À retenir
- La course au modèle est terminée ; le véritable avantage réside désormais dans l'exécution fiable des agents en production.
- Quatre défis opérationnels dominent : contexte métier, gouvernance, observabilité et coût d'inférence.
- Les systèmes multi-agents surpassent les généralistes uniques en permettant à des agents spécialisés de collaborer et de déléguer.
- Les agents sont en production dans la finance (Robinhood) et le gouvernement (Poppy en Californie), prouvant l'action, et pas seulement le chat.
- Commencez petit, gardez des humains dans la boucle pour les étapes irréversibles, et instrumentez tout dès le premier jour.
Pendant deux ans, la conversation autour de l'IA en entreprise portait sur le modèle le plus grand, le moins cher ou le plus intelligent. Cette course s'achève discrètement. La véritable histoire de 2026 n'est pas le modèle du tout, ce sont les agents construits par-dessus, et la question de savoir si vous pouvez réellement les exécuter en toute sécurité à grande échelle. Le centre de gravité s'est déplacé de l'intelligence brute vers l'exécution fiable, et cela change ce à quoi ressemble un bon projet d'IA.
Pourquoi le modèle a cessé d'être la partie difficile
Les grands fournisseurs cloud, dont Google Cloud, AWS, Microsoft et Databricks, ont tous repositionné leur discours autour d'une seule idée : le modèle est désormais une commodité, mais son exploitation constitue le facteur différenciant. Les problèmes difficiles sont devenus distinctement opérationnels. Quatre d'entre eux reviennent sans cesse :
- Contexte métier : un agent n'est utile que dans la mesure où il a accès à vos données, règles et flux de travail réels.
- Gouvernance : qui est autorisé à agir, sur quoi, et avec quelle piste d'audit.
- Observabilité : savoir ce qu'un agent a fait, pourquoi, et où il a échoué.
- Coût d'inférence : les agents qui appellent des modèles en boucle peuvent silencieusement épuiser le budget.
C'est pourquoi le MLOps, autrefois une préoccupation d'ingénierie de niche, est devenu un sujet de conseil d'administration. Le cloud est reformulé comme le système d'exploitation de l'IA, et les gagnants seront les organisations qui traitent le déploiement d'agents comme une discipline opérationnelle plutôt que comme une démonstration.
Ce qu'est réellement un agent IA
Débarrassé du battage médiatique, un agent est un logiciel capable de suivre des règles, de conserver un contexte, de prendre des décisions en vue d'un objectif, et dans certains cas de s'améliorer au fil du temps. Ce dernier point compte. Un chatbot répond. Un agent agit : il réserve, met à jour, escalade, achète, réconcilie. Le spectre va des simples agents réflexes qui suivent des déclencheurs fixes, en passant par les agents orientés objectif qui planifient, jusqu'aux agents apprenants qui s'adaptent. Savoir où se situe une tâche donnée sur ce spectre est la décision la plus utile avant de construire quoi que ce soit, car elle détermine les garde-fous dont vous avez besoin.
Le passage aux systèmes multi-agents
L'évolution la plus intéressante est que les agents uniques sont de plus en plus organisés en systèmes multi-agents. Au lieu d'un généraliste tentant de tout faire, vous assemblez des spécialistes qui partagent l'information et délèguent, un peu comme une équipe performante. Un agent effectue des recherches, un autre rédige, un troisième valide par rapport aux règles de conformité, un quatrième exécute. Les bénéfices sont réels : la spécialisation améliore la précision, la modularité facilite le débogage des systèmes, et les défaillances peuvent être contenues plutôt que de se propager en cascade. Le coût est la complexité de coordination, qui est précisément là où la gouvernance et l'observabilité portent leurs fruits.
Où c'est déjà en production
Ce ne sont pas des expériences de laboratoire. Robinhood a lancé des agents qui analysent les marchés crypto 24 heures sur 24 et peuvent trader pour le compte d'un utilisateur, un exemple clair d'agents passant de l'analyse à l'action autonome, et un rappel que l'autonomie nécessite des limites strictes. Du côté public, la Californie déploie Poppy, une plateforme d'IA générative construite par et pour ses propres agents publics, avec deux principes de conception dignes d'être copiés : aucune fuite de données et aucun verrouillage sur un fournisseur unique. Les administrations européennes et belges devraient lire cela attentivement, c'est un plan directeur concret pour une IA souveraine et contrôlable plutôt qu'un marché public tape-à-l'œil.
Comment déployer des agents sans regret
D'après notre travail avec nos clients, le schéma qui réussit ressemble moins à un projet lunaire qu'à de l'ingénierie disciplinée :
- Commencez par une tâche délimitée et à forte friction, pas par une vitrine stratégique. Tri de boîte de réception, réconciliation de commandes, support de premier niveau.
- Donnez à l'agent un contexte réel via des sources de données connectées, et rien de plus que ce dont il a besoin.
- Gardez un humain dans la boucle pour les actions irréversibles jusqu'à ce que la confiance soit gagnée grâce aux journaux.
- Instrumentez tout dès le premier jour, un agent que vous ne pouvez pas observer est une responsabilité.
- Surveillez le coût d'inférence par action comme un KPI central, aux côtés de la précision et du temps gagné.
Les organisations qui prennent de l'avance ne sont pas celles qui ont accès au meilleur modèle, tout le monde l'a désormais. Ce sont celles qui ont traité les agents comme une nouvelle couche opérationnelle, avec la même rigueur qu'elles appliqueraient à tout système touchant à l'argent, aux clients ou à la réputation. L'ère du chat a prouvé que l'IA pouvait parler. L'ère des agents porte sur la question de savoir si on peut lui faire confiance pour agir, et cette confiance se conçoit par l'ingénierie, elle ne s'achète pas.
Sources
- Le vrai défi de l’IA en entreprise n’est plus le modèle, mais son exploitation — Actu IA
- Comment les Systèmes Multi-Agents réinventent l’intelligence artificielle — LeBigData
- What is a multi-agent system? A complete guide — Zapier Blog
- Types of AI agents: A comprehensive guide — Zapier Blog
- Ce que Poppy, l'IA générative de la Californie, apprend à l'administration européenne — Actu IA
- Traders, faites une pause ! Robinhood lance des agents IA qui analysent les cryptos 24h/24 — LeBigData
