Il vaut mieux expérimenter l'IA agentive que de se précipiter sur une tendance

Il est normal de ressentir que votre entreprise accuse du retard face à l’adoption de l’IA agentique. L’engouement est intense et persuasif, mais inutile de précipiter les choses tant que vos besoins d’entreprise pour cette technologie ne sont pas encore définis. Nos récentes recherches, publiées dans le rapport 2025 sur l’état de la stratégie d’application de l’IA, montrent que 37 % des organisations n’ont pas encore de démarche formelle concernant l’IA agentique et seulement 5 % avancent activement dans cette voie.

Adoptez une approche prudente en analysant le battage médiatique avec esprit critique tout en dosant vos investissements durant la phase d’apprentissage et d’expérimentation. Aujourd’hui, le déploiement de l’IA avec agents privilégie nettement les chatbots statiques équipés d’IA qui réalisent des tâches prédéfinies, plutôt que des ensembles dynamiques, complexes et autonomes d’agents collaborant pour atteindre des objectifs et progresser dans le temps.

Voici cinq raisons pour lesquelles vous devriez explorer l’IA agentique plutôt que de suivre simplement la tendance.

La technologie d'IA agentique se transforme encore plus rapidement que nous pouvons développer des solutions. Vous voyez régulièrement arriver de nouvelles capacités, outils et bibliothèques de code. C’est le moment de prototyper pour suivre l’innovation, mais les solutions complètes pour l’entreprise demandent un rythme plus lent dans la pile. Voici quelques exemples précis :

• Vous devez disposer d’une forte capacité de raisonnement pour résoudre les problèmes complexes qui caractérisent un comportement autonome orienté vers des objectifs. Nous utilisons des modèles pour cela, mais leurs capacités de raisonnement ne suffisent pas encore à remplacer l'humain.
• Les agents doivent avoir une meilleure mémoire pour résoudre des problèmes complexes. De nouveaux systèmes de mémoire ont vu le jour, chacun avec un objectif spécifique : mémoire sémantique, mémoire épisodique, mémoire procédurale, pour ne citer que quelques exemples. On observe même des capacités mémorielles émerger directement dans certains modèles.
• Des progrès majeurs en fonctionnalités sont intégrés aux API que vous utilisez pour concevoir des applications. Côté client, les navigateurs évoluent pour simplifier l’exploitation de l’IA. Côté serveur, OpenAI a récemment dévoilé plusieurs mises à jour de son API Responses. Parmi elles, la prise en charge du protocole de contexte de modèle (MCP) et l’ajout de la recherche sur plusieurs bases vectorielles.

De nouvelles normes voient le jour alors que les experts tentent de répondre aux besoins d’interopérabilité du marché. Considérez le protocole MCP proposé par Anthropic et le protocole Agent2Agent (A2A) proposé par Google. L’un traite la communication entre modèles et ressources, l’autre la communication entre agents. Aucun ne couvre l’ensemble des exigences d’interopérabilité pour l’IA agentique. Pour combler ces lacunes, attendez-vous à ce que de nouvelles normes apparaissent dans les prochains mois. Même si MCP et A2A gagnent du soutien auprès des fournisseurs et des clients, il est préférable que ces normes soient mieux formalisées avant que vous ne les adoptiez.

On construit et déploie des agents d’IA. Les premiers indicateurs montrent des résultats positifs, mais ils évaluent les gains commerciaux via l’augmentation du chiffre d’affaires (sans tenir compte des coûts) ou la part des requêtes totales traitées par des bots au lieu d’humains (ce qui prouve que les agents accomplissent certaines tâches, sans pour autant offrir une comparaison complète des coûts). Le coût total de possession pour l’IA agentique requiert :

• Une liste complète des éléments nécessaires, incluant la technologie, la mise à jour ou l’adoption des processus, ainsi que les compétences humaines requises, comme de nouvelles qualifications dans les rôles existants ou la création de nouveaux postes.
• Lignes directrices architecturales et schémas des composants, incluant la topologie et l’interopérabilité avec l’infrastructure et les services en place.
• Nous définissons les critères de réussite en identifiant les indicateurs clés selon leur impact sur l’infrastructure, comme les performances et la capacité en calcul, réseau et stockage.

Pour fonctionner efficacement, les applications intégrant l’IA nécessitent des données fiables et sécurisées. Si vous ne gérez pas correctement les silos, les formats et la normalisation des données, vous aurez du mal à déployer une solution d’IA agentique, car celle-ci amplifie les vulnérabilités liées aux données et à la sécurité de votre entreprise. Il ne suffit pas de déployer plusieurs agents à la vitesse d’une machine sur un réseau. Actuellement, on applique la sécurité aux agents comme s’il s’agissait de personnes ou de dispositifs. Vous autorisez donc ces agents sans mesurer pleinement comment ils exploiteront, modifieront ou supprimeront vos données.

Les applications intégrant l’IA nécessitent une observabilité complète du système. Si vous n’avez pas déjà mis en place une pratique solide d’observabilité du système, vous ne serez pas prêt pour une solution d’IA agentique, qui dépend absolument de cette observabilité pour assurer visibilité, opérations, dépannage et gouvernance.

Prenez en compte ces cinq raisons et misez sur la prudence plutôt que de succomber à l’engouement pour l’IA agentique. Si plus de deux présentent des défis concrets pour votre plan d’adoption, mieux vaut patienter. Dans un marché dont la pile technologique et les standards évoluent encore, où les coûts ne sont pas encore définis, et où les conditions requièrent des capacités robustes de niveau entreprise, comme une gestion complète des données et une observabilité intégrée, adopter l’IA agentique progressivement est une démarche parfaitement raisonnable. La première mise en œuvre d’une solution d’IA agentique ne démontre pas encore la valeur des agents pour votre entreprise. Elle montre que l’infrastructure est prête. Une adoption graduelle vous laisse le temps d’identifier et de renforcer vos points faibles avant d’aller plus loin.

Pour mieux comprendre la préparation à l'IA agentique, découvrez nos dernières analyses dans « Politique dans la charge utile : Préparer les architectures d’agents IA ».