L'IA agentique est-elle simplement une extension des projets d'IA générative menés jusqu'à présent ? La réponse est non. L'accent n'est plus mis sur l'optimisation locale dans le cadre d'un cas d'utilisation unique, mais sur la réinvention complète des processus métier fondamentaux afin d'en tirer une valeur tangible et mesurable.

Un agent n'est pas simplement un assistant sous un autre nom. Un assistant répond à des questions ou génère du contenu. Un agent, en revanche, poursuit un objectif métier précis, prend des décisions, interagit avec des systèmes et exécute des actions. Il gère l'état du système, traite les exceptions et transmet le problème à un niveau supérieur lorsqu'il atteint ses limites. Cette différence n'est pas purement formelle : un agent n'est pas conçu pour « répondre », mais pour agir au sein 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 l'IA générative, qui était souvent abordée de manière fragmentée, au cas par cas.

Le débat passe « du domaine théorique à la réalité opérationnelle des grandes entreprises », comme l’ont récemment démontré des sociétés telles qu’Orange, SNCF Voyageurs et le groupe Beaumanoir. Aujourd’hui, le sujet est traité « au plus haut niveau », directement par les comités exécutifs (Comex), sous l’égide de la direction générale ou du directeur de la transformation. Le débat passe « des sphères conceptuelles à la réalité opérationnelle des grandes entreprises », comme l’ont récemment démontré des sociétés telles qu’Orange, SNCF Voyageurs et le groupe Beaumanoir. Aujourd’hui, le sujet est traité « au plus haut niveau », directement par les comités exécutifs (Comex), sous l’égide de la direction générale ou du directeur de la transformation.

Ce changement d'échelle est considérable. Il s'agit d'un véritable changement de paradigme, selon Hanan Ouazan, associée 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 au niveau local, cette optimisation reste locale. 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 figé, mais d'un système qui navigue au sein d'un processus métier.

Tracer la voie : la méthode « Pourquoi, Où, Comment » pour l'alignement de l'entreprise

Pour mener à bien une telle ambition, il est essentiel de disposer d'un cadre stratégique clair. Afin de structurer cette transformation, l'expert propose un cadre méthodologique simple mais efficace : le triptyque « Pourquoi, Où, Comment ». Cette approche consiste à répondre successivement à trois questions fondamentales afin d'aligner l'ensemble de l'organisation.

  1. 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 accordée par Beaumanoir àl’« efficacité opérationnelle» immédiate de ses équipes.
  2. Le « où » : définir le champ d'action. Une fois l'objectif fixé, l'entreprise sélectionne les fonctions et les processus prioritaires dans lesquels la valeur peut être capturée le plus efficacement.
  3. Le « comment » : définir les moyens concrets. Il s'agit 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 préciser qui définit les règles métier, qui supervise les agents et qui autorise les actions sensibles.

Ce sont ces décisions organisationnelles, bien plus que la technologie, qui permettent la mise à l'échelle. Ce cadre garantit que l'initiative s'inscrit pleinement dans la stratégie de l'entreprise.

Choisir ses priorités : identifier les conditions préalables et les processus éligibles

La réussite d'un projet d'IA agentique repose sur une évaluation rigoureuse de trois conditions préalables essentielles :

  1. Connaissance des processus : il est impératif de disposer d'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 celui tel qu'il est mis en œuvre au sein de l'entreprise ». Les services tels que la direction financière ou le service juridique, où des enjeux « cruciaux » exigent une documentation rigoureuse, constituent souvent des points de départ plus propices.
  2. Maturité des systèmes d'informationData : 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.
  3. Maturité organisationnelle : il est indispensable de disposer d'une structure capable de superviser les nouveaux processus, d'intégrer l'intervention humaine («human in the loop ») et de gérer le changement.

La prise en compte de ces trois aspects est déterminante pour assurer le bon déroulement de la phase de déploiement.

Une feuille de route pragmatique pour le déploiement

Une fois les processus concernés identifiés, la méthodologie de mise en œuvre 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 (sur les plans technique, humain et organisationnel). Il est ensuite essentiel de redéfinir le processus cible « dans un monde idéal », sans aucune contrainte, puis de mesurer l'écart par rapport à la réalité.

Hanan Ouazan met toutefois en garde contre un écueil majeur : « tenter de reproduire immédiatement le processus de demain ». Une telle approche est vouée à l'échec. La meilleure approche consiste à établir une feuille de route par « étapes », en commençant par les sources de valeur les plus accessibles.

Oney en donne un exemple concret avec son « Agentic Proof of Concept » : la filiale de 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 garantit la réussite du 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, l'octroi d'une trop grande latitude à un agent clé sans mettre en place de garde-fous, ou le fait de supposer qu'un agent « remplacera » un rôle sans réorganisation. À l'inverse, considérer un agent comme un produit fini alors qu'il nécessite une supervision et des ajustements continus constitue un autre écueil.

Des défis qui vont 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 filant à 300 km/h ». Miser sur des technologies encore en cours de développement est risqué, d'où l'importance de « bien choisir ses batailles ».

Un deuxième obstacle majeur est d'ordre organisationnel. La transformation des processus est par nature transversale et se heurte de plein fouet à des organisations cloisonnées où « tout le monde se marche sur les pieds ». Comme l'illustre le défi de SNCF Voyageurs consistant à « toucher l'ensemble de l'organisation », ces initiatives sont vouées à l'échec sans un mandat clair émanant des plus hautes instances.

Enfin, la maturité des outils actuels suscite des inquiétudes. Artefact met en évidence un « fossé considérable » entre les solutions telles que les chatbots d'entreprise et les plateformes de développement complexes destinées aux profils d'experts. Hanan Ouazan estime qu'il existe un besoin d'outils « low-code » permettant aux utilisateurs métier 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 divers modèles (Mistral, OpenAI, Google, Azure) ne peut actuellement pas 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 faire évoluer la construction d'agents de manière fiable et robuste » et qui assurent une «gouvernance fiable »de ces agents.

En l'absence de protocoles unifiés et de plateformes de supervision, les entreprises sont actuellement contraintes soit de faire un « pari risqué » (en misant tout sur un seul modèle), soit de gérer des « interfaces », ce qui limite considérablement leur capacité à se développer. Le principal défi technologique réside dans l'absence de normes et de solutions de gestion éprouvées 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 : l'émergence de plateformes « low-code » destinées aux utilisateurs professionnels, la normalisation des connecteurs transactionnels, le renforcement des capacités d'observabilité et l'apparition d'agents spécialisés intégrés directement dans les outils quotidiens.

La question ne sera plus « est-ce faisable ? », mais « quelle séquence de processus faut-il transformer et comment pouvons-nous la superviser efficacement ? ».

Regardez l'replay la présentation :