IA agentique
IA agentique en entreprise : ce qui tient réellement en production
Les agents IA promettent d'exécuter des tâches de bout en bout, et non plus seulement de répondre à des questions. En 2026, la plupart des entreprises expérimentent ; peu déploient à l'échelle. Voici comment distinguer un vrai besoin d'agent d'un simple workflow, quelle architecture retenir, et comment conduire le passage en production comme un programme.
Dans cet article
- De quoi parle-t-on : assistant, workflow ou agent ?
- Où en sont réellement les entreprises en 2026
- Agent ou workflow : un test en cinq questions
- Architecture de référence d'un agent d'entreprise
- Cinq causes d'échec, cinq parades
- Une méthode : l'autonomie progressive
- Conclusion : la question a changé
- Questions fréquentes
- Sources et repères
De quoi parle-t-on : assistant, workflow ou agent ?
Le mot « agentique » recouvre aujourd'hui des réalités très différentes, et c'est la première source de malentendus dans les comités d'investissement. Nous retenons la distinction posée par Anthropic dans son guide de référence sur la conception d'agents : dans un workflow, des modèles de langage et des outils sont enchaînés selon des chemins de code définis à l'avance ; dans un agent, c'est le modèle qui dirige son propre processus et son usage des outils, et qui garde la main sur la façon d'accomplir la tâche.
| Type de système | Qui décide du chemin ? | Exemple | Risque principal |
|---|---|---|---|
| Assistant | L'utilisateur, à chaque échange | Réponse à une question sur la documentation technique, aide à la rédaction | Réponse erronée, non détectée |
| Workflow augmenté par l'IA | Le code : les étapes sont écrites à l'avance | Extraction des données d'un rapport d'inspection ; classement puis routage d'un ticket | Étape mal calibrée, cas limite non prévu |
| Agent | Le modèle, à l'exécution | Enquête sur un incident en interrogeant plusieurs systèmes, puis proposition d'un correctif | Action inattendue, boucles, dérive des coûts |
| Système multi-agents | Plusieurs agents qui se délèguent des tâches | Un agent coordinateur mobilise des agents spécialisés (données, achats, qualité) | Cascade d'erreurs, responsabilité diluée |
Cette grille a une conséquence très concrète : monter en autonomie, c'est accepter davantage d'incertitude, de latence et de coût en échange de flexibilité. Ce n'est pas un progrès en soi, c'est un arbitrage, à faire cas d'usage par cas d'usage.
Où en sont réellement les entreprises en 2026
- 62 %des organisations interrogées expérimentent au moins des agents IAMcKinsey, The state of AI in 2025 (novembre 2025)
- 23 %déploient un système agentique à l'échelle, quelque part dans l'entrepriseMcKinsey, même enquête
- > 40 %des projets d'IA agentique seront annulés d'ici fin 2027 (prévision)Gartner, 25 juin 2025
Ces chiffres viennent de panels et de définitions différents : il ne faut ni les additionner ni les comparer terme à terme. Ils racontent pourtant la même histoire : beaucoup d'expérimentations, peu de déploiements à l'échelle. Gartner en donne les raisons : des coûts qui montent, une valeur métier peu claire et un contrôle des risques insuffisant. Le cabinet d'analyse alerte aussi sur l'« agent washing », c'est-à-dire la requalification en « agents » de produits existants : il estime qu'environ 130 éditeurs seulement, parmi les milliers qui se réclament de l'IA agentique, proposent de véritables capacités agentiques. Il relève également que beaucoup de cas d'usage aujourd'hui présentés comme agentiques ne requièrent pas d'approche agentique.
La trajectoire n'en est pas moins réelle : Gartner prévoit qu'en 2028, au moins 15 % des décisions courantes de travail seront prises de manière autonome par des agents, contre 0 % en 2024. C'est une prévision, et un horizon de plusieurs années, pas de quelques trimestres.
