Pourquoi le déploiement de l'IA en entreprise continue de buter sur la couche d'intégration : l'architecture qui permet de surmonter cet obstacle

En bref : Les programmes d'intelligence artificielle en entreprise piétinent principalement parce que l'architecture d'intégration est en retard par rapport aux capacités des modèles, et les organisations qui génèrent des retours mesurables ont toutes fait de la couche de connectivité leur principal investissement en infrastructure d'IA.

Le goulot d'étranglement réside dans l'architecture, indépendamment du modèle

Le débat sur l'intelligence artificielle (IA) en entreprise s'est principalement concentré sur le choix des modèles, l'ingénierie des prompts et l'identification des cas d'utilisation. Un ensemble cohérent de recherches met en évidence une autre variable comme principal facteur de différenciation entre les programmes d'IA qui génèrent des résultats et ceux qui se contentent de produire des rapports.

A Enquête McKinsey de mars 2025 Une enquête menée auprès de 1 491 dirigeants dans 101 pays a révélé que plus de 80% des personnes interrogées indiquent que l’IA générative génère un résultat avant intérêts et impôts (EBIT) inférieur au seuil d’attribution, seuls 17% attribuant au moins 5% de l’EBIT aux initiatives liées à l’IA. En novembre 2025, l’adoption de l’IA était devenue quasi universelle : un étude complémentaire de McKinsey On a recensé 88% d'organisations utilisant régulièrement l'IA dans au moins une fonction, contre 33% l'année précédente, tandis que seules environ 6% d'entre elles pouvaient être considérées comme très performantes, avec une contribution significative à l'EBIT.

L'écart entre l'adoption et l'impact correspond à l'écart d'intégration. McKinsey a évalué 25 critères de déploiement par rapport aux résultats en termes d'EBIT ; la refonte des processus de travail est arrivée en tête. Les entreprises très performantes en matière d'IA sont 2,8 fois plus susceptibles d'avoir fondamentalement repensé leurs processus de travail, avec 55% ayant procédé à cette refonte contre 20% parmi l'ensemble des entreprises. Les 79% restants superposent l’IA à des systèmes lisibles par l’homme et orientés processus, conçus pour des opérateurs humains plutôt que pour l’utilisation d’interfaces de programmation d’applications (API), et le système d’IA hérite ainsi de toutes ces contraintes de processus.

957 demandes, 271 TP3T connectés : quantifier le déficit d'intégration

Le Rapport de référence sur la connectivité MuleSoft 2026, réalisée auprès de 1 050 responsables informatiques, chiffre précisément l’ampleur de ce problème structurel. Une entreprise gère en moyenne 957 applications, dont seulement 27% sont connectées. Trente-six pour cent du temps des équipes informatiques est consacré à la conception, au développement et aux tests d’intégrations sur mesure. Quatre-vingt-deux pour cent des personnes interrogées citent l’intégration des données comme leur principal défi en matière d’IA, et 86% s’accordent à dire que les agents d’IA opérant dans des environnements déconnectés ajoutent davantage de complexité que de valeur.

La tendance observée chez MuleSoft l'année précédente vient renforcer cette inquiétude : la Rapport de référence sur la connectivité 2025 a enregistré une moyenne de 897 applications pour un taux de connectivité de 291 TP3T, tandis que 951 TP3T de responsables informatiques ont indiqué que l'intégration constituait un obstacle à la mise en œuvre de l'IA. La prolifération des applications s'accélère alors que le taux de connectivité stagne. Un Étude réalisée par IDC et Amazon Web Services Une enquête menée auprès de plus de 900 organisations a révélé que 46% considèrent l'intégration des systèmes comme le principal obstacle à l'IA agentique, tandis que 44% citent les limites en matière de sécurité des plateformes de données existantes. La moitié des agents d'IA fonctionnent actuellement en silos, agissant comme des solutions ponctuelles isolées plutôt que comme des systèmes multi-agents coordonnés.

La tendance est constante, toutes sources et toutes années confondues : le modèle d'IA est prêt ; l'environnement d'entreprise qui l'entoure doit toutefois être structuré de manière adéquate pour que sa valeur puisse se multiplier.

JPMorgan Chase commence par mettre en place la couche d'intégration

La mise en œuvre par JPMorgan Chase de Suite LLM illustre la séquence architecturale qui permet d’atteindre une telle échelle. LLM Suite, une plateforme de modèles linguistiques à grande échelle (LLM) développée en interne, intègre les modèles d’OpenAI et d’Anthropic aux bases de données internes de la banque, à son architecture de conformité et à ses flux de travail. Plutôt que de déployer des modèles auprès des collaborateurs en espérant qu’ils les adoptent, la banque a d’abord mis en place la couche d’intégration et de gouvernance, en créant un hub IA interne qui garantit le respect de la confidentialité des données et de la gouvernance interne avant même que toute interface destinée aux collaborateurs ne soit activée.

