L’IA oblige les DSI à repenser la plateforme de données d’entreprise

Google News a mis en avant un titre de BankInfoSecurity porteur d’un avertissement clair : malgré des années d’investissements dans la modernisation, l’IA oblige les DSI à repenser la plateforme de données.

Ce titre est important parce que l’IA d’entreprise modifie ce que l’infrastructure doit fournir. Une plateforme de données conventionnelle récupère des enregistrements pour les analystes et les applications. Une plateforme prête pour l’IA doit aussi expliquer le contexte, préserver les autorisations, tracer les sources et contrôler les actions automatisées.

Cela crée un conflit entre les ambitions liées à l’IA et la réalité de l’infrastructure. Les dirigeants veulent des assistants et des agents capables de travailler dans l’ensemble de l’entreprise. Les DSI héritent souvent d’entrepôts de données, de stockages de fichiers, de services logiciels et de systèmes d’identité fragmentés, qui n’ont jamais été conçus pour ce comportement.

L’enjeu dépasse le choix d’un entrepôt de données, d’une lakehouse ou d’une base de données. Il concerne les personnes autorisées à accéder aux informations, ce qu’un système d’IA comprend et qui reste responsable lorsque ce système agit de manière incorrecte.

BankInfoSecurity n’a pas communiqué de détails étendus sur l’événement dans la liste Google News elle-même. Le titre disponible doit donc être considéré comme un signal, et non comme l’annonce d’un produit ou d’une architecture spécifique. Néanmoins, l’argument sous-jacent est étayé par une évolution plus large dans les technologies bancaires et d’entreprise.

Gartner estime que la gouvernance des données bancaires doit devenir un système d’exploitation intégré et exécutable. PwC soutient que les plateformes bancaires conçues pour un reporting transactionnel précis ne peuvent pas, sans changements, prendre en charge des décisions en temps réel et l’IA à grande échelle.

Le renversement central est clair. La consolidation des données promettait autrefois une base fiable pour la business intelligence. L’IA révèle désormais que la centralisation seule ne crée ni un contexte digne de confiance, ni une autorité applicable, ni une information sûre pour un usage automatisé.

Ce que le titre de Google News signale réellement

L’IA a transformé la plateforme de données : d’une fondation analytique, elle est devenue un point de contrôle opérationnel.

L’élément Google News ne décrit pas une sortie logicielle conventionnelle ni une acquisition. Son importance découle de la pression implicite du titre. Les DSI sont invités à reconsidérer une couche architecturale que de nombreuses organisations pensaient avoir déjà modernisée.

Les premiers programmes de données étaient généralement optimisés pour le reporting, les déclarations réglementaires, les prévisions et l’accès aux tableaux de bord. Ces usages restent importants, mais la plupart placent un humain entre les données et la décision finale.

Un analyste humain peut remarquer que deux départements définissent différemment un « client actif ». L’analyste peut demander des précisions, exclure une table obsolète ou refuser d’agir sur un résultat peu plausible. Un système autonome pourrait poursuivre son action à moins que la plateforme ne fournisse des définitions, une provenance et des limites applicables.

Les agents d’IA augmentent encore les enjeux. Un agent est un logiciel capable de sélectionner des outils et d’effectuer plusieurs étapes vers un objectif assigné. Il ne se contente pas de générer du texte. Il peut interroger des enregistrements, créer des tickets, mettre à jour des applications ou déclencher un flux de travail.

Cela signifie que chaque ambiguïté peut devenir un événement opérationnel. Un statut client obsolète peut façonner une offre. Un droit d’accès incorrect peut exposer un document confidentiel. Une métrique mal définie peut déclencher une mauvaise réponse en matière de stocks ou d’effectifs.

La plateforme doit par conséquent fournir davantage que du stockage et de la puissance de calcul. Elle a besoin de définitions métier lisibles par machine, d’informations d’identité à jour, d’application des politiques, de traçabilité, de signaux de qualité et de registres de l’activité de l’IA.

