.png)
L'IA agentique occupe les comités de direction depuis dix-huit mois. Elle occupe beaucoup moins la production : dans les grandes entreprises, 40 % des répondants déclarent passer des agents IA à l'échelle, contre 27 % un an plus tôt. Une progression réelle, qui laisse six organisations sur dix au stade du pilote. Cet article répond à trois questions dans l'ordre où elles se posent : ce qu'est un agent, comment il fonctionne, et ce qui sépare les projets qui atteignent la production de ceux qui s'arrêtent avant. Chaque chiffre est sourcé, et les exemples viennent de déploiements que nous avons menés.
L'IA agentique désigne des systèmes capables d'agir sur leur environnement à la place de leur utilisateur. Ils décident d'une suite d'actions, utilisent des outils et poursuivent un objectif sans validation humaine à chaque étape.
La formulation n'est pas la nôtre : c'est celle de la CNIL, qui décrit dans sa note du 20 juillet 2026 une technologie « désormais capable d'agir sur son environnement à la place de son utilisateur ». Le régulateur ajoute deux caractéristiques que les définitions commerciales oublient souvent : une mémoire persistante, et la capacité d'interagir avec de nombreux services différents.
C'est cette combinaison qui change la nature de l'outil. Un modèle génératif produit un contenu que vous relisez, validez et utilisez. Un agent produit un résultat : le dossier est traité, la commande est rapprochée, la réponse est envoyée.
L'IA générative répond à une demande ; l'IA agentique exécute une tâche. La première produit un texte, une image ou un extrait de code que vous utilisez ensuite. La seconde enchaîne des actions dans vos systèmes jusqu'à ce qu'un résultat soit atteint.
La différence n'est pas une question de puissance du modèle. C'est une question d'accès et d'autonomie : ce que le système a le droit de toucher, et jusqu'où il va sans vous.
CritèreIA générativeIA agentiqueDéclencheurUne requêteUn objectifUnité de travailUne réponseUne tâche menée à son termeAccès aux systèmesAucun, hors copier-collerOutils, API, bases de donnéesMémoireLimitée à la conversationPersistante entre les exécutionsFin d'exécutionLa réponse est écriteUne condition de sortie est atteinteSupervisionRelecture humaineGarde-fous et points de contrôle définis
La conséquence pratique tient en une phrase : un projet d'IA générative se pilote comme un projet de contenu, un projet d'IA agentique se pilote comme une mise en production informatique. Les entreprises qui appliquent la première méthode au second problème sont exactement celles qui n'arrivent pas à sortir du pilote.
Un agent combine trois éléments : un modèle qui raisonne, des outils qui agissent, des instructions qui délimitent. Il tourne ensuite en boucle jusqu'à atteindre une condition de sortie fixée à l'avance.
OpenAI décrit ces trois composants dans son guide de conception d'agents : le modèle, les outils et les instructions, auxquels s'ajoute la notion d'exécution, « typiquement implémentée sous forme de boucle qui laisse l'agent opérer jusqu'à ce qu'une condition de sortie soit atteinte ». Traduit en langage de projet : vous ne programmez pas les étapes, vous définissez le but, les moyens et les limites.
Un enchaînement de prompts suit un chemin que vous avez écrit. L'agent choisit le sien à chaque tour, selon ce qu'il observe. Cette liberté est utile là où les approches déterministes et fondées sur des règles atteignent leurs limites : décisions complexes, règles difficiles à maintenir, données non structurées. Elle est inutile, et coûteuse, sur un processus stable que trois conditions décrivent parfaitement.
D'où l'importance des garde-fous, que le même guide décrit comme « un mécanisme de défense en couches » : vérifications par le modèle, règles explicites, contrôles applicatifs. Le point de contrôle humain y reste « une protection critique », déclenchée par un seuil d'échecs dépassé ou par une action à fort impact. Un agent en production sans seuil d'escalade défini n'est pas un agent autonome, c'est un incident en attente.
Trois questions suffisent en réunion fournisseur. L'outil peut-il utiliser un outil que vous ajoutez après coup, sans redéveloppement ? Que fait-il quand une étape échoue : s'arrête-t-il, ou tente-t-il autre chose ? Où sont définis le seuil d'escalade et le journal des actions ?
La question n'est pas rhétorique. Gartner estime que seuls 130 environ des milliers de fournisseurs d'IA agentique le sont réellement, le reste relevant de ce que le cabinet appelle l'« agent washing » : des assistants, des robots logiciels ou des chatbots existants repositionnés sur le terme du moment.
Un produit qui ne répond pas aux trois questions est une automatisation. Ce n'est pas disqualifiant en soi, mais cela ne justifie pas le prix d'un agent.
Le passage à l'échelle progresse, et il reste minoritaire. L'écart entre le pilote et la production est le vrai sujet de l'année.
Les chiffres viennent de l'enquête McKinsey publiée le 25 août 2026, menée auprès de 1 719 répondants dans 97 pays : 40 % des répondants de grandes entreprises déclarent passer des agents IA à l'échelle, contre 27 % l'an dernier, tandis que la part des organisations plus petites reste stable à 22 %. Côté résultats, 37 % des répondants attribuent un impact quelconque sur leur résultat d'exploitation, une proportion inchangée d'une année sur l'autre, et 6 % environ dépassent les 5 %.
