L'IA agentique sur Red Hat OpenShift : ce que font les entreprises

Points de vue d'une table ronde de clients lors du Red Hat Summit 2026

Des responsables de l'ingénierie de plateforme et de l'exploitation issus de divers secteurs (compagnies aériennes, services publics, services financiers, enseignement supérieur et secteur public) se sont réunis pour un débat ouvert sur l'IA agentique lors du Red Hat Summit 2026. Nous voulions découvrir ce qui fonctionne réellement, où se situent les risques et comment les équipes en tirent parti aujourd'hui.

De la gestion de plateforme à la collaboration autour de l'IA

La question qui était au cœur de chaque discussion lors de notre table ronde était une variante de celle-ci : À quoi ressemble une plateforme qui n'est plus un simple outil à gérer, mais qui commence à réfléchir aux côtés de votre équipe ?

Les équipes gèrent des environnements multiclusters complexes avec les mêmes effectifs qu'il y a deux ans. Le travail manuel de diagnostic des incidents, de corrélation des alertes et d'exécution des corrections consomme des ressources qui devraient être allouées au développement principal. Un participant a clairement déclaré son objectif : doubler le nombre de clusters gérés sans embaucher une seule personne supplémentaire.

Le besoin va au-delà de l'efficacité. La vraie question est la suivante : sur quoi travaillent vos meilleurs éléments lorsque les tâches routinières s'effectuent d'elles-mêmes ? Les clients de notre table ronde en ont déjà un aperçu. Les agents d'une équipe ont détecté un pilote de stockage qui plantait en silence toutes les 15 minutes, de façon invisible dans les journaux et les alertes existants. L'agent a signalé le problème avec un résumé de diagnostic complet et s'est mis en état bloqué jusqu'à ce qu'un humain autorise l'étape suivante. Cette action permet certes une résolution plus rapide, mais elle instaure également une relation fondamentalement différente entre une plateforme et les personnes qui l'exploitent.

Un retour sur investissement (ROI) surprenant au-delà de l'informatique

Certains des enseignements les plus probants ont été formulés lorsque les participants ont décrit des agents d'IA résolvant des problèmes en dehors du domaine traditionnel de l'infrastructure.

Une équipe universitaire a déployé des agents pour aider son service d'aide financière aux étudiants à identifier les étudiants qui n'avaient pas suffisamment accès aux aides financières, mais qui avaient été oubliés par les requêtes de base de données existantes. Le système a rapidement identifié plus de 100 étudiants et entre US$60 000 et US$70 000 d'aide fédérale non réclamée. L'équipe n'avait pas réalisé que ce cas d'utilisation était possible quelques semaines auparavant.

Autre exemple : une agence gouvernementale a décrit sa vision à plus long terme consistant à fournir une interface agentique pour aider les citoyens à comprendre des réglementations complexes et à coordonner automatiquement les services publics appropriés en fonction d'événements majeurs de leur vie (naissance d'un enfant, création d'une entreprise ou déménagement), offrant ainsi aux citoyens une interface intelligente unique plutôt que des dizaines de portails déconnectés.

Les organisations qui gagnent le plus de terrain sont celles qui élargissent leurs cas d'utilisation et repoussent leurs idées préconçues sur ce que l'« IA pour l'exploitation » peut signifier.

La supervision humaine n'est pas négociable

Le consensus de la table ronde était clair : l'autonomie complète n'est pas une option. Puisque l'IA n'est pas déterministe, le principal défi n'est pas de savoir s'il faut faire confiance aux agents, mais plutôt de structurer les workflows pour qu'ils puissent accélérer les tâches courantes en toute sécurité tout en laissant aux humains le contrôle des actions critiques. Les solutions agentiques nécessitent un modèle de gouvernance des workflows clair, standard et natif de la plateforme.

