L'essentiel en 30 secondes

Pendant deux ans, la course à l'IA d'entreprise s'est jouée sur les modèles. Le lancement du 14 juillet 2026 déplace le projecteur là où le travail se cache vraiment : la couche data. Xebia, une société de services data et IA, met sur le marché un produit dont le nom même trahit le problème du secteur, préparer les données pour que des agents puissent enfin agir dessus sans casser quoi que ce soit.

Ce que Xebia a annoncé le 14 juillet

Le 14 juillet 2026, Xebia a rendu disponible Axis, présenté comme une fondation data agentique (GlobeNewswire). Le constat de départ est simple : la plupart des entreprises ont déjà migré leurs données vers le cloud, mais restent incapables de déployer de l'IA en production parce que leur socle data et leur gouvernance ne sont pas prêts pour des agents autonomes, qui exigent des données consistantes et auditables.

Axis couvre le cycle de vie complet de la donnée à travers six modules : Readiness, Platform, Knowledge, Migration, Observability et Operations. Le modèle de travail est hybride : des équipes humaines fixent la stratégie et contrôlent la qualité, pendant que des agents IA propriétaires exécutent l'évaluation, la migration, la surveillance et la remédiation. Xebia avance des chiffres précis : des migrations environ 3 fois plus rapides qu'une approche humaine classique, un effet de levier des agents de l'ordre de 10 fois, une réduction des coûts d'infrastructure de 30 à 50 % en deux ans, et des évaluations initiales livrées en 2 à 4 semaines là où un chantier traditionnel s'étale sur 12 à 18 mois. "Axis comble cet écart, pour que nos clients passent à l'entreprise agentique plus vite que leurs concurrents", résume Anand Sahay, PDG de Xebia.

Pourquoi la donnée, pas le modèle, est le vrai goulot ?

La donnée est le vrai goulot parce qu'un agent autonome ne se contente pas de lire un tableau de bord : il agit. Un modèle de langage peut halluciner une phrase sans grande conséquence ; un agent branché sur des données incohérentes déclenche une mauvaise action, à grande échelle et sans supervision. Le chiffre qui cadre le mieux le problème vient de Gartner : d'ici fin 2026, les organisations abandonneront 60 % des projets d'IA non soutenus par des données prêtes pour l'IA (Gartner). Le même cabinet a constaté, dans une enquête auprès de 248 responsables de la gestion des données, que 63 % des organisations n'ont pas, ou ne savent pas si elles ont, les bonnes pratiques de gestion de données nécessaires à l'IA.

La nuance tient dans l'expression "prête pour l'IA". Une donnée prête pour un rapport mensuel doit être exacte à une date donnée. Une donnée prête pour un agent doit être exacte en continu, documentée, traçable et gouvernée, parce que l'agent la consulte des milliers de fois par jour et prend des décisions sans qu'un humain relise chaque requête. C'est un standard beaucoup plus exigeant, et c'est précisément celui que la majorité des entreprises n'atteignent pas. Gartner prévoit d'ailleurs que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en citant des coûts qui dérapent, une valeur floue et des contrôles de risque insuffisants.

L'économie de l'ingénierie data agentique

Le pari d'Axis, et de produits comparables, c'est d'appliquer les agents non pas à la couche visible, l'assistant qui répond au client, mais à la couche invisible, le travail d'ingénierie data qui rend cette réponse fiable. L'effet de levier de 10 fois annoncé par Xebia ne dit pas qu'un agent remplace dix ingénieurs ; il dit qu'un ingénieur outillé d'agents traite dix fois plus de tables, de schémas et de règles de qualité qu'à la main. La migration, la cartographie de schémas, la détection d'anomalies sont des tâches répétitives, volumineuses et vérifiables, exactement le terrain où un agent supervisé est le plus rentable. C'est la suite logique de la couche sémantique qui traduit les données pour les agents : après avoir décrit le sens des données, il faut encore les mettre en ordre.

Reste que le chiffre à surveiller n'est pas la vitesse, c'est la gouvernance. Accélérer une migration de 3 fois n'a aucun intérêt si l'on industrialise au passage des données fausses. C'est pourquoi le modèle hybride compte plus que les agents eux-mêmes : "les ingénieurs humains travaillent aux côtés des agents pour construire et exploiter des plateformes data de production, avec la gouvernance intégrée à la plateforme elle-même", précise Niels Zeilemaker, directeur technique mondial Data et IA de Xebia. Le contexte de marché confirme l'urgence : selon une étude d'OutSystems publiée en juillet 2026, 96 % des entreprises utilisent désormais des agents IA, mais 94 % s'inquiètent d'une prolifération non maîtrisée (OutSystems). Les agents arrivent plus vite que les fondations censées les porter.

Ce que ça change pour une PME, et pour mon quotidien

Pour une PME, la leçon est libératrice : la partie coûteuse d'un projet IA n'est pas le modèle, qui se loue à l'API, mais la mise en ordre des données. Une entreprise qui veut un agent commercial ou un tableau de bord fiable a d'abord besoin d'un socle : des données consistantes, nommées de la même façon partout, mises à jour proprement. C'est un chantier moins spectaculaire qu'un agent conversationnel, mais c'est lui qui décide si le reste tient en production.

C'est exactement l'ordre de priorité que je suis en mission. Sur le tableau de bord Bloomberg que j'ai monté avec Claude Haiku 4.5 pour suivre un portefeuille, l'essentiel du travail n'était pas le modèle mais la structuration des données de marché pour qu'elles soient interrogeables sans erreur. Sur les dashboards KPI construits pour Profile Club avec Apps Script, ou sur les 93 nœuds n8n qui alimentent la newsletter d'IA Brew, la règle est la même : la plus grosse part de l'effort part dans le nettoyage, la normalisation et la fiabilisation des flux, et une part bien plus faible dans la couche intelligente qui s'appuie dessus. Un agent posé sur des données bancales ne fait qu'automatiser l'erreur plus vite.

La vraie question de 2026 n'est donc pas "quel modèle choisir", mais "mes données sont-elles prêtes à ce qu'une machine agisse dessus sans moi ?". Tant que la réponse est non, l'agent le plus avancé restera une démo.

Questions fréquentes

Qu'est-ce qu'une donnée prête pour l'IA ?

Une donnée prête pour l'IA est consistante, documentée, traçable et gouvernée en continu, pas seulement exacte à un instant donné. Un agent autonome la consulte des milliers de fois par jour et agit sans relecture humaine systématique, ce qui exige un niveau de qualité et de gouvernance supérieur à celui d'un simple rapport. Selon Gartner, seule une minorité d'entreprises atteint ce standard aujourd'hui.

Qu'a annoncé Xebia le 14 juillet 2026 ?

Xebia a lancé Axis, une fondation data agentique qui combine des agents IA propriétaires et des ingénieurs data humains à travers six modules, de l'évaluation à l'exploitation. La société annonce des migrations environ 3 fois plus rapides, un effet de levier des agents de l'ordre de 10 fois et une réduction des coûts d'infrastructure de 30 à 50 % en deux ans.

Pourquoi tant de projets d'IA échouent-ils ?

Parce que le blocage vient rarement du modèle et souvent des données. Gartner prévoit que 60 % des projets d'IA non soutenus par des données prêtes pour l'IA seront abandonnés d'ici fin 2026, et que plus de 40 % des projets d'IA agentique le seront d'ici fin 2027. Sans socle data gouverné, un agent amplifie les incohérences au lieu de créer de la valeur.