Ce livre blanc s'adresse à deux publics. Les passages de lecture stratégique (risques, gouvernance, retour sur investissement) intéressent en priorité les décideurs et les clients de nos prestations. Les passages d'approfondissement technique visent les équipes d'ingénierie. Aucune section n'est réservée : chacun peut tout lire, mais les encadrés signalent le niveau d'entrée.
Trois conventions structurent l'ensemble du texte :
Les affirmations factuelles, leurs interprétations et les recommandations qui en découlent sont séparées visuellement. Un fait est sourcé ; une lecture est une interprétation défendable mais discutable ; une recommandation engage un choix d'action.
Chaque constat porte un niveau de confiance. Nous utilisons quatre niveaux :
Les sources sont tracées par famille. Quatre familles ont été croisées : [Source A] état de l'art académique ; [Source B] cas d'usage défensifs et produits ; [Source C] menaces offensives ; [Source D] gouvernance et cadre réglementaire. La veille terrain et les signaux faibles forment une cinquième famille, traitée à part au chapitre 7. La valeur de ce document tient à l'écart documenté entre ces sources : ce que la recherche promet, ce que le terrain observe, ce que la réglementation impose.
Ce document explique les mécanismes offensifs à un niveau strictement défensif et stratégique. Il ne fournit aucun mode opératoire d'attaque, exploit ou charge utile exploitable.
Cette synthèse s'adresse en priorité aux décideurs. Elle résume ce qui est réel, ce qui relève de l'effet de mode, et où concentrer les investissements.
L'IA défensive est aujourd'hui en production sur deux usages matures : le triage automatisé des alertes et les copilotes d'analyste qui rédigent, résument et permettent d'interroger les données en langage naturel. Les bénéfices crédibles sont des gains de productivité et de temps de réponse, pas une autonomie complète. Côté attaque, l'IA n'a pas encore créé de classe d'attaque radicalement nouvelle, mais elle abaisse massivement la barrière d'entrée et industrialise des modes opératoires existants : phishing irréprochable à grande échelle, deepfakes audio-vidéo pour la fraude au virement, assistance au développement de code malveillant.
Le « SOC entièrement autonome » n'existe pas en production. L'analyste Gartner place les agents d'IA pour la sécurité au pic des attentes excessives et anticipe l'annulation de plus de 40 % des projets d'IA agentique d'ici fin 2027. Les chiffres les plus spectaculaires (précision de 98 %, réduction de 60 à 80 % des faux positifs) proviennent d'éditeurs ou d'études qu'ils ont commanditées, et doivent être relativisés. Le consensus de terrain est sans ambiguïté : l'IA reste un outil d'augmentation qui exige un humain dans la boucle, le risque dominant étant l'hallucination et la sur-automatisation.
1. Le triage et le copilote d'analyste, pas le « SOC autonome ». C'est là que la valeur est démontrée et le risque maîtrisé.
2. Les fondamentaux qui neutralisent l'IA offensive : authentification résistante au phishing (FIDO2/passkeys), validation multi-canal des virements, gestion des correctifs, détection comportementale (EDR/XDR), hygiène de la chaîne d'approvisionnement logicielle.
3. La gouvernance de la donnée et la souveraineté : ne pas envoyer de données sensibles vers des LLM publics non maîtrisés ; privilégier des modèles auto-hébergés ou hébergés en cloud qualifié.
4. La conformité par anticipation : l'AI Act et NIS2 ne sont pas encore pleinement contraignants en 2026, mais le sursis sert à constituer la preuve de conformité (cartographie, documentation, gouvernance).
Pour une organisation de taille intermédiaire, le retour sur investissement le plus sûr ne vient pas de l'IA la plus sophistiquée, mais de l'IA qui rend du temps à des équipes structurellement sous-dimensionnées. La sophistication offensive, elle, justifie surtout de renforcer des fondamentaux que beaucoup d'ETI/PME n'ont pas encore consolidés.
Pour situer votre propre exposition : le diagnostic en ligne cyberai.uniy.fr/diagnostic, moins de cinq minutes, sans création de compte.
Trois dynamiques convergent et expliquent que le sujet ne peut plus être différé.
