Un agent IA d'entreprise est un logiciel qui reçoit un objectif, décide lui-même des étapes et utilise vos propres systèmes (CRM, ERP, ticketing, e-mail) pour accomplir une tâche, une personne validant tout ce qui ne peut pas être annulé. Presque toutes les entreprises en ont testé un ; rares sont celles qui en exploitent un en production et rentable. Le problème vient rarement du modèle. Ce qui compte, c'est une tâche étroite, un jeu d'évaluation fait de cas réels, les bonnes permissions et un responsable désigné qui mesure le résultat.
Les chiffres montrent l'ampleur de l'écart. Dans l'enquête de McKinsey The State of AI in 2025, 62 % des organisations déclarent au moins expérimenter des agents IA, mais seulement 23 % déploient à l'échelle un système agentique quelque part dans l'entreprise, et dans aucune fonction prise isolément plus de 10 % ne déclarent le faire. Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts croissants, d'une valeur métier floue ou de contrôles des risques insuffisants.
Ce qu'est un agent IA pour une entreprise (et ce qu'il n'est pas)
Dans la plupart des organisations, trois types de logiciels portent l'étiquette « IA ». Un chatbot répond à des questions. Une automatisation de workflow exécute toujours les mêmes étapes. Un agent décide des étapes nécessaires, appelle des outils pour les réaliser et vérifie le résultat avant de continuer. Chacun a un coût, un profil de risque et des modes de défaillance différents.
| Chatbot / assistant | Automatisation de workflow | Agent IA | |
|---|---|---|---|
| Ce qu'il fait | Répond à des questions à partir de documents ou d'une base de connaissances | Exécute une séquence fixe d'étapes à chaque déclenchement | Planifie des étapes vers un objectif, appelle des outils, vérifie les résultats |
| Qui décide de l'étape suivante | L'utilisateur | La personne qui a conçu le flux | Le modèle, dans les limites que vous fixez |
| Accès à vos systèmes | Le plus souvent en lecture seule | Oui, via des connecteurs prédéfinis | Oui, via des outils qu'il choisit à l'exécution |
| Gestion des exceptions | Rend la main à l'utilisateur | Échoue ou part dans une file d'attente | Les analyse ou escalade vers une personne |
| Idéal pour | Réponses en self-service, connaissances internes | Gros volumes, processus prévisibles | Entrées variables, tâches en plusieurs étapes, jugement encadré par des règles |
| Risque principal | Réponses fausses ou inventées | Fragile quand les entrées changent | Actions erronées, coûts qui dérapent, instructions manipulées |
Une règle pratique : si les étapes sont toujours les mêmes, construisez un workflow. C'est moins cher et plus simple à auditer. Si une réponse suffit, un bon assistant fait l'affaire (voir nos applications IA sur mesure). Choisissez un agent lorsque les entrées varient, que la tâche touche plusieurs systèmes et que l'étape suivante dépend de ce que la précédente a révélé. Beaucoup de bons agents en production sont surtout des workflows, le modèle ne prenant que quelques décisions au milieu.
Où les agents IA sont rentables aujourd'hui : cas d'usage et exemples
Gartner prévoit que 40 % des applications d'entreprise intégreront des agents IA spécialisés dans une tâche d'ici fin 2026, contre moins de 5 % en 2025. « Spécialisés dans une tâche » est l'expression clé : les agents rentables accomplissent une seule tâche, avec une entrée claire, un résultat clair et un bénéfice mesurable.
