Agent IA en entreprise : ce que c'est et quand il a du sens

Un agent IA est un programme dans lequel un modèle de langage décide lui-même de l'étape suivante et va chercher des outils de son propre chef : un agenda, un CRM, la messagerie, une base de documents. Un chatbot répond à une question ; un agent reçoit un objectif et planifie le chemin pour l'atteindre. C'est ainsi qu'Anthropic, le créateur des modèles Claude, trace la ligne dans son texte « Building effective agents » du 19 décembre 2024. Dans un flux de travail (workflow), les modèles et les outils sont orchestrés par des chemins de code prédéfinis. Dans un agent, le modèle dirige dynamiquement son propre processus et son usage des outils.

OpenAI trace la ligne de l'autre côté. Dans son guide « A practical guide to building agents » (2025), elle écrit que les applications qui intègrent des modèles de langage sans leur confier le pilotage du déroulement du travail ne sont pas des agents. Ses exemples : un simple chatbot, un appel isolé à un modèle et un classificateur de sentiment.

Le coût, le risque et les obligations juridiques dépendent de cette distinction. Ci-dessous : les trois conditions dans lesquelles un agent a du sens en entreprise, un calcul du coût en jetons, le droit suisse de la protection des données et les règles de l'AI Act après la modification de juillet 2026, ainsi que les données sur le nombre d'entreprises suisses qui utilisent l'IA. État du droit, des prix et des données au 8 octobre 2026. Les citations d'Anthropic, d'OpenAI, de Google Cloud, d'IBM, de Gartner et de McKinsey sont nos traductions de l'anglais.

Agent IA : de quoi parle-t-on

Un agent IA est un système qui reçoit un objectif, planifie lui-même les étapes, appelle des outils et décide de la suite d'après leurs résultats, avec une part variable d'intervention humaine. Quatre entreprises qui construisent ou vendent de tels systèmes le définissent de manière semblable :

• Anthropic : un agent est un système dans lequel le modèle dirige son propre processus et son usage des outils, en gardant la maîtrise de la manière dont il accomplit la tâche.
• OpenAI : les agents sont des systèmes qui accomplissent des tâches de manière indépendante pour votre compte.
• Google Cloud : un logiciel qui utilise l'IA pour poursuivre des objectifs et accomplir des tâches pour le compte des utilisateurs, qui fait preuve de raisonnement, de planification et de mémoire et dispose d'un certain niveau d'autonomie pour décider (« What is an AI agent? », mise à jour 2026).
• IBM : un système qui accomplit des tâches de manière autonome en concevant des flux de travail avec les outils disponibles (IBM Think, « What are AI agents? », 3 juillet 2024).

Le noyau commun de ces définitions : un objectif au lieu d'une simple question, un modèle de langage qui planifie, des outils par lesquels l'agent agit dans d'autres systèmes, une boucle de décision (faire une étape, vérifier le résultat, choisir la suivante) et l'autonomie : c'est le modèle qui choisit l'ordre des étapes, pas le programmeur. Les quatre définitions viennent d'entreprises qui gagnent de l'argent avec les agents. Le droit ne définit pas l'agent : l'AI Act n'en contient aucune définition.

« L'IA agentique » (agentic AI) est la même famille de notions sous une forme adjectivale : des systèmes agentiques, c'est-à-dire construits à partir d'agents ou agissant comme un agent. Les « agents IA » sont le pluriel de la même notion.

La frontière de la notion n'est pas nette. Dans un rapport d'expert préparé dans le cadre du programme du pool d'experts du Comité européen de la protection des données (I. Barberá, « AI Privacy Risks & Mitigations — Large Language Models », 10 avril 2025), l'auteur écrit que « le concept d'IA agentique reste un domaine en évolution et pas encore pleinement défini » (notre traduction). Le rapport exprime les vues de ses auteurs, pas la position officielle du CEPD. Pour l'acheteur, la conclusion est pratique : le mot « agent » sur un produit ne garantit rien. Vous vérifiez qui y choisit l'étape suivante.

Chatbot, assistant, automatisation, agent : quatre choses sous un même nom

Le test le plus simple : qui choisit l'étape suivante, une personne, un flux écrit à l'avance ou le modèle ? La réponse dit si vous achetez un chatbot, un assistant, une automatisation ou un agent.