Cette exigence modifie la discussion architecturale. Une entreprise peut centraliser ses données tout en laissant un agent incapable de distinguer une politique approuvée du brouillon obsolète d’un employé. Elle peut déployer un catalogue tout en laissant les règles d’accès incohérentes entre des jeux de données copiés.

Le cadrage de Google News indique également une évolution de la responsabilité des dirigeants. Les DSI ne peuvent plus considérer le comportement des modèles comme relevant entièrement des data scientists ou d’un fournisseur externe d’IA. Le modèle dépend des systèmes d’entreprise que les responsables technologiques sélectionnent et exploitent.

Cette responsabilité recoupe celle du chief data officer, du responsable de la sécurité des systèmes d’information, de l’équipe juridique et des dirigeants opérationnels. Toutefois, le chevauchement des responsabilités ne supprime pas la responsabilité technique. Quelqu’un doit rendre les politiques exécutables sur l’ensemble de la plateforme.

La couverture connexe de BankInfoSecurity montre comment cette évolution transforme déjà la gouvernance des données. Son analyse du rôle du CDO cite une enquête de 2026 auprès de dirigeants, selon laquelle 90 % des entreprises participantes disposaient de chief data officers, contre 12 % en 2012.

Le même rapport indique que 99 % des répondants plaçaient les investissements dans les données et l’IA parmi les priorités organisationnelles. Il a également constaté que les difficultés culturelles et de conduite du changement, plutôt que la technologie, restaient le principal obstacle à l’adoption.

Ces chiffres proviennent de l’enquête examinée dans la publication et ne doivent pas être généralisés à toutes les entreprises. Ils illustrent néanmoins la question de gouvernance qui entoure le titre. Les entreprises ont ajouté des responsables des données, des outils et des programmes, mais l’IA révèle encore les écarts entre l’infrastructure technique et le contrôle organisationnel.

L’événement n’est donc pas un fournisseur unique imposant une mise à niveau. C’est l’arrivée de systèmes d’IA qui consomment des informations plus variées et opèrent plus près des décisions métier. Cette évolution teste si des années d’investissement dans les données ont produit une connaissance institutionnelle exploitable ou seulement une collection plus vaste de référentiels connectés.

Les DSI portent désormais un risque qu’ils ne peuvent déléguer à un fournisseur de modèles

Les DSI subissent cette pression parce que l’IA élargit à la fois l’utilité des données d’entreprise et les conséquences d’une mauvaise compréhension de celles-ci.

Un fournisseur de modèles peut expliquer comment son service traite les prompts, la rétention ou le chiffrement. Il ne peut pas définir quel document interne représente la politique actuelle de l’entreprise. Il ne peut pas non plus déterminer si un responsable régional doit voir l’historique complet d’un client.

Ces décisions restent du ressort de l’entreprise. La plateforme de données doit les traduire en contrôles d’accès, métadonnées, règles de récupération et preuves d’audit.

Ce travail est particulièrement exigeant dans le secteur bancaire. Les institutions financières sont soumises à des exigences détaillées en matière de confidentialité, de risque de modèle, de conservation des enregistrements, de cybersécurité et de supervision des tiers. Une réponse inexacte peut être gênante, mais une action non autorisée peut devenir un incident de sécurité ou de conformité.

La recherche de Gartner de mars 2026 sur la gouvernance des données bancaires décrit directement ce changement. Elle indique que les banques doivent intégrer de manière structurelle les contrôles des données, les preuves et la responsabilité dans les plateformes et les pipelines de livraison, en fonction du risque.

Cette recommandation fait sortir la gouvernance des réunions périodiques d’examen. Elle en fait une partie de l’exécution, où une plateforme peut empêcher, enregistrer ou faire remonter une action au moment où elle se produit.

Prenons le cas d’un agent de service préparant une réponse sur une transaction contestée. Le système peut avoir besoin d’informations de compte, de correspondances antérieures, de documents de politique, de vérification d’identité et de règles régionales. Chaque source possède des propriétaires et des restrictions différents.

