Les chiffres de l’étude Fixify m’ont arrêté. Des agents IA ont déjà réalisé près d’un tiers des actions IT dans une quarantaine d’entreprises qui ont adopté l’IA agentique tôt. Pas des démos, pas des pilotes. Des actions de production, sur des systèmes réels, pendant treize semaines.

Fixify est un fournisseur américain d’automatisation du support IT. Son étude couvre la période de mi-mars à mi-juin 2026. Elle s’appuie sur 17’929 plans générés par des agents, 147’351 actions prévues et 88’493 actions réellement exécutées. On est loin de l’anecdote.

Ce qui m’intéresse, ce n’est pas tant le volume que la répartition. Les agents exécutent 37,9 % des actions sur les logiciels et applications, 37,7 % des tâches de sécurité, 35,5 % de celles liées aux outils collaboratifs. On tombe à 28,7 % pour la gestion des identités, 26,6 % pour le matériel, 22,9 % pour l’onboarding et l’offboarding.

Autrement dit, plus la tâche est répétitive et bien cadrée, plus l’IA la prend en charge. Plus elle touche à l’identité, aux accès ou aux gens, plus l’humain garde la main. C’est la frontière que je décris depuis des mois.

La supervision reste le cœur du dispositif. Sur la période, les analystes ont refusé environ 23 % des actions proposées par l’IA. Mais ce taux de rejet a nettement baissé, de 27 % en mars à 16 % en juin. Dans le même temps, la part des actions exécutées par l’IA est passée de 23 % à 41 %.

Deux lectures possibles. L’optimiste : les agents proposent des actions de mieux en mieux calibrées, donc on les refuse moins. La prudente : les analystes baissent leur garde à mesure que la confiance s’installe. Fixify penche pour la première, et je veux bien le croire, mais treize semaines avec des mois incomplets, c’est court pour trancher.

Le vrai enseignement est ailleurs. Près de la moitié des échecs, 48,5 %, surviennent parce que l’utilisateur, le groupe ou la ressource recherchée ne se trouve pas là où l’agent s’attend à la trouver. Les entrées non conformes représentent 29,3 % des cas. Le problème n’est pas que l’IA raisonne mal, c’est que les données auxquelles elle accède sont sales.

Des annuaires à jour, des conventions de nommage cohérentes, des intégrations correctement maintenues. C’est ça qui fait la différence, pas un modèle plus gros. Pour une PME suisse qui envisage d’automatiser son support IT, c’est le point de départ, et ce n’est pas glamour.

Le rôle des analystes IT change. Les agents prennent les tâches répétitives. Les professionnels examinent les propositions, gèrent les exceptions, corrigent la trajectoire, améliorent les procédures. On passe d’un métier d’exécution à un métier de supervision et de qualité des données. Cette transformation se joue maintenant.

Mon avis : on a raison de s’intéresser à la souveraineté des modèles, mais la bataille la plus concrète de 2026 se joue dans la qualité des données d’entreprise. Une IA agentique branchée sur un annuaire propre vaut mieux qu’un modèle souverain branché sur un bazar.

La leçon pour les équipes qui hésitent encore : ne commencez pas par choisir un modèle. Commencez par nettoyer vos données. C’est moins spectaculaire, mais c’est là que l’automatisation se gagne ou se perd.