Les résultats illustrent les retombées de cette séquence. LLM Suite est passée de zéro à 200 000 utilisateurs en l’espace de huit mois après son lancement à l’été 2024, une ampleur qui confirme le pouvoir d’activation d’une architecture axée sur l’intégration. L’élément clé de cette architecture réside dans l’enchaînement des étapes : l’infrastructure d’intégration et de gouvernance a précédé le déploiement, et c’est de cet ordre que découle la valeur ajoutée. Les entreprises qui privilégient la rapidité de déploiement au détriment de la préparation à l’intégration se heurtent à un scénario alternatif : l’adoption stagne et l’impact sur l’EBIT reste en deçà du seuil mesurable.

Préparation des données : la condition indispensable au fonctionnement des systèmes d'IA

La deuxième contrainte structurelle s'applique au niveau de la couche de données. A Analyse de Gartner de février 2025 Une enquête menée auprès de 1 203 responsables de la gestion des données a révélé que 63% d'entre eux ne disposent pas de pratiques adéquates en matière de gestion des données prêtes pour l'IA ou restent dans le doute à ce sujet ; Gartner prévoit que 60% des projets d'IA dont les données présentent des lacunes structurelles seront abandonnés d'ici 2026.

Les systèmes d'IA, en particulier ceux qui utilisent des pipelines de génération augmentée par la recherche (RAG), nécessitent des produits de données structurés, régis et accessibles. Les processus d’extraction, de transformation et de chargement (ETL) qui transfèrent les données par lots pendant la nuit vers un entrepôt fournissent un contexte obsolète ; les agents d’IA qui effectuent des raisonnements sur les comptes clients, les niveaux de stock ou les expositions au risque ont besoin de flux de données en temps réel. Les architectures orientées événements construites sur des plateformes telles que Apache Kafka ou Azure Event Grid fournissent la couche de streaming que les architectures ETL par lots ne peuvent pas offrir en raison de leurs limites structurelles.

La dimension de la gouvernance des données ajoute une contrainte supplémentaire. Les référentiels cloisonnés par domaine font que les systèmes d’IA raisonnent dans les limites de chaque service, produisant des réponses cohérentes localement mais limitées globalement. Le paradigme du « data mesh », formellement théorisé dans arXiv:2402.04681, résout ce problème en réorganisant la propriété des données selon les domaines d'activité, chaque domaine étant responsable des produits de données dans le cadre d'accords de niveau de service définis.

Avec son initiative « 84,51° », Kroger fait des données prêtes pour l'IA une responsabilité sectorielle

84.51°, la filiale de Kroger spécialisée dans l’analyse de données, a déployé une architecture « data mesh » qui redistribue la propriété des données aux différents domaines métier. Les équipes chargées de la chaîne d’approvisionnement, du merchandising et de la relation client possèdent et gèrent chacune leurs propres produits de données, dans le respect d’engagements de qualité définis. Une couche « data fabric », reposant sur Databricks Unity Catalog et Alation, assure la gouvernance des métadonnées et fournit les connecteurs d’intégration qui permettent aux systèmes d’IA d’effectuer des raisonnements transversaux entre les domaines, tandis que chaque domaine reste responsable de la qualité de ses propres données, comme indiqué dans le Étude de cas du fournisseur Alation.

Cette architecture remplace le modèle de référentiel centralisé et cloisonné, dans lequel une équipe centrale gère l’ensemble des données et où les demandes d’IA s’accumulent derrière ce goulot d’étranglement. Dans le modèle géré par les domaines, les systèmes d’IA accèdent à des produits de données régulés via des interfaces standardisées, et la responsabilité de la qualité incombe aux équipes les plus proches des données. La couche « data fabric » agit comme un tissu conjonctif, transformant les produits de données gérés par domaine en un graphe de connaissances accessible à l’IA qui dépasse les frontières de l’entreprise. La mise en œuvre chez Kroger démontre que le « data mesh » fonctionne autant comme une stratégie de préparation à l’IA que comme une stratégie d’architecture de données.

La pile d'intégration de l'IA pour les entreprises émergentes

Dans la littérature spécialisée et la documentation architecturale, six défis liés à l'intégration reviennent systématiquement, chacun s'accompagnant d'une réponse architecturale correspondante. Le tableau ci-dessous met en correspondance ces différents niveaux avec les solutions actuellement utilisées en production.

