Ce qu'est réellement un agent IA, et ce que ne sont pas la plupart des produits étiquetés comme tels

Un agent IA, au sens technique précis pertinent pour la gouvernance et le risque, est un système d'IA qui perçoit un environnement, raisonne sur des objectifs, planifie des actions, exécute ces actions par le biais d'outils ou de systèmes externes, et adapte son comportement en fonction des résultats obtenus, avec une supervision humaine limitée, voire inexistante, dans la boucle. La caractéristique déterminante est la poursuite autonome d'objectifs. Un agent peut décider de ce qu'il doit faire ensuite sans qu'on le lui dise explicitement.

Cela diffère sensiblement de trois technologies voisines souvent confondues avec les agents IA dans le marketing commercial :

Les assistants d'IA générative répondent à des invites (prompts). Un chatbot ou un copilote génère du contenu en réponse à une demande, puis s'arrête. Il ne maintient pas d'objectifs persistants d'une interaction à l'autre. Il n'entreprend pas d'actions autonomes dans des systèmes externes. Il augmente le travail d'un collaborateur humain ; il ne remplace pas la prise de décision humaine.

L'automatisation robotisée des processus (RPA) suit des règles scriptées. Un robot RPA exécute une séquence déterministe d'étapes : ouvrir cette application, copier ce champ, le coller ici, valider. La RPA est automatisée, mais pas adaptative. Lorsque les données d'entrée changent de façon inattendue, les robots RPA échouent en général, plutôt que de raisonner sur des solutions alternatives.

Les systèmes multi-agents constituent une catégorie distincte et plus avancée. Un agent IA est généralement un modèle unique doté d'outils pour exécuter des tâches de bout en bout. L'IA agentique, en tant qu'architecture système, est souvent composée de plusieurs agents qui se coordonnent, délèguent des sous-tâches et poursuivent des objectifs composites plus larges. Le Center for Long-Term Cybersecurity de l'université de Californie à Berkeley explicite cette distinction dans son Agentic AI Risk-Management Standards Profile de février 2026, et elle compte pour la gouvernance : la supervision d'un agent unique est qualitativement différente de la supervision d'un système multi-agents.

La réalité du marché est que cette clarté technique est rare. Gartner a formellement identifié la pratique de l'« agent washing », le repositionnement d'anciens chatbots, assistants et outils RPA en IA agentique sans véritable capacité agentique, et estime que seuls environ 130 des milliers de fournisseurs se présentant comme proposant de l'IA agentique le font réellement. La première étape pratique de gouvernance, pour la plupart des organisations, n'est pas de bâtir une stratégie d'agents IA. C'est de déterminer lesquels des systèmes déjà déployés au sein de l'organisation, sous l'étiquette « agent IA », répondent réellement à la définition technique.

L'adoption est réelle, mais elle devance largement la gouvernance

Plusieurs données issues de sources primaires convergent vers la même conclusion : les agents IA passent en production à l'échelle de l'entreprise, et la gouvernance ne suit pas le rythme.

Le communiqué de presse de Gartner de juin 2025, s'appuyant sur un sondage réalisé en janvier 2025 auprès de 3 412 participants à des webinaires, a constaté que 19 % des organisations avaient réalisé des investissements importants dans l'IA agentique, 42 % des investissements prudents, 8 % n'avaient réalisé aucun investissement, et 31 % adoptaient une attitude attentiste ou n'étaient pas sûres. Selon les propres prévisions de Gartner, au moins 15 % des décisions opérationnelles quotidiennes seront prises de façon autonome par l'IA agentique d'ici 2028 (contre 0 % en 2024), et 33 % des applications logicielles d'entreprise intégreront de l'IA agentique d'ici 2028 (contre moins de 1 % en 2024).

Ce même communiqué de Gartner a livré sa prédiction la plus citée : plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts qui s'envolent, d'une valeur commerciale peu claire ou de contrôles des risques insuffisants. La Senior Director Analyst de Gartner, Anushree Verma, a déclaré que la plupart des projets d'IA agentique sont des preuves de concept à un stade précoce, davantage portées par l'effet de mode que par la substance, souvent mal appliquées, ce qui masque le coût réel et la complexité du passage à l'échelle en production.

