IA agentique : comment les agents IA transforment la productivité des entreprises

De la réponse à l’exécution

La première vague de l’intelligence artificielle générative répondait principalement aux questions des employés. Elle résumait des documents, rédigeait des textes ou proposait du code. La nouvelle étape consiste à permettre aux systèmes d’IA d’exécuter une partie du travail.

Un agent peut recevoir un objectif, consulter plusieurs sources, utiliser des outils et préparer — parfois déclencher — une action. Plusieurs agents spécialisés peuvent également se répartir les étapes d’un processus.

Cette transition est réelle, mais elle n’est ni uniforme ni achevée. Certaines entreprises exploitent déjà des agents en production. D’autres mènent seulement des projets pilotes. Une partie des chiffres disponibles provient par ailleurs des fournisseurs qui commercialisent ces technologies.

L’IA agentique ne constitue donc pas encore une couche autonome faisant fonctionner l’entreprise sans intervention humaine. Elle représente plutôt une nouvelle forme d’automatisation capable de traiter des situations moins prévisibles que les logiciels traditionnels, à condition de disposer de données fiables, de permissions limitées et de contrôles humains.

Qu’est-ce que l’IA agentique ?

Un logiciel traditionnel exécute des règles écrites à l’avance. Un chatbot génère une réponse à une demande. Un agent IA peut aller plus loin : il reçoit un objectif et choisit les étapes intermédiaires nécessaires pour l’atteindre.

Cette capacité repose généralement sur un modèle capable d’interpréter l’objectif, des instructions définissant son rôle, un accès à des informations, des outils comme un logiciel de gestion ou une base de données, un mécanisme de vérification et des autorisations déterminant ce que l’agent peut réellement faire.

Prenons le traitement d’une facture. Un chatbot peut expliquer la procédure. Un copilote peut résumer la facture ou suggérer une écriture comptable. Un agent pourrait identifier le document, en extraire les données, les comparer à un bon de commande, détecter une anomalie et préparer une demande de validation.

La progression peut être résumée ainsi : chatbot, copilote, agent IA, système multi-agents, puis processus partiellement autonome. Même au dernier niveau, l’autonomie demeure limitée par les accès, les règles et les validations définies par l’entreprise.

Pourquoi les entreprises passent des chatbots aux agents

Les chatbots accélèrent l’accès à l’information, mais ils laissent souvent l’employé effectuer lui-même les étapes suivantes : ouvrir une application, transférer les données, vérifier les règles et mettre à jour le dossier. Les agents cherchent à réduire cette fragmentation en reliant les logiciels déjà utilisés par l’entreprise.

Dans son enquête internationale publiée en avril 2025 auprès de 31 000 travailleurs dans 31 pays, Microsoft indiquait que 81 % des dirigeants interrogés s’attendaient à intégrer les agents de manière modérée ou importante à leur stratégie d’IA dans les 12 à 18 mois. Mais 24 % seulement des organisations déclaraient avoir déployé l’IA à l’échelle de l’entreprise, tandis que 12 % se trouvaient encore au stade pilote. Ces données mesurent des déclarations et des intentions, pas des gains vérifiés dans les comptes.

L’intérêt économique vient donc de la possibilité de transformer un flux de travail complet. La difficulté consiste à prouver que cette automatisation reste fiable et moins coûteuse que le processus qu’elle remplace.

Finance et comptabilité : des processus structurés, mais sensibles

La finance constitue un terrain favorable aux agents parce qu’elle combine un grand volume de documents, des règles explicites et des tâches répétitives : rapprochements, contrôle des factures, suivi des paiements, préparation du reporting ou détection d’anomalies.

Dow a expérimenté avec Microsoft un système composé de deux agents pour analyser ses factures de transport. L’entreprise traite jusqu’à 4 000 factures d’expédition par jour et plus de 100 000 fichiers PDF par an. Un premier agent surveillait les courriels entrants et transformait les informations des PDF en données structurées. Un second comparait les factures et les expéditions afin de détecter des frais inhabituels.

