BLP#11 · Agents IA en production et méga-levée française à 1 Md$

Ce basculement simultané des principaux éditeurs révèle un consensus sur la maturité technique des agents autonomes pour la production. Les organisations qui ont construit une gouvernance anticipée des modèles, documenté leurs assets data via des catalogues unifiés (Unity Catalog, Purview), et établi des frameworks d'évaluation continue se trouvent mieux positionnées pour déployer ces capacités sans créer de Shadow AI. La question qui se pose pour les autres est celle du timing : attendre des standards de gouvernance stabilisés ou accepter une période de transition avec contrôles renforcés. Les cas BNP Paribas (HelloïZ v2) et les tests Databricks montrent que le doublement des taux de succès (32% à 77%) change fondamentalement l'équation coût-bénéfice de l'automatisation des tâches data complexes. Pour ceux qui pilotent encore majoritairement via assistance humaine, l'écart de productivité avec les concurrents adoptant ces agents pourrait devenir structurel d'ici 12 à 18 mois.

Ces déploiements illustrent trois patterns distincts d'adoption. Le modèle BNP Paribas privilégie la souveraineté européenne (Mistral AI) avec montée en charge progressive (FAQ vers transactions autonomes). Le modèle Canal+ adopte une approche multi-fournisseurs (Google Cloud pour extraction de données, OpenAI pour recherche/recommandation) avec spécialisation par cas d'usage. Le modèle Icade/Bouygues Telecom construit d'abord l'infrastructure de gouvernance (Data Plateforme, catalogues) avant d'accélérer les déploiements métiers. Pour ceux qui pilotent encore en mode POC dispersés, ces cas montrent que la gouvernance anticipée (catalogage, qualité, conformité) devient un prérequis au passage en production à large échelle. La question du choix technologique (modèles européens vs américains, mono vs multi-fournisseurs) se pose désormais moins en termes de capacités techniques qu'en termes de stratégie de dépendance et de résilience opérationnelle.

La convergence technologique autour de l'architecture Lakehouse avec intégration native d'agents IA (Genie Code) et de capacités vectorielles à grande échelle redéfinit les attentes de performance et de coût. Les organisations qui ont misé sur des architectures propriétaires fermées ou des data warehouses traditionnels font face à un écart croissant sur trois dimensions : coût (réduction 7x sur le vectoriel, 70% sur le serverless), performance (amélioration 20x indexation, 80% calcul), et time-to-value (création workspace en minutes vs jours/semaines). Le cas Norges Bank Investment Management (réduction runtimes 30-40% avec dbt Fusion) montre que même les institutions financières globales les plus conservatrices migrent vers ces stacks modernes. Pour ceux qui opèrent encore des architectures cloisonnées (data warehouse séparé du data lake, stockage couplé au calcul, pas de capacités vectorielles natives), la question n'est plus de savoir si migrer mais combien de temps l'écart de TCO reste soutenable face à la pression budgétaire.

La convergence de trois dynamiques crée une surface d'attaque en expansion rapide. Premièrement, les agents IA autonomes introduisent des vecteurs de compromission inédits (prompt injection sur chaînes d'actions, exploitation de contexte métier via catalogues, escalade de privilèges via APIs). Deuxièmement, l'hybridation entre acteurs étatiques et cybercriminels augmente la sophistication et la persistance des attaques. Troisièmement, le déploiement précipité d'outils IA non sécurisés (cas McDonald's McHire) et la prolifération de Shadow AI (82% des CIO signalent création agents plus rapide que gouvernance IT) multiplient les points d'entrée. Les organisations qui ont séparé la sécurité IA de leur SOC traditionnel ou n'ont pas encore intégré l'évaluation continue des agents (type Quotient AI) se trouvent en position de vulnérabilité structurelle. Le guide Databricks sur le framework Agents Rule of Two de Meta montre que la sécurisation des agents nécessite des contrôles spécifiques absents des pratiques AppSec classiques. Pour ceux qui déploient des agents en production sans threat modeling dédié, le cas BlackSanta (ciblage RH via faux CVs) illustre comment des processus métiers digitalisés deviennent des vecteurs d'attaque privilégiés.

L'amplitude des financements (1 Md$ pour AMI Labs, 32 Md$ pour Wiz) révèle une polarisation extrême du marché IA entre méga-paris technologiques (world models JEPA vs LLM) et consolidations défensives (cybersécurité, gouvernance agents). La stratégie de financement circulaire de Nvidia (2 Md$ dans Nebius pour stimuler ses ventes de GPU) crée une dynamique de marché artificielle qui pourrait fragiliser l'écosystème cloud IA en cas de correction. Pour les CDO des grands comptes, trois signaux contradictoires émergent : les world models d'AMI Labs promettent une rupture avec les LLM actuels (compréhension du monde physique pour robotique/industrie), mais les déploiements immédiats se concentrent sur les LLM existants (BNP Paribas, Canal+). La chute de 10 licornes françaises (effacement 11 Md€) contraste avec les méga-levées IA, suggérant une redistribution des capitaux vers des technologies de rupture au détriment des modèles SaaS traditionnels. Les organisations qui ont diversifié leurs partenariats technologiques plutôt que de tout miser sur un seul fournisseur (approche multi-modèles Canal+ : Google Cloud + OpenAI) semblent mieux positionnées face à cette volatilité.