Le modèle qui a suscité le plus d'adhésion consiste à traiter les agents comme des ingénieurs de la fiabilité des sites (SRE) : ils analysent les systèmes, génèrent des plans d'exécution et rédigent des tickets résumant les conclusions et les actions proposées. Les ingénieurs examinent et approuvent, et l'agent n'exécute que ce qui a été explicitement autorisé.

Une équipe a partagé une mise en garde suite aux tests d'architectures d'agents de supervision, où l'agent superviseur d'IA supervise un ensemble de sous-agents spécialisés. Ils ont indiqué que trois agents subordonnés s'étaient coordonnés pour convaincre l'IA de supervision d'approuver une action qu'elle aurait dû rejeter. L'équipe l'a détecté avant que des dommages ne surviennent, mais la leçon était claire : L'IA ne peut pas gouverner d'autres IA de manière fiable sans intervention humaine.

Cet exemple met en évidence le besoin de fonctionnalités de gouvernance codifiables et faciles à utiliser, telles qu'un « service de protection » ou « Approval-as-a-Service », que les organisations peuvent déployer dans tous les environnements dès le déploiement.

Sécurisé dès la conception

Pour les équipes d'exploitation, l'un des principaux objectifs est de limiter les répercussions lorsque les outils autonomes commettent des erreurs. Les risques allaient d'un agent tentant une commande destructive (comme rm -rf) à un agent de diagnostic exécutant à plusieurs reprises des commandes gourmandes en ressources et faisant accidentellement planter le cluster même qu'il était censé réparer.

Pour atténuer ces risques, les équipes utilisent des agents en sandbox dans des environnements conteneurisés, avec des limites strictes en matière de ressources et une journalisation complète de chaque action à des fins d'audit. L'association d'agents à des couches de données déterministes, telles que des magasins de documents validés par un schéma ou d'autres systèmes qui limitent strictement les entrées acceptables, s'est également avérée très efficace pour encadrer le comportement des agents.

Les obstacles : Adhésion, pistes d'audit et ROI

Les obstacles qui freinent l'adoption sont en grande partie organisationnels plutôt que techniques.

Obtenir une adhésion interne est difficile, en particulier auprès des équipes qui ont connu des initiatives d'automatisation aux promesses excessives par le passé. Les pistes d'audit détaillées sont essentielles pour instaurer cette confiance (et sont légalement obligatoires dans certaines régions du monde) : les organisations doivent être en mesure de montrer aux régulateurs et aux dirigeants exactement ce qu'un agent a fait, le raisonnement qu'il a utilisé et qui a autorisé l'action. Sans ces preuves, les équipes de gouvernance rejettent la technologie par défaut.

Il est tout aussi essentiel de démontrer un ROI clair. Chaque équipe de la table ronde a souligné la pression pour prouver la valeur avant d'obtenir un budget. Les équipes qui progressent le plus rapidement commencent par de petites preuves de concept très visibles, documentent les résultats et utilisent ces preuves pour obtenir des financements supplémentaires. Un gain de US$60 000 à US$70 000 d'aide financière aux étudiants est un argument budgétaire bien plus convaincant qu'une réduction du bruit des alertes, même si les deux apportent de la valeur.

Principaux résultats

Les organisations participant à cette table ronde en sont à différents stades de l'adoption de l'IA agentique, mais elles font face aux mêmes questions. Quelques pratiques se démarquent parmi les équipes qui progressent le plus :