Une bascule de la menace en 18 mois. En février 2024, Microsoft et OpenAI concluaient que les acteurs étatiques observés « greffaient » l'IA sur leurs modes opératoires sans en tirer de capacité offensive inédite1. En novembre 2025, Anthropic documentait ce qu'elle présente comme la première campagne d'espionnage largement orchestrée par une IA agentique2. L'IA est passée de conseiller à exécutant. C'est la trajectoire, plus que l'état instantané, qui doit guider la décision.
Une pression économique sur des équipes sous-dimensionnées. Les ETI/PME disposent rarement d'un SOC complet. L'argument économique de l'IA défensive n'est pas de remplacer des analystes inexistants, mais de redistribuer le temps rare des quelques personnes en place, en automatisant le triage et la rédaction.
Un cadre réglementaire qui se referme. L'AI Act européen, la directive NIS2 et le RGPD imposent progressivement des obligations de gestion du risque, de documentation et de notification. Les échéances les plus dures arrivent entre 2026 et 2028 (chapitre 6).
La recherche académique 2024-2026 envoie un message constant : l'écart entre les performances en laboratoire et la fiabilité en conditions réelles est structurel. Cette section intéresse en priorité les équipes d'ingénierie, mais sa conclusion est stratégique.
[Source A]Établi Les jeux de données de référence largement utilisés pour entraîner les systèmes de détection d'intrusion comportent des défauts documentés. Le corpus CIC-IDS2017, par exemple, contient des erreurs d'implémentation d'attaques, des erreurs d'outillage et des problèmes d'étiquetage qui gonflent artificiellement les performances rapportées3.
[Source A]Établi Plus largement, une référence très citée recense les pièges méthodologiques récurrents (biais d'échantillonnage, fuite de données, évaluation en laboratoire seulement, métriques inadaptées) et conclut qu'une grande partie des résultats publiés ne reflète pas la performance opérationnelle4.
Les scores de 99 % de détection que l'on rencontre dans les surveys et les plaquettes ne se transposent pas à un réseau d'entreprise réel. Pour une ETI/PME, la métrique qui compte n'est pas le taux de détection sur un jeu de données public, mais le taux de faux positifs supportable par une petite équipe.
[Source A]Établi Des agents fondés sur un grand modèle peuvent exploiter de façon autonome des vulnérabilités réelles déjà publiées : dans une étude, GPT-4 réussit 87 % de 15 vulnérabilités critiques lorsque la description de la faille lui est fournie, mais seulement 7 % sans cette description5. L'autonomie réelle est donc bien plus faible que le discours médiatique ne le suggère.
[Source A]Probable Sur les tâches de test d'intrusion complètes, les modèles échouent encore à enchaîner énumération, exploitation et élévation de privilèges sans assistance humaine6.
[Source A]Établi Le code généré par des assistants d'IA comporte une proportion notable de faiblesses de sécurité : une étude empirique sur des dépôts GitHub relève des faiblesses dans environ 29,5 % des extraits Python et 24,2 % des extraits JavaScript examinés7.
[Source A]Établi L'injection de prompt n'est pas résolue. Un benchmark systématique de cinq attaques et dix défenses conclut que les défenses existantes sont insuffisantes8. Sur une suite d'évaluation publique, tous les modèles testés cèdent à 26 à 41 % des tentatives d'injection9.
[Source A]Établi L'empoisonnement est plus facile qu'on ne le croyait. Une étude conjointe Anthropic / UK AI Security Institute / Alan Turing Institute montre qu'environ 250 documents piégés suffisent à implanter une porte dérobée, et ce indépendamment de la taille du modèle (testé de 600 millions à 13 milliards de paramètres). Le nombre de documents requis ne croît pas avec la taille, ce qui renverse l'idée qu'il faudrait contrôler un pourcentage du corpus10.
Angle mort de la recherche : la quasi-totalité de ces résultats sont obtenus en laboratoire. Il manque cruellement d'études de terrain en conditions de SOC d'ETI/PME, et de jeux de données représentatifs d'un réseau de PME française.
