Est-il vraiment possible de créer des agents IA de niveau professionnel en quelques heures seulement ?

Un guide pratique destiné aux dirigeants confrontés à la transition vers l'agentique

Cela commence généralement dans une salle de réunion. Un prestataire ouvre son ordinateur portable, tape une seule phrase dans une fenêtre de discussion, puis observe un agent extraire le code data de trois systèmes, résumer un contrat de location, signaler une clause à soumettre à un examen juridique et envoyer le résultat par e-mail à l’équipe de gestion des actifs. Tout cela prend nonante secondes. Le silence s’installe dans la salle, puis quelqu’un demande : “ Combien de temps cela a-t-il pris à mettre en place ? ” La réponse, “ un après-midi ”, marque le moment où la plupart des stratégies d’IA d’entreprise sont discrètement redéfinies.

C'est une question légitime, et à première vue passionnante. Si un agent opérationnel peut être mis au point en un après-midi, pourquoi passons-nous encore dix-huit mois sur chaque transformation numérique ? Pourquoi dépensons-nous des sommes à sept chiffres pour des logiciels moins performants ? Et, plus urgent encore, que devrions-nous faire pour y remédier ?

La réponse honnête est plus nuancée que ne le laisse entendre la démonstration. Oui, il est tout à fait possible de créer un agent IA fonctionnel en quelques heures. Les outils sont désormais suffisamment performants pour cela. Mais l'écart entre un agent fonctionnel et un agent de niveau professionnel est plus important que ne le pensent la plupart des dirigeants, et c'est là que résident la quasi-totalité des coûts, des risques et de la valeur réels.

Cet article s'adresse aux dirigeants qui souhaitent comprendre ce qui est réellement possible aujourd'hui, ce qui est véritablement difficile, et comment agir rapidement sans prendre le genre de décisions qui semblent brillantes en mai mais qui s'avèrent embarrassantes dès novembre. Nous examinerons ce que sont les agents, ce qu’ils ne sont pas, où ils sont utilisés, qui les développe et ce qu’il faut pour les déployer correctement au sein d’une entreprise soumise à une réglementation. À l’issue de cet article, vous devriez être en mesure de vous présenter à votre prochaine réunion du conseil d’administration et d’en exposer clairement les enjeux.

Qu'est-ce qu'un agent IA, au juste ?

Avant même d’envisager le déploiement, il convient de s’arrêter un instant sur ce que nous entendons réellement par “ agent IA ”. Cette expression a été largement galvaudée par les équipes marketing au cours des dix-huit derniers mois, et la plupart des dirigeants ne savent pas vraiment si l’on leur vend un agent, un chatbot, un outil de gestion des flux de travail ou une macro particulièrement performante.

La définition opérationnelle la plus claire est la suivante : un agent d’IA est un logiciel qui utilise un modèle de base pour comprendre un objectif, planifier la manière de l’atteindre, agir en faisant appel à des outils et à des systèmes, et s’adapter en fonction de ce qu’il observe. Considérez-le comme un diplômé du numérique. Il est compétent, il sait lire des instructions, il sait demander de l’aide, il sait utiliser les outils que vous lui fournissez et, dans le cadre d’un champ d’action défini, il est capable de prendre des décisions judicieuses sans supervision constante. À l’instar d’un diplômé, il bénéficie de lignes directrices claires et d’un collègue expérimenté qui examine ses travaux les plus importants.

D'un point de vue anatomique, chaque agent s'appuie sur cinq capacités. Un modèle de base fournit le moteur de raisonnement, par exemple Claude ‘ Sonnet ’, GPT ‘ 4o ’ ou Gemini ‘ 3.5 Flash ’. Les outils permettent à l’agent d’agir : interroger une base de données data, envoyer un e-mail, récupérer un document, effectuer un calcul. La mémoire lui permet de conserver le contexte d’une étape à l’autre et, pour les agents plus sophistiqués, d’une session à l’autre. L’orchestration gère la planification et l’acheminement : elle décide de la prochaine action à entreprendre, du moment où il faut faire appel à un niveau supérieur et du moment où il faut s’arrêter. Enfin, les garde-fous définissent les limites : ce que l’agent est autorisé à faire, les données auxquelles il peut accéder, et les cas où l’intervention d’un humain est requise.

Figure 1. Les cinq composantes d'un agent d'IA.

Cette distinction est importante car elle explique en quoi les agents diffèrent des entités avec lesquelles ils sont souvent confondus. Un chatbot dispose d’un modèle et éventuellement d’une certaine mémoire, mais pas d’outils réels ni de capacité d’orchestration ; il parle, mais n’agit pas. La RPA dispose d’outils et d’une capacité d’orchestration, mais pas de raisonnement : elle suit un script et cesse de fonctionner dès que la réalité s’en écarte. L’apprentissage automatique traditionnel dispose d’un raisonnement de type restreint, mais pas d’intelligence générale, ni d’utilisation d’outils, ni d’interface conversationnelle. Un agent combine ces cinq composantes. C’est ce qui le rend utile, et c’est ce qui en fait une nouveauté.

Il convient de retenir une autre distinction : les agents sont probabilistes, et non déterministes. Ils peuvent parfois se comporter de manière inattendue. Cette caractéristique est un atout dans de nombreux cas d'utilisation, car c'est ce qui leur permet de gérer les cas limites complexes qui posaient problème aux générations précédentes d'automatisation, mais elle peut constituer un inconvénient dans d'autres situations. Savoir distinguer les uns des autres représente l'essentiel du travail.

Une taxonomie dont les dirigeants ont réellement besoin

Si le terme “ agent IA ” recouvre tout, du rapport quotidien programmé au système de trading autonome, il a perdu toute utilité. À l’instar de la manière dont Gartner, Forrester et les principales plateformes décrivent désormais ce domaine, nous estimons qu’il est utile de raisonner en termes d’un spectre composé de cinq catégories présentant des niveaux d’autonomie croissants.

Figure 2. Une taxonomie opérationnelle des systèmes agentiques.

Actions programmées se situent au niveau le plus simple. Il s’agit de processus automatisés qui s’exécutent selon une minuterie ou un déclencheur : un rapport quotidien sur les indicateurs clés de performance (KPI), un nettoyage de la boîte de réception à 7 h du matin, un webhook qui se déclenche lorsqu’une transaction est conclue dans le CRM. Elles peuvent recourir à un modèle de langage de grande envergure (LLM) pour une étape (résumer un document, rédiger un e-mail), mais elles ne réfléchissent pas à la suite des opérations. La plupart des dirigeants en disposent déjà de plusieurs ; on les appelait “ automatisations ” avant le changement de nom à des fins marketing.

Agents de tâches Ajoutez à cela une seule tâche ciblée, pilotée par un LLM. Un exemple typique : un agent qui lit chaque e-mail entrant, le classe par thème et par niveau d'urgence, puis le transmet à l'équipe compétente. Cela implique un certain raisonnement, mais uniquement à un seul moment. Le flux qui l’entoure est déterministe. Ces solutions sont extrêmement utiles, très peu coûteuses et constituent le point de départ naturel pour la plupart des organisations.

