Pour savoir ce que valent les agents IA en entreprise, KPMG et l’Université d’Amsterdam ont confié en 2025 des rôles de direction à cinq agents, avec un conseil de surveillance humain et une boutique en ligne à lancer. L’expérience a surtout mesuré ce qui déraille.
Un agent IA d’entreprise est un programme qui s’appuie sur un LLM pour atteindre un objectif. Il lit des données et appelle des outils (CRM, ERP, messagerie, base de tickets), puis enchaîne les actions de lui-même, dans un périmètre fixé et sous la responsabilité d’un humain nommé.
Qu’est-ce qu’un agent IA en entreprise ?
Un agent perçoit une situation, décide, exécute, puis vérifie le résultat de son action avant de recommencer. Il combine un modèle de langage qui raisonne sur le texte, des outils qu’il a le droit d’appeler pour agir sur les systèmes, une mémoire de la tâche (parfois complétée par une base documentaire interrogée en RAG) et un system prompt qui fixe l’objectif et les limites.
Face à une fenêtre de discussion, l’agent agit. Le modèle seul rédige une réponse de remboursement. L’agent ouvre la commande, vérifie le statut du paiement, déclenche le remboursement s’il entre dans son périmètre et note l’opération dans le ticket.
Agent, chatbot et RPA : ce qui les sépare
Le chatbot répond à une question et s’arrête là. Le RPA (robotic process automation) rejoue un script fixe au clic près ; la chaîne casse dès qu’un champ change de place dans l’interface. L’agent choisit lui-même ses étapes pour atteindre le but, y compris celles que personne n’avait écrites.
La nuance pèse sur les achats : d’après Gartner (communiqué du 25 juin 2025), seuls quelque 130 éditeurs sur les milliers qui se disent « agentiques » le sont vraiment ; les autres rebaptisent des assistants conversationnels ou du RPA. Ce procédé porte un nom : agent washing. Avant de signer, demandez la liste des outils que l’agent peut appeler et des décisions qu’il prend sans validation.
Cas d’usage par fonction : support, finance, RH, IT
Les usages les plus courants suivent les processus répétitifs dont les données sont déjà rangées dans un système.
- Support client : tri des tickets, réponses aux questions de statut, préparation des remboursements, transfert vers un conseiller dès que le cas sort du cadre. Le détail se trouve dans notre dossier sur le support client automatisé par des agents.
- Finance : rapprochement des factures avec les bons de commande, relances de paiement, préparation d’écritures que le comptable valide.
- RH : réponses sur la paie et les congés, planification d’entretiens, pré-tri de candidatures, un usage que l’AI Act range parmi les plus encadrés.
- IT : qualification des incidents dans ServiceNow ou Jira Service Management, réinitialisation de mots de passe, correctifs sur un périmètre autorisé.
La vente et le marketing suivent le même schéma : qualification de leads et séquences, reporting à la clé. Salesforce Agentforce et HubSpot Breeze occupent ce terrain. Les familles d’agents sont décrites dans notre panorama des types d’agents IA marketing ; l’analyse de ce qu’ils exécutent sans humain en détaille les limites. La comparaison des offres d’éditeurs se lit dans le dossier sur Agentforce, Breeze, Gong et Clay.
Comment un agent fonctionne : outils, MCP, orchestration
Dans sa boucle de travail, le modèle lit l’état de la tâche, choisit un outil (le tool use, répandu depuis juin 2023 avec l’appel de fonctions d’OpenAI), reçoit le résultat, puis décide de la suite. Tout ce qu’il sait de la situation doit tenir dans sa context window ; au-delà, il oublie des éléments. Mieux vaut lui fournir des extraits ciblés que des dossiers entiers.
Le branchement au système d’information passe par des API ou par le MCP (Model Context Protocol), un standard ouvert publié par Anthropic le 25 novembre 2024 pour exposer outils et données à un modèle de façon uniforme. Avec un serveur MCP côté CRM et un autre côté base de tickets, l’agent ne voit que la liste d’actions qu’on lui ouvre.
