Agents IA en entreprise, guide du recrutement 2026 — 1/7 : Pourquoi les agents IA changent tout

Ce que cette série explore

Série « Agents IA en entreprise » — Article 1/7. Par Florent Cattaneo et Benoît Binachon, associés Uman Partners.

1. L’histoire des organisations Data de 2012 à nos jours (cet article)
D’où nous venons — et ce que treize ans d’évolution des organisations data nous apprennent sur ce qui arrive. Et surtout : ce que l’IA ne change pas — le tableau de bord (la mesure) et la boussole (la décision humaine).

2. Ce que l’IA change vraiment dans les équipes data (et au-delà)
L’impact concret sur la taille des équipes, les nouveaux modes de collaboration homme-machine, l’émergence du profil full-stack.

3. IA Générative vs. IA Agentique : ne confondez pas l’exosquelette avec le robot
La distinction la plus critique pour les décideurs. L’exosquelette (génératif) amplifie l’humain. Le robot (agentique) travaille à sa place.

4. Les compétences de l’ère agentique : ce qui change, ce qui émerge
Orchestration d’agents, guardrail engineering, gouvernance des actions autonomes, développement MCP.

5. Quels rôles émergent — et lesquels disparaissent — avec l’IA agentique ?
Knowledge Engineer, Head of Agentic AI, MAS Engineer, Context Engineer — les rôles naissants. Analyste junior, helpdesk N1, middle management — les rôles en disparition.

6. Construire son organisation IA Agentique : roadmap de 0 à 24 mois
Deux roadmaps opérationnelles — grande entreprise et startup/scale-up. Le piège des pilotes non coordonnés.

7. Les 11 erreurs que font les CDOs face à l’agentique
Recruter uniquement des PhD, lancer un lab isolé, chercher la perfection technique, négliger l’intégration SI, ignorer la compliance…

Le récit : de 2012 à l’ère agentique

2012, dans le monde de la Data et de l’IA, c’était la préhistoire. Benoît Binachon — mon associé, fondateur d’Uman Partners — venait alors de fonder le cabinet, spécialisé dès l’origine dans le recrutement Data. Son job était de recruter des statisticiens qui savaient aussi un peu coder. Le mot « data scientist » commençait tout juste à émerger. Les termes « analytics engineer » ou « ML Ops » n’arriveraient encore que quelques années plus tard.

Petit à petit, les organisations data ont grandi — parfois jusqu’à 200 personnes. Treize ans de recrutement exclusif dans la data et l’IA, ça donne au cabinet une perspective rare sur ce qui change vraiment. Comme Benoît le résume bien : « En 2012, les premiers data scientists, on les cherchait dans la recherche ou la tech. Puis sont venus les data engineers, les architectes, la gouvernance, les plateformes, le produit, la compliance… Tout s’est construit empiriquement, par couches successives. Et la constante, c’est le leadership : ce n’est pas la technique qui fait la différence, c’est la capacité à embarquer l’organisation. »

De mon côté, j’ai vécu cette histoire de l’intérieur. En 2020, j’étais Manager Data Science à Decathlon, et j’ai recruté le tout premier AI Product Manager de l’entreprise. Après Décathlon, j’ai pris les fonctions de Head of Data chez Foodles, une scale-up française de la FrenchTech 120, 500 collaborateurs. J’y ai construit une organisation data pratiquement from scratch. Avec cinq personnes on faisait le travail d’une équipe de dix avant 2022. En 4 mois, nous avons déployé 40 cas d’usages IA en production, économisant 15 000 heures de travail récurrentes par an. Aujourd’hui, je construis le premier cabinet de management de transition Agentic AI native.

Ce que j’ai vécu à petite échelle, je le retrouve aujourd’hui dans chaque mission de transition chez nos clients. Depuis 2012, l’IA en entreprise a traversé trois vagues successives — et chacune a suivi le même schéma : enthousiasme, peur de l’industrialisation, puis normalisation.

