Si les exemples concrets démontrent que l’IA agentique peut déjà générer des gains significatifs en productivité et en qualité opérationnelle, ces succès doivent être mis en perspective. Les clés de la réussite sont connues – un périmètre bien défini, des données fiables et structurées, ainsi qu’une supervision humaine continue -, mais pas toujours mises en pratique. Retour sur la grande aventure de l’agentique et ce qu’elle cache.
Depuis 2023, l’intelligence artificielle ne se limite plus à répondre ou générer du texte sur demande. Elle passe à l’action : des agents autonomes planifient des réunions, analysent des données financières pour proposer des investissements, ou même pilotent des chaînes logistiques en temps réel. L’IA n’est plus un outil passif, mais un acteur capable d’enchaîner des tâches complexes sans intervention humaine. L’Usine Digitale propose aujourd’hui de faire le point sur ce changement de paradigme qui soulève autant d’enthousiasme que d’interrogations.
Qu’est-ce que l’IA agentique aujourd’hui ?
L’intelligence artificielle en entreprise a connu, en l’espace de quelques années, une évolution rapide, mais souvent mal comprise. Les premiers usages visibles du grand public reposaient sur des chatbots conversationnels, capables de répondre à des questions ou d’exécuter des requêtes simples à partir d’un prompt. Ces systèmes, bien que spectaculaires, restaient fondamentalement réactifs : ils attendaient une instruction humaine et produisaient une réponse, sans capacité réelle à agir dans le monde numérique.
Une seconde étape a ensuite émergé avec les fameux copilotes IA, intégrés directement dans les outils professionnels. Ces systèmes ne se contentent plus de répondre : ils assistent l’utilisateur dans ses tâches quotidiennes, suggèrent des actions, génèrent du contenu ou analysent des données dans un contexte métier précis. Mais là encore, l’initiative reste majoritairement humaine. Le copilote accompagne, optimise, accélère, sans prendre la main sur le processus.
L’IA agentique marque une rupture plus profonde. Elle ne se définit plus uniquement par sa capacité à comprendre ou à générer du langage, mais par sa faculté à poursuivre un objectif, à décomposer une tâche complexe en sous-tâches, puis à agir de manière itérative pour atteindre un résultat, parfois sans intervention humaine directe. Concrètement, “agir” pour une IA signifie être capable de planifier une séquence d’actions, de mobiliser des outils (API, bases de données, logiciels métier), d’évaluer le résultat obtenu, puis d’ajuster sa stratégie si nécessaire. Dans certains cas, plusieurs agents peuvent même coopérer, chacun spécialisé dans une fonction, pour résoudre un problème plus large.
Cette capacité à enchaîner des décisions et des actions dans la durée explique l’engouement actuel pour l’agentique. Dans un contexte professionnel, cela ouvre la voie à des systèmes capables de gérer des processus entiers : traiter un dossier client, analyser un risque financier, coordonner une opération logistique ou orchestrer une chaîne de validation interne. Là où l’IA générative produisait une réponse ponctuelle, l’IA agentique s’inscrit dans le temps long du workflow.
L’autonomie, faux ami associé à l’agentique
Pour autant, le terme d’“autonomie” est souvent largement surinterprété. Dans la majorité des cas observés aujourd’hui en entreprise, les agents évoluent dans des environnements fortement contraints, avec des règles précises, des périmètres d’action limités et des mécanismes de contrôle humain. Ils ne décident pas librement de leurs objectifs : ceux-ci sont définis en amont par les entreprises, et les actions critiques restent supervisées. L’agentique actuelle relève donc moins d’une autonomie absolue que d’une délégation encadrée, où l’IA exécute plus vite et plus efficacement ce qui a été préalablement structuré par l’humain.
C’est précisément cette distinction qui conditionne la valeur réelle de l’IA agentique. Elle n’annonce pas la disparition du pilotage humain, mais une transformation profonde de la manière dont les entreprises conçoivent leurs processus, en confiant à des systèmes plus intelligents la gestion opérationnelle de tâches complexes, répétitives ou à forte intensité décisionnelle, tout en conservant la responsabilité stratégique et éthique.
Un marché en forte croissance
Selon les estimations du marché, le secteur de l’IA agentique pourrait croître de façon explosive d’ici 2030, atteignant des dizaines de milliards de dollars. Certaines prévisions parlent d’une progression de plus de 57% de croissance annuelle composée (CAGR), avec un marché qui pourrait peser plus de 48 milliards de dollars d’ici 2030.
Gartner prévoit que d’ici 2028, 33% des applications logicielles d’entreprise incluront des capacités agentiques, conduisant à ce que près de 15% des décisions quotidiennes au travail soient prises de manière autonome par ces systèmes.
