Un agent IA en production n’est pas un chatbot plus malin, c’est un logiciel qui agit. Il enchaîne des étapes, appelle des outils, écrit dans vos systèmes et prend des décisions intermédiaires sans qu’un humain valide chacune. Cette différence de nature explique un écart que beaucoup de directions découvrent trop tard : un agent se démontre en une après-midi et se met en production en plusieurs mois.
Un agent agit, un chatbot répond
La distinction n’est pas de degré. Un chatbot génère du texte que l’utilisateur lit et exécute lui-même. Un agent, lui, exécute : il crée un ticket, modifie une fiche, envoie un message, déclenche un paiement. Il a des droits, donc des effets de bord. Un chatbot qui se trompe produit une mauvaise réponse ; un agent qui se trompe produit une mauvaise action, parfois irréversible.
C’est la même rupture que celle rencontrée au moment de mettre un LLM en production, amplifiée d’un cran. Là où le LLM répondait, l’agent engage l’entreprise.
Pourquoi plus de 40 % des projets seront abandonnés
Gartner prévoit, dans une annonce du 25 juin 2025, que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, pour cause de coûts mal maîtrisés, de valeur métier floue et de risques insuffisamment contrôlés. Le cabinet pointe aussi l’agent washing, c’est-à-dire des produits rebaptisés agents sans en avoir les capacités.
Le constat rejoint celui du terrain. Le rapport DORA 2025 sur le développement assisté par IA relève 90 % d’usage de l’IA au travail mais 30 % de professionnels qui ont peu ou pas confiance dans le code généré, et pose que l’IA est un amplificateur : elle amplifie une démonstration réussie, elle amplifie aussi les failles d’un processus mal tenu. Un ordre de grandeur circule, issu d’un travail du MIT en 2025, selon lequel une large majorité des pilotes d’IA générative ne produisent pas d’impact mesurable sur le résultat. Il est discuté et doit être cité comme tel, mais il pointe la même réalité : la démonstration n’est pas la production.
Ce qui sépare le POC de la production
Quatre écarts séparent l’agent qui impressionne en réunion de l’agent qui tient en exploitation.
Le premier est le garde-fou : un agent qui peut agir doit pouvoir être borné et arrêté, avec une validation humaine sur les actions sensibles. Le deuxième est le coût de calcul : un agent consomme plusieurs appels au modèle par tâche, et une facture négligeable en pilote devient significative à l’échelle. Le troisième est le droit d’accès : un agent doit travailler au moindre privilège, pas avec les droits larges qu’on lui donne pour la démonstration. Le quatrième est l’observabilité : tracer ce que l’agent a fait, pouvoir le rejouer et, autant que possible, l’annuler.
Un exemple rend l’écart tangible. Un agent de support qui répond à une question coûte un appel au modèle ; le même agent autorisé à rembourser un client, à modifier une commande ou à clôturer un dossier déclenche des actions dont chacune doit être tracée, réversible et bornée par un plafond. Le premier est un POC, le second engage une responsabilité juridique et financière. Passer de l’un à l’autre ne se fait pas en changeant de modèle, mais en construisant tout ce qui l’entoure.
Aucun de ces quatre points n’apparaît dans un POC. Tous décident de la mise en production.
La donnée reste le vrai goulot
Comme pour un modèle seul, le point de rupture d’un agent n’est pas le modèle mais la donnée : sa qualité, sa fraîcheur, les droits qui l’accompagnent. Un agent branché sur une donnée fausse agit faux, plus vite. C’est pourquoi un projet d’agent sérieux commence par une revue de la gouvernance des données avant de parler d’orchestration.
Trois questions à poser avant de lancer un agent
Avant d’autoriser un agent en production, trois questions tranchent la plupart des projets.
La première : que se passe-t-il si l’agent se trompe ? Si la réponse est une action irréversible sur un système critique, il faut une validation humaine sur cette action, sans discussion. La deuxième : combien coûte une tâche, multipliée par le volume attendu ? Un agent qui enchaîne dix appels au modèle pour une tâche facturée quelques centimes devient ruineux à l’échelle de milliers de tâches par jour, et ce calcul doit être fait avant, pas découvert sur la facture. La troisième : peut-on retracer et rejouer ce que l’agent a fait ? Sans journal d’actions exploitable, le jour où un agent dérape, personne ne saura ni quoi, ni pourquoi, ni comment revenir en arrière.
Ces trois questions ont un point commun : aucune ne porte sur le modèle d’IA. Elles portent sur le cadre dans lequel il agit. C’est ce cadre, et non la performance du modèle, qui décide si un agent tient en production ou rejoint les 40 % de projets abandonnés annoncés par Gartner. Un fournisseur incapable de répondre à ces trois questions ne vend pas un agent prêt pour la production, il vend une démonstration.
Ce que nous faisons, et la limite
Chez Voxalia, nous mettons des agents en production quand la tâche le justifie, avec un périmètre borné et une supervision humaine sur ce qui engage. Le seul cas que nous citons publiquement est notre travail Data autour de Snowflake chez Oney, qui illustre notre approche : on industrialise ce qui est stable et mesurable, pas ce qui brille en démonstration. Nos autres retours d’expérience sont dans le pôle Data et IA.
La limite est nette. Beaucoup de processus ne gagnent rien à être agentifiés. Un script déterministe fait souvent mieux, moins cher et sans surprise, qu’un agent chargé d’une tâche parfaitement prévisible. L’agent se justifie quand la tâche comporte une vraie part de jugement et de variabilité. Partout ailleurs, l’ajouter revient à payer un surcoût et un risque pour une intelligence dont on n’a pas besoin.
Questions fréquentes
Quelle différence entre un agent IA et un chatbot ?
Un chatbot génère une réponse que l’utilisateur lit et applique lui-même. Un agent IA exécute des actions dans vos systèmes : il crée, modifie, envoie, déclenche. Le chatbot informe, l’agent engage l’entreprise, avec des effets de bord parfois irréversibles. C’est cette capacité d’action qui change tout le travail de mise en production.
Pourquoi autant de projets d’IA agentique échouent-ils ?
Gartner prévoit l’abandon de plus de 40 % des projets d’IA agentique d’ici fin 2027, à cause de coûts mal maîtrisés, de valeur métier floue et de risques mal contrôlés. La cause profonde est l’écart entre un POC, facile, et une production qui exige garde-fous, maîtrise des coûts de calcul, droits au moindre privilège et traçabilité.
Faut-il un agent IA pour automatiser une tâche ?
Pas toujours. Pour une tâche prévisible et répétitive, un script déterministe fait souvent mieux, moins cher et sans aléa. Un agent se justifie quand la tâche comporte une vraie part de jugement et de variabilité. Choisir l’agent par défaut, c’est payer un surcoût et un risque pour une intelligence inutile au problème.
Sources
- Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, communiqué du 25 juin 2025.
- Google DORA, State of AI-assisted Software Development 2025, publié le 23 septembre 2025 (90 % d’usage, 30 % de faible confiance, l’IA comme amplificateur).
- MIT, travaux 2025 sur les pilotes d’IA générative en entreprise (ordre de grandeur discuté sur l’absence d’impact mesurable, à citer avec prudence).
- Voxalia, cas Data autour de Snowflake chez Oney (publication LinkedIn de Julien Rondel-Caulier).
