La différence fondamentale : conversation vs action

En 2026, beaucoup d'entreprises ont déjà un chatbot quelque part, sur l'intranet RH ou dans l'outil de support. La question posée en comité de direction porte sur l'étape suivante : les agents IA, et ce qu'ils changent.

Un chatbot est une interface conversationnelle qui répond à des questions à partir d'un corpus ou d'un modèle de langage. Un agent IA en entreprise reçoit un objectif, le découpe en tâches, appelle les outils du système d'information pour agir, puis rend compte, sous une supervision humaine définie à l'avance.

La différence se voit dans ce que chacun laisse derrière lui. Le chatbot produit du texte, qu'un collaborateur lit puis transforme en action. L'agent produit des effets dans le système d'information : une commande passée, un contrat analysé, une alerte levée, un workflow déclenché. Ce passage de la réponse à l'exécution oblige à revoir la sécurité, la gouvernance, les droits d'accès et jusqu'à la façon de mesurer la valeur.

Dans un communiqué du 25 juin 2025, Gartner prévoit que 33 % des applications logicielles d'entreprise intégreront de l'IA agentique d'ici 2028, contre moins de 1 % en 2024. Le même communiqué annonce que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, à cause de coûts qui dérapent, d'une valeur métier floue ou de contrôles de risque insuffisants. Lus ensemble, les deux chiffres décrivent une adoption large et beaucoup de projets lancés trop vite qui s'arrêteront en route.

Pourquoi le chatbot ne suffit plus

Les limites du chatbot apparaissent dès qu'on lui demande autre chose que de répondre :

  1. L'action reste à l'utilisateur : le chatbot explique la procédure, la personne clique elle-même.
  2. Sa mémoire, quand il en a une, retient surtout le fil des conversations et rarement l'état d'un dossier métier.
  3. Son accès au système d'information se limite en général au corpus qu'on lui a fourni.
  4. Une demande en plusieurs étapes le met vite en difficulté : il bloque ou improvise.
  5. Il ignore quand passer la main à un humain, et à qui.
  6. Son activité laisse peu de traces exploitables : ses réponses s'auditent mal, et personne ne sait quel volume de travail il a déchargé.

Le piège du chatbot rebaptisé agent

Dans le même communiqué de juin 2025, Gartner met en garde contre l'« agent washing » : des éditeurs rebaptisent agents des assistants IA, des outils de RPA ou des chatbots qui n'ont aucune capacité agentique substantielle. Le test, pour un acheteur : que fait l'outil quand personne ne clique, et qui valide quand il hésite ? Si la réponse honnête est « il répond aux questions », c'est un chatbot, quel que soit le nom sur la plaquette.

Ce que fait un agent IA

Un agent assemble les capacités suivantes :

En pratique, ces capacités tournent en boucle. L'agent planifie, exécute une action, lit le résultat, corrige si besoin et recommence, jusqu'à atteindre l'objectif ou rencontrer une règle qui l'oblige à s'arrêter.

Un exemple, à titre d'illustration : une note de frais. Un chatbot rappelle la politique de dépenses et donne le lien du formulaire. Un agent lit le justificatif, vérifie le plafond, rapproche la dépense de la carte d'entreprise, prépare l'écriture comptable et la soumet au manager quand le montant dépasse le seuil de validation.

Les briques d'un agent fiable en entreprise

Un raisonnement encadré par des règles métier

Le modèle de fondation (chez Koneetiv, Claude d'Anthropic) produit les étapes de raisonnement. L'agent d'entreprise encadre ce raisonnement avec des garde-fous métier : zones interdites, montants plafonds, documents sensibles, actions qui exigent une validation. Ces règles vivent hors du prompt, dans du code et une configuration versionnés, donc relisibles et auditables.

Une mémoire auditée et purgeable

La mémoire applicative de l'agent garde trace des interactions passées de façon auditée, purgeable et conforme au RGPD : on sait ce qu'elle a retenu et pour combien de temps, et on peut l'effacer sur demande. Une mémoire qui s'accumule sans règle finit par nourrir l'agent d'un contexte périmé, ce qui pose un problème de conformité autant que de qualité.

Des outils branchés au SI par contrat

API, ERP, CRM, GED, dépôts de code : chaque outil est connecté via un contrat explicite, qui fixe les permissions, le périmètre des données et les volumes d'appel autorisés. Le bon réflexe : donner à l'agent les droits minimaux dont sa tâche a besoin, la lecture d'abord, puis l'écriture action par action.