• Un chatbot répond aux questions. Une personne mène la conversation et le bot ne fait rien d'autre que répondre. Selon OpenAI, ce n'est pas un agent. Les chatbots dans le service client d'une boutique en ligne sont traités dans l'article sur le service client e-commerce.
• Un assistant IA aide dans le travail : il résume, rédige un brouillon, cherche dans des documents. Dans son communiqué du 26 août 2025, Gartner appelle les assistants les précurseurs de l'IA agentique : ils simplifient les tâches et les interactions, mais dépendent d'une intervention humaine et ne fonctionnent pas de manière indépendante. Dans ce rôle, ils figurent dans les suites bureautiques sous la forme de Copilot dans Microsoft 365 et de Gemini dans Google Workspace, que nous comparons dans Google Workspace ou Microsoft 365.
• L'automatisation (workflow) exécute un flux écrit à l'avance : un formulaire est arrivé, donc enregistrer le contact dans le CRM et envoyer une confirmation. Un modèle de langage peut être l'une des étapes, par exemple lire des données dans un document, mais l'ordre est décidé par ce que quelqu'un a programmé.
• Un agent reçoit un objectif et décide lui-même quel outil appeler, dans quel ordre et quand s'arrêter.

Dans le même communiqué du 26 août 2025, Gartner écrit que le malentendu le plus courant consiste à appeler agents ces assistants, et l'appelle « agentwashing ». Dans son communiqué du 25 juin 2025, Gartner décrit l'« agent washing » comme le fait de rebaptiser des produits existants, comme les assistants IA, l'automatisation robotisée des processus (RPA) et les chatbots, sans véritables capacités agentiques. Gartner estime aussi que, parmi les milliers de fournisseurs d'IA agentique, seuls environ 130 sont réels. C'est une estimation d'analystes, pas un registre.

Anushree Verma, de Gartner, donne dans le même communiqué une règle de partage simple : des agents IA quand des décisions sont nécessaires, de l'automatisation pour les flux de travail routiniers, des assistants pour la recherche simple.

En quoi l'intégration de systèmes diffère d'un robot RPA et d'une automatisation avec l'IA, nous l'expliquons dans l'article sur l'automatisation des processus. Retenez ici une chose : un agent est une automatisation dans laquelle c'est le modèle, et non une règle, qui choisit le chemin.

Comment fonctionne un agent IA : modèle, outils, boucle et limites

Un agent travaille en boucle : le modèle planifie une étape, appelle un outil, lit le résultat et décide d'après lui de la suite, jusqu'à ce que la tâche soit accomplie ou qu'une condition d'arrêt soit atteinte. Anthropic décrit les agents comme des modèles de langage qui utilisent des outils en boucle, guidés par le retour d'information de l'environnement. À chaque étape, l'agent doit vérifier la réalité du terrain, c'est-à-dire le résultat de l'appel de l'outil, pour évaluer sa progression. Il peut s'interrompre pour demander l'avis d'une personne à des points de contrôle ou lorsqu'il est bloqué.

Un outil est, en pratique, l'API de l'un de vos systèmes. Anthropic donne l'exemple du service client : des outils récupèrent les données du client, l'historique des commandes et les articles de la base de connaissances, et des actions comme émettre un remboursement ou mettre à jour un ticket sont exécutées par programme.

Les outils sont des droits d'accès. Chaque outil que vous donnez à un agent est un accès : aux données des clients, à l'envoi de messages, à la modification d'une commande. OpenAI souligne que les garde-fous du modèle (guardrails) doivent être associés à une authentification et une autorisation robustes, à un contrôle d'accès strict et aux mesures habituelles de sécurité logicielle. Un agent relié à une messagerie et à un disque voit tout ce qui s'y trouve ; avant de le connecter, vérifiez où se trouvent réellement les données de l'entreprise et qui devrait y avoir accès. Il en va de même pour les outils reliés par MCP (Model Context Protocol), un standard de connexion des applications d'IA aux systèmes et aux données de l'entreprise : le modèle peut y faire autant que le compte utilisé par le serveur le permet.

