Une approche plus intelligente pour concevoir une IA agentique ayant un impact réel

L’IA agentique s’étend au-delà des chatbots pour englober des systèmes entièrement autonomes

L’IA agentique dépasse désormais le cadre familier des chatbots. Nous entrons dans une ère où les systèmes agissent au nom des personnes. Ces systèmes peuvent fonctionner de manière autonome, en poursuivant des objectifs à travers des opérations complexes comportant plusieurs étapes, jusqu’à leur achèvement. Ils n’attendent pas les instructions de l’utilisateur : ils anticipent, agissent et apprennent en permanence de leur environnement.

Andrew McNamara, directeur du machine learning appliqué chez Shopify, décrit cette IA comme une technologie qui « agit au nom des utilisateurs ». Sidekick, le système développé par Shopify, en est un bon exemple : il aide activement les commerçants dans leurs tâches opérationnelles concrètes, au lieu de se contenter de répondre à leurs questions. Dans tous les secteurs, de la finance aux opérations, les systèmes autonomes commencent à gérer des tâches qui nécessitaient auparavant une supervision humaine.

Anthropic indique qu’environ la moitié des déploiements d’IA agentique se situent désormais dans le domaine de l’ingénierie logicielle, suivis par l’automatisation des services administratifs, la vente, la finance et l’analyse de données. Ces tendances montrent où les entreprises trouvent la voie la plus rapide vers l’efficacité, à savoir les flux de travail numériques où l’autonomie apporte une valeur immédiate et mesurable.

Pour les dirigeants, cette évolution signifie que l’automatisation n’est plus un objectif en soi. La nouvelle norme, c’est l’autonomie. Les systèmes capables de raisonner, de prendre des décisions et d’agir permettent d’accroître la capacité de production de l’entreprise sans nécessiter une augmentation proportionnelle des effectifs. L’objectif est de développer des IA qui non seulement réagissent plus rapidement, mais qui renforcent également les opérations et les rendent plus adaptatives au fil du temps.

De nouveaux paradigmes architecturaux sont indispensables pour une IA autonome

L’IA autonome impose de repenser la manière dont nous développons les logiciels. Les architectures d’automatisation traditionnelles, conçues pour suivre des règles fixes, ne peuvent pas prendre en charge des systèmes capables de raisonnement, d’autonomie et d’adaptation continue. Ces nouveaux systèmes nécessitent des environnements d’exécution dédiés, des moteurs de raisonnement robustes pour la prise de décision, une mémoire persistante pour le contexte et des garde-fous solides pour la sécurité.

Anurag Gurtu, PDG d’AIRRIVED, le dit sans détour : « La mise au point de systèmes dotés d’agentique nécessite une architecture fondamentalement nouvelle, conçue pour l’autonomie et non pas simplement pour l’automatisation. » Cela implique de concevoir dès le départ des systèmes capables à la fois de réfléchir et d’agir, guidés par des politiques et des mesures de sécurité qui s’adaptent à leur degré d’autonomie.

Les dirigeants de haut niveau devraient considérer cette transition architecturale comme un investissement à haut rendement et à long terme. Il s’agit de mettre en place des systèmes capables de gérer la complexité, d’évoluer en fonction des données du monde réel et de s’intégrer de manière transparente entre les différentes unités opérationnelles. C’est sur cette base que l’autonomie deviendra soit un avantage concurrentiel, soit un handicap.

Avec l’adoption croissante de ces technologies par les entreprises, le risque de désalignement, c’est-à-dire le fait que les agents s’écartent du comportement attendu, devient bien réel. C’est pourquoi les nouvelles architectures doivent allier autonomie, transparence et contrôle. Établir cet équilibre dès le départ permet de garantir que, à mesure que ces systèmes évoluent, ils restent en phase avec les objectifs de l’entreprise.

La prochaine génération de systèmes d’IA ne se contentera pas d’accomplir des tâches plus rapidement. Elle sera capable de comprendre les objectifs, de prendre des décisions en tenant compte du contexte et d’améliorer sans cesse ses performances. C’est la voie vers laquelle s’oriente l’architecture agentique, et les entreprises qui la maîtriseront dès aujourd’hui définiront la prochaine étape de l’intelligence d’entreprise.