Le déficit de gouvernance n'a rien de théorique. Le rapport State of AI in the Enterprise 2026 de Deloitte a constaté qu'une entreprise sur cinq seulement dispose d'un modèle mature pour la gouvernance des agents IA autonomes. Ce retard est structurel : les organisations déploient des agents dans des environnements de production plus vite qu'elles ne bâtissent l'inventaire, la surveillance, la gestion des identités et l'infrastructure de responsabilisation nécessaires pour les gouverner.

Pourquoi le risque lié aux agents IA est structurellement différent des autres risques liés à l'IA

La plupart des cadres de gouvernance de l'IA en entreprise, y compris le fondateur NIST AI Risk Management Framework (AI RMF) et son Generative AI Profile de juillet 2024 (NIST AI 600-1), ont été conçus pour un monde dans lequel les systèmes d'IA formulent des prédictions ou génèrent du contenu destiné à un examen humain. Les agents IA modifient la topologie du risque de cinq manières spécifiques, que les fonctions conformité, risque et audit doivent comprendre.

Action autonome à effet externe. Un modèle prédictif qui recommande une décision de crédit relève d'une catégorie de risque différente d'un agent qui approuve le crédit, transmet la décision au client, met à jour le système bancaire central et planifie le décaissement des fonds. Le premier exige des contrôles de biais et d'exactitude. Le second exige ces mêmes contrôles, plus des procédures d'annulation (rollback), une autorisation au niveau de chaque action, une journalisation d'audit de chaque décision autonome, et un processus défini pour arrêter ou annuler des actions en cours.

Le Center for Long-Term Cybersecurity de l'université de Californie à Berkeley, dans son Agentic AI Risk-Management Standards Profile publié en février 2026, identifie cette catégorie de risque comme incluant la poursuite d'objectifs non voulus, l'escalade non autorisée de privilèges, l'acquisition de ressources, ainsi que des comportements tels que l'auto-réplication ou la résistance à l'arrêt, susceptibles de causer un préjudice systémique. Cette formulation est délibérément forte, car les modes de défaillance diffèrent qualitativement de ceux des modèles statiques.

Une gestion des identités et des accès conçue pour des humains. Les systèmes d'identité en entreprise, authentification unique (Single Sign-On), contrôle d'accès basé sur les rôles, gestion des accès à privilèges, ont été conçus autour de l'hypothèse que l'acteur demandant l'accès est un humain s'authentifiant avec des identifiants dont lui seul dispose. Les agents IA brisent cette hypothèse. Un agent agissant pour le compte d'un utilisateur, avec les identifiants de cet utilisateur, peut entreprendre des actions que l'utilisateur n'a pas autorisées. Un agent disposant d'identifiants de service au niveau système dispose d'un accès superutilisateur de fait, sans aucun des contrôles humains (flux d'approbation, justification, élévation limitée dans le temps) qu'exige l'accès à privilèges humain.

L'Australian Prudential Regulation Authority (APRA) a nommé directement cette lacune dans sa lettre sectorielle du 30 avril 2026 sur l'intelligence artificielle : la gestion des identités et des accès ne s'est pas encore adaptée aux acteurs non humains tels que les agents IA. L'APRA a tiré ce constat de son engagement de supervision ciblé mené fin 2025 auprès d'un échantillon de grandes banques, assureurs et trustees de fonds de retraite (superannuation) australiens. Le fait que le régulateur prudentiel australien ait choisi de publier cette observation en langage clair indique qu'elle est désormais testable dans le cadre des contrôles prudentiels.

Défaillances en cascade le long des chaînes de délégation. Les systèmes multi-agents amplifient les erreurs. Un agent qui calcule mal un paramètre et transmet cette donnée erronée à un agent en aval peut déclencher une cascade d'erreurs qui s'amplifient avant qu'un humain ne soit en position d'intervenir. L'horizon temporel de la supervision humaine s'effondre dans les systèmes agentiques : les défaillances peuvent se propager en quelques millisecondes, alors que l'architecture de contrôle « humain dans la boucle » de la plupart des entreprises suppose des délais de l'ordre de la minute, voire de l'heure.

