Jean de Leissegues Rozaven, L'Oiseau Rare : Où en sont vraiment les entreprises françaises avec les agents IA ?

Ces évolutions déplacent l'enjeu. Il ne s'agit plus seulement de rendre les agents intelligents, mais de les faire travailler efficacement avec le reste du système d'information, ce qui reste freiné par la fiabilité des raisonnements, la sécurité des accès, la traçabilité, les coûts et la supervision. Développer un agent dépasse la simple rédaction de prompts et suppose des compétences en orchestration, gestion du contexte, évaluation, sécurité, supervision et gouvernance. Deux familles d'outils coexistent : les frameworks pro-code comme l'OpenAI Agents SDK, Microsoft Agent Framework, LangGraph ou Google ADK, et les plateformes low-code ou no-code comme UiPath, Microsoft Copilot Studio ou n8n. Leurs frontières s'estompent, ce qui permet aux entreprises de bâtir des architectures hybrides adaptées à leurs compétences et à leurs contraintes. Microsoft associe outils visuels et développement avancé, UiPath combine Agent Builder et Maestro pour orchestrer agents, robots RPA et interventions humaines, et n8n réunit workflows visuels et composants programmables.

Ce tableau s'inscrit dans une remise en cause du mythe de l'agent universel, capable de tout comprendre, décider et exécuter seul. Plus un agent reçoit d'outils et de responsabilités, plus son contexte se complexifie, avec à la clé des temps de traitement, des coûts et des risques d'erreur accrus. L'auteur plaide donc pour des agents spécialisés, éventuellement coordonnés par un orchestrateur : l'un recherche l'information, un autre analyse des documents, un troisième prépare une action. Cette modularité facilite l'évaluation et la maintenance, même si une architecture multi-agents n'est pas toujours préférable à un agent unique, et il rappelle qu'il est inutile de solliciter un agent pour ce qu'une API fait déjà parfaitement. Plusieurs exemples confirment cette logique : Parloa et Ada utilisent des modèles GPT pour la relation client, Nubank automatise une partie de ses échanges avec GPT-4o avec intervention humaine sur certains cas, et Cognizant propose de l'analyse contractuelle fondée sur Claude d'Anthropic. Ces cas ne prouvent pas tous l'existence d'architectures multi-agents, mais montrent que le modèle de langage devient un composant d'un système plus large, associant données, outils, règles métier et contrôle humain.