Dernièrement, on assiste à une explosion des agents IA :
- dans les annonces produits des grandes plateformes (OpenAI, Anthropic, Langchain, etc.)
- dans les écosystèmes no-code comme Make, n8n ou Zapier
C’est la grosse tendance de 2025. Et cela signifie aussi l'ajout d'une couche d'intelligence dans les automatisations.
C’est le sujet de cette section, derrière cette effervescence, quels sont les agents en production ? Où en est-on vraiment ? Quels sont les impacts pour nous ?
Du déterministe au probabiliste
Là où l'automatisation se limitait avant à des scénarios rigides et linéaires, on entre dans une ère plus souple, plus adaptative. Les outils deviennent capables de prendre des décisions en contexte, de gérer des exceptions, voire de piloter des processus entiers de manière autonome.
👉 Make vient par exemple d’ajouter sa nouvelle fonctionnalité d’agents IA dans les scénarios. Pour l’instant, c’est un peu tôt (v1), mais cela annonce un vrai changement de paradigme : fini les logiques 100% déterministes, place à une automatisation plus intelligente, contextuelle, capable de s’adapter aux aléas du réel.
Voici un aperçu dans cette vidéo :
Concrètement, c’est moins de maintenance avec des agents adaptatifs, une meilleure coordination entre modules et scénarios et des décisions contextuelles optimisées.
La réalité du marché aujourd'hui
Malgré l’effervescence autour des agents IA, la réalité terrain est tout autre : très peu d’agents sont réellement en production dans les entreprises.
Parce qu’un agent IA n’est pas un simple module à brancher (contrairement à ce que l’on peut voir).
Il faut un process structuré, des flux bien définis, une architecture de données cohérente et des compétences IA en interne. Sans cela, difficile de passer de l’idée à la mise en œuvre concrète. Et la plupart des entreprises ne sont pas à ce stade.
Aujourd’hui, je vois principalement 2 grandes options :
- L’agent clé en main : déployé sur des cas d’usage classiques et récurrents en entreprise : Support client avec Decagon, Sierra, Maven AGILa prospection avec 11x, Artisan, …La gestion de connaissance : Glean, Dust, Unleash, …Juridique avec Harveyetc
→ Ce sont des agents où il reste à faire le dernier kilomètre : la partie implémentation et la logique métier.
À ce propos, Decagon (support) est super intéressant avec le concept de transformer les SOP (Standard Operating Procedure) en AOP (Agent Operating Procedures).
- L’agent IA sur-mesure : beaucoup plus flexible, mais aussi plus complexe. ça nécessite d’impliquer l’équipe technique avec l’équipe métier (ou de passer par de l’externe), avec une logique d’itération et surtout, un plan de maintenance. C’est rarement envisageable pour les petites structures… à moins d’avoir une culture tech forte.
Pour l’instant, la mise en production reste timide, mais la situation va se débloquer à mesure que l’écosystème se structure.
Par exemple, l’accessibilité des outils no-code et l’arrivée de solutions d’orchestration simplifiées vont permettre à beaucoup de TPE de faire leur propre agent IA facilement.
Personnellement, je m’attends à voir émerger beaucoup de micro-agents IA dans des TPE, PME.
Par exemple, n8n permet déjà aujourd’hui d’avoir un squelette d’agents IA en 1 clic
Puis laisser l’agent remplir les variables lors de l’utilisation d’un outil tiers :
Globalement, on délègue à l’agent l’intelligence nécessaire pour faire l’automatisation → il se débrouille pour atteindre l’objectif qu’on lui partage en langage textuel (dans le prompt).
⚠️ Mais attention à ne pas faire de l’IA là où une automatisation classique suffit. On pense encore trop aux agents IA parce que c’est tendance. Dans la majorité des cas, on perd en efficacité, on complexifie la maintenance, et on dilue la valeur réelle.
L’écosystème se structure
L’écosystème des agents IA prend forme… et ça va très vite.
Si vous avez suivi mes dernières newsletters, vous avez découvert les MCP (Model Context Protocol) permettant à un agent de se connecter à des outils tiers :
→ Claude peut interroger Perplexity, mettre à jour Notion, ou déclencher une action dans votre CRM.
