Est IA agentique simplement une extension de la IA générative jusqu'à présent ? La réponse est non. L'accent n'est plus mis sur l'optimisation locale par le biais d'un cas d'utilisation unique, mais sur la réinvention complète des processus d'entreprise 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 les systèmes et exécute des actions. Il maintient un état, gère les exceptions et remonte les échelons 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 générique à l'IA agentique : un changement de paradigme
L'approche de IA agentique marque une nette rupture avec les précédentes GenAI la vague, qui a souvent été abordée de manière fragmentée, au cas par cas.
Le débat se déplace des “sphères conceptuelles vers les la réalité opérationnelle des grandes entreprises,comme l'ont montré récemment des entreprises telles qu'Orange, SNCF Voyageurs ou le groupe Beaumanoir. Aujourd'hui, le sujet est traité ”par le haut“, directement par les Comités exécutifs (Comex), parrainés par la direction générale ou le Chief Transformation Officer. Le débat passe des ”sphères conceptuelles à la réalité opérationnelle des grandes entreprises“, comme l'ont montré récemment des entreprises telles qu'Orange, SNCF Voyageurs et le groupe Beaumanoir. Aujourd'hui, le sujet est traité ”par le haut“, directement par les Comités exécutifs (Comex), parrainés par la direction générale ou le Chief Transformation Officer.
Ce changement d'échelle est significatif. Il représente un véritable changement de paradigme, selon Hanan Ouazan, Partner & Generative AI Lead chez Artefact. L'objectif n'est plus d'améliorer progressivement un algorithme, mais de repenser et d'automatiser les processus de bout en bout pour générer une valeur ajoutée directe et mesurable. le retour sur investissement (ROI).
Hanan Ouazan souligne également les limites de l'approche précédente : “Même si vous avez fortement optimisé votre algorithme au niveau local, il reste local. Vous dépendez de nombreux autres aspects du processus qui sont également très importants pour obtenir le retour sur investissement final”. En se concentrant sur l'ensemble du processus, l'IA agentique 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'agentization introduit l'arbitrage, le contrôle, la capacité d'interpréter un contexte et d'adapter le chemin pour atteindre un objectif. Il ne s'agit plus d'un flux de travail fixe, mais d'un système qui navigue un processus d'entreprise.
Définir le cap : La méthode “Pourquoi, Où, Comment” pour l'alignement de l'entreprise
Pour gérer une telle ambition, un cadre stratégique clair est indispensable. Pour structurer cette transformation, l'expert propose un cadre méthodologique simple mais puissant : le cadre stratégique. “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 de haut niveau. Cette étape permet de donner de l'ampleur à 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 hiérarchisation des ”Pourquoi“ immédiats de Beaumanoir.“efficacité professionnelle”pour ses équipes.
- Le “où” : Définir le terrain de jeu. Une fois l'objectif fixé, l'entreprise sélectionne les fonctions et les processus prioritaires où la valeur peut être capturée le plus efficacement.
- Le “comment” : Définir les moyens concrets. Il s'agit d'établir la plateforme technologique, la gouvernance et la structure organisationnelle qui soutiendront la transformation. Cette gouvernance est essentielle : IA agentique nécessite de préciser qui définit les règles de fonctionnement, 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 fermement ancrée dans la stratégie de l'entreprise.
Choisir les batailles : Identifier les conditions préalables et les processus éligibles
Le succès d'une IA agentique dépend d'une évaluation rigoureuse de trois conditions préalables essentielles :
- 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 écrit sur le papier et le processus tel qu'il est appliqué dans l'entreprise”. Les fonctions telles que la finance ou le juridique, où les enjeux “souverains” nécessitent une documentation stricte, sont souvent des points de départ plus favorables.
- Data et Maturité du système d'information : L'automatisation se heurte souvent à des systèmes existants 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 exige des systèmes ouverts. Cette capacité nécessite une architecture précise : un orchestrateur, une mémoire de contexte, des connecteurs vers les systèmes d'entreprise 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 de nouveaux processus, intégrant l'intervention humaine (“l'homme dans la boucle“), et la gestion du changement est indispensable.
La prise en compte de ces trois dimensions est décisive pour le bon déroulement de la phase de déploiement.
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 classer les processus par ordre de priorité en comparant la valeur potentielle (gain attendu) à la complexité de la transformation (technique, humaine, organisationnelle). Une étape cruciale consiste ensuite à réécrire le processus cible “dans un monde idéal”, sans contraintes, et à mesurer ensuite l'écart avec la réalité.
Hanan Ouazan met cependant 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 construire une feuille de route par “morceaux”, en commençant par les poches de valeur les plus accessibles.
Oney fournit un exemple concret avec sa preuve de concept agentique : 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 simple étape permet de gagner trois jours sur l'ensemble du processus et génère un gain immédiat.
Cette approche incrémentale sécurise le projet mais n'élimine pas tous les obstacles. Les anti-modèles observés sur le terrain sont les suivants : construire un agent avant de clarifier le processus, donner trop de latitude à un agent critique sans garde-fous, ou supposer qu'un agent “remplacera” un rôle sans réorganisation. Inversement, imaginer qu'un agent est un produit fini alors qu'il nécessite une supervision et un ajustement continus est un autre piège.
Les défis au-delà de la technologie : Gouvernance, héritage et maturité des outils
IA agentique sont confrontés à des défis qui dépassent largement le cadre purement technologique.
D'une part, l'évolution extrêmement rapide des outils, que Hanan Ouazan compare à “essayer de prendre une photo d'un TGV qui passe à 300 km/h”. Parier sur des technologies encore en construction est risqué, d'où l'importance de bien “choisir ses batailles”.
Un deuxième obstacle majeur est d'ordre organisationnel. Transformation des processus est par nature transversale et se heurte de plein fouet aux organisations en silos où “tout le monde se marche sur les pieds”. Comme l'illustre le défi de SNCF Voyageurs de ’toucher l'ensemble de l'organisation“, ces initiatives sont vouées à l'échec sans un mandat clair porté au plus haut niveau.
Enfin, la maturité des outils actuels est un sujet de préoccupation. L'expert Artefact identifie un “fossé énorme” entre des solutions comme les chatbots d'entreprise et les plateformes de développement complexes destinées aux profils d'experts. Hanan Ouazan estime qu'il faut “Outils ”low-code pour permettre aux utilisateurs professionnels de créer des agents, ainsi que des plateformes de supervision “de bout en bout” indépendantes des modèles.
Normes d'interopérabilité et de supervision des agents
Quant aux protocoles comme 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 pas superviser l'ensemble de ses systèmes. Selon lui, les fournisseurs sont très attendus pour résoudre ce problème de supervision. interopérabilité et la gestion à grande échelle. Ils doivent être en mesure d'offrir des solutions qui “permettent de construire des agents de manière fiable et robuste” et qui permettent de “[ ?“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 “gros pari” (tout miser sur un modèle unique), soit de gérer des “interfaces”, ce qui limite fortement leur capacité d'évolution. 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 multiples fournisseurs.
Le paysage devrait évoluer rapidement au cours des 12 à 24 prochains mois. plates-formes à code réduit dédiés aux utilisateurs professionnels, la standardisation 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 doit être transformée et comment pouvons-nous la superviser efficacement ?.
Regardez le replay de la présentation :
