Ismail Amla de Kyndryl discute de la nouvelle politique de l'entreprise en tant que processus de code et de la manière dont elle peut aider à résoudre les problèmes d'IA tels que la dérive agentique.
Lorsqu’il s’agit d’adopter l’IA en entreprise, les problèmes de conformité deviennent de plus en plus importants.
Selon le rapport de préparation le plus récent de Kyndryl, 31 % des entreprises clientes citent les problèmes de réglementation ou de conformité comme le principal obstacle limitant la capacité de leur organisation à étendre ses investissements technologiques récents.
2026 marque en particulier un moment important dans le calendrier de mise en conformité de l'IA, avec l'entrée en vigueur en août des règles de transparence de la loi européenne sur l'IA.
Le mois dernier, Kyndryl a annoncé sa nouvelle « capacité de politique en tant que code » – un nouveau processus conçu pour créer des flux de travail d'IA agentique régis par des politiques pour les entreprises.
« La politique en tant que code est le processus de traduction des règles, politiques et exigences de conformité d'une organisation en code lisible par machine, de sorte que les systèmes d'IA sont limités à fonctionner uniquement dans le cadre de garde-fous prédéfinis », explique Ismail Amla, vice-président senior chez Kyndryl Consult. « Des experts humains continuent de superviser toutes les activités liées à ces processus. »
Conception conforme
« De nombreuses organisations, en particulier celles travaillant dans des environnements complexes et hautement réglementés, souhaitent développer l'IA agentique, mais sont freinées par des préoccupations en matière de sécurité, de conformité et de contrôle », explique Amla.
S'adressant à SiliconRepublic.com, il affirme que la politique en tant que code peut aider les organisations à soutenir « des interprétations politiques cohérentes » et à définir des limites opérationnelles claires, garantissant ainsi que les actions des agents sont explicables, révisables et « alignées sur les normes organisationnelles ».
Amla affirme également que le cadre peut aider à réduire les coûts, à accélérer la prise de décision, à éliminer les erreurs et à « alimenter les flux de travail natifs de l’IA dans le cadre de garde-fous politiques définis ».
« En intégrant les exigences politiques et réglementaires directement dans les opérations des agents d'IA, la politique sous forme de code peut aider les organisations à exécuter des flux de travail d'IA qui sont régis, transparents, explicables et alignés sur les exigences de l'entreprise. »
Mais qu’en est-il des applications à long terme de la politique en tant que code ?
Amla affirme que le principal avantage du processus est « la confiance grâce à une gouvernance plus forte, une meilleure transparence, un risque opérationnel moindre et une IA plus fiable à grande échelle ».
« La gestion de l'exécution des flux de travail agentiques de cette manière prend en charge le déploiement contrôlé et responsable d'agents d'IA soumis à des contraintes politiques dans des secteurs tels que les opérations financières, les services publics, les chaînes d'approvisionnement et d'autres domaines critiques, où la fiabilité et la prévisibilité sont essentielles », explique-t-il.
Attrapez la dérive
Au cours de l'année écoulée, selon Amla, le plus grand changement qu'il a remarqué dans l'adoption de l'IA est que les organisations vont au-delà des preuves de concept et « se concentrent plus sérieusement sur ce qu'il faut pour que l'IA fonctionne en production et à grande échelle ».
« Cela signifie accorder davantage d’attention à l’infrastructure, à la gouvernance, à la qualité des données et à la préparation organisationnelle », dit-il. « Les organisations passent de l’expérimentation à la prise de décisions plus stratégiques grâce à l’expérience qu’elles ont acquise, afin d’obtenir des résultats et des performances à plus forte valeur ajoutée pour leur organisation, et d’obtenir un retour sur investissement. »
Mais l’accent accru mis sur des intégrations sérieuses de l’IA entraîne des risques, en particulier si une organisation n’est pas pleinement préparée.
Amla met en garde contre ce qu'on appelle la « dérive agentique », qui fait référence au moment où un agent d'IA peut paraître fiable tout en travaillant vers des résultats indésirables en raison d'une séparation progressive de l'intention ou du but initial de l'agent opérateur.
« La dérive agentique crée des défis urgents pour toutes les organisations, mais elle est particulièrement aiguë dans le secteur public et les secteurs hautement réglementés, tels que la banque et la santé », explique Amla.
« Dans ces secteurs, les organisations ne peuvent pas passer des projets pilotes à la production si les problèmes de contrôle, de confiance et de conformité ne sont pas résolus. Il est clair que les entreprises ont besoin de toute urgence d'un moyen de limiter ce que les agents peuvent faire au moment de l'exécution et de combler les lacunes en matière de gouvernance bien avant que la dérive ne conduise à des échecs financiers ou de conformité. »
Amla estime que la politique en tant que code peut aider à résoudre ce problème, en raison de sa capacité à permettre aux entreprises de traduire leurs règles et politiques en instructions lisibles par machine qui « régissent la manière dont les agents d’IA raisonnent, s’adaptent et agissent ».
« Cela réduit considérablement le risque de dérive agentique », dit-il. « Cela atténue également les problèmes de confiance et de conformité entre les grandes entreprises et un retour sur leurs investissements en IA. »
