guide · 19 mai 2026 · 8 min de lecture
Des agents IA, mais pas partout
Mettre un agent IA sur un processus déterministe, c'est payer des tokens pour faire le travail d'un script de dix lignes. Méthode pour identifier où l'IA apporte vraiment quelque chose — et où elle allume un feu d'artifice au-dessus d'une lampe de poche.
Depuis l'arrivée grand public de ChatGPT, j'observe un même réflexe chez beaucoup de dirigeants et de chefs de projet : « on pourrait pas mettre un agent IA pour faire ça ? ». La question est posée sur tout. Le routage d'emails entrants. La catégorisation de factures. L'envoi de relances. Le calcul d'un score de lead. Le remplissage d'un CRM.
Dans une part majoritaire des cas, la réponse honnête est : si, vous pourriez. Et ce serait un mauvais choix.
Cette note n'est pas une charge contre l'IA. Elle s'adresse aux décideurs qui s'apprêtent à signer un devis d'agent IA, ou à demander à leur équipe d'en développer un, et qui méritent d'avoir le bon cadre de décision avant. Le bon cadre commence par une distinction qu'on ne pose presque jamais explicitement.
Agent ≠ assistant : pourquoi cette différence change tout
Quand vous ouvrez ChatGPT, Claude ou Gemini dans votre navigateur pour leur poser une question, vous utilisez un assistant. C'est interactif, ponctuel, et c'est en général inclus dans un abonnement à 20-30 € par mois — peu importe que vous l'utilisiez dix fois ou mille fois.
Un agent IA, c'est autre chose. C'est un programme qui appelle un modèle de langage en arrière-plan, automatiquement, pour effectuer une tâche dans un flux. Chaque appel est facturé au token (en entrée et en sortie). Il n'y a pas d'abonnement plafonné : si votre agent traite 10 000 emails ce mois-ci, vous payez 10 000 fois.
Cette différence n'est pas un détail comptable. C'est le pivot de toute la décision. Un assistant est un outil à coût fixe pour des usages variés. Un agent est un outil à coût variable pour un usage répété. Donc dès qu'on parle d'agent, on parle d'un coût qui grandit avec le volume — et qu'il faut comparer à autre chose.
Le test déterministe : la première question à poser
Voici le test le plus simple, et le plus rarement appliqué. Posez-vous cette question pour le processus que vous voulez automatiser :
Pour une entrée donnée, est-ce qu'il existe une seule bonne réponse, prévisible à l'avance ?
Si oui, le processus est déterministe. Et un agent IA n'a probablement rien à faire dedans.
Quelques exemples concrets de processus déterministes que je vois régulièrement déguisés en projet d'agent IA :
- Trier des factures fournisseurs par catégorie comptable à partir du nom de l'émetteur. C'est une table de correspondance. Pas un agent.
- Envoyer une relance automatique trois jours après une facture impayée. C'est un
if et un envoi d'email. Pas un agent. - Extraire le numéro de TVA d'un PDF de facture standardisée. C'est une expression régulière. Pas un agent.
- Calculer un score de priorité à partir de cinq champs d'un CRM. C'est une formule. Pas un agent.
- Router un ticket de support vers la bonne équipe selon le mot-clé dans l'objet. C'est un dictionnaire. Pas un agent.
Pour chacun de ces cas, mettre un LLM dans la boucle revient à payer un consultant senior pour faire de la saisie. Ça marche. C'est lent. C'est cher. Et c'est probabiliste — c'est-à-dire qu'à la mille-et-unième exécution, il fera quelque chose de différent sans raison apparente.
L'agent IA est un outil probabiliste — c'est sa force et sa limite
Un modèle de langage n'a pas été conçu pour donner toujours exactement la même réponse à la même question. Il a été conçu pour traiter de l'ambiguïté, faire des liens, résumer, reformuler, juger.
