L'adoption par les consommateurs reste également relativement faible. Malgré l'utilisation de termes tels que « révolution »,data que la plupart des utilisateurs s'en servent une fois par semaine plutôt que quotidiennement, contrairement à l'utilisation plus fréquente des réseaux sociaux ou de plateformes telles que Google. Cela suggère que l'IA générative n'est pas encore devenue une véritable habitude chez les consommateurs. Les gens l'utilisent de temps en temps — parfois de manière intensive — mais elle n'est pas encore devenue un pilier de la vie quotidienne. En d'autres termes, l'engouement médiatique devance encore la réalité.
Malgré ces rapports, nous pensons que l'IA générale marque un tournant fondamental d'une ampleur comparable à celle d'Internet ou du smartphone. Internet nous a apporté près de deux décennies d'innovation et de création d'entreprises. La révolution du smartphone a généré 15 années de croissance alimentée par les applications mobiles. Nous pensons que l'IA générale va ouvrir une ère de transformation similaire — peut-être une décennie, voire plus, de création de valeur nouvelle.
Ce schéma est courant avec les nouvelles technologies (un optimisme excessif suivi d’une désillusion, puis d’une véritable création de valeur, souvent illustré parle cycle de hype de Gartner). À notre avis, bon nombre des principaux défenseurs de l’IA exagèrent lorsqu’ils affirment avec assurance que des pans entiers de l’économie seront bientôt remplacés par l’IA. En effet, la mise en place d’une IA réelle et fonctionnelle dans des entreprises établies est un travail de longue haleine : elle nécessite data relativement propres, une cartographie des processus et une expérimentation approfondie — et même dans ce cas, elle requiert souvent l’intervention humaine. Cependant, nous observons de réels progrès en coulisses, dont certains exemples suggèrent que l’utilisation de systèmes multi-agents pour automatiser et remplacer les tâches répétitives pourrait conduire à une augmentation plus durable et plus fondamentale de la productivité.
Nous estimons que les dirigeants ne devraient pas chercher à prédire ce qui se passera dans dix ans. Ils devraient plutôt se demander ce qu’ils peuvent réellement accomplir au cours des deux prochaines années. D’après les projets que nous avons menés depuis fin 2024, l’IA agentique s’avère être un véritable tournant (du moins à court terme), apportant une réelle valeur ajoutée aux entreprises. La réalité est également que les gains financiers par projet sont satisfaisants, mais aucun d'entre eux n'est spectaculaire. Ces gains progressifs s'apparentent à la méthode Lean, une comparaison que le PDG de Microsoft,Satya Nadella, a également faite.
En nous appuyant sur notre travail sur un ensemble de projets qui mettent en œuvre avec succès des systèmes d'IA multi-agents, nous avons constaté que pour tirer pleinement parti de cette technologie, il faut aller au-delà du battage médiatique, comprendre ce dont elle est capable et mettre ces capacités au service d'opportunités concrètes de création de valeur. Cela nécessite également une approche pragmatique de la mise en œuvre des systèmes multi-agents, fondée sur l'expérimentation et l'apprentissage.
L'essor du paradigme du flux de travail agentique
Au cours des dernières années, la maturité des technologies d'IA a évolué rapidement en passant par au moins trois phases distinctes :
- Les prompts (2022) :Au début, l'enthousiasme portait principalement sur les « prompts puissants ». Lors des démonstrations de faisabilité (POC), les prompts semblaient fonctionner. Mais en production, leur fiabilité a rapidement chuté. Les processus métier exigent généralement une précision de 95 à 99 %. D'après notre expérience acquise sur plus de 50 cas, nous estimons que les prompts seuls dépassaient rarement les 70 %.
- Génération assistée par la recherche (RAG, 2023) :la RAG a amélioré la stabilité en ancrant les résultats de l'IA générative à des bases de connaissances. Là encore, les démonstrations de faisabilité semblaient prometteuses, mais la complexité de la mise en production a souvent mis en évidence des faiblesses entraînant une précision trop faible pour être acceptable.
