annuaire tech France
Actualité

Observabilité et applications IA : le fossé des entreprises

82 % des entreprises françaises sondées disent que le code généré par l'IA accroît leurs besoins d'observabilité, mais 42 % seulement surveillent leurs applications IA.

21 novembre 2026, 5 min de lecture

Observabilité et applications IA : le fossé des entreprises

Les entreprises françaises savent que l’IA complique la supervision de leurs applications, mais beaucoup n’ont pas encore les outils pour y répondre. Selon une tribune publiée par Solutions-Numériques le 20 novembre 2026, 82 % des entreprises interrogées en France estiment que le code généré par l’IA accroît leurs besoins en observabilité, alors que seules 42 % disposent d’outils pour surveiller leurs applications d’IA.

Précision utile : ces chiffres viennent d’une enquête de New Relic, un éditeur d’outils d’observabilité. Le texte est signé Mehdi Khellas, directeur des ventes EMEA de l’entreprise. Il faut donc le lire comme un point de vue de fournisseur, étayé par des données déclaratives.

Ce que dit l’enquête

D’après la tribune de Solutions-Numériques, qui reprend l’étude de New Relic, plusieurs chiffres dessinent le tableau côté français :

  • le coût annuel médian des pannes à fort impact atteint 48 millions d’euros ;
  • 48 % des entreprises s’appuient encore sur des vérifications manuelles ou sur les réclamations de clients pour repérer une interruption ;
  • les ingénieurs consacrent 26 % de leur temps à la gestion des incidents, contre 31 % l’année précédente ;
  • la maîtrise des coûts est le premier moteur des investissements en observabilité.
Observabilité et applications IA : le fossé des entreprises
Ce que dit l'enquête. Crédit : Nur Yilmaz / Pexels

Autrement dit, la détection reste largement réactive : on apprend la panne quand un client se plaint. Avec des applications qui évoluent vite, ce délai coûte cher.

Pourquoi l’IA change la donne

Une application classique se supervise avec des indicateurs connus : disponibilité, temps de réponse, taux d’erreur. Une application qui appelle un modèle de langage ajoute d’autres inconnues. IBM explique que l’observabilité de l’IA générative suit des indicateurs propres, comme l’utilisation de tokens et la dérive de modèle. Le même éditeur précise que l’observabilité peut détecter qu’une réponse contient des informations personnelles, sans pouvoir empêcher que cela se produise.

Le nombre de tokens traités pèse directement sur le coût et la performance, rappelle Elastic dans sa documentation sur l’observabilité des LLM. Un guide technique évoque même une boucle d’agent mal optimisée capable de consommer des centaines de dollars de tokens en une nuit : c’est une source éditeur, à prendre comme un ordre de grandeur et non comme une mesure.

Le code généré par l’IA ajoute une couche. Quand une partie du code n’a pas été écrite ligne à ligne par l’équipe, comprendre pourquoi un service dérive devient plus difficile. Sur ce point, notre article sur les bonnes pratiques pour expédier du code généré par l’IA donne des pistes côté production.

OpenTelemetry, la base commune

La tribune recommande de structurer la collecte des données techniques, par exemple avec OpenTelemetry, pour obtenir une vision cohérente des environnements. L’enquête de New Relic chiffre l’adoption : 12 % des répondants ont entièrement standardisé leurs pratiques autour d’OpenTelemetry, et 52 % de plus migrent, évaluent ou testent cette approche.

Observabilité et applications IA : le fossé des entreprises
OpenTelemetry, la base commune. Crédit : Clément Proust / Pexels

L’intérêt est concret. Selon la documentation, les conventions sémantiques GenAI d’OpenTelemetry définissent des attributs communs, comme le modèle utilisé et le nombre de tokens en entrée et en sortie. Datadog indique les prendre en charge nativement. Avant toute mise en œuvre, vérifiez la documentation officielle d’OpenTelemetry : ces noms d’attributs ont pu évoluer.

