Pourquoi un POC d'agent IA met 12 mois à passer en production : intégration, QA et achats en parallèle
November 6, 2026
Un POC d'agent IA met environ 12 mois à passer en production parce que trois voies de travail doivent aboutir avant la mise en production : le travail produit, le travail commercial et le travail de gouvernance et de conformité. Selon des données Omdia présentées lors d'IBM TechXchange, il faut en moyenne environ 12 mois pour passer d'un POC réussi à la production, et seules 22 % des entreprises utilisent des agents en production critique [1].
Le POC lui-même devrait durer en général six à huit semaines. Assembler quelque chose est assez facile tant que personne ne regarde la gouvernance ou la conformité, et ce délai suffit pour valider la valeur créée. Ensuite, le travail se répartit en voies parallèles, et chacune peut retarder la production.
Après un POC d'agent IA, il reste en général un vrai travail produit : élargir les cas d'usage, ajuster l'expérience utilisateur, intégrer l'agent aux systèmes existants, le tester et le déployer. Le POC se situe au début de cette voie produit, et le déploiement en fait aussi partie.
L'intégration représente une grande part de ce travail, et chaque projet d'agent IA doit la prévoir. Dans les grandes entreprises en particulier, de nombreux systèmes existants doivent être intégrés au nouveau système, ou l'inverse. D'après mon expérience, plus l'entreprise est petite, moins il y a de systèmes et de complexité.
Les tests et la QA prennent aussi beaucoup de temps. Pour le POC, on ne dispose que d'un petit ensemble de cas très clairs. Ensuite, on élargit les cas d'usage peu à peu. À chaque étape, il faut trouver les cas limites, les corriger et tester à nouveau. C'est là que part une grande partie du temps, et cela doit figurer dans le plan dès le départ.
À côté de la voie produit, deux autres voies freinent un POC IA. La voie gouvernance et conformité règle qui maintient l'agent et qui s'en occupe une fois l'équipe projet partie, et elle couvre la conformité et la protection des données. Le choix du déploiement, qui relève de la voie produit, l'alimente : l'agent tourne-t-il dans le compte Microsoft Azure ou AWS de l'entreprise, ou chez un éditeur SaaS tiers ?
La voie commerciale, ce sont les achats, et elle peut rendre tout le chemin très, très long. Lorsque la solution exige l'achat d'un nouveau SaaS, tout le cycle d'achat démarre et le service achats entre en jeu. IBM travaille dans un secteur très spécifique, mais j'ai vu le même schéma dans de nombreux secteurs : les projets s'enlisent dans le cycle d'achat.
Les services achats, conformité et contrats bloquent les projets d'agents IA parce que la plupart d'entre eux connaissent encore mal, cette année, les implications de ces systèmes d'IA en matière de confidentialité, de gouvernance et de responsabilité.
Un exemple tiré de ma pratique : nous avons vendu à des clients un logiciel en SaaS qui utilise OpenAI. Le service juridique du client voulait que nous prenions en charge toute la responsabilité qui découle, au final, du modèle. Pour un grand éditeur, cela se négocie peut-être. Pour beaucoup d'entreprises, et surtout pour les petits éditeurs SaaS, c'est tout simplement impossible. C'est une couche de complexité supplémentaire.
Un POC IA ne doit pas passer en production s'il échoue sur la valeur, sur le gain de temps ou sur le coût d'exploitation. Je vérifie ces trois critères dans cet ordre.
La valeur au niveau de la qualité. L'agent doit atteindre la qualité que la tâche exige. Beaucoup font l'erreur de croire qu'il doit être parfait. Aujourd'hui, des humains font ce travail, et ces humains ne sont pas parfaits non plus. Les agents humains n'ont pas toujours raison. Parfois, petite plaisanterie, ils hallucinent aussi. La référence est la qualité actuelle, pas la perfection.
Le gain de temps. Si l'agent demande tellement d'humain dans la boucle que le temps gagné est presque nul, il n'est pas assez bon.
