Dans un entretien publié le 13 octobre 2026, Databricks interroge Amber Roberts, responsable du marketing technique dans l’entreprise, sur la valeur des agents IA au travail. Son diagnostic : les achats et les déploiements avancent plus vite que la capacité des organisations à établir ce qu’ils rapportent réellement. L’entretien décrit des difficultés de mesure et des usages concrets. Il ne fournit toutefois ni enquête représentative ni calcul global du retour sur investissement.
Entre l’achat d’un outil et son utilité quotidienne
Roberts distingue les personnes qui décident d’acheter une solution IA de celles qui doivent l’utiliser chaque jour. Les premières cherchent parfois à suivre le rythme de leurs concurrents. Les secondes découvrent, après le déploiement, quelles tâches bénéficient vraiment d’un agent et lesquelles demandent encore des ajustements. Cette dissociation peut expliquer pourquoi l’adoption d’un outil ne démontre pas, à elle seule, sa rentabilité.
Selon elle, les entreprises traversent une période d’essais et d’erreurs qui peut durer de plusieurs mois à plusieurs années. Le coût d’une licence ou le nombre de comptes ouverts est observable rapidement ; l’effet sur la qualité du travail, les délais et les dépenses l’est moins. Databricks ne publie pas dans cet entretien de taux d’adoption ni de proportion d’entreprises incapables de mesurer leur ROI. Le titre du billet exprime donc une appréciation de sa porte-parole, et non le résultat d’un sondage présenté dans le texte.
La vitesse ne suffit pas à définir la productivité
L’entretien conteste l’idée qu’un indicateur unique permettrait de juger tous les agents. Pour une équipe de développement, le délai de résolution et la fiabilité d’un correctif peuvent compter. Pour une équipe chargée de répondre à des clients, le temps de traitement doit être lu avec la satisfaction et l’exactitude des réponses. Même le mot « vitesse » peut désigner des choses différentes, comme le temps de développement ou la latence d’un modèle.
Roberts ne propose pas de remplacer les mesures habituelles. Heures économisées, demandes traitées et temps de résolution restent utiles si la qualité du résultat est contrôlée. Elle suggère d’y ajouter, selon le cas, des évaluations de l’exactitude, des hallucinations et des anomalies. Un juge fondé sur un autre modèle peut participer à ce contrôle, mais ses critères doivent être définis. L’entretien ne démontre pas qu’une telle évaluation suffit à elle seule à mesurer la qualité ou à établir un gain financier.
Ce point importe lorsqu’une organisation publie un gain d’efficacité. Produire davantage de contenus ou fermer plus de tickets peut masquer des erreurs supplémentaires, des reprises manuelles ou une dégradation du service. Le gain brut de temps n’est alors qu’une partie du bilan. Roberts cite notamment la création de contenus : augmenter le volume sans renforcer la vérification peut faire baisser la qualité.
Un exemple de conférence, sans calcul de rentabilité
Roberts décrit un processus de confirmation d’intervenants pour une conférence. Un premier agent leur a envoyé des messages, enregistré les réponses et signalé les absences de confirmation. Un second a relancé les personnes concernées. D’après son récit, 137 intervenants ont été contactés et confirmés, à l’exception de deux personnes en congé parental. Le cas illustre une tâche répétitive coordonnée entre plusieurs agents et une vérification humaine des exceptions.
Cette anecdote ne chiffre ni le temps de configuration des agents, ni leur coût d’exécution, ni le temps qu’aurait pris la même opération sans eux. Elle ne permet donc pas de calculer un ROI. Elle montre en revanche ce qu’un compte rendu de déploiement devrait rendre observable : les messages envoyés, les réponses enregistrées, les exceptions et le résultat final. Le passage du récit opérationnel à une preuve économique demanderait aussi une base de comparaison et un suivi des erreurs.
Le contexte métier, condition de l’automatisation
Pour Roberts, la différence entre une démonstration convaincante et un agent utile se joue dans l’accès au contexte : données de l’entreprise, historique des décisions, contraintes et personnes impliquées. Un assistant qui ne connaît ni les intervenants d’un événement ni les échanges précédents peut proposer une procédure générique. Il ne peut pas assurer le suivi réel décrit dans son exemple. Cette dépendance aux données internes pose une question de préparation des systèmes avant toute généralisation du déploiement.
L’entretien met aussi en garde contre l’extension prématurée d’un scénario qui a bien fonctionné quelques fois. Un prototype peut dépendre de corrections manuelles ou d’une infrastructure que l’organisation n’a pas encore. Roberts présente cette situation comme un problème de maturité du cas d’usage. C’est une lecture issue de l’expérience rapportée par une salariée de Databricks ; le billet se termine par une présentation de Genie, produit de l’entreprise. Cette dimension commerciale doit être gardée à l’esprit lorsqu’on interprète ses recommandations.
L’automatisation IA sur mesure figure parmi les services de DjeremIA.
Source : entretien de Databricks avec Amber Roberts, publié le 13 octobre 2026.