Cette section cartographie l'usage réel de l'IA en défense, par niveau de maturité. Avertissement méthodologique : presque tous les chiffres de bénéfice disponibles proviennent d'éditeurs ou d'études qu'ils ont commanditées. Ils sont signalés comme tels et ne doivent jamais être lus comme des mesures indépendantes.
| Cas d'usage | Maturité | Bénéfice annoncé (et source) | Limite observée |
|---|---|---|---|
| Copilote d'analyste | Production | +22 % de rapidité, +7 % de précision ; −30 % de temps de réponse (Microsoft, étude interne) | Chiffres éditeur ; bénéfice surtout sur la rédaction et le résumé, pas sur la décision |
| Triage automatisé des alertes | Production | >98 % de précision de triage revendiquée (CrowdStrike, communiqué) | Communiqué marketing ; périmètre étroit, non reproductible hors écosystème |
| Réduction des faux positifs (UEBA, ML) | Pilote → Prod. | −60 à −80 % de faux positifs (synthèses secondaires) | Fourchettes larges, conditionnées au tuning et à la qualité des données |
| Threat intelligence générative | Pilote | Accélère la synthèse de renseignement (revue académique) | Qualité variable ; risque d'hallucination de TTP/IOC ; vérification humaine indispensable |
| Orchestration agentique (SOAR + IA) | PoC → Pilote | Promesses d'automatisation bout-en-bout | Gartner : les promesses dépassent les preuves ; cas d'usage étroits |
[Source B]Probable L'étude la plus solide du corpus éditeur est un essai randomisé contrôlé de Microsoft (janvier 2024) : analystes avec et sans copilote, tests chronométrés, protocole publié et co-signé par un chercheur externe. Elle donne +22 % de rapidité et +7 % de précision ; une étude de suivi sur 378 organisations donne −30 % de temps moyen de réponse11. Le retour sur investissement projeté par Forrester (de 372 k$ à 993 k$ sur trois ans) est une étude commanditée par Microsoft : à traiter comme une projection marketing.
[Source B]Établi Gartner place les agents d'IA pour la sécurité au pic des attentes excessives de son cycle 2025, juge que « les promesses dépassent les preuves d'amélioration mesurable et durable », et anticipe l'annulation de plus de 40 % des projets d'IA agentique d'ici fin 202712.
[Source B]Probable Le cadre indépendant MITRE ATLAS recense les attaques visant les systèmes d'IA eux-mêmes (empoisonnement, évasion, inversion de modèle). Déployer de l'IA en défense élargit donc aussi la surface d'attaque, un point que les plaquettes commerciales taisent.
Promesses éditeurs : « 98 % de précision », « SOC autonome ».
Retour terrain : une publication de mars 2026 décrit des déploiements peu profonds et des éditeurs qui attribuent les limites de leurs produits à la « psychologie de l'acheteur »13.
Notre lecture : traiter toute sortie d'IA comme un brouillon à valider, jamais comme une autorité. Un sondage Deloitte (2024) indique que 38 % de dirigeants ont pris une décision erronée sur la base d'une sortie d'IA hallucinée.
Cette section décrit, à un niveau strictement défensif, comment les attaquants emploient l'IA. Pour chaque menace : un niveau d'observation réelle (théorique, démontré en preuve de concept, ou observé en conditions réelles) et la contre-mesure associée. Aucun mode opératoire exploitable n'est fourni.
| Menace | Niveau d'observation | Contre-mesure prioritaire |
|---|---|---|
| Phishing / ingénierie sociale à l'échelle | Observé en conditions réelles | MFA résistante au phishing, filtrage avancé, sensibilisation aux signaux comportementaux |
| Deepfake / vishing (fraude au virement) | Observé en conditions réelles | Validation multi-canal et multi-personne des paiements, rappel sur numéro connu |
| Génération / assistance au malware | Observé (formes naissantes) | Détection comportementale (EDR/XDR), surveillance des appels sortants vers des API de LLM |
| Reconnaissance automatisée (acteurs étatiques) | Observé en conditions réelles | Réduction de l'exposition OSINT, gestion rigoureuse des correctifs |
| Agents offensifs autonomes | Observé (cas unique documenté) | Détection d'anomalies de volume/vitesse, moindre privilège, segmentation |
| Injection de prompt (directe/indirecte) | Démontré + sur produits déployés | Séparation instructions/données, moindre privilège des outils, validation humaine |
| Empoisonnement / porte dérobée | Démontré en preuve de concept | Traçabilité et curation des données, provenance des jeux de données |
| Slopsquatting (paquets hallucinés) | Démontré en recherche | Vérification des dépendances suggérées, allowlists, lockfiles, SBOM |
[Source C]Établi Phishing à grande échelle. L'ENISA estime qu'au début 2025 plus de 80 % de l'ingénierie sociale observée est assistée par IA ; le phishing reste la porte d'entrée dominante des intrusions14. L'IA supprime les indices traditionnels (fautes, tournures maladroites) : la sensibilisation doit se recentrer sur les signaux comportementaux (urgence, confidentialité, contournement de procédure) et non sur la qualité rédactionnelle.