Sans contexte, l'agent devine. Dans son communiqué du 11 mai 2026, Gartner cite Rita Sallam : sans compréhension claire des relations et des règles propres aux données d'une organisation, les agents IA ne peuvent pas fonctionner avec précision et sont beaucoup plus susceptibles d'halluciner, c'est-à-dire de présenter une fausseté comme un fait. Les entreprises restent prudentes. Dans une enquête de Gartner du 30 septembre 2025, seuls 19 % de 360 responsables informatiques avaient une confiance élevée ou totale dans la capacité de leur fournisseur à offrir une protection suffisante contre les hallucinations, et 74 % estimaient que les agents IA constituent un nouveau vecteur d'attaque contre leur organisation. L'enquête portait sur des organisations d'au moins 250 employés à plein temps en Amérique du Nord, en Europe et en Asie-Pacifique, sans ventilation par pays.

Une manière courante de donner du contexte à un agent est le RAG (retrieval-augmented generation) : avant que le modèle ne réponde, le système cherche les fragments pertinents des documents de l'entreprise et les lui transmet avec la question. La qualité des réponses dépend alors de la qualité de ces documents.

Une boucle sans limite d'étapes est une facture ouverte

La boucle qui donne de la souplesse à un agent est aussi son plus grand risque de coût. Quand la consigne est floue ou qu'un outil renvoie une erreur, le modèle peut continuer d'essayer : rappeler l'outil, recevoir une nouvelle erreur, essayer autrement. Chaque tour de boucle est un nouvel appel au modèle, et chacun se paie au nombre de jetons. Anthropic écrit sans détour que la nature autonome des agents signifie des coûts plus élevés et un risque d'accumulation d'erreurs.

Les deux fournisseurs donnent la même protection : une condition d'arrêt stricte. Anthropic écrit dans le même texte que la tâche se termine en général une fois accomplie, mais qu'il est aussi courant d'inclure des conditions d'arrêt, par exemple un nombre maximal d'itérations, pour garder le contrôle. Le guide d'OpenAI range l'atteinte d'un nombre maximal de tours parmi les conditions de sortie typiques. Sa boîte à outils pour construire des agents (Agents SDK) a pour cela un paramètre max_turns : s'il est dépassé, le SDK lève une exception MaxTurnsExceeded (documentation de l'OpenAI Agents SDK, consultée le 8 octobre 2026). La limite peut être désactivée : c'est donc l'exécutant, et non l'outil, qui décide de son existence.

La conclusion pour le client : la spécification d'un agent doit contenir une limite d'étapes par tâche et un plafond de budget mensuel, et, dès que l'un des deux est dépassé, le cas passe à une personne. Ce que coûte une étape, nous le calculons plus bas.

Quand un agent a du sens : trois conditions

Un agent a du sens là où l'automatisation ordinaire échoue : décisions avec exceptions, règles impossibles à maintenir et données qu'on ne peut pas ranger dans un tableau. OpenAI conseille de commencer par les flux qui ont jusqu'ici résisté à l'automatisation et donne trois critères, chacun avec son exemple :

1. Décisions complexes. Des flux qui demandent un jugement nuancé, des exceptions ou des décisions dépendant du contexte. Exemple d'OpenAI : l'approbation d'un remboursement dans le service client.
2. Règles difficiles à maintenir. Des systèmes devenus ingérables à cause de jeux de règles étendus et enchevêtrés, où chaque mise à jour est coûteuse ou risque l'erreur. Exemple : l'examen de sécurité d'un fournisseur, c'est-à-dire l'évaluation de la conformité d'un nouveau fournisseur aux exigences de l'entreprise.
3. Beaucoup de données non structurées. Interpréter le langage naturel, extraire du sens de documents, dialoguer avec un utilisateur. Exemple : le traitement d'une déclaration de sinistre d'assurance habitation.

OpenAI ajoute une condition préalable : avant de décider de construire un agent, vérifiez que votre cas remplit nettement ces critères. Sinon, une solution déterministe peut suffire, c'est-à-dire une solution qui, avec les mêmes données, fait toujours la même chose.

