Un compte rendu honnête de là où les agents IA fonctionnent en exploitation, et là où ils ne fonctionnent pas

L'enthousiasme actuel pour les agents autonomes en entreprise a produit deux positions également inutiles : qu'ils vont bientôt diriger la société, et qu'il s'agit d'une macro rebaptisée. Après en avoir mis plusieurs en production dans des ERP, l'image utile se situe entre les deux et se décrit assez simplement.

Là où ils fonctionnent bien

Les agents sont forts quand la tâche a trois propriétés : l'entrée est désordonnée, la sortie correcte est vérifiable, et se tromper de temps en temps coûte peu à rattraper.

L'extraction des factures fournisseurs en est l'exemple le plus clair. Les factures arrivent en PDF, en scans et dans des corps de mail, sous une demi-douzaine de mises en page. En extraire les lignes est exactement le type de reconnaissance floue qui était pénible à automatiser par règles. Et surtout, la sortie est vérifiable : les totaux doivent tomber juste, la commande existe ou non, les quantités correspondent à la réception ou sont signalées. L'agent propose, l'arithmétique contrôle, un humain ne voit que les exceptions.

Prévision de la demande sur un historique bruité, rapprochement des livraisons et des commandes quand les références sont incohérentes, rédaction des relances fournisseurs, classement des demandes entrantes : même forme.

Là où ils ne fonctionnent pas

Les agents sont faibles là où se tromper coûte cher et où l'erreur n'est pas immédiatement visible.

Nous ne laissons pas un agent arrêter un prix, approuver un paiement ou écrire au grand livre sans relecture. Non parce que le modèle ne produirait pas une réponse plausible, mais parce qu'une réponse plausible et fausse à ces endroits ressort des semaines plus tard, dans un rapprochement, après s'être propagée.

Le test que nous appliquons avant de placer un agent quelque part : s'il se trompe et que personne ne le voit pendant un mois, combien cela coûte-t-il ? Si la réponse est inconfortable, l'agent propose et une personne valide.

Ce que l’on sous-estime

La qualité d'un agent opérationnel tient surtout à ce qu'il peut voir, pas au modèle qui le motorise. Un agent avec un accès propre à votre stock réel, vos délais et votre historique fournisseurs battra un meilleur modèle qui devine depuis un prompt. C'est peu glorieux, et c'est pourquoi le travail d'intégration compte plus que le choix du modèle.

C'est aussi pourquoi les agents sont rarement un bon premier projet. Si les données sous-jacentes se contredisent, l'agent hérite de la contradiction et produit désormais des absurdités convaincantes, mais plus vite.

Sur les modèles exécutés en local

Pour les clients dont les données ne peuvent pas sortir, les modèles à poids ouverts sur matériel local sont aujourd'hui réellement viables pour l'extraction et la classification. Ils restent en retrait sur le raisonnement complexe : nous adaptons donc la tâche au modèle plutôt que d'en imposer un partout. Une exigence de souveraineté est une contrainte d'architecture, pas une raison de renoncer à l'automatisation.