Ces protocoles industrialisent les actions possibles des agents IA. (Voir ici)
De l’autre côté, cela continue avec le lancement d’A2A (Agent-to-Agent), un protocole proposé par Google pour permettre aux agents de collaborer entre eux, même s’ils n’ont jamais été conçus pour le faire. C’est une petite révolution.
Avant, chaque agent fonctionnait en silo, sur son propre périmètre. Aujourd’hui, ils peuvent se découvrir, se répartir les tâches, coopérer en temps réel, sans partager de ressources ou de mémoire.
En gros, A2A apporte un cerveau collectif pour les agents IA.
Ça ouvre la voie à des workflows multi-agents, spécialisés par métier ou par outil, des systèmes plus robustes, évolutifs et adaptatifs.
5 bonnes pratiques sur les agents IA
Avant de basculer sur les zones de flous sur l’écosystème des agents IA, je tenais à vous partager 5 bonnes pratiques pour mettre en place un agent IA efficace.
Avant de construire, prends le temps de poser le cadre, les étapes clés, les décisions critiques, les points d’optimisation possibles par l’IA.
Vous pouvez passer par FigJam pour faire cette étape.
Évite les agents fourre-tout. Commencez simple avec un objectif et 1 à 3 outils maximum Puis découpe si besoin avec des sous-agents spécialisés.
Un bon prompt système fait toute la différence avec la mention explicite des outils disponibles, comment les utiliser, les paramètres à respecter, les limites et règles à suivre…
Le RAG (retrieval-augmented generation) est plus rapide et lisible dans bien des cas plutôt qu’un agent IA.
Plus l’agent est libre, plus le debug est flou. En workflow classique, chaque étape est traçable. Avec un agent ? Il faut deviner ce qui a halluciné. Sur certains scénarios, ça peut être problématique, sinon il faut accepter ce paramètre de complexité supplémentaire sur la partie debug.
Les zones de flou : vers une économie agentique ?
Et si dans les prochaines années, la main-d’œuvre d’une entreprise n’était plus humaine ?
C’est un peu ce vers quoi on peut tendre avec les agents IA… Et 2025 est cette année charnière.
Ce changement ne touche pas seulement l’opérationnel : il bouleverse aussi les modèles économiques.
Fini le pricing à l’utilisateur ou au siège SaaS. On parle désormais de valeur créée :
→ coût par tâche résolue, par réponse client, par contenu généré, par action exécutée.
Un aperçu des nouveaux modèles de pricing avec l’arrivée des agents IA :
C’est l’émergence d’une nouvelle main-d’œuvre :
- L’ère traditionnelle (salariés, bureaux, fiches de paie)
- L’ère numérique (freelances, remote, SaaS)
- L’ère agentique (automatisée, non humaine)
Mais cette bascule soulève autant de promesses que de zones de flous
- Que devient un SaaS conçu pour des utilisateurs humains… quand ceux-ci deviennent des agents IA ? → on a parlé de la fin des SaaS ici.
- Comment facturer ou taxer une IA commerciale qui génère 2M€ de chiffre sans SIRET, compte bancaire ni fiche de paie ?
- Qui est responsable si un agent IA plante un système ou prend une mauvaise décision ?
- Peut-on imaginer des négociations A2A (agent-to-agent) entre un commercial IA et un acheteur IA ?
- L’agent IA a-t-il un “droit du travail” si on commence à le traiter comme un travailleur autonome ultra-efficace ?
Aujourd’hui, l’agent IA est un outil.
Demain, c’est un acteur économique à part entière, et personne ne sait vraiment comment l’intégrer au système actuel…
Une infrastructure encore à inventer
Pour que cette main d’oeuvre agentique devienne viable à l’échelle, il manque toute l’infrastructure autour :
➡️ un équivalent de la paie (tracking des tâches, rémunération à la production)
➡️ une identité agent (profil, historique, traçabilité)
➡️ un système de compliance (règlementaire, fiscal, juridique)
➡️ une capacité à définir la propriété intellectuelle produite par des agents
Le changement est déjà là. Mais le cadre, lui, est encore à écrire…
Comme à chaque révolution industrielle, ce n’est pas la technologie qui manque, mais bien les règles pour l’encadrer.
💡 Pour l’instant, on peut déjà se préparer à ce futur en posant les bases : mesurer la valeur créée par un agent, traquer son efficacité réelle, penser en “équipes mixtes” (humains + IA)… et rester curieux face à cette transformation qui ne fait que commencer.