Anthropic décrit le même domaine du côté de la tâche. Un agent convient aux problèmes ouverts, où il est difficile ou impossible de prévoir le nombre d'étapes et où l'on ne peut pas figer un chemin unique. Il apporte le plus là où la tâche associe dialogue et action, a des critères de succès clairs, permet de recueillir du retour d'information et comporte une réelle supervision humaine. Comme exemple, Anthropic cite le service client, où l'efficacité se mesure clairement au nombre de cas résolus.

La quatrième condition concerne les limites : une personne valide ce qui ne peut pas être annulé. Dans le même guide, OpenAI écrit que les actions sensibles, irréversibles ou à fort enjeu doivent déclencher une supervision humaine tant que la confiance dans la fiabilité de l'agent n'a pas grandi. Elle cite l'annulation de commandes de clients, l'autorisation de gros remboursements et les paiements. Un agent peut donc préparer un remboursement, réunir les documents et proposer une décision, mais le bouton « valider » reste à un collaborateur.

Un test pour votre processus : savez-vous écrire la règle ? Décrivez le processus comme une liste de « si… alors… ». Si la liste se ferme et couvre presque tous les cas, il vous faut une automatisation, pas un agent : elle sera moins chère, plus rapide et prévisible. Si la liste grandit à chaque nouveau cas et que les exceptions sont de toute façon tranchées par des personnes d'après des courriels et des documents, vous avez un candidat pour un agent. À une condition : les systèmes que l'agent doit utiliser doivent avoir des API.

Quand un agent n'a pas de sens

Dans de nombreuses tâches d'entreprise, un agent n'est pas nécessaire, et ce sont les fournisseurs de modèles eux-mêmes qui le disent. Anthropic recommande de chercher la solution la plus simple possible et de n'augmenter la complexité que lorsque c'est nécessaire, ce qui « peut signifier ne pas construire de systèmes agentiques du tout ». Pour de nombreuses applications, ajoute-t-elle, il suffit en général d'optimiser des appels isolés au modèle avec recherche dans les documents et exemples dans la consigne. Les systèmes agentiques échangent souvent du temps de réponse et du coût contre un meilleur résultat, et c'est à vous d'évaluer si cet échange en vaut la peine.

Dans son communiqué du 25 juin 2025, Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, à cause de coûts qui s'envolent, d'une valeur métier floue ou de contrôles des risques insuffisants. C'est une prévision d'analystes, pas une mesure. Plus important est le propos d'Anushree Verma dans le même communiqué : bien des cas d'usage présentés aujourd'hui comme agentiques n'exigent pas une mise en œuvre agentique.

Un agent n'a pas de sens lorsque :

• le processus peut s'écrire comme une règle : une automatisation suffit alors, par exemple avec n8n ou Make, outils que nous traitons dans l'article sur le low code et le no code ;
• vous voulez seulement une réponse à une question à partir de documents : un seul appel au modèle avec recherche suffit, sans boucle et sans outils d'exécution ;
• les systèmes n'ont pas d'API et les données dorment dans des tableurs et des boîtes mail : l'agent n'a rien pour agir ; pour savoir par où commencer l'automatisation, voir l'article sur l'automatisation des processus ;
• l'effet d'une erreur est irréversible et personne ne peut valider la décision avant son exécution ;
• vous ne savez pas dire quand la tâche est terminée : sans critère de succès, l'agent ne sait pas quand s'arrêter et vous ne savez pas si cela fonctionne.

Combien coûte un agent IA : le calcul des jetons

Un agent se paie en jetons, et il en consomme bien plus qu'un chat, parce qu'à chaque étape le modèle reçoit tout le déroulement de la tâche jusque-là. Un jeton (token) est un fragment de texte dans lequel les fournisseurs comptent ce que vous envoyez au modèle et ce que le modèle renvoie ; le nombre de jetons varie selon la langue. Anthropic indique ses prix en dollars par million de jetons (tarifs de l'API Claude, consultés le 8 octobre 2026), et OpenAI facture dans la même unité (tarifs de l'API OpenAI, consultés le 8 octobre 2026).

Nous avons calculé un exemple sur le tarif d'Anthropic : le modèle Claude Sonnet 5.5 coûte 2 $ par million de jetons en entrée et 10 $ par million de jetons en sortie. Anthropic publie ses prix en dollars américains ; nous les laissons en dollars plutôt que de les convertir. Les nombres de jetons sont nos hypothèses, pas une moyenne du marché.