Le projet pilote a analysé plusieurs milliers de factures. Dow et Microsoft ont évoqué des économies annuelles potentielles de plusieurs millions de dollars en cas de déploiement mondial. Il s’agissait cependant d’une projection après un pilote, et non d’économies annuelles déjà constatées dans les résultats financiers du groupe.

Pour la clôture comptable ou la trésorerie, un agent peut rassembler des données, proposer des rapprochements et signaler les écarts. Il ne devrait pas pour autant modifier librement les comptes ou autoriser seul un paiement important.

Chaîne logistique : coordonner plusieurs systèmes

La chaîne logistique présente trois caractéristiques favorables à l’IA agentique : beaucoup de données, de nombreuses décisions répétitives et plusieurs systèmes interconnectés. Un agent peut surveiller les stocks, les délais fournisseurs et les commandes. En cas de perturbation, il peut rechercher des solutions de remplacement et préparer une recommandation.

Le cas de Dow montre comment un agent peut agir sur la partie administrative du transport. D’autres systèmes proposés par SAP, Oracle ou Microsoft visent la planification, les achats et la gestion des fournisseurs. La plupart de ces offres doivent néanmoins être considérées comme des capacités logicielles ou des objectifs tant que leurs résultats économiques n’ont pas été publiés.

Le risque est tout aussi important. Une information erronée sur un stock ou un délai peut conduire l’agent à recommander une commande inutile. Une action localement logique peut provoquer une conséquence indésirable ailleurs dans le réseau.

Audit, risque et conformité : accélérer l’analyse sans supprimer le jugement

Les cabinets d’audit et de conseil développent eux aussi des plateformes agentiques. PwC a lancé en mars 2025 son agent OS, conçu pour orchestrer plusieurs agents provenant éventuellement de fournisseurs différents. En août de la même année, le cabinet a annoncé avec Google Cloud un portefeuille de plus de 120 agents couvrant 24 flux de travail.

Ces annonces montrent un passage vers des outils structurés et gouvernés, mais elles ne prouvent pas à elles seules une amélioration généralisée de la productivité ou de la qualité de l’audit.

Dans l’audit, un agent peut parcourir des documents, rapprocher des informations, sélectionner des opérations inhabituelles ou préparer une liste de contrôles. L’auditeur reste toutefois responsable de l’interprétation des éléments probants et de la conclusion formulée.

Ces domaines imposent une traçabilité précise : documents consultés, outils utilisés, décisions proposées, modifications apportées et personne ayant donné l’autorisation finale.

Service client : du dialogue à la gestion d’un dossier

Un chatbot classique répond à une question fréquente. Un assistant aide un conseiller à trouver la bonne information. Un agent peut vérifier une commande, modifier une réservation, préparer un remboursement ou transférer un dossier à la bonne équipe.

Salesforce commercialise Agentforce pour ce type de scénarios. En décembre 2024, Reuters rapportait que l’entreprise avait signé plus de 1 000 contrats payants et qu’elle utilisait elle-même le système pour traiter une partie des demandes simples. Ces chiffres établissaient une adoption commerciale initiale, mais ne permettaient pas encore de mesurer le rendement moyen obtenu par les clients.

Le précédent le plus solide sur la productivité du service client concerne toutefois un assistant génératif, et non un agent pleinement autonome. Une étude du National Bureau of Economic Research portant sur plus de 5 000 employés d’un centre d’assistance a constaté une hausse moyenne de 14 % du nombre de problèmes résolus par heure. Le gain atteignait 34 % pour les employés les moins expérimentés.

Dans une enquête de Salesforce, 46 % des acheteurs professionnels se déclaraient prêts à travailler avec un agent pour obtenir un service plus rapide, mais seulement 17 % étaient à l’aise avec l’idée qu’un agent prenne des décisions financières.

Développement logiciel : des agents plus actifs, mais pas autonomes

Les agents de développement peuvent explorer un dépôt de code, modifier plusieurs fichiers, exécuter des tests et préparer une proposition de correction. Cette capacité dépasse l’autocomplétion d’un copilote. Pour autant, mesurer leur productivité est difficile.