Ces données ne disent pas que les agents ne fonctionnent pas. Elles disent que le passage en production est un travail de programme (cadrage, arbitrage, pilotage, exploitation) et non de démonstration.
Agent ou workflow : un test en cinq questions
Avant d'investir dans un agent, nous posons cinq questions. Chaque réponse négative rapproche le cas d'usage d'un workflow.
- Le chemin de résolution est-il imprévisible ? Si l'on peut dessiner l'organigramme de la tâche, il faut l'écrire en code plutôt que le laisser deviner par un modèle.
- La tâche est-elle ouverte ? Nombre d'étapes inconnu, besoin de revenir en arrière, d'explorer plusieurs sources, de reformuler la demande.
- Une erreur est-elle bornée ou réversible ? Un brouillon soumis à validation n'est pas un paiement, une suppression ou un message envoyé à un client.
- Les outils et les données sont-ils accessibles par des interfaces fiables ? API documentées, droits d'accès clairs, environnements de test.
- Le succès est-il mesurable automatiquement ? Sans critère de réussite vérifiable, aucune évaluation continue n'est possible.
Lorsque la réponse à la première question est « non », la bonne architecture est un workflow. Anthropic ne dit pas autre chose : chercher la solution la plus simple qui fonctionne et n'ajouter de la complexité que si elle améliore mesurablement les résultats, ce qui peut revenir à ne pas construire d'agent du tout.
Cinq patrons de workflow à connaître avant de parler d'agent
- Enchaînement d'étapes (prompt chaining) : la tâche est découpée en étapes fixes, chacune exploitant le résultat de la précédente, avec des contrôles programmatiques entre elles.
- Routage : l'entrée est classée, puis orientée vers le traitement, l'outil ou le modèle spécialisé adapté.
- Parallélisation : des sous-tâches indépendantes s'exécutent simultanément, ou la même tâche est exécutée plusieurs fois pour comparer les sorties.
- Orchestrateur et exécutants : un modèle central découpe la tâche à l'exécution, délègue à des modèles spécialisés, puis consolide.
- Évaluateur et optimiseur : un modèle produit, un autre critique, et l'on itère jusqu'à un résultat satisfaisant.
Des cas candidats, à titre d'illustration
Dans l'énergie et les services industriels, les cas qui justifient le plus souvent un agent combinent plusieurs sources et une démarche d'enquête : analyse d'un incident d'exploitation à partir de la GMAO, de l'historique des capteurs et des procédures ; constitution d'un dossier d'appel d'offres à partir de plusieurs référentiels ; remédiation de la qualité des données avec propositions de correctifs soumises à validation. Les cas plus répétitifs (extraction des rapports d'inspection, routage des demandes de support) restent des workflows. Notre méthode de qualification des cas d'usage IA s'applique telle quelle : valeur mesurable, faisabilité, risque.
Architecture de référence d'un agent d'entreprise
Un agent n'est pas un modèle : c'est un système. Nous le décrivons en sept couches ; chacune a un propriétaire, des contrôles et un coût.
- Interfaces et déclencheursConversation, e-mail, événement métier, tâche planifiée. Qui peut solliciter l'agent, et avec quelle identité ?
- OrchestrationBoucle de raisonnement, planification, gestion de l'état et de la mémoire, limites de pas et de budget.
- ModèlesUn ou plusieurs modèles de langage, avec routage selon le coût, la latence et la sensibilité des données ; version figée et tests de non-régression.
- Outils et connecteursAPI, bases de données, applications métier, exposées directement ou via MCP, avec des droits minimaux.
- Contexte et donnéesCouche sémantique, recherche documentaire (RAG), mémoire, droits hérités de l'utilisateur. Voir notre analyse sur les données pour agents.
- Garde-fousPolitiques, validation des entrées et des sorties, approbation humaine des actions sensibles, arrêt d'urgence. Voir notre analyse sur la sécurité et la gouvernance.
