Gartner prévoit que plus de 40% des projets d'IA agentique seront annulés avant la fin de 2027, et ne compte qu'environ 130 fournisseurs réels parmi les milliers qui revendiquent l'étiquette. Voici ce qu'est réellement un agent, et comment savoir si votre processus en a besoin.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
Le logiciel franchit une ligne qu’il n’avait jamais franchie : il passe de l’exécution d’une séquence écrite par quelqu’un à la décision de ce que cette séquence devrait être. C’est là tout ce qu’est un agent d’IA, et c’est aussi pourquoi les agents sont plus difficiles à gouverner que l’automatisation qu’ils remplacent.
Le marché a devancé la capacité réelle. Gartner prévoit que plus de 40% des projets d’IA agentique seront annulés avant la fin de 2027, en invoquant des coûts qui dérapent, une valeur métier floue et des contrôles de risque insuffisants. La même étude chiffre le bruit ambiant : sur les milliers de fournisseurs qui vendent de l’IA agentique, environ 130 sont réels. Le reste est un changement d’étiquette.
Ce guide explique de quoi un agent est fait, ce qui le distingue d’un workflow, et comment décider si un processus donné en justifie un.
Ce qu’est réellement un agent
Un agent perçoit, raisonne, agit et apprend du résultat. L’automatisation traditionnelle fait la troisième de ces choses, et rien d’autre.
Les macros, les tâches cron, les pipelines ETL et l’automatisation robotisée des processus partagent une propriété : le chemin à travers le système est écrit à l’avance. Cela les rend prévisibles, faciles à raisonner et fragiles. Le moindre écart par rapport à l’entrée attendue les casse, et la panne est généralement totale plutôt que progressive.
Un agent absorbe cet écart en décidant à l’exécution. Il lit la situation, choisit parmi les outils dont il dispose, et se corrige quand une étape ne produit pas ce qu’il attendait. Le prix de cette souplesse, c’est que vous ne pouvez plus lire le code et savoir ce que le système va faire.
Trois capacités portent la différence. La perception est la capacité d’absorber une entrée non structurée, qu’il s’agisse de langage naturel, d’un document, d’un écran ou d’un flux de réponses d’API. Le raisonnement est la capacité de décomposer un objectif en étapes et de choisir entre elles. L’actionnement est la capacité d’agir sur le monde extérieur, ce qui signifie en pratique appeler des API, écrire dans des systèmes de référence, ou générer et exécuter du code.
Les pièces dont un agent est construit
Les implémentations réussissent ou échouent sur l’architecture bien plus que sur le choix du modèle. Cinq composants reviennent dans presque tous les systèmes sérieux.
| Composant | Ce qu’il fait | Technologie habituelle |
|---|---|---|
| Capteurs | Reçoivent l’entrée qui déclenche ou nourrit une exécution | Webhooks, interrogation d’API, OCR, reconnaissance vocale |
| Mémoire | Conserve le contexte au sein d’une exécution et d’une exécution à l’autre | Bases vectorielles, magasins clé-valeur, bases de graphes |
| Planification | Décompose un objectif en une suite ordonnée d’étapes | Planificateurs fondés sur des LLM, réseaux de tâches hiérarchiques |
| Politique | Choisit l’action suivante parmi celles disponibles | Inférence de modèle, politiques apprises, moteurs de règles |
| Actionneurs | Portent la décision dans un autre système | API REST, connecteurs de base de données, outils RPA |
La mémoire est l’endroit où la plupart des conceptions dérapent, parce que les deux types se confondent facilement. La mémoire à court terme contient le contexte de travail d’une seule exécution puis est jetée. La mémoire à long terme persiste d’une exécution à l’autre et c’est elle qui permet à un agent de progresser. Le rapport State of AI in Business 2025 du MIT désigne l’absence de ce second type comme une raison centrale de l’enlisement des déploiements en entreprise : les systèmes qui ne retiennent pas le retour d’expérience ne peuvent pas s’adapter, et plafonnent donc au niveau de qualité de leur première semaine.
Au-delà de l’agent unique, deux schémas reviennent. Les systèmes multi-agents répartissent le travail entre des spécialistes, avec un orchestrateur qui aiguille entre eux ; cela aide quand les domaines sont réellement distincts et nuit quand ils ne le sont pas. Les architectures hybrides placent un humain à un point défini de la boucle, soit pour approuver avant une action, soit pour surveiller après.
Workflow ou agent
La décision la plus utile dans ce domaine est souvent de ne pas construire d’agent.
Les recommandations d’ingénierie d’Anthropic tracent la ligne avec précision. Dans un workflow, « les LLM et les outils sont orchestrés par des chemins de code prédéfinis ». Dans un agent, « les LLM dirigent dynamiquement leurs propres processus et leur usage des outils ». La recommandation qui suit est sans détour : chercher la solution la plus simple possible, et n’augmenter la complexité qu’en cas de besoin, ce qui « peut vouloir dire ne pas construire de systèmes agentiques du tout ».
