Blog Post 20 novembre 2026 | 6 minutes de lecture

Comment relever le seuil de confiance dans l'autonomie de l'IA

Découvrez ce dont les agents IA ont besoin pour agir avec davantage d'autonomie, qu'il s'agisse de données connectées, du contexte métier, de la gouvernance, de l'explicabilité ou encore de la traçabilité.

Voyez où les dirigeants perdent du temps à vérifier le travail de l'IA — et ce qui change lorsque les données sous-jacentes sont fiables

Obtenez la recherche

Sélectionnez un outil d’IA pour explorer cet article

Comment relever le seuil de confiance dans l'autonomie de l'IA

Master Data Management Blog by Stibo Systems logo
| 6 minute read
novembre 20 2026
Comment relever le seuil de confiance dans l'autonomie de l'IA
9:53

C'est une période marquée par de grandes ambitions pour les agents d'IA. Il existe une forte demande pour des systèmes capables d'accomplir des tâches, de coordonner des flux de travail, de prendre des décisions et d'assurer la continuité des opérations avec un minimum d'intervention humaine.

Le désir d'autonomie est manifeste, mais la confiance nécessaire pour l'accorder est encore en cours de développement.

Une nouvelle étude de Stibo Systems révèle que 37 % des dirigeants d’entreprise américains n’autorisent l’IA à agir de manière autonome que lorsque des contrôles de vérification par des humains sont en place. 26 % supplémentaires autorisent l’action autonome dans certains flux de travail critiques pour l’entreprise. Seuls 12 % l’autorisent de manière générale dans l’ensemble des processus clés.

Ces résultats mettent en évidence un déficit d’autonomie. Les organisations perçoivent le potentiel de l’IA agentique, mais la plupart ne sont pas prêtes à la laisser agir librement à tous les niveaux de l’entreprise.

Pour combler ce fossé, il faudra disposer de données probantes plus solides, et pas seulement d’agents performants.

Qu'est-ce qui inciterait les entreprises à accorder davantage d'autonomie à l'IA ?

Lorsqu'on leur a demandé ce qui les inciterait davantage à accorder une plus grande autonomie à l'IA, les dirigeants ont mis l'accent sur trois domaines :

  • 42 % souhaitent avoir davantage confiance dans la précision de l’IA
  • 36 % souhaitent une meilleure qualité des données
  • 31 % souhaitent une explicabilité et une traçabilité accrues

Ensemble, ces résultats révèlent les facteurs sur lesquels repose l’autonomie des entreprises. Les dirigeants doivent avoir l’assurance qu’un agent travaille avec des informations fiables, qu’il comprend le contexte métier pertinent et qu’il est capable d’expliquer comment il est parvenu à une conclusion. Cela commence par comprendre pourquoi la gestion des données de référence est essentielle à la fiabilité des agents d’IA, en particulier lorsque ceux-ci passent de la génération de réponses à la prise de mesures concrètes.

Ces éléments sont importants car les décisions d’entreprise reposent rarement sur une seule donnée isolée.

Un agent chargé de recommander un produit peut avoir besoin d’informations précises sur les caractéristiques du produit, les conditions des fournisseurs, la disponibilité des stocks, les préférences des clients, les exigences spécifiques à un lieu donné et les informations réglementaires. Il peut également avoir besoin de comprendre les relations entre ces différents éléments.

Des données fiables constituent une base essentielle. Les données interconnectées offrent à l’agent une vision plus complète de la décision qu’il est appelé à prendre.

Les agents ont besoin de contexte, pas seulement d'un simple accès

Donner à un agent l'accès à davantage de données ne lui permet pas automatiquement de mieux comprendre la situation.

Les données d’entreprise tirent leur sens des relations, des hiérarchies, des définitions, des politiques et des règles. Un produit peut être approuvé sur un marché et soumis à des restrictions sur un autre. Un fournisseur peut être privilégié pour une catégorie donnée, mais indisponible dans une région particulière. Un client peut être éligible à une offre en fonction d’une combinaison d’éléments : historique du compte, localisation, consentement et conditions contractuelles.

