Déploiement d'agents IA à l'échelle de l'entreprise : quand une contradiction documentaire devient un défaut de série

Cisco ouvre MyAgent à 90 000 salariés. À l'échelle du pilote, l'utilisateur détecte l'anomalie. À 100 % de l'effectif, le détecteur disparaît.

Le 27 août 2026, Cisco a annoncé le déploiement de MyAgent à l’ensemble de ses quelque 90 000 salariés : un agent personnel, adossé à la plateforme interne Circuit, capable de déclencher plus de 800 sous-agents et d’exécuter des enchaînements de tâches supervisés à travers la messagerie, la gestion de projet et les espaces documentaires de l’entreprise.

C’est l’un des premiers déploiements d’agents à l’échelle de la totalité d’un effectif, documenté publiquement par l’entreprise elle-même. Ce qui est transférable ici n’est pas l’architecture d’un éditeur technologique qui construit sa propre plateforme : c’est le passage de quelques centaines d’utilisateurs pilotes à 100 % des salariés, une bascule qui arrivera aux grands groupes non-tech par la voie plus banale de la suite bureautique déjà achetée. La thèse de cet article tient en une phrase : cette bascule change la nature du risque documentaire, parce qu’une contradiction lue une fois par un humain devient une contradiction rejouée en continu par des sous-agents qui ne doutent pas.

Ce texte s’adresse à un lecteur précis : le CDO ou le CTO d’un grand groupe qui a déjà validé le principe d’un assistant interne et se trouve devant la décision de l’ouvrir à l’ensemble des métiers. Si votre déploiement est encore restreint à une direction pilote, l’argument tiendra dans six mois, il ne mord pas encore. À l’échelle du pilote, l’utilisateur est lui-même le détecteur d’anomalies : il connaît son domaine, il voit passer une réponse douteuse, il la signale. Le déplacement à retenir est là. Ouvrir l’agent à tous les métiers en même temps ne dégrade pas le corpus, cela supprime le détecteur.

Deux réponses instinctives se présentent avant même la question du corpus, et il vaut mieux les nommer tout de suite : le référentiel documentaire maison, avec son plan de classement et ses propriétaires désignés, et l’outil déjà acheté qui semble couvrir le périmètre — data catalog, système de gestion documentaire, plateforme de gouvernance des données. Nous y revenons plus bas, car ni l’un ni l’autre ne répond à la question posée ici.

Un test tient en une demi-journée et ne demande aucun outil. Prenez les cinq questions que votre futur agent recevra le plus souvent — un point de politique de frais, une règle de remise commerciale, un seuil de validation d’achat. Posez chacune à deux directions différentes, et demandez le document qui fait foi. Le nombre de fois où vous obtenez deux documents distincts, tous deux en vigueur, est votre point de départ.

Trois articles récents de ce blog touchent des registres voisins et la distinction mérite d’être posée tout de suite. Celui du 14 août portait sur les pilotes agentiques qui n’atteignent jamais la production ; le présent article traite du cas symétrique, celui qui l’atteint et se généralise. Celui du 31 août portait sur la trace laissée par un agent lorsqu’il tranche. Celui du 2 septembre portait sur ce qu’une tâche agentique coûte à chaque exécution. Le sujet ici est distinct des trois : l’effet de l’échelle de déploiement sur la gravité d’un même défaut documentaire, indépendamment de son coût unitaire comme de sa traçabilité.

Ce que le déploiement Cisco démontre, et ce qu’il ne dit pas

Créditons le dispositif dans sa meilleure forme, parce que c’est le seul moyen d’en situer la frontière. MyAgent ne s’exécute pas dans le vide : il repose sur une plateforme d’entreprise gouvernée, avec des modèles approuvés, des connecteurs qui portent les permissions de chaque salarié, et une supervision humaine annoncée sur les enchaînements de tâches. C’est l’un des dispositifs les plus aboutis publiquement décrits à cette date sur le volet accès.

Cette architecture répond à deux questions : qui a le droit d’invoquer quoi, et sous quelle supervision. Elle n’en traite pas une troisième, qui est la nôtre : parmi les documents que les connecteurs rendent légitimement accessibles, lesquels se contredisent, lesquels ont été remplacés sans être retirés, lesquels n’ont plus de propriétaire identifiable. Un connecteur à permissions vérifie qu’un salarié a le droit de lire une procédure. Il ne vérifie pas qu’elle fait encore autorité.