| Cas d'usage | Ce que fait l'agent | Accès nécessaires | Point de contrôle humain |
|---|---|---|---|
| Tri et résolution du support | Classe les tickets, récupère l'historique de commande, répond aux demandes connues | Helpdesk, système de commandes, base de connaissances | Transfert à l'équipe pour remboursements, réclamations et cas incertains |
| Traitement des factures et documents | Extrait les champs, rapproche factures et commandes, signale les écarts | Boîte mail ou GED, ERP (lecture), fiches fournisseurs | La comptabilité valide avant toute écriture ou paiement |
| Sales ops et mise à jour du CRM | Consigne appels et e-mails, met à jour les étapes des deals, rédige les relances | CRM, e-mail, agenda | Le commercial relit les e-mails sortants ; les modifications sont tracées et réversibles |
| Service desk IT et interne | Réinitialise des accès, répond aux questions de politique interne, collecte des diagnostics | Outil ITSM, fournisseur d'identité (droits limités), documentation interne | Validation pour tout nouveau droit d'accès et tout ce qui touche la production |
| Achats et suivi des commandes | Relance les fournisseurs pour les confirmations, compare les devis, met à jour les commandes | ERP ou outil d'achats, e-mail, portail fournisseurs | L'acheteur valide chaque commande, changement de prix ou nouveau fournisseur |
| Contrôles de conformité | Vérifie contrats ou dossiers d'onboarding par rapport à un référentiel, liste les écarts | GED, référentiel de règles, gestion des dossiers | Le responsable conformité décide ; l'agent prépare le dossier |
| Recherche et reporting | Rassemble données internes et web, rédige des rapports sourcés | Data warehouse (lecture), sources web approuvées | Le responsable relit avant diffusion |
Le motif de la dernière colonne est l'essentiel. Dans chacun de ces exemples, l'agent rassemble, rapproche et rédige, et une personne décide dès que l'argent, les clients ou un risque juridique sont en jeu. L'agent retire la partie lente et répétitive du travail ; le point de contrôle laisse le risque là où il était. Beaucoup de ces agents s'appuient aussi sur la recherche dans des documents internes, sujet de notre article sur le RAG avancé. Pour une vision plus large, voir aussi l'entreprise agentique.
Pourquoi la plupart des pilotes d'agents IA calent
Selon McKinsey, seuls 39 % des répondants constatent un effet quelconque de l'IA sur l'EBIT au niveau de l'entreprise. La prévision de Gartner sur les projets abandonnés cite trois causes : coûts croissants, valeur métier floue et contrôles des risques insuffisants. Gartner met aussi en garde contre l'« agent washing », qui consiste à rebaptiser agents des chatbots et des assistants, et estime que seuls 130 environ des milliers de fournisseurs se réclamant de l'IA agentique offrent de réelles capacités agentiques.
Dans la pratique, les pilotes qui calent partagent presque toujours les mêmes problèmes :
- Pas d'indicateur de valeur. « Automatiser le support » n'est pas un objectif. « Résoudre sans intervention humaine les tickets sur le statut de commande, avec une qualité validée par le responsable support » en est un.
- Pas de jeu d'évaluation. La démo tournait sur cinq exemples choisis. Personne n'a réuni quelques centaines de cas réels au résultat connu, donc personne ne sait à quelle fréquence l'agent se trompe.
- Pas d'accès aux vrais systèmes. Le pilote tournait sur des exports Excel. Le raccordement au vrai CRM ou ERP, avec de vraies permissions et des données imparfaites, s'avère être l'essentiel du travail.
- Mauvaises surprises sur les coûts. Les agents bouclent. Les cas difficiles demandent bien plus d'appels au modèle que les cas de test, et personne n'a fixé de limite d'étapes ni de budget.
- Contrôles des risques absents. L'équipe sécurité découvre l'agent une semaine avant le lancement et demande, à juste titre, qui a autorisé ses accès.
- Agent washing. L'« agent » acheté est un chatbot rebaptisé, incapable d'exécuter les actions sur lesquelles reposait le business case.
Il y a aussi un piège de mesure. Dans le Stack Overflow Developer Survey 2025, 66 % des développeurs citent les « solutions d'IA presque justes, mais pas tout à fait » comme leur principale frustration, et 46 % se méfient de la précision des outils d'IA contre 33 % qui lui font confiance. Une étude randomisée de METR publiée en 2025 a montré que des développeurs expérimentés utilisant les outils d'IA du début 2025 mettaient 19 % de temps en plus, tout en pensant avoir été environ 20 % plus rapides. METR considère désormais ces résultats comme dépassés : la leçon n'est donc pas que l'IA ralentit, mais que la vitesse perçue et la vitesse mesurée peuvent diverger. Mesurez l'agent par rapport à une référence, pas à l'impression laissée par la démo.