Agents d'automatisation enchaîner plusieurs étapes au sein d’un workflow défini. Ces processus restent certes contraints, les étapes étant connues à l’avance, mais le LLM prend des décisions à plusieurs moments : il détermine quel outil appeler, quelles données data récupérer, et comment réagir en cas d’échec d’une vérification. Un flux d’approbation de factures qui lit un fichier PDF, en extrait les lignes, les associe aux bons de commande, puis approuve la facture ou la transmet pour révision en est un bon exemple.

Agents de workflow C’est là que se déroule aujourd’hui l’essentiel du travail d’entreprise véritablement passionnant. Ces agents se voient confier un résultat à atteindre plutôt qu’une séquence de tâches, par exemple : “ Résumez ce bail de 80 pages et mettez en évidence tout ce qui pourrait nous préoccuper ”, et ils décident eux-mêmes de la manière d’y parvenir. Ils liront des documents, interrogeront des systèmes, poseront des questions complémentaires et itéreront. Le déroulement des tâches est émergent plutôt que prédéfini. Les modèles de raisonnement ont considérablement renforcé la fiabilité de cette catégorie au cours des douze derniers mois.

Systèmes multi-agents représentent la frontière. Un agent coordinateur décompose un objectif en sous-tâches et délègue chacune d’elles à un spécialiste : un pour la recherche, un pour l’analyse, un pour la rédaction, un pour la révision. Lorsqu’ils sont bien conçus, les systèmes multi-agents prennent en charge des tâches qu’un agent seul ne peut pas accomplir. Lorsqu’ils sont mal conçus, ils multiplient par huit les sources d’échec pour un même résultat. La plupart des entreprises ne devraient pas commencer par là.

Une question utile à poser lorsqu’un fournisseur vous propose une solution est tout simplement la suivante : où se situe-t-elle sur ce spectre ? Si l’on vous présente une action planifiée et que l’on vous facture un agent de workflow, vous venez d’identifier la forme la plus courante de « sur-vente » d’agents sur le marché. À l’inverse, si votre équipe tente de déployer un système multi-agents comme premier déploiement, encouragez-la gentiment à commencer une colonne plus à gauche.

Pourquoi maintenant ?

On nous promet des agents depuis des années. Qu'est-ce qui a changé ?

Trois facteurs ont convergé. Premièrement, les modèles de base ont franchi le seuil de fiabilité requis pour l’utilisation d’outils. Il y a deux ans, demander à un modèle d’appeler une API et d’utiliser le résultat se soldait souvent par une déception ; aujourd’hui, les modèles d’entrée de gamme Claude, GPT et Gemini gèrent tous l’utilisation d’outils en plusieurs étapes avec un taux de réussite suffisamment élevé pour une mise en production. Deuxièmement, les modèles de raisonnement : Claude avec ses capacités de réflexion étendues, la série « o » d’OpenAI et les modes de raisonnement approfondi de Gemini ont considérablement amélioré les performances pour les tâches en plusieurs étapes nécessitant un jugement important, telles que celles exigées par les flux de travail réels. Troisièmement, les infrastructures nécessaires sont enfin disponibles : des frameworks d’orchestration tels que LangGraph et CrewAI, ou encore l’une des nombreuses solutions de flux de travail « low-code » ; des outils d’évaluation pour des tests systématiques ; et le Model Context Protocol (MCP), qui offre aux agents un moyen standardisé de s’intégrer aux dizaines de systèmes sur lesquels une entreprise fonctionne réellement.

La courbe des coûts a également joué un rôle. Le prix par jeton de l'intelligence de pointe a baissé d'un ordre de grandeur en deux ans, et les modèles allégés (Claude Haiku, GPT-mini, Gemini Flash) sont désormais suffisamment abordables pour être utilisés à l'échelle de chaque e-mail ou de chaque document produit par une entreprise.

Il en résulte que nous nous trouvons à un moment qui ne se présente pas souvent : la technologie est véritablement performante, les outils sont réellement utilisables et la rentabilité est bel et bien au rendez-vous. Conjugué à des cadres réglementaires qui commencent à se stabiliser — la loi européenne sur l’IA constitue désormais une donnée certaine plutôt qu’une cible mouvante — et au fait que les régulateurs du Golfe, notamment la SDAIA saoudienne, ont publié des positions claires, la période 2025-2026 marque le point d’inflexion où les entreprises sérieuses passeront de la phase d’expérimentation à celle du déploiement.

La prise de conscience de la réalité des “ quelques heures ”

Alors, est-il vraiment possible de créer un agent de niveau entreprise en quelques heures ? Oui et non, et c'est justement sur cette contradiction que repose tout l'intérêt de cet article.

Ce que vous pouvez tout à fait créer en un après-midi : un agent fonctionnel capable d’effectuer une tâche concrète. Choisissez un cas d’utilisation, par exemple le résumé et le tri du contenu d’une boîte de réception partagée. Ouvrez Claude Projects, n8n ou la plateforme de votre choix. Configurez l’accès à la boîte de réception, rédigez une consigne claire décrivant la tâche, fournissez-lui une base de connaissances composée d’exemples antérieurs, puis définissez un calendrier. À la fin de l’après-midi, vous disposerez d’un agent capable d’accomplir une tâche véritablement utile. Montrez-le à vos collègues. Ils seront impressionnés. Ce n’est pas un tour de passe-passe ; c’est la preuve des progrès considérables réalisés par les outils sous-jacents.

Ce que vous ne pouvez pas mettre en place en un après-midi, c’est la différence entre cette démo et une solution que vous déploieriez réellement auprès de deux mille collaborateurs répartis sur trois juridictions. Pour y parvenir, vous avez besoin de contrôles d’accès afin que l’agent ne voie que ce que chaque utilisateur est autorisé à voir. Vous avez besoin d’une piste d’audit qui enregistre chaque décision et chaque appel d’outil. Vous avez besoin d’un cadre d’évaluation qui vous indique si l’agent a raison 95% du temps ou 70%, et où il a tendance à se tromper. Vous avez besoin de contrôles des coûts, car un agent fonctionnant sans surveillance peut épuiser des budgets à six chiffres en quelques jours. Vous avez besoin de points de contrôle impliquant une intervention humaine pour les décisions ayant des conséquences importantes. Vous avez besoin d’une gestion de la résidence data pour les régions qui y accordent de l’importance (et elles sont de plus en plus nombreuses à le faire). Vous avez besoin d’une solution de secours lorsque le modèle n’est pas disponible. Vous avez besoin d’observabilité afin que votre équipe opérationnelle puisse voir ce qui se passe. Et vous avez besoin d’un programme de gestion du changement pour que votre personnel utilise réellement cet outil.

D'après notre expérience, l'effort nécessaire à la mise en production est généralement dix à vingt fois supérieur à celui requis pour le prototype. Un agent dont la création a pris trois jours à un développeur nécessitera trois mois à une petite équipe pour le rendre conforme aux normes d'entreprise. Il ne s'agit pas d'un échec de la technologie. C'est la réalité de toute démarche menée de manière responsable au sein d'une grande organisation. Ce même effet multiplicateur s'applique au déploiement d'un CRM, à un projet data platform ou à l'intégration d'un système de paiement. La différence est que la démonstration de ces solutions n'est pas suffisamment convaincante pour vous faire oublier le reste.

Voici comment il convient d'interpréter l'affirmation selon laquelle cela ne prendrait que “ quelques heures ” : les prototypes agentiques sont désormais véritablement peu coûteux. La production agentique, en revanche, ne l'est pas. Tout l'art consiste à faire la distinction entre les deux et à tirer parti du faible coût des premiers pour prendre de meilleures décisions concernant les seconds.