Une gouvernance par zones de confiance

Avec LOOP™, le protocole de gouvernance de Koneetiv, chaque action possible d'un agent est classée dans une zone de confiance avant la mise en production.

En zone verte, l'agent agit seul et tout est tracé. En zone orange, il propose et un humain désigné valide avant exécution. En zone rouge, il s'arrête, documente et alerte le responsable, qui décide. En zone noire, l'action est bloquée et le RSSI alerté. La classification se fait action par action : un agent finance peut générer un rapport en zone verte et attendre une validation avant de déclencher un paiement.

Une supervision continue

Les décisions, les exceptions et les dérives se suivent en continu, en particulier le taux d'escalade et les changements de comportement après une mise à jour du modèle ou des données. Sans ce suivi, un agent peut se dégrader pendant des semaines avant que quelqu'un s'en aperçoive.

Les fonctions qui passent en premier aux agents

Les premières fonctions à adopter des agents ont un point commun : beaucoup de volume et des décisions répétitives encadrées par des règles écrites. Le service client, la finance, les RH et le juridique correspondent à ce profil :

Ces fonctions ont aussi des règles déjà écrites (politique de dépenses, grille de délégation, clausier), ce qui simplifie la gouvernance : on classe des actions déjà bornées au lieu d'inventer les bornes. Elles font de bons candidats pour un premier déploiement en production.

Comment préparer votre DSI au virage agentique

Mesurer sa maturité avant de choisir

Avant de cartographier les cas d'usage, un point de départ honnête aide à calibrer l'ambition, notamment sur la qualité des données et la capacité de la gouvernance à trancher. Le diagnostic de maturité IA donne en quelques minutes un score sur 100, un radar sur 6 axes et un plan d'action priorisé : de quoi éviter de lancer un agent autonome dans une organisation sans règles d'usage.

Préparer dans le bon ordre

Chaque étape conditionne la suivante :

  1. Cartographier et prioriser les cas d'usage : quelle fonction passe le plus de temps sur des décisions répétitives, avec quelles données et pour quel gain ?
  2. Poser le cadre de gouvernance avant le premier agent : le protocole LOOP™ en fournit un prêt à l'emploi, et tout cadre convient s'il fixe les zones de confiance et nomme les responsables.
  3. Lancer un pilote structuré : un périmètre réduit, des critères de succès fixés à l'avance et une décision explicite de passage à l'échelle ou d'arrêt.

Ce qui change pour les équipes métier

De l'exécutant au superviseur

L'équipe cesse de traiter les dossiers un par un. Elle supervise un flux et arbitre les exceptions, puis affine les règles. Ce rôle demande de la formation et un référentiel de compétences revu : lire une trace de décision, repérer une dérive, reformuler une règle ambiguë. Dans un service comptable, par exemple, on passe moins de temps à saisir et davantage à examiner les écarts que l'agent n'a pas su expliquer.

Des indicateurs d'agent à côté des indicateurs d'activité

Les indicateurs habituels (volume traité, temps moyen) restent utiles, et s'y ajoutent des métriques propres aux agents : taux d'autonomie, taux d'escalade, qualité des décisions contrôlée par échantillonnage, délai de validation humaine. Le management apprend à lire ces courbes, et à s'inquiéter autant d'un taux d'escalade qui s'effondre que d'un taux qui grimpe.

Raisonner en processus de bout en bout

Un agent déplace les points de friction. Résoudre le goulot du niveau 1 crée un afflux au niveau 2, qui reçoit d'un coup les cas difficiles sans le tri qu'il faisait avant. L'équipe doit raisonner sur le processus complet et redimensionner les étapes en aval avant d'accélérer l'amont.

Ce qui change pour la DSI

Côté DSI, le virage agentique impose de nouveaux réflexes :

Les erreurs classiques de transition

Les organisations qui ratent le virage agentique commettent souvent les mêmes erreurs :

  1. Confondre agent et LLM brut : brancher un modèle sans outils, sans mémoire et sans garde-fous, puis s'étonner qu'il n'agisse sur rien.
  2. Oublier la gouvernance : déployer un agent sans classer ses actions par niveau de risque ni définir les escalades.
  3. Sous-estimer l'intégration : un agent sans accès au SI ne produit rien d'utile, et cet accès se négocie avec la sécurité bien avant la démonstration.
  4. Sur-promettre en interne : annoncer l'autonomie complète alors que les règles de validation restent à écrire.
  5. Négliger l'accompagnement : déployer sans former les équipes métier qui devront superviser l'agent.

