Au début des années 2020, les grands modèles de langage ont démocratisé la génération de texte.
En 2025, une nouvelle étape se dessine : les agents IA, systèmes capables d’exécuter des enchaînements de tâches pour atteindre un objectif.
Derrière cet engouement se cachent des enjeux techniques, économiques et éthiques.
Pour un entrepreneur du web, ces agents sont à la fois source d’opportunités et de risques.
Ce dossier analyse le phénomène, en examinant sa définition, ses applications, son adoption, ses limites et les points clés pour l’intégrer dans un projet.
1. Qu’est‑ce qu’un agent IA ?
Un agent IA combine perception de son environnement, raisonnement, action et apprentissage dans un cycle continu (modèle PRAL).
Contrairement à un chatbot qui répond passivement, l’agent planifie et décompose un objectif en sous‑tâches, mobilise des API (navigation, exécution de code, paiements) et ajuste ses décisions.
KPMG classe les agents en quatre catégories : taskers, automators, collaborators et orchestrators.
Cette organisation reflète l’échelle d’autonomie et l’implication humaine.
L’agent n’est pas uniquement un moteur de texte : il exécute des actions concrètes et peut gérer des workflows entiers.
IBM souligne que la nouveauté réside dans la fusion des grands modèles de langage avec des modules spécialisés, permettant à l’agent d’agir sans supervision permanente.
Cela implique une capacité de mémoire (stockage d’historique dans des bases vectorielles), un planificateur qui ordonne les tâches et un exécuteur qui appelle des outils.
La capacité d’adaptation et la surveillance permanente de l’état distinguent l’agent d’un programme déterministe.
2. Maturation : adoption et dynamiques de marché
L’engouement pour l’IA agentique est récent mais rapide.
Selon le Capgemini Research Institute, les agents pourraient générer 450 milliards USD de valeur d’ici 2028, mais seulement 14 % des organisations ont déployé des agents à grande échelle et 23 % sont en pilote.
La majorité opère à faible autonomie, avec seulement 15 % des processus susceptibles d’atteindre un niveau semi‑autonome dans un an.
La confiance est fragile : les organisations faisant confiance aux agents autonomes sont passées de 43 % à 27 % en un an.
Malgré ces réserves, l’attrait économique est immense. McKinsey projette que le commerce agentique (« agentic commerce ») pourrait représenter jusqu’à 1 trillion de dollars de revenus orchestrés aux États‑Unis et entre 3 et 5 trillions au niveau mondial d’ici 2030.
Les agents, grâce à des protocoles émergents (MCP, A2A, AP2, ACP), pourraient anticiper les besoins, négocier les offres et conclure des transactions.
Cette projection pousse les entreprises à investir dans des interfaces “agent‑friendly” et à repenser l’architecture de leurs sites et de leurs bases de données.
Les dynamiques d’adoption varient selon les secteurs. Le rapport Lyzr 2025 indique que la majorité des projets se concentrent sur l’automatisation des processus (64 %), suivie par le service client (20 %), les ventes (17 %), le marketing (16 %) et la recherche & analyse (12 %).
Les petites et moyennes entreprises représentent 65 % de l’adoption, les entreprises moyennes 24 % et les grandes entreprises 11 %.
La disparité tient à la complexité d’intégration et aux coûts : les PME adoptent des outils plug‑and‑play, tandis que les grandes organisations construisent des agents sur mesure.
3. Architecture en bref
Trois briques techniques structurent un agent :
- La mémoire : stock de contexte utilisant des bases vectorielles pour conserver des instructions, des dialogues et des résultats. Cette mémoire permet à l’agent de suivre des tâches longues et d’éviter les répétitions. Il existe une mémoire courte (contexte de conversation) et une mémoire longue (sujets, instructions, états).
- Le planificateur : module qui traduit un objectif en suite d’actions. Il peut s’appuyer sur des heuristiques ou sur des modèles de raisonnement qui conçoivent une “to‑do list”. Sans vérification, la probabilité d’erreur augmente : un agent réalisant cinq actions n’a que 32 % de chances de réussir chaque étape sans erreur. Certaines architectures utilisent des boucles d’évaluation qui interrogent un second modèle (“critiquer, réfléchir, améliorer”) pour réduire les erreurs.
- L’exécuteur : interface avec des outils externes (navigation, API, scripts). Les protocoles tels que MCP (contexte), A2A (échange d’agents), AP2 (paiements) et ACP (commerce) visent à standardiser ces interactions. Aujourd’hui, chaque plateforme propose ses propres API, rendant l’intégration complexe et créant un risque de verrouillage propriétaire.
Les agents avancés intègrent aussi un module de “gouvernance” : garde‑fous qui vérifient les autorisations, limitent l’accès aux données sensibles et imposent des politiques d’arrêt en cas d’erreur.