La génération augmentée par récupération, communément appelée RAG, permet à une application d’IA de récupérer des contenus pertinents avant de générer une réponse. Elle peut ancrer les réponses dans les informations de l’entreprise, mais la récupération seule ne garantit pas que les contenus sont à jour, complets ou autorisés.

La plateforme doit préserver les autorisations de l’utilisateur pendant la récupération. Elle doit distinguer les sources faisant autorité des discussions informelles. Elle devrait également indiquer quels documents ont étayé la réponse, afin de permettre à un examinateur de vérifier le résultat.

Cela devient plus difficile lorsque les entreprises conservent de grands volumes d’informations non structurées. Les données non structurées comprennent les documents, messages, images, enregistrements et fichiers qui ne s’intègrent pas proprement dans les lignes d’une base de données.

Une analyse de 2026 sur les données non structurées a indiqué que 64 % des entreprises interrogées géraient au moins un pétaoctet. Elle cite également une estimation selon laquelle jusqu’à 90 % des informations d’entreprise sont non structurées.

Ces chiffres décrivent des sources de recherche différentes, et non une mesure universelle de chaque organisation. La leçon opérationnelle est plus importante que les pourcentages. L’IA peut rechercher et réutiliser des informations que les systèmes analytiques antérieurs ignoraient largement.

Ces informations nouvellement accessibles comprennent une expertise utile, mais aussi des brouillons abandonnés, des fichiers dupliqués, des présentations obsolètes, des données personnelles et des contenus sans propriétaire clairement identifié. Rendre tout accessible à la recherche peut accroître les risques plus vite que la valeur créée.

Les DSI font donc face à plusieurs exigences simultanées. Ils doivent connecter les informations sans aplanir leurs autorisations. Ils doivent améliorer la récupération sans présenter chaque résultat comme faisant également autorité. Ils doivent préserver l’auditabilité tandis que les applications génèrent des réponses en temps réel.

Ils doivent aussi gérer les coûts. Les charges de travail d’IA introduisent des index vectoriels, des récupérations répétées, des appels de modèles, des pipelines d’évaluation, des journaux et des jeux de données de développement copiés. Un projet qui fonctionne dans un pilote contrôlé peut devenir coûteux lorsque des milliers d’employés l’utilisent tout au long de la journée.

La réponse imposée est à la fois architecturale et organisationnelle. Les entreprises ont besoin de contrôles partagés entre les données, l’identité, les applications d’IA et les processus métier. Elles ont également besoin de responsables désignés capables de décider ce qui constitue une information fiable.

Cela ne signifie pas que chaque entreprise a besoin d’un référentiel physique unique. Cela signifie que l’organisation a besoin d’un plan de contrôle cohérent, c’est-à-dire d’une couche partagée permettant d’appliquer des politiques et d’observer l’activité à travers plusieurs systèmes.

La pression est durable, car les applications d’IA continuent d’évoluer après leur déploiement. De nouveaux documents arrivent, les rôles des utilisateurs changent, le comportement des modèles évolue et les équipes connectent des outils supplémentaires. Une certification ponctuelle ne peut pas prendre en compte cette évolution.

L’évaluation continue devient une partie de la plateforme. Les équipes doivent vérifier si les réponses restent ancrées dans des sources fiables, si les autorisations fonctionnent toujours et si les agents restent dans les limites approuvées.

Une plateforme de données sécurisée n’est donc plus une destination passive. Elle devient le lieu où se rencontrent la signification métier, l’autorité d’accès et le comportement de l’IA.

Le vrai conflit oppose l’ambition en matière d’IA à la réalité de l’infrastructure

Le conflit principal n’oppose pas un fournisseur de données à un autre ; il oppose l’ambition des dirigeants en matière d’IA à des plateformes conçues pour des décisions plus lentes, médiées par des humains.

De nombreuses entreprises ont déjà transféré leurs informations vers des entrepôts de données cloud ou des lacs de données. D’autres ont adopté des architectures lakehouse, qui combinent des fonctionnalités de gestion d’entrepôt de données avec un stockage objet moins coûteux.

