Agents IA : ce qu'un chatbot ne fera jamais
Un agent IA agit là où un chatbot répond : il enchaîne des actions dans tes outils jusqu'à son objectif. Le cabinet Gartner estime que seulement environ 130 des milliers de fournisseurs d'agents IA sont réels.
Tu reçois la proposition commerciale d'un « agent IA » pour ton service client. Le produit ressemble beaucoup au chatbot que tu connais déjà. Ce n'est pas forcément une impression : Gartner appelle « agent washing » le fait de rebaptiser « agent » un assistant IA, un robot d'automatisation des tâches répétitives (RPA) ou un chatbot sans capacité agentique réelle. Pour t'y retrouver, tu n'as pas besoin de coder : il suffit de savoir ce qu'un agent fait de plus qu'un chatbot.
Un agent IA est un programme qui reçoit un objectif, le découpe en étapes, utilise des outils (fichiers, messagerie, navigateur) et ajuste son plan selon ce qu'il observe. Un chatbot, lui, répond puis s'arrête. Selon une enquête citée par Databricks, 19 % des organisations ont déployé des agents, le plus souvent de façon limitée.
Ce qu'un agent fait qu'un chatbot ne fait pas
Quand tu discutes avec ChatGPT ou Claude en conversation simple, le chatbot répond à ton message puis s'arrête. Même quand il fait une recherche sur le web, c'est pour te répondre : il n'enchaîne pas d'actions dans tes logiciels pour atteindre un objectif. Un agent IA, lui, part d'un objectif (« trouve-moi un vol Paris-Berlin le 15 juillet à moins de 400 € ») et décide lui-même des étapes : chercher des vols, comparer les prix, vérifier ton calendrier, choisir. À chaque étape, il se sert d'un outil, c'est-à-dire d'un autre logiciel auquel il a accès (un site de réservation, tes fichiers, ta messagerie), regarde le résultat et ajuste son plan.
Ce cycle s'appelle la boucle agentique : un objectif, des étapes, des outils, un ajustement, puis on recommence jusqu'à ce que l'objectif soit atteint ou que l'agent signale qu'il est bloqué.
La boucle d'un agent : observer, décider, agir
Réserver un vol Paris-Berlin pour le 15 juillet sous 400 euros.
Il te donne une liste de conseils pour chercher un vol, puis s'arrête. Une seule réponse, aucune action.
Un agent peut aussi boucler dans la mauvaise direction : si l'objectif est mal défini, il optimise une cible que tu n'aurais pas validée.
C'est cette capacité qui manque aux produits que vise l'agent washing. Gartner estime que « seulement environ 130 des milliers de fournisseurs d'IA agentique sont réels ».
Ce qui le sépare d'une automatisation
Une automatisation classique, un scénario n8n ou Make par exemple, suit un chemin fixé à l'avance : quand un e-mail arrive avec une pièce jointe, range-la dans tel dossier, puis préviens telle personne. Chaque étape a été écrite par un humain, même si l'une d'elles confie la rédaction d'un texte à un modèle de langage, le logiciel d'IA qui produit du texte. Un agent choisit lui-même le chemin. Si le vol qu'il cherche n'existe pas, il essaie une autre date ou une autre ville au lieu de s'arrêter. Cette souplesse fait à la fois l'intérêt de l'agent et son risque : rien n'est écrit d'avance, donc rien n'empêche l'agent de partir dans une mauvaise direction. Si le modèle de langage qui le pilote invente une réponse plausible, l'agent agit sur une information fausse sans le signaler.
Un agent peut aussi confier une partie du travail à d'autres agents : c'est l'orchestration multi-agents, où un agent orchestrateur répartit les sous-tâches entre des agents spécialisés. À notre avis, ce montage aggrave le risque : chaque agent ajouté est une étape de plus où une erreur peut passer d'un agent à l'autre sans relecture.
Où en sont vraiment les agents en 2026
« Seulement 19 % des organisations ont déployé des agents IA, et surtout dans une mesure limitée », selon une enquête du magazine MIT Technology Review. Le chiffre est repris dans le rapport State of AI Agents 2026 de Databricks, un éditeur de plateforme de données et d'IA. À notre avis, un vendeur qui présente les agents comme une pratique courante devance donc ce que les entreprises déclarent.
Le même rapport relie une habitude à la réussite. Parmi les clients de Databricks, ceux qui utilisent des outils d'évaluation mettent près de six fois plus de projets d'IA en production. Un outil d'évaluation mesure ce que fait réellement l'agent. Le rapport s'appuie sur les données de plus de 20 000 organisations clientes, dont plus de 60 % des entreprises du Fortune 500, le classement des 500 plus grandes entreprises américaines. Nous ne savons pas si l'écart vaut pour une TPE. Il ne prouve pas non plus que l'évaluation en soit la cause : des équipes plus mûres peuvent à la fois évaluer leurs agents et mener plus de projets jusqu'à la production.