Cette gouvernance est essentielle pour se conformer aux réglementations.
3.4 Tendances 2025 : exploration et normalisation
Les débats de 2025 montrent un décalage entre l’engouement et la réalité. Un sondage IBM/Morning Consult auprès de 1 000 développeurs créant des applications d’entreprise révèle que 99 % explorent ou développent des agents, confirmant que l’année 2025 est celle de l’expérimentation.
Mais cette exploration ne signifie pas maturité : des experts d’IBM rappellent que la plupart des “agents” actuels sont des orchestrations de fonctions et que la véritable autonomie nécessite des progrès en raisonnement contextuel et des mécanismes de repli pour éviter des cascades d’erreurs.
La demande côté dirigeants progresse également. KPMG indique que, selon son enquête trimestrielle AI Pulse (Q2 2025) menée auprès de 130 cadres américains, 55 % des dirigeants prévoient de déployer des agents issus de fournisseurs de confiance.
Gartner prévoit de son côté que d’ici 2025, 40 % des workflows d’entreprise intégreront des composants agentiques.
Ces chiffres traduisent une normalisation en cours et l’apparition d’écosystèmes plus matures.
Plusieurs tendances structurent cette adoption :
- Collaboration multi‑agents : les entreprises adoptent des frameworks tels que CrewAI, AutoGen et LangGraph pour orchestrer plusieurs agents qui négocient et se répartissent les tâches, dépassant le chatbot unique et permettant d’enchaîner des opérations complexes en réduisant les goulets d’étranglement.
- RAG et conformité : les agents associent la génération et la recherche (Retrieval Augmented Generation) pour fournir des réponses fiables. Par exemple, un agent de conformité peut interroger en temps réel des bases réglementaires, résumer les changements et signaler les écarts, réduisant le risque et le temps passé par les juristes.
- Spécialisation verticale : plutôt que d’utiliser des agents généralistes, les organisations investissent dans des modèles adaptés à un domaine (finance, santé, retail, logistique). Dans la finance, les agents contrôlent les transactions et la fraude, tandis que dans la santé ils assistent au diagnostic ou à la validation d’interactions médicamenteuses.
- Gouvernance hybride : la mise en place de boucles human‑in‑the‑loop devient la norme : des couches d’approbation sont imposées pour les décisions à fort impact et des tableaux de bord d’explicabilité expliquent pourquoi l’agent a proposé une recommandation. Cette approche répond aux préoccupations de confiance et d’auditabilité exprimées par les décideurs.
- Marchés et écosystèmes : l’émergence de stores d’agents (Hugging Face Agents, Copilot Studio d’Azure) démocratise l’accès aux agents. Les entreprises peuvent acheter ou louer un agent spécialisé au lieu de le concevoir, tandis que les développeurs monétisent leurs créations.
- Optimisation des coûts : des agents dédiés à la gestion des ressources cloud et des coûts énergétiques s’imposent. Ils surveillent les charges, ajustent automatiquement les ressources et réduisent les factures sans intervention humaine.
Enfin, certains fournisseurs ajoutent des systèmes de mémoire persistante.
Anthropic a par exemple introduit une option “Memory” pour Claude qui stocke des préférences et des contextes sur plusieurs sessions afin d’accroître la continuité des interactions.
Ces innovations montrent que l’agentic AI n’est pas un produit figé mais un domaine en évolution rapide. Les entreprises doivent donc surveiller ces tendances, mesurer leur apport et adapter leur feuille de route.
4. Applications : quels usages concrets ?
Les agents IA sont déjà utilisés dans de nombreux domaines. Voici un tour d’horizon.
4.1 Commerce et marketing
Les navigateurs et assistants intégrant des agents génèrent déjà un trafic massif. Aux États‑Unis, le trafic vers les sites d’e‑commerce via des agents et des navigateurs génératifs a augmenté de 4 700 %, entraînant un temps de visite plus long et un taux de rebond réduit.
Ces agents comparent les prix, surveillent les promotions, remplissent les paniers et finalisent les achats.
Ils négocient même des remises lorsque les API le permettent.
Pour les e‑commerçants, le défi consiste à rendre le site lisible par des agents, via des métadonnées structurées et des API d’achat rapides.
Le marketing algorithmique se réinvente.
Les agents analysent les données d’audience, génèrent des campagnes personnalisées (emails, publicités, messages sur les réseaux), testent différents contenus et budgets, et optimisent en continu.
Ils manipulent des outils de génération d’images et de vidéos pour produire des visuels adaptés à chaque segment.
Ce gain d’efficacité s’accompagne d’un risque : environ 47 % des utilisateurs d’entreprise reconnaissent avoir pris des décisions sur des contenus hallucinés.
