À retenir
- Si vous ne pouvez pas nommer l'indicateur métier qu'il fait bouger, ne construisez pas l'agent.
- Un agent étroit à fort taux d'achèvement surpasse un assistant général à faible fiabilité.
- Concevez d'abord les chemins défavorables — savoir quand ne pas agir est une fonctionnalité.
- L'ancrage dans vos données réelles compte plus que la taille brute du modèle.
- Déployez en mode fantôme, mesurez honnêtement, puis étendez.
Le piège de la démo
Tout le monde a vu la démo impressionnante : un agent IA réserve une réunion, rédige un e-mail, répond parfaitement à une question. Puis il est mis en production, rencontre le désordre des données réelles, des utilisateurs réels et des cas limites réels, et meurt discrètement. Nous avons examiné des dizaines de ces projets, et le schéma est toujours le même. L'agent a été conçu pour paraître intelligent dans une pièce contrôlée, et non pour produire des résultats dans une pièce chaotique.
Chez Evocative, notre point de départ est délibérément peu glamour. Avant d'écrire un seul prompt ou de choisir un modèle, nous posons une question : quelle chose mesurable change dans l'entreprise si cela fonctionne ? Moins de tickets de support escaladés ? Un cycle devis-encaissement plus court ? Davantage de leads qualifiés parvenant aux commerciaux ? Si nous ne pouvons pas nommer l'indicateur, nous ne construisons pas l'agent.
Restreindre le périmètre, puis aller en profondeur
La plus grande erreur que nous observons est l'ambition sans limites. Un agent unique censé « gérer le service client » échouera, car le service client regroupe une centaine de métiers différents sous une seule étiquette. À la place, nous isolons une tâche étroite et répétable avec une définition claire de ce qui constitue un succès.
- Volume élevé, répétition élevée — la tâche se produit assez souvent pour avoir de l'importance.
- Tolérante à un recours humain — lorsque l'agent est incertain, l'escalade est peu coûteuse et sûre.
- Ancrée dans des données accessibles — l'information nécessaire existe déjà dans un système que nous pouvons atteindre.
Un agent étroit qui traite 70 % des demandes de remboursement de bout en bout surpasse un « assistant général » qui gère tout avec 40 % de fiabilité. La valeur métier réside dans les taux d'achèvement, pas dans l'ampleur de l'ambition.
Concevoir pour l'échec, pas seulement pour le succès
Un agent en production passe l'essentiel de sa vie à gérer l'inattendu. Nous concevons donc d'abord les chemins défavorables. Que se passe-t-il lorsque les données sont manquantes ? Lorsque l'utilisateur demande quelque chose hors périmètre ? Lorsque le modèle hallucine une politique qui n'existe pas ?
Nos agents sont construits avec des garde-fous et des sorties explicites : des seuils de confiance qui déclenchent un relais humain, des appels d'outils structurés plutôt qu'un raisonnement en roue libre là où la précision n'est pas négociable, et une journalisation qui capture chaque décision. Un agent qui sait quand ne pas agir a bien plus de valeur qu'un agent qui a toujours une réponse.
Ancrer l'agent dans votre réalité
Les modèles génériques connaissent Internet ; ils ne connaissent pas vos règles de tarification, votre ton de voix, ni votre politique de remboursement de mardi dernier. La différence entre un jouet et un outil, c'est l'ancrage. Nous connectons les agents à des sources vivantes et faisant autorité — votre CRM, votre base de connaissances, votre système de commandes — et les contraignons à ne raisonner que sur ce qui est vrai pour votre entreprise.
C'est aussi là que la récupération d'information et l'usage d'outils comptent davantage que la taille du modèle. Un agent plus petit, bien ancré et bien instrumenté surpasse systématiquement un modèle de pointe raccordé à rien. L'intelligence qui compte est contextuelle, pas brute.
Déployer petit, mesurer, étendre
Nous ne lançons jamais un agent sur 100 % du trafic dès le premier jour. Nous le faisons tourner d'abord en mode fantôme, comparant ses décisions à celles des humains sans agir. Puis nous le déployons sur une fine tranche de cas réels, surveillons l'indicateur défini au départ, et élargissons l'ouverture seulement lorsque les chiffres tiennent.
Cette discipline fait deux choses. Elle protège l'entreprise des échecs silencieux, et elle construit l'unique actif qui fait tenir les projets IA : la confiance. Les équipes adoptent ce qu'elles peuvent vérifier. Un agent dont l'impact est visible sur un tableau de bord gagne sa place ; une boîte noire est désactivée dès la première fois qu'elle met quelqu'un dans l'embarras.
La vérité inconfortable
La majeure partie du travail dans un excellent agent IA n'est pas de l'IA. C'est de la plomberie de données, de la clarté de processus, de la cartographie des cas limites et de la conduite du changement. Le modèle représente peut-être 20 % de l'effort. C'est précisément pourquoi les démos sont faciles et la valeur est difficile — la démo saute les 80 %.
Lorsqu'un agent livre une vraie valeur, c'est rarement parce que le modèle sous-jacent était extraordinaire. C'est parce que quelqu'un a fait le travail peu excitant consistant à cadrer étroitement, ancrer profondément, échouer avec élégance et mesurer honnêtement. C'est ça, le métier. Tout le reste n'est qu'un diaporama.
Si vous avez une idée d'IA qui fait une démo magnifique mais n'a pas encore fait ses preuves, nous serions ravis d'en discuter et de déterminer où se situent réellement la vraie valeur — et le vrai travail.