Une expérience contrôlée publiée par METR en 2025 a demandé à 16 développeurs expérimentés de réaliser 246 tâches sur des projets libres qu’ils connaissaient bien. Avec les outils disponibles au début de 2025, les participants ont mis en moyenne 19 % de temps supplémentaire, alors qu’ils pensaient avoir été plus rapides.

METR a ensuite mené une expérience auprès de 57 développeurs travaillant sur 143 dépôts et plus de 800 tâches. L’organisme a conclu en février 2026 que les résultats étaient trop affectés par la sélection des participants et des tâches pour produire une estimation fiable du gain de temps.

Une démonstration spectaculaire ne garantit donc pas un gain mesurable dans un environnement de production. Le temps gagné sur la génération du code peut être partiellement absorbé par la vérification, la compréhension ou la correction.

Six cas qui montrent différents niveaux de maturité

Dow et Microsoft : contrôle de factures de transport. Le pilote a conduit à une projection d’économies de plusieurs millions de dollars après extension mondiale, mais il ne s’agit pas encore d’un résultat annuel vérifié.

Bank of Queensland : dans une étude contrôlée, 14 utilisateurs assistés par Copilot ont réalisé une analyse de risque 51,8 % plus rapidement que les 21 participants du groupe témoin. L’échantillon est petit et l’outil était un copilote, pas un agent autonome.

Centre d’assistance étudié par le NBER : un assistant génératif a amélioré la productivité moyenne de 14 %, avec un effet plus fort pour les employés débutants. Ce résultat précède la vague agentique actuelle.

Salesforce : l’entreprise avait signé plus de 1 000 contrats Agentforce payants fin 2024. Les données publiques sur le rendement moyen des clients restaient toutefois limitées.

PwC : le cabinet a annoncé plus de 120 agents couvrant 24 flux de travail avec Google Cloud. Il s’agit d’un nombre d’agents disponibles, pas d’une mesure indépendante de productivité.

METR : une expérience de début 2025 a observé un ralentissement de 19 % chez des développeurs expérimentés ; l’étude suivante n’a pas produit de résultat concluant.

Quels gains de productivité peut-on réellement attendre ?

La productivité peut signifier moins de temps nécessaire, davantage de dossiers traités, une diminution des erreurs, une amélioration de la qualité, une réduction du coût ou une hausse des ventes. Ces dimensions ne sont pas équivalentes.

Un agent peut accélérer un processus tout en créant davantage d’erreurs. Il peut réduire le travail manuel sans diminuer les dépenses si l’entreprise doit ajouter des contrôles, des licences et des infrastructures.

L’expérience de Bank of Queensland est intéressante, mais son échantillon est réduit et l’outil assistait les employés sans exécuter de manière autonome l’ensemble du processus. Les gains les mieux documentés concernent encore souvent des assistants qui augmentent les capacités humaines.

Pourquoi les gains peuvent prendre du temps

Une technologie n’améliore pas automatiquement la productivité dès son installation. L’entreprise doit souvent réorganiser le travail autour d’elle. Un agent connecté à des données incomplètes reproduira les incohérences de ces données. Un agent intégré à un processus mal conçu peut simplement automatiser plus rapidement une mauvaise méthode.

Les obstacles comprennent les systèmes anciens difficiles à connecter, les responsabilités mal définies, la formation, la qualité des données, les validations, le coût des modèles, la résistance des employés et la difficulté à mesurer le résultat.

La productivité apparaît donc lorsque l’entreprise redessine le processus, et non lorsqu’elle ajoute simplement un agent au-dessus des logiciels existants.

Le risque des agents qui agissent

Une mauvaise réponse produite par un chatbot peut induire un employé en erreur. Un agent disposant de permissions peut envoyer un message incorrect, modifier une donnée, lancer une commande ou divulguer une information. L’autonomie transforme ainsi un risque de contenu en risque opérationnel.

Les agents peuvent être exposés aux hallucinations, aux instructions malveillantes dissimulées dans un document, au vol d’identifiants, à des permissions trop larges, à la divulgation de données confidentielles ou à une mauvaise coordination entre plusieurs agents.

Le rapport 2026 de Stanford souligne les progrès rapides et les limites persistantes. Sur OSWorld, un test de tâches effectuées sur ordinateur, les performances sont passées d’environ 12 % à près de 66 %, ce qui signifie que les agents échouaient encore approximativement une fois sur trois dans ce cadre structuré.