• Commencer par l'observabilité et l'autoréparation : C'est là que les difficultés opérationnelles sont les plus grandes, que les bénéfices à en tirer sont les plus évidents et qu'un périmètre délimité rend le projet gérable.
• Concevoir pour la supervision humaine dès le premier jour : N'ajoutez pas la gouvernance après coup une fois le déploiement terminé. Intégrez les workflows d'approbation, les états de blocage et les pistes d'audit directement dans votre architecture.
• Placez vos agents en sandbox : Les environnements d'exécution conteneurisés ne sont pas facultatifs : ils fournissent les garde-fous nécessaires pour permettre aux agents de fonctionner en toute sécurité.
• Prendre au sérieux les coûts d'infrastructure d'IA : Plusieurs équipes ont décrit des coûts d'inférence GPU et cloud augmentant plus rapidement que prévu, dépassant dans certains cas la valeur générée. Red Hat OpenShift AI est spécifiquement conçu pour relever ce défi, en aidant les entreprises à optimiser l'utilisation des GPU dans l'infrastructure hybride afin que le coût de l'IA à grande échelle ne devienne pas un obstacle à son déploiement. Dans un environnement où les factures d'inférence cloud et le matériel GPU sur site représentent des engagements financiers importants, il est crucial de disposer d'une plateforme qui rentabilise davantage cet investissement.
• Se concentrer sur la valeur métier à haute visibilité : Les équipes qui progressent le plus rapidement identifient des cas d'utilisation qui apportent de la valeur à l'ensemble de l'organisation, et pas seulement à l'équipe d'ingénierie de plateforme. 

Red Hat OpenShift pour l'ère de l'IA agentique

Chaque vague majeure de logiciels d'entreprise a nécessité une couche fondamentale permettant de gouverner des systèmes distribués complexes à grande échelle. À l'ère du client-serveur, il s'agissait de middlewares comme JBoss. À l'ère du cloud-native, il s'agissait de Kubernetes. À l'ère de l'IA agentique, ce rôle revient à Red Hat OpenShift et Red Hat OpenShift AI.

Les clients de cette table ronde créent des agents autonomes qui fonctionnent dans des environnements multiclusters, exécutent des décisions dans des limites de gouvernance strictes, s'intègrent aux workflows d'entreprise et s'exécutent sur une infrastructure souveraine ou hybride. Cela ne peut pas être construit de manière fiable sur des outils ad hoc. Cela nécessite une base Open Source cohérente et axée sur la sécurité, en laquelle les entreprises ont déjà confiance. 

OpenShift est bien plus qu'un orchestrateur de conteneurs. C'est la plateforme sur laquelle les frameworks d'agents, les serveurs MCP, les bibliothèques de compétences d'agents, les workflows avec intervention humaine (human-in-the-loop) et les charges de travail GPU sont unifiés en une base que les entreprises peuvent déployer, gouverner et mettre à l'échelle dans des environnements multiclusters.

L'établissement de cette base axée sur la sécurité nécessite de prendre en compte l'ensemble de la gouvernance agentique : contrôles des politiques et des autorités, gestion des identités et des accès, gouvernance des applications et des outils, sécurité et audit de l'exécution, sandbox d'exécution, gouvernance des données et du contenu, et gestion du cycle de vie avec intervention humaine. Il est essentiel que l'identité et l'authentification ne soient pas négligées : chaque action d'un agent doit être authentifiée et attribuable à une entité autorisée spécifique. 

OpenShift répond à ces exigences grâce à AgentOps, l'approche de Red Hat AI indépendante des frameworks pour opérationnaliser les agents sur n'importe quel modèle, accélérateur ou cloud, avec des garde-fous intégrés qui traitent chacune de ces couches de gouvernance et de sécurité. Il ne s'agit pas de fonctionnalités facultatives à ajouter plus tard : ce sont les fondations qui rendent possible l'IA agentique à l'échelle de l'entreprise. Les organisations qui comprennent et traitent ce point dès le début progresseront plus rapidement, gouverneront plus efficacement et passeront moins de temps à construire cette base, ce qui leur permettra d'avancer avec confiance vers l'avenir de l'IA agentique.

Pour découvrir comment Red Hat OpenShift aborde l'avenir de l'IA agentique :

• Regardez la session Product Spotlight du Red Hat Summit 2026. 
• Consultez notre article de blog intitulé « Les modèles ne génèrent pas de revenus, contrairement aux applications ». 
• Consultez la page produit de Red Hat OpenShift AI.