Le calcul pas à pas (notre arithmétique) :

• Réponse de chat : 3 000 jetons en entrée (la question, la consigne et des fragments de documents) × 2 $ par million = 0,006 $ ; 300 jetons de réponse × 10 $ par million = 0,003 $. Au total 0,009 $.
• Tâche d'agent : 10 appels au modèle, en moyenne 8 000 jetons en entrée par étape, parce que le contexte grandit avec les résultats des outils successifs, et 500 jetons en sortie. Une étape fait 0,016 $ + 0,005 $ = 0,021 $. Dix étapes font 0,21 $, soit environ 23 fois plus qu'une réponse de chat.
• Mois : 1 000 tâches de ce type reviennent à 210 $.

Le tarif d'Anthropic prévoit aussi des taux plus bas pour le traitement par lots et pour les données en cache ; notre calcul ne les inclut pas. En revanche, un agent qui tourne en boucle paie chaque tour supplémentaire : dans notre exemple environ 0,021 $ par étape, et en pratique davantage, parce que le contexte continue de grandir. La limite d'étapes de la section précédente fixe le plafond du coût d'une tâche.

Gartner confirme l'ordre de grandeur. Dans son communiqué du 17 août 2026, il écrit qu'acheminer une tâche vers un modèle de raisonnement agentique multiplie par au moins cinq les coûts d'inférence du fournisseur par rapport à une interaction ordinaire avec un chatbot, et souvent bien davantage quand la tâche se complique. C'est un coût côté fournisseur du modèle, pas un prix pour le client. Les coûts d'exploitation freinent déjà les entreprises : dans l'étude « The state of AI in 2026 » de McKinsey (25 août 2026, 1 719 répondants de 97 pays, réponses déclaratives), environ 20 % ont indiqué que les coûts d'exploitation de l'IA, jetons compris, avaient limité leur usage de l'IA.

Les jetons ne sont que le coût d'exploitation. Le coût de construction d'un agent, c'est-à-dire les intégrations, les droits d'accès, les tests et une période d'observation, dépend du nombre d'outils et de systèmes, et nous n'avons trouvé aucune étude indépendante sur ces prix en Suisse. Une règle vaut quel que soit le prix : le budget doit être intégré à l'agent lui-même, et non vérifié sur une facture au bout d'un mois. Dans la conception du chat de notre propre site, le dépassement du budget mensuel de jetons est l'une des conditions après lesquelles une personne reprend la conversation.

Agents IA, protection des données en Suisse et AI Act de l'UE

La Suisse n'a pas de loi sur l'IA, et l'AI Act ne définit pas l'agent. Un agent est soumis à la loi sur la protection des données (LPD) dès qu'il traite des données personnelles, et à l'AI Act seulement si l'agent ou ses résultats atteignent l'UE. La Chancellerie fédérale écrit sur la page Réglementation de l'IA : « La Suisse ne dispose pas encore d'une législation générale spécifique à l'IA. » Le 12 février 2025, le Conseil fédéral a décidé que la Suisse ratifierait la Convention du Conseil de l'Europe sur l'IA, avec des modifications aussi sectorielles que possible (OFCOM) ; un avant-projet doit être présenté d'ici fin 2026 et, au 8 octobre 2026, nous n'avons trouvé aucune consultation ouverte.

La LPD s'applique déjà aux agents. Le Préposé fédéral à la protection des données et à la transparence (PFPDT) indique que la LPD, en vigueur depuis le 1er septembre 2023, « est directement applicable aux traitements de données basés sur l'IA » (PFPDT). C'est la lecture du PFPDT, pas un jugement. Deux dispositions comptent surtout pour les agents. Selon l'art. 21, al. 1, LPD, le responsable du traitement informe la personne concernée de toute décision prise exclusivement sur la base d'un traitement automatisé et qui a des effets juridiques pour elle ou l'affecte de manière significative, par exemple un agent qui accepte ou refuse des candidats, et la personne peut exiger que la décision soit revue par une personne physique (art. 21, al. 2). L'art. 22, al. 1, exige une analyse d'impact préalable lorsque le traitement est susceptible d'entraîner un risque élevé pour la personnalité ou les droits fondamentaux. La violation intentionnelle des devoirs d'informer des art. 19 et 21 est punie, sur plainte, d'une amende de 250 000 francs au plus, infligée à la personne privée responsable (art. 60) et poursuivie par les cantons (PFPDT). Le texte français de la LPD sur Fedlex fait foi.