Comment les agents sont-ils réellement créés ?

Il existe désormais trois grandes méthodes pour créer un agent, chacune présentant ses propres caractéristiques audience, ses limites et ses compromis.

Éditeurs visuels

Il s’agit de plateformes sur lesquelles vous assemblez des agents en faisant glisser des nœuds sur un canevas. n8n, Make (anciennement Integromat), les offres d’IA de Zapier et Copilot Studio de Microsoft en sont les principaux représentants. Le modèle se trouve dans un nœud, les outils dans d’autres, et vous les reliez à l’aide de lignes. Les éditeurs visuels sont exceptionnels pour le prototypage et pour les cas d’utilisation qui s’apparentent à une automatisation classique à laquelle s’ajoute une étape de modèle de langage (LLM). Ils sont également remarquables pour démocratiser l’accès à la création d’agents. Un analyste métier sans aucune expérience en programmation peut ainsi disposer d’un agent fonctionnel dès l’heure du déjeuner. Il existe certes une limite, mais elle est lointaine : les éditeurs visuels commencent à montrer leurs limites lorsque les flux de travail comportent de nombreuses ramifications, lorsque l’état doit être conservé sur plusieurs étapes, ou lorsque la latence et le coût doivent être ajustés avec précision. Pour de nombreux cas d’utilisation en interne, cette limite est tout à fait acceptable.

Plateformes basées sur des invites

Claude Projects, les GPT personnalisés de ChatGPT, les Gemini Gems et les agents Microsoft Copilot vous permettent tous de créer des modèles en rédigeant un ensemble d’instructions précises, en associant une base de connaissances et en accordant l’accès à un ensemble d’outils soigneusement sélectionnés. Il n’y a pas de canevas visuel : la “ création ” se fait sous forme de conversation. Ces plateformes sont idéales pour les agents de connaissances, les assistants de recherche, les experts internes et tout cas d’utilisation où la valeur réside dans la qualité de la consigne et des documents, plutôt que dans la complexité du flux de travail. C’est également par là que de nombreux dirigeants devraient commencer, car elles ne nécessitent aucune intervention technique et permettent d’obtenir un résultat véritablement utile en une seule session.

Cadres axés sur le code

LangGraph, CrewAI, AutoGen et l’écosystème LangChain offrent aux équipes d’ingénieurs un contrôle total sur l’orchestration, la mémoire, l’état, les évaluations et le déploiement. C’est également là que résident le SDK Agent d’Anthropic et les services d’agents des principaux fournisseurs de cloud. Les développements axés sur le code prennent plus de temps, nécessitent l’intervention d’ingénieurs, et constituent la solution idéale lorsque les enjeux sont importants, que les intégrations sont profondes et que l’agent doit traiter des milliers de requêtes par jour.

En réalité, la plupart des entreprises finissent par utiliser ces trois approches. Les éditeurs visuels pour le prototypage rapide et l’automatisation allégée des tâches administratives. Les plateformes basées sur des invites pour les cas d’utilisation liés à la connaissance et à l’assistance, qui autonomisent les équipes individuelles. Les frameworks basés sur le code pour les agents qui comptent véritablement, ceux qui se situent sur le chemin critique d’un processus métier ou d’une interaction avec le client. Considérer ces approches comme des camps rivaux plutôt que comme des couches complémentaires est une erreur courante, qui conduit à des solutions trop sophistiquées pour des problèmes simples et à des solutions insuffisamment élaborées pour les problèmes complexes.

Le choix ne porte que rarement sur l'outil le plus performant. Il s'agit plutôt de déterminer quel outil est le mieux adapté au cas d'utilisation auquel vous êtes confronté.

Qui est réellement capable d'en construire un ?

C'est la question que les dirigeants posent le plus souvent, généralement à voix basse. La réponse est vraiment encourageante : pratiquement n'importe qui, du moins au début.

L’accès au développement d’agents a été démocratisé comme très peu d’évolutions technologiques ont réussi à le faire. Il y a trois ans, “ créer un système d’IA ” nécessitait des scientifiques spécialisés en data, des ingénieurs MLOps et un budget conséquent. Aujourd’hui, un responsable financier ayant une bonne compréhension de ses propres processus peut créer un agent fonctionnel dans Claude ou Copilot Studio sans écrire la moindre ligne de code. Nous avons observé ce phénomène dans tous les services : des équipes juridiques créant des agents de révision de contrats, des équipes RH développant des assistants d’intégration, des experts immobiliers mettant au point des outils d’extraction de données de baux, et des équipes commerciales concevant des générateurs de propositions. La compétence qui importe n’est pas le codage. Il s’agit plutôt de la clarté de la réflexion sur la tâche : à quoi ressemble le résultat final, que doit savoir l’agent, à quel moment un humain doit-il rester impliqué ?.

Cela ne signifie pas que l’ingénierie n’a plus sa place. Cela signifie que son rôle a évolué. Dans les meilleurs modèles opérationnels que nous observons, l’informatique passe du statut de « gardien » à celui de « facilitateur », en fournissant les plateformes, les garde-fous, les modèles d’accès et les cadres d’évaluation au sein desquels les utilisateurs métier peuvent développer leurs solutions. L’ingénierie construit l’aérogare et la piste ; l’entreprise construit les avions. Lorsqu’un élément développé par un utilisateur métier devient suffisamment critique pour nécessiter une sécurisation renforcée, l’ingénierie prend le relais et le met en production. C’est là la véritable démocratisation dont tout le monde parle, et elle est bien réelle.

Les implications pour les dirigeants sont considérables. Vous n’avez pas besoin de recruter une équipe d’ingénieurs spécialisés en IA pour vous lancer. Il vous suffit de fournir aux personnes les plus proches du terrain les outils nécessaires, la liberté d’agir et une formation sommaire. Les agents qui font la différence dans les activités de nos clients ne sont presque jamais ceux envisagés dans la stratégie centrale. Ce sont ceux créés par les personnes qui effectuent le travail, qui savent exactement où se situent les points de friction.

Les domaines dans lesquels l'approche « agentic » s'impose aujourd'hui

Les discussions sur l'avenir des agents ont tendance à passer à côté du présent, ce qui est dommage car le présent est plus intéressant qu'on ne le pense généralement. Au sein de notre clientèle, qui comprend des entreprises internationales, des organismes du secteur public et, plus particulièrement, le secteur immobilier, un petit nombre de tendances génèrent aujourd'hui de la valeur de manière constante. Elles méritent d'être connues.

Recherche et synthèse. Des outils qui analysent des documents, des sources Web et des systèmes internes afin de produire des résumés structurés. Ils sont largement utilisés pour la veille économique, l'analyse de la concurrence, la diligence raisonnable, la sélection d'investissements et l'examen des politiques. Ces outils constituent un choix judicieux, car ce travail fait largement appel au jugement, est répétitif et peut être validé en fin de processus par un réviseur humain.

Traitement des documents. Extraction des contrats de location, révision des contrats, traitement des factures, gestion des réclamations et KYC. Partout où des documents non structurés doivent être transformés en données structurées au format data, avec un indicateur signalant les cas nécessitant l'intervention d'un humain. Il s'agit du déploiement en production le plus courant dans les secteurs réglementés, notamment l'immobilier.

