auxquels les utilisateurs professionnels peuvent se fier.
Un système d'IA ne peut pas raisonner de manière fiable sur les clients, les fournisseurs, les produits ou les actifs si ces entités sont dupliquées, fragmentées ou définies de manière incohérente dans les différents systèmes de l'entreprise.
À bien des égards, les données de référence sémantiques agissent comme le tissu conjonctif entre les capacités de l'IA et la confiance de l'entreprise.
Lorsque les écosystèmes de données fournissent une signification, une traçabilité, une gouvernance et des relations claires, les systèmes d'IA cessent de « deviner » et commencent à fonctionner avec une compréhension contextuelle bien plus grande. La confiance repose alors sur les connaissances de l'entreprise plutôt que sur la seule probabilité.
Ce changement a des implications importantes en matière d'expérience utilisateur, car les utilisateurs n'évaluent plus seulement l'interface, mais vérifient si le système lui-même se comporte de manière prévisible, transparente et responsable.
La conception axée sur la confiance devient une priorité encore plus importante lorsqu'il s'agit de définir une bonne ergonomie des systèmes d'entreprise.
L'expérience utilisateur ne se limite plus à l'interaction entre l'homme et la machine
L'interaction homme-machine n'est pas une nouveauté. L'expérience utilisateur (UX) a toujours consisté à réduire les frictions entre les personnes et les systèmes. Les systèmes agents introduisent une nouvelle dimension : la collaboration entre machines.
Les agents IA permettent désormais :
- Consomment les données d'entreprise
- déclenchent des workflows
- se coordonnent avec les API
- Enrichissent les enregistrements
- Valider les informations
- Recommander des actions à d'autres systèmes
Dans de nombreux cas, l'interface elle-même devient de plus en plus invisible en raison de l'automatisation par des agents et des tâches ponctuelles effectuées via des chatbots. Ironiquement, cela rend l'expérience utilisateur (UX) encore plus importante, car les utilisateurs n'observent pas directement chaque étape opérationnelle et s'appuient donc fortement sur des signaux de confiance :
- Pourquoi l'IA a-t-elle pris cette décision ?
- Sur quelles données cette recommandation s'appuie-t-elle ?
- Quel est le niveau de confiance du système ?
- Puis-je intervenir ou passer outre le résultat ?
- Que se passe-t-il si le système se trompe ?
Toutes ces questions doivent trouver une réponse dans l'expérience utilisateur (UX) du système. La confiance dans les résultats fournis par l'agent repose sur une communication transparente, notamment sur des méthodes claires permettant de passer outre ou d'annuler une opération.
Cela signifie que les heuristiques d'utilisabilité restent tout aussi pertinentes à l'ère de l'IA. Des principes tels que la visibilité de l'état du système, le contrôle et la liberté de l'utilisateur, la cohérence visuelle et la prévention des erreurs deviennent des exigences de conception essentielles pour les systèmes agentiels. (Source : Nielsen Norman Group, « 10 Usability Heuristics for User Interface Design »). Même les flux de travail autonomes doivent pouvoir être expliqués.
Les utilisateurs ont besoin :
- Des indicateurs de confiance
- Des voies d'escalade
- Un comportement prévisible du système
- Une récupération après erreur sans perte de confiance
L'interface peut se réduire, tandis que la couche d'expérience devient plus cruciale que jamais. Mais les organisations qui se concentrent trop sur les capacités de l'IA risquent de négliger les fondements de la confiance et de l'adoption.
Les systèmes agentiques nécessitent une réflexion axée sur la conception des services
L'expérience utilisateur (UX) d'entreprise traditionnelle se concentrait principalement sur les interactions et les modèles en première ligne pour :
- Écrans
- Formulaires
- Tableaux de bord
- Flux de travail
Mais les systèmes d'entreprise agentiques s'appuient fortement sur des fonctionnalités en arrière-plan.
Les agents IA dépendent de couches d’orchestration, de relations sémantiques, de pipelines de gouvernance, de scores de confiance, de circuits d’approbation, de mécanismes d’escalade et de systèmes d’audit que les utilisateurs ne verront peut-être jamais directement. Pourtant, la confiance des utilisateurs dépend fortement de la fiabilité de fonctionnement de ces systèmes invisibles.