Ce que mesure Anthropic
Le 18 février 2026, Anthropic, qui développe Claude, a publié une analyse de millions d'interactions. Elles sont passées par son outil de programmation Claude Code et par son API publique, c'est-à-dire l'accès par lequel d'autres logiciels appellent ses modèles.
Pour les appels d'outils de l'API, c'est-à-dire les actions que l'agent déclenche dans un autre logiciel, l'étude relève que « 73 % semblent avoir un humain dans la boucle d'une façon ou d'une autre, et seulement 0,8 % des actions semblent irréversibles (comme l'envoi d'un e-mail à un client) ». Un humain dans la boucle, c'est une personne qui intervient sur l'action. Le « d'une façon ou d'une autre » d'Anthropic reste large : il ne garantit pas que chaque action soit relue. Anthropic mesure ici l'usage de ses propres produits, où les actions sans retour possible restent rares : ce qui compte pour toi, c'est de savoir si ton agent pourrait en faire.
Ce que les éditeurs disent de leurs agents
Sur les agents de pointe, la documentation publique est maigre. Le 2025 AI Agent Index, une étude universitaire publiée en février 2026, recense 30 agents IA de pointe à partir d'informations publiques et d'échanges avec leurs développeurs. Son constat : « la plupart des développeurs partagent peu d'informations sur la sécurité, les évaluations et les impacts sociétaux ». Nous en déduisons que, pour juger un agent, tu dépends souvent de ce que son éditeur accepte de dire.
Deux prévisions de Gartner qui semblent se contredire
Le 25 juin 2025, Gartner écrivait que « plus de 40 % des projets d'IA agentique seront annulés d'ici la fin de 2027, en raison de coûts croissants, d'une valeur métier floue ou de contrôles des risques insuffisants ». Le 26 août, le cabinet prévoyait que jusqu'à 40 % des applications d'entreprise intégreraient des agents IA spécifiques à une tâche d'ici la fin de 2026, contre moins de 5 % en 2025.
Les deux prévisions ne portent pas sur le même objet : la première compte des projets que leurs promoteurs abandonnent, la seconde des applications qui reçoivent un agent. Elles ne s'opposent donc pas. Aucune des deux ne dit combien d'agents travaillent aujourd'hui.
Ce que tu peux confier à un agent, et ce que tu gardes
Confie à un agent les tâches longues, répétitives et bien définies, celles dont une erreur se rattrape. Tu peux lui demander de lire 300 factures PDF, d'en extraire les montants et les fournisseurs et de produire un tableau : si une ligne est fausse, tu la corriges. Il peut aussi surveiller vingt sources, retenir les articles qui répondent à tes critères et rédiger un résumé chaque semaine. Autre cas, la recherche d'informations publiques sur une liste d'entreprises, avec une fiche de qualification pour chacune, première brique d'une machine de prospection IA.
Garde la main sur ce qui ne se rattrape pas : un message à un contact réel, une modification de ta base clients, un paiement, un engagement contractuel, un contenu publié sans relecture. L'étude d'Anthropic cite elle-même l'envoi d'un e-mail à un client comme exemple d'action irréversible. Le tableau suivant range six tâches types selon le niveau d'autonomie que nous leur laisserions.
Que confier à un agent (et que garder sous contrôle) ?
Version texte du tableau de bord
| Tâche | Verdict | Réversibilité | Justification |
|---|---|---|---|
| Lire 300 factures PDF et produire un tableau Excel | Agent seul | Réversible | La lecture de fichiers et la production d'un tableau sont des opérations sans effet de bord. Si l'agent fait une erreur d'extraction, tu peux corriger le fichier et relancer sans conséquence. |
| Surveiller 20 sources et rédiger un résumé hebdomadaire | Agent seul | Réversible | La veille et la rédaction d'un résumé ne modifient rien dans tes systèmes. L'agent peut répéter la tâche autant de fois que nécessaire sans risque. |
| Qualifier une liste de prospects à partir d'infos publiques | Agent seul | Réversible | La qualification repose sur des informations publiques et ne déclenche aucune action externe. Tu valides les résultats avant de les exploiter commercialement. |
| Envoyer un email à un client | Humain dans la boucle | Irréversible | Un email envoyé ne peut pas être rappelé. Un mauvais destinataire, un ton inapproprié ou une erreur de contenu ont des conséquences réelles. L'agent prépare le brouillon, un humain valide avant l'envoi. |
| Modifier la base de données clients | Humain dans la boucle | Irréversible | Modifier une base de données clients peut écraser des données critiques. Même avec des sauvegardes, la restauration coûte du temps et crée des risques de conformité RGPD. Chaque modification mérite une validation humaine. |
| Payer une facture ou faire un virement | Jamais seul | Irréversible financier | Un virement exécuté est difficile à annuler et peut engager la responsabilité légale de l'entreprise. C'est la catégorie d'action qui exige systématiquement une double validation humaine, quelle que soit la maturité de l'agent. |
Sur les déploiements réels, seules 0,8 % des actions des agents sont irréversibles et 73 % gardent un humain dans la boucle (Anthropic, 2025). Ce n'est pas de la prudence excessive : c'est la méthode.
