Chers lecteurs, chères lectrices, Nous allons tenter de tenir la promesse du titre de cet article, qui vous a d’ailleurs incité à l’ouvrir. Dans les lignes que vous allez parcourir au cours des cinq prochaines minutes, nous avons cherché à être aussi pédagogues que possible, afin de vous proposer des informations claires et pragmatiques. À défaut de tenir entièrement notre promesse, nous espérons qu’au terme de cet article vous aurez acquis les connaissances indispensables pour animer un dîner autour de l’agentique en IA, même s’il vous a finalement fallu dix minutes pour le lire.
L’automatisation agentique, nouvelle étape de l’automatisation
L’automatisation agentique est l’accomplissement d’une vieille promesse de l’automatisation. Inutile de remonter jusqu’à la machine d’Anticythère, ou même celle de Watt, il s’agit de l’automatisation à large échelle des flux de travail de bureau (comptabilité, RH, relation client, etc.). Ce domaine de l’automatisation a connu d’énormes progrès au fil des années. Ce fut d’abord le développement des logiciels bureautiques puis des applications web, vint ensuite l’ouverture des API ; et arriva la RPA il y a une dizaine d’années. Bien qu’ayant apporté chacun à leur tour une (r)évolution, ces différents outils partagent certaines limites, dont quatre que l’automatisation agentique se propose d’abolir.Premièrement, elles nécessitent toutes un travail et un coût de mise en place non négligeable ; même la RPA, nettement plus rapide que les autres, nécessite un travail de formalisation et de développement.
Deuxièmement, elles doivent être révisées à la moindre évolution des processus automatisés.
Troisièmement, elles ne permettent pas l’automatisation de flux entiers ; mais uniquement de segments de ces derniers.
Quatrièmement, seuls sont automatisables les segments de flux qui répondent à une logique mathématique puisque cette logique devra être programmée, dans des services API ou des RPA.
Avant de voir comment l’automatisation agentique permet une nouvelle (r)évolution de l’automatisation, revenons rapidement sur ce que recouvre la notion d’agentique et ce dont elle découle, les agents IA.
Ce que recouvrent les agents IA
Les agents IA sont définitivement dans l’air du temps. Apparus grâce à l’explosion de l’IA générative, les agents IA ne sont pas une simple application directe de cette dernière ; mais bien une construction autour de celle-ci. L’ambition de tout agent IA est d’être un véritable opérateur informatique capable de prise de décision et d’action dans un environnement complexe ; et avec une certaine autonomie. Un agent IA est donc une solution utilisant un LLM (ou un SLM) comme colonne vertébrale et y ajoutant 4 capacités :-
- Planification : capacité de subdiviser une tâche et d’ordonner le traitement des sous-tâches ;
- Collaboration : capacité de travailler conjointement avec d’autres agents pour le partage des tâches ;
- Interaction : capacité d’interagir avec d’autres solutions informatiques (API, RPA, ERP, CRM,…)
- Adaptation : capacité de s’auto-corriger en évaluant les résultats de ses sous-tâches et en révisant sa planification.