La plus coûteuse est souvent la deuxième. Un agent qui a tourné des mois sans zones de confiance se reclasse difficilement après coup, parce que les métiers se sont habitués à son autonomie et vivent chaque nouvelle validation comme un recul.

Ce qu'il faut savoir avant de démarrer

Avant de lancer un premier agent, le sponsor et les métriques de succès doivent être fixés par écrit.

Un cas d'usage et un sponsor nommé

Le cas d'usage doit être volumineux, répétitif et encadré par des règles. Le sponsor doit être un dirigeant nommé, avec un budget et un mandat, prêt à arbitrer quand l'agent bouscule une habitude de travail.

Des métriques de succès fixées à l'avance

Taux d'autonomie, taux d'escalade, satisfaction des utilisateurs et retour sur investissement attendu se définissent eux aussi avant le lancement, avec leur valeur de départ : sans ce point de référence, aucun comité ne pourra trancher la question du passage à l'échelle.

Les questions qui reviennent en COMEX

Quand un comité de direction aborde l'IA agentique, les mêmes questions reviennent d'une réunion à l'autre.

« Qui est responsable si l'agent fait une erreur ? »

L'entreprise qui déploie l'agent en répond, avec un responsable nommé au registre pour chaque agent. En interne, le sponsor porte la décision et la DSI l'outil ; le Chief AI Officer, s'il existe, tient le cadre d'ensemble. La qualification juridique d'un incident revient aux conseils juridiques de l'entreprise.

« Combien de temps avant de voir des résultats ? »

La réponse dépend du périmètre et de l'accès aux données, mais aussi de la vitesse à laquelle le comité tranche. Pour raccourcir l'attente, mieux vaut choisir un premier cas d'usage dont le gain se mesure sans débat (volume traité, délai de réponse) et fixer sa valeur de départ avant le lancement. Le calendrier, lui, se fixe à la fin du cadrage, une fois le périmètre arrêté.

« Et si le modèle change demain ? »

Une bonne architecture d'agent découple le modèle de fondation de la logique métier. Les règles, les connecteurs et les jeux de test vivent à part : une nouvelle version de modèle se qualifie alors comme une mise à jour logicielle, avec ses tests de non-régression.

« Nos données sont-elles protégées ? »

Avec Claude, les contenus client ne servent pas à l'entraînement par défaut. La rétention dépend du mode de déploiement et du modèle : depuis juin 2026, les modèles qu'Anthropic classe « Covered Models » imposent par défaut au moins 30 jours de rétention. La conformité RGPD se joue dans l'architecture de déploiement, à cadrer dès la conception avec le DPO. Une classification interne tient les données sensibles hors de portée des agents.

« Faut-il recruter un Chief AI Officer ? »

Pas forcément au départ. Un Chief AI Officer externalisé, comme le propose Claude Cockpit, permet de démarrer sans recrutement, gouvernance LOOP™ comprise. L'internalisation devient pertinente quand le portefeuille d'agents en production réclame un pilotage à plein temps.

Les cas d'usage faciles à cadrer

Certains cas d'usage se cadrent plus facilement que d'autres, parce que les règles sont écrites et que le gain se mesure sans discussion :

Ces cas se classent aussi facilement dans les zones de confiance : le tri de tickets de premier niveau ou le rapprochement bancaire relèvent souvent de la zone verte, alors qu'un paiement fournisseur au-dessus du seuil passe en zone orange. La rubrique agents IA en production du blog rassemble d'autres exemples par fonction.

Les étapes d'une transformation agentique

Le passage d'une étape à la suivante se décide sur des résultats mesurés.

Cadrage et premier agent

Audit des cas d'usage et mise en place de la gouvernance LOOP™, puis un premier agent sur un périmètre réduit pour prouver la faisabilité et poser un référentiel interne : règles, connecteurs, tableau de bord, registre.

Extension à une fonction complète

Généralisation à une fonction entière, par exemple toute la finance ou tout le support client, avec un tableau de bord de suivi et des équipes métier formées à la supervision.

Portefeuille et industrialisation

Lancement dans d'autres fonctions et mutualisation des briques techniques. C'est à ce stade qu'une plateforme d'agents partagée prend du sens, et que l'industrialisation (exploitation, montée de version des modèles) devient un chantier à part entière.

Le passage du chatbot à l'agent se joue autant en comité de direction qu'à la DSI, parce qu'il redistribue la responsabilité des décisions. Pour situer votre cas, parlez-en avec l'équipe Koneetiv, partenaire officiel Anthropic en France.