Agents IA en entreprise : la « taxe hallucination », ce coût caché de supervision que révèle une enquête
Guy WASSEU
Auteur
On a beaucoup parlé, ces derniers mois, de la puissance brute des modèles. Une enquête publiée le 16 septembre 2026 déplace le regard vers l'endroit où l'IA se heurte au réel : la facture cachée de son déploiement. Réalisée par le Harris Poll pour l'éditeur de logiciels de gouvernance de données Collibra, elle a interrogé du 5 au 11 août 2026 un panel de 306 décideurs américains — directeurs et cadres supérieurs en charge de la donnée, de la confidentialité ou des décisions d'IA (marge d'erreur d'environ 6,4 points).
Son constat central tient en un chiffre : 51 % des organisations consacrent un temps de personnel significatif à relire et corriger manuellement les productions de leurs agents IA avant de pouvoir les utiliser. La proportion monte à 64 % dans les entreprises de plus de 100 millions de dollars de revenus — celles-là mêmes qui déploient le plus d'agents. Dans le même panel, 87 % disent devoir revérifier régulièrement l'exactitude et l'actualité du contexte sur lequel travaillent ces agents.
Un coût qui a désormais un nom
Le PDG et cofondateur de Collibra, Felix Van de Maele, lui a donné une formule qui a fait le tour du secteur cette semaine :
Chaque entreprise qui met l'IA à l'échelle aujourd'hui paie une « taxe hallucination » — un coût caché de supervision manuelle, de reprise et de risque, qui grossit à chaque nouvel agent.
La comparaison avec un impôt est juste sur un point précis : cette charge ne se voit pas dans le prix affiché du modèle. On paie l'abonnement à l'outil, on mesure le temps qu'il fait « gagner » — et on oublie de compter les heures d'ingénieurs, d'analystes ou de juristes passées à contrôler ce qu'il produit. Plus on ajoute d'agents, plus cette charge invisible enfle. Collibra vend précisément des outils pour la réduire : l'enquête sert donc aussi son propre argumentaire, et il faut lire ses chiffres avec cette réserve en tête. Mais le phénomène qu'elle décrit est corroboré par d'autres travaux du moment, qui pointent tous le même décalage entre des agents déployés vite et des cadres de contrôle qui peinent à suivre.
L'enquête situe d'ailleurs l'origine du problème : 76 % des répondants disent buter sur des obstacles critiques pour faire passer un agent du pilote à la production réelle, et 72 % attribuent les échecs de leurs projets d'IA non pas au modèle, mais à une base de données mal alignée ou de mauvaise qualité. Autrement dit, ce n'est pas l'intelligence de l'agent qui manque, c'est la fiabilité de ce qu'on lui donne à traiter.
Ce que ça change pour les métiers
C'est le point qui dépasse largement Collibra. Depuis un an, une même ligne se dessine dans les données sur l'emploi : l'IA n'efface pas les métiers d'un bloc, elle en automatise la partie codifiée et fait remonter la valeur vers ceux qui savent piloter et contrôler. La « taxe hallucination » en est la traduction concrète côté entreprise. En automatisant la production — un brouillon, un code, une synthèse, une réponse client — l'agent ne supprime pas le travail : il le déplace vers l'amont (préparer une donnée propre) et vers l'aval (vérifier, corriger, endosser la responsabilité).
Cet aval devient un métier en soi. L'enquête note que 84 % des organisations ont désormais désigné un responsable exécutif explicitement redevable des productions défaillantes de leurs agents, et que 53 % ont rapproché les équipes IA de la fonction données. La supervision n'est plus un réflexe individuel, elle s'institutionnalise. Pour un professionnel, la compétence rare de 2026 n'est donc pas de savoir prompter un agent — n'importe qui le fait — mais de savoir juger sa sortie : repérer l'erreur plausible, la citation inventée, le chiffre qui « sonne juste » mais qui est faux. C'est un travail d'expert, pas de débutant, et c'est exactement là que se creuse l'écart que décrivent les études sur l'emploi.
Ce que ça change pour les entrepreneurs
Pour qui dirige une entreprise ou en monte une, l'enquête envoie deux messages utiles. Le premier est un avertissement de gestion : le retour sur investissement d'un agent ne se calcule pas au prix de l'abonnement, mais net de la supervision qu'il impose. Un agent qui « fait gagner » deux heures mais en coûte une de relecture experte ne dégage qu'une heure — et l'illusion inverse a un coût réel. Avant d'empiler les agents, la question rentable est celle des fondations : la donnée est-elle propre, à jour, gouvernée ? Les 72 % qui pointent la donnée comme cause d'échec disent où va l'argent bien investi.
Le second est une opportunité. Là où les grands groupes découvrent une « taxe » qui grossit, il y a un marché : outils de gouvernance, de traçabilité et de vérification, services d'audit des sorties d'agents, conseil en préparation des données. Le déploiement massif d'agents ne crée pas seulement un coût — il crée une demande pour tout ce qui permet de le maîtriser. Les entrepreneurs les mieux placés ne seront pas forcément ceux qui construisent un énième agent, mais ceux qui rendent les agents des autres fiables.
Reste la limite de l'exercice : ce sont des chiffres déclaratifs, issus d'un panel restreint et commandités par un acteur intéressé. Ils ne mesurent pas la « taxe hallucination », ils la font ressentir. Mais le mouvement de fond qu'ils éclairent, lui, est solide : après la course aux modèles, 2026 est en train de devenir l'année où les entreprises apprennent, à leurs frais, que déployer un agent et lui faire confiance sont deux choses différentes — et que la seconde, pour l'instant, se paie en heures humaines.
Sources