Pourquoi le terme « agentique » prête à confusion
Nous pourrions naturellement penser que le terme « agentique » est simplement une adjectivation du terme « agent ». Une solution utilisant des agents, tels que définis plus haut, est une solution agentique ; et une solution agentique est une solution utilisant des agents. Simple, basique. Malheureusement, la réalité est un peu plus complexe que cela. Le terme « agentique » a été proposé, par des personnalités de l’IA telles que Andrew Ng, pour désigner non pas « ce qui est un agent » mais « ce qui s’approche d’un agent ». L’objectif principal était d’éviter un débat difficile sur les critères d’intégration des différentes capacités qui identifieraient un « véritable agent » ; pour simplement considérer que toute solution exploitant un LLM/SLM et présentant une quelconque intégration de ces capacités est « agentique ». Au crédit de cette proposition, reconnaissons que l’objectif principal est atteint. À l’inverse, cet usage a brouillé la communication autour des agents.Ainsi, le niveau d’intégration d’une solution agentique n’est pas évident de prime abord ; et les solutions sur le marché présentent des capacités très variables. Des éditeurs nomment même « agentiques » des solutions conçues/vendues pour fonctionner avec des agents ; mais qui n’en contiennent elles-mêmes pas un octet, voire même peuvent être utilisées sans eux.Une promesse qui repose sur deux axes
L’automatisation agentique porte la promesse d’une automatisation à grande échelle des flux de travail bureautiques. Cette promesse passe par 2 axes. Le premier axe est le plus évident : l’utilisation d’agents IA pour automatiser encore plus de tâches. En effet, les agents IA permettent l’automatisation de tâches plus complexes et sont capables de s’adapter jusqu’à un certain point à des changements dans le flux de travail. Ce premier axe permet donc de dépasser les deuxième et quatrième limites évoquées plus haut. Le deuxième axe repose sur une combinaison poussée de l’IA avec les API et la RPA. L’objectif est de tirer le meilleur parti de chaque solution en mettant dans la balance différents critères : performances, stabilité, traçabilité, failles, limites et coûts tant en « build » qu’en « run ». C’est par cet axe que l’automatisation agentique permet de dépasser les première et troisième limites décrites plus haut.Des résultats encore décevants à ce stade
Avec de telles promesses, il n’est pas surprenant que l’automatisation agentique a largement profité de l’enthousiasme de l’IA générative et des agents, avec de très nombreux projets lancés par les éditeurs et par les entreprises utilisatrices. Toutefois, les premiers résultats de ces projets sont, disons-le clairement, décevants. C’est un fait établi par plusieurs rapports au cours de l’année 2025. Pour l’exemple, le MIT a montré que sur un périmètre d’entreprise ayant investi plus de 30 milliards de dollars, 95 % d’entre elles n’avaient enregistré aucun retour, zéro ; tandis que Gartner prévoit que plus de 40 % de ces projets seront abandonnés prochainement. À ce stade, le retour à la réalité est sévère. Cependant, ces mêmes rapports, ainsi que les autres retours d’expérience sur l’IA, pointent aussi les leçons à tirer de ces premières déceptions pour corriger le tir et continuer à progresser dans la concrétisation des promesses faites.Ce que les premiers retours d’expérience nous apprennent
La première de ces leçons est qu’un projet d’IA générative reste, malgré ses disruptions, un projet informatique et que la première source d’erreur est la mère de tous les problèmes en informatique, l’interface chaise-clavier. Nous pouvons constater sur ces « très nombreux projets » qu’ils ont été largement conçus et pilotés sous l’excitation des promesses de l’IA et, reconnaissons-le, une certaine précipitation. Une telle démarche est viable, peut-être même saine, au stade de l’expérimentation ; mais fatale quand vient l’heure de l’industrialisation. Le déploiement à large échelle de toute solution informatique nécessite qu’elle soit solidifiée, consolidée à cette fin ; ce qui passe par un pilotage qui, à l’inverse du précédent, repose sur un bon dosage de prudence et de patience.Des solutions en quête de maturité