Commencez par un pilote d'agent au forfait
Nous fixons d'emblée la tâche, l'indicateur de valeur et un jeu d'évaluation tiré de vos cas réels, construisons le pilote sur vos systèmes et concluons par une décision go/no-go claire. Vous recevez une proposition sous 24 heures après le premier appel.
La checklist de mise en production d'un agent IA
Un agent en production, c'est une démo plus les contrôles qui permettent de lui confier du vrai travail. Avant qu'il ne touche de vrais clients ou de l'argent réel, il doit satisfaire chaque point de cette liste.
- Une tâche étroite au résultat mesurable. Une tâche, un responsable, un indicateur, par exemple le taux de résolution ou le délai de confirmation fournisseur. Mesurez d'abord la situation de départ.
- Un jeu d'évaluation de cas réels. Quelques centaines d'exemples historiques avec le bon résultat, cas difficiles compris. Chaque modification du prompt, du modèle ou des outils est testée dessus avant mise en ligne.
- Les droits des outils sont ceux de l'utilisateur. L'agent agit pour le compte de quelqu'un et ne peut jamais faire plus que cette personne. Pas de clés administrateur partagées.
- Une validation avant toute action irréversible. Paiements, réservations, suppressions, e-mails aux clients et changements de droits attendent un clic humain, jusqu'à ce que les données d'évaluation justifient autre chose.
- Des limites d'étapes et de dépenses. Nombre maximal d'étapes et coût maximal par tâche, plus un budget quotidien ; quand l'agent atteint une limite, il s'arrête et escalade.
- La journalisation et le traçage de chaque action. Chaque appel au modèle, chaque appel d'outil, chaque entrée et sortie est enregistré et rattaché à la tâche, pour pouvoir rejouer ce qui s'est passé et pourquoi.
- Des défenses contre l'injection de prompt. L'OWASP Top 10 for LLM Applications place l'injection de prompt en tête des risques (LLM01). Traitez chaque e-mail, document et page web lu par l'agent comme non fiable, séparez instructions et données, et exigez une confirmation pour les outils sensibles, quoi que dise le contenu.
- Le traitement des données et la configuration des fournisseurs. Décidez quelles données peuvent aller chez quel fournisseur de modèles, sous quel contrat et avec quelle conservation, et où sont stockés les journaux. Masquez ce dont la tâche n'a pas besoin.
- Une supervision et un retour vers l'humain. Des tableaux de bord sur la qualité, le coût par tâche et le taux d'escalade, des alertes en cas de dérive, et un interrupteur qui coupe l'agent sans casser le processus.
Gouvernance et sécurité des agents IA en entreprise
Les agents IA échouent aux audits pour des raisons connues : personne n'en est responsable, personne ne peut dire ce qu'ils ont fait, et leurs accès ont grossi en silence. Une bonne gouvernance des agents IA, c'est la gouvernance IT habituelle appliquée à un nouveau type d'utilisateur.
Un responsable désigné
Un responsable métier pour les résultats et un responsable technique pour l'exploitation. Le responsable métier valide les changements de périmètre et d'accès.
Journaux d'audit
Des traces infalsifiables de chaque action : pour qui elle a été faite, ce qui a été lu et qui a validé quoi, avec une durée de conservation définie avec la conformité.
Revues des accès
Les identités et les droits d'outils de l'agent passent par la même revue périodique que les comptes humains. Les droits inutilisés sont retirés.
Gestion des incidents
Un runbook : comment mettre l'agent en pause, retrouver les enregistrements concernés via les journaux, annuler des actions et informer les clients si nécessaire.
Gestion des changements
Prompts, outils et versions de modèles sont versionnés comme du code. Une mise à niveau du modèle est une release, testée d'abord sur le jeu d'évaluation.