Un agent a besoin de ces liens pour interpréter correctement les informations.

C’est là que les données multidomaines prennent toute leur importance. Le défi s’amplifie dans les processus multi-agents, où la gouvernance des données doit être assurée à chaque transfert entre agents. Les données relatives aux produits, aux clients, aux fournisseurs, aux emplacements et aux actifs peuvent être gérées par différentes fonctions, mais les décisions prises avec l’aide de l’IA couvrent souvent plusieurs d’entre elles.

Lorsque ces domaines restent déconnectés, l’agent peut avoir accès à des informations isolées sans comprendre la situation globale de l’entreprise. Les équipes doivent alors se charger de rassembler le contexte manquant, de concilier les informations contradictoires et de valider le résultat avant que quiconque puisse agir en conséquence.

Des données connectées et contextualisées fournissent aux agents des éléments probants plus solides. Elles offrent également aux responsables une base plus claire pour déterminer le niveau d’autorité dont un agent devrait disposer.

Développer l’autonomie par étapes

L'autonomie de l'IA ne doit pas nécessairement être une décision « tout ou rien ». Les organisations peuvent l'étendre progressivement à mesure que les données probantes, les contrôles et la confiance autour d'un cas d'utilisation s'améliorent.

Voici à quoi pourrait ressembler une progression concrète :

1. Recommandation

L'agent analyse les informations et recommande une action. Une personne examine les éléments disponibles et prend la décision.

Ce niveau peut aider les organisations à tester la qualité et l'utilité du raisonnement d'un agent tout en conservant un contrôle humain direct. Il offre également la possibilité d'identifier les données manquantes, les règles métier floues ou les exceptions récurrentes.

2. Action approuvée par un humain

L'agent recommande une action et prépare l'étape suivante, mais une personne doit l'approuver avant son exécution.

L'approbation humaine reste une étape bien définie du flux de travail, tandis que l'agent se charge davantage de l'analyse et de la préparation. La traçabilité revêt ici une importance particulière, car les réviseurs doivent comprendre les données, le contexte et les règles qui sous-tendent la recommandation.

3. Action autonome limitée

L’agent agit de manière indépendante dans le cadre d’un ensemble défini de conditions. Ces limites peuvent inclure des flux de travail spécifiques, des domaines de données, des valeurs de transaction, des seuils de confiance, des groupes d’utilisateurs ou des règles d’exception.

Les personnes continuent de piloter le processus par le biais d’autorisations, de la surveillance, des procédures d’escalade et de l’examen des exceptions. L’agent bénéficie d’une plus grande liberté au sein d’un environnement que l’organisation est en mesure de comprendre et de contrôler.

Cette approche par étapes permet aux organisations de renforcer leur confiance grâce à une expérience opérationnelle concrète. Chaque étape fournit des éléments permettant de déterminer dans quels domaines l’agent fonctionne de manière fiable, où le jugement humain apporte une valeur ajoutée et où les données ou les contrôles sous-jacents doivent être améliorés.

Rendre chaque action traçable

À mesure que les agents assument davantage de responsabilités, les organisations doivent comprendre les fondements de leurs actions.

Cela implique notamment de pouvoir répondre à des questions telles que :

  • Quels documents et quelles sources ont guidé la décision ?
  • Les données étaient-elles à jour, complètes et validées ?
  • Quelles relations et règles métier l’agent a-t-il appliquées ?
  • Quelle mesure l’agent a-t-il prise ?
  • Qui ou quoi l’a autorisée ?
  • Quand la décision doit-elle être transmise à un superviseur pour examen humain ?

La traçabilité permet aux équipes d’analyser les résultats inattendus, de démontrer la conformité, d’affiner le comportement des agents et de justifier les décisions ayant des conséquences importantes. Elle peut également rendre l’examen humain plus efficace.