La deuxième leçon est plus spécifique à l’état de l’IA générative et consiste en un double problème de maturité. Premièrement, les solutions agentiques sont toutes très jeunes. Beaucoup sont apparues au cours des derniers mois et sont en train de passer l’épreuve du feu de l’industrie et de l’utilisateur non averti. Ainsi, les premiers protocoles agentiques sont en cours de consolidation et d’intégration dans les solutions. L’objectif de ces protocoles est de standardiser l’implémentation des différentes capacités agentiques. Cette démarche est très importante pour la réussite des solutions agentiques à long terme ; car elle facilitera considérablement l’intégration des solutions agentiques dans les SI et leur évolution. Un bon exemple de ces protocoles est le Model Context Protocol (MCP) qui concerne la capacité d’interaction des agents ; et dont le principe s’apparente à celui du patron de conception Adaptateur. On met en place un objet intermédiaire qui se présente comme un annuaire des connexions disponibles ; chaque connexion est présentée sous un format standard qui masque les spécificités (et les évolutions) de chacune. En complément, nous pouvons aussi citer le protocole Agent-to-Agent (A2A) pour la capacité de collaboration et le protocole Agent-User Interaction (AG-UI) pour la communication avec l’humain.Deuxièmement, les solutions agentiques apportent beaucoup de nouveautés qui doivent être prises en charge par de nouvelles compétences et de nouvelles responsabilités. Les équipes IT des entreprises doivent donc maintenant définir les rôles, les moyens et les méthodes pour intégrer ces nouveautés en tenant compte de leurs besoins et de leurs contraintes. Elles sont donc en train d’adapter leur cycle projet aux spécificités de l’agentique. Sur ce point, les éditeurs sont à l’ouvrage. En effet, les solutions agentiques peuvent être divisées en 2 grandes catégories :
- Les frameworks pro dev pour des implémentations spécifiques avec des contrôles fins (exemple : AgentFramework de Microsoft et Agents SDK d’OpenAI) ;
- Les frameworks low code / no code pour des implémentations rapides et faciles à prendre en main (exemple : UiPath et n8n).
La complémentarité des opérateurs au cœur de l’automatisation agentique
Les retours d’expérience dessinent aussi les premiers grands principes de l’usage de l’automatisation agentique. Alors que les tout premiers élans de l’agentique rêvaient de supers agents ultra-polyvalents, ce qui se dessine ressemble plus à l’usage raisonné des ressources à disposition. Nous allons nous pencher sur 3 de ces usages : la complémentarité des opérateurs, la spécialisation des agents et les types d’automatisation agentique. Comme dit plus haut, exit l’idée d’agents IA assurant seuls des automatisations entières ; l’automatisation agentique est en train de se construire résolument sur la combinaison du meilleur de 4 mondes/opérateurs : API, RPA, IA et Humain.Le tableau ci-dessous présente les critères pris en compte dans cette combinaison. Il en ressort un choix en cascade pour sélectionner l’opérateur d’une tâche spécifique. Une API existante est imbattable pour traiter les entrées/sorties de données ou déclencher des opérations dans une solution. En comparaison, la RPA peut assurer le même type de tâches lorsqu’une API n’existe pas, que la tâche nécessite des données d’origines diverses, que le traitement doit être rapide ou que la tâche n’a pas de tolérance à l’erreur.
Face à cela, l’IA est l’opérateur idéal pour des tâches plus complexes qui nécessitent une évaluation à multiples paramètres ou dont les paramètres sont complexes ou changent régulièrement. Naturellement, dans une perspective d’automatisation, l’humain est le dernier choix ; réservé aux tâches ne pouvant être confiées aux autres opérateurs car trop complexes, voire même nécessitant une véritable expertise ou pour des questions de gestion du risque ou réglementaire.
En termes de complexité et de fiabilité des tâches, nous pouvons résumer la chose ainsi :
Si une API peut le faire, l’API le fait ; sinon la RPA ; sinon l’IA ; sinon l’humain.
