Agent IA en entreprise : ce qu'il fait vraiment

Un agent IA est un programme qui reçoit un objectif, choisit lui-même les étapes pour l’atteindre et agit dans vos outils : il lit un document, consulte une base, prépare une réponse, met à jour une fiche. En entreprise, il est utile partout où l’intelligence d’un modèle peut servir, y compris sur des tâches qui varient d’un cas à l’autre, à condition qu’une personne valide ce qui engage l’entreprise.

Le terme est partout, mais il recouvre des réalités très différentes, du simple assistant de discussion au système qui traite des dossiers de bout en bout.

Cet article fait le tri : ce qu’un agent fait, ce qu’il ne fait pas, comment on le met en production et ce qui fait varier son coût.

Agent IA, chatbot, automatisation : la différence

Un chatbot répond à une question. Il attend qu’on lui parle, génère un texte, puis s’arrête.

Une automatisation classique suit un chemin prévu à l’avance : si tel champ vaut ceci, alors envoyer cela. Elle reste fiable tant que le cas rentre dans les règles, et elle se bloque dès qu’il en sort.

Un agent IA se place entre les deux. On lui donne un objectif et un ensemble d’outils auxquels il peut accéder. Il choisit l’ordre des actions, lit ce qu’il trouve, puis ajuste la suite. Face à une demande client, par exemple, il peut retrouver la commande, vérifier son statut, consulter les conditions applicables et préparer une réponse, sans qu’on ait défini chaque embranchement.

C’est cette autonomie qui le rend utile. C’est aussi pour cela qu’il faut l’encadrer.

Ce qu’un agent fait concrètement en entreprise

En pratique, un agent sait bien :

• lire des documents peu structurés, comme des e-mails, des PDF ou des formulaires, et en extraire les informations utiles
• aller chercher une information dans plusieurs outils et la recouper
• préparer une réponse, un résumé ou un dossier à partir de vos propres contenus
• orienter une demande vers la bonne personne ou le bon circuit
• remplir ou mettre à jour une fiche dans un outil métier

En revanche, il ne doit pas faire seul :

• prendre une décision qui engage l’entreprise, comme un paiement, un refus ou un engagement contractuel
• trancher un cas sur lequel il n’est pas sûr de lui, qu’il doit alors transmettre à une personne
• agir dans un outil pour lequel il n’a pas été explicitement autorisé

Dans un projet sérieux, une personne valide ce qui engage l’entreprise et l’agent agit seul sur le reste. Avec le temps, ce qu’il fait seul peut s’élargir, mais cela se décide à partir de mesures, pas d’une impression.

Les cas d’usage pour une PME

Dans une PME, les bons premiers sujets ont souvent la même forme : des demandes qui varient d’un cas à l’autre, des informations dispersées dans plusieurs outils, et quelqu’un qui passe du temps à les retrouver puis à les rassembler.

Quelques exemples typiques :

• les demandes entrantes : lire les messages qui arrivent, identifier le sujet, retrouver le dossier concerné et préparer une première réponse
• les documents à vérifier : contrôler qu’un dossier contient les pièces attendues et signaler ce qui manque
• la recherche dans les documents internes : répondre aux questions de l’équipe à partir des procédures, contrats ou fiches techniques de l’entreprise, avec la source de chaque réponse
• la saisie entre deux outils : reprendre des informations écrites dans un e-mail ou un PDF et les reporter dans l’outil de gestion.

Le choix du processus compte plus que celui de l’outil. Pour savoir si un processus est prêt, lisez notre article sur quand automatiser un processus métier avec l’IA. Et si la question dépasse les agents, nous avons aussi écrit sur l’IA en entreprise et le travail qu’elle change.

Créer un agent IA : les étapes côté entreprise

Créer un agent IA ne se résume pas à brancher un modèle sur une boîte mail. Les étapes qui comptent se jouent surtout côté entreprise :

1. Choisir un périmètre étroit. Un type de demande, un circuit, une équipe. Pas « tout le service client ».
2. Rassembler les données et les règles. Les documents de référence, l’historique des cas traités et les règles que l’équipe applique sans toujours les formaliser.
3. Définir ce que l’agent a le droit de faire. Les outils qu’il peut lire, ceux dans lesquels il peut écrire, et les actions qui demandent toujours une validation.
4. Prévoir la validation humaine. Qui relit, à quel moment, et comment on corrige l’agent quand il se trompe.
5. Tester sur de vrais cas. Comparer ce que l’agent propose avec ce que l’équipe aurait fait, sur un échantillon connu.
6. Passer en production et suivre. Journaliser ce que fait l’agent, mesurer les erreurs et ajuster.

La dernière étape est souvent la plus sous-estimée. Une démonstration qui fonctionne sur dix exemples dit peu de chose sur ce qui se passera sur des centaines de demandes réelles.

Ce qui fait varier le coût d’un agent IA

Il n’existe pas de prix standard pour un agent IA. Le coût dépend surtout des points suivants :

• le nombre d’outils à connecter et la facilité d’accès à leurs données
• l’état des données de départ : documents bien rangés et historique exploitable, ou remise en ordre à prévoir
• le volume de demandes traitées, qui influence le coût d’utilisation des modèles
• le niveau de contrôle demandé : validation de chaque action, journalisation, traçabilité
• les contraintes d’hébergement et de sécurité, par exemple l’obligation de garder les données en Europe
• le suivi après la mise en production : supervision, corrections, évolutions

Le plus prudent est de commencer par un pilote sur un périmètre limité, avec un objectif mesurable, avant d’élargir.

Des aides publiques peuvent aussi financer une partie du projet. Vous pouvez consulter notre page sur l’aide Booster IA en Normandie et l’ensemble des aides disponibles.

Quand un agent n’est pas la bonne réponse

Un agent n’est pas toujours le bon outil. Il vaut mieux s’en passer quand :

• le processus suit des règles fixes et connues : une automatisation classique fera le travail, plus simplement et pour moins cher
• personne ne sait décrire le bon résultat : l’équipe elle-même n’est pas d’accord sur ce qu’est une bonne réponse. Un cas flou ne gêne pas un agent, mais sans accord sur la réponse attendue, son travail ne peut pas être évalué
• chaque erreur coûte très cher et aucune validation n’est possible.

Dans ces cas-là, le premier travail consiste souvent à clarifier le processus, pas à ajouter de l’intelligence artificielle.

Mettre un agent IA en production avec Perfusion

Chez Perfusion, nous concevons et mettons en production des automatisations IA, y compris des agents, sur un socle AWS hébergé en Europe. Nous commençons par une phase de cadrage, puis par un pilote sur un périmètre fermé, avec une validation humaine pour tout ce qui engage l’entreprise, avant d’étendre l’automatisation processus par processus.

Pour voir comment nous travaillons, consultez notre offre d’automatisation IA sur AWS.