Le facteur qui sépare les deux groupes n'est pas l'outil. Près de trois quarts des entreprises les plus performantes déclarent avoir repensé en profondeur leurs processus de travail, contre un quart des autres. Gartner prévoit par ailleurs que 33 % des applications logicielles d'entreprise intégreront de l'IA agentique d'ici 2028, contre moins de 1 % en 2024. La question n'est donc pas de savoir si vos processus seront concernés, mais lesquels, et sous quel contrôle.
Gartner prévoit l'abandon de plus de 40 % des projets d'IA agentique d'ici fin 2027, pour trois raisons : des coûts qui dérapent, une valeur métier floue, des contrôles de risque insuffisants. Aucune des trois n'est un problème technique.
C'est le point le plus souvent mal compris. Les projets qui s'arrêtent ne s'arrêtent presque jamais parce que l'agent ne fonctionnait pas. Ils s'arrêtent parce que personne ne pouvait dire ce qu'il rapportait, parce que le coût par exécution n'avait jamais été calculé, ou parce que la direction des risques a découvert le périmètre d'accès de l'agent trois semaines avant la mise en production.
Le premier point est le plus facile à traiter et le plus souvent négligé : un agent qui tourne en boucle consomme des tokens à chaque tour, et cette consommation se projette avant le déploiement, pas après. C'est l'objet de notre guide sur le pilotage des dépenses de tokens.
Les agents qui tiennent en production traitent une tâche répétitive, mesurable et encadrée : rapprochement de données, production de contenu à volume, traitement de dossiers. Ce sont rarement les cas d'usage les plus spectaculaires identifiés au départ.
Chez Club Med, le programme a fait émerger 102 agents candidats avec 50 ambassadeurs formés. Dix-huit ont été retenus comme quick wins, 57 documentés comme projets structurants, pour 531 heures économisées par semaine. Ce tri de 102 à 18 est la partie du travail dont personne ne parle, et c'est celle qui décide du reste.
Deux autres exemples, avec leurs chiffres tels qu'ils ont été mesurés :
Le point commun de ces déploiements n'est pas la technologie, qui varie d'un cas à l'autre. C'est que chacun avait un indicateur défini avant la première ligne de code. Nos agents IA en production partent tous de là.
Déployer un agent ne transfère aucune responsabilité juridique. Le RGPD continue de s'appliquer intégralement, et l'autonomie du système rend l'attribution des responsabilités plus difficile, pas moins.
La CNIL et le Conseil de l'IA et du numérique ont publié le 20 juillet 2026 une note exploratoire sur le sujet. Elle relève que ce fonctionnement décentralisé « complexifie l'identification des responsabilités de chacune des parties », et que la circulation de données personnelles entre de nombreux services crée « un risque réel de perte de maîtrise sur ses données personnelles ».
En pratique, trois éléments doivent exister avant la mise en production, et non après : un périmètre d'accès aux données écrit et validé, un journal des actions exploitable en cas d'incident, et un point de contrôle humain sur les actions à fort impact. C'est ce que recouvre la gouvernance, et c'est la partie que les projets pressés traitent en dernier. Nous la cadrons dans l'audit et la feuille de route, avant le premier agent.
Commencez par le tri, pas par la technologie. Identifiez largement les cas d'usage, puis n'en retenez qu'une poignée sur deux critères : la valeur mesurable et le niveau de risque acceptable.
La méthode que nous appliquons tient en quatre étapes. Identifier : recenser les tâches répétitives avec les équipes qui les exécutent, pas avec la DSI seule. Arbitrer : chiffrer la valeur attendue et le coût par exécution, écarter ce qui n'est pas mesurable. Construire : un premier agent en jours ou en semaines, sur un périmètre étroit, avec son indicateur. Déployer : garde-fous, journalisation, seuil d'escalade et suivi en production.
Deux remarques sur l'équipe. Un agent conçu sans les personnes qui font la tâche rate presque toujours un cas limite qu'elles connaissent par cœur : nous impliquons les équipes avant le déploiement. Et la montée en compétence interne n'est pas un supplément, c'est ce qui détermine si l'agent survit au départ du prestataire, l'objet de nos parcours de formation.
Sur la partie modèle, nous sommes OpenAI Select Partner et construisons aussi sur d'autres modèles selon le cas d'usage : le choix du fournisseur se fait après la définition du besoin, jamais avant.
IA agentique et agent IA, est-ce la même chose ?
L'IA agentique est le domaine, l'agent IA en est l'unité concrète. On parle d'IA agentique pour désigner l'approche, et d'agent IA pour désigner le système précis qui traite une tâche donnée.
Combien de temps faut-il pour mettre un agent en production ?
Un agent simple sur un périmètre étroit se construit en quelques jours à quelques semaines. Le délai réel dépend moins du développement que de la validation des accès aux données et du cadre de contrôle.
Faut-il des compétences techniques en interne ?
Pour construire un premier agent, non : les formats low-code et no-code suffisent à des équipes métier. Pour exploiter un système en production, il faut une équipe capable de surveiller, corriger et faire évoluer, en interne ou avec un partenaire.
L'IA agentique est-elle compatible avec le RGPD ?
Oui, le cadre européen s'applique et n'interdit pas ces systèmes, mais la CNIL souligne que ses modalités de mise en œuvre demandent une adaptation. Concrètement, le périmètre d'accès aux données personnelles doit être défini, documenté et limité avant la mise en production.
Vous voulez savoir lesquels de vos processus justifient un agent, et lesquels n'en justifient pas ? Réservez un appel de 30 minutes : nous cartographions vos trois premiers cas d'usage, sans préparation nécessaire de votre côté.