[Source C]Établi Deepfake et fraude au virement. En 2024, un employé du bureau de Hong Kong de l'ingénieriste Arup a transféré l'équivalent d'environ 25 millions de dollars après une visioconférence où ses interlocuteurs étaient des deepfakes construits à partir de contenus publics15. La parade est organisationnelle : validation multi-canal de toute transaction sensible, codes convenus à l'avance, refus du caractère probant d'une simple visioconférence.
[Source C]Établi Slopsquatting. Une étude présentée à USENIX Security 2025 montre que près de 20 % du code généré par 16 modèles recommande au moins un paquet logiciel inexistant, et que 43 % de ces noms hallucinés réapparaissent de manière prédictible. Un attaquant peut enregistrer au préalable ces noms avec du code malveillant16. Pour une équipe qui adopte l'assistance au code, la vérification systématique des dépendances devient un réflexe de sécurité.
[Source C]Émergent Anthropic a documenté en novembre 2025 une campagne qu'elle attribue avec une confiance élevée à un acteur étatique, dans laquelle une IA agentique aurait exécuté l'essentiel des opérations contre une trentaine d'organisations, avec seulement quelques points de décision humains par campagne. L'entreprise note que le modèle hallucinait parfois des identifiants, ce qui a limité le taux de succès17.
Cette divulgation est importante mais contestée (chapitre 7). Notre lecture : la donnée structurante n'est pas le pourcentage d'automatisation annoncé, mais la confirmation d'une trajectoire : l'agentivité offensive progresse. Les contre-mesures restent les fondamentaux du SOC : détection d'anomalies de volume et de vitesse de requêtes, segmentation, moindre privilège pour limiter le mouvement latéral.
Constat transversal : aucune des contre-mesures clés n'est spécifiquement « anti-IA ». L'IA augmente la fréquence et la crédibilité des attaques connues, pas leur nature. Les fondamentaux d'hygiène priment.
Une ETI/PME française qui emploie l'IA en cybersécurité évolue dans un empilement à deux étages : un étage transversal sur l'IA (AI Act) et un étage cyber (NIS2), sur un socle constant (RGPD). À cela s'ajoutent des référentiels volontaires structurants et un enjeu de souveraineté. Toutes les dates ci-dessous ont été vérifiées en juin 2026 ; certaines restent provisoires.
| Texte / Norme | Obligation | Échéance | Impact ETI/PME |
|---|---|---|---|
| AI Act : pratiques interdites | Interdiction des IA à risque inacceptable | Applicable depuis le 2 févr. 2025 | Vérifier qu'aucun outil RH/cyber ne fait du scoring comportemental interdit |
| AI Act : modèles d'usage général + gouvernance | Transparence, documentation amont | Applicable depuis le 2 août 2025 | À exiger des fournisseurs de LLM ; le déployeur hérite d'obligations de transparence |
| AI Act : systèmes à haut risque | Conformité complète (risques, données, journalisation, supervision humaine) | Reporté du 2 août 2026 au 2 déc. 2027* | Sursis pour qualifier les usages « haut risque » et bâtir la documentation |
| AI Act : sanctions | Régime à trois niveaux | Selon échéances | Jusqu'à 35 M€ ou 7 % du CA mondial (pratiques interdites) |
| NIS2 (directive UE) | Gestion du risque, notification d'incident, responsabilité des dirigeants | Transposition due le 17 oct. 2024 ; France en retard | 10 000 à 15 000 entités concernées en France, dont de nombreuses ETI/PME |
| NIS2 : loi française « Résilience » | Référentiel technique national (ReCyF) | Promulgation attendue été 2026* | S'auto-évaluer via le guichet MonEspaceNIS2 de l'ANSSI |
| RGPD + recommandations CNIL sur l'IA | Base légale, information, minimisation, droits | En vigueur ; avis CEPD déc. 2024 | Tout LLM entraîné sur données clients ou journaux est concerné ; AIPD recommandée |
| ISO/IEC 42001:2023 | Système de management de l'IA certifiable | Publiée fin 2023 | Atout pour démontrer la maîtrise de l'IA ; s'intègre à une ISO 27001 existante |
| NIST AI RMF + profil GenAI | Cadre volontaire de gestion des risques IA | Profil GenAI publié le 26 juil. 2024 | Méthode utile pour cadrer hallucination, injection, empoisonnement |
| ANSSI-PA-102 | Recommandations de sécurité pour l'IA générative | Publié le 29 avr. 2024 | Référence française opérationnelle pour sécuriser un déploiement LLM interne |
* Échéances modifiées par l'accord politique « Digital Omnibus » du 7 mai 2026, qui reporte les obligations « haut risque » de l'Annexe III au 2 décembre 2027 et celles de l'Annexe I au 2 août 2028. Cet accord reste provisoire et doit encore être adopté et publié au Journal officiel de l'UE. De même, la date de promulgation de la loi française « Résilience » (transposant NIS2) est attendue à l'été 2026 mais n'était pas publiée au Journal officiel à la date de rédaction.
