Agent IA pour entreprise : des actions réelles, dans des limites claires

Qu'est-ce qu'un agent IA pour entreprise, et en quoi diffère-t-il d'un chatbot ?

Un chatbot répond à une question ; un agent accomplit une tâche. Interrogez un chatbot sur le contrat d'un client : il trouve la clause pertinente. Demandez à un agent de préparer une note de renouvellement : il récupère le contrat dans SharePoint, l'usage dans votre base produit, les tickets ouverts dans Zendesk et les e-mails récents dans HubSpot, puis rédige la note et la classe sur la fiche de renouvellement.

Cette différence compte pour le risque. Un chatbot qui se trompe donne une mauvaise réponse que l'on peut ignorer. Un agent qui se trompe peut modifier une fiche, envoyer un e-mail ou créer un bon de commande. C'est pourquoi le développement d'un agent porte surtout sur les limites qui entourent le modèle, plutôt que sur le modèle lui-même.

Quelles tâches se prêtent bien à un agent IA ?

Les bonnes candidates se répètent souvent, demandent de chercher des informations à plusieurs endroits et se terminent par une décision qu'une personne peut vérifier rapidement. Les mauvaises candidates sont rares, à fort enjeu ou impossibles à vérifier.

L'une de nos études de cas correspond bien à ce profil : pour un cabinet de conseil en sourcing et qualité fournisseurs, nous avons construit deux outils qui trouvent des fournisseurs candidats et appliquent automatiquement les critères de sélection du client, avec 85 % de temps gagné et 91 % de coûts économisés sur la recherche de fournisseurs. Il s'agissait d'une recherche en plusieurs étapes avec des critères clairs à la fin : c'est exactement là que les agents font la différence.

• Recherche et qualification des comptes entrants avant l'appel d'un commercial.
• Notes de renouvellement et de revue de compte assemblées à partir de plusieurs systèmes.
• Recherche de fournisseurs ou de prestataires selon des critères de sélection écrits.
• Rapprochement des fiches entre le CRM, l'ERP et les tableurs.
• Analyse des tickets qui rassemble journaux et historique avant qu'un ingénieur s'en charge.

Comment construire un agent IA : outils, droits et mémoire ?

Chaque agent est un modèle, plus un ensemble défini d'outils, plus les règles qui les encadrent. Les outils sont des fonctions étroites : rechercher des entreprises, retrouver un contact par e-mail, lire un PDF, créer une note brouillon. Nous écrivons chacun d'eux nous-mêmes avec une validation des entrées, pour que le modèle ne puisse pas appeler une API d'une manière que nous n'avons pas prévue.

Les outils de lecture sont généralement ouverts ; les outils d'écriture sont verrouillés. Créer un brouillon ou une tâche est souvent autorisé directement, tandis qu'envoyer un e-mail, modifier le montant d'une affaire ou créer un bon de commande attend une validation. La mémoire est volontairement réduite : les notes de travail de la tâche et les fiches récupérées pour cette exécution, et non une base qui grossit sans cesse et devient difficile à auditer.

Pour l'orchestration, nous utilisons LangGraph ou Python quand la logique est complexe, les nœuds d'agent IA de n8n quand l'équipe veut voir et modifier le flux, et MCP quand il permet à vos systèmes existants d'exposer proprement leurs outils. Dans les environnements AWS, Bedrock AgentCore est une option, et les entreprises équipées Microsoft peuvent utiliser Copilot Studio lorsque ses connecteurs conviennent.

Comment empêcher un agent de faire une erreur ?

Avec des contrôles en couches qui ne dépendent pas du bon comportement du modèle. Le modèle propose ; le code décide de ce qui est autorisé.

Chaque agent a un nombre maximal d'étapes et un plafond de coût par tâche, au-delà desquels il s'arrête et indique où il en est. Les actions d'écriture au-dessus d'un seuil exigent une validation humaine dans Slack, Teams ou un écran de validation. Tous les prompts, appels d'outils, résultats et décisions sont journalisés : un validateur peut rejouer exactement pourquoi l'agent a agi ainsi. Un interrupteur d'arrêt met l'agent en pause sur toutes les exécutions, et chaque modification de prompt ou d'outil peut être ramenée à la version précédente.

• Une liste explicite d'outils autorisés par agent.
• Des validations obligatoires sur les écritures qui touchent à l'argent, aux clients ou à des données réglementées.
• Des limites d'étapes et des plafonds de coût par tâche.
• Des journaux complets des prompts, des appels d'outils et des résultats.
• Un interrupteur d'arrêt et un retour arrière versionné.

Pourquoi tant de projets d'agents sont-ils abandonnés ?

Surtout parce que leur périmètre était trop large et leur contrôle trop lâche. Gartner a prédit en juin 2025 que plus de 40 % des projets d'IA agentique seraient abandonnés d'ici fin 2027 en raison des coûts, d'une valeur peu claire ou de contrôles des risques insuffisants, et a mis en garde contre l'« agent washing », qui consiste à rebaptiser agent une automatisation ordinaire.

Nous l'évitons de trois façons. Nous commençons par une seule tâche dont l'avant et l'après sont mesurables. Nous vérifions si un simple workflow ferait l'affaire, car une automatisation à chemin fixe est moins chère et inspire plus facilement confiance quand les étapes ne changent jamais. Et nous mettons en place les plafonds de coût, les validations et les journaux avant que l'agent n'obtienne le moindre accès en production, pas après un incident.

Comment tester le développement d'un agent IA avant son lancement ?

Nous rejouons de vraies tâches passées. Pour chacune, nous consignons ce à quoi ressemble un bon résultat, faisons tourner l'agent en sandbox ou en lecture seule, puis évaluons à la fois le résultat final et le chemin suivi (a-t-il utilisé les bons outils, dans un ordre logique, dans le budget prévu).

Après le lancement, l'agent fonctionne d'abord en mode observation ou validation : il propose des actions et une personne accepte ou rejette chacune d'elles. Les taux d'acceptation par type de tâche montrent où l'on peut laisser l'agent agir directement et où la validation doit rester permanente.