Le coût d'exploitation. Le coût est le plus gros problème. Il ne s'agit pas de l'implémentation ponctuelle, mais de l'exploitation : lorsque l'agent consomme tant de tokens et tant de recherches dans des bases de connaissances que chaque exécution coûte plus que ce qui est raisonnable.
D'après ce que je vois dans les entreprises de taille moyenne, 22 % semble correct [1]. Le chiffre dépend moins de la technologie que de la personne qui porte le projet.
Quand je travaille avec des personnes très haut placées dans l'organisation et avec quelqu'un du métier qui utilisera réellement l'agent, les chances d'atteindre la production sont bien plus élevées. Quand un département innovation pilote le projet, elles sont plus faibles. C'est mon expérience personnelle.
Chez JadenX, le premier agent commence par une décision sur le cadre, pas sur le modèle. Nous cherchons à éliminer toute la charge liée à la conformité et à la gouvernance en prenant une seule décision technologique de haut niveau dès le départ. Par exemple, si un client déploie déjà sur Microsoft Azure, l'agent y est déployé, et cela suffit en général.
Ensuite, nous nous concentrons uniquement sur le cas d'usage. Nous le peaufinons et le rendons aussi bon que possible. Cela inclut le travail produit : les cas d'usage, l'intégration aux systèmes existants et la QA sur les cas limites. Et ainsi, la plupart des agents que nous construisons passent réellement en production.
Avant de lancer un POC, une entreprise doit décider où l'agent tournera, qui en sera responsable et quel service l'utilisera. Le travail produit après le POC doit aussi figurer dans le plan, surtout l'intégration aux systèmes existants et la QA quand les cas d'usage s'élargissent.
Combien de temps doit durer un POC IA ?
D'après l'expérience de Dr. Marcel Müller, six à huit semaines en général, car la valeur peut être validée avant que la gouvernance et la conformité n'entrent en jeu.
Pourquoi les pilotes IA restent-ils bloqués avant la production ?
Ils restent bloqués dans trois voies parallèles : le travail produit après le POC (plus de cas d'usage, UX, intégration aux systèmes existants, QA sur les cas limites, déploiement), les achats, où le juridique peut exiger de l'éditeur toute la responsabilité liée au modèle, et la gouvernance, la conformité et la protection des données.
Pourquoi l'intégration est-elle une grande part d'un projet d'agent IA ?
Dans les grandes entreprises, de nombreux systèmes existants doivent être intégrés au nouveau système d'agents, ou l'inverse. D'après l'expérience de Dr. Marcel Müller, plus l'entreprise est petite, moins il y a de systèmes et de complexité.
Selon quels critères arrêter un POC IA ?
S'il n'atteint pas la qualité que les humains fournissent aujourd'hui, s'il exige tant d'humain dans la boucle qu'il ne fait presque pas gagner de temps, ou si son coût d'exploitation en tokens et en recherches documentaires n'a pas de sens.
Comment mettre un agent IA en production plus vite ?
Prendre une décision de déploiement de haut niveau au départ, par exemple le compte cloud que l'entreprise utilise déjà, puis concentrer tout l'effort sur la qualité du cas d'usage.
Qui doit porter un projet d'agent IA ?
Une personne de haut niveau issue du service qui utilisera l'agent. Selon Dr. Marcel Müller, ces projets atteignent la production bien plus souvent que ceux pilotés par un département innovation.
[1] Torsten Volk, "IBM TechXchange 2026: Agents scale when the model has less to guess", TechTarget, 3 nov. 2026. https://www.techtarget.com/news/ibm-techxchange-2026-agents-scale-when-the-model-has-less-to-guess/873672/
[2] Cet article a été rédigé avec l'aide de l'IA à partir des réponses vocales de Dr. Marcel Müller. Toutes les opinions sont les siennes.
Pour un POC qui fonctionne mais attend encore la production, ou pour un premier agent en préparation, un premier échange gratuit avec moi est possible. Ensemble, nous vérifions la décision de cadre, l'effort d'intégration, les trois critères de mise en production et le chemin le plus rapide, et nous choisissons le package de transformation JadenX adapté.
