Agents IA : FAQ pour les décideurs

Un agent IA (AI agent) est un système logiciel reposant sur un (grand) modèle de langage, qui poursuit de manière autonome un objectif donné : il perçoit son environnement, planifie en plusieurs étapes, choisit et utilise de lui-même des outils externes (tools, API, sources de données), observe les résultats et ajuste son plan par itérations jusqu'à ce que l'objectif soit atteint ou abandonné.

Pour les décideurs, les questions essentielles se résument à trois réponses clés :

• Qu'est-ce qui change ? Un agent planifie de manière dynamique et choisit lui-même ses outils au lieu de suivre un parcours prédéfini. C'est précisément ce qui le distingue d'un chatbot, de la RPA et de l'automatisation de workflows.
• Quand est-il rentable ? Seulement si le chemin vers la solution ne peut pas être planifié à l'avance. Si le processus est connu, l'automatisation classique ou la RPA est moins chère et plus stable.
• Qu'est-ce qui compte lors du déploiement ? Un cas d'usage clair avec un ROI, du human-in-the-loop pour les actions irréversibles, l'AIPD et le comité d'entreprise dès le départ, et une approche indépendante des fournisseurs.

Un exemple concret

Un agent L4 typique (agent autonome) est un assistant de recherche chargé de répondre à une question ouverte. Il décompose l'objectif en sous-étapes, lance de lui-même une recherche web, lit les résultats, formule des questions complémentaires, vérifie les contradictions et synthétise à la fin une réponse sourcée. Personne ne lui a imposé l'ordre exact des requêtes. C'est précisément ce pilotage dynamique dans la boucle de raisonnement (Perceive→Reason→Act→Observe) qui le distingue d'un pipeline figé.

Où en est le marché aujourd'hui ?

Les attentes sont élevées, le passage à l'échelle reste timide. Selon le McKinsey State of AI 2025, seules 23 % des entreprises déploient à grande échelle au moins un cas d'usage agentique, et 39 % de plus expérimentent ; dans aucune fonction, la part des cas d'usage déployés à grande échelle ne dépasse 10 %. Gartner (juin 2025) s'attend à ce que plus de 40 % des projets d'IA agentique soient abandonnés d'ici fin 2027, souvent en raison d'un business case flou et d'efforts sous-estimés. Pour les décideurs, cela signifie prioriser avec lucidité plutôt que déployer partout.

Agent, chatbot, RPA, workflow ou assistant ?

La matrice suivante situe les notions souvent confondues sur le marché :

À retenir : l'automatisation de workflows et la RPA suivent un parcours prédéfini, un agent décide du parcours de manière dynamique à l'exécution. D'où aussi l'effort de maintenance et de conformité plus élevé de l'agent.

Quel est le niveau de maturité de « mon » agent ? Les niveaux L1–L5

• L1 Réflexe : basé sur des règles, sans LLM (bot FAQ, thermostat).
• L2 LLM augmenté : LLM plus un appel d'outil, réactif (p. ex. ChatGPT avec recherche web).
• L3 Agent de workflow : LLM dans un pipeline déterministe (prompt chaining, routage).
• L4 Agent autonome : le LLM pilote dynamiquement l'ordre des étapes et le choix des outils, boucle complète (p. ex. Claude Code, Deep Research).
• L5 Système multi-agents : plusieurs agents autonomes se coordonnent via A2A (orchestrateur plus spécialistes).

Cette échelle aide dans les échanges avec les fournisseurs : qui parle d'« agent autonome » mais ne livre que du L2/L3 pratique l'« agent washing ». Selon Gartner, seuls environ 130 fournisseurs sur plusieurs milliers disposent de véritables capacités d'agent.

Standards : MCP et A2A

Deux standards ouverts structurent l'écosystème. MCP (Model Context Protocol) standardise la connexion agent↔outil ; la spécification 2025-11-25 a été transférée à la Linux Foundation en décembre 2025, et il existe plus de 10 000 serveurs MCP. A2A (Agent-to-Agent) standardise la communication agent↔agent et relève de la Linux Foundation depuis juin 2025, avec plus de 150 organisations participantes. Pour les décideurs, tous deux plaident en faveur d'architectures indépendantes des fournisseurs, qui réduisent le lock-in.

Conformité : ce que les décideurs de la zone DACH doivent clarifier tôt

Remarque : à titre informatif, ceci ne constitue pas un conseil juridique.

• Règlement européen sur l'IA : les obligations de transparence de l'art. 50 s'appliquent depuis le 02.08.2026, l'obligation de maîtrise de l'IA (art. 4) depuis le 02.02.2025. Le règlement omnibus numérique (UE) 2026/1744 est entré en vigueur le 27.07.2026. Il a reporté les obligations applicables aux systèmes à haut risque : pour l'annexe III, elles s'appliquent à partir du 02.12.2027, pour l'annexe I à partir du 02.08.2028. Les fournisseurs de systèmes d'IA générative déjà sur le marché avant le 02.08.2026 ont jusqu'au 02.12.2026 pour se conformer à l'obligation de marquage de l'art. 50, paragraphe 2 (art. 111, paragraphe 4). En outre, le règlement assouplit l'art. 4 : seules des mesures visant à promouvoir la maîtrise de l'IA sont désormais exigées, et non un niveau déterminé.
• RGPD : pour les systèmes agentiques, une analyse d'impact relative à la protection des données (art. 35) est généralement nécessaire ; l'art. 22 (décisions automatisées) et l'art. 28 (sous-traitant) sont également pertinents.
• Codétermination : avant le déploiement, le comité d'entreprise doit être associé, en Allemagne selon le § 87 BetrVG, en Autriche selon le § 96 ArbVG (systèmes de contrôle touchant à la dignité humaine) et le § 96a ArbVG (systèmes de traitement automatisé des données du personnel). La Suisse ne connaît pas de codétermination de ce type. Les salariés y disposent d'un droit d'information et de consultation pour les questions de protection de la santé (art. 5 et 6 OLT 3), et l'art. 26 OLT 3 interdit les systèmes de surveillance et de contrôle destinés à surveiller le comportement au poste de travail.
• Suisse : à la place du RGPD s'applique la loi fédérale sur la protection des données (LPD) révisée, en vigueur depuis le 01.09.2023. Le RGPD et le règlement européen sur l'IA ne s'appliquent aux entreprises suisses qu'en cas de lien avec l'UE : le RGPD par exemple lorsqu'elles proposent des biens ou des services à des personnes situées dans l'UE (art. 3, paragraphe 2, du RGPD), le règlement sur l'IA lorsqu'elles mettent des systèmes d'IA sur le marché de l'UE ou que leurs sorties sont utilisées dans l'UE (art. 2 du règlement sur l'IA).

Erreurs fréquentes lors du déploiement

Les erreurs les plus coûteuses sont rarement techniques. Souvent, on choisit le framework avant le cas d'usage, on sous-estime la préparation des données, on saute l'AIPD ou on se passe de human-in-the-loop pour les actions irréversibles. Tout aussi risqués : l'explosion des coûts de tokens faute de routage et de mise en cache, le fait de traiter les agents comme s'ils étaient déterministes et l'absence d'observabilité. Un démarrage pragmatique s'attaque précisément à ces points : 1 à 3 cas d'usage avec un ROI mesurable, un pilote à faible risque avec validation humaine, des KPI de résultat plutôt que des indicateurs d'activité, ainsi que l'AIPD et le comité d'entreprise dès le jour 1.