Quand les tâches se multiplient, on les répartit entre agents spécialisés que coordonne un agent chef d’équipe : c’est l’orchestration multi-agents.
Expériences et déploiements : ce que montrent KPMG et Gartner
KPMG et l’Université d’Amsterdam ont présenté le 20 novembre 2025 leur étude d’une « entreprise à zéro personne ». Les cinq agents de départ, dont un PDG nommé Avery Jameson, ont choisi de vendre de l’art personnalisé en ligne, coachés par un conseil de surveillance humain. Sander Klous, qui enseigne à l’UvA et siège chez KPMG comme associé, en tire ce constat :
« Si l’on confie à des agents IA des rôles humains reproduits à l’identique, par exemple celui de directeur financier, ils dérivent puis hallucinent. » (Sander Klous, KPMG, 2025, traduit de l’anglais)
Le plan a été revu. Les chercheurs ont cartographié les processus en détail et confié de petites tâches à une « armée d’agents jetables », au lieu d’attribuer un poste complet à un agent unique. L’étude reste académique : elle décrit une méthode sans gain chiffré transposable, avec un conseil humain dans la boucle.
Côté déploiements ordinaires, Gartner prévoit que plus de 40% des projets d’IA agentique seront abandonnés d’ici fin 2027, faute de maîtrise des coûts ou de valeur claire, avec des contrôles de risques jugés insuffisants. Son sondage de janvier 2025 auprès de 3 412 participants à un webinaire relevait 19% d’investissements significatifs et 42% d’investissements prudents.
Gouvernance : un responsable nommé pour chaque agent
Sans cadre, un agent agit comme un salarié que personne ne dirige. Six décisions évitent ce scénario :
- tenir un inventaire des agents en service, y compris ceux que les équipes ont branchés seules (le « shadow AI » des équipes) ;
- nommer un propriétaire par agent : une personne qui répond de ses actes ;
- donner à chaque agent une identité propre avec les droits minimaux nécessaires, sans clé administrateur partagée ;
- cartographier les données auxquelles l’agent accède et leur lieu d’hébergement avant tout branchement ;
- journaliser chaque action et chaque appel d’outil pour pouvoir rejouer un incident ;
- écrire noir sur blanc quelles actions exigent une validation humaine.
Le cadre légal ajoute deux couches. La première est le RGPD : son article 22, applicable depuis mai 2018, interdit en principe qu’une décision à effet significatif repose uniquement sur un traitement automatisé. Une validation de pure forme ne vaut pas intervention humaine : l’agent qui trie des candidatures ou des demandes de crédit doit laisser un humain trancher réellement. Les décisions automatisées à grande échelle appellent en général une analyse d’impact (AIPD, article 35). Dans l’arrêt SCHUFA du 7 décembre 2023 (C-634/21), la CJUE a en outre jugé qu’un score peut compter comme une décision quand l’humain qui suit s’y range presque toujours.
La seconde est le règlement européen 2024/1689 (l’AI Act), en vigueur depuis août 2024, qui définit quatre niveaux de risque et rappelle que la plupart des systèmes d’IA présentent un risque minimal ou nul. Les usages de l’annexe III, dont le recrutement, relèvent du haut risque, avec obligations de supervision et de documentation. Le « Digital Omnibus », en vigueur depuis juillet 2026, a repoussé ces obligations au 2 décembre 2027 sans toucher à l’interdiction des pratiques prohibées, applicable depuis le 2 février 2025. Planifiez sur ce calendrier, sans cesser de préparer la documentation.
Risques : hallucinations, injections de prompt
Le directeur financier qui hallucine dans l’expérience KPMG a son équivalent en entreprise : l’agent de facturation qui invente un numéro de commande puis relance un client pour un impayé inexistant.
L’injection de prompt est plus insidieuse. Une page web lue par l’agent ou un PDF joint à un e-mail peuvent cacher des instructions que le modèle exécute comme si elles venaient de vous. Plus l’agent détient de droits, plus ce détournement coûte cher. Deux parades existent : séparer les agents qui lisent du contenu externe de ceux qui agissent ; filtrer les sorties. Les actions irréversibles restent bloquées par défaut.
