Pourquoi les vrais agents IA en production sont si rares en 2026

Tout le monde fait des démos d'agents IA. Très peu d'organisations ont des agents qui tournent vraiment en production sur des décisions à enjeu. Ce gap n'est pas anodin, et il n'est pas non plus dû au manque de talent ou de budget. Il est structurel. Quatre obstacles techniques bloquent le passage de la démo à la production.

Obstacle 1 : la non-reproductibilité du raisonnement

Un LLM est non déterministe par nature. Posez exactement la même question, dans le même contexte, à la même version du modèle, et vous obtiendrez peut-être deux réponses différentes. Ce comportement est acceptable pour un assistant, c'est éliminatoire pour un agent qui prend des décisions à enjeu.

Pour un régulateur, l'audit demande de pouvoir rejouer. Si vous avez refusé un crédit en mars, le client conteste en septembre, et le régulateur vous demande des comptes en mars de l'année suivante, vous devez pouvoir reproduire la décision exactement. Avec un LLM appelé à chaud, c'est impossible. Avec un système qui stocke les décisions LLM comme événements immuables, c'est gratuit.

Obstacle 2 : l'absence de mémoire structurée

Un agent doit savoir ce qu'il a fait, ce qu'il sait, ce qu'il observe à l'instant T. Sa mémoire ne peut pas se limiter à la fenêtre de contexte du LLM, elle doit être structurée, persistante, interrogeable.

Les frameworks d'agents populaires (LangChain, CrewAI, AutoGen) gèrent la mémoire de façon ad hoc, généralement dans une base vectorielle pour la similarité plus une base relationnelle pour les faits. C'est insuffisant. Pour un agent professionnel, la mémoire doit être un Event Store structuré, conçu pour la persistance et l'audit, pas un cache.

Obstacle 3 : la dérive du périmètre

Un agent qui s'exécute uniquement sur la base d'un prompt système est exposé à l'injection de prompt et à la dérive de comportement. Le prompt système n'est pas une frontière de sécurité, c'est une suggestion. Un attaquant un peu créatif peut convaincre l'agent de sortir de son rôle.

La parade est architecturale : le périmètre de l'agent doit être imposé par l'infrastructure (bounded context, contrôle d'accès, validation à la compilation), pas par le prompt. Aucun framework générique ne fait ça par défaut.

Obstacle 4 : l'audit fragile

Les logs d'agent, en l'état des frameworks 2026, sont écrits par les développeurs en format libre, conservés un certain temps puis purgés, et difficilement interrogeables. Pour un audit légal, ils ne suffisent pas. Il faut des événements de domaine typés, immuables, conservés indéfiniment, et indexables par requête.

DORA, EU AI Act, MIF II ne demandent pas seulement une trace, ils demandent une trace traçable. La nuance est technique : il ne suffit pas que la donnée existe, il faut qu'elle soit interrogeable selon les critères des régulateurs et que sa cohérence soit garantie sur la durée.