Agents IA : +327 % en 4 mois, et maintenant ?

Le 16 juin 2026, au Data + AI Summit de San Francisco, Databricks a lancé Genie One — un « collègue agentique » capable d'automatiser le travail des équipes en se branchant directement sur les données de l'entreprise.

Mais l'information la plus importante de l'événement n'était pas un produit.

C'était un chiffre : +327 %. C'est la croissance des workflows multi-agents en entreprise mesurée sur quatre mois par Databricks, à partir des données anonymisées de plus de 20 000 organisations — dont 60 % du Fortune 500.

Le rapport State of AI Agents 2026 dessine un basculement. Les agents ne sont plus des prototypes. Ils gèrent des bases de données, exécutent des processus métier, prennent des décisions opérationnelles.

La question pour une PME n'est plus « est-ce que ça marche ? » mais « comment ne pas rater le virage — ni foncer sans garde-fou ».

Trois chiffres qui racontent l'année 2026

D'abord, 80 % des nouvelles bases de données sont créées et gérées par des agents IA. Ce n'est pas une projection : c'est la réalité mesurée sur la plateforme Databricks. Les humains ne sont plus aux commandes de l'infrastructure de données — les agents le sont.

Ensuite, 78 % des entreprises utilisent désormais deux familles de grands modèles de langage ou plus. ChatGPT, Claude, Gemini, Llama : la norme, c'est le multi-modèle. Les organisations évitent activement la dépendance à un fournisseur unique. Elles routent les tâches simples vers des modèles légers et réservent les modèles frontières aux décisions à fort enjeu.

Enfin, et c'est le chiffre qui devrait inquiéter : seulement 19 % des organisations auditées ont déployé des agents à l'échelle. Le gap entre l'expérimentation et la production reste massif. Craig Wiley, directeur produit senior pour l'IA chez Databricks, le dit sans détour : « La question, c'est comment contrôler l'IA et garantir qu'elle fonctionne. »

Pourquoi ça bouge maintenant

Trois facteurs se combinent.

D'abord, l'émergence du modèle « superviseur ». Plus d'un tiers des déploiements agentiques suivent désormais une architecture où un agent central divise un objectif métier en sous-tâches, les délègue à des agents spécialisés, puis synthétise le résultat. Ce modèle transforme des processus complexes — clôture comptable, analyse de pipeline commercial, maintenance prédictive — en flux opérationnels exécutables sans intervention humaine.

Ensuite, la maturité des plateformes. Avec Genie One, Databricks propose une ontologie — une carte des connaissances de l'entreprise — qui se met à jour automatiquement à partir des données, des documents, des tickets et des conversations. L'agent ne « devine » plus : il interroge la donnée gouvernée de l'entreprise via des requêtes SQL. Ali Ghodsi, CEO de Databricks, résume : « La plupart des IA d'entreprise aujourd'hui se contentent de deviner avec une fausse confiance. Ce n'est pas suffisant pour le business. »

Enfin, la pression concurrentielle. Le rapport montre que 83 % des entreprises du secteur retail utilisent déjà des stratégies multi-modèles. Le retail, la finance, la santé : les secteurs où la rapidité de décision est un avantage compétitif basculent les premiers.

Ce qui marche — et ce qui coince

Les données du rapport identifient deux facteurs qui séparent les organisations qui réussissent de celles qui piétinent.

Ce qui marche : la gouvernance. Les entreprises qui utilisent des outils de gouvernance dédiés déploient 12 fois plus de projets IA en production que la moyenne. L'adoption de la passerelle de gouvernance AI Gateway de Databricks a été multipliée par sept en neuf mois. La gouvernance ne freine pas l'innovation — elle l'accélère en créant un cadre de confiance.

