IA agentique : employé idéal ou bombe à retardement ?

L’IA agentique, c’est quoi ?

Selon IBM, l’IA agentique est “un système d’intelligence artificielle capable d’atteindre un objectif précis avec une supervision limitée”. Elle combine des agents autonomes imitant la prise de décision humaine, une orchestration multi-agents où chaque agent exécute une sous-tâche spécifique, et une adaptabilité contextuelle capable de se réajuster en temps réel.

IA Agentique vs RPA : quelles différences pour les éditeurs de logiciels ?

Contrairement aux outils d’automatisation classiques (RPA, Zapier), l’IA agentique introduit :

• Des agents autonomes : modèles de machine learning imitant la prise de décision humaine
• Une orchestration multi-agents : chaque agent exécute une sous-tâche pour atteindre un objectif global
• Une adaptabilité contextuelle : réajustement en temps réel selon les données métiers

Les LLM au coeur des processus métiers : une révolution risquée ?

Les LLMs présentent des défis fondamentaux :

• Le règne de l’à-peu-près : les modèles reposent sur l’analyse statistique et les probabilités, pas la pertinence
• Hallucinations : un LLM peut fournir des réponses “hors sol” sans en avoir conscience
• Éthique : les sources d’information, post-traitement et algorithmes ne sont pas accessibles, rendant impossible la vérification formelle

Solution à nos problèmes ou nouveaux problèmes sans solution ?

Défis majeurs identifiés

• Qualité : sans supervision humaine constante, les erreurs peuvent faire dérailler l’ensemble du processus
• Garanties : difficile de garantir les SLAs dans un environnement comportant une part d’aléatoire
• Tests et validation : nouvelles méthodes requises pour définir et maintenir les niveaux de qualité
• Maintenance et réplicabilité : les résultats peuvent varier à chaque exécution
• Dépendance : évolution rapide des LLMs crée des risques d’obsolescence des agents
• Coûts et impact environnemental : utilisation intensive de ressources informatiques
• Cyberrisques : agents pouvant être détournés à des fins malveillantes

Comment éviter le scénario HAL 9000 ?

Ces défis ne signifient pas abandonner l’IA agentique, mais adopter des approches rigoureuses. C’est très concrètement ce que nous mettons en place chez Agora sur les plateformes que nous opérons :

Stratégie	Exemple de mise en œuvre
Contrôle continu	Boucles de feedback automatisées (ex : alertes si le score de confiance de l’agent RH descend sous 90%)
Flexibilité	SLAs dynamiques ajustés selon les tâches (99% pour les commandes, 90% pour les suggestions)
Résilience	Benchmarks réguliers et jumeaux numériques simulant les pires scénarios
Sobriété	Requêtes optimisées via des modèles légers pour les tâches simples ; mesure de l’empreinte carbone par agent

La sécurité, la responsabilité juridique et le respect du RGPD ainsi que de l’IA Act restent essentiels.

Quel avenir pour l’IA agentique ?

Les limites intrinsèques des LLMs pourraient restreindre leur utilité réelle. Trois scénarios sont envisageables :

• Scénario optimiste : agents fiables intégrés dans toutes les fonctions
• Scénario pessimiste : abandon massif faute de rentabilité ou incidents majeurs
• Scénario hybride : usage ciblé et régulé

À retenir

• L’IA agentique promet une efficacité considérable mais repose sur des modèles aux comportements imprévisibles : en 2025, un agent laissé sans supervision a suffi à provoquer une coupure de 13 heures chez un grand acteur du cloud, nous détaillons cet incident dans notre article sur le MCP
• Les bénéfices dépendent du choix des cas d’usage, de la qualité de la supervision et des tests
• Les enjeux touchent à la gouvernance, la sécurité et la soutenabilité économique et environnementale
• L’avenir dépendra de l’intégration de fiabilité, transparence et maîtrise des coûts