Vague 1 — L’IA classique et le ML (2012–2020) : le mur de la production

En 2020, l’industrialisation du machine learning faisait peur à tout le monde. Seulement 22 % des entreprises utilisant le ML avaient réussi à déployer un modèle en production, et 43 % citaient la difficulté à scaler comme obstacle principal (Algorithmia, 2020). Aujourd’hui ? Le MLOps est devenu routinier. Le marché pèse 1,7 milliard de dollars et croît de 37 % par an vers une projection de 39 milliards en 2034 (Landbase, 2026). Ce qui terrifiait les DSI il y a cinq ans est désormais un process standard.

Vague 2 — L’IA générative (2022–2024) : l’adoption fulgurante

L’irruption de ChatGPT a tout accéléré. Le marché de l’IA générative en entreprise est passé de 1,7 à 37 milliards de dollars entre 2023 et 2025, captant 6 % du marché SaaS mondial (Menlo Ventures, 2025). L’adoption corporate a bondi à 72 % en 2026. Déployer un assistant IA, fine-tuner un modèle, construire un RAG — tout cela est devenu accessible, presque banal.

Vague 3 — L’IA agentique (2025–…) : la prochaine frontière

Et l’histoire se répète. Passer à l’action de manière industrielle avec l’IA agentique — des systèmes autonomes qui agissent, pas seulement qui répondent — est la prochaine frontière. Gartner prédit que 40 % des applications d’entreprise intégreront des agents IA spécialisés d’ici fin 2026, contre moins de 5 % en 2025 (Gartner, 2025). PwC rapporte que 79 % des organisations déclarent une forme d’adoption de l’IA agentique (PwC, 2025).

Chaque vague a suivi la même courbe : adoption enthousiaste → difficulté d’industrialisation → maturation → normalisation. Le ML classique a mis huit ans à se normaliser. L’IA générative, deux ans. L’IA agentique devra le faire encore plus vite.

Selon Gartner (2024), deux tiers des entreprises matures créent déjà de nouveaux rôles dédiés à l’IA. Le World Economic Forum estime que 39 % des compétences cœur des travailleurs devront changer d’ici 2030. L’investissement en talents n’est plus optionnel — il est urgent.

L’étude BCG & WFPMA « Creating People Advantage 2026 » révèle un paradoxe saisissant : 90 % des CEOs considèrent l’IA comme un levier stratégique majeur — mais seulement 38 % des DRH la jugent pertinente pour leurs propres fonctions. BCG parle d’un « two-speed world » : les organisations qui investissent dans leurs capacités humaines et digitales accélèrent, tandis que les autres décrochent.

Ce que l’IA ne change pas : le tableau de bord et la boussole

Si des agents autonomes peuvent analyser, recommander et agir — est-ce que la data telle qu’on la connaît a encore un avenir ? La réponse est oui, catégoriquement.

Le tableau de bord — c’est la mesure de la performance de l’entreprise et de sa progression vers ses objectifs. On a mis des années à construire des pipelines de données, de la gouvernance, des dashboards, des définitions partagées. Ce fondement ne disparaît pas avec les agents — il devient même plus critique, parce qu’un agent qui s’appuie sur des données fausses agit sur des données fausses, à l’échelle et en temps réel.

La boussole — c’est la décision humaine. J’ai vécu cette réalité chez Faume : quand on a déployé le pricing data-driven, c’est un algorithme qui recommandait les prix. Mais c’est un humain qui validait la stratégie, qui comprenait les contraintes commerciales, qui décidait des arbitrages entre marge et volume. L’agent peut calculer — il ne peut pas décider ce qui est juste pour l’entreprise à un moment donné.

Gartner le formule clairement : « Efforts to drive decision automation without considering the human role in decisions will result in a data-driven organization without conscience or consistent purpose. Humans remain the key decision makers. »

Quand nous accompagnons nos clients en mission de transition, c’est toujours le premier message : avant de parler d’agents, assurez-vous que votre tableau de bord fonctionne et que quelqu’un tient la boussole.