La couche de traduction entre les grands modèles de langage (LLM) et les systèmes d'entreprise mérite une attention particulière, car elle se situe à la jonction entre le raisonnement de l'IA et les systèmes d'information d'entreprise. Les grands modèles de langage (LLM) s'attendent à des API structurées et produisent des résultats structurés ; les systèmes d'entreprise existants communiquent via des protocoles propriétaires, des appels de fonction à distance et des fichiers plats. Le Protocole de contexte de modèle (MCP) L'approche « gateway », annoncée par SAP lors du TechEd 2025, expose toutes les API SAP et les connexions héritées, y compris les points de terminaison BAPI et RFC de R/3, sous forme d'outils MCP destinés aux agents d'IA, offrant ainsi une couche de traduction standardisée entre l'environnement de raisonnement de l'IA et le système d'enregistrement de l'entreprise. Le Centre d'architecture SAP décrit le modèle de développement des agents d'IA sur la SAP Business Technology Platform. Microsoft’s Intégration de Copilot Studio et SAP traite ce même problème du côté de Microsoft.

Pour une orchestration plus globale au sein de l'entreprise, Noyau sémantique fournit la couche d'orchestration LLM qui gère les modèles d'agents séquentiels, concurrents et de transfert, avec une gestion de l'état basée sur les sessions et une télémétrie du middleware. Le Documentation sur les modèles de conception des agents Azure AI présente les options d'orchestration pour un déploiement en entreprise. Pour les systèmes fonctionnant entièrement en dehors de l'interface API, les passerelles d'automatisation robotisée des processus (RPA) assurent la continuité : Microsoft Copilot Studio Associé à Power Automate Desktop, il déploie des agents d'automatisation sur des machines virtuelles Azure, permettant ainsi à l'orchestration par IA d'interagir avec des interfaces héritées via l'automatisation de l'interface utilisateur lorsque aucune API moderne n'est disponible.

La couche « plateforme d'intégration en tant que service » (iPaaS) constitue le pilier de l'architecture de connectivité. Des plateformes telles que MuleSoft Anypoint et Services d'intégration Azure fournir un middleware axé sur l'API qui uniformise la communication au sein de l'ensemble des applications, avec le Guide d'architecture d'Azure Integration Services en fournissant les modèles de référence. Au niveau de la gouvernance, Salesforce’s Couche de confiance Einstein assure la liaison entre l'IA et les données de gestion de la relation client, en masquant les informations permettant d'identifier les personnes, en effectuant des contrôles de toxicité et en garantissant une conception sans persistance entre les sessions d'IA. Le Agentforce Ce cadre s'appuie sur ces bases pour connecter les agents d'IA aux données et aux flux de travail de l'entreprise au sein de l'environnement Salesforce.

L'investissement dans l'intégration comme principal critère de décision budgétaire en matière d'IA

Selon Gartner, Prévisions pour juin 2025 Le fait que plus de 40% de projets d'IA agentique soient annulés d'ici fin 2027 en raison d'une escalade des coûts et d'une valeur commerciale incertaine corrobore les constatations structurelles issues de l'ensemble de ces travaux de recherche. A Enquête Gartner Une enquête menée auprès de 140 hauts responsables de la chaîne d'approvisionnement entre octobre et novembre 2025 a révélé que 56% considèrent l'intégration des systèmes existants comme un défi majeur, tandis que seuls 17% s'engagent dans une refonte transformationnelle des flux de travail et que 83% appliquent l'IA de manière progressive aux structures de processus existantes.

L'analyse de ces données révèle une problématique structurelle. Les performances insuffisantes de l'IA en entreprise relèvent d'un problème d'intégration, et les organisations qui génèrent un EBIT durable grâce à l'IA sont celles qui considèrent l'architecture de connectivité comme leur principal investissement en infrastructure, réalisé avant ou parallèlement au déploiement des modèles. Les capacités des modèles ont atteint un niveau suffisant pour la majorité des cas d’utilisation en entreprise ; c’est l’environnement d’entreprise entourant le modèle qui constitue la contrainte déterminante pour les résultats. Un budget consacré à l’ajustement des modèles alors que la dette d’intégration s’accumule est un budget affecté au mauvais niveau de la pile technologique.

Les cas de JPMorgan Chase et de Kroger illustrent ce même principe sous des angles différents : l'un a mis en place la plateforme d'intégration avant d'activer l'interface d'IA ; l'autre a réorganisé la propriété des données afin que la couche d'IA puisse exploiter des produits de données régis et normalisés plutôt que des référentiels cloisonnés. Dans les deux cas, la décision relative à l'architecture d'intégration a été prise en premier lieu, ce qui a permis à chacune de ces entreprises d'atteindre une échelle significative.