Comportement probabiliste et non déterministe. Les processus classiques de gestion du changement et d'assurance qualité supposent un artefact stable. Une fois qu'un système est testé et mis en production, il se comporte de la même façon jusqu'à la version suivante. Ce n'est pas le cas des agents IA. Un même agent, recevant la même entrée, peut produire des sorties différentes d'une exécution à l'autre. La dérive du modèle (model drift), le raisonnement dépendant du contexte et l'influence des invites système (system prompts) font tous que l'assurance ponctuelle est insuffisante. La lettre de l'APRA d'avril 2026 est précise sur ce point : elle a constaté un recours à des méthodes d'assurance ponctuelles, fondées sur des échantillons, qui ne conviennent pas à des modèles probabilistes qui apprennent et dérivent dans le temps.

De nouvelles surfaces d'attaque. Les agents IA introduisent des vecteurs d'attaque que les contrôles classiques de sécurité de l'information n'ont pas été conçus pour détecter. La lettre de l'APRA cite explicitement : l'injection de prompt (prompt injection), la fuite de données, les intégrations non sécurisées, l'injection d'exploits, ainsi que la manipulation ou le détournement d'agents IA autonomes. Un pare-feu applicatif web ne détecte pas l'injection de prompt. Un test d'intrusion classique n'évalue pas la surface d'attaque liée à l'usage d'outils par un agent. Le programme de tests de sécurité qui protégeait l'environnement en 2024 est structurellement inadapté à l'environnement augmenté par des agents de 2026.

Le paysage réglementaire mondial spécifique aux agents IA

Aucune juridiction majeure n'a encore adopté de législation spécifique aux agents IA. Les régulateurs appliquent plutôt aux systèmes agentiques les cadres existants, législation sur l'IA, normes prudentielles sectorielles, droit de la protection des données, droit de la protection des consommateurs, tout en développant des orientations complémentaires.

Union européenne, AI Act. L'AI Act de l'UE ne contient pas de définition de l'« agent IA » ni de catégorie réglementaire distincte pour les agents. Les systèmes d'IA qui répondent à la définition d'un système d'IA au sens de l'AI Act, et qui relèvent de l'Annexe III (emploi, crédit, biométrie, éducation, application de la loi, infrastructures critiques, services essentiels) ou sont intégrés dans des produits réglementés au titre de l'Annexe I, sont soumis aux obligations applicables aux systèmes à haut risque, qu'ils soient agentiques ou non. À la suite du Digital Omnibus sur l'IA, provisoirement convenu le 7 mai 2026, les obligations à haut risque de l'Annexe III s'appliquent à compter du 2 décembre 2027, et les obligations relatives aux systèmes intégrés de l'Annexe I à compter du 2 août 2028. Les obligations de transparence prévues à l'article 50, y compris l'obligation d'informer les utilisateurs qu'ils interagissent avec un système d'IA, s'appliquent depuis le 2 août 2026 et n'ont pas été prorogées par l'Omnibus. Pour les agents IA destinés aux consommateurs dans l'UE, l'obligation de transparence de l'article 50 constitue le déclencheur de conformité le plus immédiat.

Les obligations applicables aux modèles d'IA à usage général (GPAI) prévues aux articles 50 à 55 de l'AI Act de l'UE s'appliquent aux fournisseurs de modèles en amont, et non aux déployeurs d'agents. Toutefois, les organisations qui construisent des agents sur des modèles de fondation tiers doivent garder à l'esprit que la classification en risque systémique du modèle sous-jacent, ainsi que les obligations du fournisseur de modèle en matière d'évaluation, de tests adversariaux et de signalement des incidents graves, ont une incidence sur le risque de l'agent en aval.

États-Unis, NIST. Le National Institute of Standards and Technology (NIST) des États-Unis, par l'intermédiaire de son Center for AI Standards and Innovation (CAISI), a publié au Federal Register, le 8 janvier 2026, une demande d'information (Request for Information, RFI) sur la sécurité des systèmes d'agents IA, dont les commentaires ont été clos le 9 mars 2026. La RFI définit le périmètre des systèmes d'agents IA comme ceux capables d'entreprendre des actions produisant des changements persistants en dehors de l'agent lui-même, et précise explicitement que les systèmes de génération augmentée par récupération (retrieval-augmented generation) non orchestrés pour agir de façon autonome, ainsi que les chatbots, sont exclus de son périmètre. Cette RFI constitue, à ce jour, la déclaration la plus autorisée du gouvernement américain sur ce qui constitue un agent IA aux fins de la gouvernance.

