Comment atteindre la maturité de l’IA agentique : personnes, données et expérience
Déficit de compétences: Les difficultés des organisations ne proviennent pas de la capacité technique, mais de l’implication des bonnes personnes dans la prise de décision.
Implication dans la conception: Associer les bons opérationnels comme membres du cœur d’équipe est essentiel pour une conception efficace des agents.
Problèmes cumulatifs: De petites erreurs de contexte chez les agents d’IA s’accumulent avec le temps, affectant la satisfaction client et la confiance.
Avantage des petites structures: Les petites organisations peuvent mettre en œuvre l’IA agentique plus facilement et avec moins de complexités que les grandes entreprises.
Besoins en infrastructure: La réussite du déploiement de l’IA nécessite plus que la technologie : il faut la capacité organisationnelle et la qualité des données.
Lorsque les organisations s’engagent dans l’IA agentique, elles mettent en avant la technologie. Elles parlent d’agents, de couches d'orchestration, d’architectures multi-modèles.
Ce qu’elles mentionnent rarement : les personnes et ce qu’il se passe lorsque les choses déraillent de manière inattendue.
Le problème n’est pas technique, mais de nombreux dirigeants ne s’en rendent compte que lorsqu’ils sont déjà bien engagés dans le déploiement, alors que les scores de satisfaction client chutent et que les indicateurs de qualité se dégradent.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
L'écart de compétences en IA agentique
Si vous interrogez la plupart des dirigeants à propos de leur préparation à l’IA agentique, ils parleront de leurs ingénieurs IA et de leurs data scientists. Ils détailleront leur infrastructure cloud et leur processus de sélection des modèles.
Ce qui est beaucoup moins analysé, c’est de savoir s’ils ont donné du pouvoir aux personnes qui comprennent réellement comment les agents impacteront l’entreprise.
Voici le véritable écart de compétences. Non pas la capacité technique, mais l’influence organisationnelle.
La vraie question n’est pas « Avons-nous des ingénieurs en IA ? » mais plutôt « Avons-nous les bonnes personnes aux postes décisionnels ? »
Dans la plupart des organisations, la réponse est non.
Seulement 14 % des organisations disposent de solutions agentiques prêtes à être déployées, alors que 30 % explorent des options et 38 % réalisent des pilotes.
Concevoir des agents IA en vase clos
Que se passe-t-il lorsque les équipes techniques conçoivent des agents sans l’avis des personnes qui réalisent le travail ? Elles simplifient à l’extrême.
Un processus qui paraît épuré sur un organigramme cache des couches invisibles de jugement. L’agent de service client qui sait quand assouplir une politique. Le responsable des opérations qui comprend quelles exceptions sont fondamentales. L’analyste qui lit entre les lignes de données incomplètes.
Ces décisions reposent sur l’instinct et l’expérience. Elles ressemblent à une simple logique "si ceci, alors cela" sur un arbre décisionnel.
Mais les personnes occupant ces fonctions saisissent quelque chose que les agents ne peuvent pas facilement reproduire : le contexte.
Elles savent que si une règle est généralement valable, il existe des situations où il faut faire une exception. Des moments où il faut agir différemment.
Francisco Marin, cofondateur de Cognitive Talent Solutions, décrit le défi que son équipe a rencontré lors de la création d’agents RH :
Nous avons observé que certaines capacités agentiques étaient déployées pour les processus RH fondamentaux comme la paie ou la conformité réglementaire. Mais il nous manquait cette génération de cas d’usage qui influencent la people analytics, et surtout ceux alignés avec le cadre du réseau.
Son équipe n’a pas seulement développé des solutions techniques. Elle a conçu des systèmes qui reflétaient la réalité du travail, et non l’apparence sur un organigramme.
Lorsque vous élaborez des agents sans d’abord révéler les connaissances tacites, il ne s’agit pas de défaillances immédiates, mais de problèmes à retardement.
Des problèmes de qualité qui s’accumulent
L’agent prend une décision techniquement correcte mais contextuellement inadaptée. Isolément, ce n’est pas dramatique.
Mais à terme, ces légers déclins de qualité se cumulent.
On ne s’en rend compte qu’à la réception des enquêtes de satisfaction client. Quand vous voyez apparaître une tendance dans les données. Quand le préjudice s’est déjà propagé dans le système.
À ce stade, il ne s’agit plus seulement de réparer un agent. Il s’agit de restaurer la confiance.
95 % des pilotes d’IA générative n’apportent aucun ROI mesurable. La cause principale ne vient pas de modèles défaillants. Mauvaise intégration et priorités mal alignées sabotent ces initiatives.
Traduction : les organisations n’impliquent pas les bonnes personnes lors de la conception.
