Agent IA en entreprise : le guide pour bien démarrer

Un agent IA en entreprise, c'est un programme qui reçoit un objectif, choisit lui-même les étapes, et agit dans vos outils pour l'atteindre : il lit un dossier, interroge le CRM, prépare une réponse, ouvre un ticket. Un chatbot répond. Un agent fait.

C'est aussi le sujet le plus survendu du moment. En juin 2025, Gartner prévoyait que plus de 40 % des projets d'IA agentique seraient abandonnés d'ici fin 2027, à cause des coûts, d'une valeur floue ou de contrôles de risque insuffisants. Le cabinet estimait aussi qu'environ 130 éditeurs seulement, sur des milliers qui se disent « agentiques », proposaient de vrais agents.

Ce guide sert à éviter de faire partie des 40 %. On y voit quand un agent se justifie, ce qu'il lui faut pour tenir en production, et comment lancer le premier.

Agent, assistant, automatisation : ne pas tout appeler agent

Gartner donne une règle simple : des agents quand il faut prendre des décisions, de l'automatisation pour les tâches routinières, des assistants pour la simple recherche d'information. Beaucoup de cas présentés comme agentiques n'en ont pas besoin.

Un bon test : si vous pouvez dessiner le parcours sur un tableau blanc et qu'il est toujours le même, vous n'avez pas besoin d'un agent. Notre guide sur les processus à automatiser en premier détaille ce choix.

Les quatre briques d'un agent qui tient en production

Le modèle (Claude, GPT, Mistral…) compte moins qu'on ne le croit. Entre une démo et un agent utilisé tous les jours, la différence tient à quatre briques autour.

1. Les outils : brancher l'agent sur vos vrais systèmes

Un agent ne vaut que par ce qu'il peut lire et faire. Branché sur un export figé, il répond à côté. Branché sur vos API, vos bases et vos outils métier, il travaille avec le vrai contexte.

Chez LocService, plateforme de location entre particuliers qui reçoit plusieurs centaines de tickets par jour, l'assistant de support est connecté aux API internes. Il voit le vrai dossier du client avant de rédiger. C'est en partie pour ça que ses brouillons sont utilisés sur 87 % des tickets. Le détail est dans notre article sur l'agent IA pour le support client.

2. La mémoire : ce que l'entreprise sait, pas seulement ce qu'elle stocke

Donner à un agent l'accès au Drive ne suffit pas. Il lui faut les règles, les exceptions, le « pourquoi on fait comme ça ». Sans cette mémoire, il refait les erreurs que l'équipe a appris à éviter.

Nos skills servent à ça : des consignes écrites, versionnées, que l'agent charge quand il en a besoin. On a développé l'idée dans Agents don't lack tools, they lack company memory.

3. L'autorité : ce que l'agent a le droit de faire seul

C'est là que se joue la sécurité. Un agent qui lit des données n'a pas le même risque qu'un agent qui envoie un mail à un client ou valide un paiement. On raisonne en quatre niveaux : lire, proposer, préparer, exécuter. On démarre bas, et on monte quand les chiffres le justifient.

La règle la plus utile tient en une phrase : écrire ce que l'agent fait quand il ne sait pas. Dans notre compta, une ligne bancaire que l'IA ne reconnaît pas part dans « Autre », et un humain tranche (le détail ici). Pour creuser : le vrai risque des agents IA, c'est l'autorité.

4. La mesure : prouver que l'agent sert à quelque chose

Sans chiffres, le deuxième agent ne sera jamais financé. Avant de lancer, on note l'état de départ : temps par cas, volume, taux d'erreur. Après, on suit trois chiffres chaque semaine :

• le taux d'utilisation : la part des sorties de l'agent vraiment utilisées (87 % chez LocService) ;
• le taux de correction : la part que l'humain réécrit ou rejette ;
• le coût par cas : appels au modèle, infrastructure et temps de relecture compris.

Les cas d'usage qui marchent en premier

Dans les entreprises moyennes et grandes, les premiers agents qui tiennent ont souvent le même profil : beaucoup de volume, des données accessibles, et un humain qui valide déjà le travail.

