Qu’est-ce qu’un cas d’usage d’agent IA en production ?
Un agent IA se démontre en quelques jours devant un comité. Il se met en production en quelques trimestres, et souvent jamais : S&P Global relevait en 2025 que 46 % des prototypes d’IA étaient abandonnés avant d’atteindre la production. Dans les grands comptes du CAC 40 et du SBF 120, le tri se joue tôt, au moment du choix du cas d’usage, bien avant les questions d’architecture.
Un cas d’usage d’agent IA en production désigne une tâche métier récurrente qu’un agent exécute sur le système d’information réel, avec un propriétaire métier nommé, des points de validation humaine explicites et une trace consultable de chaque action. Tant qu’une de ces conditions manque, le déploiement reste un pilote, quel que soit le volume traité.
La frontière relève de l’organisation. Elle décide qui signe, qui prend l’appel quand l’agent se trompe un vendredi soir, et sur quelle ligne budgétaire il vit l’année suivante. Un pilote se finance sur un budget d’innovation. Un agent en production se finance sur le budget de la fonction métier qu’il sert, et c’est ce transfert qui bloque la plupart des projets.
Quels cas d’usage d’agents IA passent réellement en production ?
Ceux qui partagent une même forme : une tâche répétitive à volume connu, une sortie qu’un humain vérifie plus vite qu’il ne la produirait, et des données déjà accessibles sans nouveau chantier d’intégration. Six familles reviennent dans les grandes entreprises françaises.
- Traitement documentaire à volume : contrats, factures fournisseurs, dossiers d’adhésion, pièces de sinistre. L’agent lit, extrait, contrôle la cohérence et prépare la décision.
- Support interne et service client de premier niveau : qualification de la demande, recherche dans les procédures, rédaction de la réponse, escalade dès que le cas sort du cadre prévu.
- Recherche et synthèse sur corpus internes : juridique, conformité, qualité, R&D. L’agent retrouve les pièces pertinentes et rend une note sourcée que l’expert relit.
- Assistance au développement et à la maintenance applicative : lecture de code ancien, tests, documentation, préparation de correctifs sur des applications que plus personne ne connaît de mémoire.
- Préparation de dossiers et de comités : achats, risque, crédit, revue de portefeuille. L’agent rassemble les éléments et met en évidence les écarts, l’humain décide.
- Contrôle et rapprochement : conformité réglementaire, qualité des données de référence, écarts entre deux systèmes qui devraient dire la même chose.
Dans le retail, un agent peut par exemple préparer les réponses aux réclamations de livraison à partir du suivi transporteur et de l’historique client, puis laisser un conseiller valider avant envoi. L’exemple porte sur la forme de la tâche : c’est la structure du travail qui rend le déploiement possible, et on la retrouve en banque, en industrie ou dans le service public.
Ces six familles se recoupent avec ce que nous observons sur les agents IA en entreprise. Elles ont toutes en commun d’être techniquement modestes et franchement ennuyeuses, et c’est précisément ce qui les rend industrialisables.
Certaines demandent une nuance. L’assistance au développement monte vite en charge, mais elle exige une discipline de revue, faute de quoi l’agent ajoute discrètement du travail en aval. Le rapprochement paraît trivial jusqu’au moment où l’on découvre que les deux systèmes divergent par construction : l’agent a alors mis au jour un désaccord d’organisation.
Qu’est-ce qui distingue un cas d’usage qui passe d’un cas d’usage qui cale ?
Le tri tient à cinq critères, tous vérifiables avant la première ligne de code.
La répétition se mesure. Si personne ne sait combien de fois par mois la tâche est réalisée, ni par combien de personnes, l’agent reposera sur des anecdotes. Or le comité d’investissement demandera un dénominateur.
La sortie se vérifie plus vite qu’elle ne se produit. Une note de synthèse pourrait se relire en quelques minutes là où sa rédaction en demanderait bien davantage. Un plan de trésorerie généré par un agent échoue au test : le vérifier revient à le refaire. Les cas d’usage où le contrôle coûte aussi cher que la production ne franchissent pas la mise en service.