Pourquoi l’IA agentique pousse mécaniquement à la verticalisation des offres
Si l’IA agentique suscite autant d’intérêt chez les entreprises, c’est précisément parce qu’elle promet d’agir au cœur des processus métier. Mais cette promesse a une contrepartie immédiate : une IA capable d’agir ne peut être générique. Plus un système est autonome, plus il doit comprendre finement son environnement, ses règles implicites, ses contraintes réglementaires et ses données spécifiques. C’est cette réalité qui explique pourquoi le marché bascule aujourd’hui vers des offres verticales, pensées pour un secteur, un métier ou une fonction donnée.
Les modèles généralistes ont montré leurs limites dès lors qu’il s’agit de passer à l’exécution. Un agent chargé d’optimiser un parcours patient, de détecter un risque de non-conformité financière ou de gérer un processus RH ne peut se contenter d’une compréhension abstraite du langage. Il doit intégrer des référentiels métiers, des normes juridiques, des logiques opérationnelles parfois très fines, et surtout interagir avec des systèmes existants souvent complexes. Sans cette spécialisation, l’agent devient imprécis, peu fiable, voire dangereux.
C’est précisément ce constat que partagent de nombreux acteurs industriels interrogés par L’Usine Digitale. Que ce soit dans l’immobilier avec Icade (filiale du groupe la Caisse des Dépôts), dans l’agroalimentaire avec Choco, le luxe avec LVMH ou encore les télécoms avec Bouygues Telecom, tous confirment : les projets les plus aboutis ne reposent pas sur des LLM, mais sur des versions spécifiques entraînées, configurées et gouvernées dans un cadre métier strict, avec des données propres à l’entreprise ou au secteur.
Le besoin de ROI rapidement
Cette verticalisation répond également à un impératif économique. Selon différentes études de cabinets de conseil, les entreprises qui obtiennent un retour sur investissement mesurable de leurs projets IA sont majoritairement celles qui ont ciblé des cas d’usage précis, plutôt que des déploiements transversaux trop ambitieux.
Une enquête récente du Capgemini Research Institute, What Matters to Today’s Consumer?, met en lumière un point essentiel : les entreprises qui ont déployé ou étendu des cas d’usage IA dans des fonctions opérationnelles réelles rapportent en moyenne un retour sur investissement (ROI) de 1,7 fois.
Dans ce contexte, les grands acteurs de l’IA comme les éditeurs de logiciels d’entreprise adoptent une stratégie claire : proposer des agents spécialisés, parfois présentés comme des “collègues virtuels”, capables de prendre en charge un périmètre fonctionnel bien délimité. Ces agents – signés Anthropic, Amazon, Google, Microsoft, OpenAI notamment- ne sont pas seulement entraînés sur des données sectorielles, ils sont aussi conçus pour respecter des règles de gouvernance, de traçabilité et de conformité propres à chaque domaine.
La verticalisation répond enfin à une exigence de confiance. Plus une IA est autonome, plus les entreprises ont besoin de comprendre ce qu’elle fait, pourquoi elle le fait et dans quelles limites. Or cette explicabilité est beaucoup plus facile à atteindre dans un cadre métier précis que dans un système généraliste. Un agent dédié à la gestion des litiges clients ou à l’analyse de risques financiers peut être audité, encadré et corrigé selon des critères clairs, là où une IA généraliste agit dans un espace beaucoup plus flou. En clair, sans spécialisation métier, l’autonomie reste théorique. Avec elle, l’IA peut apporter une véritable valeur ajoutée, à condition, toutefois, que les promesses se traduisent réellement dans les usages.
Applications concrètes de l’IA agentique : entre valeur ajoutée réelle et limites opérationnelles
L’un des moyens les plus parlants de mesurer la maturité de l’IA agentique consiste à observer comment elle est déjà utilisée dans les entreprises, et ce qu’elle apporte – ou pas – à la pratique quotidienne. Contrairement aux promesses génériques des discours marketing, ses premiers usages tangibles se structurent autour de processus à forte répétition, contraints par des règles.
Dans le service client, par exemple, de grands opérateurs télécom ou des enseignes du tourisme ont mis en place des solutions agentiques qui ne se contentent plus de répondre à une question, mais accomplissent une séquence d’actions. Chez Orange, son système ClariFibre analyse automatiquement les échecs de raccordement à la fibre en croisant des données issues d’une vingtaine de sources, diagnostique les causes possibles, déclenche des notifications ou des actions correctives et met à jour les dossiers sans intervention humaine pour les cas standards. Grâce à cet usage, les équipes techniques ont réduit le temps de traitement des tickets de 75%, et l’intégration des techniciens s’en trouve accélérée de moitié.
De manière similaire, dans le domaine des loisirs et du tourisme, le Club Med a développé une plateforme intégrant des agents pour automatiser les demandes clients multicanales. Alors que les conseillers humains étaient jusqu’ici sollicités pour toutes les étapes, l’IA est désormais capable de prendre en charge 60% des demandes de bout en bout, ce qui non seulement fluidifie le parcours client mais impacte positivement près de 70% du chiffre d’affaires, tout en réorientant les équipes vers des tâches de supervision et de personnalisation avec davantage de valeur.