Côté outils, plusieurs options existent selon les comparatifs consultés : Langfuse pour le tracing LLM open source avec latence, tokens et coûts, MLflow pour le suivi des traces et des coûts, Traceloop construit sur OpenTelemetry. Pour un panorama d’un outil spécialisé, voir notre analyse d’Helicone.

Le lien avec la facture

Le message de la tribune est d’abord économique. Au niveau mondial, 42 % des entreprises qui surveillent leurs agents IA en production déclarent un retour sur investissement au moins trois fois supérieur, contre 21 % de celles qui n’ont pas de dispositif d’observabilité. L’article précise lui-même qu’il s’agit de résultats déclaratifs, qui ne garantissent pas le même effet partout.

New Relic défend aussi l’idée qu’une vision détaillée de la consommation de ressources et de tokens aide à repérer les endroits à améliorer. Pour aller plus loin sur ce volet, lisez notre dossier sur le suivi et l’optimisation des coûts liés à l’IA.

Ce que ça change pour une équipe

Sans prendre ces chiffres pour une vérité universelle, la tribune propose des réflexes simples, que l’on peut appliquer quelle que soit la taille de l’équipe :

Un prestataire à trouver ?

Dites quelle famille d’entreprise vous cherchez et dans quelle commune : la demande est enregistrée, jamais envoyée automatiquement à une entreprise.

  • Prévoir la supervision dès la conception de l’application, pas après le premier incident.
  • Automatiser la détection pour ne plus dépendre des réclamations clients.
  • Suivre les systèmes après la mise en production, y compris les agents IA et leur effet sur les services.
  • Standardiser la collecte des données techniques pour ne pas être lié à un seul outil.
  • Associer innovation, fiabilité et maîtrise des ressources dès les premières étapes d’un projet.

Pour une petite structure, le point de départ raisonnable consiste à mesurer trois choses sur chaque appel à un modèle : le temps de réponse, le nombre de tokens et le taux d’erreur. C’est le socle de base, et il suffit pour repérer la première dérive de coût. La vue d’ensemble de ce que l’IA change dans le métier est détaillée dans notre article sur la transformation de l’observabilité par l’IA.

À retenir

L’écart entre le besoin déclaré (82 %) et l’équipement réel (42 %) est le vrai sujet de cette tribune. Il reflète une situation où l’IA entre en production plus vite que les outils pour la surveiller. Les données viennent d’un éditeur et restent déclaratives, mais la direction est cohérente avec ce que décrivent IBM, Elastic et Datadog : suivre les tokens, les coûts, la latence et les erreurs devient une obligation d’exploitation, pas un confort.

FAQ : vos questions

Que retenir de « Ce que dit l’enquête » ?
D’après la tribune de Solutions-Numériques, qui reprend l’étude de New Relic, plusieurs chiffres dessinent le tableau côté français :
Pourquoi l’IA change la donne ?
Une application classique se supervise avec des indicateurs connus : disponibilité, temps de réponse, taux d’erreur.
Que retenir de « OpenTelemetry, la base commune » ?
La tribune recommande de structurer la collecte des données techniques, par exemple avec OpenTelemetry, pour obtenir une vision cohérente des environnements.
Que retenir de « Le lien avec la facture » ?
Le message de la tribune est d’abord économique. Au niveau mondial, 42 % des entreprises qui surveillent leurs agents IA en production déclarent un retour sur investissement au moins trois fois supérieur, contre 21 % de celles qui n’ont pas de dispositif d’observabilité.
Comment trouver une entreprise du numérique près de chez moi ?
L’annuaire recense 11 076 agences web, ESN, sociétés d’infogérance, hébergeurs et éditeurs de logiciels dans 96 départements : cherchez par commune, département ou code postal depuis la barre de recherche.
Cet article note-t-il les entreprises de l’annuaire ?
Non. Les articles sont éditoriaux et ne notent personne. L’annuaire reprend seulement des données publiques du répertoire SIRENE.

À lire ensuite