IA agentique : de l'assistant qui répond à l'agent qui agit

Le mot « agent » est partout depuis un an et demi, au point de ne plus vouloir dire grand-chose. Chaque outil se présente comme agentique, chaque assistant devient un agent. Derrière l'effet de mode, il y a pourtant un vrai changement dans la façon d'utiliser les modèles de langage, et il mérite d'être expliqué simplement.

La différence entre répondre et agir

Un assistant classique fonctionne en aller-retour. Vous posez une question, il répond, et c'est à vous de faire quelque chose de la réponse. Un agent, lui, reçoit un objectif plutôt qu'une question. Il décide des étapes, utilise des outils pour les réaliser, regarde ce qui s'est passé et ajuste la suite.

Prenons un exemple simple. À un assistant, on demande : « Rédige une relance pour ce client. » À un agent, on peut confier : « Relance les clients dont la facture a plus de trente jours de retard. » Il va chercher la liste dans l'outil de facturation, vérifie l'historique de chaque client dans le CRM, rédige des messages adaptés et les soumet pour validation avant envoi. La différence n'est pas l'intelligence du modèle, c'est l'accès aux outils et la boucle de travail autour.

Ce qui a rendu les agents possibles

Trois évolutions se sont rejointes. Les modèles sont devenus nettement meilleurs pour planifier, suivre des consignes longues et corriger leurs propres erreurs. Ils savent aussi appeler des outils de façon fiable : interroger une base de données, lancer une recherche, remplir un formulaire, exécuter un bout de code. Enfin, des standards ouverts sont apparus pour brancher un agent sur les logiciels de l'entreprise, le plus connu étant le Model Context Protocol, devenu en peu de temps une sorte de prise universelle entre les modèles et les outils.

Résultat : ce qui demandait il y a deux ans un développement sur mesure pour chaque connexion se branche aujourd'hui beaucoup plus vite. C'est ce qui explique l'accélération des projets.

Où les agents tiennent leurs promesses

Les meilleurs résultats que nous observons viennent de tâches répétitives, multi-étapes, avec des règles claires et un résultat vérifiable.

• Traitement de documents entrants : lire une facture, un bon de commande ou un dossier, en extraire les informations, les contrôler et les saisir au bon endroit.
• Préparation de dossiers : rassembler des pièces dispersées dans plusieurs outils et produire une synthèse prête à relire.
• Support de premier niveau : comprendre la demande, chercher dans la base de connaissances, proposer une réponse et transmettre à un humain quand le cas sort du cadre.
• Veille et reporting : collecter des données à intervalle régulier, repérer ce qui a changé et rédiger le point hebdomadaire.

À l'inverse, les agents déçoivent quand on leur confie des décisions floues, sans critère de réussite, ou des actions irréversibles sans contrôle. Les cabinets d'analyse l'ont souligné : une part importante des projets d'IA agentique lancés dans l'enthousiasme risque d'être abandonnée, faute de valeur claire ou de garde-fous suffisants. Ce n'est pas une raison pour attendre, c'est une raison pour bien choisir son premier cas.

Garder la main : les règles que nous appliquons

Un agent qui agit dans vos systèmes doit être conçu comme un nouveau collaborateur à qui l'on donne des accès progressifs. Concrètement, nous partons de quelques principes simples.

• Des droits limités au strict nécessaire : l'agent lit beaucoup, écrit peu, et ne supprime rien sans validation.
• Une validation humaine sur les actions qui engagent : un envoi à un client, un paiement, une modification de données sensibles.
• Une trace de tout ce qu'il fait : quelles informations il a consultées, quels outils il a utilisés, pourquoi il a pris telle décision.
• Une mesure de la qualité avant la mise en production, sur des cas réels, puis un suivi dans la durée.

Ce dernier point est souvent négligé. Un agent qui réussit neuf tâches sur dix paraît impressionnant en démonstration. En production, la dixième peut coûter cher. On mesure donc avant de déployer, on sait où l'agent se trompe et on décide en connaissance de cause des tâches qu'on lui confie seul.

La bonne question n'est pas « que peut faire l'agent ? », mais « que sommes-nous prêts à le laisser faire sans relecture ? ».

Par où commencer

Le premier projet idéal est une tâche que vos équipes trouvent fastidieuse, qui revient souvent, dont le résultat se vérifie facilement et dont une erreur ponctuelle reste rattrapable. On démarre avec l'agent en mode assistant, qui prépare et propose, puis on élargit son autonomie à mesure que la confiance se construit, chiffres à l'appui.

En résumé

L'IA agentique fait passer les modèles de langage du rôle de conseiller à celui d'exécutant : ils reçoivent un objectif, utilisent des outils et vérifient leur travail. Elle fonctionne très bien sur des tâches répétitives et vérifiables, beaucoup moins sur des décisions floues. La clé est la même que pour tout projet d'IA sérieux : un cas d'usage bien choisi, des droits limités, une validation humaine là où ça compte et une qualité mesurée avant de faire confiance.