Ce que vous devez comprendre avant de parler d’agents IA 13 minutes

Guide IA agentique

Section 1 — Démystifier

← Retourner au guide

L’IA agentique n’est pas un outil. C’est une décision stratégique.

L’IA agentique suscite un enthousiasme hors norme quand on la compare aux premières vagues du cloud ou de la transformation numérique. Les démonstrations sont impressionnantes. Les promesses abondent. Les prototypes se multiplient.

Mais une question demeure rarement posée : que va réellement changer l’agentique dans votre organisation ?

Un agent IA n’est ni un chatbot amélioré, ni une simple extension de ChatGPT, Claude ou Gemini. C’est un système capable de comprendre une situation, de prendre une décision et d’agir dans vos systèmes pour atteindre un objectif opérationnel.

Ce changement est profond. Il ne commence pas par un choix technologique. Il commence par des questions stratégiques :

• Quels processus allons-nous modifier ?
• Quel niveau d’autonomie est acceptable ?
• Qui sera responsable des décisions automatisées ?

L’agentique n’est pas une expérimentation. C’est un amplificateur organisationnel.

Elle rend les bons choix plus puissants. Et les mauvais beaucoup plus coûteux.

Un changement profond dans le travail

Une clarification s’impose : les agents IA ne sont ni un gadget ni une extension améliorée de ChatGPT, Claude ou Gemini.

Ils représentent un changement beaucoup plus profond dans la manière dont le travail est exécuté au sein des organisations. Ce changement ne pose pas un problème technologique en premier. Il pose un problème de structure, de priorités et de discipline d’exécution.

D’abord, quelques définitions.

IA générative

Les ChatGPT, Claude, Copilot ou Gemini grand public sont des systèmes d’IA génératives. Ils aident à réfléchir, créer et analyser, mais n’exécute pas d’actions dans les systèmes.

Un agent IA

Contrairement à un système d’IA générative, il ne se contente pas de répondre. Il peut accéder à des données, utiliser des outils et déclencher des actions.

Bien que l’IA générative et les agents IA partagent les mêmes fondations, soit les grands modèles de langage (LLM), leur usage diffère profondément. L’IA générative utilise ces modèles pour produire une réponse à une question. Un agent IA, lui, les utilise pour atteindre un objectif : il établit un plan, exécute les actions nécessaires et ajuste son comportement de façon itérative.

Plus simplement dit, un agent doit intégrer trois capacités clés :

• Autonomie pour décider : déterminer lui-même les actions à entreprendre pour atteindre un objectif donné.
• Accès aux outils et aux données : utiliser les ressources nécessaires pour exécuter ces actions dans des systèmes réels.
• Auto-évaluation du résultat : évaluer les résultats obtenus et itérer jusqu’à considérer que l’objectif a été atteint.

Une compétence (skill)

Avant de comprendre les systèmes agentiques, il faut comprendre la notion de skill.

Une compétence, ou skill, est une procédure réutilisable permettant d’exécuter un type de tâche spécifique. On peut la voir comme un bloc fonctionnel spécialisé qu’un agent peut appeler lorsqu’il en a besoin.

Par exemple :

• rédiger un brief client avant une rencontre client
• récupérer une commande dans un ERP
• générer une proposition commerciale
• répondre à un ticket dans un système de support

Une compétence est plus petite qu’un agent.

Un agent peut utiliser plusieurs compétences pour atteindre un objectif, alors qu’une compétence réalise généralement une action ou une séquence limitée d’actions.

Les compétences constituent les briques de base qui permettent aux agents de travailler de façon fiable, cohérente et réutilisable à travers l’organisation.

MCP (Model Context Protocol)

Pour qu’un agent puisse réellement travailler, il doit pouvoir accéder aux outils, aux données et aux systèmes de l’organisation. C’est précisément le rôle du MCP (Model Context Protocol).

On peut le voir comme un équivalent d’un API pour l’IA. Le MCP permet à différents modèles d’IA de se connecter à différents systèmes d’entreprise sans devoir recréer une intégration spécifique chaque fois.