• Le support client : l'agent lit le ticket, l'historique et la doc, puis prépare la réponse. L'humain envoie.
• Le contrôle de documents : pour Coup de Pates, une bibliothèque de skills vérifie les documents produit. L'IA pointe les écarts, l'équipe qualité décide.
• La veille et le tri : notre veille IA automatique range chaque annonce dans un de quatre paniers, de l'alerte Slack immédiate à « rien ».
• Les agents de code : déployer Claude Code ou Codex dans une équipe produit demande les mêmes briques (accès, règles, revue). On l'a expliqué dans Claude Code en entreprise.

Ce qu'on garde pour plus tard : les décisions irréversibles, les processus que personne ne sait décrire, et les données qui vivent dans des mails et des têtes.

Lancer son premier agent en cinq étapes

1. Choisir un seul processus, mesurable, avec un humain qui valide. Pas un catalogue de vingt cas d'usage.
2. Écrire les règles : ce que l'agent doit faire, ce qu'il ne doit jamais faire, et ce qu'il fait quand il doute.
3. Brancher les vrais outils avec des droits minimaux : un compte de service dédié, en lecture d'abord.
4. Mettre en production petit, avec une équipe pilote qui l'utilise vraiment, et un journal de chaque action.
5. Mesurer, puis élargir l'autonomie ou le périmètre quand les chiffres le montrent.

C'est entre le pilote et la production que la plupart des projets cassent. On a écrit une checklist complète du POC à la production pour cette étape.

Données sensibles et financement

Si vos données sont des données de santé, le cadre change : hébergement, accès, traçabilité. Notre guide IA et données de santé (HDS) liste ce qu'il faut vérifier. Côté budget, certains dispositifs publics peuvent aider : voir financer un projet IA (CIR, CII, Diag Data IA, France 2030).

Construire en interne ou se faire accompagner

Les deux marchent. Une équipe interne connaît les processus. Ce qui lui manque souvent, c'est l'expérience des pièges propres aux agents : droits trop larges, mémoire absente, pas de mesure. Un prestataire apporte cette expérience, à condition qu'il livre en production et transmette ce qu'il fait. Notre comparatif agence IA, ESN, freelance ou équipe interne aide à trancher.

The Vibe Company est une agence IA native fondée à Paris en 2024 par Stan Girard et Antoine Dewez. Avant l'agence, ils ont construit Quivr, un projet open source d'IA passé par Y Combinator (W24). On construit des agents branchés sur les vrais systèmes de nos clients, de l'assistant support de LocService aux produits livrés pour Monka, mis en production en deux mois dans un environnement de données de santé déjà en place. Et on forme les équipes pour qu'elles fassent évoluer l'agent sans nous.

FAQ

Qu'est-ce qu'un agent IA en entreprise ?
Un programme qui reçoit un objectif, choisit ses étapes et agit dans vos outils (CRM, ticketing, bases internes) pour l'atteindre, avec des droits définis et un humain qui valide les actions sensibles.

Quelle différence entre un chatbot et un agent IA ?
Un chatbot répond à des questions. Un agent agit : il va chercher l'information, prépare un dossier, ouvre un ticket. C'est pour ça que la question des droits devient centrale.

Faut-il un agent pour automatiser un processus ?
Souvent non. Si le parcours est toujours le même, une automatisation avec une étape IA suffit, et elle coûte moins cher à faire tourner.

Comment sécuriser un agent IA ?
Droits minimaux, compte de service dédié, journal de chaque action, validation humaine pour tout ce qui sort de l'entreprise, et une règle écrite pour les cas où l'agent ne sait pas.

Par où commencer ?
Par un seul processus à fort volume, avec des données accessibles et un humain qui valide déjà le travail. On mesure avant, on mesure après, puis on élargit.

Parlons de votre premier agent

Vous avez un processus en tête, ou un pilote qui ne passe pas en production ? Venez avec le volume, les outils en place et ce qui bloque. On vous dit franchement si un agent est la bonne réponse, et sinon ce qu'il faut à la place.

Réservez 30 minutes avec Stan.