[Source D]Établi Un LLM hébergé chez un fournisseur soumis au droit américain (même via un centre de données européen) expose les données à un accès extraterritorial (CLOUD Act). La qualification SecNumCloud de l'ANSSI exige explicitement l'immunité à ces lois.
Trois options s'offrent à une ETI/PME :
L'ANSSI (recommandation ANSSI-PA-102) et la CNIL convergent : ne pas envoyer de données personnelles ou sensibles vers des LLM publics non maîtrisés. Pour l'usage cyber, privilégier des modèles auto-hébergés ou en cloud qualifié.
Tout ce chapitre est prospectif. Les éléments ci-dessous proviennent de la veille terrain (forums, blogs de chercheurs, newsletters spécialisées). Ils sont non consolidés : signalés pour vigilance, jamais traités comme des faits. La crédibilité de chaque source est qualifiée.
Émergent Le narratif « SOC autonome » s'est effondré au profit d'un cadrage « l'IA redistribue le temps de l'analyste ». Les responsables sécurité sont décrits comme « légitimement sceptiques », se demandant si l'IA traite vraiment les alertes ou n'est « qu'un moteur de règles déguisé »18.
Émergent L'« AI slop » sature l'open source. Le mainteneur de curl a fermé son programme de bug bounty fin janvier 2026, environ 20 % des soumissions étant du contenu généré par IA techniquement crédible mais creux, pour seulement 5 % de vrais bugs19. Source crédible et indépendante, mais à ne pas sur-généraliser à tous les bug bounties.
Émergent Le coût caché de l'agentique. Plusieurs analyses FinOps estiment que les workflows agentiques génèrent 3 à 5 fois les jetons attendus, et que 40 à 60 % de la dépense serait gaspillée, alors que la moitié des organisations seulement suit son usage réel d'API. Chiffres à prendre comme ordres de grandeur (sources : éditeurs d'outils de maîtrise des coûts).
Émergent Bruce Schneier et Simon Willison, parmi les voix les plus indépendantes du domaine, soutiennent que l'injection de prompt reste un problème non résolu, qui s'aggrave dès qu'on donne des outils à l'IA20. Sur l'écosystème des agents outillés (protocole MCP), un benchmark indique que les agents commerciaux les plus robustes échouent encore environ la moitié des scénarios d'injection via la sortie d'un outil. Ce sont des opinions argumentées et un domaine très récent, pas un théorème prouvé.
Communication de laboratoire : Anthropic présente une campagne « 80-90 % orchestrée par IA » (novembre 2025).
Réaction de chercheurs : manque de détail technique, comportement (cadences de requêtes) jugé incompatible avec la furtivité d'un acteur sophistiqué, et conflit d'intérêt commercial relevé : les laboratoires qui divulguent vendent ensuite la défense21.
Notre lecture : à traiter comme une controverse, pas comme un fait établi. Une seule entreprise a la visibilité ; aucune validation indépendante publique à ce jour. La tendance de fond (montée de l'agentivité offensive) reste, elle, crédible.
Ce document dresse un état des lieux ; votre exposition, elle, dépend de vos décisions. Le diagnostic en ligne Cyber-AI la situe en moins de cinq minutes, sans création de compte, et rend une feuille de route priorisée : cyberai.uniy.fr/diagnostic.