Dans les centres de contact et la relation client plus généralement, des études montrent que les agents IA peuvent accomplir les tâches routinières 34% plus rapidement qu’une IA générative classique, avec une précision légèrement supérieure, tandis que 75% des dirigeants anticipent que ces agents exécuteront automatiquement les processus transactionnels d’ici deux ans.
Dans la finance et les assurances, les agents sont utilisés pour automatiser des tâches comme la détection de fraude, l’évaluation des risques ou encore le traitement de demandes réglementaires. Des banques britanniques comme NatWest ou Lloyds, en phase de pilote avec les régulateurs, explorent des agents capables d’accompagner des fonctions financières en temps réel tandis que le London Stock Exchange Group (LSEG) travaille avec Anthropic à mieux adapter les agents au secteur.
Dans les ressources humaines, l’agentique est employée pour automatiser des processus chronophages tels que la présélection de candidatures, la synchronisation de calendriers pour les entretiens, la réponse aux questions fréquentes des collaborateurs ou encore l’onboarding automatisé. Là où auparavant un talent acquisition manager devait passer des heures à trier les CV ou planifier des entretiens, un agent peut désormais orchestrer ces étapes — depuis l’analyse des profils jusqu’à l’envoi de rappels automatisés — libérant du temps pour ce qui est important : l’évaluation qualitative et la décision finale.
L’industrie et les opérations internes ne sont pas en reste. Des agents sont déjà employés pour traiter des tickets de support IT, analyser des logs d’incidents et intervenir automatiquement sur des pannes simples, ou encore pour orchestrer des workflows entre plusieurs départements qui coordonnent des approbations de dépenses, des mises à jour comptables ou des relances fournisseurs. Selon ServiceNow, ses clients – Siemens, Toyota et Unilever pour ne citer qu’eux – se servent de sa plateforme pour automatiser massivement les demandes internes. Avec des agents, ils peuvent résoudre jusqu’à 90% des demandes IT et de support client de manière autonome, avec des délais de résolution quasi divisés par sept par rapport aux processus traditionnels.
La technologie reste dépendante de plusieurs facteurs
Pour autant, la réalité des déploiements actuels tempère ces succès. Si des études de marché indiquent que plus de la moitié des entreprises ont déjà mis en production au moins un agent IA et que près de 96% comptent étendre ces usages, il apparaît aussi que seulement une fraction limitée de projets a dépassé le stade du pilote pour atteindre une production à grande échelle, et souvent uniquement dans des périmètres bien délimités. Cela illustre combien la technologie reste dépendante de contextes métier clairement structurés et de données de bonne qualité : dans des environnements où les systèmes d’information sont fragmentés ou où la gouvernance des données est faible, l’agent peine à produire une valeur robuste.
Dans sa dernière étude, CData le montre bien : la maturité de l’IA dans les entreprises dépend désormais directement de la qualité et de la maturité de leur infrastructure de données. Les organisations les plus avancées en IA sont celles qui disposent de systèmes de données intégrés et bien gouvernés, tandis que 53% des entreprises à faible maturité IA peinent avec des infrastructures fragmentées et difficiles à exploiter. Sans une base de données fiable, standardisée et cohérente, les modèles d’IA produisent des résultats incohérents, limitant ainsi leur efficacité et leur déploiement à grande échelle.
L’IA agentique réellement efficace dans un environnement bien défini
Ainsi, si l’IA agentique démontre déjà des bénéfices réels — réduction du temps de traitement, amélioration de la continuité multicanale, libération d’équipes humaines pour les tâches à valeur ajoutée — elle opère aujourd’hui davantage dans des zones d’efficacité encadrées que dans une autonomie totale. Les exemples que l’on observe concrètement montrent une transformation progressive de la manière de travailler, une réallocation des efforts humains vers ce qui nécessite plus de sensibilité, créativité et jugement, et non une substitution pure et simple.
Cette nuance est essentielle pour comprendre que l’agentique n’est pas une simple extension des chatbots, mais une réorganisation des processus d’entreprise, avec des gains mesurables là où les conditions strictes de réussite sont respectées : un périmètre bien défini, des données fiables et structurées, ainsi qu’une supervision humaine continue.
Dès que ces conditions ne sont pas réunies, l’efficacité de l’agent chute rapidement, et les risques liés à son autonomie deviennent plus visibles. La promesse d’un système capable d’agir seul, de manière totalement autonome, reste donc pour l’instant largement théorique. Entre les projets abandonnés, les défis de sécurité et les infrastructures de données à repenser, l’agentique est pour l’instant une évolution progressive, stratégique et encadrée de l’IA moderne — pas une révolution autonome sans frein.
