Un agent d'intelligence artificielle n'est pas un employé numérique : c'est un logiciel probabiliste doté d'outils et d'autorisations. La différence n'est pas sémantique. Un employé possède du jugement, un contexte accumulé, une responsabilité légale et la capacité de dire : « Il y a une incohérence, je vais me renseigner. » Un agent, quant à lui, a un objectif, un ensemble d'actions possibles et une probabilité d'avoir raison.
La métaphore de l'employé s'est imposée car elle est efficace pour convaincre. Elle est efficace car elle permet de comparer le prix d'une licence au coût d'une masse salariale, ce qui constitue la comparaison la plus avantageuse possible. Le problème survient lorsque cette métaphore passe de l'argumentaire de vente à la conception du système, car on conçoit alors comme s'il y avait un jugement là où il n'y a que des probabilités.
Un chatbot répond. Un agent agit. Voilà toute la différence, et elle est énorme.
Lorsqu'un modèle génère du texte, le pire scénario est une réponse erronée lue par un utilisateur. Lorsqu'un modèle peut effectuer des actions (créer une commande, effectuer un remboursement, modifier une fiche, envoyer un courriel à un client), le pire scénario est une action erronée déjà effectuée qu'il faut annuler.
Un agent se compose de quatre éléments, et il est conseillé de pouvoir les nommer tous les quatre avant d'en approuver un seul :
Les trois premiers sont généralement définis. Le quatrième, qui fait défaut dans la plupart des projets que nous auditons, détermine si l'agent représente un actif ou un passif.
L'étude McKinsey de 2025 a révélé que 62,1 % des organisations expérimentaient l'utilisation d'agents, mais que seulement 23,1 % les avaient déployés à grande échelle dans au moins une fonction. Cet article analyse l'écart entre ces deux chiffres.
Gartner a été plus direct en juin 2025 : il prévoit que Plus de 401 000 milliards de projets d'IA agentique seront annulés d'ici fin 2027., Cela s'explique par la hausse des coûts, le manque de clarté quant à la valeur ajoutée pour l'entreprise ou l'insuffisance des contrôles des risques. Dans la même analyse, Anushree Verma, directrice principale de l'analyse au sein du cabinet, estime que sur les milliers de fournisseurs se présentant comme spécialistes des agents, seuls 130 environ le sont réellement. Les autres sont qualifiés de « spécialistes du blanchiment d'argent », un terme qui devrait figurer dans le vocabulaire de tout comité d'achat.
Il ne s'agit pas d'une statistique défavorable aux agents. Elle met en lumière les facteurs qui distinguent les projets qui réussissent de ceux qui échouent : les coûts prévisionnels, la valeur définie et les mécanismes de contrôle des risques mis en place.
Attribut | Employé | Agent IA |
Responsabilité légale | Posséder, dans le cadre du travail | De la part de l'entreprise qui le déploie, toujours |
Le jugement face à l'inattendu | Il se rend compte que quelque chose cloche et demande | Accomplissez la tâche avec les informations dont vous disposez. |
Contexte accumulé | Des années de connaissance tacite de l'entreprise | Uniquement ce qui vous est fourni dans chaque exécution |
Traçabilité | Reconstructible par la conversation | Cela n'existe que si le disque a été conçu. |
Le coût d'une erreur | Limité et détectable | Évolutif : répète la même erreur des milliers de fois |
La frontière entre responsabilité légale et responsabilité civile n'est plus théorique. Dans l'affaire *Moffatt c. Air Canada*, jugée en 2024 par la Cour civile de Colombie-Britannique, la compagnie aérienne a plaidé que son chatbot était une entité distincte, responsable de ses propres propos. La Cour a qualifié cet argument d'extravagant – au pire sens du terme – et a ordonné à la compagnie d'indemniser le client pour les informations erronées fournies par le système.
La conclusion opérationnelle est simple : l’entreprise est responsable du comportement et des actions de son logiciel. Toujours. Il n’existe aucune architecture de délégation permettant de transférer cette responsabilité au fournisseur du modèle.
Le coût de l'erreur est l'aspect que les comités sous-estiment le plus. Un employé qui interprète mal une politique commet cette erreur sur tous les dossiers qu'il traite dans la journée. Un agent, quant à lui, la commet systématiquement jusqu'à ce que quelqu'un s'en aperçoive. L'échelle, qui constitue l'argument de vente principal, est aussi le facteur multiplicateur de risque.
Il serait absurde d'écrire cet article sur la défensive. Les agents résolvent des problèmes qui n'avaient auparavant pas de solution satisfaisante, et voici les schémas dans lesquels ils obtiennent systématiquement de bons résultats :
Tâches comportant un langage et une structure ambigus. Il s'agissait de lire cinquante courriels de fournisseurs, d'en extraire le numéro de commande et la date de livraison promise, puis de les saisir dans un système. Auparavant, cela nécessitait des règles strictes ou un travail manuel.
