Partout on proclame l'”année des agents IA”. Sur YouTube, sur X et dans les conférences, les promesses se bousculent : les agents remplaceraient des services entiers et passeraient bientôt pour des collaborateurs à part entière. Beaucoup de tout cela est simplement faux, ou du moins fortement exagéré. Dans un entretien du podcast “Marketing Against the Grain”, Joe Mora, CEO et fondateur de crewAI, situe la question sobrement – avec une appréciation honnête de ce qui fonctionne aujourd’hui et de ce qui ne fonctionne justement pas encore. Pour les décideurs de PME, c’est précisément cette séparation entre substance et marketing qui est déterminante avant que les budgets ne coulent.
- Un agent IA est plus qu’un chatbot : il reçoit une tâche, travaille de façon autonome et utilise pour cela une mémoire (memory) et des outils (tools), afin d’accéder à des systèmes comme le CRM ou l’ERP.
- Les agents sont réellement utilisés – mais plus lentement et de façon plus faillible que le hype ne le suggère. Nous sommes dans la phase des essais, pas dans celle de l’automatisation totale de services entiers.
- Bien démarrer signifie : choisir des cas d’usage simples, à faible exigence de précision, et non des processus hautement critiques comme les formulaires fiscaux.
- Il reste plus d’humains dans le processus (“human in the loop”) que beaucoup ne s’y attendent. Le contrôle et la traçabilité sont centraux.
- Seuls environ 15 pour cent des entreprises interrogées ont des agents en production – qui commence maintenant fait partie de ceux qui bougent tôt.
Ce qu’est réellement un agent IA
Les grands modèles de langage, comme ceux derrière ChatGPT ou Claude, sont au fond très bons pour prédire le mot suivant et produire des contenus. Ils rédigent un e-mail, le rendent plus décontracté sur demande et peuvent même choisir entre deux variantes en motivant leur choix – une sorte d’évaluation rudimentaire.
Un agent utilise exactement cette capacité pour réfléchir à un problème de façon autonome. La différence avec le chat : vous donnez une tâche à l’agent et vous pouvez quitter la pièce. Il tente alors, seul, d’atteindre un objectif en plusieurs étapes. Mora le résume ainsi : un agent a besoin d’agency, c’est-à-dire de capacité d’action.
Deux composants sont typiques pour cela :
- Memory (mémoire) : pour que l’agent conserve des informations d’une étape à l’autre – à court et à long terme.
- Tools (outils) : des interfaces vers d’autres systèmes comme le CRM, l’ERP ou des services de recherche, afin que l’agent puisse agir par procuration.
Le test de réalité : lent, mais utile en arrière-plan
L’exemple retenu est “Operator” d’OpenAI, disponible dans la variante ChatGPT Pro pour environ 200 dollars US par mois. L’agent pilote un navigateur et peut par exemple rechercher des hôtels, des vols ou des restaurants. Le jugement porté dans l’entretien est sobre : Operator est lent et parfois laborieux – environ dix fois plus lent qu’un humain sur la même tâche.
Le point décisif : pour des tâches qui peuvent tourner en arrière-plan, la lenteur ne joue guère de rôle. Mora décrit comment il utilise des agents pour ses publications sur les réseaux sociaux : saisir l’idée, aller chercher un café, continuer à travailler – et le brouillon est prêt à son retour. Il expédie ainsi régulièrement quelque chose qu’il laissait autrement de côté faute de temps.
Idée centrale : la latence n’est pas critique lorsqu’une petite “armée” d’agents traite des tâches en arrière-plan pendant que vous vous consacrez à plus important.
Confiance et contrôle : pourquoi l’humain doit rester visible
Une question centrale des agents autonomes est la logique d’utilisation : l’agent doit-il simplement signaler une réservation de restaurant comme “faite”, ou doit-on pouvoir le regarder travailler ? Operator mise sur le fait de laisser l’agent travailler visiblement et de pouvoir intervenir à tout moment.
Cela tient à deux raisons : la sécurité et la confiance. On voit ce qui se passe et on peut corriger. Un exemple d’avertissement tiré de l’entretien : un premier agent de messagerie ne devait créer que des brouillons, mais s’est mis à envoyer de lui-même des courriels parfois curieux. En entreprise justement, la règle vaut : qui automatise un processus critique veut pouvoir le visualiser, le contrôler et le vérifier ensuite.
Bien démarrer : la faible précision d’abord
La recommandation sans doute la plus pratique concerne le choix des premiers cas d’usage. Mora distingue faible et forte exigence de précision :
- Faible précision (environ 90 pour cent d’exactitude suffisent) : par exemple un agent qui produit, à partir de transcriptions d’entretiens ou de données CRM, des brouillons de présentations commerciales. Les erreurs sont ici supportables et faciles à corriger.
- Forte précision (99,99 pour cent nécessaires) : par exemple le remplissage de formulaires fiscaux ou administratifs. Mora évoque des formulaires de plus de 70 pages et des manuels de 620 pages – ici, rien ne doit dérailler.
Le message est clair : ne commencez pas par la forte précision, sinon vous vous brûlerez les doigts. Commencez simplement et passez à l’échelle à partir de là.
Quatre lignes directrices pour se lancer
- Adopter tôt : prenez de l’avance au lieu d’attendre.
- Ne pas attendre les cas d’usage des autres : ne regardez pas ce que fait le groupe X – trouvez votre propre point de départ, simple.
- Commencer simplement : décomposez un rôle en tâches individuelles et saisissez celles qui ont une faible exigence de précision.
- Étendre vers le “low risk, high impact” : élargissez progressivement aux cas à faible risque et à fort bénéfice.