Sans traçabilité, les réviseurs doivent reconstituer eux-mêmes le raisonnement. L’absence de traçabilité est l’une des cinq défaillances des données de référence susceptibles de transformer des modèles d’IA fiables en agents peu fiables. Ils recherchent les enregistrements sources, comparent les informations entre les différents systèmes et vérifient si l’agent a appliqué le bon contexte. Ce travail de détective alourdit le « coût de confiance de l’IA » : les tâches cachées de préparation, de rapprochement, de validation et de retouche nécessaires avant que les résultats de l’IA puissent être utilisés en toute confiance.

Grâce à la traçabilité des données et des décisions, les personnes peuvent concentrer leur attention sur les exceptions et les jugements qui nécessitent véritablement leur expertise.

Donnez aux agents de meilleures données avant de leur accorder davantage de liberté

Les agents d’IA joueront un rôle plus important dans les flux de travail des entreprises. Le rythme de cette expansion dépendra de la confiance avec laquelle les organisations pourront soutenir les actions qui en résulteront.

La précision des données fait partie de la solution. Les agents ont également besoin d’un contexte métier cohérent, d’une gouvernance claire, d’un raisonnement explicable et de décisions traçables. Ensemble, ces éléments aident les organisations à passer des recommandations de l’IA à des actions autonomes soigneusement délimitées.

Plutôt que de viser une autonomie maximale dans chaque processus, l’objectif est ici d’atteindre le niveau d’autonomie adapté à chaque décision, étayé par des preuves que l’entreprise peut comprendre, contrôler et auxquelles elle peut se fier.

Avant d’accorder davantage de liberté aux agents, fournissez-leur de meilleures données probantes.

Foire aux questions

De quoi l'IA a-t-elle besoin pour agir de manière autonome ?

L'IA a besoin de données fiables, d'un contexte commercial connecté, de permissions claires, de raisonnements explicables et de décisions traçables pour agir avec une plus grande autonomie. Les organisations ont également besoin de limites définies et de règles d'escalade qui déterminent quand un agent peut agir de manière autonome et quand l'approbation humaine est requise. 

Comment les organisations peuvent-elles introduire l'autonomie de l'IA en toute sécurité ?

Les organisations peuvent introduire l'autonomie de l'IA par étapes. Un agent pourrait commencer par recommander une action, progresser en préparant une action pour approbation humaine, et finalement agir de manière autonome dans des flux de travail définis, des limites de transaction, des seuils de confiance ou des règles d'exception. Cette approche par étapes fournit aux équipes des preuves sur les domaines où l'agent fonctionne de manière fiable et où des données ou des contrôles plus stricts sont nécessaires. 

Pourquoi la gestion des données de référence est-elle importante pour les agents autonomes d'IA ?

La gestion des données de référence fournit des données d'entreprise précises, gouvernées et connectées dont les agents d'IA ont besoin pour prendre des décisions fiables. Il établit également des définitions partagées, des relations, des responsabilités et des règles commerciales à travers des domaines tels que les données sur les produits, les clients, les fournisseurs, les emplacements et les actifs. Ces capacités aident les organisations à comprendre, expliquer et gouverner les actions des agents.

Master Data Management Blog by Stibo Systems logo

Ali Bruford est Product Marketing Manager chez Stibo Systems, où elle aide les entreprises à exploiter la valeur de données fiables et prêtes pour l’IA. Avec plus de 15 ans d’expérience en marketing produit pour des solutions techniques, financières et de gestion des données, elle est spécialisée dans la traduction de technologies complexes en valeur commerciale claire. Ali possède une expertise approfondie dans les données publiques et privées, la science des données et la gestion des données d’entreprise, et dirige aujourd’hui le marketing produit pour l’IA et la plateforme chez Stibo Systems.

