ServiceNow s’attaque au vrai frein des agents IA autonomes : la donnée d’entreprise

C’est cette fragmentation du contexte que ServiceNow veut traiter. CXO Insight a décrit les annonces de Knowledge 2026 comme une tentative de sortir les entreprises du chaos de l’IA, en reliant l’exécution de l’IA aux workflows, aux systèmes et aux départements .

Pas un chatbot de plus : une IA qui exécute

Le virage stratégique est clair : passer d’une IA qui suggère à une IA qui exécute. Selon TechTarget, ServiceNow estime qu’une grande partie de l’IA d’entreprise s’arrête encore à la réponse, au résultat ou à l’insight, alors que l’objectif est désormais d’aller vers un travail autonome de bout en bout .

Cette différence change complètement les besoins en données. Un chatbot peut s’appuyer sur des documents statiques. Un agent d’entreprise qui clôt un ticket, route une exception ou modifie un workflow a besoin d’un contexte plus frais et plus fiable : état courant du dossier, fiche client ou collaborateur, politique applicable, droits d’accès, chemins d’escalade et système dans lequel l’action finale doit être enregistrée.

La nouvelle fondation de données de ServiceNow est conçue pour soutenir ce type de travail agentique en rapprochant données, contexte et exécution des workflows dans un cadre gouverné .

Les trois briques annoncées

ServiceNow met en avant trois composants principaux :

• Context Engine, présenté comme une brique destinée à fournir aux agents IA une intelligence contextuelle d’entreprise .
• Autonomous Data Analytics, positionné comme une capacité d’analyse pilotée par l’IA sur les données d’entreprise .
• Workflow Data Fabric, décrit comme une couche de données gouvernée aidant l’IA autonome à agir à l’échelle de l’entreprise .

L’objectif n’est donc pas seulement d’ajouter une couche de reporting. ServiceNow cherche à rendre les données utilisables au moment où le travail se déroule, dans les workflows où les agents doivent raisonner, coordonner et exécuter.

Cette approche s’inscrit dans l’architecture plus large de l’éditeur. ServiceNow indique que son AI Agent Fabric permet la communication entre agents ServiceNow et agents tiers via Agent2Agent, ou A2A, et que les agents peuvent obtenir du contexte depuis des outils, données et systèmes externes grâce au Model Context Protocol, ou MCP .

La version simple

ServiceNow tente d’éviter que l’IA d’entreprise ne devienne une collection de robots isolés.

Sans contexte partagé, un agent peut comprendre le ticket, un autre le client, un troisième l’infrastructure, sans qu’aucun n’ait assez de visibilité ou d’autorité pour terminer le travail. On obtient alors une automatisation morcelée : des résumés utiles, des suggestions parfois pertinentes, mais une exécution limitée.

Le message de Knowledge 2026 dépasse d’ailleurs la seule question des données. CXO Insight rapporte que les annonces couvrent aussi AI Control Tower, Autonomous Workforce, l’intelligence de données et la sécurité, avec l’ambition de soutenir toute la chaîne de valeur de l’IA, de la donnée à la décision, puis à l’exécution et à la confiance . Dans cette stratégie, la fondation de données joue le rôle de tissu conjonctif : elle aide les agents à comprendre la situation, la décision à prendre et le prochain mouvement du workflow.

La gouvernance n’est pas une annexe

Pour des agents autonomes en entreprise, pouvoir agir et devoir agir sont indissociables. ServiceNow insiste sur des données gouvernées, et pas seulement sur des données en temps réel . C’est essentiel, car le risque d’un agent autonome n’est pas uniquement une mauvaise réponse : c’est aussi une mauvaise action.

La couverture de la stratégie Autonomous Workforce de ServiceNow va dans le même sens. Cloud Wars a décrit des agents IA spécialisés capables d’exécuter des tâches dans les workflows de l’entreprise tout en respectant les exigences de gouvernance des clients . Les recommandations de mise en œuvre des workflows agentiques ServiceNow soulignent aussi l’importance de contrôles human-in-the-loop, d’objectifs clairs et de cadres d’audit robustes .

La réussite ne dépendra donc pas seulement de la qualité des modèles. Les entreprises devront comprendre précisément comment fonctionnent les droits, les validations, le traitement des exceptions, la supervision et les journaux d’audit lorsque les agents passent de la recommandation à l’exécution.

Ce que les entreprises devraient vérifier

L’annonce pose le cadre stratégique, mais les acheteurs devront tester les détails opérationnels. Les questions les plus importantes sont très concrètes :

• Quelles sources de données et quels systèmes d’entreprise la fondation peut-elle réellement atteindre ?
• Les données sont-elles suffisamment à jour pour les workflows critiques ?
• Comment les permissions, validations et exceptions sont-elles appliquées ?
• Quelle trace d’audit est créée après une action menée par un agent ?
• Les agents peuvent-ils mettre à jour les systèmes de référence, ou se limitent-ils à recommander les prochaines étapes ?
• À quel moment un humain reprend-il la main si la confiance, la politique interne ou le risque l’exige ?

Ces réponses diront si la plateforme devient une vraie couche d’exécution ou simplement une interface supplémentaire posée sur des données d’entreprise encore fragmentées.

À retenir

ServiceNow s’attaque à l’écart entre promesse et exécution de l’IA d’entreprise. Des agents autonomes ne peuvent pas accomplir un travail de façon fiable s’ils n’ont pas accès à un contexte vivant, à des données gouvernées et aux workflows où les processus métier se déroulent réellement. Sa nouvelle fondation de données est une tentative de relier données, décisions et actions afin que les agents opèrent dans les contrôles de l’entreprise, et non à côté d’eux .