Un cas récent montre pourquoi garder la main : le 16 juillet 2026, Hugging Face, la plateforme où la communauté partage des modèles d'IA, a révélé une intrusion pilotée par des agents IA. OpenAI a reconnu en être la source involontaire : c'était l'effet d'un test de cybersécurité interne sur un modèle expérimental. Nous en avons fait la reconstitution de l'incident. Nous en retenons qu'une action menée par des agents peut échapper à ceux qui la lancent, y compris dans un laboratoire qui les construit.
Pour toi qui n'es pas développeur
Tu n'as pas besoin de coder pour t'y exercer. Zapier ou Make permettent, avec une interface visuelle, de monter une automatisation où une étape confie un texte à une IA. Tant que le chemin reste écrit par toi, tu restes dans l'automatisation, une première marche : tu apprends à cadrer une tâche, à voir où l'IA se trompe et à placer ta validation. Un premier essai : classer les messages prioritaires de ta boîte mail et préparer des brouillons de réponse que tu valides avant l'envoi. Tu passes à un agent quand tu veux que l'outil choisisse lui-même ses étapes, par exemple pour un cas que ton scénario n'a pas prévu. La question de son temps d'autonomie se pose alors : combien de temps il travaille sans qu'il faille le reprendre. À notre avis, plus ce temps est long, plus tu peux élargir la tâche, à condition de rester parmi les actions qui se rattrapent.
Si tu travailles dans la vente, le hub Commercial rassemble des workflows IA concrets pour t'y mettre. Si l'agent s'adresse à des clients ou manipule des données personnelles, des règles peuvent s'appliquer. Notre décryptage sur la régulation de l'IA en Europe et aux États-Unis les détaille pour l'usage de l'IA en entreprise.
Chez Shift IA. Une partie de notre production passe par des agents IA. En juin 2026, l'un d'eux a marqué six inscriptions à des annuaires comme « envoyées ». Aucun agent ne peut remplir ces formulaires : rien n'était parti. Depuis, toute action qui sort vers l'extérieur reste à nous. Son statut par défaut est « à envoyer ».
L'oeil de Shift IA : « agent » est devenu un argument de vente plus qu'une définition
Les chiffres montrent un écart : 19 % des organisations seulement ont déployé des agents, alors que Gartner prévoit jusqu'à 40 % d'applications d'entreprise avec des agents d'ici la fin de 2026 et dénonce lui-même l'agent washing. À notre avis, le mot est devenu un argument de vente avant d'être une définition, parce que tout produit qui appelle un modèle de langage peut s'en réclamer.
Dans une offre, l'agent washing se lit dans les silences de la plaquette. Elle promet un « assistant autonome » et se tait sur ce qu'il fait réellement. Un tel produit a toutes les chances d'être un chatbot rebaptisé ou une automatisation au chemin écrit d'avance.
Avant d'acheter, nous poserions deux questions au vendeur, pour faire parler ces silences. La première porte sur le périmètre de l'agent : ce qu'il a le droit de faire, avec quels outils et sur quelles données, puis lesquelles de ses actions se rattrapent. La réponse fixe le pire qui puisse arriver. La seconde porte sur le contrôle : comment on vérifie ce qu'il a fait. Une bonne réponse à cette seconde question te laisse vérifier toi-même ce que fait l'agent, sur tes propres données : sinon, tu t'en remets à ce que le vendeur veut bien dire. Un vendeur qui ne répond à aucune des deux questions avant la signature te laisse découvrir les limites de son agent une fois en service.
Les points clés
Un agent n'est pas un chatbot qui répond plus vite. Il décide lui-même des étapes et se sert d'outils, alors qu'une automatisation n8n ou Make suit un chemin écrit à l'avance, même quand une étape confie un texte à une IA.
Évaluer ses agents va avec plus de projets en production. Databricks relie évaluation et mise en production chez ses clients, sans prouver de cause : la maturité des équipes pourrait expliquer l'une et l'autre.
Les deux prévisions de Gartner ne se contredisent pas. L'une compte des applications qui intègrent un agent, d'ici fin 2026, l'autre des projets d'IA agentique annulés, d'ici fin 2027. Les deux restent des prévisions.