Les composants essentiels de l’architecture agentique comprennent le raisonnement, le contexte, les outils, les flux de travail et l’orchestration

Tout système agentique efficace repose sur une architecture claire et cohérente. Ces systèmes s’appuient sur plusieurs composants fondamentaux qui doivent fonctionner ensemble de manière harmonieuse : des moteurs de raisonnement pour la prise de décision, des systèmes contextuels pour la prise de conscience, des outils interconnectés pour l’exécution, ainsi que des flux de travail définis et des couches d’orchestration assurant la structure et le contrôle.

Frank Kilcommins, responsable de l’architecture d’entreprise chez Jentic, souligne qu’« un modèle de raisonnement est au cœur du système ». Ce modèle traduit les objectifs en plans structurés en s’appuyant sur les données et les capacités disponibles. Pour guider les actions de l’agent, des systèmes contextuels lui fournissent des informations en temps réel et historiques, provenant aussi bien de bases de données internes que d’API externes. Edgar Kussberg, directeur produit chargé de l’IA, des agents, de l’IDE et des outils de développement chez Sonar, souligne que ces sources peuvent provenir de bases de données, d’API, des systèmes de génération augmentée par la recherche (RAG) ou de graphes de connaissances d’entreprise.

Jackie Brosamer, responsable des données et de l’IA chez Block, souligne que la puissance de ces agents s’accroît lorsqu’ils se connectent aux systèmes d’entreprise existants à l’aide du Model Context Protocol (MCP). Le MCP fait office de connecteur universel entre les agents et les outils d’entreprise, permettant ainsi l’interopérabilité. Plusieurs entreprises ont déjà adopté le MCP avec succès. L’agent open source « goose » développé par Block prend en charge le développement logiciel piloté par l’IA, tandis que Workato utilise le MCP pour automatiser les flux de travail à l’aide de modèles alimentés par Claude.

Pour les dirigeants, la leçon est claire : pour évoluer efficacement à grande échelle, les systèmes agentiques doivent comporter des couches bien définies qui intègrent le raisonnement, le contexte et l’action de manière prévisible. C’est cette structure qui confère à ces systèmes leur fiabilité, leur flexibilité et leur responsabilité. Lorsqu’elle est bien conçue, l’IA agentique passe du statut d’outil d’automatisation autonome à celui d’un cadre d’intelligence coordonné, capable d’intervenir dans de multiples domaines d’activité avec une autonomie contrôlée.

L’orchestration multi-agents et les protocoles ouverts sont essentiels à une collaboration évolutive

À mesure que les organisations développent leurs initiatives en matière d’IA, les agents spécialisés remplacent les agents monolithiques. Au lieu de s’appuyer sur un seul agent censé tout faire, les entreprises déploient désormais plusieurs agents, chacun ayant un rôle bien défini, tel que le raisonnement, la recherche d’informations, la validation ou l’exécution. Cette séparation améliore les performances, réduit les erreurs et permet un meilleur contrôle.

Anurag Gurtu, PDG d’AIRRIVED, souligne que les systèmes multi-agents deviennent indispensables à mesure que les organisations gagnent en complexité. Anusha Kovi, ingénieure en intelligence économique chez Amazon, ajoute que la gestion de ces systèmes nécessite une couche d’orchestration capable de maintenir une boucle structurée « planifier-exécuter-évaluer ». Des frameworks tels que LangGraph, CrewAI et Bedrock Agents sont déjà à la pointe de cette couche d’orchestration, aidant les entreprises à déployer efficacement de vastes réseaux d’agents.

Les protocoles de communication ouverts constituent un élément essentiel de cette évolutivité. Le protocole « Agent-to-Agent » (A2A), en plein essor, permet une collaboration directe entre les agents d’IA, ce qui facilite la coordination entre les différentes plateformes de l’entreprise. Ces normes ouvertes permettent à des agents issus de systèmes différents, voire de fournisseurs différents, de communiquer de manière sécurisée et efficace sans poser de problèmes de compatibilité.

Pour les décideurs, cette évolution signifie que l’orchestration et la normalisation doivent être considérées comme une infrastructure stratégique. Sans elles, les systèmes autonomes risquent de devenir fragmentés et inefficaces. Les protocoles ouverts tels que l’A2A garantissent la flexibilité, tandis que les cadres d’orchestration permettent de maintenir la synchronisation et la traçabilité des écosystèmes multi-agents.

