Agents IA :
ce que c'est vraiment.

Un agent IA n'est pas un chatbot. Un chatbot répond ; un agent décide, appelle des outils, agit sur vos systèmes et boucle jusqu'à ce que la tâche soit finie. C'est cette capacité d'agir qui crée la valeur — et tout le risque.

Le vocabulaire, remis en ordre

• LLM (grand modèle de langage) : le moteur. Il prend du texte et produit du texte. Seul, il ne peut rien faire d'autre.
• Chatbot : une interface de conversation par-dessus un modèle. Il répond, il n'agit pas.
• RAG (génération augmentée par récupération) : on cherche d'abord les documents pertinents dans vos données, puis on les donne au modèle pour qu'il réponde à partir d'eux. C'est ce qui permet de répondre sur vos contrats ou vos procédures internes sans réentraîner quoi que ce soit.
• Agent : un modèle à qui on donne des outils — interroger une base, envoyer un courriel, créer une facture, appeler une API — et une boucle : il choisit un outil, observe le résultat, recommence, jusqu'à ce que l'objectif soit atteint.

La distinction agent/chatbot n'est pas cosmétique. Un chatbot qui se trompe fait perdre du temps. Un agent qui se trompe crée une facture erronée, envoie un courriel à un client, ou modifie une commande. Le potentiel et le danger viennent du même endroit.

Ce qui marche, aujourd'hui

Les cas où le rapport valeur/risque est bon en entreprise :

• Le traitement documentaire. Extraire des données structurées de factures, bons de commande, contrats, rapports. Volume élevé, règles floues, vérification facile : c'est le terrain idéal.
• La recherche interne. Répondre à partir de vos procédures, contrats et historiques, avec les sources citées. Le gain n'est pas la réponse, c'est de ne plus dépendre de la personne qui « sait où c'est ».
• Le triage et l'acheminement. Classer des demandes entrantes, les router, préparer une réponse qu'un humain valide.
• La préparation de travail. L'agent prépare, l'humain approuve. Ce partage garde la vitesse et supprime l'essentiel du risque.

Pourquoi les projets d'IA meurent au démo

Le MIT a chiffré la proportion de projets d'IA sans impact mesurable sur les profits, et elle est écrasante. La cause n'est presque jamais le modèle. Elle est dans ce qui entoure le modèle :

1. La démo utilise dix documents propres. La production en a quatre-vingt mille, dont des scans de travers, des versions périmées et trois façons d'écrire le même nom de client.
2. Aucun critère d'évaluation. Sans jeu de cas de test et sans mesure de qualité, personne ne sait si un changement de prompt a amélioré ou dégradé le système. On navigue à l'impression.
3. Aucune gestion de l'échec. Le modèle est confiant et faux — c'est son mode d'échec par défaut. Sans seuil de confiance ni escalade vers un humain, l'erreur passe directement en production.
4. Le coût n'a pas été modélisé. Ce qui coûte quelques dollars en démo coûte parfois des milliers par mois à l'échelle réelle. Le calcul se fait avant, pas après.
5. Personne ne l'opère. Les modèles évoluent, les données dérivent, les prompts vieillissent. Un système d'IA sans propriétaire se dégrade silencieusement.

Ce qu'un système d'IA en production exige vraiment

La partie modèle est la plus petite. Autour, il faut :

• Un jeu d'évaluation — des cas réels avec les bonnes réponses, rejoué à chaque changement. C'est l'équivalent des tests automatisés, et c'est non négociable.
• Des garde-fous — validation des sorties, limites sur les actions autorisées, autorisations réelles. Un agent ne devrait jamais avoir plus de droits que l'humain qu'il assiste.
• Une trace — quelle décision, avec quelles données, à quel moment. Indispensable pour déboguer, et pour toute exigence de conformité.
• Un humain dans la boucle, au bon endroit — sur les actions irréversibles ou visibles par le client. Pas partout, sinon l'automatisation ne sert à rien.
• Un plan de repli — que se passe-t-il quand l'API du modèle est indisponible ou trop lente ? Le processus métier doit continuer.

Par où commencer

Pas par la technologie. Par le processus qui coûte le plus cher et dont le résultat est facile à vérifier. Trois questions suffisent à filtrer :

1. Ce processus est-il répétitif, à volume élevé, avec des règles floues ? (Si les règles sont nettes, écrivez du code ordinaire : c'est moins cher et déterministe.)
2. Peut-on vérifier facilement si le résultat est correct ?
3. Quel est le coût d'une erreur, et existe-t-il un moyen de la rattraper ?

Si les trois réponses sont bonnes, il y a un projet. Sinon, l'IA n'est pas encore le bon outil — et le dire tôt vous fait économiser un trimestre.

Notre approche

On existe pour les projets qui se rendent en production. On mesure vos processus avant de bâtir, on écrit un plan avec une cible chiffrée, on livre un système opéré et supervisé, puis on remesure. Le code et la propriété intellectuelle vous appartiennent, et vos équipes sont formées pour l'opérer sans nous.

Questions fréquentes

Quelle est la différence entre un agent IA et un chatbot ?

Un chatbot répond à des questions. Un agent dispose d'outils — interroger une base, envoyer un courriel, créer un document, appeler une API — et d'une boucle de décision : il choisit une action, observe le résultat et recommence jusqu'à ce que la tâche soit terminée.

Qu'est-ce que le RAG en intelligence artificielle ?

La génération augmentée par récupération consiste à chercher d'abord les documents pertinents dans vos propres données, puis à les fournir au modèle pour qu'il réponde à partir d'eux. C'est ce qui permet de répondre sur vos contenus internes sans réentraîner de modèle.

Pourquoi la plupart des projets d'IA n'atteignent-ils jamais la production ?

Rarement à cause du modèle. Les causes habituelles sont l'absence de jeu d'évaluation, des données réelles bien plus sales que celles de la démo, aucune gestion des cas où le modèle est confiant et faux, un coût à l'échelle jamais modélisé, et aucune personne responsable de l'exploitation.

Quels processus d'entreprise se prêtent le mieux à un agent IA ?

Ceux qui sont répétitifs, à volume élevé, régis par des règles floues et dont le résultat est facile à vérifier : traitement documentaire, recherche interne dans vos procédures, triage de demandes entrantes, préparation de travail validée par un humain.

À lire ensuite

• MVP, POC et prototype
• IA en éducation
• Développement logiciel : le cycle complet
• Développement logiciel sur mesure

Parlons de votre projet

Vous voulez savoir où l'IA vous ferait réellement gagner du temps ou de l'argent, avant d'engager un budget ? C'est exactement ce que fait la séance de direction IA.