L’ordre de grandeur du gisement est connu et stable : la littérature d’analystes situe la part de données non structurées dans le patrimoine informationnel d’une entreprise dans une fourchette de 70 % à 90 %. Ce qui a changé en 2026, c’est l’écart de préparation entre les deux moitiés de ce patrimoine. Une étude Hyland conduite avec Harvard Business Review Analytic Services en 2026, relayée par CDO Magazine, mesure que 65 % des dirigeants interrogés estiment leurs données structurées prêtes pour l’IA, contre 39 % pour leurs données non structurées. Cet écart est documenté depuis plusieurs années. Ce qui change en 2026 est son exposition : un déploiement à 100 % de l’effectif le met à l’épreuve à chaque exécution, dans tous les métiers en même temps.

Ce que l’échelle change à un même défaut documentaire

Le phénomène porte un nom utilisable en comité : le défaut de série, c’est-à-dire une contradiction unique du corpus qui se reproduit à l’identique à chaque exécution parce que rien, dans la chaîne, ne la perçoit comme une contradiction. La mécanique est simple. Tant qu’un humain consulte, deux documents valides et divergents produisent une réponse discutable, à un moment donné, devant une personne qui peut hésiter, demander confirmation, remonter l’anomalie. Quand des centaines de sous-agents lisent le même référentiel en continu pour préparer des décisions, la même divergence produit une série d’écarts cohérents entre eux et jamais signalés, parce qu’aucun agent ne perçoit avoir arbitré : il a classé, il a retenu le mieux noté, il a poursuivi.

Cela se compte, et le comptage est le seul geste qui produise un chiffre défendable. Sur le référentiel d’un groupe industriel du CAC 40 que nous avons audité, 32 % de la base était constituée de doublons divergents : deux versions d’un même contenu, toutes deux accessibles, disant deux choses différentes. Ils ont été remontés en deux semaines et résolus en six, par les experts métier eux-mêmes.

La portée exacte de cette mesure mérite d’être posée. Elle établit la prévalence : dans un patrimoine documentaire réel de grand groupe, la proportion de contenus qui se contredisent se mesure en dizaines de points, et aucun de ces cas n’était visible sans les compter. Elle reste muette sur le taux de décisions fausses côté agent, et multiplier l’un par l’autre serait une erreur : la fréquence à laquelle un agent tombe effectivement sur une paire divergente dépend des questions qu’il reçoit et du périmètre qu’il lit. Ce lien reste une hypothèse de travail, et il s’instruit de manière élémentaire : sur les cent requêtes les plus fréquentes adressées à votre assistant, vérifiez combien portent sur un sujet où votre corpus contient déjà deux réponses en vigueur.

Reprenons les deux réponses instinctives évoquées plus haut. Le référentiel maison décrit l’état souhaité du patrimoine à un instant théorique, là où la question porte sur son état réel à une date donnée. Les outils déjà en place — data catalog, plateforme de gouvernance, système de gestion documentaire — inventorient des actifs, des schémas et des droits ; ils ne lisent pas le contenu de deux procédures pour établir qu’elles disent l’inverse l’une de l’autre.

Ce qu’une Document Knowledge Platform gouverne en amont du déploiement

C’est le travail que couvre une Document Knowledge Platform (DKP) : gouverner, nettoyer et activer (Govern / Clean / Activate) le patrimoine documentaire non structuré, c’est-à-dire établir quels documents font autorité, qui en est responsable, quelle version est en vigueur, et où le corpus se contredit lui-même. La discipline s’exécute en amont de la couche agentique. Une DKP se distingue d’un moteur de recherche d’entreprise, d’une plateforme d’agents et d’un catalogue de données, et n’a pas vocation à en devenir un : elle prépare le terrain sur lequel ces briques s’exécutent.

Une remarque de vocabulaire, pour éviter un malentendu de catégorie. Le terme employé plus haut est emprunté au langage de la qualité industrielle parce qu’il décrit bien la mécanique. Une DKP se vend néanmoins comme une couche de qualité documentaire en amont de l’IA, et non comme un système de management de la qualité ou un module de conformité. Ce vocabulaire sert de canal de visibilité vers un problème documentaire ; il ne définit pas la catégorie.

Une précision de périmètre s’impose ici, parce qu’elle conditionne l’instruction du dossier côté RSSI et DPO. L’analyse porte sur du contenu documentaire — procédures, contrats, politiques internes, documentation technique et documentation client. Elle n’ingère ni transcripts de conversations avec un assistant, ni journaux d’usage, ni télémétrie applicative. Le périmètre d’ingestion est contractuel, et le contenu analysé n’est pas réutilisé pour entraîner des modèles.

Un dernier point sur la temporalité, car il est la principale erreur d’ordonnancement observée sur le terrain. Le nettoyage se conduit comme une opération continue plutôt que comme un préalable qui se solde une fois : un corpus se dégrade à mesure qu’il vit, et le rythme de production documentaire s’accélère précisément parce que les assistants génèrent, eux aussi, des documents. La séquence qui tient est celle-ci : auditer avant d’ouvrir les droits, nettoyer par priorité de criticité, puis surveiller en continu la réapparition des contradictions.