Les entreprises qui investissent dans une orchestration évolutive et dans des normes ouvertes seront les mieux placées pour déployer des systèmes autonomes capables de collaborer, d’apprendre collectivement et de fournir des résultats cohérents à l’échelle de l’ensemble de l’organisation. Il ne s’agit pas là de développements théoriques, mais bien de nécessités opérationnelles indispensables à la mise en place d’entreprises durables à grande échelle, pilotées par l’IA.

La sécurité et l’autorisation constituent des enjeux majeurs pour les systèmes agentiques

À mesure que les systèmes agents gagnent en autonomie, la sécurité doit évoluer d’une protection statique vers une gouvernance en temps réel. Ces systèmes ne se contentent pas de suggérer des actions, ils les exécutent. Cela signifie que chaque action a des implications sur le plan opérationnel et en matière de conformité. La sécurité ne peut donc pas être une considération secondaire. Elle doit être intégrée à l’architecture et étroitement liée à la manière dont l’agent raisonne et agit.

Anurag Gurtu, PDG d’AIRRIVED, souligne que « vous ne sécurisez plus un logiciel qui se contente de suggérer, mais un logiciel qui agit ». Cela met en évidence un glissement de responsabilité : la gouvernance s’étend désormais au-delà du contrôle d’accès traditionnel pour englober la manière dont l’IA interprète les intentions et traite les données sensibles. Un agent capable de déclencher des flux de travail ou de modifier des autorisations peut, en l’absence de garde-fous stricts, devenir un vecteur de risque système important.

Frank Kilcommins, responsable de l’architecture d’entreprise chez Jentic, met en garde contre le « rayon d’impact potentiellement énorme » des chaînes d’actions d’agents non contrôlées. C’est pourquoi des autorisations précises et adaptées au contexte sont indispensables. Au lieu de règles de sécurité fixes, les entreprises doivent adopter une autorisation en temps réel, dans laquelle l’accès d’un agent s’ajuste dynamiquement en fonction de la tâche en cours.

Anusha Kovi, d’Amazon, explique que les modèles d’autorisation traditionnels échouent dans ces environnements, car les agents prennent leurs décisions au moment de l’exécution. Sa position est claire : « Un agent décide au moment de l’exécution quelles requêtes effectuer et quels outils appeler ; il est donc impossible de définir les autorisations de la manière traditionnelle. » L’autorisation « juste à temps », directement intégrée aux systèmes de gestion des identités et des accès, constitue la prochaine étape.

Pour les dirigeants, l’objectif doit être de veiller à ce que les configurations de sécurité aillent au-delà des simples invites du système. Les mesures de protection doivent être intégrées dans les politiques, les cadres d’identité et les configurations opérationnelles. Lorsqu’elle est mise en œuvre de cette manière, la sécurité fait partie intégrante du système d’exploitation de l’agent. Ce modèle proactif est la seule stratégie viable pour étendre la confiance à l’ensemble des systèmes autonomes au niveau de l’entreprise.

Des points de contrôle impliquant une intervention humaine garantissent la sécurité des opérations critiques

Même les agents dotés d’une grande autonomie nécessitent une supervision humaine aux moments clés de la prise de décision. Lorsque des actions sont susceptibles de modifier les systèmes de production ou d’avoir une incidence sur les résultats financiers, les contrôles et les validations ne sont pas facultatifs, mais indispensables. Une conception intégrant l’intervention humaine (HITL) garantit la responsabilité, réduit les risques de défaillance et favorise la conformité sans nuire à la productivité.

Andrew McNamara, directeur du machine learning appliqué chez Shopify, explique que l’assistant IA de l’entreprise, Sidekick, fonctionne selon un principe de «« human-in-the-loop » par conception ». Des étapes de validation sont intégrées à son flux de travail avant que toute modification ne soit déployée dans les systèmes de production. Cela garantit que toutes les actions automatisées restent dans les limites définies par l’humain.

Jackie Brosamer, responsable des données et de l’IA chez Block, applique une philosophie similaire avec Moneybot de Cash App. Elle affirme que « tout ce qui touche aux systèmes de production nécessite des contrôles humains ». Ce principe permet aux utilisateurs humains de garder le contrôle, en particulier dans le cadre des transactions financières où les enjeux sont importants.