Discover blogs by topic

  • See more
  • Assurance
  • Business Partner Data Cloud
  • CPG
  • Conformité des données
  • Conformité et gestion des risques
  • Contenu enrichi
  • Customer Experience Data Cloud
  • Digital Shelf Analytics
  • Données client et partie
  • Données de localisation
  • Données fournisseur
  • Données multidomaine
  • Données produit et PIM
  • Durabilité
  • Efficacité opérationnelle
  • Expérience client et fidélité
  • Expérience utilisateur
  • Fabrication
  • Gouvernance des données
  • IA
  • Intégration des données
  • Intégration des produits
  • Location Data Cloud
  • Plateforme
  • Product Data Syndication
  • Product Experience Data Cloud
  • Qualité des données
  • Retail et distribution
  • Réussite d'un ERP
  • Services financiers
  • Stratégie MDM
  • Supplier Data Cloud
  • Traduction et localisation
novembre 20, 2026

Comment relever le seuil de confiance dans l'autonomie de l'IA

novembre 19, 2026

Quelle est la différence entre les produits de grande consommation (CPG) et les produits de grande consommation courante (FMCG) ?

novembre 16, 2026

Lorsque les agents d'IA s'appuient sur des données de référence, la gestion des données de référence (MDM) devient l'affaire de tous

novembre 12, 2026

L'IA est désormais entrée dans la phase de retour sur investissement

octobre 29, 2026

Pourquoi de bonnes politiques ne suffisent plus à prouver la conformité

octobre 29, 2026

Comment les flux de travail basés sur les agents transforment en profondeur la gestion des données de référence

octobre 28, 2026

Quelle sera la prochaine étape pour l'IA générative dans le domaine de l'expérience produit ?

octobre 28, 2026

Construire l'avenir du secteur du bâtiment grâce à l'IA et à la gestion des données de référence (MDM)

octobre 26, 2026

Génération Z : à la recherche de sensations fortes au-delà d'Amazon

octobre 26, 2026

Les consommateurs utilisent des outils alimentés par l'IA pour faire des achats plus intelligents : Pourquoi la confiance dans les données de vente est plus importante que jamais

octobre 22, 2026

Comment optimiser le contenu produit pour la recherche basée sur l'IA et le commerce agentique

octobre 21, 2026

Vos données sont-elles à l'origine de résultats erronés générés par l'IA ?

octobre 20, 2026

Comment les agents IA peuvent accélérer la mise en service des produits

octobre 20, 2026

Pionniers, cow-boys et colons : nos journées au Connect à Austin

octobre 15, 2026

L'avenir du marché du PIM : des informations fiables sur les produits pour le contenu, l'IA et bien plus encore

octobre 12, 2026

Guide complet des fonctionnalités PIM : les fonctionnalités indispensables à la réussite de vos stratégies en matière de données

octobre 11, 2026

Faites confiance à la machine : garantir la fiabilité de l'automatisation par l'IA dans la gestion des données de référence

octobre 8, 2026

Stratégies d'attribution des produits qui transforment les internautes en acheteurs

septembre 24, 2026

Pourquoi les relations avec les partenaires commerciaux compliquent la gestion des données de référence

septembre 18, 2026

Faites de votre migration vers SAP S/4HANA une base de données prête pour l'IA

septembre 10, 2026

Pourquoi le standard de données qui alimente vos rapports laissera tomber vos agents IA

septembre 9, 2026

Transformer les plateformes de données en valeur ajoutée pour l'entreprise grâce à la gestion des données de référence

septembre 8, 2026

5 erreurs liées aux données de référence qui transforment des modèles d'IA fiables en agents peu fiables

septembre 8, 2026

4 raisons pour lesquelles les banques et les assureurs ne peuvent pas déployer l'IA à grande échelle sans une vision à 360° fiable du client

septembre 7, 2026

Si nous disposons de Snowflake et de Databricks, pourquoi avons-nous encore besoin d'une gestion des données de référence ?

septembre 7, 2026

Pourquoi la fragmentation des données clients constitue désormais un risque majeur en matière de conformité pour les entreprises du secteur financier

août 17, 2026

Les acheteurs sont mieux informés que jamais — mais prennent-ils de meilleures décisions pour autant ?

