L'IA agentique est-elle simplement une extension des projets d'IA générative entrepris jusqu'à présent ? La réponse est non. L'accent n'est plus mis sur l'optimisation locale à travers un cas d'utilisation unique, mais sur la réinvention complète des processus métier fondamentaux afin d'en extraire une valeur tangible et mesurable.
Un agent n'est pas un assistant rebaptisé. Un assistant répond ou génère du contenu. Un agent, en revanche, vise un objectif commercial spécifique, prend des décisions, interagit avec des systèmes et exécute des actions. Il maintient un état, gère les exceptions et escalade lorsqu'il atteint ses limites. Cette différence n'est pas superficielle : un agent n'est pas conçu pour « répondre », mais pour agir dans le cadre d'un processus.
De l'IA générative à l'IA agentique : un changement de paradigme
L'approche de l'IA agentique marque une rupture nette avec la vague précédente de GenAI, qui était souvent abordée de manière fragmentée, au cas par cas.
Le débat passe « du domaine conceptuel à la réalité opérationnelle des grandes entreprises », comme en témoignent récemment des sociétés telles qu'Orange, SNCF Voyageurs et le groupe Beaumanoir. Aujourd'hui, le sujet est traité « au sommet », directement par les comités exécutifs (Comex), sous l'égide de la direction générale ou du directeur de la transformation. Le débat passe « du domaine conceptuel à la réalité opérationnelle des grandes entreprises », comme en témoignent récemment des sociétés telles qu'Orange, SNCF Voyageurs et le groupe Beaumanoir. Aujourd'hui, le sujet est traité « au sommet », directement par les comités exécutifs (Comex), sous l'égide de la direction générale ou du directeur de la transformation.
Ce changement d'échelle est significatif. Il représente un véritable changement de paradigme, selon Hanan Ouazan, associé et responsable de l'IA générative chez Artefact. L'objectif n'est plus d'améliorer progressivement un algorithme, mais de repenser et d'automatiser les processus de bout en bout afin de générer un retour sur investissement (ROI) direct et mesurable.
Hanan Ouazan souligne également les limites de l'approche précédente : « Même si vous avez fortement optimisé votre algorithme localement, il reste local. Vous dépendez de nombreux autres aspects du processus qui sont également très importants pour atteindre le retour sur investissement final ». En se concentrant sur l'ensemble du processus, Agentic AI promet de surmonter les « effets décevants » des optimisations isolées.
L'IA agentique rompt également avec l'automatisation classique. L'automatisation exécute une séquence définie de tâches. L'agentisation introduit l'arbitrage, les contrôles, la capacité d'interpréter un contexte et d'adapter le cheminement pour atteindre un objectif. Il ne s'agit plus d'un flux de travail fixe, mais d'un système qui navigue dans un processus métier.
Définir la stratégie : la méthode « pourquoi, où, comment » pour l'alignement de l'entreprise
Pour gérer une telle ambition, un cadre stratégique clair est essentiel. Afin de structurer cette transformation, l'expert propose un cadre méthodologique simple mais puissant : le triptyque « Pourquoi, Où, Comment ». L'approche consiste à répondre de manière séquentielle à trois questions fondamentales afin d'aligner l'ensemble de l'organisation.
- Le « pourquoi » : définir l'objectif stratégique global. Cette étape permet de définir l'ampleur de l'ambition et de justifier les investissements nécessaires. Ce « pourquoi » peut prendre différentes formes, comme la « boussole » centrée sur le client de SNCF Voyageurs ou la priorité donnée par Beaumanoir àl'« efficacité professionnelle» immédiate de ses équipes.
- Le « où » : définir le terrain de jeu. Une fois l'objectif fixé, l'entreprise sélectionne les fonctions et processus prioritaires où la valeur peut être capturée le plus efficacement.
- Le « comment » : définir les moyens concrets. Cela implique de mettre en place la plateforme technologique, la gouvernance et la structure organisationnelle qui soutiendront la transformation. Cette gouvernance est essentielle : l'IA agentique nécessite de clarifier qui définit les règles métier, qui supervise les agents et qui autorise les actions sensibles.
Ces décisions organisationnelles, plus que la technologie, permettent la mise à l'échelle. Le cadre garantit que l'initiative est solidement ancrée dans la stratégie de l'entreprise.
Choisir ses combats : identifier les conditions préalables et les processus éligibles
La réussite d'un projet d'IA agentique dépend d'une évaluation rigoureuse de trois conditions préalables essentielles :
- Connaissance des processus : il est impératif d'avoir une cartographie claire des opérations actuelles, car il existe souvent un écart important « entre le processus tel qu'il est décrit sur le papier et le processus tel qu'il est mis en œuvre dans l'entreprise ». Les fonctions telles que les finances ou le juridique, où des enjeux « souverains » nécessitent une documentation rigoureuse, constituent souvent des points de départ plus favorables.