Périmètre des données
Des règles claires sur les données personnelles et confidentielles, les contrats fournisseurs et les régions, en cohérence avec votre travail RGPD existant.
Côté réglementation : l'AI Act européen impose des obligations supplémentaires à l'IA utilisée dans des domaines à haut risque comme le crédit, les ressources humaines ou l'éducation. Un agent qui rapproche des factures n'est pas dans la même situation qu'un agent qui trie des demandes de prêt. Le calendrier du texte a évolué à plusieurs reprises : vérifiez les dates en vigueur et votre classification avec votre conseil juridique avant de cadrer un projet dans un domaine sensible. Pour le volet sécurité du projet, voir nos services de sécurité.
Intégration : API, MCP et pourquoi c'est l'essentiel du travail
Un agent ne vaut que par les systèmes qu'il peut atteindre. L'appel au modèle tient en quelques lignes de code ; le raccordement sécurisé à votre CRM, votre ERP, votre helpdesk et vos GED, c'est là que part le temps d'ingénierie. Chaque intégration demande une authentification au nom de la bonne personne, des droits restreints, la gestion des limites de débit et des timeouts, des reprises qui ne créent pas de doublons, des environnements de test avec des données réalistes et des messages d'erreur exploitables par l'agent.
Le Model Context Protocol (MCP) aide. C'est un standard ouvert présenté par Anthropic en novembre 2024 pour connecter les applications d'IA aux outils et aux données, depuis largement adopté par les grands fournisseurs et outils d'IA. Encapsuler un système dans un serveur MCP permet à différents agents et modèles de réutiliser les mêmes définitions d'outils au lieu de les reconstruire à chaque fois.
MCP standardise la connexion, il ne supprime pas le travail qui se trouve derrière. Il faut toujours décider quelles opérations exposer, ce que chacune peut modifier, comment elle est journalisée et comment elle se comporte quand le système sous-jacent tombe. Les systèmes anciens sans API propre demandent souvent d'abord une couche d'intégration : c'est là que la modernisation du legacy et le travail sur les agents se rejoignent. Notre stack habituelle pour cela : Python (FastAPI) avec LangChain, l'API OpenAI ou Gemini, et Pinecone ou Weaviate quand il faut de la recherche documentaire (plus de détails sur notre offre IA et machine learning).
Combien coûte un agent IA
La question du coût d'un agent IA appelle deux réponses, car il y a deux factures. La facture de développement couvre le cadrage, l'intégration, l'évaluation et la sécurisation. La facture d'exploitation correspond au coût mensuel : utilisation du modèle, hébergement, supervision, temps de relecture humaine aux points de contrôle et maintenance des prompts, des outils et du jeu d'évaluation.
Ce qui fait varier le coût de développement, à peu près par ordre d'importance :
- Nombre et état des intégrations. Une API SaaS moderne se branche vite ; un vieil ERP sans API, non.
- Lecture ou écriture. Un agent qui lit et rédige demande bien moins de contrôles qu'un agent qui réserve, paie ou modifie des droits.
- Évaluation. Constituer le jeu de cas et l'outillage pour l'exécuter est un vrai travail, et c'est lui qui dit si vous pouvez passer en production.
- Garde-fous et gouvernance. Validations, limites, journalisation, défenses contre l'injection et tableaux de bord.
- Coût d'exécution par tâche. Choix du modèle, nombre d'étapes et taille du contexte, en grande partie déterminés par les choix de conception.
Pour fixer les idées, voici des fourchettes illustratives à nos tarifs publiés de 45 à 65 € par heure d'ingénieur, sur la base de semaines de 40 heures et de journées de 8 heures. Ce sont des exemples de planification, pas des devis.