Ces investissements ont résolu de vrais problèmes. Ils ont séparé l’analytique des bases de données opérationnelles, amélioré l’évolutivité et donné aux équipes un accès plus large aux données. Cependant, ils se sont souvent concentrés sur les informations structurées et les pipelines planifiés.

L’IA modifie la charge de travail. Un assistant utile peut avoir besoin d’un enregistrement commercial issu d’une base de données, d’une clause d’un contrat, d’une conversation tirée d’une réunion et d’un ticket de support en cours. Il doit combiner ces éléments sans effacer leur origine ni leurs exigences d’accès.

L’analytique traditionnelle pose généralement une question connue à un jeu de données organisé. L’IA d’entreprise reçoit des questions ouvertes de nombreux utilisateurs. Les agents peuvent aussi déterminer des étapes intermédiaires sans que chaque requête soit définie à l’avance.

Ce comportement fait du contexte métier une exigence de plateforme. Le contexte comprend les définitions, les relations, la propriété, le moment et les circonstances dans lesquelles un fait reste valide.

Une colonne intitulée « revenue » peut désigner le chiffre d’affaires enregistré, comptabilisé, prévisionnel, régional ou consolidé. Une personne peut lever cette ambiguïté grâce à son expérience. Un système d’IA a besoin de définitions et de relations accessibles.

C’est pourquoi les fournisseurs mettent désormais l’accent sur les couches sémantiques, les catalogues, les ontologies et les graphes de connaissances. Une ontologie est une représentation structurée de concepts et de leurs relations. Elle peut aider à relier des champs techniques à leur signification métier.

Cependant, l’achat d’un produit sémantique ne crée pas à lui seul une signification partagée. Les unités opérationnelles doivent s’accorder sur les définitions, résoudre les conflits et maintenir ces décisions à mesure que les opérations évoluent.

La consolidation des plateformes offre une réponse. Une analyse de janvier 2026 sur la gestion des données décrivait comment Databricks, Snowflake et Microsoft étendent leurs plateformes aux données, à la gouvernance, au machine learning et à l’IA.

L’attrait est compréhensible. Réduire les transferts peut diminuer la complexité opérationnelle. Des outils de politique intégrés peuvent également faciliter l’application de contrôles cohérents aux flux de travail analytiques et aux modèles.

Pourtant, la consolidation crée ses propres compromis. Les entreprises risquent de devenir plus dépendantes du modèle d’identité, du catalogue, du moteur de requêtes et des services d’IA d’une plateforme. S’en éloigner devient plus difficile lorsque les définitions métier et les contrôles reposent sur des fonctions propres à un fournisseur.

Une plateforme centralisée peut également créer un faux sentiment de confiance. Elle peut fournir un catalogue unique alors que les données continuent de se multiplier dans les logiciels de productivité, les fichiers locaux, les applications software-as-a-service et les outils d’IA départementaux.

L’approche opposée est la fédération. Dans ce modèle, l’information reste répartie entre plusieurs systèmes opérationnels, tandis qu’une couche partagée gère la découverte, les définitions, l’identité et l’accès.

La fédération peut préserver le contrôle local et réduire les copies inutiles. Elle peut également laisser les CIO coordonner des systèmes incohérents, des profils de latence, des normes de métadonnées et des mécanismes d’application différents.

Aucune de ces approches ne supprime le problème fondamental. L’IA doit recevoir le bon contexte, avec la bonne autorité, au bon moment. L’architecture ne réussit que lorsqu’elle peut le faire de manière répétée et produire ensuite des éléments de preuve.

Les institutions financières en offrent une illustration frappante. PwC soutient que les banques ont construit leurs fondations de données principalement pour assurer une comptabilité transactionnelle exacte et en temps voulu. Son analyse des plateformes de données bancaires indique que ces mêmes fondations doivent désormais prendre en charge des décisions prédictives et en temps réel.

La plateforme existante était optimisée pour la cohérence et le reporting. La nouvelle demande met l’accent sur la réutilisation rapide, un contexte plus large et les décisions automatisées. Les CIO doivent préserver la première tout en permettant la seconde.