La conception de l’IA d’entreprise s’apparente davantage à la conception de services (la planification et l’organisation des personnes, de l’infrastructure, de la communication et des composants matériels d’un service afin d’améliorer sa qualité et l’interaction entre le prestataire de services et ses utilisateurs – Source : Wikipédia, «Service Design ») et à la cartographie des services qu’à la simple optimisation d’interface traditionnelle. Le défi ne consiste plus seulement à comprendre ce sur quoi les utilisateurs cliquent ou ce qu’ils voient, mais à comprendre comment les décisions circulent à travers des systèmes interconnectés, des agents IA, des données d’entreprise, des API, des couches de gouvernance et des structures de supervision humaine.
Chaque action autonome crée une chaîne de dépendances de service.
Lorsqu’un agent IA classe un produit de manière autonome, enrichit une fiche client ou déclenche un workflow, cette décision peut affecter simultanément les systèmes en aval, les équipes opérationnelles, les processus de conformité et l’expérience client. L’utilisateur n’observe peut-être jamais directement l’ensemble de la chaîne, mais il en subit tout de même les conséquences lorsque les systèmes se comportent de manière imprévisible.
De ce fait, l'architecture opérationnelle invisible fait partie intégrante de l'expérience utilisateur elle-même. À mesure que les systèmes d'IA gagnent en autonomie, l'expérience utilisateur en entreprise ne peut plus se concentrer exclusivement sur la facilité d'utilisation au niveau de l'interface. Elle doit désormais garantir la fiabilité, la transparence et la responsabilité de l'ensemble des écosystèmes de services.
Concevoir pour la confiance, c'est concevoir pour l'adoption
Les recherches montrent de plus en plus que les difficultés d'adoption de l'IA en entreprise sont rarement causées uniquement par les modèles sous-jacents ou les capacités techniques. Une grande partie de la résistance est d'ordre émotionnel et cognitif. Les gens ne craignent pas l'automatisation parce qu'elle modifie les flux de travail, mais parce qu'ils redoutent les systèmes qu'ils ne peuvent ni prédire, ni valider, ni remettre en question (Source : BCG, « The AI Adoption Puzzle: Why Usage Is Up but Impact Is Not »).
Si les utilisateurs ne comprennent pas pourquoi une recommandation apparaît, leur confiance s'érode rapidement. Si les résultats de l'IA semblent incohérents, la confiance s'effondre. Si la visibilité de la gouvernance disparaît derrière l'automatisation, l'adoption par les entreprises ralentit considérablement.
Concevoir pour inspirer la confiance signifie concevoir des systèmes qui aident les utilisateurs à se sentir informés plutôt que remplacés.
Cela inclut :
- Des recommandations transparentes
- Des flux de travail explicables
- Des niveaux de confiance clairs
- Une supervision humaine pertinente
- Visibilité de la gouvernance
- Récupérabilité en cas de défaillance
La confiance ne naît pas des arguments marketing vantant une « IA intelligente », mais de l'expérience d'un comportement cohérent et prévisible au fil du temps. Plus le système inspire confiance, plus son taux d'adoption sera élevé.
Concevoir des écosystèmes de confiance
Aujourd’hui, l’expérience utilisateur (UX) opère à la croisée des chemins entre les humains, les agents IA, les données d’entreprise, les systèmes de gouvernance et les cadres d’automatisation. Elle consiste à instaurer la confiance au sein d’écosystèmes complexes. L’IA d’entreprise ne se vit plus uniquement à travers des interfaces isolées, mais à travers des services interconnectés, des flux de travail, des structures de gouvernance, des voies d’escalade et des écosystèmes opérationnels.
La mise en œuvre de cette expérience repose sur des mécanismes en coulisses que les utilisateurs ne voient jamais :
- Évaluation de la confiance
- Journaux de décision et pistes d'audit
- Routage des approbations et des escalades
- Contrôles de restauration et de dérogation
- Lignage et provenance des données
- Restauration de la confiance en cas de défaillance
À l'ère de l'IA agentique, les systèmes d'entreprise les plus performants ne seront pas ceux qui génèrent le plus de réponses à la vitesse la plus élevée, mais ceux auxquels les utilisateurs font suffisamment confiance pour saisir les opportunités offertes par l'IA agentique.
L'IA à l'échelle de l'entreprise souligne que l'instauration de la confiance des utilisateurs n'est jamais le fruit du hasard, mais résulte d'une conception mûrement réfléchie et ciblée.