| Périmètre illustratif | Équipe et durée | Heures | Coût illustratif |
|---|---|---|---|
| Pilote : une tâche, un ou deux systèmes, lecture seule ou sandbox, jeu d'évaluation et go/no-go | 2 ingénieurs × 3–4 semaines | 240–320 h | 10 800–20 800 € |
| Agent en production : tout le chemin jusqu'à la mise en ligne, plusieurs systèmes en écriture, validations, limites, journalisation, supervision | 3 ingénieurs × 10–12 semaines | 1 200–1 440 h | 54 000–93 600 € |
| Agent suivant sur les mêmes bases : réutilise intégrations, journalisation et outillage d'évaluation | 2 ingénieurs × 4–6 semaines | 320–480 h | 14 400–31 200 € |
| Maintenance continue : campagnes d'évaluation, mises à jour des prompts et outils, montées de version des modèles | 1 ingénieur × 2–4 jours par mois | 16–32 h par mois | 720–2 080 € par mois |
Pour la facture d'exploitation, suivez un seul indicateur : le coût par tâche réussie, c'est-à-dire coûts de modèle et d'infrastructure plus temps de relecture humaine, divisés par le nombre de tâches correctement accomplies. À titre purement illustratif, à 0,05 € d'utilisation du modèle par tâche, 10 000 tâches par mois représentent 500 € ; que ce soit bon marché dépend de ce que coûte le même travail aujourd'hui. Nos tarifs détaillent les taux horaires et les squads à partir de 15 000 € par mois.
Un plan sur 90 jours, du pilote à la production
Quatre-vingt-dix jours sont un cadre réaliste pour amener un agent étroit de l'idée à l'exploitation sur une partie du volume réel, à condition que la tâche soit bien choisie et que les systèmes soient accessibles. Chaque phase se termine par une décision, pour que le budget de production n'aille qu'à un pilote qui l'a mérité.
| Semaines | Objectif | Ce qui se passe | Décision à la fin |
|---|---|---|---|
| 1–2 | Cadrage | Choisir la tâche et le responsable, fixer l'indicateur de valeur et la référence, réunir le jeu d'évaluation, cartographier systèmes et droits, première revue sécurité et données | La tâche justifie-t-elle un pilote, et peut-on atteindre les systèmes ? |
| 3–6 | Pilote | Construire sur les vrais systèmes en lecture seule ou en sandbox, exécuter le jeu d'évaluation, mesurer qualité, coût par tâche et temps gagné, faire tourner l'agent en mode fantôme à côté de l'équipe | Go/no-go : fait-il mieux que la référence, à un coût et un risque acceptables ? |
| 7–12 | Production | Ajouter validations, limites, journalisation, défenses contre l'injection et supervision ; revue des accès ; ouverture sur une partie du volume, puis élargissement tant que les chiffres tiennent ; remise des runbooks | Élargir le périmètre, lancer l'agent suivant, ou consolider |
Un « no-go » est un résultat, pas un échec : vous avez dépensé un budget de pilote plutôt qu'un budget de production, et vous savez pourquoi. C'est notre philosophie MVP appliquée aux agents.
Les questions à poser à un partenaire avant de signer
Avec autant d'agent washing sur le marché, le partenaire compte autant que le modèle. Ces questions distinguent les équipes qui construisent pour la production de celles qui construisent des démos.
- Comment mesure-t-on le succès, et quel est le critère go/no-go du pilote ?
- Qui constitue le jeu d'évaluation, à partir de quels cas réels, et est-il exécuté à chaque modification ?
- Comment les droits des outils sont-ils restreints, et l'agent peut-il un jour faire plus que la personne pour qui il agit ?
- Quelles actions exigent une validation, et est-ce imposé dans le code plutôt que dans le prompt ?
- Quelles sont les limites d'étapes et de dépenses, et que se passe-t-il quand l'agent en atteint une ?
- Comment vous protégez-vous contre l'injection de prompt venant d'e-mails, de documents et de pages web ?
- Où vont nos données et nos journaux, et quels fournisseurs de modèles sont utilisés, avec quelle configuration ?
- Forfait ou régie, et que comprend exactement le périmètre ?
- À qui appartiennent le code, les prompts et le jeu d'évaluation, et le travail se fait-il dans nos dépôts et nos comptes cloud ?