- Systèmes multi-agents (de 2024 à aujourd'hui) :les avancées les plus récentes concernent des réseaux composés de petits agents spécialisés. Certains acheminent les requêtes. D'autres exécutent des tâches précisément définies. D'autres encore vérifient et corrigent les résultats. Surtout, la baisse du coût des jetons rend désormais les systèmes multi-agents en cascade commercialement viables. Cette architecture en couches améliore considérablement la fiabilité.
Cet automne a vu une explosion d’initiatives commerciales liées aux agents. OpenAI a concludes partenariats avec Stripe et Shopify.Google a annoncé son « Agent Payment Protocol », qui automatise le processus d’achat et de transaction. Si les entreprises peuvent être tentées de suivre l’exemple des géants de la technologie, ce n’est peut-être pas là que naîtra la première vague de valeur durable. Dans unerécente enquête menée par Bain auprès des consommateurs, 76 % ont déclaré qu'ils ne se sentiraient pas à l'aise d'utiliser des systèmes agentiques pour leurs achats ; la plupart ont invoqué des préoccupations liées à la sécurité et à la confidentialité pour justifier leur réticence.
Les situations en contact direct avec la clientèle ne correspondent pas aux capacités actuelles des agents IA. Elles sont chaotiques et imprévisibles ; les données d'entrée sont non structurées, le ton et le contexte changent constamment, et les autorités de régulation ainsi que les consommateurs ont très peu de tolérance pour les « hallucinations » ou les erreurs. Les systèmes multi-agentspeuventatteindre des niveaux de précision élevés, mais pour y parvenir, il faut traiter chaque agent individuel un peu comme un enfant en bas âge. On ne demanderait pas à un enfant en bas âge de mettre la table. Mais si l'on décompose la tâche et qu'on le guide étape par étape — « d'abord, pose une assiette », « maintenant, ajoute les fourchettes », « ensuite, les verres » —, l'enfant peut apporter une contribution significative. Il est essentiel que l’environnement soit également contrôlé : pas de frères et sœurs bruyants, pas d’animaux de compagnie distrayants, et un seul parent donnant des instructions. Mais en développant des systèmes multi-agents structurés comme si l’on donnait des instructions à un enfant en bas âge — en décomposant la tâche, en lui confiant les tâches une par une, en vérifiant l’exactitude de chacune —, nous construisons des systèmes d’une précision remarquable.
Il convient de noter que ces systèmes concernent souvent des processus en arrière-plan, où la perfection n’est pas indispensable puisqu’un intervenant humain intervient dans la chaîne. En revanche, si les expériences en avant-plan peuvent être source d’inspiration, elles ont peu de chances d’être le premier domaine où se crée une réelle valeur pour l’entreprise. Les processus opérationnels et en arrière-plan constituent un terrain fertile, car ils sont structurés et répétitifs, ce qui les rend bien mieux adaptés à l’automatisation des flux de travail par des agents. Des tâches au périmètre bien délimité, des environnements bien définis et des entrées structurées peuvent donner lieu à des projets qui apportent une contribution significative.
Mise en place de systèmes agentiques au niveau de l'entreprise
À l'échelle de l'entreprise, la conception de ces systèmes est simple sur le plan conceptuel, mais exigeante sur le plan opérationnel. Dans le cadre général de la mise en place de systèmes multi-agents, 1) une tâche est envoyée à un agent routeur tel que Google ADK qui, à l'instar d'un parent donnant des instructions à un enfant en bas âge, divise la tâche en sous-tâches ; 2) les sous-tâches sont ensuite exécutées par des agents de tâches individuels qui s'occupent d'une partie plus petite de la tâche, à l'instar d'un parent demandant à un enfant de poser les verres sur la table et à un autre de disposer les fourchettes ; après quoi 3) les résultats de ces sous-tâches sont vérifiés par un agent de validation ; et 4) si une erreur est détectée, un agent d'amélioration recommande un ajustement.