Dire aux gens qu'ils parlent à une machine. Face à un modèle de langage qui communiquerait directement avec un utilisateur, ce dernier, écrit le PFPDT, « a le droit de savoir s'il parle ou écrit à une machine ». C'est la lecture de la LPD par le PFPDT, pas un article exprès, et nous n'écrivons pas que le droit suisse impose d'étiqueter un chatbot.

Quand l'AI Act de l'UE concerne une entreprise suisse. L'art. 2, par. 1, du règlement sur l'intelligence artificielle vise les fournisseurs qui mettent sur le marché ou mettent en service des systèmes d'IA dans l'Union, qu'ils soient établis dans l'Union ou dans un pays tiers, ainsi que les fournisseurs et déployeurs établis dans un pays tiers « lorsque les sorties produites par le système d'IA sont utilisées dans l'Union ». Une entreprise suisse qui propose un agent à des utilisateurs dans l'UE est un fournisseur. Dans ce cas, les lignes directrices de la Commission sur l'art. 50 du 20 juillet 2026 (document publié en anglais, non contraignantes) indiquent que les agents IA relèvent de l'art. 50, par. 1, s'ils peuvent interagir avec des personnes physiques dans l'exécution de leurs tâches, par exemple pour des réservations, la gestion de la correspondance ou des achats, et qu'ils doivent révéler à la fois leur nature artificielle et la personne pour le compte de laquelle ils agissent ; l'obligation s'applique depuis le 2 août 2026, avec une amende pouvant atteindre 15 millions d'euros ou 3 % du chiffre d'affaires annuel mondial total, « le montant le plus élevé étant retenu » (art. 99, par. 4), mais « le chiffre le plus faible » pour les PME (art. 99, par. 6). L'art. 3, point 1, définit le « système d'IA » comme « un système automatisé qui est conçu pour fonctionner à différents niveaux d'autonomie et peut faire preuve d'une capacité d'adaptation après son déploiement, et qui, pour des objectifs explicites ou implicites, déduit, à partir des entrées qu'il reçoit, la manière de générer des sorties telles que des prédictions, du contenu, des recommandations ou des décisions qui peuvent influencer les environnements physiques ou virtuels » ; l'AI Act n'a pas de définition distincte de l'agent. La maîtrise de l'IA du personnel selon l'art. 4 (dans la version du règlement 2026/1744 : les fournisseurs et les déployeurs « prennent des mesures pour favoriser le développement de la maîtrise de l'IA par leur personnel », sans devoir garantir un niveau précis, et, selon les questions et réponses de la Commission, « pas l'obligation de mesurer les connaissances des travailleurs en matière d'IA ») et les règles sur le haut risque (annexe III, par exemple le recrutement, dès le 2 décembre 2027) ne s'appliquent aussi que si l'art. 2, par. 1, est déclenché. Une entreprise suisse qui utilise simplement l'IA en Suisse n'est concernée que si les sorties sont utilisées dans l'Union ; où passe cette limite, les textes que nous avons lus ne le tranchent pas : demandez à un juriste. Les obligations selon le rôle de l'entreprise, les amendes et une liste de contrôle figurent dans l'article AI Act pour une entreprise suisse.

Ce texte décrit les règles ; ce n'est pas un conseil juridique.