Par exemple, un serveur MCP peut exposer :

• un CRM
• un ERP
• une base de connaissances
• un système de billetterie
• un entrepôt de données
• un logiciel financier
• une plateforme RH

L’agent n’a pas besoin de connaître les détails techniques de chacun de ces systèmes. Il utilise simplement les outils et les informations qui lui sont exposés par le MCP.

Pourquoi est-ce important ?

Sans mécanisme standardisé d’accès aux données et aux outils, chaque agent devient un projet d’intégration unique. L’organisation se retrouve alors à multiplier les développements sur mesure, ce qui augmente les coûts, ralentit les déploiements et complique la maintenance.

Le MCP permet au contraire de créer une couche de connectivité réutilisable entre les agents et les systèmes de l’entreprise.

Cette approche apporte plusieurs avantages :

• accélération du déploiement de nouveaux agents
• réutilisation des intégrations existantes
• meilleure gouvernance des accès
• réduction de la complexité technique
• plus grande indépendance vis-à-vis des fournisseurs de modèles IA

Le MCP n’est pas un agent

Une confusion fréquente consiste à croire que le MCP est une forme d’intelligence artificielle. Ce n’est pas le cas. Le MCP ne raisonne pas. Le MCP ne prend aucune décision.

Le MCP agit simplement comme une couche de connectivité qui permet aux agents et aux compétences (skills) d’accéder aux systèmes dont ils ont besoin pour accomplir leur travail.

TL;DR des définitions

De façon simplifiée :

• Le LLM réfléchit et planifie.
• Le skill exécute une capacité spécialisée.
• L’agent coordonne les actions pour atteindre un objectif.
• Le MCP donne accès aux outils, aux données et aux systèmes.
• Le système agentique orchestre l’ensemble pour créer de la valeur à l’échelle de l’entreprise.

Cette distinction est importante, car la plupart des organisations n’ont pas besoin de centaines d’agents. Elles ont surtout besoin d’une fondation de connectivité solide qui permettra à leurs futurs agents de travailler efficacement dans leur environnement technologique.

Donc, à quoi ressemble réellement une plateforme agentique ?

Lorsqu’on parle d’agents IA, plusieurs imaginent un assistant autonome capable de tout faire. La réalité est différente.

Dans les organisations qui déploient l’agentique à grande échelle, les agents ne fonctionnent pas seuls. Ils s’appuient sur une plateforme qui connecte les utilisateurs, les systèmes d’entreprise, les données et les compétences spécialisées.

Dans cette architecture :

• les utilisateurs interagissent avec un ou plusieurs agents;
• les agents utilisent des compétences spécialisées (via une bibliothèque partagée de skills);
• les compétences accèdent aux systèmes de l’entreprise (CRM, ERP, documentation, BI, etc.);
• les systèmes se connectent aux différentes sources de données;
• la gouvernance, la sécurité, la conformité et la gestion du changement encadrent l’ensemble.

La valeur ne provient donc pas d’un agent isolé.

Elle provient de la capacité de l’organisation à orchestrer plusieurs compétences, plusieurs systèmes et plusieurs sources de données autour d’objectifs d’affaires communs.

L’erreur la plus fréquente: confondre productivité individuelle et transformation opérationnelle

Dans la majorité des organisations, les premières discussions autour des agents IA commencent au mauvais endroit :

• Les équipes parlent d’outils.
• Les employés parlent de gains personnels.
• La direction parle d’innovation.

Résultat : chacun projette ses attentes sur l’agentique, sans s’aligner.

Un système IA qui aide un employé à rédiger plus vite un courriel ou à résumer un document peut être utile. Mais ce type de gain, pris isolément, ne transforme pas une organisation. Les micro-automatisations donnent l’impression que l’organisation progresse alors qu’elles améliorent surtout l’expérience individuelle sans modifier la performance collective. Les efforts ne se matérialisent pas en bénéfices concrets. La transformation commence lorsque les agents modifient la manière dont les processus fonctionnent, pas simplement la vitesse à laquelle un individu accomplit une tâche.