- Observabilité et évaluationTrace de chaque étape, jeux de tests métier, coût par tâche, taux d'escalade vers un humain.
MCP : relier l'agent à ses outils et à ses données
Le Model Context Protocol normalise la façon dont une application d'IA (l'« hôte ») se connecte, par l'intermédiaire de clients, à des serveurs qui exposent des ressources (données), des modèles d'instructions et des outils (fonctions que le modèle peut exécuter). Anthropic l'a confié en décembre 2025 à l'Agentic AI Foundation, hébergée par la Linux Foundation, aux côtés du cadre d'agent goose (Block) et du format AGENTS.md (OpenAI) ; Amazon Web Services, Google, Microsoft et OpenAI figurent parmi ses membres de rang platine.
La version la plus récente de la spécification, datée du 28 juillet 2026, modifie l'architecture du protocole : fin des sessions et de la poignée de main d'initialisation (chaque requête porte désormais sa version de protocole et les capacités du client), découverte des capacités par un appel dédié, tâches longues déplacées dans une extension officielle, convention de propagation du contexte de trace OpenTelemetry. Une politique de cycle de vie impose en outre une fenêtre de dépréciation d'au moins douze mois avant tout retrait de fonctionnalité.
A2A : faire coopérer des agents de fournisseurs différents
Le protocole Agent2Agent (A2A), lancé par Google en avril 2025 puis confié à la Linux Foundation en juin 2025, standardise la communication entre agents. Chaque agent publie une « carte d'agent » décrivant ses capacités, son point d'accès et son mode d'authentification. La version 1.0, première spécification stable (mars 2026), ajoute notamment des cartes d'agent signées, qui permettent de vérifier cryptographiquement l'identité d'un agent ; la Linux Foundation fait état de plus de 150 organisations partenaires en avril 2026.
Notre lecture
MCP relie un agent à son environnement ; A2A relie des agents entre eux. Ces standards réduisent le coût des intégrations, mais ils évoluent vite : la spécification MCP a changé de façon structurante en juillet 2026. Nous recommandons d'isoler le protocole derrière une couche d'abstraction, de figer les versions en production et de traiter leur mise à niveau comme celle de toute dépendance critique.
Cinq causes d'échec, cinq parades
| Cause | Ce que l'on observe | Parade |
|---|---|---|
| Un agent là où un workflow suffisait | Coûts et latence élevés, comportement difficile à reproduire | Appliquer le test en cinq questions ; commencer par le workflow |
| Pas de cadre d'évaluation | On « sent » que cela fonctionne ; les régressions passent inaperçues à chaque changement de modèle | Jeu de tâches de référence, critères de réussite, évaluation automatique avant chaque mise en production |
| Droits trop larges | L'agent peut lire ou écrire bien plus que nécessaire | Identité propre, droits minimaux, séparation lecture et écriture |
| Données et contexte non prêts | Réponses plausibles mais fausses, variables d'un jour à l'autre | Couche sémantique, données qualifiées pour le cas d'usage |
| Pas de propriétaire de l'exploitation | Le pilote fonctionne puis se dégrade, personne ne s'en estime responsable | Propriétaire nommé, budget incluant les coûts d'inférence, revue périodique |
Une méthode : l'autonomie progressive
Nous conduisons un projet d'agent comme n'importe quel programme IT : cadrage, décision, pilotage, exploitation. La particularité tient à un paramètre que l'on peut régler et faire évoluer, le niveau d'autonomie.
Quatre niveaux d'autonomie
- L'agent propose, l'humain exécute. Lecture seule ; chaque proposition est relue.
- L'agent exécute après validation. Chaque action sensible est approuvée explicitement.
- L'agent exécute seul ce qui est réversible. L'humain valide le reste ; des seuils et des quotas encadrent les volumes.
- L'agent agit seul, sous supervision a posteriori. Échantillonnage, alertes, arrêt d'urgence testé ; réservé aux cas où l'erreur est bornée.