- Maturité des systèmesData d'informations : l'automatisation se heurte souvent à des systèmes hérités qui n'ont pas été conçus pour être interopérables. Un agent doit non seulement être capable de lire des informations, mais aussi de les écrire pour exécuter des actions, ce qui nécessite des systèmes ouverts. Cette capacité requiert une architecture précise : un orchestrateur, une mémoire contextuelle, des connecteurs vers les systèmes métier et une couche de supervision. L'objectif est d'ajouter un « système nerveux » transversal qui relie les processus et les systèmes d'information (SI), plutôt que de réinventer ce qui existe déjà.
- Maturité organisationnelle : une structure capable de superviser les nouveaux processus, d'intégrer l'intervention humaine («human in the loop ») et de gérer le changement est indispensable.
La prise en compte de ces trois dimensions est déterminante pour une phase de déploiement sans heurts.
Une feuille de route pragmatique pour le déploiement
Une fois les processus éligibles identifiés, la méthodologie de déploiement doit être résolument pragmatique.
La première étape consiste à hiérarchiser les processus en mettant en balance la valeur potentielle (gain attendu) et la complexité de la transformation (technique, humaine, organisationnelle). Une étape cruciale consiste ensuite à réécrire le processus cible « dans un monde idéal », sans contraintes, puis à mesurer l'écart avec la réalité.
Cependant, Hanan Ouazan met en garde contre un écueil majeur : « essayer de recréer immédiatement le processus de demain ». Cette approche est vouée à l'échec. La meilleure pratique consiste à établir une feuille de route par « étapes », en commençant par les poches de valeur les plus accessibles.
Oney fournit un exemple concret avec son Agentic Proof of Concept : la filiale du BPCE s'est concentrée sur l'objectif spécifique de « rationaliser le parcours de souscription d'un prêt personnel ». Au lieu de tout réinventer, elle a commencé par automatiser l'analyse des 42 documents requis. Cette seule étape permet de gagner trois jours sur l'ensemble du processus et génère un gain immédiat.
Cette approche progressive sécurise le projet, mais n'élimine pas tous les obstacles. Parmi les anti-modèles observés sur le terrain, on peut citer : la création d'un agent avant d'avoir clarifié le processus, le fait de donner trop de latitude à un agent critique sans mesures de protection, ou le fait de supposer qu'un agent « remplacera » un rôle sans réorganisation. À l'inverse, imaginer qu'un agent est un produit fini alors qu'il nécessite une supervision et des ajustements continus est un autre écueil.
Défis au-delà de la technologie : gouvernance, héritage et maturité des outils
Les projets d'IA agentique sont confrontés à des défis qui dépassent largement le cadre purement technologique.
L'une d'elles est l'évolution extrêmement rapide des outils, que Hanan Ouazan compare à « essayer de prendre une photo d'un TGV passant à 300 km/h ». Miser sur des technologies encore en cours de développement est risqué, d'où l'importance de « choisir ses combats » avec sagesse.
Un deuxième obstacle majeur est d'ordre organisationnel. La transformation des processus est intrinsèquement transversale et entre en conflit direct avec les organisations cloisonnées où « chacun empiète sur le domaine de compétence de l'autre ». Comme l'illustre le défi relevé par SNCF Voyageurs de « toucher l'ensemble de l'organisation », ces initiatives sont vouées à l'échec sans un mandat clair émanant du plus haut niveau.
Enfin, la maturité des outils actuels est préoccupante. Artefact identifie un « fossé énorme » entre les solutions telles que les chatbots d'entreprise et les plateformes de développement complexes destinées aux profils experts. Hanan Ouazan estime qu'il est nécessaire de disposer d'outils « low-code » permettant aux utilisateurs professionnels de créer des agents, ainsi que de plateformes de supervision « de bout en bout » indépendantes des modèles.
Normes relatives à l'interopérabilité et à la supervision des agents
En ce qui concerne les protocoles tels que Agent to Agent (A2A) ou MCP, ils en sont encore à leurs débuts et le marché manque clairement de maturité. L'expert note qu'un acteur du CAC40 utilisant différents modèles (Mistral, OpenAI, Google, Azure) ne peut actuellement superviser l'ensemble de ses systèmes. Selon lui, les fournisseurs sont très attendus pour résoudre ce problème d'interopérabilité et de gestion à grande échelle. Ils doivent être en mesure de proposer des solutions qui « permettent de dimensionner la construction des agents de manière fiable et robuste » et d'assurer une «gouvernance fiable »de ces agents.
En l'absence de protocoles et de plateformes de supervision unifiés, les entreprises sont actuellement contraintes soit de faire un « pari risqué » (tout miser sur un seul modèle), soit de gérer des « interfaces », ce qui limite considérablement leur capacité à évoluer. Le principal défi technologique réside dans l'absence de normes et de solutions de gestion matures pour l'interopérabilité et la supervision d'agents provenant de plusieurs fournisseurs.
Le paysage devrait évoluer rapidement au cours des 12 à 24 prochains mois : émergence de plateformes low-code dédiées aux utilisateurs professionnels, standardisation des connecteurs transactionnels, renforcement des capacités d'observabilité et apparition d'agents spécialisés intégrés directement dans les outils quotidiens.
La question ne sera plus « est-ce faisable ? », mais « quelle séquence de processus doit être transformée et comment pouvons-nous la superviser efficacement ? ».
Regardez la replay la présentation :