L’accès aux données est déjà tranché. Un agent qui a besoin d’un référentiel dont la propriété n’est pas arbitrée déclenche un projet de gouvernance de la donnée avant de déclencher un projet d’IA. Ce projet dure plus longtemps que la fenêtre d’attention du sponsor.
Le coût d’une erreur est borné et réversible. Une proposition mal rédigée se corrige. Un virement lancé, beaucoup moins. Les premiers agents en production travaillent presque toujours en amont d’un geste irréversible.
Un propriétaire métier est nommé. Le nom d’une personne, au niveau où les cas limites se tranchent. Elle valide les règles d’escalade et rend compte du résultat. C’est le critère qui manque le plus souvent, et il ne se rattrape pas après coup : au moment de passer en production, on découvre que le cas d’usage appartenait à l’équipe innovation, donc à personne.
Pourquoi les cas d’usage les plus spectaculaires ne passent-ils pas ?
Parce qu’ils ont été choisis pour convaincre un comité. L’agent qui négocie et décide seul à la place d’une expertise entière fait une excellente démonstration en comité de direction. Il échoue ensuite sur les cinq critères en même temps : volume mal connu, sortie invérifiable, données éparpillées, erreurs coûteuses, personne pour en répondre.
Le MIT chiffrait en 2025 à 95 % la part des pilotes d’IA générative sans effet mesurable sur le compte de résultat. Gartner anticipe l’annulation de plus de 40 % des projets d’IA agentique d’ici 2027. Ces deux chiffres décrivent le même mécanisme : un portefeuille de démonstrations impressionnantes qu’aucune direction métier ne veut reprendre à son budget.
Le contre-pied est inconfortable à présenter, mais il fonctionne. Commencer par la tâche que personne ne revendique en réunion, celle qui occupe plusieurs personnes une partie de leur semaine et dont le résultat se contrôle d’un coup d’œil. Ce cas d’usage passe en production, il produit des chiffres réels, et ces chiffres financent le suivant.
Que faut-il mettre en place avant de passer un agent en production ?
Une supervision qui existe avant l’incident. Deloitte estimait en 2026 que 21 % seulement des organisations déployant des agents disposaient d’un cadre de gouvernance mature. C’est cette absence qui explique la longueur du dernier mètre.
Le socle de départ est court. Des zones de confiance, qui définissent ce que l’agent fait seul, ce qu’il propose à validation et ce qu’il n’a pas le droit de toucher. Une traçabilité exploitable, où chaque action retrouve son déclencheur, son contexte et son validateur. Des règles d’escalade écrites, qui disent quoi faire quand l’agent sort de son périmètre. C’est l’objet de notre méthodologie LOOP™ de gouvernance IA, et c’est aussi ce que demandera l’AI Act à une entreprise qui exploite des systèmes d’IA à responsabilité réelle.
Ces trois éléments se conçoivent pendant le cadrage du cas d’usage. Rétrofitter de la traçabilité sur un agent déjà en production revient à le réécrire.
Écrits pour un agent précis, ces trois éléments tiennent sur une page, avec un nom en face de chacun. C’est suffisant pour démarrer, et cela épargne à l’organisation un programme de gouvernance complet avant le premier agent.
Comment choisir le premier cas d’usage à industrialiser ?
En partant de l’inventaire. Listez les tâches récurrentes de deux ou trois fonctions, gardez celles dont le volume est documenté, écartez celles dont la sortie ne se vérifie pas rapidement, puis regardez lesquelles disposent déjà d’un propriétaire métier disposé à s’engager. Il en reste rarement plus de deux ou trois, et ce sont les bonnes.
Deux habitudes aident à ce stade. Notez le volume avant que la discussion ne bascule sur la technologie : une tâche que personne n’a comptée ne survit pas à un comité d’investissement. Demandez ensuite au futur propriétaire ce qu’il fera le jour où l’agent se trompera. Une réponse floue signale un cas d’usage qui n’est pas prêt, quelle que soit la qualité de la démonstration.
Notre diagnostic de maturité IA couvre ce tri en trois minutes et situe l’organisation sur le référentiel Koneetiv (édition 2026), y compris sur la dimension agentique. Il précède le cadrage et écarte en amont les cas d’usage que l’organisation ne peut pas encore exploiter.