La gouvernance devient critique

Chaque agent devrait disposer d’une identité identifiable, de permissions minimales et d’un périmètre d’action précis. Ses opérations doivent être journalisées afin de permettre une reconstitution après une erreur.

Les mécanismes essentiels comprennent l’authentification, le principe du moindre privilège, la séparation entre préparation et approbation, la limitation des actions sensibles, une validation humaine, la conservation de journaux d’audit et la possibilité d’interrompre rapidement le système.

Le cadre de gestion des risques du NIST organise cette démarche autour de quatre fonctions : gouverner, cartographier, mesurer et gérer les risques. Il ne constitue pas une certification automatique, mais offre une méthode utile pour intégrer fiabilité et responsabilité au cycle de vie du système.

L’IA agentique va-t-elle supprimer des emplois ?

Il faut distinguer une tâche d’un métier. Un poste rassemble généralement plusieurs activités : analyser, communiquer, négocier, résoudre des exceptions, prendre une responsabilité juridique et maintenir une relation humaine.

L’effet dépendra de la manière dont les entreprises utilisent les économies réalisées. Elles peuvent réduire certains besoins, augmenter le volume traité ou réaffecter les employés vers des fonctions plus complexes. De nouveaux rôles apparaissent aussi autour de l’intégration, de la supervision, de l’évaluation et de la sécurité des agents.

Les tâches administratives répétitives sont les plus exposées. Les métiers soumis à une forte responsabilité, à de nombreuses exceptions ou à une relation de confiance devraient conserver une intervention humaine plus importante.

Qui peut profiter économiquement de cette transformation ?

Plusieurs couches de l’économie technologique peuvent bénéficier de l’essor des agents : fournisseurs de modèles, groupes de cloud, éditeurs de logiciels d’entreprise, spécialistes de la cybersécurité et de l’identité, fabricants de semi-conducteurs et intégrateurs.

Microsoft, Google, Amazon, Salesforce, ServiceNow, SAP, Oracle, IBM et Nvidia occupent différentes positions dans cette chaîne de valeur. Mais l’existence d’un marché en croissance ne garantit pas que chaque fournisseur rentabilisera ses investissements.

La valeur devra être observée dans les revenus réellement liés aux produits agentiques, les renouvellements, les marges et les économies mesurées chez les clients. Il ne s’agit pas d’une recommandation d’achat ou de vente.

Les indicateurs à surveiller

Pour savoir si l’IA agentique passe de la promesse à la réalité, il faut suivre les déploiements réellement utilisés en production, la proportion de tâches achevées sans reprise, le temps net gagné vérification comprise, le taux d’erreur et la fréquence des interventions humaines.

Le coût par tâche, la satisfaction des employés et clients, le renouvellement des contrats, les économies constatées, les incidents de sécurité et le retour sur investissement après intégration sont plus significatifs que le nombre d’agents créés.

Un agent actif n’est pas nécessairement un agent utile. La mesure pertinente n’est pas le nombre de conversations, mais la valeur produite avec un niveau de risque acceptable.

À retenir

L’IA générative a commencé par produire du contenu. L’IA agentique cherche maintenant à exécuter des processus. Ce changement est potentiellement plus profond parce qu’il touche directement l’organisation du travail, les responsabilités et les systèmes opérationnels.

Les données les plus solides montrent que l’assistance par IA peut améliorer certaines tâches, notamment pour les employés moins expérimentés. Les résultats concernant les agents autonomes restent plus fragmentés : quelques déploiements réels, de nombreux pilotes, des projections commerciales et encore peu d’évaluations indépendantes.

La réussite de l’IA agentique dépendra donc autant de la qualité des données, de l’intégration, de la cybersécurité et de la gouvernance que des performances des modèles eux-mêmes.

La question décisive n’est pas de savoir combien d’agents une entreprise peut créer. Elle est de savoir quels processus elle peut leur confier, avec quelles permissions, quels contrôles et quels résultats économiques mesurables. Cet article est publié à titre informatif et éducatif.