Les déploiements d’agents IA en production révèlent des tendances clés en matière de conception, d’évaluation et d’adoption par les développeurs. Contrairement à l’image d’agents autonomes complets et omniprésents, les pratiques réelles s’orientent vers une autonomie strictement encadrée, où les systèmes IA opèrent dans des environnements contrôlés, limitant les risques d’erreurs imprévues ou de biais éthiques. Cette approche, appelée autonomie serrée, est largement privilégiée : 68 % des agents exécutent au plus 10 étapes avant de nécessiter une intervention humaine, et 46,7 % n’effectuent pas plus de cinq appels à un modèle avant d’être supervisés. L’évaluation des performances reste majoritairement informelle, basée sur l’appréciation humaine ou l’usage d’un modèle de langage comme juge (LLM-as-a-judge), utilisé par 52 % des équipes. Seulement 74 % des organisations s’appuient sur une évaluation humaine, ce qui souligne un manque de benchmarks formels et d’outils d’évaluation standardisés, freinant la scalabilité et la confiance dans les systèmes. Un changement notable concerne le type d’applications ciblées : les développeurs privilégient désormais les workflows à faible contrainte de latence, où les délais d’exécution ne sont pas critiques. Cela permet de se concentrer sur des tâches non urgentes, comme le traitement par lots ou l’analyse de données, plutôt que sur des réponses instantanées à haute enjeu. Cette tendance favorise la robustesse et la fiabilité, essentielles pour une intégration durable. En matière de modèles, l’usage de grands modèles de langage (LLM) commerciaux « prêts à l’emploi » domine largement, avec 70 % des équipes se contentant de prompting sans adaptation fine (fine-tuning) ni hébergement privé. Cette approche accélère le prototypage, mais soulève des questions sur la personnalisation à long terme, la sécurité des données et la dépendance aux fournisseurs. Les applications internes l’emportent largement sur les solutions orientées client, avec des agents machine-à-machine représentant seulement 7 % des déploiements. Cela tempère l’excitation autour de vastes écosystèmes d’agents interconnectés, qui restent encore peu répandus. Enfin, les équipes préfèrent construire leurs propres cadres logiciels plutôt que d’adopter des solutions tierces. Cette stratégie, bien qu’elle permette un meilleur contrôle et une adaptation précise aux besoins, augmente la charge de maintenance, notamment en raison de l’évolution rapide des modèles et des changements fréquents dans les fonctionnalités. En somme, la fiabilité demeure le défi principal, lié à la difficulté d’assurer et d’évaluer la correction des agents IA. Ces constatations, issues d’une étude menée auprès de 306 praticiens et de 20 études de cas approfondis dans 26 domaines, montrent que les organisations privilégient des approches simples, structurées et humainement supervisées, où l’IA sert d’outil d’assistance plutôt que d’acteur autonome.