Le rapport État de l’observabilité en 2026 révèle comment les leaders rétablissent la prévisibilité à l’ère agentique

Il y a quelques années, j’étais capable de décrire le déroulement d’un incident de production avant même qu’il ne se produise. Lorsqu’un changement survenait, un signal se dégradait. Une équipe, parfois importante, composée de membres travaillant dans trois fuseaux horaires différents, se retrouvait mobilisée. Elle devait remonter la piste jusqu’à réussir à identifier le commit, la configuration ou la dépendance à l’origine du problème. C’était un travail difficile, mais il reposait sur une logique concrète.

Aujourd’hui, cette logique est en train d’évoluer. Ce n’est pas que nos systèmes soient devenus moins rigoureux, mais nos processus peinent à s’adapter à la réalité de l’architecture moderne. Nous nous sommes orientés vers des systèmes conçus pour un raisonnement et une exécution opérationnels autonomes dans des environnements distribués : des systèmes pensés pour s’adapter en temps réel plutôt que de suivre les schémas statiques et prévisibles du passé.

Les agents à qui l’on fixe un objectif trouveront leur propre chemin pour l’atteindre, et le chemin qu’ils choisissent aujourd’hui ne sera peut-être pas celui qu’ils choisiront demain. Cette autonomie est l’essence même de l’IA agentique. Elle marque également la fin d’une hypothèse que nous avons cessé de remettre en question depuis bien longtemps : celle selon laquelle comprendre un système une fois revient à le comprendre pour toujours, à condition de ne rien y changer.

Pour voir comment les équipes s’adaptent, nous avons interrogé 2 050 professionnels de l’ITOps et de l’ingénierie issus de 10 pays et 16 secteurs d’activité dans le cadre de l’étude État de l’observabilité en 2026 : rétablir la prévisibilité à l’ère agentique.

Nous avons identifié deux groupes distincts : la plupart des organisations sont encore en train d’adapter leur observabilité à l’IA agentique, tandis qu’un groupe plus restreint a déjà réorganisé sa pratique autour de l’agentique.

L’avènement de l’imprévisibilité

Depuis 10 ans, les opérations deviennent de moins en moins prévisibles. Entre infrastructures éphémères, prolifération de solutions tierces et mises à jour de plus en plus fréquentes, notre capacité à analyser les systèmes de manière linéaire est constamment remise en question.

Mais cette remise en question était accidentelle. Personne n’a conçu les microservices pour qu’ils soient indéchiffrables ; c’était un effet secondaire que nous gérions du mieux que nous pouvions.

Pour l’IA, la situation est différente. L’absence de déterminisme n’est pas un défaut que nous essayons d’éliminer. C’est le mécanisme par lequel les agents raisonnent, s’adaptent et agissent sans qu’un humain ne définisse la prochaine étape. Les personnes interrogées dans le cadre de l’étude en font les frais : 83 % d’entre elles s’inquiètent des conséquences imprévues des agents IA.

Lorsque l’on ne comprend pas comment un système prend ses décisions, l’anxiété est une réaction somme toute naturelle. Mais ralentir l’adoption de l’IA pour atténuer ce risque revient à prendre du retard sur la concurrence. La réponse à cette anxiété réside dans la transparence. En intégrant le comportement des agents à votre pratique d’observabilité, vous transformez des actions imprévisibles en données empiriques et contrôlables.

La pression liée aux coûts fait ressortir de vieilles habitudes

Je m’attendais à ce que l’infrastructure IA occupe une place prépondérante dans nos conclusions concernant la pression sur les coûts. La réalité fut tout autre : 6 % seulement des personnes interrogées l’ont citée comme principal facteur de coût en matière d’observabilité.

Le véritable coupable est bien plus familier : les logs trop bruyants. Nous avons passé des années à collecter des données « au cas où », parfois au point de dépasser les budgets. Et maintenant que l’IA nous donne une raison d’en collecter encore davantage, le besoin d’une data fabric opérationnelle n’a jamais été aussi pressant.

Il existe un deuxième coût caché derrière cette habitude, et c’est celui qui m’inquiète le plus. Lorsque les données résiduelles deviennent trop envahissantes, les équipes ne parviennent plus à établir le lien avec les résultats métiers.

Près de la moitié des personnes interrogées admettent que les données de télémétrie ne constituent pas un facteur clé dans la planification stratégique de leur organisation.

Cependant, une planification stratégique sans télémétrie opérationnelle n’est qu’une simple conjecture. Si les systèmes qui suivent chaque interaction client ne peuvent pas éclairer la feuille de route, c’est qu’il y a un problème bien en amont de tout incident.