Le Generative AI Profile du NIST AI RMF (NIST AI 600-1), publié le 26 juillet 2024, traite des risques de l'IA générative mais n'aborde pas directement l'autonomie agentique. Des profils sectoriels émergent : le NIST a publié le 7 avril 2026 une note de cadrage (concept note) pour un profil de l'AI RMF sur l'IA de confiance dans les infrastructures critiques. En anticipant sur le profil officiel du NIST, des praticiens ont produit l'Agentic AI Risk-Management Standards Profile du Center for Long-Term Cybersecurity de Berkeley (février 2026) et l'Agentic AI NIST AI RMF Profile de la Cloud Security Alliance, qui appliquent tous deux les quatre fonctions du NIST AI RMF (Govern, Map, Measure, Manage) aux systèmes agentiques.

OCDE. L'OECD AI Policy Observatory suit les politiques nationales en matière d'IA et tient à jour le Catalogue of Tools and Metrics for Trustworthy AI. Les principes de l'OCDE sur l'IA, mis à jour en 2024, s'appliquent à tous les systèmes d'IA mais ne contiennent pas encore de dispositions spécifiques aux agents.

Australie : le cadre pratique le plus abouti pour la gouvernance des agents IA

L'Australie n'a pas adopté de législation spécifique à l'IA comparable à l'AI Act de l'UE. L'approche du gouvernement australien, exposée dans le National AI Plan publié le 2 décembre 2025, consiste à s'appuyer sur le droit existant, neutre sur le plan technologique : droit de la protection des données, droit de la consommation, droit de la santé et de la sécurité au travail, droit de la non-discrimination, normes prudentielles sectorielles, complété par des orientations et des normes volontaires. Cette approche est parfois présentée comme une faiblesse ; il est plus juste d'y voir un choix délibéré qui fait passer une orientation opérationnelle substantielle avant la législation.

Lettre sectorielle de l'APRA sur l'IA, 30 avril 2026. Publiée par Therese McCarthy Hockey, membre du conseil exécutif de l'APRA, cette lettre est la communication réglementaire spécifique à l'IA la plus lourde de conséquences pour les services financiers australiens en 2026. S'appuyant sur un engagement de supervision ciblé mené fin 2025 auprès d'un échantillon de grandes banques, assureurs et trustees de fonds de retraite, l'APRA a formulé des attentes précises réparties en quatre domaines d'observation : la gouvernance, la cybersécurité et la sécurité de l'information, le risque fournisseur, ainsi que la gestion du changement et l'assurance qualité.

Principales observations et attentes de l'APRA concernant les agents :

  • Les conseils d'administration développent encore la culture technique nécessaire pour exercer un contrôle effectif sur les risques liés à l'IA, avec une « dépendance excessive aux présentations et résumés fournis par les prestataires ». L'attente minimale énoncée par l'APRA : les conseils d'administration doivent disposer d'une culture de l'IA suffisante pour définir l'orientation stratégique et exercer un contrôle et une supervision significatifs.
  • Les dispositifs de gouvernance requis comprennent, au minimum : des cadres (politique, norme, orientations) et des lignes de reporting ; une appropriation et une responsabilisation tout au long du cycle de vie de l'IA ; un inventaire des outils et des cas d'usage de l'IA ; une implication humaine pour les décisions à haut risque et la responsabilisation associée ; et la formation et la sensibilisation du personnel.
  • Attentes spécifiques en matière de cybersécurité et de sécurité de l'information : une gestion rigoureuse des accès à privilèges ; l'application rapide des correctifs ; des configurations durcies ; la détection automatisée des vulnérabilités ; des tests d'intrusion ; et des « contrôles sur les flux de travail agentiques et autonomes ».
  • Risque fournisseur : cartographier et conserver une visibilité sur l'ensemble de la chaîne d'approvisionnement en IA, y compris les dépendances significatives vis-à-vis de tiers et de sous-traitants de rang deux. Un risque de concentration est signalé lorsque des entités dépendent fortement d'un fournisseur unique pour de multiples cas d'usage de l'IA.
  • Gestion du changement et assurance qualité : une validation continue ; une assurance intégrée couvrant la cybersécurité, la gouvernance des données, le risque de modèle, la résilience opérationnelle, la protection des données et la conduite ; ainsi que des fonctions de deuxième ligne (risque) et d'audit interne dotées de la capacité technique « d'évaluer de façon indépendante les systèmes d'IA, y compris les modèles probabilistes et les flux de travail agentiques ».