Les dirigeants de haut niveau ne devraient pas considérer l’intégration de l’intervention humaine comme une contrainte, mais comme un atout en matière de gouvernance. Elle renforce l’intégrité de la marque et la conformité, en particulier dans les secteurs où les exigences d’audit ou la tolérance au risque varient selon la zone géographique ou la réglementation. Le contrôle humain s’inscrit dans un modèle d’autonomie responsable, dans lequel les machines prennent en charge la charge de travail mécanique, tandis que les humains se chargent du jugement contextuel.

Une étude d’Alteryx montre que moins de la moitié des entreprises qui adoptent l’IA agentique font état de résultats mesurables, et que moins d’un tiers d’entre elles font confiance à l’IA pour prendre des décisions précises. Ces statistiques confirment que le marché est encore en phase de maturation et que le contrôle humain reste essentiel à son adoption.

Pour les dirigeants chargés d’élaborer des stratégies en matière d’IA, les cadres de référence « human-in-the-loop » permettent de concilier innovation rapide et sécurité opérationnelle. Ce modèle établit un lien concret entre l’exécution autonome et la responsabilité des dirigeants, permettant ainsi aux organisations de déployer l’IA de manière responsable tout en conservant un contrôle total sur les résultats commerciaux.

L’évaluation et l’observabilité sont essentielles à l’intégrité du système

Les systèmes agentiques doivent être testés et surveillés avec davantage de précision que les logiciels traditionnels. Ils fonctionnent dans des environnements dynamiques, en raisonnant et en agissant sur la base de données en temps réel. Sans évaluation rigoureuse, un agent autonome peut rapidement s’écarter des résultats escomptés. L’observabilité, c’est-à-dire la capacité à retracer comment et pourquoi un agent est parvenu à une décision, constitue donc la pierre angulaire d’un déploiement fiable.

Andrew McNamara, directeur du machine learning appliqué chez Shopify, a expliqué que son équipe évaluait les résultats générés par les agents à la fois par le biais de tests effectués par des humains et de « juges » simulés, alimentés par de grands modèles linguistiques. Lorsque ces « juges » atteignent systématiquement le même niveau de précision que les évaluateurs humains, M. McNamara précise : « on peut s’y fier à grande échelle. » Ce processus de validation structuré garantit que l’automatisation se développe sans compromettre la qualité ni la supervision.

Anurag Gurtu, PDG d’AIRRIVED, recommande de traiter l’IA agentique « comme des systèmes réglementés ». Il insiste sur la nécessité de procéder à des tests dans des environnements de test contrôlés avant de déployer les modèles en production. Ces environnements permettent une évaluation continue sans exposer les systèmes en production à des actions imprévues ou à une dégradation des performances.

La transparence va au-delà des tests ; elle doit perdurer pendant les opérations en production. L’observabilité comportementale permet d’obtenir une vision en temps réel du fonctionnement du système. Edgar Kussberg, directeur produit en IA chez Sonar, souligne que les équipes ont besoin d’une visibilité « sur chaque étape de l’exécution : les invites, les appels d’outils, les décisions intermédiaires et les résultats finaux ». Cette traçabilité permet un ajustement continu, des audits de conformité et instaure la confiance entre les opérateurs humains et leurs homologues automatisés.

Pour les dirigeants, l’évaluation et l’observabilité ne sont pas de simples atouts techniques, mais bien les piliers de la gouvernance. Elles garantissent la responsabilité interne, la conformité réglementaire et la cohérence des résultats opérationnels. Mettre en place l’observabilité dès le début permet d’éviter les perturbations et de renforcer la confiance nécessaire au déploiement de l’IA dans l’ensemble des services. Dans le cadre des opérations d’entreprise, ce sont l’intégrité et la transparence qui font la différence entre un système performant et une expérience risquée.

L’optimisation du contexte est essentielle : privilégier la qualité plutôt que la quantité

Dans les systèmes agentiques, le volume de données ne garantit pas l’intelligence. La précision prime largement sur l’échelle. Surcharger un agent d’informations peut nuire à ses performances, ralentir son exécution et déclencher des raisonnements hors de propos. Les systèmes les plus efficaces sont sélectifs : ils fournissent le bon contexte au bon moment.