Pour suivre ce risque dans la durée, le fil de veille publie des fiches sourcées, écrites pour ceux qui décident, accès validé à la main, sans email non sollicité : demande depuis cyberai.uniy.fr. Pour un échange sur votre situation : cyberai@uniy.fr.
| Terme | Définition |
|---|---|
| Adversarial ML (apprentissage antagoniste) | Techniques visant à tromper un modèle (évasion à l'inférence, empoisonnement à l'entraînement, extraction). |
| Agent / IA agentique | Système d'IA capable d'enchaîner des actions de façon autonome via des outils, au-delà d'une simple réponse textuelle. |
| Deepfake | Contenu audio ou vidéo synthétique imitant une personne réelle. |
| EDR / XDR | Endpoint/Extended Detection and Response : détection et réponse comportementale sur les postes et au-delà. |
| Empoisonnement (data poisoning) | Insertion de données piégées dans un corpus d'entraînement pour induire un comportement déclenché. |
| Injection de prompt | Instructions malveillantes dissimulées dans les données qu'un modèle traite, le détournant de sa consigne. |
| LLM (grand modèle de langage) | Modèle d'IA générative entraîné sur de vastes corpus de texte. |
| MFA résistante au phishing | Authentification multifacteur non hameçonnable (FIDO2, passkeys). |
| SBOM | Software Bill of Materials : inventaire des composants logiciels d'un produit. |
| SIEM / SOAR | Collecte/corrélation d'événements (SIEM) et orchestration/automatisation de la réponse (SOAR). |
| Slopsquatting | Enregistrement malveillant de noms de paquets logiciels inexistants mais « hallucinés » de façon prédictible par l'IA. |
| SOC | Security Operations Center : centre de supervision de la sécurité. |
| UEBA | User and Entity Behavior Analytics : détection d'anomalies comportementales. |
Références classées par famille. Niveau de confiance entre crochets. Liens vérifiés en juin 2026.
Ce livre blanc a été produit par triangulation de quatre familles de sources (état de l'art académique, cas d'usage défensifs et produits, menaces offensives, cadre réglementaire), complétées par une veille terrain. Aucune affirmation structurante ne repose sur une source unique. Chaque constat porte une famille et un niveau de confiance. Les éléments non recoupés ont été écartés ou explicitement signalés.
Hiérarchie de confiance retenue, toutes choses égales par ailleurs : sources primaires officielles > publications évaluées par les pairs > rapports d'éditeurs (corrigés du biais commercial) > prépublications > forums et influenceurs. La fraîcheur d'un signal peut justifier de le remonter au rang de signal majeur, à condition de l'étiqueter comme non consolidé.
Le sujet évolue vite. Les éléments les plus susceptibles de périmer en moins de douze mois sont : le calendrier de l'AI Act (accord « Digital Omnibus » encore provisoire), la transposition française de NIS2 (loi non promulguée à la date de rédaction), les capacités offensives des agents autonomes, et les performances revendiquées des produits. Une réactualisation trimestrielle de la veille réglementaire et de la veille terrain est recommandée.
Statut des affirmations clés au terme du contrôle final.
| Affirmation clé | Statut | Note de vérification |
|---|---|---|
| AI Act : haut risque reporté au 2 déc. 2027 | Confirmé (provisoire) | Accord politique du 7 mai 2026 recoupé ; texte non encore publié au JOUE |
| NIS2 : loi française attendue été 2026 | Confirmé (provisoire) | Recoupé ; non promulguée à la date de rédaction |
| Empoisonnement : ~250 documents suffisent | Confirmé | Source primaire Anthropic/UK AISI/Turing recoupée |
| Fraude Arup ~25 M$ par deepfake | Confirmé | Couverture presse internationale concordante |
| Phishing >80 % assisté par IA | Cité avec réserve | Estimation ENISA ; méthodologie d'observation à expliciter |
| Microsoft Copilot : +22 % rapidité | Source éditeur | Étude commanditée ; protocole randomisé publié |
| Campagne « 80-90 % orchestrée par IA » | Contesté | Source unique (Anthropic) ; pas de validation indépendante ; controverse documentée |
| Gartner : >40 % projets agentiques annulés d'ici 2027 | Confirmé | Communiqué Gartner du 25 juin 2025 |
Aucune URL n'a été inventée. Les chiffres non sourçables ont été écartés. Les contradictions entre recherche et terrain ont été conservées et signalées plutôt que tranchées arbitrairement.