Le point d'ancrage réglementaire de l'APRA est le cadre prudentiel existant : CPS 220 (gestion des risques), CPS 230 (gestion du risque opérationnel, y compris la résilience opérationnelle), CPS 234 (sécurité de l'information) et CPS 510 (gouvernance). L'APRA n'a annoncé aucune nouvelle norme prudentielle. La lettre d'avril 2026 signale que la gouvernance de l'IA sera désormais évaluée au regard de ces normes existantes, dans le cadre des contrôles prudentiels des entités et des activités thématiques.

Lettre de l'ASIC, 8 mai 2026. L'Australian Securities and Investments Commission a publié le 8 mai 2026 une lettre ouverte qui complète celle de l'APRA, avec une application plus large, dépassant les entités régulées par l'APRA. L'ASIC attend des conseils d'administration et des cadres dirigeants qu'ils comprennent la position de leur organisation, posent les bonnes questions et s'assurent que la résilience en cybersécurité est proportionnée à l'environnement de menace. Cette lettre s'appuie sur le rapport REP 798 « Beware the Gap » de l'ASIC, publié en octobre 2024, sur les dispositifs de gouvernance de l'IA, qui avait identifié un déficit de gouvernance dans l'ensemble des services financiers, avant même que l'IA agentique ne devienne une préoccupation significative.

Politique de la DTA pour l'usage responsable de l'IA au sein du gouvernement. La Policy for the responsible use of AI in government de la Digital Transformation Agency est entrée en vigueur le 1er septembre 2024 et a depuis été mise à jour en version 2.0. La DTA a bâti la suite de gouvernance opérationnelle de l'IA la plus complète de tous les gouvernements nationaux anglophones, comprenant notamment :

  • l'AI Plan for the Australian Public Service 2025, qui fixe la feuille de route de l'APS (fonction publique australienne) pour l'adoption de l'IA.
  • le Technical standard for government's use of artificial intelligence, qui fixe les exigences techniques applicables aux systèmes d'IA sur l'ensemble de leur cycle de vie, de la conception initiale jusqu'à la surveillance et au retrait de service.
  • l'AI Impact Assessment Tool, accompagné d'orientations, pour aider les agences à identifier, évaluer et gérer les impacts et les risques des cas d'usage de l'IA au regard des principes éthiques australiens en matière d'IA.
  • les orientations sur les achats publics en matière d'IA (AI procurement).
  • le Pilot AI Assurance Framework (expérimenté depuis septembre 2024), qui établit l'approche d'assurance qualité de l'IA pour les cas d'usage de l'APS.
  • l'AI Review Committee, chargé de conseiller sur les cas d'usage de l'IA à haut risque au sein de l'APS, dont le mandat est en cours de finalisation, des précisions supplémentaires étant annoncées pour le premier trimestre 2026.

Le cadre de la DTA n'a pas force de loi et ne s'applique pas en dehors de l'APS. Toutefois, l'AI Impact Assessment Tool et le Technical Standard for AI sont cités et utilisés par des organisations du secteur privé comme références pratiques de mise en œuvre, et l'approche de la DTA est cohérente avec le Voluntary AI Safety Standard publié par le Department of Industry, Science and Resources.

National Framework for the Assurance of AI in Government. Le Data and Digital Ministers Meeting a approuvé et publié le National Framework for the Assurance of AI in Government le 21 juin 2024. Ce cadre établit des principes fondateurs et des pratiques permettant aux gouvernements des échelons fédéral, étatique et territorial d'appliquer les principes éthiques australiens en matière d'IA à leur assurance qualité de l'IA.

Modifications du Privacy Act, transparence sur la prise de décision automatisée. Le Privacy and Other Legislation Amendment Act 2024 a introduit de nouvelles obligations de transparence en matière de prise de décision automatisée (ADM), qui entrent en vigueur le 10 décembre 2026. À compter de cette date, les entités APP (Australian Privacy Principles) devront inclure dans leurs politiques de confidentialité des informations sur les catégories de données personnelles utilisées dans les décisions substantiellement automatisées ayant un effet juridique ou un effet significatif similaire sur les personnes. Les agents IA qui prennent de telles décisions, ou y contribuent substantiellement, entrent pleinement dans ce périmètre. L'Office of the Australian Information Commissioner (OAIC) devrait publier des orientations détaillées avant l'entrée en vigueur de décembre 2026.