Un conseil pratique tiré de l’entretien : prenez un rôle concret – celui d’un commercial (BDR), par exemple – et faites répartir ses tâches entre faible et forte précision. Ce sont précisément les tâches à faible précision qui constituent des terrains d’expérimentation idéaux. Pour construire, plusieurs voies existent aujourd’hui : des plateformes no-code pour les utilisateurs moins techniques, tout comme des frameworks pour les développeurs qui programment des agents en Python.
Comment les entreprises utilisent les agents à bon escient
La mauvaise approche consiste à construire des agents comme la copie pure et simple d’un poste humain. Il est plus efficace d’automatiser des micro-tâches isolées, de sorte que les personnes se libèrent pour des choses plus importantes – une forme de promotion : la responsabilité du résultat final reste chez l’humain, l’agent prend en charge le travail préparatoire.
Un exemple issu de la pratique : une entreprise de télécommunications automatise l’analyse de contrats. Avant qu’un contrat n’arrive au service juridique, des agents livrent déjà des recommandations et des modifications signalées (“red lines”). On peut ainsi passer à l’échelle des choses qui étaient auparavant trop coûteuses.
Quant à l’ancrage dans l’entreprise, un schéma se dessine : on s’éloigne des collaborateurs isolés qui utilisent ChatGPT en cachette, livrant peut-être au passage des données sensibles et enfermant le savoir dans des silos – pour aller vers un pilotage central, souvent sous la responsabilité du CIO, du CTO ou d’un Head of AI. Cela crée du contrôle sur les modèles utilisés et sur la manière dont les données personnelles sont traitées. Ce sont les équipes techniques qui dégagent la vraie grande valeur ajoutée, parce que les automatisations complexes doivent être profondément raccordées aux données non structurées et aux systèmes propres à l’entreprise.
Des cas d’usage concrets en marketing et en vente
Trois exemples tirés de l’entretien montrent ce à quoi les agents servent aujourd’hui :
- Enrichissement de leads avec hypothèses : lorsque quelqu’un s’inscrit pour la première fois sur un site web, des agents recherchent la personne et l’entreprise. Ils formulent en outre des hypothèses sur la manière dont cette personne pourrait utiliser le produit, structurent le résultat en JSON et le renvoient vers HubSpot et la base de données produit. Résultat : des e-mails hyperpersonnalisés et des aperçus produit ajustés.
- Préparation commerciale : des agents étudient les clients en amont – par exemple via des outils de recherche comme Sonar de Perplexity. Un commercial ne se prépare ainsi pas forcément plus vite, mais mieux dans l’ensemble, et peut honorer davantage de rendez-vous. L’idée de répliquer la façon de faire du meilleur vendeur, de sorte que tous soient préparés à ce niveau, est également séduisante.
- Optimisation SEO et conversion : des agents réalisent des captures d’écran du site, analysent les textes et les concurrents et en déduisent des hypothèses sur ce que l’on pourrait changer. L’apport humain reste léger : son propre site, une description du secteur et l’objectif d’optimisation. Les agents font le reste et livrent des propositions de tests A/B.
Là où attente et technique divergent
Selon Mora, le plus grand décalage entre le hype et la réalité tient à deux points :
- Plus d’humain dans le processus qu’on ne le pense : en ce moment précisément, il faut nettement plus de “human in the loop”. L’automatisation intégrale de bout en bout – surtout pour des processus de haute précision – n’en est pas encore là. Les agents échouent encore souvent en cours de route.
- L’intégration est plus lourde que prévu : dans les entreprises, il y a beaucoup de “colle” entre les systèmes. Pour que les agents puissent naviguer ces chemins, il faut du code clair et des instructions claires. Ce n’est pas un hasard si le secteur commence par le navigateur – il y existe une interface commune. Beaucoup d’entreprises utilisent pourtant des logiciels de bureau qui ne sont même pas en ligne.
Le chiffre d’adoption est notable : sur environ 4 000 à 4 500 personnes interrogées, seules 15 pour cent environ avaient des agents en production, et environ 23 pour cent dans les grandes entreprises. Comme ces répondants sont de toute façon technophiles, le chiffre est probablement plus bas dans l’ensemble de l’économie. Le message pour les décideurs : il est très tôt – et qui démarre maintenant fait encore partie de ceux qui bougent vite.
Les agents comme futur critère d’embauche
Une perspective qui fait dresser l’oreille : le CEO de Microsoft, Satya Nadella, a esquissé l’idée que les gens pourraient à l’avenir être embauchés aussi pour les agents qu’ils se sont construits – et non plus seulement pour des certificats et une expérience professionnelle antérieure. Mora est d’accord, moins à cause des agents eux-mêmes que parce qu’ils disent quelque chose de la personne. Chez crewAI, les candidats ont expressément le droit d’utiliser tous les outils d’IA lors de l’entretien technique – qui ne le fait pas échoue. La manière dont quelqu’un se sert de ces outils pèse fortement dans la décision d’embauche.
Conclusion
Nous sommes actuellement dans la phase où beaucoup d’entreprises essaient des agents et les mettent en production – mais pas dans la phase où les agents prennent en charge les effectifs. La réalité sobre : les agents sont aujourd’hui souvent plus lents que les humains, ont besoin de supervision et échouent encore régulièrement. Leur valeur se déploie sur les tâches de fond, sur les micro-tâches à l’intérieur d’un rôle et partout où les erreurs sont supportables. Pour les décideurs de PME, cela signifie : démarrer petit et simple, commencer là où l’exigence de précision est faible, garder l’humain visiblement dans la boucle et étendre progressivement vers des cas peu risqués et à fort effet. Qui procède ainsi accumule aujourd’hui de l’expérience pratique – sans céder au hype.