L’arbitrage porte sur la latence et le coût contre la souplesse. Un workflow qui traite quatre-vingt-dix pour cent des cas et fait remonter le reste coûte généralement moins cher à exploiter, se débogue plus facilement et s’explique bien plus aisément à un régulateur qu’un agent qui en traite quatre-vingt-quinze pour cent sans pouvoir rendre compte de la manière.
La question n’est donc pas de savoir si un processus pourrait être agentique. C’est de savoir si la variation dans le travail est réelle. Là où les entrées sont constantes et les étapes connues, un workflow est la bonne réponse et un agent une façon coûteuse d’y parvenir.
Choisir le processus
Là où la variation est réelle, le filtre suivant est de savoir si le résultat peut être vérifié.
Un agent qui agit sans résultat vérifiable est un passif, car les erreurs s’accumulent en silence d’une exécution à l’autre. Le test utile consiste à se demander si quelque chose que l’agent ne contrôle pas peut confirmer que le travail a été bien fait. Un paiement se rapproche ou ne se rapproche pas. Un enregistrement correspond au système source ou n’y correspond pas. Cela se vérifie. Un résumé qui se lit de façon plausible, non, et un jugement porté sur une personne non plus.
C’est pourquoi le test de vérifiabilité compte davantage que la sensibilité au moment de choisir un premier processus, et pourquoi la relance commerciale est souvent un meilleur point de départ qu’il n’y paraît : le résultat est mesurable, le mode de défaillance est visible, et personne n’est lésé par une étape manquée d’une manière irréversible.
Commencez là où le travail est répétitif, où le volume justifie la construction, et où une mauvaise réponse se voit tout de suite plutôt que six mois plus tard lors d’un audit.
Ce qui casse, et ce qui tient
Les agents échouent d’une manière dont l’automatisation n’échoue pas, parce qu’un système qui choisit ses propres étapes peut mal choisir et continuer quand même.
Les modèles performants poursuivent l’objectif qu’on leur a donné plutôt que celui qu’on visait, et empruntent des chemins que leurs concepteurs n’avaient pas prévus. Ce n’est pas une pathologie rare ; c’est le comportement attendu d’un optimiseur, et c’est pourquoi une gouvernance qui tient doit restreindre ce qu’un agent peut faire plutôt que de s’en remettre à des consignes sur ce qu’il devrait faire.
Trois contrôles portent l’essentiel du poids. Des identifiants restreints font qu’un agent n’atteint que les systèmes dont son processus a besoin, de sorte qu’une mauvaise décision a un rayon d’impact borné. Une piste d’audit consigne ce qui a été décidé et sur quelle base, ce qui fait la différence entre expliquer un résultat et le deviner. Un point de contrôle humain défini se place avant toute action coûteuse à annuler.
Le contrôle des sorties est un problème à part entière, distinct du contrôle d’accès, et les deux ne sont pas des filtres interchangeables.
Où cela vous laisse
Le taux d’annulation ne prouve pas que les agents ne fonctionnent pas. Il prouve que la plupart des organisations choisissent le mauvais premier processus, achètent des chatbots réétiquetés, ou construisent un agent là où un workflow aurait suffi pour moins cher.
Les organisations qui en tirent de la valeur font en général la chose la moins spectaculaire : choisir un processus avec une variation réelle et un résultat vérifiable, construire le système le plus étroit qui le traite, l’instrumenter pour que les défaillances se voient, et n’étendre qu’après avoir laissé le premier tourner assez longtemps pour lui faire confiance. C’est plus lent que le calendrier du fournisseur. C’est aussi la version qui survit au contact d’un audit.
Avant de vous engager dans une construction, soyez honnête sur celui des deux systèmes dont vous avez réellement besoin. L’essentiel de la valeur attribuée aux agents ces deux dernières années a été produit par des workflows.
Frequently asked questions
What is an AI agent?+
An AI agent is software that perceives its environment, plans a course of action, carries it out, and adjusts based on the result. The distinction from ordinary automation is that the sequence of steps is decided at runtime rather than written in advance.
How is an AI agent different from a workflow?+
In a workflow, the path through the system is fixed in code and the model fills in steps. In an agent, the model decides the path. Anthropic's engineering guidance recommends the workflow wherever it will do, because agents trade latency and cost for flexibility.
Why are so many agentic AI projects cancelled?+
Gartner attributes the cancellations to escalating costs, unclear business value, and inadequate risk controls. A large share of projects begin as proofs of concept driven by hype rather than by a process with a measurable failure mode.
What is agent washing?+
Agent washing is the rebranding of existing chatbots, assistants, and robotic process automation as agentic AI without the underlying capability. Gartner estimates only around 130 of the thousands of vendors making the claim are genuine.