On ne monte d'un niveau que lorsque les indicateurs le justifient, et chaque palier fait l'objet d'une décision go / no-go documentée.
Les indicateurs qui comptent
- Part des tâches menées à terme sans reprise humaine.
- Taux d'escalade vers un humain, et motifs.
- Coût par tâche (inférence, appels d'outils) comparé au coût de référence du processus.
- Délai de traitement comparé à la situation de départ.
- Incidents et quasi-incidents : actions refusées par les garde-fous, tentatives hors périmètre.
Les jalons de décision
Un premier jalon à l'issue du cadrage (valeur, données, risques, niveau d'autonomie visé), un second à l'issue du pilote (indicateurs atteints sur des utilisateurs réels), un troisième avant toute extension d'autonomie ou de périmètre. Le dispositif d'exploitation (propriétaire, budget, support, revue périodique) est préparé dès le premier jour, comme pour tout projet d'intelligence artificielle que nous conduisons.
Conclusion : la question a changé
En 2026, la question n'est plus de savoir si les agents fonctionnent, mais sur quels cas, avec quel niveau d'autonomie et sous quel contrôle. Les entreprises qui réussissent ne sont pas celles qui déploient le plus d'agents ; ce sont celles qui savent dire « un workflow suffit », qui bornent le périmètre, qui mesurent en continu et qui nomment un responsable. C'est un travail de direction de programme.
Questions fréquentes
Qu'est-ce que l'IA agentique ?
L'IA agentique désigne des systèmes à base de modèles de langage capables de poursuivre un objectif en choisissant eux-mêmes leurs étapes et leurs outils : interroger une base, appeler une API, rédiger puis soumettre un document. Elle se distingue du workflow, dont le chemin est écrit à l'avance, et de l'assistant, qui répond à chaque sollicitation de l'utilisateur.
Quelle différence entre un agent IA, un chatbot et la RPA ?
Un chatbot ou un assistant répond à des questions. La RPA rejoue de façon déterministe des actions sur des interfaces. Un agent raisonne sur la tâche, choisit ses outils et adapte sa démarche au résultat de chaque étape. Les trois se combinent souvent : un agent peut, par exemple, déclencher un robot RPA comme un outil parmi d'autres.
MCP et A2A sont-ils concurrents ?
Non, ils sont complémentaires. Le Model Context Protocol (MCP) standardise la connexion d'un agent à des outils et à des sources de données. Le protocole Agent2Agent (A2A) standardise la communication entre agents de fournisseurs différents. Le premier relie un agent à son environnement, le second relie des agents entre eux.
Faut-il un framework d'agents pour démarrer ?
Pas nécessairement. Anthropic recommande de commencer par les API de modèles directement, de nombreux patrons de conception ne demandant que quelques lignes de code, et de se méfier des frameworks qui masquent les requêtes et les réponses. Un framework peut devenir utile plus tard, à condition de garder la maîtrise de ce qui est envoyé au modèle.
Sources et repères
Les éléments chiffrés et datés de cette analyse ont été vérifiés auprès des sources ci-dessous en octobre 2026. Les prévisions d'analystes sont des prévisions, pas des constats. Le sujet évolue vite : en cas d'écart avec une source primaire, c'est celle-ci qui fait foi.
- Gartner — Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 — communiqué du 25 juin 2025 (coûts, valeur, risques ; « agent washing » ; prévision à 2028)
- McKinsey — The state of AI in 2025: Agents, innovation, and transformation — enquête publiée en novembre 2025
- Anthropic — Building effective agents — distinction workflows / agents et patrons de conception
- Model Context Protocol — Spécification 2026-07-28, principaux changements — version la plus récente à la date de rédaction
- Linux Foundation — Formation de l'Agentic AI Foundation — annonce du 9 décembre 2025
- Linux Foundation — A2A : plus de 150 organisations et première version stable — annonce du 9 avril 2026