On voit des agents IA partout.
Sur LinkedIn, en conférence, dans les médias : “Construisez votre armée d’agents”, “Automatisez 100 % de votre business”, “Générez plusieurs millions d’euros avec 0 salarié”.
C’est séduisant. Mais sur le terrain, en entreprise, c’est beaucoup plus nuancé. Et même… beaucoup plus décevant. On est loin de la réalité.
Après avoir construit des centaines de workflows et accompagné +50 entreprises avec Tandem, je tenais à vous faire un retour sur les différents niveaux d’optimisation avant d’arriver aux agents IA. Des exemples concrets pour vous permettre de vous projeter sur la bonne solution à choisir en fonction de votre besoin.
Je reviens donc sur les 4 niveaux d’optimisation possibles avec l’IA, avantages et inconvénients pour vous permettre de choisir la bonne solution, une fois que le problème est bien défini.
Sur ces niveaux, on a une progression logique :
1️⃣ Assistant IA (copilot)
2️⃣ Automatisation simple
3️⃣ Workflow avec IA
4️⃣ Agent IA autonome
Spoiler : dans beaucoup de cas, on s’arrête au niveau 2 ou 3. Avec un ROI énorme. Et beaucoup moins de friction.
Le vrai problème : on grille les étapes
Quand on parle des agents IA, on mélange souvent un peu tout : assistants, automatisations, workflows IA, agents autonomes.
La réalité ? Un agent IA, c’est :
- complexe à développer
- risqué à déployer
- coûteux à maintenir
- et beaucoup moins déterministe (souvent ce qu’on cherche quand on automatise quelque chose)
Les entreprises cherchent en priorité du contrôle, du prévisible, du mesurable.
Pas un système probabiliste qui “devrait” prendre la bonne décision 95 % du temps.
Ce qu’on observe avec Tandem, c’est qu’il y a le mythe de l’agent. Avant même d’avoir clarifié le problème, on peut penser à un agent.
“Il y a des tâches répétitives → je veux un agent.”
Mais est-ce que la tâche est vraiment fréquente ? (une tâche qui prend 10 min par semaine n’est pas vraiment pertinente pour un système complexe comme un agent) ? suffisamment structuré pour identifier l’ensemble des étapes pour la réaliser ? mérite-t-elle un système autonome ? ou est-ce qu’un simple assistant suffirait ?
On confond opportunité technologique et besoin réel.
Niveau 1️⃣ : Assistant IA (copilot)
Ce que j’appelle assistant IA, c’est un modèle conversationnel préconfiguré que vous déclenchez quand vous en avez besoin.
Il ne fait rien tout seul. Il n’est pas autonome. Il ne planifie pas.
C’est vous qui l’appelez. C’est vous qui gardez le contrôle.
On est sur une logique très “copilot”. Concrètement, ça peut être :
- un GPT personnalisé sur ChatGPT
- un Assistant via l’API OpenAI
- Microsoft Copilot
- un assistant sur Claude
- un bot interne connecté à Slack ou Teams
L’idée est simple : vous configurez des instructions précises (rôle, ton, format de sortie), éventuellement une base de connaissance, et vous l’utilisez en mode conversationnel.
Un exemple ici pour configurer un GPTs :
On les retrouve alors sur une barre latérale, pour les solliciter ponctuellement quand on en a besoin :
Pas d’automatisation complexe. Pas d’orchestration multi-étapes. Juste un levier de productivité immédiat.
Si on récapitule les avantages et inconvénients :
Pourquoi c’est souvent sous-estimé ?
ça paraît basique, mais en réalité, c’est la couche avec le meilleur time-to-value.
En 30 minutes, vous créez un assistant dédié, avec du contexte sur la tâche, et un gain de temps immédiat, partageable facilement en interne.
Dans quels cas c’est pertinent ?
Un assistant IA copilote est particulièrement adapté quand :
- la tâche est floue ou créative
- vous avez besoin d’itérer
- le résultat doit être validé humainement
- la fréquence est irrégulière
- le risque d’erreur est maîtrisable
On reste dans une logique d’assistance, d’optimisation et pas d’automatisation.
Niveau 2️⃣ : Automatisation simple
L’automatisation simple, c’est le fameux principe : si X se produit → alors Y se déclenche.
Pas d’intelligence. Pas d’analyse complexe. Pas de raisonnement.