Service à la clientèle et aux collaborateurs. Un triage de première ligne qui traite intégralement les cas simples et transmet les autres avec toutes les informations nécessaires. Lorsqu’il est bien mené, ce système ne remplace pas les humains : il permet de s’assurer que ceux-ci ne s’occupent que des cas qui nécessitent leur intervention.

Connaissances internes. Des agents qui s'intègrent aux documents, wikis, systèmes de gestion des tickets et archives de messagerie d'une organisation, et qui répondent aux questions en langage naturel. C'est dans ce domaine que de nombreuses entreprises constatent une valeur ajoutée rapide et facile à mettre en œuvre, et que la gestion du changement s'avère la plus aisée, car l'agent vient compléter les processus existants plutôt que de les remplacer.

Génération de code. Cela mérite d'être souligné, car il s'agit du cas d'utilisation qui a connu la progression la plus rapide de tous. Les équipes d'ingénieurs affichent désormais systématiquement une productivité supérieure de 30 à 40% lorsqu'elles utilisent des outils de codage agentique, et cet écart ne cesse de se creuser. Même les dirigeants qui ne sont pas issus de l'ingénierie devraient s'y intéresser, car cela modifie la courbe des coûts de tous les autres logiciels que vous développez.

Conformité et assurance. Des agents qui surveillent les violations de sécurité, préparent les audits et détectent les anomalies. Particulièrement pertinents dans le contexte d'un durcissement de la réglementation au sein de l'Union européenne, au Royaume-Uni et dans les pays du Golfe.

Qu’ont en commun les bons cas d’utilisation ? Une règle empirique utile, que nous appliquons avec nos clients : la tâche est suffisamment répétitive pour être pertinente ; elle fait suffisamment appel au jugement pour que l’automatisation traditionnelle ait échoué ; elle est suffisamment bien délimitée pour que l’on puisse en décrire la réussite en une seule phrase ; et elle tolère une vérification par un intervenant humain pour les cas qui comptent. Si un cas d'utilisation potentiel remplit ces quatre critères, il vaut probablement la peine d'être testé. S'il en remplit trois, cela mérite d'être discuté. S'il n'en remplit qu'un seul, vous vous aventurez en terrain glissant.

Trois exemples détaillés

Les abstractions ne sont utiles que dans une certaine mesure. Pour illustrer cela, voici trois exemples concrets tirés de la manière dont les agents sont actuellement déployés dans différents secteurs.

Extrait de bail dans l'immobilier commercial

Une société immobilière de taille moyenne gère plusieurs milliers de contrats de location au sein de son portefeuille. Chaque bail compte entre quarante et nonante pages de texte juridique dense, stockées au format PDF dans un système de gestion documentaire. L’équipe de gestion des actifs doit pouvoir connaître, à tout moment, le contenu de chaque bail : dates de révision des loyers, clauses de résiliation, dispositions relatives aux charges, restrictions en matière d’aliénation, obligations liées aux critères ESG, ainsi que toute clause inhabituelle susceptible d’influer sur l’évaluation ou le risque.

Autrefois, ce travail relevait du domaine des assistants juridiques. Une nouvelle acquisition nécessitait six semaines de saisie manuelle avant que l’actif puisse être correctement modélisé. Aujourd’hui, un agent de workflow peut saisir le même bail en quinze minutes, en le structurant selon le schéma privilégié par le cabinet, tout en signalant tout élément inhabituel devant être examiné par un géomètre agréé. Le temps de développement de la première version a été d’environ une semaine à l’aide d’un éditeur visuel. La mise en production, l’ajout de pistes d’audit, les suites d’évaluation par rapport à un corpus étiqueté de baux, l’intégration au système de gestion documentaire et au registre des actifs, ainsi que la mise en place d’une procédure d’escalade rigoureuse pour les clauses ambiguës ont pris quatre mois. Le retour sur investissement a été atteint en moins d’un an, et le travail qui constituait auparavant un goulot d’étranglement à chaque transaction ne l’est plus désormais pour aucune d’entre elles.

Service d'assistance informatique interne pour une multinationale

Une entreprise internationale de services comptant 15 000 collaborateurs gérait un service d'assistance interne qui croulait sous la charge de travail. La plupart des tickets relevaient de quelques dizaines de cas de figure récurrents : réinitialisation de mots de passe, demandes d'accès à des logiciels, problèmes liés au VPN, questions concernant le système de gestion des notes de frais. L'équipe a estimé que 60% de tickets pourraient être résolus sans intervention humaine si le contexte et les outils appropriés étaient disponibles.

Ils ont développé un « agent de tâches », une étape unique et ciblée basée sur un modèle de langage de grande envergure (LLM), intégrée à la plateforme de gestion des tickets existante, qui lisait chaque ticket entrant, tentait de le résoudre directement à l’aide d’un petit ensemble d’outils pré-approuvés (le système d’identité, le catalogue de logiciels, l’API de gestion des dépenses), puis clôturait le ticket ou le transférait à un intervenant humain en lui fournissant un brouillon de réponse et le contexte complet. Durée de développement du prototype initial : deux jours. Délai de mise en production : trois mois, principalement consacrés aux contrôles d’accès, à la journalisation d’audit et au réglage des seuils d’escalade afin qu’aucun élément important ne passe entre les mailles du filet. Résultat : le temps de résolution des tickets a diminué de 70%, l’équipe de première ligne a été réaffectée à des tâches plus intéressantes, et l’agent traite désormais environ la moitié du volume total des demandes entrantes.

Étude sur les investissements au Royaume d'Arabie saoudite s'inscrivant dans le cadre de la Vision 2030

Un véhicule d’investissement lié à l’État souhaitait évaluer systématiquement les opportunités à l’aune des priorités de la Vision 2030, des secteurs ciblés pour la diversification, des objectifs de développement régional et des critères ESG spécifiques au contexte saoudien. Le volume des cibles potentielles, des notes d’information et des documents réglementaires était tel qu’aucune équipe humaine n’aurait pu les examiner de manière exhaustive.

Un système multi-agents s’est avéré être la solution adéquate dans ce cas. Un agent de recherche a extrait et structuré les informations relatives à chaque opportunité à partir de documents publics, d’actualités et de bases de données sous licence data. Un agent d’analyse a évalué l’adéquation avec le cadre « Vision 2030 ». Un agent de gestion des risques a mis en évidence les préoccupations d’ordre réglementaire et de réputation. Un agent de rédaction a produit un rapport structuré à l’intention du comité d’investissement. Durée de développement du prototype : environ trois semaines, car la coordination entre les différents agents a nécessité un véritable travail d’ingénierie. Mise en production : six mois, avec une attention particulière portée à la localisation data (tout devait fonctionner au sein du Royaume), à la prise en charge de la langue arabe et à un cadre d’évaluation rigoureux par rapport aux décisions antérieures. Le système traite désormais davantage d’opportunités que ne le faisait l’équipe humaine précédente, le comité disposant de rapports plus complets et n’examinant que les décisions véritablement importantes.

Ce qui frappe dans ces trois exemples, c'est le rapport entre les durées. Dans chaque cas, la réalisation du prototype a pris de quelques jours à quelques semaines. Le déploiement en production a quant à lui pris plusieurs mois. Et dans chaque cas, la valeur n'aurait pas pu être concrétisée sans ces deux étapes. Le prototype prouve que cela fonctionne. Le déploiement en production permet de concrétiser cette valeur.