Cette exigence rend un remplacement complet peu probable pour de nombreuses grandes institutions. Les systèmes transactionnels centraux portent des décennies de règles et d’intégrations. Les reconstruire introduit un risque opérationnel avant même qu’une application d’IA n’apporte de valeur.

Une voie plus plausible relie des services d’IA modernes aux systèmes établis via des interfaces gouvernées. Les opérations sensibles restent protégées, tandis que certaines informations deviennent disponibles au travers de couches approuvées de récupération et d’action.

Cela crée une architecture à plusieurs niveaux. Les assistants à faible risque peuvent rechercher dans des connaissances approuvées. Les agents à risque plus élevé reçoivent des autorisations plus étroites, une évaluation renforcée, une approbation humaine et une journalisation plus détaillée.

Cette distinction est importante, car « prêt pour l’IA » ne devrait pas signifier universellement accessible. Une plateforme qui expose chaque jeu de données à chaque modèle est plus facile à démontrer et plus difficile à défendre.

L’approche la plus solide rend l’autorité explicite. Elle identifie quel modèle, agent, utilisateur et objectif métier peut accéder à chaque ressource. Elle enregistre également quelles données ont influencé une sortie ou une action.

Ce niveau de contrôle exige une coopération entre les équipes. Les ingénieurs data gèrent les pipelines et la qualité. Les équipes de sécurité gèrent l’identité et les contrôles contre les menaces. Les équipes juridiques et conformité définissent les obligations. Les responsables métier décident de la signification des informations.

Les CIO deviennent les intégrateurs de ces décisions. Leur défi n’est pas de sélectionner le produit dont la liste de fonctionnalités est la plus longue. Il consiste à créer un modèle opérationnel dans lequel les contrôles techniques correspondent à la responsabilité réelle.

Une plateforme unifiée ne garantit pas une IA digne de confiance

L’hypothèse la plus dangereuse est que la consolidation des plateformes produit automatiquement un contexte fiable, un accès sécurisé et des décisions responsables.

Un système unifié peut simplifier la gestion des politiques, mais il ne peut pas corriger une responsabilité non définie. Il ne peut pas décider si une ancienne politique doit être supprimée, archivée ou présentée avec un avertissement.

La qualité des données pose un problème similaire. Les contrôles conventionnels peuvent détecter des valeurs manquantes, des doublons ou des formats inattendus. Ils peuvent ne pas détecter qu’un document contient une affirmation valide qui ne reflète plus les pratiques actuelles.

L’IA introduit également un comportement probabiliste. Un même modèle peut produire une formulation différente d’une exécution à l’autre. Les changements de récupération, d’instructions ou de classement des sources peuvent affecter les réponses même lorsque les enregistrements sous-jacents restent inchangés.

Cela rend l’observabilité essentielle. L’observabilité de l’IA consiste à enregistrer et évaluer les prompts, les sources récupérées, les réponses des modèles, les appels d’outils, les décisions de politique et les résultats.

Cependant, des journaux détaillés peuvent créer un second risque lié aux données. Ils peuvent contenir des détails personnels, des documents confidentiels ou des résumés générés par modèle d’informations sensibles. Les politiques de journalisation doivent prévoir des limites de conservation et un accès contrôlé.

L’identité est un autre domaine non résolu. Les systèmes traditionnels supposent qu’une personne ou un compte de service demande l’accès. Les agents compliquent ce modèle, car ils peuvent agir pour un utilisateur tout en sélectionnant des outils et en déléguant des sous-tâches.

Une entreprise doit savoir quel humain a autorisé un agent, quel objectif a été approuvé et combien de temps cette autorité reste valide. Elle doit également pouvoir révoquer l’accès sans désactiver des flux de travail non liés.

Les reportages de BankInfoSecurity sur les identités des agents présentent cela comme une question de gouvernance de premier plan. Rishi Kaushal, CIO d’Entrust, a soutenu que chaque agent doit disposer de sa propre identité, d’autorisations définies et d’une responsabilité claire.

