_Spot_None.svg)
L’anatomie cachée des freins architecturaux
Deux entreprises lancent le même jour des initiatives identiques en matière d'IA, en s'appuyant sur les mêmes compétences techniques, les mêmes modèles de langage et les mêmes budgets. À la fin du trimestre, la première entreprise aura déployé un agent prêt pour la production, s'appuyant de manière sécurisée sur des données opérationnelles en temps réel grâce à une mémoire de session structurée. Dix-huit mois plus tard, la deuxième entreprise reste enlisée dans une boucle pilote, en proie à des « hallucinations », à des pics de facturation cloud, à des dérives de données et à un pipeline qu’elle ne peut pas auditer.
Même talent. Mêmes modèles. Même budget. La seule variable est l’architecture choisie au départ. Cet écart a désormais un nom. Appelez cela le frein architectural, le poids cumulé qu’une pile fragmentée impose à chaque équipe qui tente d’intégrer l’IA.
De nouvelles recherches de l’IDC, commandées par MongoDB et menées dans 1 400 organisations dans huit marchés de la région Asie-Pacifique, indiquent que 43 % des équipes considèrent que les architectures existantes constituent un obstacle majeur. Par ailleurs, IDC prévoit que les équipes qui ne parviennent pas à résorber leur dette technique verront le taux d'échec de leurs projets d'IA augmenter de 50 % d'ici 2027.
« La partie la plus difficile de l'exécution d'agents en production n'est pas le modèle. C’est la couche de données sous-jacente. »
— CJ Desai, président et CEO de MongoDB
Selon Deloitte, 89 % des entreprises sont toujours bloquées dans des boucles pilotes. Seulement 11 % utilisent des systèmes agentiques en production. Le goulot d'étranglement provient rarement du modèle d'IA lui-même. Celui-ci provient de la sécurité verrouillée dans le back-end, de pistes d'audit non planifiées et de données en temps réel arrivant avec un léger retard.
_Spot_None-1.svg)