On est sur une logique déterministe et séquentielle. Et ça peut être pour :
- Un formulaire rempli → création d’un contact dans le CRM
- Un paiement reçu → envoi automatique d’une facture
- Un email reçu avec un mot-clé précis → ajout dans un dossier spécifique
- Une nouvelle ligne dans un Google Sheet → notification Slack
Au niveau des outils, les plus utilisés sont Zapier, Make, Power Automate.
On définit un déclencheur, des étapes, et un résultat. Pas de surprise, c’est tjrs le même chemin, tjrs la même structure. Seules les variables en entrée changent.
Pas d’IA ici, mais c’est justement la force. On sait exactement ce qu’il va se passer.
On peut aussi être sur des tâches un peu plus avancées mais on rentre vite dans la logique usine à gaz :
Si on récapitule les avantages et inconvénients :
Si la tâche est claire, avec des règles simples, ajouter de l’IA serait presque contre-productif. On reste ici dans une logique d’exécution automatisée, pas d’intelligence.
Niveau 3️⃣ : Workflow avec IA (automatisation + intelligence)
Ici, on garde la structure de l’automatisation simple… mais on ajoute une brique d’IA au milieu.
On n’est pas encore sur un agent autonome. On reste dans un scénario défini à l’avance.
La différence avec l’automatisation simple, c’est de pouvoir traiter des données non structurées.
Exemple concret avec la gestion intelligente des emails entrants :
Un email arrive.
→ L’IA analyse le contenu.
→ Elle catégorise (facturation / support / commercial / spam).
Pour ça, on va contraindre le format de sortie en JSON pour que ce soit manipulable :
→ En fonction de la catégorie, le workflow déclenche l’action adaptée. On ne cherche plus un mot-clé précis. On analyse le sens. Exemple avec plusieurs branches :
L’IA peut halluciner. Mais si on impose un format de sortie strict avec potentiellement des étapes de validation, on apporte un peu plus de déterminisme en rigidifiant le système.
Et c’est là toute la nuance : on utilise une IA probabiliste dans un cadre déterministe.
Si on récapitule les avantages et inconvénients :
C’est souvent le sweet spot parce qu’on garde un déclencheur clair, un chemin maîtrisé, un résultat encadré pour une tâche à plus haute valeur ajoutée. L’IA gère la partie complexe de compréhension, catégorisation, synthèse, reformulation…
Ce niveau 3 est déjà suffisant pour transformer un process et avoir un ROI intéressant en entreprise.
On ne cherche pas encore l’autonomie totale sur 100% de la tâche (il y a toujours des cas particuliers). On cherche l’intelligence encadrée. Et c’est une différence majeure.
Niveau 4️⃣ : Agent IA autonome
Ici, on change complètement de logique, du déterminisme au probabilisme :
L’agent décide quelles actions lancer, quels outils utiliser, dans quel ordre, combien de fois itérer et quand s’arrêter
C’est une différence fondamentale.
Concrètement, on peut prendre l’exemple d’une veille stratégique automatisée :
Toute la partie en blanc a une logique d’itération pour avoir un résultat satisfaisant. C’est l’agent qui fait cette itération avec de la recherche web, des filtres sur les sources pertinentes, approfondir certains sujets ou pas, structurer le rapport.
On ne sait pas exactement combien de recherches il va faire. Ni combien de sous-tâches il va générer.
Au niveau des outils, n8n est une des références dont je parle beaucoup ici, qui utilise LangChain derrière. Make vient de sortir dernièrement une fonctionnalité d’agent.
Si on récapitule les avantages et inconvénients :
Avec un agent, on quitte un monde déterministe. Il y a une probabilité que l’agent fasse le bon choix ou pas. Et c’est là que beaucoup d’entreprises bloquent.
Parce qu’automatiser un process critique avec 95 % de fiabilité… ça veut aussi dire 5 % d’erreurs.
La vraie question devient alors : quel est le coût d’une erreur ? Quel est le gain d’un succès ? Le ratio est-il positif ?
On ne parle plus seulement de technique. On parle d’impact business.
Les agents IA sont puissants, mais ce n’est pas une solution par défaut.
C’est la dernière couche avec un changement de mindset à avoir pour aller chercher un effet de levier plus important. Beaucoup d’entreprises ne sont pas prêtes.