Choisir votre modèle de base

Tôt ou tard, un dirigeant chargé de mettre en place un programme d’agents se verra poser la question suivante : quel modèle devrions-nous adopter ? La réponse honnête est “ cela dépend, et probablement plusieurs modèles ”, mais cette réponse n’est pas très utile si on ne l’approfondit pas. Voici un aperçu équilibré des principales options disponibles en 2026.

Services « Frontier » à modèle fermé

Claude (Anthropic). Généralement considéré comme le plus performant en matière de raisonnement logique, notamment en ce qui concerne l’utilisation d’outils, les contextes étendus, les raisonnements complexes et les jugements nuancés. Ses modes de réflexion étendus confèrent à Claude un avantage dans les tâches complexes. Il excelle dans le suivi d’instructions nuancées, ce qui est essentiel lorsque des garde-fous font partie de la conception. Une approche très orientée entreprise, avec des positions claires sur la formation data, l’indemnisation en matière de propriété intellectuelle et un ensemble de contrôles d’entreprise de plus en plus aboutis. Compromis : les coûts par jeton se situent dans la fourchette haute du niveau « frontier », et la disponibilité en dehors des principales régions cloud a historiquement pris du retard par rapport aux autres.

GPT (OpenAI). C'est là que se trouvent les modèles d'intelligence artificielle de pointe les plus largement déployés et les plus connus, avec l'écosystème le plus complet en matière d'outils, d'intégrations et d'agents prêts à l'emploi. Les modèles de raisonnement de la série « o » sont performants sur les tâches les plus complexes. Performants en matière de code, très performants en termes d’ergonomie pour les développeurs. Compromis : le comportement des modèles a sensiblement évolué d’une version à l’autre, ce qui peut poser problème pour les systèmes de production où la cohérence est essentielle. La tarification et la stratégie d’entreprise ont mûri, même si certaines organisations restent prudentes pour des raisons de confidentialité. Le contenu généré par GPT est souvent considéré comme relativement éloquent par rapport à celui généré par Claude.

Gemini (Google). Il excelle dans les tâches multimodales (c'est le plus performant des trois pour le traitement natif des images, des vidéos et de l'audio) et s'intègre étroitement aux écosystèmes Google Workspace et Google Cloud. Gemini Flash est véritablement économique à grande échelle, ce qui en fait le choix par défaut pour les charges de travail à fort volume et à faible complexité. Compromis : l’écart en matière de raisonnement sur les tâches agentiques complexes s’est réduit, mais n’a pas été comblé par rapport à Claude et à la série « o ».

Modèles sans limite de poids

Llama (Meta). La famille de polices Open-Weight la plus largement déployée, bénéficiant d’un solide écosystème et offrant des performances compétitives dans les grandes tailles. Le choix naturel lorsque l’auto-hébergement est requis pour la résidence data, la prévisibilité des coûts à très grands volumes ou la politique de l’organisation. Compromis : les conditions de licence sont acceptables mais pas aussi permissives que celles des licences véritablement ouvertes ; les performances sur les tâches de raisonnement les plus complexes restent en deçà de la pointe de la technologie.

Mistral. Basée en Europe, cette entreprise propose des modèles performants dans plusieurs tailles et une politique de licences adaptée aux entreprises. Elle constitue un choix tout naturel pour les clients européens soucieux de souveraineté, et ses performances ne cessent de s’améliorer pour les modèles de plus grande taille. Les modèles de plus petite taille de Mistral sont particulièrement performants en tant que couche de base dans un déploiement en chaîne. Compromis : un écosystème plus limité que celui de Llama, et des capacités de raisonnement encore quelque peu en retrait par rapport aux modèles fermés de pointe.

Qwen (Alibaba). Le cabinet familial dont le siège se trouve en Chine et qui a connu la progression la plus rapide au cours de l’année écoulée. Solide maîtrise de plusieurs langues, notamment le chinois et l’arabe, et performances compétitives sur les dossiers de grande envergure. D’une importance croissante pour les organisations opérant en Asie et dans le Golfe. Compromis : les considérations organisationnelles varient selon les juridictions ; certaines entreprises n’envisageront pas de faire appel à des cabinets d’origine chinoise, quelles que soient leurs compétences.

Le cadre décisionnel de Artefact

Dans la pratique, nous encourageons nos clients à réfléchir selon deux axes : quel est le degré de complexité de la tâche, et quel est le degré de sensibilité du data ?

Figure 3. Cadre décisionnel à deux axes pour le choix d'un modèle de base.

Pour les tâches complexes portant sur des données non sensibles de type data, les modèles fermés de pointe de Claude, GPT ou Gemini, accessibles via une API gérée, constituent presque toujours le bon point de départ. La qualité du raisonnement prime sur le coût ou la charge liée au déploiement.

Pour les tâches complexes portant sur des données sensibles (data) — dossiers médicaux, transactions financières, données souveraines (data) —, un modèle open-source hébergé en interne s'avère de plus en plus viable, en particulier avec Llama pour les modèles de grande taille. Les performances sont suffisantes pour la plupart des tâches d'entreprise ; la localisation et le contrôle des données (data) sont des critères incontournables.

Pour les tâches simples relevant de la catégorie data (non sensible), qui correspond au niveau des modèles légers, Claude Haiku, GPT-mini et Gemini Flash traitent d'énormes volumes à un coût marginal. C'est là qu'interviennent les agents par e-mail, par document ou par transaction.

Pour les tâches simples sur le data, un petit modèle hébergé en interne — tel que Mistral small, Qwen 2.5 ou un modèle Llama optimisé — constitue généralement la solution la plus rentable.

La tâche est suffisamment simple pour que le modèle le plus petit suffise, et l'auto-hébergement permet de gérer la sensibilité.

Les déploiements les plus sophistiqués assurent désormais un routage dynamique entre ces quadrants. Lorsqu’une requête d’utilisateur est reçue, un petit modèle de routage la classe, puis la requête est transmise au modèle le moins coûteux capable de la traiter. C’est ainsi que l’économie fonctionne réellement à grande échelle et que les entreprises évitent soit de payer trop cher pour des tâches courantes, soit de ne pas consacrer suffisamment de ressources aux tâches complexes.

Un dernier conseil : ne vous enfermez pas dans une impasse. Concevez votre plateforme agentique de manière à ce que le modèle soit remplaçable. Les leaders de demain, dans six mois, ne seront peut-être pas ceux d’aujourd’hui ; la couche modèle doit être un composant interchangeable, et non un engagement structurel. Si la proposition d’un fournisseur rend cela difficile, demandez-lui pourquoi.

Les obstacles, tant techniques qu'organisationnels

Voici la partie que, si vous lisez cet article avec sérieux, vous devriez probablement relire deux fois. Les obstacles au déploiement d’agents à l’échelle de l’entreprise sont bien connus de tous ceux qui s’y sont déjà attelés, et ils se répartissent à peu près à parts égales entre les aspects techniques et organisationnels. D'après notre expérience, l'aspect organisationnel est le plus difficile à maîtriser, et c'est celui dans lequel la plupart des équipes de direction investissent le moins.

Figure 4. Les obstacles qui entravent le plus souvent la mise en œuvre des programmes d'action.