Les leaders parviennent à garder le contrôle face à des systèmes imprévisibles

Un groupe de participants s’est démarqué. Nous qualifions cette cohorte très performante de « leaders », une distinction qu’ils ont méritée grâce à trois habitudes mises en pratique conjointement.

Tout d’abord, ils utilisent des agents IA pour résoudre et prévenir les problèmes, de manière systématique plutôt qu’à titre expérimental. Ensuite, ils ne considèrent pas l’IA comme un simple service de plus à superviser ; ils élargissent le champ d’action de l’observabilité afin d’y inclure le comportement des agents et de mettre en place des garde-fous concernant les coûts, l’utilisation, la sécurité, la confidentialité et la qualité des modèles. Enfin, ils intègrent la télémétrie directement dans la planification stratégique.

Cette combinaison modifie leur approche de trois manières intimement liées.

Ils ont recentré leur attention sur la source actuelle des problèmes. Les dirigeants ne sont pas nettement plus efficaces pour superviser les ressources de calcul ou les réseaux principaux ; la plupart des équipes compétentes s’en chargent déjà. En revanche, les leaders se distinguent au niveau de la périphérie et au cœur du processus décisionnel de l’IA, là où l’expérience client est désormais la plus exposée. Tous les leaders ou presque (94 %) sont modérément ou très confiants dans leur capacité à isoler les problèmes de la périphérie ou des réseaux de succursales, contre environ deux tiers de leurs pairs.

Et bien que l’écart concernant les problèmes liés à l’IA semble plus anecdotique (68 % des dirigeants se disent confiants contre 56 % de leurs pairs), cet écart est tout de même révélateur d’une réalité bien précise. Les utilisateurs avancés de l’IA savent exactement à quoi ils sont confrontés ; leur confiance est donc le fruit d’un travail acharné. Les équipes moins expérimentées ont tendance à surestimer leur niveau de préparation, car elles n’ont pas encore été confrontées à la véritable complexité du comportement agentique.

Ils font preuve de retenue dans leur gestion des données. Les leaders définissent la valeur des données en fonction du coût de leur conservation. En échantillonnant et en acheminant les données de manière bien plus rigoureuse que leurs homologues, ils ne paient que pour les signaux à forte valeur ajoutée, plutôt que pour le bruit brut. Contrairement à ce que l’on pourrait croire, cela leur apporte davantage de visibilité exploitable. Ils sont deux fois plus susceptibles d’affirmer que l’ensemble de leurs données d’observabilité est facilement accessible et immédiatement interrogeable. Cela se reflète également dans leurs résultats financiers : les leaders sont 2,4 fois plus susceptibles d’indiquer que le retour sur investissement de leur observabilité dépasse significativement leurs attentes, et plus de la moitié (54 %) font état d’une valeur métier annuelle d’au moins 5 millions de dollars.

Ils assument la complexité pour garder le contrôle. C’est la conclusion qui m’intéresse le plus. Les leaders trouvent la supervision de l’IA plus difficile que leurs homologues : 57 % d’entre eux affirment qu’elle complexifie leur travail, contre 38 % de l’ensemble des autres personnes interrogées. C’est un compromis qu’ils acceptent en toute connaissance de cause, et c’est un pari payant. 91 % d’entre eux définissent clairement les responsabilités en matière de supervision de l’IA, contre 59 % de leurs pairs ; et 76 % déclarent pouvoir contrôler avec précision les coûts liés à l’IA.

Vue de l’extérieur, la gouvernance peut sembler source de frictions. En pratique, c’est ce qui permet à ces équipes d’avancer plus vite que dans les organisations qui improvisent leur supervision au cas par cas. Et leur quotidien s’en retrouve transformé : les leaders sont bien plus enclins à affirmer que l’IA leur permet de privilégier l’innovation plutôt que la maintenance, 37 % d’entre eux sont tout à fait de cet avis, contre seulement 22 % de leurs homologues.

L’observabilité permet de garder le cap

On ne peut encadrer ce qu’on ne voit pas, et la qualité des résultats de votre IA dépend entièrement des données que vous lui fournissez.

L’observabilité, c’est la manière dont nous transformons le comportement des agents en connaissances plutôt qu’en croyances, dont nous gagnons suffisamment de confiance pour leur confier des tâches concrètes et dont nous veillons à ce que les dépenses liées à l’IA restent en adéquation avec la valeur que l’entreprise peut en tirer. Les équipes qui attendent d’y voir plus clair avant d’investir s’y prennent à l’envers : c’est justement l’observabilité qui apporte cette clarté.

Téléchargez le rapport État de l’observabilité en 2026 pour découvrir l’ensemble des conclusions, les analyses par secteur d’activité et par pays, ainsi que les recommandations de nos experts pour affronter l’ère agentique.