Sur un processus déterministe, cette nature probabiliste devient un défaut. Le mardi il classera la facture dans Fournisseurs IT, le mercredi dans Prestations externes. Aucune des deux réponses n'est techniquement fausse, mais votre comptable, lui, perd la cohérence sur laquelle il s'appuyait. À ce moment-là, vous ajoutez des règles de validation, des contrôles a posteriori, parfois un second appel pour vérifier le premier. Et le coût en tokens double.
À l'inverse, sur un processus non déterministe — où l'entrée est désordonnée, où plusieurs réponses sont acceptables, où il faut peser des éléments contradictoires — la nature probabiliste devient un avantage décisif. Là, l'agent IA est à sa place. Et il est même souvent irremplaçable.
Les quatre questions à poser avant de déployer un agent
Quand quelqu'un vient me voir avec une idée d'agent IA, je fais passer le projet par quatre questions, dans cet ordre. Si une seule reçoit non, on revient à l'idée.
1. Le processus est-il non déterministe ?
Pour une même entrée, plusieurs sorties acceptables existent-elles ? Y a-t-il une part de jugement, de synthèse, de reformulation, de classification floue ? Si la réponse est non, un script suffit. Si la réponse est oui, mais seulement parfois, on isole les cas non déterministes et on ne met l'agent que sur ceux-là.
2. Le volume justifie-t-il l'investissement ?
Un agent IA n'est jamais gratuit. Coût de développement, coût des tokens, coût d'observabilité (savoir ce qu'il a fait et pourquoi), coût de maintenance quand le modèle change. Si le processus tourne dix fois par mois, ouvrir l'assistant manuellement coûtera infiniment moins cher — et restera plus contrôlable.
3. L'erreur est-elle rattrapable ?
Un agent qui se trompe sur un brouillon d'email, on relit avant d'envoyer. Un agent qui se trompe sur un virement automatique, on a un problème. Plus l'erreur est coûteuse à corriger, plus la barre d'entrée pour automatiser doit être haute. Un humain dans la boucle (validation manuelle avant action irréversible) n'est pas un échec d'automatisation — c'est souvent le bon design.
4. Un abonnement existant ne fait-il pas déjà le travail ?
C'est la question la plus oubliée, et celle qui coûte le plus cher quand on l'oublie. La même tâche peut souvent être faite avec une fonctionnalité native d'un outil que vous payez déjà : Notion AI, Google Workspace, Microsoft Copilot, HubSpot AI, votre suite comptable, votre ATS. Avant de payer des tokens à l'API, vérifiez systématiquement ce que vous avez déjà acheté.
Ce que les éditeurs ne disent pas (et qui pèse dans la décision)
Trois coûts cachés méritent d'être mis sur la table avant de signer.
Le coût d'observabilité. Un script déterministe se débogue en lisant son code. Un agent IA se débogue en relisant des prompts, des sorties, des chaînes d'appels. Il faut donc s'équiper : journalisation des appels, traçage des décisions, tableaux de bord d'usage. Sans ça, le jour où l'agent commence à faire n'importe quoi, vous l'apprenez par un client mécontent. Cette infrastructure n'est pas gratuite et est presque toujours absente des devis initiaux.
La dépendance au fournisseur. Un agent IA est lié à un modèle qui appartient à OpenAI, Anthropic ou Google. Quand le modèle change (ce qui arrive plusieurs fois par an), votre agent change de comportement. Parfois subtilement. Parfois pas. Vous héritez d'une dette d'adaptation continue qu'un script n'a pas.
Le coût d'audit. Sur les processus qui touchent à la facturation, à la RH, ou à la conformité, vous devez pouvoir expliquer pourquoi telle décision a été prise. « Le modèle a estimé que… » n'est pas une réponse acceptable face à un contrôle. Un script, lui, est lisible ligne à ligne.
Là où l'agent IA mérite vraiment sa place
Pour ne pas terminer en plaidoyer contre l'outil, voici les cas où je recommande activement de mettre un agent IA — parce que rien d'autre ne fait aussi bien.
- Synthèse de sources hétérogènes. Résumer une boîte mail, faire un brief à partir de quinze pages de PDF, croiser un appel d'offres et votre catalogue. Le LLM excelle quand l'entrée est désordonnée et que la sortie doit être structurée.