Ce qui marche aussi : l'évaluation systématique. Les équipes qui utilisent des cadres d'évaluation structurés atteignent un taux de succès en production six fois supérieur. Mitch Ashley, analyste au Futurum Group, prévient : « Les équipes ne peuvent pas reporter les contrôles opérationnels pendant qu'elles déploient des systèmes qui prennent des décisions business conséquentes de manière autonome. »

Ce qui coince : l'absence de stratégie de données. Genie One illustre ce point : sans une couche de données gouvernée et unifiée, un agent IA est un perroquet sophistiqué. Il répète ce qu'il a appris, parfois en l'inventant. La différence entre un chatbot et un collègue agentique, c'est l'accès à la vérité terrain — les données que l'entreprise utilise réellement pour fonctionner.

Ce que ça change pour une PME

Les PME ne déploieront pas Genie One demain matin. La plateforme Databricks reste un outil d'entreprise, avec une courbe d'adoption et des coûts qui dépassent le budget d'une structure de 30 personnes.

Mais les trois leçons du rapport sont transférables, quel que soit l'outil.

D'abord, la gouvernance n'est pas un luxe de grand groupe. Une PME peut appliquer les mêmes principes avec des moyens légers : documenter quels outils d'IA sont utilisés, par qui, pour quoi. Définir qui valide les décisions assistées par IA. Limiter les données transmises aux modèles externes.

Ensuite, évaluer avant de déployer. Avant de confier une tâche récurrente à un agent, posez-vous deux questions : comment je mesure que le résultat est bon ? Et qui valide avant que ça parte au client ? Ces deux questions, appliquées systématiquement, couvrent 80 % du besoin d'évaluation d'une PME.

Enfin, ne pas se marier avec un seul fournisseur. Le rapport montre que 78 % des grandes entreprises utilisent plusieurs modèles. Une PME peut faire de même à petite échelle : utiliser ChatGPT pour la rédaction, Claude pour l'analyse de documents, un modèle local pour les données sensibles. La flexibilité protège contre les hausses de prix et les interruptions de service. L'épisode Fable 5 du 12 juin dernier — où Washington a ordonné la suspension du modèle d'Anthropic — est un rappel brutal de cette réalité.

Par où commencer concrètement

Voici trois actions qu'une PME peut enclencher ce mois-ci, sans acheter de plateforme.

1. Faites l'inventaire de vos usages d'IA. Notez tous les outils utilisés par vos équipes — des plus évidents (ChatGPT, Copilot) aux fonctionnalités IA intégrées dans vos logiciels (CRM, comptabilité, marketing). Pour chacun, posez la question : quelles données lui sont confiées ?

2. Définissez une règle de validation. Avant qu'un contenu ou une décision assistée par IA ne sorte de l'entreprise, une personne désignée doit le valider. Formalisez cette règle dans un document d'une page, communiquez-la à l'équipe.

3. Testez un agent sur un processus simple. Choisissez une tâche répétitive à faible risque : synthèse de réunions, réponse aux questions fréquentes en support client, génération de comptes rendus. Testez avec un outil que vous utilisez déjà. Mesurez le temps gagné et la qualité du résultat avant d'étendre.

Le rapport de Databricks est clair sur un point : les organisations qui mettent en place ces garde-fous dès le départ — gouvernance légère, évaluation systématique, indépendance vis-à-vis des fournisseurs — sont celles qui transforment l'expérimentation en avantage durable.

Les autres accumulent de la dette technique et de la dépendance.

Mention IA : cet article a été rédigé avec l'assistance d'un outil d'intelligence artificielle et relu par un humain.

Sources consultées

• Databricks, « Databricks Launches Genie One: All-New Agentic Coworker for Every Team », communiqué de presse, 16 juin 2026. databricks.com/company/newsroom
• Databricks, « 2026 State of AI Agents », rapport basé sur les données de 20 000+ organisations. databricks.com/resources/ebook/state-of-ai-agents
• Jon Swartz, « Agentic Shift: Databricks Report Reveals 327% Surge in Enterprise AI Systems », Techstrong.ai, 2 février 2026. techstrong.ai
• Paul Gillin, « Databricks reports finds surge in AI agent adoption despite governance bottlenecks », SiliconANGLE, 27 janvier 2026. siliconangle.com
• Sudhir Gajre, « State of AI Agents 2026: Lessons on Governance, Evaluation and Scale », Lovelytics, 6 février 2026. lovelytics.com