Mise en œuvre pratique : comment opérationnaliser la GRC des agents IA

L'écart entre l'attente réglementaire et la réalité opérationnelle est considérable. La plupart des organisations doivent accomplir six actions, dans un ordre de priorité approximatif.

1. Constituer un inventaire et une classification des agents IA. Chaque agent IA déployé en production, y compris les agents intégrés dans des outils SaaS, les copilotes dans les suites bureautiques et le shadow IT, doit être inventorié avec : un propriétaire (personne nommément désignée), sa finalité, les données auxquelles il accède, les systèmes sur lesquels il agit, son niveau d'autonomie, sa criticité pour l'activité, et sa classification de risque. C'est la condition préalable à tout le reste. L'APRA a explicitement identifié l'absence d'inventaires de l'IA comme un constat dans sa lettre d'avril 2026.

2. Classer les agents par niveau d'autonomie. Tous les agents n'exigent pas les mêmes contrôles. Une classification utile distingue : (a) les agents consultatifs, qui recommandent des actions soumises à l'approbation humaine ; (b) les agents tactiques, qui exécutent des actions préapprouvées dans des paramètres étroitement définis ; (c) les agents opérationnels, qui poursuivent des objectifs définis à travers des flux de travail à plusieurs étapes, avec des points de contrôle humains périodiques ; (d) les agents autonomes, qui fonctionnent en continu avec une supervision humaine minimale. Cette classification détermine le modèle d'identité approprié, les contrôles « humain dans la boucle », l'intensité de la surveillance et l'architecture d'annulation.

3. Traiter les agents comme des identités non humaines. Chaque agent doit disposer de sa propre identité, distincte de celle de tout utilisateur humain. Cette identité doit être soumise à : des autorisations circonscrites (moindre privilège), des identifiants limités dans le temps, la journalisation des actions, une séparation entre l'identité de l'agent et l'identité humaine à des fins d'audit, et une capacité de révocation. Le fait qu'un agent agisse sous les identifiants d'un utilisateur doit demeurer l'exception, non la norme, et l'utilisateur doit en être informé et y consentir.

4. Construire une couche d'assurance qualité continue. Les tests ponctuels sont insuffisants. La couche d'assurance qualité des agents nécessite une validation continue : surveillance du comportement, détection de la dérive, échantillonnage et examen des sorties, détection d'anomalies sur les actions entreprises, et intégration avec le centre des opérations de sécurité. C'est ce que l'APRA entend par une validation continue permettant de détecter à temps la dérive du modèle, les biais, les modes de défaillance ou les défaillances des contrôles, afin de pouvoir agir.

5. Définir une architecture d'annulation et d'arrêt d'urgence. Chaque agent en production doit disposer d'un processus documenté et testé permettant : d'arrêter l'agent en cours d'exécution ; d'annuler ou de compenser les actions entreprises ; d'isoler l'agent des systèmes auxquels il a accédé ; et de rétablir l'état antérieur au déploiement de l'agent. L'enquête Writer 2026 sur l'IA en entreprise a révélé que 35 % des cadres dirigeants reconnaissaient ne pas pouvoir « débrancher » immédiatement un agent IA devenu incontrôlable. Il s'agit là d'une lacune de contrôle fondamentale.

6. Mettre à jour la gouvernance au niveau du conseil d'administration. Le risque lié aux agents IA relève du conseil d'administration dans toute organisation où des agents sont déployés dans des processus en contact avec la clientèle, réglementés ou à fort impact. Les contrôles au niveau du conseil comprennent : un cadre dirigeant clairement désigné comme responsable du risque lié aux agents IA (généralement le directeur des risques, le directeur technique ou le responsable de la sécurité des systèmes d'information, selon l'organisation) ; un reporting régulier sur l'inventaire des agents IA et le flux d'incidents ; une formation des administrateurs à la culture de l'IA, indépendante des fournisseurs ; et une prise en compte explicite du risque de concentration lié aux agents IA dans les revues de risque des tiers.