Les erreurs se propagent aussi d’un agent à l’autre. Dans une chaîne de 5 agents, la sortie fausse du deuxième devient l’entrée du troisième, que personne ne relit. Le découpage en petites tâches retenu par l’équipe d’Amsterdam limite ce risque : chaque agent jetable ne voit qu’un morceau du dossier ; une validation humaine peut s’intercaler entre deux maillons. Sur les actions touchant à l’argent, on fixe un plafond par opération (par exemple 500 €) et une alerte quand le cumul du jour atteint 80% du plafond journalier.
Un incident réel instruit davantage que 10 principes ; nous en décortiquons un dans l’article sur un agent qui a planté en production.
Combien coûte un agent IA en entreprise ?
La facture dépasse largement la licence. Chaque exécution consomme des tokens ; une boucle d’agent enchaîne plusieurs dizaines d’appels, si bien que le token cost d’une tâche se multiplie avec les relectures et les reprises après erreur. S’y ajoutent l’intégration au système d’information, la maintenance quand un outil change, les jeux de tests et le temps humain de supervision.
Gartner range les coûts qui dérapent parmi les causes d’abandon. Pour juger de la rentabilité, comparez le coût complet d’une tâche traitée par l’agent (tokens, supervision, reprises) au coût de la même tâche traitée par un humain, mesuré avant le pilote. Pour comparer les modèles sur ce poste, notre dossier sur les coûts des LLM pour agents en 2026 donne des ordres de grandeur versionnés.
Par où commencer : un pilote de 42 jours
Un seul cas, confié à un seul propriétaire, avec un indicateur relevé avant le lancement. Le ticket de support de niveau 1 ou le rapprochement de factures font de bons candidats, de même que la qualification d’incidents.
Les 14 premiers jours servent à cartographier le processus et à mesurer la situation de départ : délai moyen et taux d’erreur, plus le volume traité. Pendant les 14 jours suivants, l’agent tourne en mode « suggestion » : il prépare, un humain valide chaque action. Les 14 derniers jours lui donnent une autonomie limitée sur les cas à faible risque, avec un critère de sortie écrit d’avance, par exemple un taux d’erreur inférieur au niveau humain actuel sur 200 dossiers. La décision d’élargir ou d’arrêter se prend sur ces chiffres.
Pour fixer le niveau d’autonomie, croisez deux questions : l’action est-elle réversible ? Touche-t-elle une personne ou de l’argent ?
- Support : l’agent répond seul aux questions de statut ; un humain valide tout remboursement.
- Finance : l’agent propose rapprochements et relances ; le comptable valide les écritures et chaque paiement.
- RH : l’agent répond seul sur congés et paie ; un recruteur tranche les candidatures.
- IT : l’agent traite seul les réinitialisations de mot de passe ; un humain valide les changements en production.
- Vente et marketing : l’agent prépare séquences et reporting ; les envois en masse passent par une relecture.
Pour monter d’un cran, attendez que les journaux montrent 90 jours sans correction humaine au niveau précédent.
Questions fréquentes
Quel premier cas choisir ?
Un processus fréquent et mesurable, par exemple le tri des tickets de support de niveau 1. Évitez tout ce qui touche à l’argent ou à une décision sur une personne.
Un agent IA remplace-t-il un salarié ?
Il prend en charge des tâches et rarement un poste entier. L’expérience KPMG montre qu’un rôle copié à l’identique dérive, alors qu’un découpage en petites tâches tient mieux.
Faut-il un développeur pour déployer un agent ?
Un premier pilote s’en passe : n8n, Make ou Copilot Studio assemblent des agents simples. L’intégration au système d’information et la gestion des droits demandent en revanche un profil technique.
L’AI Act s’applique-t-il à mon agent ?
Oui dès que vous l’utilisez dans l’Union européenne, avec une intensité qui dépend du niveau de risque. Un agent de support relève en général du risque limité ; le tri de candidatures, du haut risque.