août 13, 2026

Pourquoi l'IA d'entreprise peine à se déployer à grande échelle — et pourquoi les données constituent l'obstacle que les dirigeants doivent surmonter

août 4, 2026

Comment mettre en place une gouvernance des données qui résiste aux flux de travail d'IA de type « agent à agent »

août 3, 2026

Pourquoi la gestion des données de référence est essentielle pour garantir la fiabilité des agents d'IA

juillet 31, 2026

Vos données sont-elles prêtes pour les agents IA ? 5 tests pour le savoir

juillet 31, 2026

Les nouvelles règles de la concurrence dans le commerce agentique

juillet 29, 2026

Pourquoi la plupart des initiatives d'IA échouent avant même que le modèle ne tourne

juillet 29, 2026

Pourquoi la confiance est le véritable goulot d'étranglement du commerce agentique

juillet 28, 2026

Les 5 standards de données qui déterminent la réussite ou l'échec de vos agents IA

juillet 20, 2026

Les « Great Data Minds » : ces héros méconnus de la gestion des données

juillet 15, 2026

Tendances 2026 de la Data Gouvernance

juillet 14, 2026

Comment évaluer les fournisseurs de solutions MDM sur un marché marqué par de nombreuses acquisitions

juillet 13, 2026

La gouvernance des données, une approche essentielle pour la gestion des actifs

juillet 10, 2026

Pourquoi l'IA agentique exige un jumeau numérique de l'entreprise

juillet 10, 2026

Guide : Améliorer la qualité de vos données grâce à la gouvernance des données de référence

juillet 6, 2026

Assurer la résilience de la chaîne d'approvisionnement : Stratégies et exemples

juin 22, 2026

Les systèmes d'IA veulent des données propres mais ils ONT BESOIN d'une intelligence gouvernée

juin 19, 2026

Bosch et Stibo Systems s'associent pour la transformation des données d'entreprise

juin 15, 2026

Concevoir la confiance dans les systèmes d'entreprise agentiques

mai 21, 2026

4 coûts cachés de l'onboarding fournisseur qui rongent votre marge chaque jour et comment l'IA agentique les élimine

mai 20, 2026

Les 7 types de données client sans lesquels vos agents IA ne peuvent jamais agir

mai 6, 2026

7 signes que votre marque perd du terrain dans le commerce agentique

avril 30, 2026

Avec la donnée maître sémantique, votre IA arrête de deviner et commence à comprendre ce que vous voulez

avril 29, 2026

L'IA et la donnée maître : le véritable moteur de l'entreprise

avril 21, 2026

5 problèmes de données produit qui rendent votre marque invisible dans la recherche IA

avril 15, 2026

Les 5 grandes tendances en matière de gestion de l'expérience produit

avril 15, 2026

Comment les responsables des opérations modernisent les données de production sans interrompre la production

mars 10, 2026

Protocole de contexte modèle (MCP) : la couche manquante pour les systèmes d'IA qui interagissent avec les données d'entreprise

mars 2, 2026

Produit 360 après l'acquisition de Salesforce : pourquoi vous devez élaborer un plan B

février 16, 2026

Qu'est-ce qu'un domaine de données ? Signification et exemples

février 10, 2026

Votre stratégie PIM est-elle prête pour l'avenir ? 3 points à retenir du rapport SPARK Matrix™

février 9, 2026

Résoudre la fragmentation des données commerciales : la clé pour offrir une expérience client cohérente

février 5, 2026

5 coûts cachés liés à la mauvaise qualité des données clients dans le commerce de détail (et comment les éviter)

décembre 17, 2025

Rôles et responsabilités en matière de gestion des données de référence

novembre 26, 2025

Tendances et perspectives de l’industrie manufacturière — 2026-2030

novembre 21, 2025

Découvrez la valeur de vos données : indicateurs clés de performance et mesures de gestion des données de référence

