Gartner

Gartner a défini l'AIOps en 2016, et cette définition continue de structurer la description des opérations IT automatisées : une progression allant de la maintenance prédictive, où le système alerte un humain, à la remédiation automatisée, puis à des systèmes autonomes d'auto-réparation capables de diagnostiquer et de résoudre des problèmes inédits sans intervention.

Deux chiffres du cabinet portent l'essentiel de l'argumentation autour de l'IA agentique. Patrick Joubert, CEO de Rippletide, ouvre sur l'écart mesuré par Gartner : 64% des dirigeants technologiques souhaitent déployer de l'IA agentique dans les 24 prochains mois, alors que seuls 17% l'ont effectivement mise en production. Il lit cet écart comme un problème de gouvernance et de confiance plutôt que de capacité. À côté figure la prévision selon laquelle 40% des projets d'IA agentique seront abandonnés d'ici 2027, pour coûts excessifs, ROI incertain et contrôles de risque insuffisants.

Une troisième prévision vise le métier lui-même : d'ici 2028, le rôle du développeur passe de l'implémentation à l'orchestration. Marco Mornati s'appuie dessus pour conclure son expérimentation BMAD d'une journée, où la contrainte déterminante s'est révélée être le jugement architectural plutôt que la génération de code.

Le «Hype Cycle for Generative AI 2025» projette que plus de 95% des entreprises auront intégré des API, modèles ou applications d'IA générative en production d'ici 2028, et classe le domaine en quatre zones d'investissement : les modèles, l'AI engineering, les agents et applications, et l'infrastructure. La même organisation qui prévoit une adoption quasi universelle d'ici 2028 prévoit l'abandon de quatre projets agentiques sur dix l'année précédente.