Jackie Brosamer, responsable des données et de l’IA chez Block, l’explique clairement : « La qualité des résultats fournis par un agent est directement liée à la qualité de son contexte. » Chez Block, les ingénieurs s’attachent à maintenir une documentation structurée, des hiérarchies de fichiers claires, des balises cohérentes et des métadonnées lisibles. Cette approche rigoureuse garantit que le système extrait les informations les plus pertinentes au lieu de traiter des données superflues.

Andrew McNamara, de Shopify, applique le même principe. Son équipe utilise la « fourniture de contexte juste à temps », ce qui signifie que l’agent ne reçoit que les données nécessaires à une opération spécifique. Cette structure réduit au minimum la surcharge cognitive au sein du système et garantit la pertinence des réponses. Cela démontre que la sélection minutieuse des informations permet d’atteindre une plus grande précision.

Selon Edgar Kussberg, de Sonar, la transparence et les boucles de récupération améliorent encore les performances. Les agents peuvent interroger les données de manière itérative jusqu’à ce qu’ils estiment disposer d’un contexte suffisant pour agir. Cette approche permet de préserver la réactivité tout en évitant le débordement de tokens ou la confusion du modèle.

Pour les dirigeants, l’optimisation du contexte se traduit par une efficacité opérationnelle et une précision accrues. Elle permet aux équipes d’exploiter efficacement les données sans alourdir les coûts d’infrastructure. Le passage d’une approche axée sur « davantage de données » à une approche axée sur « de meilleures données » améliore l’évolutivité et la fiabilité des décisions. Dans un environnement professionnel porté par l’automatisation et l’autonomie, un contrôle rigoureux du contexte garantit que les systèmes restent rapides, précis et alignés sur les objectifs de l’entreprise.

Le juste équilibre entre autonomie, gouvernance et réutilisabilité est la clé du succès du système

L’IA agentique est particulièrement efficace lorsque l’autonomie est équilibrée par une gouvernance et des limites clairement définies. Toutes les tâches au sein d’une organisation ne tirent pas nécessairement profit d’une autonomie totale. Certains processus restent mieux adaptés à une automatisation déterministe, répétable, fondée sur des règles et hautement prévisible. L’essentiel est de déterminer quelles fonctions métier bénéficient de l’adaptabilité et dans quels cas la stabilité doit primer.

Frank Kilcommins, responsable de l’architecture d’entreprise chez Jentic, recommande de « distinguer les comportements adaptatifs des comportements déterministes ». Il souligne que les éléments déterministes doivent être codifiés à l’aide de définitions précises et lisibles par machine, telles que la spécification Arazzo. Cela garantit que les agents autonomes puissent agir de manière intentionnelle dans le cadre de paramètres définis, tout en préservant la stabilité globale du système.

Heath Ramsey, vice-président du groupe chargé de la gestion des produits « Outbound » de la plateforme d’IA chez ServiceNow, recommande de commencer par les « processus à forte friction », tels que l’intégration des nouveaux collaborateurs ou la gestion des incidents, c’est-à-dire les domaines où l’intervention humaine est fréquente et coûteuse. Commencer à petite échelle permet aux entreprises d’optimiser les performances avant d’étendre l’autonomie à des systèmes plus critiques.

Anurag Gurtu, PDG d’AIRRIVED, ajoute que les agents sont les plus performants lorsqu’ils sont liés à des « objectifs commerciaux concrets ». Se contenter de déployer des agents dans le cadre d’expériences de validation de principe conduit souvent à un gaspillage de ressources et à des indicateurs de réussite flous. Au contraire, chaque déploiement devrait être guidé par des objectifs mesurables, tels que la réduction des coûts, l’accélération des délais d’exécution et l’amélioration de la précision des décisions.

Une étude menée par Alteryx confirme cette nécessité de faire preuve de rigueur. Moins de la moitié des organisations qui expérimentent l’IA agentique font état d’avantages mesurables, et moins d’un tiers d’entre elles expriment une confiance totale dans la prise de décision pilotée par l’IA. Ces chiffres révèlent un déficit de maturité : l’autonomie sans structure ne produit pas d’impact durable.