novembre 10, 2025

4 styles courants de mise en œuvre du Master Data Management

octobre 14, 2025

5 défis majeurs dans le secteur manufacturier

septembre 8, 2025

Cinq étapes pour une feuille de route MDM stratégique

septembre 2, 2025

Corriger les données fragmentées des comptes clients : Ne plus perdre de revenus et de confiance

août 20, 2025

Mieux ensemble : CRM et gestion des données de référence des clients

août 12, 2025

Migration des données vers SAP S/4HANA rapide et sûre avec le MDM

août 5, 2025

Tendances et opportunités du secteur des CPG en 2026

juillet 7, 2025

Qu'est-ce que la gestion des données de référence ? Une réponse complète et concise

mai 20, 2025

MDM multidomaine ou MDM à domaines multiples ?

avril 23, 2025

Les risques liés à l'utilisation des LLM - Qu’en dit l'OWASP ?

avril 17, 2025

Qu’est-ce que la gestion augmentée des données? (ADM)

avril 2, 2025

Stratégie de monétisation des données - Obtenez plus de vos données de référence

février 11, 2025

Comment améliorer votre gestion de données

novembre 5, 2024

Gouvernance des données : les cinq écueils à éviter

octobre 8, 2024

Quatre tendances dans l'industrie automobile

septembre 20, 2024

Le MDM multidomaine pour des expériences client hyper-personnalisées

mai 29, 2024

Guide : Mieux modéliser les données d'entreprise grâce à la gouvernance des données de référence

mai 24, 2024

Guide : Comment se conformer aux normes industrielles grâce à la Gouvernance des données de référence

mai 21, 2024

Guide : contenus enrichis & parfaits grâce au Master Data Management

mai 16, 2024

Les 8 meilleures pratiques pour la Gestion des données de référence Clients

mars 4, 2024

Responsabilité climatique et traçabilité dans le retail

février 27, 2024

Le Master Data Management peut améliorer votre solution ERP

février 13, 2024

Les 3 avantages du commerce headless associé à une solution PIM

novembre 30, 2023

Qu'est-ce que le Smart Manufacturing et pourquoi est-ce important ?

novembre 30, 2023

Transformation digitale : 5 raisons d’échec courantes dans le secteur manufacturier

juillet 11, 2023

Relever les défis des chaînes d'approvisionnement avec le MDM

juin 6, 2023

Utiliser l'IA générative exige des données gouvernées

mai 31, 2023

Comment exploiter l'IoT avec le Master Data Management

mars 16, 2023

Passeports numériques des produits

février 22, 2023

Dans le retail, la durabilité exige des données « gouvernées »

janvier 4, 2023

Comment calculer l’Eco-Score des produits alimentaires

décembre 15, 2022

Le MDM de Stibo Systems introduit de nouveaux standards d’échange industriels

novembre 8, 2022

Qu'est-ce que la distribution omnicanale et quel est le rôle de la gestion des données ?

juillet 18, 2022

Créez une culture de transparence des données

juin 7, 2022

La gestion des données produit lors des fusions et des acquisitions

mai 24, 2022

Qu’est-ce que le Data as a Service (DaaS) ?

avril 22, 2022

Qu’est-ce qu'une donnée synthétique ? Et pourquoi ont-elles besoin du MDM ?

février 23, 2022

Silos de données. Comment les transformer en zones de visibilité ?

février 10, 2022

La transparence des données pour un retail durable

octobre 7, 2021

Prenez-vous des décisions à partir d’informations HCO/HCP erronées ?

septembre 16, 2021

Retail : Neuf façons dont le MDM améliore l'expérience client

août 31, 2021

Pourquoi les données revendeurs sont importantes pour les fabricants

août 12, 2021

Comment mettre en place une source unique de vérité avec le MDM

août 5, 2021

Qu'est-ce que le Master Data Management ? Pourquoi en a-t-on besoin ?

Commençons

Prêt à découvrir comment des données fiables alimentent des décisions éclairées ? Discutons-en.