Agents IA en entreprise : un assistant répond, un agent agit

Un agent IA est un système qui perçoit un contexte, décide d’une suite d’actions et les exécute dans vos outils, en itérant jusqu’au résultat. La définition tient en une phrase. Le mot, lui, est devenu si à la mode qu’une bonne partie des "agents IA" présentés aux entreprises sont des chatbots avec un logo neuf.

Un agent, sans le folklore

La distinction utile est simple : un assistant répond, un agent agit. Un assistant qui répond depuis votre documentation est un excellent projet, avec ses propres conditions de réussite, mais ce n’est pas un agent. Un agent reçoit un objectif ("traite ce dossier", "prépare cette commande"), dispose d’outils (lire un email, interroger l’ERP, créer une écriture) et enchaîne les étapes lui-même, en s’adaptant à ce qu’il trouve en route.

La différence tient moins à l’intelligence du modèle qu’au droit d’agir. Un chatbot qui se trompe produit une réponse fausse ; un agent qui se trompe produit une action fausse dans vos systèmes. Toute la discipline des agents découle de cette différence.

Ce qu’un agent IA fait déjà en entreprise

En production, début 2026, les agents qui fonctionnent se ressemblent. Le traitement de dossiers de bout en bout : lire les pièces, extraire, vérifier contre les référentiels, préparer la décision, avec une file de validation humaine en sortie. La qualification et le routage des demandes entrantes, avec escalade quand le cas sort du connu. La préparation d’actions, brouillons de réponses, d’écritures, de commandes, qu’un humain valide avant exécution. Et les enchaînements d’analyse, où plusieurs étapes de recherche, de calcul et de rédaction se succèdent : nous avons construit pour Pigment un système multi-agents d’analyse financière qui tourne en production, et il appartient à cette famille.

Le point commun de tous ces systèmes : un périmètre borné, une sortie vérifiable, et une validation humaine sur tout ce qui est irréversible. Aucun ne ressemble à l’agent universel des keynotes, et c’est pour cela qu’ils marchent.

Ce qui reste fragile

Premier point faible : les chaînes longues et autonomes. Les erreurs se multiplient d’étape en étape : un agent qui réussit chaque étape à 95 % ne mène plus qu’environ 60 % des tâches au bout quand il en enchaîne dix. Les systèmes fiables sont courts, ou coupés par des points de contrôle.

Deuxième fragilité : les cas limites. Un agent brille sur les cas qui ressemblent à ce qu’il connaît et se dégrade sans prévenir sur les autres ; sans mécanisme d’escalade explicite, il improvise, et c’est le pire des comportements. S’ajoutent le coût par tâche aboutie, qui se mesure trop rarement, et l’évaluation, plus difficile que pour un simple assistant puisqu’il faut juger des trajectoires entières et pas des réponses isolées.

Rien de tout cela n’est rédhibitoire. Tout cela se traite par le cadrage : périmètre étroit, escalade prévue, coût suivi. Le choix du premier terrain obéit d’ailleurs aux mêmes critères que toute automatisation : l’ennuyeux bat le spectaculaire.

Avant de lui ouvrir vos systèmes

Six questions à régler avant la mise en production, et de préférence avant la première ligne de code :

1. Quelle est la pire action que cet agent peut accomplir avec les droits qu’on lui donne ?
2. Ses droits sont-ils minimaux, nominatifs et révocables, ou hérite-t-il d’un compte trop puissant ?
3. Quelles actions exigent une validation humaine, et lesquelles peuvent partir seules ?
4. Chaque action est-elle journalisée, au point de pouvoir reconstituer qui a fait quoi et pourquoi ?
5. Que fait l’agent quand il ne sait pas : escalade prévue ou improvisation ?
6. Combien coûte une tâche aboutie, et que devient ce coût à volume réel ?

La première question est la bonne entrée en matière avec un fournisseur : sa réaction vous dira s’il a déjà mis un agent en production. Elle devient critique quand l’agent doit écrire dans un ERP ou un CRM, un chantier qui a ses propres règles.

Le mot passera de mode ; les systèmes, eux, resteront, et ils se construisent dès maintenant avec ces garde-fous. C’est le cahier des charges que nous imposons à chaque système d’IA sur mesure que nous mettons en production : périmètre borné, droits minimaux, validation humaine, journalisation.