Section 2 — Structurer
L’IA agentique introduit une tension saine dans les organisations. D’un côté, les équipes veulent créer rapidement leurs propres agents pour résoudre des problèmes locaux. De l’autre, l’entreprise a besoin de systèmes fiables, intégrés, robustes et gouvernés pour transformer ses opérations.
Cette tension n’est pas un problème à éliminer. C’est une dynamique à structurer.
Chercher à trancher entre ces deux approches est une erreur. Les organisations qui avancent réellement sont celles qui organisent la coexistence entre expérimentation locale et capacité centrale.
Dans cet article
Le self-service est nécessaire
Permettre aux équipes de créer leurs propres agents accélère l’adoption. Cela réduit la dépendance aux équipes TI, fait émerger des cas d’usage concrets et développe une compréhension pratique de l’IA. Comme pour le BI self-service il y a quelques années, cette phase est essentielle pour faire remonter les besoins réels et tester rapidement des idées dans le contexte du travail quotidien.
Les agents locaux servent souvent de laboratoire. Ils permettent aux équipes métiers d’explorer, d’identifier des irritants et de comprendre ce qui pourrait être automatisé. Ils remplacent déjà, dans certains cas, des usages historiquement couverts par la RPA (Robotic Process Automation ou automatisation robotisée des processus) ou par des scripts maison. Là où la RPA imposait des règles rigides et des séquences figées, les agents peuvent raisonner, s’adapter et gérer une certaine variabilité.
Cette capacité d’expérimentation est saine. Elle permet d’accumuler de l’apprentissage terrain et d’identifier les cas d’usage qui méritent d’être industrialisés.
Mais ces agents locaux ont une portée limitée.
Ils améliorent l’efficacité d’une équipe, mais ne transforment pas l’organisation. Sans intégration aux systèmes, sans supervision et sans standards communs, ils restent isolés. Leur valeur est réelle, mais locale.
Les limites du no-code et du low-code
Les outils no-code et low-code permettent de créer rapidement des agents simples. Ils sont utiles pour explorer, tester et comprendre. Mais ils ont des limites structurelles dès que l’agent doit agir dans des systèmes réels, gérer des permissions complexes ou s’intégrer à plusieurs processus.
Les équipes métiers peuvent identifier des opportunités, tester des scénarios et formuler des besoins. Elles ne peuvent pas et ne doivent pas porter seules des systèmes qui prennent des décisions, déclenchent des actions ou manipulent des données sensibles à grande échelle.
À mesure que l’impact augmente, la responsabilité et la complexité augmentent aussi.
Sans cadre, la multiplication d’agents no-code mène rapidement à une accumulation technologique difficile à maintenir, à gouverner et à faire évoluer. On retrouve alors des dizaines, voire des centaines d’agents isolés, parfois en répliqués en double ou en triple, chacun optimisé localement mais sans cohérence globale.
Les agents transformationnels exigent un autre type de discipline
Les agents qui modifient réellement la manière dont le travail est exécuté sont d’une autre nature. Ils doivent être intégrés aux systèmes d’entreprise, orchestrés avec d’autres agents et capables d’agir de façon fiable dans des environnements réels. Ils doivent respecter des règles métier, des permissions, des contraintes de sécurité et des exigences de traçabilité.
Cela implique des choix d’architecture, de gouvernance et de priorisation globaux. Ces systèmes agentique ne peuvent pas être construits uniquement par des équipes isolées. Ils exigent une capacité centrale capable de définir des standards, de gérer les intégrations, d’assurer la sécurité et de maintenir les systèmes dans le temps.
Le parallèle avec le BI est utile : le self-service BI a permis aux équipes d’explorer les données, mais il n’a jamais remplacé une fonction BI centralisée capable de structurer les modèles, de garantir la qualité et d’assurer la cohérence.
L’agentique suit la même logique.
Ne pas confondre vitesse d’adoption et impact réel
Nous venons de le voir, autoriser le self-service sans cadre mène rapidement à une multiplication d’agents utiles localement, mais incohérents globalement. À l’inverse, centraliser à l’extrême ralentit l’adoption et empêche l’apprentissage terrain.
Laisser tout le monde créer des agents ne remplace jamais une capacité agentique industrialisée à travers toute l’organisation. Mais vouloir tout contrôler dès le départ empêche l’organisation d’apprendre.
La bonne approche consiste à permettre l’expérimentation locale tout en construisant une capacité centrale capable d’industrialiser ce qui fonctionne. Les agents locaux deviennent alors des signaux. Les agents transformationnels deviennent des leviers.
L’enjeu n’est pas de choisir entre autonomie et contrôle, mais d’organiser leur coexistence dans une structure qui permet à l’organisation d’apprendre, d’industrialiser et d’évoluer.
TL;DR
- — Le self-service accélère l’adoption. Il ne remplace pas une capacité agentique structurée.
- — Les équipes doivent pouvoir expérimenter et créer des agents locaux pour apprendre et faire émerger les bons cas d’usage. Mais les agents qui transforment réellement les processus exigent intégrations, gouvernance et standards communs.
- — L’enjeu n’est pas de choisir entre autonomie et contrôle. Il est d’organiser une coexistence claire entre expérimentation terrain et industrialisation centrale pour éviter l’accumulation d’agents isolés et construire une capacité durable.