« Humain dans la boucle » ne dit pas « vérifié ». Anthropic écrit que 73 % des appels d'outils semblent avoir un humain dans la boucle « d'une façon ou d'une autre », ce qui n'équivaut pas à une relecture de chaque action.
Les éditeurs en disent peu sur la sécurité de leurs agents. Sur les 30 agents recensés par le 2025 AI Agent Index, la plupart des développeurs partagent peu d'informations sur la sécurité et les évaluations. Avant d'acheter, mieux vaut donc poser au vendeur les questions sur le périmètre et sur le contrôle.
Ce qu'il faut retenir
Sources
- Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (2025-06-25) www.gartner.com (s'ouvre dans un nouvel onglet) →
- Gartner, Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025 (2025-08-26) www.gartner.com (s'ouvre dans un nouvel onglet) →
- Databricks, State of AI Agents 2026 (2026-01) www.databricks.com (s'ouvre dans un nouvel onglet) →
- Anthropic, Measuring AI agent autonomy in practice (2026-02-18) www.anthropic.com (s'ouvre dans un nouvel onglet) →
- Staufer et al., The 2025 AI Agent Index (2026-02) arxiv.org (s'ouvre dans un nouvel onglet) →
- Shift IA, Agents IA : comment ceux d'OpenAI ont piraté Hugging Face sans humain (2026-08-07) shiftia.fr (s'ouvre dans un nouvel onglet) →
Suivi des annonces
Ce décryptage alimente le suivi public des annonces IA :
- Gartner : 40 % des applications d'entreprise avec des agents IA fin 2026 En attente d'échéance
- Gartner : plus de 40 % des projets d'IA agentique annulés d'ici fin 2027 En attente d'échéance
Vocabulaire utile
- Boucle agentique
- Le cycle que répète un agent IA pour accomplir une tâche : il observe la situation, décide de la prochaine action, l'exécute avec un outil, observe le résultat, puis recommence jusqu'à atteindre l'objectif ou signaler un blocage. C'est ce qui distingue un agent d'un chatbot, qui s'arrête après une seule réponse.
- Orchestration multi-agents
- Architecture où plusieurs agents IA se délèguent des sous-tâches : un agent orchestrateur décompose l'objectif global et distribue le travail à des agents spécialistes. Plus puissant sur des tâches complexes, mais chaque agent supplémentaire est un point de défaillance potentiel.
- Temps d'autonomie
- Durée pendant laquelle un agent IA travaille de façon continue et autonome avant de s'arrêter, de demander une validation ou de produire une erreur. C'est un meilleur indicateur de maturité qu'un score de benchmark : il mesure la fiabilité en conditions réelles.
Questions fréquentes
01 Quelle est la différence entre un agent IA et un chatbot ?
Un chatbot répond à un message puis s'arrête. Un agent IA reçoit un objectif, le découpe en étapes, utilise des outils comme des fichiers, une messagerie ou un navigateur et ajuste son plan selon les résultats, jusqu'à atteindre l'objectif ou signaler un blocage. Ce cycle s'appelle la boucle agentique.
02 Une automatisation n8n ou Make est-elle un agent IA ?
Non, tant que le chemin est écrit à l'avance. Une automatisation enchaîne des étapes fixées par un humain, même si l'une d'elles confie un texte à une IA. Un agent choisit lui-même ses étapes. Pour un non-développeur, ces outils restent une première marche pour apprendre à cadrer une tâche.
03 Combien d'organisations ont déployé des agents IA ?
Selon une enquête de MIT Technology Review que cite le rapport State of AI Agents 2026 de Databricks, 19 % des organisations ont déployé des agents IA, le plus souvent de façon limitée. Gartner prévoit de son côté jusqu'à 40 % d'applications d'entreprise avec des agents d'ici fin 2026, une prévision et non une mesure.
04 Qu'est-ce que l'agent washing ?
Gartner appelle agent washing le fait de rebaptiser « agent » des produits existants, comme des assistants IA, des robots d'automatisation (RPA) ou des chatbots, sans réelle capacité agentique. Dans son communiqué du 25 juin 2025, le cabinet estime que seulement environ 130 des milliers de fournisseurs d'IA agentique sont réels.
05 Que peut-on confier à un agent IA ?
Les tâches longues, répétitives et bien définies dont une erreur se rattrape, comme extraire des montants de factures, surveiller des sources ou qualifier une liste d'entreprises. Les envois à des contacts réels, les paiements, les modifications de base clients et les contenus publiés restent à valider par une personne.
06 Quelles questions poser avant d'acheter un agent IA ?
Quel est le périmètre de l'agent : quels outils, quelles données, quelles actions se rattrapent ? Et comment vérifie-t-on ce qu'il a fait ? À notre avis, une bonne réponse à la seconde question te laisse vérifier toi-même ses actions, sur tes propres données.