Cette position reflète le point de vue d’un dirigeant de fournisseur, mais le principe de contrôle est solide. Partager un compte de service étendu entre de nombreux agents rend difficile l’attribution des activités ou l’endiguement des abus.

Le principe du moindre privilège, qui limite une identité au minimum d’accès nécessaire, offre un point de départ. Les flux de travail d’IA ont également besoin de limites fondées sur l’objectif, le temps, la sensibilité des données et le type d’action.

Un assistant de recherche peut lire des rapports approuvés mais ne pas être autorisé à envoyer des messages. Un agent de support peut rédiger une recommandation de remboursement, mais exiger une approbation humaine avant de modifier le compte d’un client.

La plateforme doit faire respecter ces distinctions pendant l’exécution. Un document de politique qui se contente de les décrire ne peut pas empêcher un appel d’outil non autorisé.

La supervision humaine mérite également un examen attentif. Les organisations promettent souvent qu’une personne reste « dans la boucle », mais cette expression peut masquer des contrôles faibles. Un employé confronté à des centaines d’approbations générées par l’IA peut les confirmer sans véritable examen.

La qualité de la supervision dépend du moment, des informations, de la charge de travail et de l’autorité. Les évaluateurs doivent voir les sources, l’action proposée, l’incertitude et les conséquences de l’approbation.

Les CIO devraient également remettre en question les affirmations de portabilité des modèles. Une couche de données présentée comme indépendante des modèles peut encore reposer sur des embeddings propriétaires, des systèmes d’évaluation ou des outils de workflow. Changer de modèle peut modifier la qualité de récupération ou le comportement de l’application.

De même, un format de table ouvert ne rend pas toute la plateforme ouverte. L’identité, la gouvernance, les définitions sémantiques et la supervision peuvent rester liés à un seul fournisseur.

Les équipes de sécurité doivent aussi se préparer à l’injection de prompt. L’injection de prompt survient lorsqu’un contenu malveillant ou non fiable demande à un système d’IA d’ignorer les règles prévues ou de révéler des informations.

Un agent qui recherche des documents peut rencontrer de telles instructions dans un e-mail, une page web ou un fichier téléversé. Le contenu peut sembler être des données pour une personne, mais fonctionner comme une commande pour le modèle.

Les défenses exigent davantage qu’un filtrage des formulations suspectes. Les systèmes ont besoin d’une séparation entre les données et les instructions, d’outils contraints, d’une validation des sorties, de niveaux de confiance des sources et de contrôles d’autorisation indépendants.

Ces contrôles réduisent le risque sans l’éliminer. Cette incertitude devrait influencer les actions qu’un agent peut entreprendre sans examen.

La conclusion sceptique n’est pas que l’IA d’entreprise ne peut pas fonctionner. C’est que la plateforme doit supposer que les modèles comprendront parfois mal le contexte, récupéreront le mauvais élément ou suivront une trajectoire dangereuse.

Une architecture fiable limite les conséquences de ces erreurs. Elle fournit des autorisations étroites, une provenance claire, des actions réversibles et des éléments de preuve pour l’enquête.

Ce principe modifie également les indicateurs de réussite. L’exactitude sur un jeu de test est nécessaire, mais insuffisante. Les équipes doivent mesurer les récupérations non autorisées, les exceptions de politique, les taux d’escalade, le délai de correction et les résultats métier.

Le comportement des utilisateurs compte aussi. Les employés éviteront un assistant qui fournit des réponses prudentes mais inutiles. Ils accorderont trop de confiance à un assistant qui semble assuré et fonctionne généralement bien.

Une base de connaissances interrogeable peut aider les équipes à organiser le matériel technique, mais l’accès aux connaissances exige toujours une responsabilité et une révision. La récupération est un composant d’un système digne de confiance, pas un substitut à la gouvernance.

La question non résolue est de savoir si les entreprises peuvent exploiter ces contrôles à la vitesse et à l’échelle requises par l’IA. La réponse dépendra moins des démonstrations que des preuves en production.