Impact stratégique : ce que les agents IA changent pour l'organisation

Au-delà du travail de conformité immédiat, les agents IA produisent des effets stratégiques de second ordre, plus faciles à identifier en 2026 qu'à anticiper. Trois d'entre eux méritent d'être soulignés.

Premièrement, l'unité de la concurrence se déplace du processus vers le résultat. Lorsqu'un agent peut exécuter de façon autonome un flux de travail à plusieurs étapes, la position concurrentielle de l'organisation dépend moins de la documentation de ce flux que de l'atteinte du résultat. Cela valorise la mesure des résultats ainsi que l'infrastructure de données permettant d'attribuer les résultats à des actions précises.

Deuxièmement, l'organisation change de structure. Les échelons d'encadrement intermédiaire dont la fonction première était l'orchestration, l'allocation des tâches, la transmission de dossiers, le reporting d'avancement, l'escalade des exceptions, deviennent structurellement redondants là où des agents assurent ces fonctions. Ce n'est pas la même affirmation que « l'IA remplacera les travailleurs du savoir », qui reste contestée et largement spéculative. C'est une affirmation plus restreinte et plus défendable : les organisations qui déploient des agents avec succès fonctionneront avec des structures de coordination plus horizontales, parce que le coût de la coordination diminue.

Troisièmement, le risque de concentration fournisseur devient systémique. À mesure que Microsoft, Google, OpenAI, Anthropic et un petit nombre d'autres acteurs intègrent des capacités agentiques au cœur des outils de productivité, le tableau de dépendance de chaque organisation évoque celui du cloud il y a une dizaine d'années, mais avec un coût de changement de fournisseur nettement plus élevé. La lettre de l'APRA l'a explicitement signalé : « certaines entités fortement dépendantes d'un fournisseur unique pour de multiples cas d'usage de l'IA ». Une planification de continuité documentée, des stratégies de sortie et des tests de substitution ne sont plus optionnels.

Que faire maintenant

Pour les organisations partant d'une base peu développée, trois actions sont réalisables dans les 90 prochains jours et amélioreront sensiblement leur position en matière de gouvernance.

Premièrement : compléter l'inventaire des agents IA. Recenser chaque système en production répondant à la définition d'un agent, y compris les agents intégrés dans des solutions SaaS. Attribuer à chacun un propriétaire responsable. Cet artefact unique est précisément ce que l'APRA, l'ASIC et la plupart des autres régulateurs réclament désormais.

Deuxièmement : classer l'inventaire par niveau d'autonomie et par criticité pour l'activité, et identifier les agents qui fonctionnent au-delà du seuil de l'« approbation humaine par action ». Ce sont les systèmes qui exigent le plus d'attention.

Troisièmement : évaluer la capacité d'arrêt d'urgence et d'annulation pour les agents les plus critiques. Si la réponse à la question « pouvons-nous arrêter cet agent immédiatement et annuler ce qu'il a fait ? » n'est pas un oui assuré, c'est la première priorité de remédiation.

Pour les organisations plus avancées, la priorité se déplace vers la construction de la couche d'assurance qualité continue et l'alignement des fonctions d'audit, de risque et de sécurité afin de tester le comportement agentique plutôt que des modèles statiques. C'est structurellement plus difficile que le travail d'inventaire, et cela nécessite des investissements en outillage, en compétences et en refonte des processus. Les organisations qui réussiront seront celles qui traiteront la gouvernance des agents IA comme une infrastructure, et non comme une charge annexe, intégrée dès l'origine dans l'architecture, avec une responsabilité claire et des résultats mesurables.

Pour les entités des services financiers australiens en particulier, la lettre de l'APRA d'avril 2026 est le document de référence opérationnel. La lire attentivement, y compris les attentes détaillées pour chacun des quatre domaines d'observation, et conduire une évaluation structurée des écarts au regard de ces attentes, constitue la priorité immédiate à retenir. L'APRA a signalé que des contrôles prudentiels proportionnés, des activités thématiques et un engagement auprès des fournisseurs d'IA formeront un programme de supervision actif au cours des douze prochains mois. La fenêtre d'un engagement structuré précoce avec la Non-Financial Risk Team de l'APRA, que la lettre invite expressément, est ouverte dès maintenant, et produira une posture de supervision nettement plus favorable que le fait d'attendre d'être examiné.

Pour aller plus loin

Pour aller plus loin : OECD AI in the Public Sector