- Reformulation et adaptation de ton. Réécrire un message technique pour un client non technique, traduire en gardant le contexte métier, adapter un email à un destinataire spécifique. Là où une règle est impossible à écrire.
- Classification floue avec contexte. Catégoriser un retour client quand il y a quinze nuances possibles et que le texte est ambigu. Le score de confiance retourné par le modèle permet en plus de basculer en validation humaine quand c'est limite.
- Extraction depuis du non-structuré. Sortir des données propres d'un email libre, d'un CV, d'une fiche produit copiée à la main. C'est exactement ce pour quoi l'outil est bon.
- Génération assistée avec validation humaine. Brouillon de proposition commerciale, premier jet de cahier des charges, suggestion de réponse au support. L'humain garde la décision, l'agent économise 80 % du temps de rédaction.
Le point commun de tous ces cas : la sortie n'est pas binairement vraie ou fausse, et un humain (ou un autre système) reste en mesure d'évaluer la qualité.
La règle simple, pour finir
Avant de déployer un agent IA, traduisez le processus en une phrase qui commence par « si... alors ». Si vous y arrivez sans phrase de plus de trois lignes, vous n'avez pas besoin d'un agent. Vous avez besoin d'un développeur, d'une automatisation Zapier ou Make, ou parfois d'une simple formule dans votre outil existant.
Si vous n'y arrivez pas — parce que les conditions sont floues, parce qu'il faut peser, parce que la donnée est sale — alors oui, l'agent IA est probablement la bonne réponse. Et il vaudra ce qu'il coûte.
Ce qu'il faut retenir
L'IA est une technologie remarquable, mais c'est un outil probabiliste, à coût variable, dépendant d'un fournisseur, et opaque par nature. Ces quatre caractéristiques en font un excellent choix pour les tâches non déterministes à volume significatif et à erreur rattrapable — et un très mauvais choix pour à peu près tout le reste.
Avant de signer un projet d'agent, faites le test déterministe, posez les quatre questions, et vérifiez ce que vos abonnements existants couvrent déjà. La moitié des projets d'agents IA que je vois passer ne devraient jamais voir le jour. L'autre moitié, en revanche, méritent qu'on les exécute proprement — avec observabilité, avec validation humaine aux bons endroits, et avec une mesure claire du ROI réel.
Questions fréquentes
- Quelle est la différence entre un assistant IA et un agent IA ?
- Un assistant est interactif et ponctuel, avec un coût fixe (abonnement 20-30 €/mois). Un agent IA est un programme automatisé qui appelle un modèle en arrière-plan, facturé au token à chaque exécution — le coût grandit avec le volume.
- Comment savoir si mon processus est trop simple pour un agent IA ?
- Posez-vous cette question : pour une entrée donnée, existe-t-il une seule bonne réponse prévisible ? Si oui, c'est déterministe et un script, une formule ou une table de correspondance suffisent. Mettre un agent IA là-dessus, c'est payer des tokens pour faire le travail d'un script de dix lignes.
- Pourquoi un agent IA peut-il donner des réponses différentes pour la même tâche ?
- Les modèles de langage sont probabilistes par nature — conçus pour traiter l'ambiguïté et faire des liens, pas pour retourner toujours exactement la même réponse. Sur un processus déterministe, cette variabilité devient un défaut qui force à ajouter des validations et double le coût en tokens.
- Quels sont les coûts cachés d'un agent IA qu'on oublie souvent ?
- L'observabilité (journalisation, traçage, tableaux de bord), la dépendance au fournisseur (le modèle change plusieurs fois par an), et l'audit (expliquer pourquoi telle décision a été prise). Ces trois coûts sont presque toujours absents des devis initiaux.
- Dans quels cas un agent IA vaut vraiment le coup ?
- Synthèse de sources hétérogènes, reformulation avec adaptation de ton, classification floue avec contexte, extraction depuis du non-structuré, ou génération assistée avec validation humaine. Le point commun : la sortie n'est pas binairement vraie ou fausse, et un humain reste en mesure d'évaluer la qualité.