À retenir
- Les démos sont optimisées pour les applaudissements ; les systèmes en production doivent survivre au lundi matin.
- Commencez par une mission mesurable, pas par un choix de modèle ou de technologie.
- Les agents délibérément contraints l'emportent sur les agents ambitieux et imprévisibles.
- La plus grande partie de la valeur de l'IA provient de la tuyauterie des données, des garde-fous et de l'intégration — pas de la capacité brute.
- Déployez la plus petite version utile, mesurez-la comme une nouvelle recrue, puis capitalisez.
Le piège de la démo
Chaque semaine, nous observons le même schéma : une démo d'agent IA impeccable qui répond parfaitement à trois questions soigneusement choisies, tout le monde applaudit, le budget est approuvé, et six mois plus tard la chose est discrètement désactivée. Le problème n'a jamais été le modèle. Le problème, c'est qu'une démo est optimisée pour les applaudissements, tandis qu'un système métier doit survivre aux cas limites, aux clients mécontents, aux données désordonnées et à un directeur financier qui demande ce que cela a réellement rapporté.
Chez Evocative, nous construisons des agents IA qui travaillent, pas des agents qui font du théâtre. Cette distinction façonne chaque décision que nous prenons, du cadrage au déploiement.
Commencez par une mission, pas par une technologie
La première question que nous posons n'est jamais « quel modèle ? ». Elle est « quelle mission spécifique et mesurable cet agent remplace-t-il ou accélère-t-il ? » Un agent qui « aide au support client » est une démo. Un agent qui « rédige des premières réponses aux tickets de niveau 1, cite la bonne politique et fait remonter tout ce qui concerne des remboursements supérieurs à 200 € » est un système que l'on peut mesurer, en qui l'on peut avoir confiance et que l'on peut améliorer.
Nous insistons sur une définition du « terminé » qu'un interlocuteur non technique peut lire. Si nous ne pouvons pas exprimer la valeur en une phrase qui compte pour un dirigeant d'entreprise — heures économisées, temps de réponse réduit, conversion améliorée — le projet n'est pas prêt à être construit.
Contraindre l'agent délibérément
De manière contre-intuitive, les agents les plus précieux sont ceux que nous limitons délibérément. Une autonomie sans limites impressionne dans une démo et se comporte de manière imprévisible en production. Nous donnons aux agents :
- Un périmètre étroit et bien défini pour que le comportement reste prévisible et testable.
- Des outils plutôt que des suppositions — de véritables appels d'API, des requêtes en base de données, des sources vérifiées — plutôt que de laisser le modèle improviser des faits.
- Des chemins d'escalade clairs pour que l'agent sache ce qu'il doit rendre à un humain.
- Des garde-fous et une logique de refus ajustés aux risques réels de l'entreprise, et non à une sécurité de façade générique.
Un agent contraint qui gère 70 % des cas de manière fiable vaut mieux qu'un agent ambitieux qui gère 95 % des cas la plupart du temps. La fiabilité renforce la confiance ; l'imprévisibilité la détruit.
Ancrez tout dans la réalité du client
Les modèles génériques connaissent Internet. Ils ne connaissent pas vos tarifs, votre logique de stocks, votre ton de voix ni l'exception avec laquelle votre équipe opérationnelle vit depuis des années. Le vrai travail d'ingénierie est rarement la rédaction de prompts — c'est la récupération de données, la tuyauterie des données et l'intégration.
Nous consacrons un temps disproportionné à la couche ingrate : le nettoyage des bases de connaissances, la structuration du contexte, la connexion de l'agent aux systèmes où réside réellement la vérité. C'est là que les démos coupent les coins et là que les systèmes en production font leurs preuves.
Mesurez-le comme un collègue
Une fois qu'un agent est en service, nous le traitons comme une nouvelle recrue en période d'essai. Nous enregistrons chaque interaction, échantillonnons les réponses, suivons où il échoue et réinjectons ces échecs dans la conception. Les indicateurs clés que nous nous imposons :
- Le taux de réussite des tâches — a-t-il réellement accompli la mission, et pas seulement répondu ?
- Le taux d'intervention humaine — à quelle fréquence une personne doit-elle le corriger ?
- Le délai avant valeur — mesuré par rapport au processus manuel qu'il remplace.
- Le coût par tâche résolue — parce que les factures de tokens sont bien réelles et que les marges comptent.
Un agent sans observabilité est un risque. Si vous ne pouvez pas voir ce qu'il fait, vous ne pouvez pas lui faire confiance, et vous ne pouvez certainement pas l'améliorer.
Déployez petit, puis capitalisez
Nous déployons la plus petite version qui apporte une valeur réelle, nous la mettons entre les mains de véritables utilisateurs, et nous étendons à partir de là. Cela maintient le risque à un faible niveau, instaure une confiance organisationnelle dans l'IA et fait émerger les vrais besoins qu'aucun atelier ne prédit jamais. Une équipe qui a vu un agent lui faire discrètement gagner des heures est bien plus prête pour le suivant.
La vérité inconfortable, c'est que la plus grande partie de la valeur de l'IA provient d'une fiabilité ennuyeuse, pas d'une capacité révolutionnaire. La magie réside dans la tuyauterie, les contraintes et la mesure — les parties que personne ne montre en démo.
En résumé
Les démos impressionnantes coûtent peu. Les systèmes sur lesquels les collègues s'appuient, qui passent les audits et qui apparaissent dans le compte de résultat sont difficiles — et cette difficulté est précisément l'enjeu. Nous construisons pour le lundi matin, pas pour les applaudissements en salle de conseil.
Si vous pesez le pour et le contre d'un agent IA et souhaitez qu'il gagne sa place plutôt que de prendre la poussière, nous serions ravis d'en discuter avec vous et de mettre l'idée à l'épreuve avant qu'une seule ligne de code ne soit écrite.