Obstacles techniques

Qualité Data. La principale raison pour laquelle les pilotes basés sur des agents ne parviennent pas à se déployer à grande échelle. L’efficacité des agents dépend entièrement de la qualité des données data auxquelles ils ont accès. Des formats incohérents, des enregistrements en double, des champs manquants et des sources data orphelines les mettent rapidement en échec. Un audit data réalisé avant, et non après, un projet pilote constitue l’amélioration la moins coûteuse que la plupart des organisations puissent mettre en œuvre.

Une extension désordonnée de type data. Pour la plupart des entreprises, 70 à 80% des data de données importantes se trouvent dans des fichiers PDF, des e-mails, des documents numérisés, des disques partagés et sur des sites intranet. Les agents sont en mesure de gérer ces données, mais uniquement s’ils disposent d’une architecture de recherche adaptée et s’ils sont prêts à investir dans leur extraction, leur indexation et leur gestion.

Faible data governance. La traçabilité, les contrôles d'accès, les règles de résidence et les politiques de conservation revêtent toutes une importance cruciale lorsqu'un agent est en mesure de consulter et d'intervenir sur l'ensemble de votre infrastructure data. La plupart des entreprises se rendent compte que leur gouvernance est moins solide qu'elles ne le pensaient dès la première fois qu'un agent effectue une action inattendue.

Intégrations système instables. Les ERP hérités, les API sur mesure et les systèmes qui n'ont jamais été conçus pour faire l'objet d'interrogations par programmation constituent autant d'obstacles. Le Model Context Protocol apporte une aide précieuse à cet égard, mais les vestiges du passé continuent de poser problème.

Pas d'évaluations ni d'observabilité. Le principal signal d'alerte dans la présentation d'un fournisseur est l'absence de cadre d'évaluation. Si vous ne pouvez pas déterminer si l'agent est adapté, vous ne pouvez pas le déployer. Nous avons vu des organisations très performantes négliger cet aspect et le regretter par la suite.

Surprises en matière de coûts et de latence. La consommation de jetons peut s'accumuler rapidement. La latence des agents nécessitant un contexte étendu et un raisonnement complexe peut atteindre des niveaux qui nuisent à l'expérience utilisateur. Ces deux aspects doivent être surveillés dès le premier jour, et non pas être découverts au bout de quatre mois.

Obstacles d'ordre organisationnel

Propriété incertaine. Le travail agentique se situe dans une zone d'incertitude entre l'informatique, le data et les métiers. En l'absence d'un responsable clairement désigné et d'un promoteur disposant de l'autorité politique nécessaire pour trancher en cas d'impasse, les programmes restent bloqués dans les méandres des procédures d'approbation ou se fragmentent en projets parallèles.

Des incitations mal orientées. Les personnes sont récompensées pour le travail qu'elles accomplissent actuellement. Si un agent menace ce travail, celles qui sont les mieux placées pour le rendre utile sont précisément celles qui sont les plus susceptibles de l'entraver. Le reconnaître honnêtement, c'est déjà la moitié de la solution.

Incohérence entre les modèles opérationnels. La plupart des entreprises sont organisées autour de projets dont les étapes clés sont clairement définies. Les agents, en revanche, sont des produits qui nécessitent un ajustement, une évaluation et une amélioration continus. Tenter de mettre en œuvre un travail axé sur les agents à travers un modèle opérationnel de projet conduit à des déploiements fragiles qui finissent par se dégrader.

Dette liée à la gestion du changement. Le plus difficile dans le déploiement d'un agent, ce n'est pas de le développer, mais de repenser les processus qui l'entourent. La plupart des organisations n'ont pas investi dans les capacités de changement nécessaires pour mener à bien cette tâche.

La crainte d'être déplacé. La mise en œuvre des solutions robotisées s'enlise lorsque le personnel craint que l'agent ne soit là pour le remplacer. Les déploiements les plus efficaces que nous observons sont clairs et crédibles sur ce point : l'agent se charge des tâches fastidieuses afin que les collaborateurs puissent se concentrer sur les aspects de leur travail qui nécessitent leur jugement. Il ne suffit pas de l'affirmer ; les actes doivent venir étayer ces paroles.

Faible niveau de maîtrise de l'évaluation. Les dirigeants qui ne sont pas en mesure d’évaluer de manière pertinente si un agent accomplit correctement son travail se laissent facilement convaincre par des démonstrations qui ne sont pas représentatives de la réalité. La mise en place d’un vocabulaire commun — exactitude, précision, taux de rappel, taux d’hallucination, taux d’escalade, coût par résolution — fait désormais partie des missions de tout dirigeant chargé de superviser le travail des agents.

Si nous devions citer les deux obstacles qui méritent le plus l'attention de la direction générale, ce serait : data governance sur le plan technique, et le modèle opérationnel sur le plan organisationnel. Ce sont ces deux éléments qui, s'ils ne sont pas pris en compte, limiteront insidieusement la valeur que vous pourrez générer, quelle que soit la qualité des modèles mis en place.

Anatomie d'un déploiement à l'échelle de l'entreprise

Une question utile à se poser concernant tout système agentique avant qu’il n’entre en production est la suivante : quelles conditions devraient être réunies pour que je sois serein si ce système venait à connaître une défaillance publique ? Car, à grande échelle, les agents connaîtront inévitablement des défaillances publiques. La discipline consiste à s’assurer que, lorsque cela se produit, vous puissiez le détecter, le maîtriser et vous remettre rapidement de la situation.

Un déploiement de niveau entreprise nécessite le respect d'un petit ensemble de critères incontournables. Aucun d'entre eux n'est passionnant en soi ; mais, pris dans leur ensemble, ils font la différence entre ce que vous seriez heureux d'expliquer à une autorité de régulation et ce que vous préféreriez ne pas avoir à lui expliquer.

Gestion des identités et des accès. Chaque action d'un agent doit être exécutée sous une identité, avec des autorisations héritées de l'utilisateur pour le compte duquel il agit. Les agents qui opèrent avec des privilèges étendus sur un compte de service constituent un risque de panne et une anomalie d'audit en puissance.

Journalisation des audits. Chaque décision, chaque appel à un outil, chaque remontée d'incident doit être consigné, immuable et consultable. Ce n'est pas facultatif. Les autorités de régulation des services financiers, du secteur de la santé et, de plus en plus, d'autres secteurs réglementés vous le demanderont. Vous voulez que la réponse soit “ oui, c'est ici ”.

Cadre d'évaluation. Un ensemble de tests étiquetés permettant d'évaluer l'agent avant chaque mise en production, avec des seuils clairs définissant les critères de réussite. Il s'agit là de l'investissement le plus rentable que la plupart des équipes négligent de réaliser. Si votre équipe n'est pas en mesure de vous présenter ses évaluations, cela signifie qu'elle n'a pas développé d'agent adapté à un environnement d'entreprise.

Observabilité. Une visibilité en temps réel sur les performances de l'agent en production : taux de réussite, latence, coût par requête, taux d'escalade, évolution dans le temps. Les mêmes indicateurs que ceux que vous attendriez pour tout service de production, mesurés au niveau de l'agent.

Maîtrise des coûts. Limites de dépenses par utilisateur, par agent et par locataire. Alertes. Limitation automatique en cas de boucles incontrôlées. Une dépense de jetons sans contrôle équivaut, pour un agent, à une fuite de mémoire.