Orchestration entre des systèmes qui ne communiquent pas. Consultez trois sources, recoupez-les et proposez un plan d'action. L'agent ne remplace pas l'intégration, mais il atténue les frictions lorsque l'intégration complète n'est pas rentable.
Premier niveau de classification et d'acheminement. Déterminez dans quelle file d'attente un incident est dirigé, quelle est sa priorité et quelles informations sont manquantes pour le résoudre.
Préparer les décisions, et non les exécuter. Le modèle le plus rentable que nous ayons observé : l’agent recueille les informations, compare les offres et propose une solution ; la personne concernée donne son accord. Les économies se font au niveau de la préparation, qui représente le gain de temps le plus important.
Notez que dans les quatre cas, l'agent opère au sein d'un processus défini. Aucun d'eux n'opère sur un processus non cartographié, pour la même raison que celle expliquée lors de notre discussion sur Pourquoi l'IA ne peut pas corriger une entreprise mal conçue
Nous proposons de remplacer « employé numérique » par capacité automatisée supervisée. C'est plus laid et moins vendeur, et cela décrit exactement ce que vous achetez.
Modifier le vocabulaire change les questions posées en réunion. Personne ne demande à un « employé numérique » quel est son champ d'action maximal, car ce champ d'action n'est pas défini par document. En revanche, on interroge un employé sur ses capacités automatisées.
Un projet capable de répondre aux six questions est prêt pour la production. Un projet qui ne peut répondre à trois questions ou plus n'est pas prêt, quelles que soient les performances de la démo.
La question de l'identité et des autorisations mérite un traitement spécifique, car c'est là que réside le véritable risque : nous l'avons développée dans identités non humaines, agents d'IA et cybersécurité
Lorsqu'on propose de déployer un agent, la question pertinente n'est pas de savoir ce qu'il peut faire. C'est… Que se passe-t-il le jour où il commet une erreur ?, Parce qu'il commettra des erreurs : c'est un logiciel probabiliste et cela fait partie de sa nature, ce n'est pas une qualité intrinsèque.
Si la réponse comprend un compte rendu complet des événements, un mécanisme de rectification, l'identification du responsable et des limites claires à l'action, le projet est bien conçu. Si la réponse se résume à affirmer que tout ira bien grâce à la qualité du modèle, ce qui est acheté n'est pas un système : c'est une attente.
Un chatbot répond par texte ; un agent exécute des actions sur des systèmes réels. Un agent se compose d'un objectif, d'outils, d'autorisations et d'un mécanisme de contrôle. La différence est fondamentale : la pire erreur d'un chatbot est une réponse incorrecte, tandis que la pire erreur d'un agent est une action incorrecte déjà effectuée.
Car ce système attribue du jugement, un contexte accumulé et une responsabilité personnelle à un système qui en est dépourvu. Un agent accomplit la tâche avec les informations disponibles, même en l'absence de contexte, ne remarque pas les incohérences et répète la même erreur à grande échelle jusqu'à ce que quelqu'un la détecte.
L'entreprise qui le déploie. Dans l'affaire Moffatt c. Air Canada (2024), la cour a rejeté l'argument selon lequel le chatbot était une entité responsable de ses propres déclarations et a ordonné à la compagnie aérienne d'indemniser le client pour les informations erronées du système.
D'après McKinsey (2025), 62,1 % des organisations expérimentent les agents, mais seulement 23,1 % les ont déployés à grande échelle dans quelque fonction que ce soit. Gartner prévoit que plus de 40,1 % des projets d'IA agentielle seront annulés d'ici fin 2027 en raison des coûts, d'une valeur ajoutée incertaine ou de contrôles des risques insuffisants.
Dans les tâches comportant un langage et une structure ambigus (extraction d'informations à partir de courriels ou de documents), dans l'orchestration entre des systèmes qui ne communiquent pas, dans la classification et le routage des incidents, et surtout dans la préparation de décisions qui sont ensuite validées par une personne.
Être capable de répondre à six questions : ce qui est possible et ce qui ne l’est pas, avec quelle identité accéder aux systèmes, ce qui est enregistré pour chaque exécution, quelles décisions nécessitent une validation humaine, comment une action incorrecte est annulée et qui est responsable du résultat.
Êtes-vous en train d'évaluer un projet d'agent ? Nous analysons le cas d'usage, le modèle d'autorisations et les contrôles des risques avant tout déploiement difficilement réversible. Deux heures de consultation, sans engagement. Parlons-en → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