Ce que les CIO devraient surveiller après l’alerte Google News

Trois signaux montreront si la refonte des plateformes de données devient opérationnelle ou reste une promesse marketing.

Le premier signal est l’adoption d’identités propres aux agents et d’une autorité révocable. Les entreprises devraient indiquer si les agents d’IA reçoivent des identifiants distincts, des autorisations strictement limitées et des enregistrements complets de leurs activités.

Si ce modèle devient une norme parmi les fournisseurs d’identité et les plateformes de données, il renforcera l’argument selon lequel l’IA exige une nouvelle architecture de contrôle. Si les agents continuent de partager de larges comptes de service, la gouvernance restera en retard sur le déploiement.

L’indicateur significatif n’est pas le nombre d’agents enregistrés. C’est le pourcentage d’actions de production pouvant être reliées à un sponsor humain, à un objectif approuvé et à un ensemble d’autorisations applicables.

Le deuxième signal est la preuve que les couches sémantiques et de gouvernance améliorent les résultats en production. Les fournisseurs promettent de plus en plus un contexte partagé, une classification automatisée, une traçabilité et l’application des politiques.

Les CIO devraient rechercher des réductions mesurées des récupérations incorrectes, des accès non autorisés, du travail de rapprochement et des escalades manuelles. Un catalogue plus vaste ou davantage de sources connectées ne démontre pas de meilleures décisions.

Ce signal deviendra plus fort lorsque les clients publieront des résultats comparables issus de déploiements réels. Il s’affaiblira si les études de cas restent limitées à la vitesse de récupération, aux résumés générés ou aux démonstrations contrôlées.

Le troisième signal est une séparation plus nette entre l’assistance à faible risque et l’autonomie à haut risque. Les organisations ont besoin de politiques qui relient la sensibilité des données et l’impact métier à des contrôles techniques précis.

Un assistant de rédaction et un agent de paiement ne devraient pas suivre le même processus d’approbation. Leurs plateformes devraient appliquer des autorisations, des évaluations, une supervision et des procédures de récupération différentes.

Les incidents publics façonneront cette distinction. Une défaillance grave impliquant un agent doté d’autorisations excessives pousserait les conseils d’administration et les régulateurs vers des contrôles plus stricts. Des résultats cohérents en production pourraient, à l’inverse, soutenir une autonomie plus large dans des workflows encadrés.

Les institutions financières fourniront des éléments particulièrement utiles, car leurs exigences de conformité et d’exploitation rendent les contrôles insuffisants difficiles à dissimuler. L’analyse de BCG sur le rôle du CIO bancaire relie des plateformes de données modernisées à la résilience, au reporting réglementaire et à une base pour les agents d’IA.

Cette combinaison résume le véritable test. Une plateforme performante doit prendre en charge de nouveaux usages de l’IA sans affaiblir les contrôles qui garantissent la fiabilité des services existants.

Le titre de Google News doit donc être interprété comme un avertissement architectural, et non comme un verdict. L’IA a révélé un décalage entre des plateformes conçues pour fournir des données et des systèmes censés les interpréter et agir en conséquence.

Les CIO n’ont pas besoin de remplacer chaque référentiel ni de s’engager auprès d’un seul fournisseur. Ils ont besoin d’une conception explicite de la gestion du contexte, des autorisations, de la provenance, de l’évaluation et de la reprise sur l’ensemble des systèmes qu’ils exploitent déjà.

Les prochains mois devraient montrer quelles organisations sont capables de déployer ces contrôles en production. Surveillez d’abord les identités des agents, ensuite les résultats mesurables en matière de gouvernance, puis l’autonomie fondée sur le risque.

Pour les responsables technologiques, la question immédiate est concrète : votre plateforme peut-elle expliquer non seulement à quoi un système d’IA a accédé, mais aussi pourquoi il y était autorisé, quelle source il a considérée comme fiable et qui a approuvé l’action qui en a découlé ? Si la réponse reste floue, la refonte mise en lumière par Google News est déjà en cours.