Cette approche s'appuie sur un écosystème en pleine expansion, composé d'outils, de méthodologies et de services, qui s'avèrent parfaits pour les processus non stratégiques. Mais dès lors que l'on aborde les opérations stratégiques — où data et la maîtrise des anomalies sont essentielles —, il faut recourir à des agents développés sur mesure, à une intégration plus poussée avec les systèmes d'entreprise, ainsi qu'à la mise en place de contrôles et de garde-fous plus efficaces.
Exemple concret : réinventer les opérations sur le terrain
À titre d'exemple, prenons un projet que nous avons mené avec un grand fournisseur d'accès Internet européen. Notre objectif était de réduire à la fois le temps de résolution et le coût des interventions techniques. La plupart des gens ont déjà dû appeler un service d'assistance pour signaler une connexion défaillante, répéter les mêmes informations à plusieurs reprises, puis attendre l'arrivée d'un technicien. Ce qui se passe (ou ne se passe pas) en coulisses est révélateur : les techniciens arrivent souvent sans disposer de toutes les informations nécessaires et sont contraints de repartir de zéro pour dépanner le système. Cela entraîne de longues périodes d'indisponibilité — parfois plus d'un mois — et des milliers d'heures de travail perdues pour les opérateurs.
Nous avons décidé de commencer modestement. Nous nous sommes attachés à mettre en place un système visant avant tout à aider les techniciens à accomplir leurs tâches plus rapidement et plus efficacement : un outil d'aide au travail, et non un agent autonome. Dans le cadre de cette initiative, nous avons intégré data plus de 15 systèmes d'information, fournissant ainsi aux techniciens un résumé des pannes signalées et un historique des solutions déjà essayées. Cela leur a donné une vue d'ensemble de la tâche à accomplir — par exemple, le dépannage de la connexion d'un client — qu'ils pouvaient lire ou écouter pendant leur trajet vers le lieu d'intervention. Ainsi, ils pouvaient commencer à travailler dès leur arrivée, gagnant ainsi du temps qui était souvent perdu à se mettre au courant du problème.
Nous avons ensuite mis au point une fonctionnalité générant des recommandations sur la meilleure action à entreprendre pour résoudre le problème. Une autre fonctionnalité comprenait une interface conversationnelle permettant au technicien d'interroger les systèmes informatiques sous-jacents de l'opérateur Internet en langage naturel afin d'identifier les causes profondes. Enfin, nous avons automatisé de nombreuses tâches simples et répétitives : par exemple, la correction des enregistrements CRM lorsqu'un foyer erroné était associé, ou le déclenchement de réinitialisations du réseau en cas de dysfonctionnement d'un commutateur dans le boîtier de raccordement central du quartier. Cela a permis aux techniciens de gagner un temps considérable, car ils n'avaient plus besoin d'appeler le centre d'appels interne pour obtenir de l'aide concernant les petites modifications nécessaires à la réparation.
Pendant huit mois, nous avons travaillé de manière itérative : nous avons cartographié les processus, corrigé les points faibles et ajouté des fonctionnalités étape par étape, tout en recueillant chaque semaine les retours d'expérience des techniciens de terrain qui testaient la solution sur tablette.
Les résultats :
- Réduction de 60 % du délai de résolution
- Plus d'un million d'euros d'économies récurrentes chaque année
- Amélioration significative dutaux de recommandation net (NPS)
Au vu de ces résultats, le client a souhaité étendre le projet à sept régions supplémentaires. Cela a nécessité un travail bien plus important : si la méthodologie et certains composants des agents étaient réutilisables, chaque région disposait toutefois de systèmes informatiques différents. Chaque déploiement a nécessité de nouvelles intégrations et data nouveaux data . L'extension à chacune des sept régions a représenté la moitié de l'effort initial requis pour chaque région ajoutée.
Les défis liés à la mise en œuvre des systèmes multi-agents
Comme illustré ci-dessus, la mise en œuvre de systèmes multi-agents peut générer une réelle valeur ajoutée, mais trop peu de gens évoquent le travail concret que cela implique. Quelles ont été les réalités et les obstacles auxquels nous avons été confrontés ?