Pour les dirigeants, la voie à suivre consiste à allier innovation et contrôle. Une infrastructure ouverte, des API robustes, des données synchronisées et des politiques de gouvernance bien définies permettent aux systèmes autonomes de générer de la valeur de manière prévisible. Une réévaluation régulière de ces contrôles permet de maintenir l’environnement d’IA en adéquation avec les objectifs de l’entreprise à mesure qu’il se développe. La mesure du succès ne réside pas uniquement dans l’autonomie, mais aussi dans des performances stables et reproductibles, guidées par une supervision humaine et une clarté stratégique.

Les tendances futures laissent entrevoir des usines multi-agents, des normes ouvertes et l’inférence en périphérie

L’IA agentique évolue vers un avenir plus interconnecté et plus distribué. La prochaine étape de son développement sera axée sur les systèmes multi-agents capables de coordonner efficacement des tâches complexes. Ces systèmes ne fonctionneront pas comme des unités isolées, mais comme des réseaux structurés d’agents spécialisés, capables de partager leurs connaissances, de valider leurs décisions et d’optimiser leurs résultats de manière collaborative.

Jackie Brosamer, responsable des données et de l’IA chez Block, prévoit que « d’ici 2026, nous assisterons à des expérimentations autour de cadres permettant de structurer des réseaux d’agents ». Sa prévision s’articule autour de l’idée de systèmes organisés gérant des tâches intellectuelles complexes, notamment dans des domaines tels que le développement logiciel et l’analyse de données. Cette tendance marque le passage de programmes pilotes isolés à des écosystèmes matures et évolutifs.

L’évolution des normes et protocoles ouverts revêt une importance tout aussi grande. À mesure que ces réseaux d’agents se développent, la compatibilité entre les différentes plateformes déterminera la rapidité avec laquelle ils pourront évoluer. Les protocoles ouverts, tels que la norme A2A (Agent-to-Agent) en plein essor, permettront aux agents de communiquer de manière sécurisée et fluide entre les systèmes d’entreprise. Une telle collaboration élimine les frictions entre les services et les écosystèmes logiciels, renforçant ainsi l’efficacité globale de l’entreprise.

Ari Weil, évangéliste du cloud chez Akamai, met en avant une autre évolution majeure : l’inférence en périphérie. Il souligne que « l’avenir d’une IA compétitive passe par la proximité, et pas seulement par la puissance de calcul ». Le fait de rapprocher certaines charges de travail d’IA de l’endroit où les données sont générées réduit la latence, renforce la sécurité et améliore la réactivité. Pour les organisations opérant à l’échelle mondiale, cela se traduira par une prise de décision plus localisée en matière d’IA, en adéquation avec les exigences régionales.

Pour les dirigeants de haut niveau, ces tendances témoignent d’un besoin croissant de flexibilité architecturale, d’interopérabilité et de prise en compte des spécificités géographiques. Les entreprises qui adoptent des normes ouvertes, la collaboration multi-agents et une infrastructure d’intelligence distribuée bénéficieront d’un avantage décisif. La prochaine phase de croissance de l’IA ne sera pas définie par des systèmes individuels, mais par la capacité de ces systèmes à fonctionner ensemble de manière transparente, en étendant l’intelligence, la coordination et les performances à l’ensemble de l’entreprise.

Réflexions finales

L’IA agentique passe rapidement du stade de l’expérimentation à celui de l’intégration dans les entreprises. Les organisations qui réussiront seront celles qui considéreront l’autonomie non pas comme un raccourci, mais comme une transformation rigoureuse. Cette technologie privilégie la clarté des objectifs, une conception structurée et une gouvernance continue.

Pour les dirigeants, la question n’est pas de savoir s’il faut adopter des systèmes autonomes, mais comment les déployer de manière responsable et efficace. Les gains opérationnels sont considérables, mais uniquement lorsque l’architecture, la sécurité et l’évaluation sont intégrées dès le départ. La surveillance et la transparence du système ne constituent pas des freins à l’innovation ; ce sont elles qui garantissent la pérennité de celle-ci.

La prochaine ère de l’IA d’entreprise reposera sur un équilibre : laisser les machines agir de manière ciblée tout en laissant aux humains le soin de définir la direction à suivre. Les entreprises qui parviendront à trouver ce juste équilibre progresseront plus rapidement, se développeront de manière responsable et définiront les normes que les autres suivront. L’IA agentique n’est pas seulement une avancée technologique majeure, c’est la colonne vertébrale opérationnelle de l’entreprise intelligente.