RAG : seuls 34 % des agents IA passent en production

Production limitée. Une enquête menée auprès de 300 dirigeants des données, de l’IA et des technologies mesure la capacité des entreprises à fournir un contexte complet aux agents IA. En moyenne, seulement 34 % des projets d’agents IA passent en production. Les systèmes de données historiques, les préoccupations de sécurité et de confidentialité, ainsi que le manque de connaissances et de contexte figurent parmi les principaux points de rupture. Le rapport distingue trois dimensions nécessaires aux agents : les connaissances sémantiques, la mémoire épisodique et les connaissances procédurales. Elles doivent aider les agents à comprendre les données, raisonner sur des situations, prendre des décisions et exécuter des actions.

Contexte organisationnel. Le rapport présente le manque de connaissances comme une raison importante pour laquelle des cas d’usage agentiques ne dépassent pas le stade du projet. Les organisations cherchent pourtant à déployer davantage ces projets afin de bénéficier des gains d’efficacité associés à l’IA. Le groupe des dirigeants de production obtient un résultat différent : 61 % des projets d’agents avancent en moyenne au-delà du pilote. Ce groupe possède des capacités de connaissance plus solides que les autres organisations, particulièrement sur le volet sémantique. Le rapport établit ainsi une corrélation entre ces capacités et un taux de passage en production plus élevé. La présentation de Neo4j détaille l’approche de couche de connaissances.

Les projets d’agents restent bloqués

Données fragmentées. La fragmentation des données constitue le défi le plus souvent cité pour élargir l’accès des agents aux connaissances. Elle est mentionnée par 55 % des répondants. Cette fragmentation correspond au partage insuffisant des données entre les systèmes. Elle complique donc l’accès des agents au contexte nécessaire pour interpréter leurs entrées. Les dirigeants de production identifient toutefois une autre priorité : 72 % d’entre eux citent les préoccupations de sécurité et de confidentialité comme un problème majeur. Le rapport distingue ainsi deux difficultés selon les organisations. Les entreprises doivent améliorer la circulation des connaissances, tandis que les leaders de production accordent une attention particulière aux contrôles associés aux données accessibles aux agents.

Fondations renforcées. Les dirigeants interrogés attendent le plus grand impact d’un renforcement du lien structurel entre les données de l’organisation et ses agents IA. Les experts interrogés considèrent une couche de connaissances comme une méthode prioritaire pour établir ce lien. Cette couche doit fournir davantage de contexte aux agents lorsqu’ils ingèrent et exploitent des données d’entreprise. Le rapport relie cette amélioration attendue à la qualité des décisions prises par les agents. Il ne présente toutefois pas cette orientation comme un résultat déjà obtenu. Les organisations évaluent encore les mesures capables d’augmenter l’accès aux connaissances et de faire progresser davantage de cas d’usage vers la production.

Les investissements ciblent les connaissances

Priorités d’investissement. Les organisations prévoient d’investir dans plusieurs technologies pour élargir l’accès des agents aux connaissances. Les priorités citées comprennent les technologies de recherche, notamment les pipelines d’ingestion, les API adaptées à l’IA et la génération augmentée par récupération, ou RAG. Les entreprises s’intéressent également aux agents d’évaluation de l’IA et aux graphes de connaissances. Ces choix répondent à un objectif déclaré : renforcer la qualité des décisions des agents grâce à une meilleure base structurelle. Le site de Neo4j présente les graphes de connaissances comme une technologie liée à cette architecture. Le rapport est également accessible via MIT Technology Review.