Tester rapidement ou passer à l'échelle ?
Avons-nous conçu dès le départ une architecture évolutive et performante ? Même si nous aimerions bien le prétendre, cela aurait été impossible. Tout comme les innovateurs découvrent progressivement l'adéquation produit-marché, les cas d'utilisation du système multi-agents et la solution ont évolué par itérations, au fur et à mesure que nous nous engagions dans un cycle d'expérimentation rapide. Parallèlement, la technologie, la méthodologie et les services nécessaires à la mise en place de ces systèmes ont évolué rapidement.
Nous n'avons pas commencé par mettre en place le système complet. Nous avons plutôt commencé avec un seul LLM associé à un système RAG comme élément central, afin de résoudre essentiellement le premier cas d'utilisation. Au fil des tests, nous avons compris qu'il fallait diviser le système en agents plus petits, chargés de tâches plus spécialisées, afin d'améliorer la fiabilité ; petit à petit, cela a évolué vers un système entièrement agentique. Finalement, nous avons développé un système fonctionnel et hautement fiable qui apporte de la valeur ajoutée. Forts de ces connaissances et des résultats obtenus, nous le restructurons actuellement en une architecture beaucoup plus robuste, capable de s'adapter à la croissance d'autres divisions de l'entreprise et plus facile à maintenir.
Les zones problématiques face aux causes profondes.
En règle générale, nous avons constaté que les dirigeants et les cadres intermédiaires savent à peu près quels processus demandent beaucoup de temps ou d'efforts, mais qu'ils ont une vision imprécise de la source de la complexité et des opportunités. Seuls les opérateurs le savent. Il en résulte que vous devez accomplir deux choses avant de pouvoir réellement commencer à construire : 1) consacrer suffisamment de temps à comprendre les enjeux du point de vue des managers, mais aussi 2) discuter avec les opérateurs de ce qu'ils considèrent comme la cause profonde d'un problème donné.
Par exemple, les responsables nous indiquaient les étapes du processus où du temps ou des ressources étaient gaspillés (par exemple, au centre de services partagés) et nous demandaient de rechercher les « éléments de connaissance » appropriés afin que l'opérateur puisse résoudre plus rapidement un problème. Cependant, lorsque nous avons commencé à travailler directement avec les opérateurs, nous avons constaté que la moitié d’entre eux trouvaient les « éléments de connaissance » en moins de 10 secondes, tandis que l’autre moitié mettait plusieurs minutes à trouver les mêmes informations, car ils ne savaient pas bien effectuer des recherches dans le système. Ce n’est pas un problème que l’IA agentique peut bien résoudre : c’est un problème de formation. Mais nous avons également découvert que les dirigeants et les responsables avaient complètement négligé le fait que les opérateurs consacraient environ 50 % de leur temps à remplir le CRM après les appels clients. C'est un problème qu'un agent peut facilement résoudre : il peut transcrire l'appel et saisir toutes les informations dans les champs appropriés, ce qui accélère considérablement le processus et améliore data . L'opérateur n'a plus qu'à vérifier et à cliquer sur OK.
Ce ne sont pas les systèmes informatiques qui vous ralentissent, mais les gens.
Les aspects les plus exigeants et les plus complexes de notre travail ont consisté à participer aux bonnes réunions de direction, à convaincre les parties prenantes, ainsi qu’à identifier et résoudre les dépendances induites par notre intervention. L’intégration avec une douzaine de systèmes informatiques pour assurer le bon fonctionnement de la solution est complexe d’un point de vue technique, mais le véritable défi réside dans le fait que tous ces systèmes ont leurs propres équipes de développement, avec des calendriers, des priorités et des feuilles de route différents. La mise à disposition des points de terminaison API et leur test complet peuvent représenter environ deux semaines de travail. S'intégrer dans les feuilles de route respectives de ces systèmes a pris beaucoup, beaucoup plus de temps. La plupart des équipes avec lesquelles nous coordonnions nos efforts ont relégué ce travail au second plan pendant plusieurs mois, affirmant (probablement à juste titre de leur point de vue) qu'elles avaient des tâches plus importantes à traiter en priorité.