Qui doit réellement être présent ?
La personne dont on automatise le poste doit être là.
Pas comme consultant, ni comme après-coup, mais au cœur de l’équipe de conception.
Elle doit pouvoir orienter l’agent, partager son vécu, révéler le savoir du « sauf quand » qui n’apparaît jamais dans la documentation.
Dan George, ancien DRH avant de co-fonder Cognitive Talent Solutions, explique les enjeux.
J’ai déjà effectué ce processus manuellement par le passé. Lorsque j’étais ancien DRH, responsable de l’analytique RH dans différentes organisations, j’ai dû établir des listes et les envoyer aux équipes de formation et développement ou à d’autres équipes chargées de l’engagement des talents.
Son expérience dans la création d’agents lui a appris que l’automatisation sans expérience vécue donne des systèmes qui semblent fonctionner mais échouent en pratique.
« Avoir un espace automatisé et sécurisé où un administrateur peut simplement cliquer, cliquer, cliquer, simplifie vraiment le processus et nous sort de la logique d’attribuer systématiquement les mêmes mentors et mentorés que l’on choisit d’habitude par automatisme. »
Mais parvenir à ce résultat a nécessité d’impliquer les personnes qui comprenaient les subtilités de l’appariement de mentorat, et pas seulement les besoins techniques du traitement de données.
Lisa Jones, PDG d’EyeMail, a tiré une leçon similaire lors de la mise en œuvre de l’IA dans toute son organisation. « Nous avons demandé à chaque département : Où ressentez-vous de la friction ou de la répétition ? Où l’IA pourrait-elle vous aider à stimuler la créativité ou la clarté ? Sur quelles tâches aimeriez-vous passer plus de temps si l’IA prenait le reste en charge ? »
Cette démarche a permis de générer des idées allant du marketing aux opérations et a donné à chaque équipe la maîtrise de la manière dont l’IA s’intégrait à leur quotidien.
La meilleure façon de capter l’expérience vécue, c’est l’implication directe. Et cet engagement doit se faire avec deux éléments que la plupart des organisations séparent : le développement des compétences et une rémunération juste.
Vous ne pouvez pas séparer la conception des agents du développement des personnes
La plupart des entreprises traitent ces points comme des initiatives distinctes. La conception des agents se fait au service informatique. Le développement des compétences relève des RH. La rémunération arrive lors des entretiens annuels.
Cette fragmentation tue l’adoption.
Il faut réunir ces éléments pour maintenir des performances élevées. La conception d’agents est une nouvelle compétence. Comprendre comment les agents démultiplient votre productivité et votre impact compte bien plus qu’apprendre à les coder.
En dissociant ces éléments, vous obtenez l’un de ces deux résultats :
- Sabotage de l’IA – Une participation cynique qui sape l’initiative. Les personnes qui savent que le système va échouer veillent silencieusement à ce qu’il échoue.
- Atteinte à la réputation – Il se dit que votre organisation exploite les connaissances sans investir dans les individus. Votre marque employeur est entachée d’un coup dur difficile à effacer.
Jones décrit comment EyeMail a évité ce piège.
Nous n’avons pas lancé de manuels de formation officiels. À la place, nous avons créé les Cercles de Curiosité IA : des sessions hebdomadaires où les membres de l’équipe partageaient leurs trouvailles, testaient des consignes d’IA, et exploraient l’impact émotionnel. Ce n’était pas que des ateliers techniques, c’étaient de véritables laboratoires de narration.
Avec l’IA qui prend en charge les tâches répétitives, l’équipe de Jones s’est concentrée davantage sur le storytelling, l’innovation et l’empathie client.
« La curiosité est devenue une valeur centrale, dit-elle. Les membres de l’équipe se sont sentis plus engagés, plus valorisés, et plus incités à explorer. »
Il faut tout relier pour que chacun voie cela comme un investissement en eux, et non un simple remplacement.
Pourquoi les petites organisations ont l’avantage
Les grandes entreprises ont déjà largement automatisé avec Robotic Process Automation (RPA) et l’IA prédictive. Elles disposent de systèmes complexes, de plusieurs niveaux d’approbation, d’exigences de conformité et de contraintes juridiques.
Ajouter une architecture agentique à cette complexité multiplie exponentiellement les points de défaillance.
Les petites équipes ont un avantage pour déployer l’IA. Moins de processus à gérer, moins de décideurs à aligner, moins de casse-têtes liés à la conformité.
La meilleure architecture agentique n’est pas trop complexe. Plus elle reste légère, moins il y a de risque de dysfonctionnement.