Points de contrôle impliquant une intervention humaine. Les décisions importantes doivent faire l'objet d'une vérification humaine, l'agent présentant le contexte et une recommandation. Le niveau de ce seuil dépend du cas d'utilisation ; l'existence même de ce seuil est non négociable.

Data : gouvernance et résidence. Des règles claires concernant ce que l'agent est autorisé à lire, à écrire, à conserver et à transférer à l'étranger. Cela revêt une importance particulière si vous exercez vos activités dans l'Union européenne, au Royaume-Uni, dans les pays du Golfe et dans d'autres pays ayant leurs propres positions en la matière.

Comportement par défaut. Que se passe-t-il lorsque le modèle n'est pas disponible, que la réponse est impossible à analyser ou que l'appel de l'outil échoue ? Les agents de production ont besoin d'une dégradation en douceur, et non d'un échec silencieux ou d'un comportement inattendu.

Modèles d'évolutivité. L'architecture devrait pouvoir prendre en charge un volume 100 fois supérieur à celui du lancement sans nécessiter de changement de plateforme. Routage entre les modèles, mise en cache, traitement asynchrone, exécution basée sur des files d'attente : les principes de base des systèmes distribués appliqués à un nouveau substrat.

Aucun de ces éléments n'est inhabituel. Tous sont systématiquement négligés dans les systèmes agentiques qui ont été développés à la hâte et qui n'ont jamais été correctement sécurisés. Si l'écart entre le prototype et la version de production est si important, c'est précisément parce que cette liste incarne cet écart.

Le guide de mise en œuvre

Au fil des déploiements d'agents que nous avons menés avec nos clients au cours des deux dernières années, un schéma clair en cinq étapes s'est dégagé. Le fait de le nommer clairement aide les dirigeants à planifier les budgets, à définir les attentes et à s'assurer que les bonnes personnes soient présentes au bon moment.

Figure 5. Les cinq étapes d'un déploiement agentique.

Étape 1 : Découvrir. Identifiez les cas d'utilisation potentiels, évaluez leur valeur, examinez le data dont ils auraient besoin, puis sélectionnez-en un ou deux pour un premier projet pilote. À ce stade, il est essentiel de savoir dire « non » : la plupart des cas d'utilisation potentiels ne sont pas encore prêts, et commencer par le mauvais endroit est la raison la plus courante pour laquelle les programmes perdent de leur élan. Les participants : le promoteur métier, les opérateurs chargés de la mise en œuvre, un responsable data.

Étape 2 : Prototype. Créez un agent fonctionnel pour le cas d'utilisation choisi, de bout en bout, en quelques jours ou quelques semaines. Les éditeurs visuels ou les plateformes guidées par des invites constituent généralement les outils les plus adaptés à ce stade. L’objectif est de démontrer que le cas d’utilisation fonctionne en principe, et non de développer le système de production. Les intervenants : une petite équipe de développement, des utilisateurs métier pour fournir un retour d’expérience, ainsi que des ingénieurs pour vous conseiller sur la voie à suivre jusqu’à la mise en production.

Étape 3 : Durcissement. Il s'agit de la phase la plus longue et dont le budget est le plus souvent sous-estimé. Il s'agit de mettre en place la suite d'évaluation, d'ajouter des contrôles d'accès, de mettre en place des outils d'observabilité, de définir les points de contrôle nécessitant une intervention humaine et d'effectuer des tests de pré-production. La plupart des entreprises s'enlisent à ce stade, car le travail n'est pas très attrayant et le prototype semble déjà impressionnant. Les services concernés : ingénierie, sécurité, gestion des risques et de la conformité, gestion du changement.

Étape 4 : Déploiement. Procédez au déploiement auprès d'utilisateurs pilotes, surveillez attentivement les indicateurs et procédez à des itérations en fonction de l'utilisation réelle. Préparez la gestion du changement : formez les utilisateurs, définissez les attentes et mettez en place un circuit de retour d'information. La plupart des déploiements nécessitent trois à six semaines de suivi minutieux avant un déploiement à plus grande échelle. Les parties prenantes : les équipes opérationnelles, la gestion du changement et les RH, ainsi que le promoteur métier initial.

Étape 5 : Déploiement à grande échelle. Étendre l’agent à des populations plus larges, identifier les modèles et composants réutilisables, mettre en place le centre d’excellence qui prendra en charge les deuxième, troisième et quatrième cas d’utilisation. C’est également à ce stade que la question du modèle opérationnel prend toute son importance : comment l’organisation gère-t-elle concrètement un parc d’agents au fil du temps ? Les acteurs concernés : le parrain exécutif, les futurs responsables de l’IA, le responsable du modèle opérationnel.

Aujourd'hui, la plupart des entreprises mènent plusieurs projets pilotes au stade 2 et ne disposent que de très peu de systèmes aux stades 4 ou 5. Au cours des deux prochaines années, l'avantage concurrentiel reviendra de manière disproportionnée aux organisations qui sauront passer sans heurts du stade 3 au stade 5.

Perspectives à court et moyen terme

À quoi ressemblera le paysage de l'agentique d'ici 12 à 36 mois ? Quatre évolutions se dessinent déjà et méritent d'être prises en compte dans votre planification.

Les systèmes multi-agents s'imposent désormais comme la norme pour les tâches complexes. Aujourd’hui, l’approche multi-agents représente la nouvelle frontière. D’ici 2027, elle constituera l’architecture par défaut pour tout flux de travail agentique non trivial. Les outils d’orchestration gagnent rapidement en maturité, et le coût d’exploitation de plusieurs agents spécialisés est désormais suffisamment faible pour que la simplicité technique d’un “ seul grand agent ” ne se justifie plus d’un point de vue financier. Les entreprises qui ont investi dans des cadres d’évaluation et dans l’observabilité s’adapteront sans difficulté à cette évolution. Celles qui ne l’ont pas fait rencontreront des difficultés.

Marchés d'agents et composants réutilisables. La situation actuelle, dans laquelle chaque entreprise développe ses agents de A à Z, n’est qu’une phase transitoire. Nous prévoyons une évolution significative vers des places de marché proposant des agents prêts à l’emploi et des composants réutilisables, fournis tant par des éditeurs que développés en interne. L’équivalent interne d’une boutique d’applications privée fait déjà son apparition chez les grands clients. Pour les dirigeants, cela modifie la question « développer ou acheter », qui s’apparentera davantage à « développer ou assembler » d’ici 2027.

L'exploration des processus orientée agent. Les fournisseurs de solutions de « process mining » intègrent rapidement des fonctionnalités basées sur des agents, tandis que la découverte de processus native à l'IA émerge parallèlement. Les agents combinés, capables de cartographier vos processus, d'identifier les opportunités, puis de mettre en œuvre les flux de travail qui en découlent, vont constituer une catégorie de plus en plus importante. Faites preuve de prudence face aux arguments de vente actuels des fournisseurs dans ce domaine ; la technologie évolue rapidement et le risque de dépendance vis-à-vis d'un fournisseur est bien réel.

