Aller au contenu principal
skilder

governance

IA agentique : ce qui change quand l'IA agit au lieu de répondre

L'IA agentique fait passer l'intelligence artificielle de la réponse à l'action. Ce que cela change pour une entreprise : autonomie, systèmes multi-agents et responsabilité.

Auteur: Jonas Canton
  • #ia-agentique
  • #agents-ia
  • #gouvernance
  • #rôles
  • #mcp

L’intelligence artificielle agentique est souvent présentée par sa promesse la plus spectaculaire : des agents qui travaillent seuls, sans supervision humaine. Les pages les mieux classées sur « ia agentique » insistent presque toutes sur cette autonomie. Pour une direction, la question utile est ailleurs : quand l’IA agit au lieu de répondre, qui décide de ce qu’elle a le droit de faire, et qui en répond.

Le sujet reste neuf dans les entreprises. Selon une enquête McKinsey de novembre 2025 citée par PME, moins de 2 % des sociétés sondées indiquent avoir complètement déployé un agent IA. La plupart en sont au moment où ces règles s’écrivent, ce qui est plutôt une bonne nouvelle : il est plus simple de les poser avant le premier incident qu’après.

L’IA agentique désigne des systèmes d’intelligence artificielle qui ne se contentent pas de produire une réponse : ils planifient une suite d’étapes, utilisent des outils et modifient l’état d’autres systèmes pour atteindre un objectif, avec un niveau d’autonomie variable.

Qu’est-ce que l’IA agentique ?

L’IA agentique regroupe des systèmes où un ou plusieurs agents IA, construits le plus souvent sur un modèle de langage, reçoivent un objectif, découpent le travail en étapes et agissent sur des applications, des bases de données ou des fichiers. La différence avec un assistant conversationnel tient à un verbe : agir.

La Commission nationale de l’informatique et des libertés, l’autorité française de protection des données, décrit des systèmes « qui reposent sur la coordination de plusieurs sous-systèmes appelés agents IA », capables d’agir sur un environnement et « d’en modifier l’état (lecture, modification, suppression de données, exécution d’actions), avec des niveaux variables d’autonomie ».

Trois éléments reviennent dans les définitions sérieuses : un objectif plutôt qu’une question, des outils (une API, un logiciel métier, un serveur MCP) et une boucle, dans laquelle l’agent observe le résultat de son action avant de choisir la suivante. Le Model Context Protocol (MCP), le protocole qui permet de brancher un assistant sur les outils de l’entreprise, est devenu l’un des chemins les plus courants : le fonctionnement d’un serveur MCP le détaille.

Ali Mahfouz, responsable des services pour la Suisse romande et membre du comité exécutif de Microsoft Suisse, a résumé ce passage à Vision Entreprise 2026, organisé par l’Université de Lausanne et PME le 8 octobre : « L’IA passe d’un outil qui aide à trouver l’information à une capacité qui aide à faire le travail, avec des humains aux commandes. »

Quelle différence entre IA générative et IA agentique ?

L’IA générative produit un contenu à la demande, un texte, un résumé ou une image, puis attend la consigne suivante. L’IA agentique utilise ce même type de modèle comme moteur, mais l’inscrit dans une boucle d’actions : elle enchaîne les étapes, appelle des outils et change quelque chose dans un système. L’opposition est donc moins nette que dans la plupart des comparatifs.

CritèreIA générativeIA agentique
Point de départUne question ou une consigneUn objectif
Ce qu’elle produitUn contenuUne suite d’actions et leur résultat
Accès aux systèmesAucun, ou en lectureLecture et écriture, par des outils
Qui vérifieL’utilisateur, à chaque réponseDes règles fixées avant, une trace consultée après
Risque principalUne réponse fausseUne action fausse, parfois difficile à annuler

La dernière ligne change la nature du sujet. Une réponse fausse se relit. Un courriel envoyé, une commande passée ou une donnée supprimée par un agent produisent leurs effets avant que quiconque ne relise. Exemple fictif : dans une entreprise de 60 personnes, un assistant génératif rédige la relance d’une facture impayée quand on le lui demande ; un agent consulte le logiciel comptable, repère les factures échues, prépare les relances et peut les envoyer. Le second fait gagner plus de travail et il engage davantage l’entreprise.

Qu’est-ce qu’un système multi-agents et un orchestrateur IA ?

Un système multi-agents répartit un travail entre plusieurs agents spécialisés, coordonnés entre eux et avec des humains. Un orchestrateur IA est l’agent ou le logiciel qui reçoit l’objectif global, le découpe et confie chaque étape au bon agent. L’orchestration IA désigne cette coordination, qui devient le vrai sujet dès que les agents se multiplient.