Les agents fonctionnent au mieux lorsqu'ils opèrent avec des limites claires et des dépendances minimales. Lorsqu’ils peuvent prendre des décisions sans devoir naviguer dans des processus d’approbation byzantins. Lorsqu’ils peuvent accéder aux données sans devoir recouper quinze systèmes différents.
Les petites organisations bénéficient de cette simplicité par défaut. Les entreprises doivent l’instaurer de manière intentionnelle.
Près de la moitié des organisations citent la possibilité de rechercher des données (48 %) et la réutilisabilité des données (47 %) comme des défis pour leur stratégie d’automatisation par l’IA. Vos données ne sont pas préparées à être exploitées par des agents qui nécessitent un contexte métier.
La fracture CEO-CISO
Les PDG sont optimistes. 67,1 % pensent que les outils d’IA les aideront à prendre de meilleures décisions en cybersécurité. 60,2 % estiment que leur entreprise est mieux préparée que leurs pairs à répondre aux menaces liées à l’IA.
Les CISO sont plus prudents. Seuls 58,6 % partagent cette confiance. À peine 19,5 % pensent que l’IA renforcera la cybersécurité, contre 29,7 % des PDG.
Cette différence est révélatrice du niveau de préparation organisationnelle.
Les personnes responsables de la sécurité, de la conformité et du risque opérationnel identifient des problèmes que le comité de direction ne voit pas. Elles comprennent que les agents introduisent de nouveaux vecteurs d’attaque. Que les systèmes multi-agents rendent le débogage cauchemardesque et que les modèles de gouvernance n’existent pas encore pour la prise de décision autonome à grande échelle.
Seuls 14 % des CISO se sentent pleinement prêts à intégrer l’IA dans les opérations de cybersécurité. Plus de 50 % citent le manque de soutien des DSI et PDG comme principal défi.
Le fait que votre organisation soit alignée ou non sur les besoins réels du déploiement se manifeste d'abord ici.
Ce que signifie réellement la fracture
Lorsque votre PDG est optimiste et que votre CISO s’inquiète, vous avez un problème stratégique autour de la responsabilité de l’IA.
Le côté business voit une opportunité. Le côté opérationnel voit un risque. Et aucun pont n’a encore été construit entre eux.
Cela se manifeste dans les décisions de déploiement, l’allocation des ressources et la manière dont vous hiérarchisez la rapidité par rapport à la sécurité.
Marin et George ont intégré ce pont dans leur processus de conception des agents. Lorsque je leur ai demandé comment étaient gérés le consentement et la transparence dans leurs agents RH, George a expliqué :
« Nous devons nous assurer que tout ce que nous faisons avec l’IA agentique respecte le bon niveau de consentement et l’utilisation éthique de ces processus automatisés.
Marin a ajouté : « Nous avons eu des discussions continues avec l’équipe sur certaines des nuances pour chaque cas d’utilisation. Pour notre agent de rétention des talents, par exemple, nous avons discuté : est-ce pertinent de fournir ces informations au niveau agrégé, ou bien faut-il le faire au niveau individuel et en informer le manager direct ? »
Dans la plupart des organisations, la construction de ce pont incombera à la direction, sans que ce soit le PDG ni le CISO à la manœuvre. C’est plutôt le partenariat entre le DRH (personnes et processus) et le DSI (qualité et bonnes pratiques des données) qui permettra de trouver un équilibre afin de transformer l’opportunité en succès dans un cadre maîtrisé.
Les organisations qui résorbent rapidement cet écart avancent plus vite. Elles bâtissent des cadres de gouvernance avant d’en avoir besoin. Elles investissent dans l’observabilité et le monitoring, et elles définissent des voies d’escalade claires au cas où les agents prendraient des décisions hors de leur périmètre.
L’infrastructure de l’IA agentique
Les agents ont besoin de plus que des API et des pipelines de données. Ils requièrent une infrastructure que la plupart des organisations ne possèdent pas encore.
Une gestion de l’identité et des autorisations adaptée à plusieurs agents. Des catalogues d’outils qui permettent aux agents de découvrir des fonctionnalités sans intégrer manuellement chaque connexion. Un contrôle des politiques applicable de manière uniforme, peu importe l’agent qui prend la décision.
Et une observabilité qui vous permet de diagnostiquer les incidents lorsque plusieurs agents interagissent de façon inattendue.
Ce n’est pas un problème passager : 65 % des dirigeants mentionnent la complexité des systèmes agentiques comme leur principale barrière depuis deux trimestres consécutifs.
Il est essentiel de se rappeler que l’infrastructure ne se limite pas à la technologie, c’est aussi une question de capacité organisationnelle.