Ce que le cadre réglementaire exige déjà, et ce qui est reporté

Une note de calendrier, revérifiée à date. Le règlement européen sur l’IA a été amendé par le règlement (UE) 2026/1744, publié au Journal officiel le 24 juillet 2026 et entré en vigueur le 27 juillet 2026 : les systèmes à haut risque relevant de l’Annexe III basculent au 2 décembre 2027, ceux relevant de l’Annexe I au 2 août 2028.

Ce report ne libère de rien sur le périmètre en vigueur. Les obligations de transparence s’appliquent depuis le 2 août 2026, et la répartition des rôles reste inchangée : la conception des capacités de journalisation incombe au fournisseur du système, tandis que la conservation des journaux et la supervision humaine effective incombent au déployeur, c’est-à-dire à l’entreprise qui ouvre l’agent à l’ensemble de ses salariés. Aucun fournisseur ne peut attester à votre place que les documents lus par son agent faisaient autorité le jour où il a tranché.

Conclusion : auditer, nettoyer, surveiller

Le déploiement d’agents à l’échelle de l’entreprise est un bon projet, et il n’y a aucune raison de le retarder. Il y a une raison de le préparer autrement. À l’échelle d’une direction pilote, la qualité du corpus reste un sujet d’amélioration continue. À l’échelle de la totalité de l’effectif, elle devient une condition d’exploitation, au même titre que les permissions et la disponibilité.

Reprenez le test de la demi-journée : cinq questions, deux directions, un document qui fait foi. Si vous obtenez plus d’une réponse divergente sur cinq, vous venez de mesurer un échantillon. La question qui suit est de savoir combien de divergences comparables se trouvent dans l’ensemble du corpus que votre agent lira, et la seule façon honnête d’y répondre est de les compter.

Foire aux questions

Notre plateforme d’agents applique déjà les permissions de chaque utilisateur. Cela ne suffit-il pas ?

Les permissions déterminent ce qu’un agent a le droit de lire. Elles ne déterminent pas si ce qu’il lit est à jour, unique et faisant autorité. Deux documents contradictoires parfaitement autorisés restent deux documents contradictoires.

Nous avons déjà un data catalog et un programme de gouvernance des données. Où se situe la différence ?

Un data catalog inventorie des actifs, des schémas et des responsabilités. Une Document Knowledge Platform lit le contenu des documents pour établir lesquels se contredisent, lesquels ont été remplacés sans retrait, et lesquels n’ont plus de propriétaire. Les deux se complètent, sur deux objets différents.

Faut-il nettoyer tout le corpus avant d’ouvrir l’agent à tous les métiers ?

Non, et ce serait le meilleur moyen de ne jamais déployer. La séquence utile consiste à auditer d’abord le périmètre que l’agent lira réellement, à traiter par priorité de criticité, puis à surveiller la réapparition des contradictions dans la durée.

Que se passe-t-il pour la confidentialité pendant un diagnostic ?

Le périmètre d’ingestion est défini contractuellement et se limite au contenu documentaire : ni transcripts de conversations, ni journaux d’usage, ni télémétrie. Le contenu analysé n’est pas réutilisé pour entraîner des modèles. Le cadrage se valide conjointement avec le Document Owner métier et le RSSI ou le DPO, jamais avec la seule DSI.

Combien de temps faut-il pour obtenir un premier ordre de grandeur ?

Sur le référentiel d’un groupe industriel du CAC 40, les doublons divergents ont été remontés en deux semaines et résolus en six par les experts métier. Le diagnostic d’entrée, lui, se conduit en dix jours ouvrés sur un périmètre défini.

Sources

Pour aller plus loin

K-AI Corpus Diagnostic — 10 jours ouvrés. Nous comptons les contradictions et les doublons divergents de votre corpus, et nous vous remettons le rapport des 20 anomalies les plus critiques, avec le propriétaire métier vers qui router chacune. Garantie remboursement si aucune anomalie valable n’est détectée. Pour compter les divergences du corpus avant d’ouvrir l’agent à tous les métiers, contactez l’équipe K-AI : contact@k-ai.ai. Le périmètre de chaque diagnostic est validé conjointement par le Document Owner métier et le RSSI/DPO, jamais par la seule DSI.

K-AI accompagne déjà CMA CGM, Veolia, PwC, BNP Paribas, TotalEnergies et CEVA Logistics. Partenaires : AWS, Snowflake, Microsoft, Wavestone, Devoteam.