Les signaux sont séduisants :

• « On gagne du temps »
• « Les réponses sont plus rapides »
• « Les équipes aiment l’outil »

Mais ces signaux ne disent rien sur l’impact réel. Un gain devient un levier organisationnel seulement s’il réduit une friction systémique, diminue la variabilité d’un processus, élimine un goulot d’étranglement ou libère du temps là où il était structurellement contraint.

Sans cela, l’agentique agit comme un accélérateur d’activité (ou de chaos), pas comme un moteur de transformation. C’est comme ça que les organisations accumulent des agents utiles individuellement, mais incapables de produire un avantage durable à l’échelle de l’entreprise.

Ce que signifie réellement « réussir » avec les agents IA

Avoir un agent en production n’est pas un indicateur d’impact. Ce qui compte, c’est l’orchestration des capacités. La réussite ne se mesure ni au nombre d’agents en production ni à la sophistication d’une démonstration. Surtout qu’avec la nouvelle génération de modèles LLM, maintenant un seul agent peut gérer beaucoup de tâches (nous y reviendront).

La réussite se mesure à des leviers d’affaires tangibles :

• accélération des délais sur des processus critiques
• réduction de coûts opérationnels
• amélioration des niveaux de service
• génération de revenus
• réduction des risques
• résilience opérationnelle accrue

Ces leviers obligent à faire des choix. Ils forcent la priorisation et empêchent l’agentique de devenir un terrain de jeu purement technologique

Un agent déployé avec succès modifie un processus. Un agent stratégique améliore la performance du processus. Sans indicateurs clairs, l’agentique devient un projet technologique plutôt que d’influencer la capacité d’exécution.

Les bénéfices invisibles mais structurants de l’agentique

De l’automatisation au vibing

L’agentique ouvre la porte à deux phénomènes distincts.

Le premier est l’automatisation.

Les organisations peuvent transférer certaines activités aujourd’hui réalisées par des employés vers des agents capables de comprendre un contexte, prendre des décisions et exécuter des actions dans plusieurs systèmes.

Le second phénomène est ce que nous appelons le vibing.

Le vibing consiste à permettre à des employés, même sans expertise approfondie dans un domaine particulier, de produire rapidement des résultats qui exigeaient auparavant des spécialistes.

Voici quelques exemples de vibing :

• Un gestionnaire peut construire une analyse complexe.
• Un représentant des ventes peut automatiser un processus.
• Un spécialiste RH peut développer un assistant interne.

Cette démocratisation de la capacité de production est puissante. Elle accélère l’innovation et réduit certaines barrières d’exécution.

Mais elle augmente également le besoin de gouvernance.

Lorsque tout le monde peut créer, automatiser ou déployer rapidement des capacités opérationnelles, les organisations doivent être encore plus disciplinées quant aux données utilisées, aux règles appliquées et aux responsabilités associées aux décisions automatisées ou non.

* Nous avons consciemment mis un bémol à cette définition. Le mot clé ici est « digne » de spécialistes. Évidemment un CMO qui vient essayer de viber une analyse financière ne produira probablement pas la même finesse et qualité d’analyse que le CFO. Le vibing est donc un couteau à double tranchant, mais demeure tout de même une réalité à laquelle doivent faire face les entreprises.

Les retombées les plus importantes sont rarement mises de l’avant

Les retombées les plus importantes des agents IA sont rarement mises de l’avant, car elles sont moins spectaculaires que les démos.

Pourtant, ce sont souvent elles qui justifient l’investissement :

• accélération de l’onboarding de nouveaux employés grâce à la captation du savoir opérationnel
• réduction de la dépendance à des experts clés
• standardisation des décisions dans des contextes complexes
• simplification des opérations et des chaînes de responsabilité
• meilleure continuité malgré le roulement de personnel.

Ces bénéfices sont difficiles à démontrer dans une preuve de concept (PoC). Ils deviennent évidents uniquement lorsque les agents sont pensés comme des capacités organisationnelles, pas comme des assistants isolés.