Le rôle du Chief Data & Analytics Officer n’a jamais été aussi central. Selon Gartner (CDAO Agenda Survey 2025), 70 % des CDAOs sont désormais responsables de la stratégie IA et du modèle opératoire. La proportion rattachée directement au CEO est passée de 21 % en 2024 à 36 % en 2025. D’ici 2027, 75 % des CDAOs qui ne sont pas perçus comme essentiels au succès de l’IA perdront leur position C-level (Gartner, 2025).

Les CDAOs qui réussissent sont ceux qui ont compris que leur rôle n’était plus de « produire des rapports » mais de garantir que l’entreprise mesure les bonnes choses et que les bonnes personnes décident.

Mais alors, qui tient la barre de l’IA ?

Le BCG AI Radar 2026 révèle un basculement spectaculaire : près de trois quarts des CEOs déclarent être désormais le décideur principal sur l’IA — deux fois plus que l’année précédente. Les entreprises prévoient de doubler leurs investissements IA en 2026 (de 0,8 % à 1,7 % du CA). Et la moitié des CEOs considèrent que leur poste est en jeu si l’IA ne produit pas de résultats.

BCG identifie trois profils de CEOs : les Followers (15 %, prudents), les Pragmatists (70 %, actifs mais rarement disruptifs), et les Trailblazers (15 %, décisifs, investissant massivement dans l’agentique). Ces derniers ont déjà upskillé trois quarts de leurs effectifs et dirigent plus de la moitié de leurs investissements IA vers les agents.

Alors, qui doit piloter l’IA dans l’entreprise ?

• Le CEO, parce que l’IA est un sujet de transformation globale qui dépasse tout périmètre fonctionnel ?
• Le CDAO, parce que c’est lui qui maîtrise la data, la gouvernance et les compétences techniques ?
• Un Chief AI Officer dédié, parce que le sujet mérite un leader à temps plein ?
• Un Chief Transformation Officer (CTrO) AI-first, parce que les transformations échouent sans un leader dédié à l’exécution ?
• Ou une alliance structurelle entre le CEO, le CDAO et le DSI, avec des objectifs partagés ?

BCG a publié un éclairage décisif : « Soft Power, Hard Results : What CEOs Should Look For in an AI-First Chief Transformation Officer » (février 2026). Constat brutal : les transformations business n’ont que 30 % de chances de succès, et à peine 5 % des entreprises déclarent une valeur significative de leurs investissements IA. Mais quand une entreprise nomme un CTrO dès le lancement, les chances de succès augmentent de +22 points.

Le CTrO AI-first est un leader qui « owns nothing but is accountable for everything » : il ne contrôle ni les équipes ni les budgets, mais est responsable des résultats. Il avance par l’influence, pas par l’autorité hiérarchique. Il distingue l’« activité IA » (taux d’adoption, nombre de POC) des résultats réels (gains de productivité, impact P&L).

La question du pilotage de l’IA trouvera une réponse différente selon que vous êtes un grand groupe, une ETI ou une scale-up. C’est un sujet que nous explorons en détail dans les prochains articles de cette série.

Une chose est certaine : le tableau de bord et la boussole restent. Mais tout ce qui se passe entre les deux — les équipes, les rôles, les façons de travailler — est en pleine transformation, profonde et irréversible.

→ Lire l’article suivant : Article 2 — Ce que l’IA change vraiment dans les équipes data

Navigation — Articles de la série

• Article 1/7 : Pourquoi les agents IA changent tout (article actuel)
• Article 2/7 : Ce que l’IA change vraiment dans les équipes data (à paraître)
• Article 3/7 : IA Générative vs. IA Agentique (à paraître)
• Article 4/7 : Les compétences de l’ère agentique (à paraître)
• Article 5/7 : Quels rôles émergent et lesquels disparaissent (à paraître)
• Article 6/7 : Roadmap de 0 à 24 mois (à paraître)
• Article 7/7 : Les 11 erreurs des CDOs face à l’agentique (à paraître)

Suivre la série :
📩 Newsletter Le Virage IA
👤 Florent Cattaneo — Benoît Binachon, Uman Partners