La réglementation se durcit. Les exigences relatives aux systèmes à haut risque prévues par la loi européenne sur l’IA entreront progressivement en vigueur entre 2026 et 2027. Le Royaume-Uni adopte une approche davantage sectorielle, mais les services financiers, les soins de santé et les infrastructures critiques relèvent tous de son champ d’application. La SDAIA en Arabie saoudite et le bureau chargé de l’IA aux Émirats arabes unis ont publié des cadres réglementaires qui évolueront vers des exigences contraignantes. La loi-cadre sud-coréenne sur l’IA est entrée en vigueur en janvier 2026. Aux États-Unis, on observe un patchwork de législations étatiques en constante évolution. Et les secteurs réagissent en actualisant leurs recommandations : la RICS met à jour ses recommandations pour le secteur immobilier, la MAS de Singapour a publié des principes et des méthodologies spécifiques à l’IA dans le domaine financier, et les assureurs demandent désormais aux cabinets d’avocats et d’experts-comptables, lors du renouvellement de leurs contrats, s’ils ont mis en place des politiques d’utilisation de l’IA. La charge liée à la conformité s’alourdit, mais les contours de cette conformité se précisent également. Préparez-vous-y ; ne vous laissez pas prendre au dépourvu.

Le point stratégique le plus important que les dirigeants doivent assimiler est le suivant : les modèles de base continueront à se banaliser. Ce n’est pas là que résidera l’avantage concurrentiel. Il résidera dans le modèle propriétaire data auquel vous avez accès, dans les flux de travail que vous avez repensés autour des capacités d’agent, et dans l’infrastructure d’évaluation que vous avez mise en place et qui vous permet de déployer des améliorations plus rapidement que vos concurrents. Les organisations qui investissent dès maintenant dans ces trois domaines renforceront leur avantage ; celles qui misent sur un modèle particulier comme étant le gagnant n’y parviendront pas.

La tentation d'attendre que la situation se stabilise est compréhensible. Elle est également coûteuse. Le coût d'une mise en route immédiate réside principalement dans le coût des erreurs ; celui d'attendre deux ans correspond au coût d'un retard structurel par rapport à des concurrents qui ont appris par la pratique.

Une réponse mesurée à ce titre

Revenons donc au titre : est-il vraiment possible de créer un agent IA de niveau professionnel en quelques heures ?

Vous pouvez créer un agent en quelques heures. Vous pouvez créer quelque chose d’utile en quelques jours. Vous pouvez créer quelque chose de vraiment performant en quelques semaines. Mais pour obtenir un système de niveau “ entreprise ”, c’est-à-dire le genre de système que vous n’hésiteriez pas à présenter à vos clients les plus importants, à vos autorités de régulation et à votre conseil d’administration, il faut des mois de travail minutieux, même avec les meilleurs outils. Et cet écart ne se comble pas aussi rapidement que le laissent entendre les gros titres. Au contraire, il se creuse, car la barre de ce que signifie « de niveau entreprise » s’élève parallèlement aux capacités des modèles sous-jacents.

La bonne nouvelle, c'est que le coût de cette analyse est désormais quasi nul. Voici trois mesures que tout dirigeant peut mettre en œuvre dès la semaine prochaine, sans avoir besoin d'une autorisation budgétaire, sans comité de pilotage et sans s'engager dans aucune stratégie particulière.

Commencez par choisir une tâche répétitive, nécessitant beaucoup de jugement et bien délimitée dans votre propre travail. Créez un agent de base pour cette tâche dans Claude, ChatGPT, Gemini ou Copilot Studio. Utilisez-le pendant deux semaines. Vous en apprendrez davantage au cours de ces deux semaines qu’en parcourant n’importe quel nombre de présentations PowerPoint.

Deuxièmement, examinez un processus de votre entreprise à la lumière de l'heuristique en quatre points évoquée précédemment : répétitif, nécessitant un jugement important, délimité, pouvant faire l'objet d'une révision humaine. Les processus ainsi identifiés constituent vos véritables opportunités.

Troisièmement, posez une seule question à votre équipe : quel est notre cadre d'évaluation ? Si elle ne parvient pas à y répondre clairement, c'est là que vous devrez commencer.

Les entreprises qui y parviendront au cours des dix-huit prochains mois ne seront pas celles qui auront mis au point les démos les plus ingénieuses. Ce seront celles qui auront su, rapidement et en toute honnêteté, combler le fossé entre un agent qui fonctionne et un agent qui fonctionne réellement.

Études de cas

Une solution de création visuelle destinée aux analystes du secteur de l'immobilier d'entreprise

Artefact a aidé une entreprise du secteur immobilier (CRE) à acquérir une autonomie stratégique dans le développement d’agents de tâches grâce à des sessions de formation, de mentorat et de programmation en binôme destinées à son équipe d’analystes interne, tout en pilotant la mise en œuvre de trois agents de tâches opérationnels. L’architecture des agents a été limitée à Claude (service de modèle de base) et à Power Automate (orchestration, mémoire, outils et garde-fous), afin que les agents puissent s’inscrire globalement dans le même écosystème d’outils que celui auquel l’équipe interne était habituée et qu’elle était capable de maintenir parallèlement à ses technologies existantes.

Ainsi, ces agents se voyaient attribuer certains attributs d’un service de production, mais pas d’autres, notamment la journalisation d’audit, l’observabilité et l’évolutivité. Néanmoins, en peu de temps, le CRE a mis en place des fonctionnalités concises mais efficaces telles que le modèle data governance et la résidence, des points de contrôle impliquant une intervention humaine, ainsi que la gestion des identités et des accès, le tout associé à des pipelines d’évaluation et des procédures d’administration rudimentaires, ce qui lui a permis de se mettre sur la voie de gains d’efficacité significatifs.

Innovation en matière d'agents de workflow pour une société mondiale de capital-investissement

Artefact a développé un prototype d’agent de workflow implémenté dans les ‘ Skills ’ de Claude, pour en faire un ‘ Connecteur ’ Claude hautement performant, illustrant ainsi l’utilisation du MCP pour passer de la définition d’une tâche d’IA exclusivement en langage naturel à la définition de cette tâche comme une composition d’outils d’IA hautement performants. Ce qui distingue fondamentalement cette solution, en faisant d’elle un « Workflow Agent » et non un simple « Task Agent », c’est l’utilisation d’un LLM principal pour gérer la séquence d’appels aux outils – en plus de l’invocation de LLM secondaires pour exécuter les opérations de ces outils.

La mise en place du modèle « Claude Connector » au sein d’une infrastructure Azure existante a donné lieu à une nouvelle exigence concernant la prise en charge du trafic entrant et de l’accès data. Dans les organisations où ces infrastructures communes sont gérées avec succès sous forme de services partagés, nous constatons que le délai de déploiement de nouveaux services de production est réduit jusqu’à trois fois à chaque nouveau déploiement.

Chris de Gruben est directeur principal chez Artefact, où il dirige les activités du secteur immobilier au Royaume-Uni et dans l'Union européenne. Il travaille en étroite collaboration avec des clients des secteurs public et privé au Royaume-Uni, en Europe et dans la région du Golfe.

Oliver Richardson occupe le poste de responsable senior en apprentissage automatique chez Artefact ; depuis plus de 20 ans, il accompagne des organisations issues des secteurs de la finance, du commerce et de l'administration publique dans le déploiement de produits d'IA et d'apprentissage automatique à la pointe de la technologie.

Artefact collabore avec des entreprises pour concevoir, développer et exploiter des systèmes d'IA à grande échelle, du premier projet pilote jusqu'au déploiement à l'échelle de l'entreprise. Si vous êtes actuellement confronté au fossé entre le prototype et la mise en production, nous serions ravis d'échanger nos points de vue avec vous.