La spécialisation des agents plutôt que l’agent ultra-polyvalent
De la même manière, l’idée d’agents ultra-polyvalents est en train de passer à la trappe. Quoique très séduisante sur le papier, elle s’est avérée contre-productive jusqu’à présent. En effet, la rédaction des prompts est considérablement alourdie pour de tels agents ; tandis qu’à l’exécution ils doivent fournir un travail supplémentaire pour définir ce qu’ils doivent faire en plus de le faire. Nous obtenons ainsi un tiercé perdant sur le temps de traitement, le coût en ressources et le risque d’erreur. À l’inverse, une équipe d’agents spécialisés, éventuellement pilotée par un agent coordinateur, s’avère bien plus efficace pour traiter les mêmes tâches. Chaque agent n’a pas à s’interroger sur ce qu’il doit faire ; car il n’a qu’une seule compétence ; et il est beaucoup plus facile d’ajouter, retirer, modifier une compétence de l’équipe.Trois types d’automatisations agentiques qui émergent
Le dernier usage dont nous parlerons ici concerne les types d’automatisations agentiques. Jusqu’ici, nous avons discuté des spécificités de l’automatisation agentique et de comment les équipes IT sont en train de se l’approprier ; nous pouvons donc revenir à la grande promesse du début : l’automatisation de flux de travail de bureau.Actuellement, nous pouvons observer que la réalisation de cette promesse passe par 3 grandes modalités d’applications, 3 types d’automatisations : l’automatisation améliorée, l’automatisation de flux et l’automatisation d’assistance.L’automatisation améliorée
L’automatisation améliorée correspond à l’automatisation d’un processus par une solution API/RPA, classique jusque-là ; mais où certaines tâches du processus nécessiteraient l’évaluation par un agent. Cette stratégie d’automatisation ne rentre pas pleinement dans l’automatisation agentique.Elle n’est donc pas une fin en soi ; mais représente une étape intéressante pour une équipe exploitant déjà l’automatisation par API/RPA qui franchit le pas de l’automatisation agentique.
L’automatisation de flux
L’automatisation de flux est la réponse la plus proche de la promesse initiale. Elle représente aussi son gisement de gains le plus important, ou à tout le moins le plus visible. Alors que les solutions RPA/IA ne permettaient d’automatiser que des segments de processus, les outils de l’agentique permettent d’envisager des automatisations à l’échelle de flux entiers. Auparavant, un flux de travail pouvait être saucissonné par plusieurs automatisations API/RPA entre lesquelles s’intercalaient de nombreuses interventions humaines. L’automatisation ne suivait pas tout le traitement d’un cas ; mais un cas passait d’un opérateur à un autre, attendant entre chacun d’être pris en compte. Désormais, une automatisation peut suivre un cas de bout en bout. Par exemple, elle peut être déclenchée par un webhook d’un serveur mail, passer le mail à un agent qui récupère les données du mail, puis lancer deux API pour collecter des données, puis lancer une RPA pour réaliser une première analyse qui peut faire appel à un humain pour valider certaines catégories de résultats et ainsi de suite jusqu’à la fin du flux.L’automatisation d’assistance
L’automatisation d’assistance est une réponse moins évidente ; mais son potentiel est indiscutable. En effet, la RPA avait déjà permis de développer l’idée de mettre à disposition de collaborateurs de petites automatisations en vue de traiter des tâches à la demande du collaborateur.L’idée était cependant freinée par la nécessité que le collaborateur soit un utilisateur averti, qu’il connaisse les automatisations à sa disposition, leurs tâches et surtout comment les alimenter pour assurer leur bon fonctionnement. En parallèle, les chatbots avaient aussi ouvert la voie de fournir à un collaborateur un assistant capable de l’accompagner dans la recherche d’informations ou de solutions. L’automatisation agentique permet de combiner efficacement les deux pour démultiplier la productivité d’un collaborateur
style="font-weight: 400;">.
Ce qu’il faut retenir
Si vous êtes arrivé au terme de cet article, vous avez sans doute la tête pleine d’acronymes (API, LLM, SLM, MCP, SDK, IA…) et, nous l’espérons, enrichie de nouvelles connaissances. Nous traversons une période où les technologies évoluent à un rythme particulièrement soutenu. L’état des lieux que nous venons de dresser ne sera probablement plus tout à fait d’actualité dans quelques mois. En revanche, vous disposez désormais, nous l’espérons, d’une vision claire de ce qu’est l’agentique, de ses enjeux, et des possibilités concrètes qu’elle offre aujourd’hui.Maxime DEBUYSSCHERE, Lead Développer au sein de l’Oiseau Rare
