Agents IA en entreprise : de la démo à l’usage réel
Tout le monde a vu la démo. Un agent qui ouvre un navigateur, remplit un CRM, réserve un vol, enchaîne douze actions sans qu’on touche au clavier. C’est spectaculaire, ça circule très bien, et les labos ont tous basculé dessus : Anthropic avec le computer use et le Model Context Protocol, OpenAI avec ses agents, tout le monde court dans la même direction. Maintenant, la question gênante : combien d’entreprises que tu connais ont un agent qui tourne, lundi matin, sur un vrai processus ?
Moi, très peu. Les modèles sont largement assez bons. C’est le prolongement direct de ce que j’écrivais sur l’adoption de l’IA : entre une démo qui impressionne et un outil qu’on ouvre tous les jours, il y a un gouffre. Sur les agents, ce gouffre est encore plus large, parce qu’un agent ne se contente pas de répondre. Il agit.
Pourquoi les agents IA restent bloqués au stade de la démo
Une démo est construite pour réussir. Le chemin est balisé, les données sont propres, le présentateur a répété. Un processus réel, lui, est fait d’exceptions : le client qui n’a pas de numéro de TVA, la facture en double, le champ que quelqu’un a rempli à la main en 2019. La démo montre le cas nominal, l’entreprise vit dans les cas particuliers.
Et puis il y a l’arithmétique, qu’on évite soigneusement de faire. Un agent fiable à 90 % par étape, sur une chaîne de douze étapes, finit à 28 % de réussite de bout en bout. C’est une multiplication, rien de plus. Tant qu’on empile des étapes autonomes sans point de contrôle, on fabrique une machine à échouer silencieusement.
Le chiffre des « 95 % de projets IA qui échouent » mérite mieux qu’un partage
Tu l’as forcément croisé : le rapport du MIT Media Lab sur l’état de l’IA en entreprise, et son chiffre choc, 95 % des projets d’IA générative sans effet mesurable sur le résultat. La phrase a fait le tour de LinkedIn en quarante-huit heures.
Elle mérite un peu de rigueur. L’échantillon est mince, la définition de l’échec est floue, et un pilote arrêté n’est pas forcément un pilote raté : parfois c’est juste une entreprise qui a appris quelque chose et coupé au bon moment. Prendre ce 95 % pour une mesure, c’est la même erreur que prendre un classement de modèles pour une stratégie.
Cela dit, l’intuition derrière le chiffre, elle, est juste, et tous ceux qui bossent sur le terrain la partagent : énormément de projets s’arrêtent entre le POC réussi et la mise en production. Le chiffre est discutable, le phénomène reste solide.
Ce qui sépare un agent en production d’un POC
Quatre choses, et aucune n’est un problème de modèle.
Un périmètre étroit. Un agent qui fait une chose précise sur un processus délimité passe en production. Un agent « assistant polyvalent » reste une démo à vie, parce que personne ne sait dire quand il a bien fait son travail.
Un point de reprise humain. L’agent prépare, un humain valide, l’agent exécute. Voilà ce qui rend l’outil déployable dans une vraie boîte, avec de vraies responsabilités.
De la traçabilité. Savoir ce que l’agent a fait, quand, sur quelles données, et pouvoir le montrer. Sans ça, aucun responsable sérieux ne signera.
De la réversibilité. Toute action doit pouvoir être annulée, ou au minimum ne rien détruire. Un agent qui écrit avant d’avoir été relu est une mauvaise idée, quel que soit le modèle derrière.
Quels processus confier en premier à un agent IA
Le bon premier candidat coche quatre cases : il est répétitif, son résultat est vérifiable en un coup d’œil, une erreur coûte peu, et le volume est suffisant pour que le gain se voie. Rapprochement de données, préparation de dossiers, contrôle de cohérence, veille structurée, mise en forme : c’est ingrat, et ça tient en production.
Le mauvais premier candidat, c’est presque toujours celui qu’on choisit : la relation client. C’est visible, ça fait une belle annonce, et c’est exactement l’endroit où une erreur coûte le plus cher. Commencer par là, c’est jouer sa crédibilité interne sur le cas le plus difficile.
Donner des outils à un agent, pas des pouvoirs
C’est la bascule mentale qui change tout. Un agent n’a pas besoin d’accès, il a besoin d’outils, avec un périmètre écrit noir sur blanc : ce qu’il peut lire, ce qu’il peut proposer, ce qu’il ne peut jamais faire seul. C’est précisément ce que standardise le MCP : on ne branche pas une intelligence sur un système, on lui expose des capacités nommées et bornées.
C’est comme ça que je construis mes propres outils métier. L’agent analyse, propose une correction ou un lien interne, et rien ne part tant qu’un humain n’a pas validé. Ce garde-fou est structurel : c’est la seule configuration dans laquelle quelqu’un accepte de brancher ça sur son site en production.
Un agent qui agit pose la question de l’endroit où il tourne
Tant que l’IA se contentait de répondre, l’endroit où elle tournait était un sujet de colloque. Un agent qui agit sur tes systèmes, qui lit tes données clients et écrit dans tes outils, transforme cette question en question opérationnelle. Qui voit passer quoi, sous quelle juridiction, avec quelle capacité à couper ? C’est désormais une ligne dans un contrat. J’y reviendrai.
De la démo à l’usage réel : ce qui déclenche vraiment l’adoption
Les agents butent sur la confiance, pas sur la technique. Et la confiance s’obtient autrement qu’en montrant douze actions enchaînées : elle s’obtient en montrant une action, faite correctement, cent fois de suite, avec la possibilité de vérifier.
Alors quand on te demande si ton entreprise « fait des agents », la bonne réponse tient en un processus, et de dire depuis combien de temps il tourne sans que personne n’ait eu à le reprendre.
À lire aussi : Adoption de l’IA en entreprise : pourquoi la puissance des modèles ne suffit pas · Le protocole UCP, six mois après : ce que la data dit déjà du commerce agentique
Thomas Nedjar évolue depuis quatorze ans dans l'acquisition digitale et le e-commerce. Entrepreneur, il a fondé et dirigé plusieurs sociétés e-commerce entre la France et la Suisse, avec une solide expérience du commerce international et intracommunautaire. Il est aujourd'hui Expert Senior SEO/GEO, IA & Tech chez Suisseo, et conçoit ses propres applications pour le marketing : ED (community management automatisé) et SEO Cartograph (crawler d'audit SEO en local). Conférencier (CVCI) et formateur, il partage ici ses retours de terrain sur le SEO, le GEO, l'automatisation et le e-commerce.
Tous ses articles · LinkedIn