Nos réponses : les pilotes IA sont au forfait, avec un jeu d'évaluation convenu et une décision go/no-go ; NDA et cession de propriété intellectuelle sont signés avant le début des travaux ; nous travaillons dans vos dépôts et vos comptes cloud, et le code vous appartient. Les ingénieurs démarrent environ 48 heures après que vous avez validé leurs profils, avec une période d'essai de deux semaines : si vous n'êtes pas satisfait, vous ne payez pas. Notre équipe travaille depuis Prishtina en CET/CEST, aux mêmes heures que Paris et Berlin. Pour intégrer des ingénieurs IA à votre propre équipe, voir le renfort d'équipe.
Questions fréquentes
Qu'est-ce qu'un agent IA pour l'entreprise ?
Un logiciel qui reçoit un objectif, planifie les étapes et utilise vos systèmes métier via des outils pour accomplir une tâche, comme résoudre un ticket ou rapprocher une facture d'une commande. Contrairement à un chatbot, il agit ; contrairement à un workflow figé, il choisit l'étape suivante selon ce qu'il trouve, dans les limites de droits, de budget et de validation que vous définissez.
Quels sont des exemples d'agents IA en entreprise ?
Le tri du support avec transfert à l'équipe, le traitement des factures et des documents, la mise à jour du CRM, les demandes au service desk IT, le suivi des fournisseurs et des commandes, les contrôles de conformité par rapport à un référentiel, ainsi que la recherche et le reporting. Les agents rentables accomplissent une tâche étroite au résultat mesurable.
Combien coûte un agent IA ?
Il y a une facture de développement et une facture d'exploitation. À titre illustratif, à nos tarifs publiés de 45 à 65 € par heure d'ingénieur, un pilote avec 2 ingénieurs pendant 3 à 4 semaines revient à 10 800–20 800 €, et un agent en production avec 3 ingénieurs pendant 10 à 12 semaines à 54 000–93 600 €. Suivez l'exploitation en coût par tâche réussie.
Comment créer un agent IA pour son entreprise ?
Choisissez une tâche étroite et un indicateur de valeur, réunissez un jeu d'évaluation de cas réels, raccordez l'agent aux systèmes nécessaires avec les droits de l'utilisateur concerné et testez-le sur ce jeu. Ajoutez ensuite validations, limites d'étapes et de dépenses, journalisation, défenses contre l'injection et supervision, puis ouvrez-le sur une partie du volume réel avant d'élargir.
Comment sécuriser un agent IA ?
Ne donnez jamais à l'agent plus d'accès qu'à la personne pour qui il agit, exigez une validation pour les actions irréversibles, traitez chaque entrée comme non fiable (l'injection de prompt est le premier risque de l'OWASP Top 10 for LLM Applications), journalisez chaque action, incluez les identités de l'agent dans les revues d'accès et décidez quelles données peuvent aller chez quel fournisseur de modèles.
Faut-il faire développer un agent ou en acheter un ?
Achetez quand un produit couvre votre processus et vos systèmes tels qu'ils sont, après avoir vérifié qu'il exécute vraiment des actions et n'est pas un chatbot rebaptisé. Faites développer quand la valeur réside dans vos propres données, systèmes et règles. Des standards comme MCP rendent les intégrations sur mesure réutilisables d'un modèle à l'autre.
Vous avez une tâche en tête pour un agent ?
Décrivez-nous le processus et les systèmes concernés. Sous 24 heures après le premier appel, vous recevez une proposition de pilote au forfait, avec le jeu d'évaluation et le critère go/no-go.
Sources
- Gartner, communiqué de presse, 25 juin 2025 : Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027
- Gartner, communiqué de presse, 26 août 2025 : Gartner predicts 40% of enterprise apps will feature task-specific AI agents by 2026
- McKinsey, novembre 2025 : The state of AI in 2025: Agents, innovation, and transformation
- Stack Overflow : Developer Survey 2025, section IA
- METR, 10 juillet 2025 : Measuring the impact of early-2025 AI on experienced open-source developer productivity
- OWASP : Top 10 for LLM Applications (2025)
- Model Context Protocol : modelcontextprotocol.io