Jones l’a appris en développant des flux de travail agentiques chez EyeMail. Son équipe utilise Miro AI pour visualiser les parcours clients, identifier les points émotionnels et les zones de friction. Leur utilisation de HubSpot AI fournit des insights comportementaux et de la segmentation, ce qui leur permet de personnaliser les parcours d’intégration et les séquences d’accompagnement.
« Nous avons amélioré de 40 % le taux de complétion de l’intégration. Nous avons permis la conception de parcours flexibles et modulaires pour les clients de la pharma, de la tech et de l’automobile. Nous avons livré des cadres narratifs qui rejoignent les clients là où ils se trouvent — émotionnellement et opérationnellement », dit-elle.
Les exigences de qualité des données
Votre client apparaît comme « Acme Corp » dans le CRM, « Acme Corporation » dans les systèmes de messagerie, « ACME Inc. » dans les contrats, et « Acme » dans les transcriptions d’appels.
Sans résolution d’entité, les agents fragmentent leur compréhension à travers de multiples profils incomplets.
73 % des responsables des données en entreprise identifient la « qualité et l’exhaustivité des données » comme le principal obstacle au succès de l’IA. Ce facteur arrive devant la précision des modèles, les coûts informatiques et la pénurie de talents.
On ne contourne pas de mauvaises données grâce à un agent. Il faut d’abord les corriger.
Comment déployer l’IA agentique avec succès
Les organisations qui réussissent à déployer des systèmes agentiques font trois choses différemment.
- Impliquer les personnes qui effectuent le travail dans la conception des agents. Pas comme consultants, mais comme membres essentiels de l’équipe. Elles sont rémunérées équitablement pour cette tâche, qui devient aussi une opportunité de développer leurs compétences.
- Mettre en place la gouvernance avant de passer à l’échelle. Définit des politiques claires sur ce que les agents peuvent et ne peuvent pas faire. Prévient des voies d’escalade pour les cas limites. Assure une observabilité qui détecte les problèmes avant qu’ils ne s’amplifient.
- Garder les systèmes épurés. Résister à la tentation de construire des orchestrations complexes multi-agents avant d’avoir démontré la valeur d’un agent unique. N’ajouter de la complexité que lorsque les approches plus simples échouent.
L’IA comble l’écart entre la vision et l’exécution, affirme Jones. « Ce qui nécessitait auparavant des semaines de recherche, des interventions de consultants et un alignement transversal peut désormais commencer par une invite soigneusement élaborée.
Mais tout dépend de la manière dont on y parvient. Son équipe n’a pas simplement diffusé des manuels de formation formels. Ils ont créé des "Cercles de Curiosité IA", des sessions hebdomadaires où les membres partageaient leurs découvertes, testaient des prompts et exploraient l’impact émotionnel.
« Pour moi, l’organisation du futur est un réseau propulsé par des agents IA, où les agents IA sont déployés pour effectuer ces micro-interventions à grande échelle, explique Marin. Il y a une part de grandes multinationales qui jouent le rôle d’incubateurs de cette nouvelle façon de travailler, celle que nous appelons un futur du travail d’abord en réseau. »
Ce n’est pas le genre de chose qui fait de bons communiqués de presse. Mais c’est ce qui distingue les 14 % qui ont déployé des solutions des 38 % encore bloqués en phase pilote.
La question à laquelle vous devez répondre maintenant
L’architecture agentique n’est pas en train d’arriver. Elle est déjà là.
40 % des applications d’entreprise intégreront des agents IA dédiés à des tâches spécifiques d’ici fin 2026, contre moins de 5 % en 2025.
Alors que l’adoption des agents progresse, la question à laquelle chaque entreprise doit répondre se résume à savoir si elle peut répondre à l’exigence imposée par le défi agentique. Il ne s’agit pas seulement de capacité technique, mais aussi de préparation organisationnelle. Cela suppose :
- Les bonnes personnes autour de la table.
- L’infrastructure nécessaire pour soutenir les décisions autonomes.
- Une gouvernance capable de détecter les échecs avant qu’ils ne s’accumulent.
- La qualité des données permettant de faire des choix adaptés au contexte.
- La volonté d’investir autant dans les personnes que dans la technologie.
La plupart des organisations se tromperont. Elles traiteront l’IA agentique comme une simple mise à niveau technique plutôt que comme une refonte organisationnelle.
Elles feront partie des 40 % de projets d’IA agentique dont Gartner prédit l’annulation d’ici fin 2027, en raison de la hausse des coûts, de la valeur commerciale peu claire ou du manque de contrôle des risques.
Les organisations qui réussissent comprendront que l’architecture agentique exige plus que des ingénieurs. Elle nécessite l’expérience vécue des personnes dont on cherche à amplifier le travail.
Et elles construiront des systèmes qui respectent cette réalité.