Les mannequins peuvent avoir des hallucinations, et cela leur arrive.
Les agents restent encore assez instables et peuvent produire des résultats erronés, ce qui nécessite des garde-fous solides et des contrôles sous la forme d’un LLM jouant le rôle de juge (l’agent de validation). L'invite système de l'agent doit être suffisamment stricte tout en restant suffisamment souple pour permettre à l'agent d'exécuter correctement ses tâches. Cela nécessite de la nuance, du temps, ainsi que des compétences data et data pour que ces systèmes agentiques fonctionnent avec une fiabilité suffisante pour être déployés dans votre entreprise. En d'autres termes, de bons développeurs et une expérience du monde des affaires restent indispensables.
La nouvelle discipline de la transformation agentique
Quels enseignements plus généraux peut-on tirer de ce cas ? À bien des égards, cela revient à redécouvrir le Lean : repenser le travail de fond en comble. La différence réside dans le fait que les outils dont nous disposons aujourd’hui sont bien plus puissants ; ils permettent non seulement une optimisation progressive, mais aussi une refonte complète des processus, voire au-delà des services.
Au-delà data des capacités d'IA, la réussite repose sur une maîtrise approfondie des processus : il s'agit de comprendre la situation actuelle, d'envisager l'état futur et de traduire cela en petites étapes réalisables. En ce sens, on assiste au retour des« Lean Black Belts », mais cette fois-ci, ils s'appuient sur l'IA générative.
Ce travail est minutieux et méthodique, mais il n'a rien de prestigieux. Il faut procéder étape par étape. Cette approche repose sur la méthode, et non sur la magie. Chaque nouveau secteur d'activité nécessite une analyse approfondie et une adaptation sur mesure.
Les agents entièrement autonomes sont encore loin d'être une réalité. Pour l'instant, la configuration la plus efficace consiste à maintenir l'intervention humaine dans le processus, ce qui permet à l'opérateur d'être plus avisé, plus rapide et mieux équipé.
Au début, les progrès sont progressifs. Ce n'est que lorsque les systèmes centraux sont interconnectés et que les informations circulent sans heurts que l'on constate des gains d'efficacité significatifs.
La technologie évolue également plus vite que les projets. Les outils que nous utilisions il y a huit mois sont déjà obsolètes. C'est pourquoi nous nous concentrons sur des cas d'utilisation dont le retour sur investissement est réalisé en moins d'un an, avant que la technologie sous-jacente ne change.
Mais surtout, les entreprises doivent développer leurs compétences internes :data , data , concepteurs UX spécialisés dans l'IA générative, ainsi que ce que certains appellent désormais les « ingénieurs de contexte » ou les « ceintures noires de l'IA générative » : des personnes qui maîtrisent parfaitement les processus et sont capables de décomposer la transformation en étapes réalisables. Le développement de ces compétences au sein de l'entreprise vous permettra de mettre en place plus rapidement de nouveaux flux de travail autonomes (à mesure que la technologie évolue), ce qui peut constituer un véritable facteur de différenciation face à la concurrence.
Enfin, même si ces initiatives finiront par s'intégrer dans le fonctionnement courant de l'entreprise, il est essentiel de les mettre en place en s'appuyant sur une gouvernance solide, capable de concilier les perspectives techniques et commerciales. C'est cet équilibre qui permet de transformer l'expérimentation en véritable transformation.
La décennie à venir
L'engouement suscité par l'IA générative a peut-être pris de l'avance sur son adoption, mais son potentiel est bien réel. À l'instar des révolutions de l'Internet et des smartphones qui l'ont précédée, cette évolution technologique va transformer les secteurs d'activité — non pas par une disruption soudaine, mais grâce à des années de réinvention méthodique.
Les organisations qui s'imposeront ne se contenteront pas d'adopter des outils ; elles se doteront de la capacité de se réinventer en permanence grâce à eux.