Le pôle IA d'entreprise de Kainjoo considère que l'évaluation de l'état de préparation de la couche d'intégration constitue le premier élément à examiner lors de l'évaluation de tout programme d'IA, partant du principe que la voie la plus rapide vers des retours sur investissement mesurables passe par un audit de connectivité plutôt que par un exercice de sélection de modèles.

Références

1. McKinsey, “ L'état des lieux de l'IA : comment les organisations se réorganisent pour créer de la valeur ”, 12 mars 2025 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value
2. McKinsey, “ L'état des lieux de l'IA : agents, innovation et transformation ”, novembre 2025 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
3. Gartner, “ Le manque de données adaptées à l'IA met en péril les projets d'IA ”, 26 février 2025 — https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
4. Gartner, “ Une enquête révèle que l’intégration technologique et les compétences sont perçues comme des obstacles majeurs au déploiement à grande échelle de l’IA dans la chaîne d’approvisionnement ”, 29 avril 2026 — https://www.gartner.com/en/newsroom/press-releases/2026-04-29-gartner-une-enquête-révèle-que-l'intégration-technologique-et-les-compétences-sont-perçues-comme-des-obstacles-majeurs-au-déploiement-de-l'IA-dans-la-chaîne-d'approvisionnement
5. Gartner, “ Gartner prévoit que plus de 40% de projets d’IA agentique seront annulés d’ici fin 2027 ”, 25 juin 2025 — https://www.gartner.com/en/newsroom/press-releases/25/06/2025-gartner-prévoit-que-plus-de-40-pour-cent-des-projets-d’IA-agentique-seront-annulés-d’ici-fin-2027
6. MuleSoft/Salesforce, “ Rapport 2026 sur les performances en matière de connectivité ”, février 2026 — https://blogs.mulesoft.com/agentic-perspectives/connectivity-benchmark-report/
7. MuleSoft/Salesforce, “ Rapport de référence sur la connectivité 2025 ” — https://www.salesforce.com/blog/mulesoft-connectivity-benchmark-2025/
8. IDC/AWS, “ Adoption de l'IA agentique : 5 tendances clés qui stimulent la croissance des entreprises ”, 2025 — https://aws.amazon.com/isv/resources/agentic-ai-idc-study/
9. Blog officiel consacré à la technologie de JPMorgan Chase, 3 juin 2025 — https://www.jpmorganchase.com/about/technology/blog/llmsuite-ab-award
10. Alation, “ Comment Kroger tire parti du Data Mesh et du Data Fabric pour valoriser ses données ” — https://www.alation.com/blog/kroger-data-mesh-data-fabric-unlock-value/
11. SAP News Center, “ Les nouvelles fonctionnalités d'Agentic sur SAP BTP donnent aux développeurs les moyens d'affronter l'avenir ”, novembre 2025 — https://news.sap.com/2025/11/new-agentic-capabilities-sap-btp-supercharge-developers/
12. SAP Architecture Center, “ Créer des agents IA sur SAP BTP ” — https://architecture.learning.sap.com/docs/golden-path/ai-golden-path/build-and-deliver/build-ai-agents
13. Centre d'architecture Microsoft Azure, “ Intégration d'entreprise de base ” — https://learn.microsoft.com/en-us/azure/architecture/reference-architectures/enterprise-integration/basic-enterprise-integration
14. Microsoft Learn, “ Conception d'une architecture d'intégration ” — https://learn.microsoft.com/en-us/azure/architecture/integration/integration-start-here
15. Microsoft Learn, “ Introduction au noyau sémantique ” — https://learn.microsoft.com/en-us/semantic-kernel/overview/
16. Microsoft Learn, “ Modèles d'orchestration des agents IA ” — https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/ai-agent-design-patterns
17. Microsoft Learn, “ Conseils sur l'architecture de Copilot Studio ” — https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/architecture-overview
18. Microsoft Learn, “ SAP avec l'IA de Microsoft : présentation de Copilot Studio et de SAP ” — https://learn.microsoft.com/en-us/azure/sap/microsoft-ai/copilot-studio/copilot-with-sap-overview
19. Blog des développeurs Salesforce, “ Inside the Einstein Trust Layer ”, octobre 2023 — https://developer.salesforce.com/blogs/2023/10/inside-the-einstein-trust-layer
20. Développeurs Salesforce, “ Présentation d'Agentforce et de l'IA générative ” — https://developer.salesforce.com/docs/einstein/genai/overview
21. arXiv, “ Architectural Design Decisions for Self-Serve Data Platforms in Data Meshes ”, arXiv:2402.04681 — https://arxiv.org/pdf/2402.04681
22. MuleSoft, “ Anypoint Platform — Intégration d'entreprise ” — https://www.mulesoft.com/platform/enterprise-integration
23. Apache Kafka, “ Documentation ” — https://kafka.apache.org/documentation/