Agents IA dans les entreprises suisses : ce que disent les données

Il n'existe aucune donnée sur les agents dans les entreprises suisses ; il n'y a qu'un indicateur sur les systèmes basés sur l'IA en général, de 2023, qui montre environ une entreprise sur dix. L'Office fédéral de la statistique (OFS) le publie sur sa page Autres usages des TIC, à partir de l'enquête sur l'innovation du KOF : année de données 2023, entreprises de cinq personnes occupées ou plus. Selon l'OFS, « les grandes entreprises sont celles qui recourent le plus à cette technologie, suivies par les moyennes, puis par les petites entreprises », et l'usage est le plus répandu dans les services. Le graphique ne comporte pas d'étiquettes de valeur ; lu sur l'axe (notre lecture), il montre environ une entreprise sur dix au total et environ une grande entreprise sur trois. Nous ne le mettons pas à côté des chiffres d'Eurostat, car l'enquête diffère et la Suisse ne figure pas dans le tableau d'Eurostat sur l'IA. Un autre signal vient de l'enquête d'un assureur relayée par le portail PME du SECO, l'étude d'AXA sur le marché de l'emploi : entre 2024 et 2025, la part des PME ayant intégré l'IA est passée de 22 % à 34 %. Nous n'avons pas examiné sa méthode.

Seules des enquêtes mondiales parlent des agents eux-mêmes. Dans l'étude de McKinsey de 2026, 40 % des répondants de grandes organisations (chiffre d'affaires supérieur à un milliard de dollars, 27 % un an plus tôt) et 22 % des répondants de plus petites organisations, sans changement d'une année à l'autre, ont déclaré déployer des agents IA à grande échelle. « Plus petites » signifie ici un chiffre d'affaires inférieur à un milliard de dollars : ce ne sont donc pas des PME suisses.

Nous réunissons le tableau plus large de l'IA en entreprise, des assistants des suites bureautiques aux règles, dans la rubrique L'IA en entreprise.

Comment démarrer : un processus, une personne dans la boucle, une limite de coût

Commencez par un processus et la solution la plus simple capable de le traiter ; n'ajoutez un agent que lorsqu'un flux plus simple ne suffit pas. OpenAI le formule brièvement dans son guide : commencer petit, valider avec de vrais utilisateurs et élargir les capacités au fil du temps. En pratique, cela fait six étapes :

1. Choisissez un processus qui remplit les conditions de la section sur le sens d'un agent : décisions avec exceptions, règles impossibles à maintenir, beaucoup de texte et de documents.
2. Construisez d'abord le flux. Écrivez dans un workflow tout ce qui peut s'écrire, et n'insérez le modèle que là où une règle ne suffit pas. C'est ainsi que nous construisons les automatisations de processus : d'abord le flux, le modèle seulement dans l'étape qui l'exige.
3. Au départ, donnez à l'agent des outils en lecture seule : recherche dans les documents, consultation d'une commande, créneaux libres.
4. Faites valider par une personne les actions irréversibles : remboursement, paiement, annulation, envoi d'un message à un client.
5. Fixez des limites : d'étapes par tâche et de budget mensuel de jetons, avec passage du cas à une personne en cas de dépassement.
6. Passez régulièrement en revue les conversations et les journaux avant d'élargir les droits.

C'est ainsi que nous concevons le chat IA de notre propre site. Nous le mettons en place sur notre site et il n'y a pas encore de résultats : nous décrivons donc les hypothèses, pas les effets. Le premier message du bot indique qu'une IA répond. Pendant les heures de travail, une personne reprend la conversation dans six situations : lorsque l'interlocuteur le demande, lorsque le bot ne trouve pas la réponse dans la base de connaissances ou manque de certitude, lorsque l'interlocuteur est jugé comme un client potentiel de forte valeur, pour une réclamation et pour les sujets juridiques ou financiers qui dépassent ce que nous avons publié, lorsque la personne qui écrit est déjà notre cliente, et lorsque le budget mensuel de jetons est dépassé. En dehors des heures de travail, le bot ne transmet pas la conversation automatiquement, le dit clairement et propose un créneau libre. Une fois la personne intervenue, le bot se tait. Le CRM reçoit un résumé de la conversation, et la transcription complète reste dans la boîte du support. Après le lancement, nous observerons le bot pendant au moins quatre semaines et vérifierons chaque semaine où il a inventé quelque chose ; ce n'est qu'ensuite que nous proposerons une solution semblable à des clients.

Selon la définition d'Anthropic, ce chat est plus proche d'un workflow que d'un agent autonome : il répond à partir d'une base de connaissances et utilise quelques outils, comme la réservation d'un rendez-vous, mais dans un flux fixe. C'est un choix délibéré, conforme au conseil des fournisseurs de modèles eux-mêmes : autant d'autonomie que le processus l'exige, et pas un pas de plus.