Un système multi-agents ressemble moins à un logiciel qu’à une équipe. Un workflow agentique réunit des rôles : un rôle qui prépare, un rôle qui vérifie, un rôle qui alerte un humain quand un seuil est franchi. Le rôle désigne ici la fonction tenue par l’IA dans l’équipe, avec son savoir-faire, ses outils et ses droits. Et chaque rôle a un propriétaire : l’expert métier qui connaît le travail, qui a conçu le rôle et qui décide de ses évolutions.

Cette lecture évite l’écueil le plus fréquent, l’agent unique censé tout faire. Plus un agent accumule d’outils et de consignes, plus il devient difficile d’expliquer pourquoi il a agi comme il l’a fait. Elle oblige aussi à écrire ce que l’équipe sait faire et pas seulement ce qu’elle sait : la distinction entre savoir et savoir-faire montre pourquoi un agent qui dispose des documents sans la méthode produit des résultats plausibles mais potentiellement faux.

Des agents IA autonomes, jusqu’où ?

Le degré d’autonomie d’un agent IA se décide tâche par tâche, selon ce qu’une erreur coûterait. Lire, chercher et préparer peuvent se faire seuls ; envoyer, payer ou supprimer demandent en général une validation humaine. Les praticiens qui utilisent des agents chaque jour plaident aujourd’hui pour des agents cadrés plutôt que pour une autonomie complète.

Le droit européen pose une référence utile. Pour les systèmes classés à haut risque, le règlement européen sur l’intelligence artificielle (AI Act) impose à son article 14 une supervision humaine effective : les personnes chargées de la supervision doivent pouvoir comprendre ce que fait le système, ignorer son résultat et l’interrompre. Tous les agents ne relèvent pas de cette catégorie, mais le principe vaut comme règle de conception pour n’importe quel workflow agentique.

L’autonomie n’est donc pas un réglage global. Elle se donne action par action, et elle s’élargit à mesure que la trace montre que le rôle fait ce qu’on attend de lui.

Qui est responsable quand un agent IA agit ?

Un agent IA ne répond de rien : la responsabilité reste à l’entreprise qui l’a mis en service et, à l’intérieur de l’entreprise, à une personne nommée. Pour chaque agent, trois questions doivent avoir une réponse avant la mise en service : qui en répond, à quelles données il a accès, et comment vérifier ce qu’il a fait.

Ali Mahfouz les posait telles quelles à Vision Entreprise 2026 : « Qui est responsable de l’agent ? À quelles données a-t-il accès ? Comment vérifier ce qu’il a fait ? » Chacune appelle un mécanisme concret.

  1. Un propriétaire par rôle. L’expert métier qui a conçu le rôle reçoit les demandes de ses collègues et décide de les retenir ou non. La question n’est pas théorique : un associé d’un groupe d’assurance suisse, rencontré par skilder en juillet 2026, la posait déjà à propos des agents créés par les collaborateurs : « Est-ce que ça reste propriété de la personne qui les développe ou ça devient propriété de l’entreprise ? »
  2. Des droits au plus juste. Un agent n’accède qu’aux outils et aux données dont son rôle a besoin, ce qui revient à appliquer le principe du moindre privilège aux agents IA, en faisant du rôle la frontière des permissions.
  3. Une trace de chaque exécution. Quels outils ont été appelés, avec quelles données, pour quel utilisateur. Sans cette trace, vérifier ce qu’un agent a fait revient à le croire sur parole.

Un rôle IA n’est d’ailleurs jamais fini. Le cycle de vie des capacités IA le décrit en six étapes : Concevoir, Tester, Déployer, Encadrer, Suivre et Améliorer, version après version. Encadrer et Suivre s’appliquent aux rôles, pas aux personnes : il s’agit de fixer ce que le rôle a le droit de faire et de voir s’il sert, pas de surveiller les équipes. Le cadre de gouvernance de l’IA en entreprise place ces règles dans l’organisation, avec les obligations légales qui les entourent.

skilder sert ce cadre sous forme de rôles, configurés depuis des blueprints et utilisés dans Claude, ChatGPT ou Copilot, avec une trace d’exécution attribuée à chaque utilisateur et un journal d’audit exportable. Les garde-fous, des règles qui vérifient chaque appel d’outil avant ou après son exécution, sont en bêta.

Par où commencer avec l’IA agentique en entreprise ?

Il vaut mieux commencer par un workflow précis, fréquent et réversible que par une plateforme ou un agent généraliste. On agentise d’abord une tâche dont on connaît le point de départ chiffré, avec un rôle aux droits limités et un humain qui valide les actions sensibles. L’autonomie s’élargit ensuite, quand la trace montre ce qui fonctionne.

  1. Choisir un workflow, pas un processus. « Préparer les relances des factures échues » se décrit, se mesure et se transforme ; « gérer la trésorerie » ne se laisse pas agentiser d’un bloc.
  2. Décider avec l’équipe ce qu’elle veut confier. Tout ce qui est automatisable n’est pas à déléguer : certaines tâches restent humaines par choix, parce que c’est là que les juniors apprennent le métier.
  3. Nommer le propriétaire du rôle avant d’écrire la première consigne.
  4. Fixer les droits et les validations. Lecture seule au départ, écriture soumise à une validation humaine tant que la trace n’a pas montré la fiabilité du rôle.
  5. Choisir l’indicateur avant de construire. Délais tenus, erreurs évitées, qualité, temps : le temps n’est qu’un indicateur parmi d’autres, et son point de départ se chiffre avant le premier essai.

Pour choisir ce premier workflow et poser les règles de ses rôles, un échange gratuit de 30 minutes avec un expert permet de structurer l’adoption de l’IA dans une équipe.

À retenir : avec l’IA agentique, la question n’est plus seulement ce qu’un agent sait faire, mais qui en répond, à quoi il a accès et comment vérifier ce qu’il a fait. Ces trois réponses s’écrivent avant la mise en service.

Pour identifier le premier workflow à agentiser dans votre entreprise et le cadre qui va avec, réservez un échange gratuit de 30 minutes avec un expert.

Questions fréquentes

Quelle est la définition de l'IA agentique ?

L'IA agentique désigne des systèmes d'intelligence artificielle qui reçoivent un objectif, le découpent en étapes et agissent sur d'autres systèmes pour l'atteindre : applications, bases de données, fichiers. La Commission nationale de l'informatique et des libertés, l'autorité française de protection des données, insiste sur un point : ces agents peuvent modifier l'état d'un environnement, en lisant, modifiant ou supprimant des données, avec des niveaux variables d'autonomie.

Quel est un exemple d'IA agentique en entreprise ?

Un exemple fictif simple : un agent qui consulte le logiciel comptable, repère les factures échues, prépare les relances et les soumet à une personne avant envoi. Là où un assistant génératif rédige une relance quand on le lui demande, l'agent enchaîne les étapes et agit dans les systèmes de l'entreprise. Ce type de workflow précis, fréquent et réversible est un bon premier cas d'usage.

Agentic AI et IA agentique, est-ce la même chose ?

Oui. Agentic AI est le terme anglais, IA agentique sa traduction française la plus répandue ; on lit aussi intelligence artificielle agentive. Les deux désignent des systèmes qui agissent pour atteindre un objectif au lieu de seulement répondre à une question. Le terme anglais domine encore dans les rapports d'éditeurs et de cabinets de conseil, le terme français dans la presse et chez les autorités de protection des données.

Qu'est-ce qu'un orchestrateur IA ?

Un orchestrateur IA est l'agent ou le logiciel qui reçoit l'objectif global d'un système multi-agents, le découpe en étapes et confie chacune à l'agent spécialisé qui convient, puis rassemble les résultats. Il ne remplace pas la gouvernance : chaque agent qu'il appelle doit avoir des droits limités, un propriétaire identifié et une trace de ce qu'il a fait, sans quoi l'orchestration multiplie les zones d'ombre.

Un agent IA autonome peut-il agir sans validation humaine ?

Techniquement oui, mais ce n'est pas recommandé pour les actions qui engagent l'entreprise : envoyer, payer, supprimer. L'autonomie se donne action par action et s'élargit quand la trace montre que le rôle est fiable.

Quelle plateforme suisse pour déployer des agents IA en entreprise ?

Le choix dépend moins du nom de la plateforme que de quatre critères : où les données sont hébergées, comment les droits de chaque agent sont limités, si chaque exécution laisse une trace consultable et si la solution fonctionne avec les assistants déjà utilisés par les équipes. skilder, par exemple, est hébergé en Suisse chez Infomaniak et dans l'Union européenne et sert des rôles dans Claude, ChatGPT ou Copilot.

Comment encadrer les agents IA créés par les équipes ?

En commençant par les reconnaître plutôt que par les interdire, puis en donnant à chacun un propriétaire, des droits limités à son besoin et une trace de ses exécutions. Ali Mahfouz, de Microsoft Suisse, résumait le cadre à Vision Entreprise 2026 en trois questions : qui est responsable de l'agent, à quelles données il a accès et comment vérifier ce qu'il a fait.

Articles liés