Les équipes marketing doivent donc valider les messages et surveiller les dérives.
4.2 Ventes et support
Les agents sont de plus en plus présents dans la prospection et la gestion des relations clients.
Ils identifient des prospects en scannant des bases de données publiques, enrichissent les profils, rédigent des messages personnalisés et ajustent les séquences en fonction des taux d’ouverture et de réponse.
Des entreprises comme Vercel montrent qu’un agent performant peut absorber la charge de dix commerciaux.
Les agents s’occupent également du support : selon Lyzr, ils traitent 80 % des requêtes de niveau 1 et 2, en fournissant des réponses, en déclenchant des actions (réinitialisation de mot de passe, remboursement) et en transférant les cas complexes aux humains.
4.3 Secteurs régulés, logistique et robotique
Dans la finance et l’assurance, les agents lisent et interprètent des milliers de pages de réglementations.
IBM estime que 29 % des tâches de risque et de conformité pourront être automatisées d’ici 2027.
Cela inclut la veille réglementaire, la conformité contractuelle et la détection de transactions suspectes.
Les agents peuvent déclencher des alertes lorsqu’une nouvelle loi rend une procédure obsolète ou lorsqu’une anomalie apparaît dans un audit interne.
En logistique, les agents orchestrent l’optimisation des itinéraires, la gestion des stocks et la coordination de robots.
La start‑up Mbodi développe des agents capables d’entraîner plusieurs robots simultanément et de partager l’apprentissage entre eux.
Ces agents s’adaptent en temps réel aux imprévus (retards, panne d’un chariot) et réallouent les tâches.
Toutefois, en raison des réglementations strictes, un médecin ou un pharmacologue doit valider chaque recommandation.
4.4 Développement et tests
Les agents contribuent à la génération de code, à l’intégration continue et à la qualité logicielle.
Ils créent des modules, exécutent des tests, interprètent les résultats et proposent des corrections.
Un sondage Sauce Labs sur 400 responsables confirme que 97 % des équipes veulent les utiliser, mais que 61 % des dirigeants ne comprennent pas les exigences spécifiques des tests avec agents.
Beaucoup préfèrent donc un modèle hybride où l’agent propose des correctifs mais ne déploie pas sans validation.
Cette approche réduit les temps de développement tout en préservant la qualité.
5. Écosystème et modèles économiques
Le marché des agents se structure.
Les “agent stores” d’OpenAI, d’Anthropic, de Google et d’Amazon permettent d’acheter ou de publier des agents prêts à l’emploi. IBM évoque des places multi‑agents comme Agent.ai et Lyzr qui assurent la fiabilité, la facturation et la gouvernance.
Ces plateformes ouvrent des modèles économiques variés : abonnement, facturation à la requête, licences commerciales.
Elles permettent à un développeur de monétiser un agent spécialisé (par exemple, un agent de veille concurrentielle) via un revenu partagé.
Pour un entrepreneur, ces écosystèmes réduisent les barrières à l’entrée : il est possible d’acheter un agent pour un usage précis plutôt que de le développer from scratch.
Cependant, la concurrence est vive et la différenciation difficile : la clé est d’ajouter une couche de personnalisation ou d’intégration sectorielle (mode, santé, logistique) pour se distinguer.
6. Adoption et impacts organisationnels
6.1 Niveaux d’adoption
Les taux d’adoption varient selon la maturité numérique et la régulation.
IBM affirme que 24 % des organisations utilisent déjà des agents capables de prendre des décisions indépendantes, et que ce taux pourrait atteindre 67 % d’ici 2027.
Les processus d’innovation devraient être automatisés à 48 %.
Un sondage EY révèle que 97 % des dirigeants voient un retour positif sur l’IA, mais seuls 14 % ont déployé l’agentic AI à grande échelle.
Environ 34 % utilisent déjà des agents pour assister des processus et 86 % les emploient dans le support client, l’IT ou la cybersécurité.
Pourtant, 87 % évoquent des freins : cybersécurité (35 %), confidentialité (30 %), absence de politiques (21 %).
Le rapport Blue Prism souligne que 75 % des dirigeants trouvent l’adoption difficile et que 69 % des projets ne dépassent pas le stade pilote.
78 % ne font pas confiance aux décisions d’un agent.
Néanmoins, la même étude note que 87 % des organisations financières déploient déjà des technologies d’IA et 76 % prévoient d’implémenter des agents dans l’année.
La différence sectorielle est forte : la technologie et la finance sont en tête, tandis que la santé et l’éducation avancent prudemment.
6.2 Perception des salariés et nouvelles compétences
Les salariés oscillent entre enthousiasme et inquiétude.
L’enquête EY montre que 84 % se disent enthousiastes, mais 56 % craignent pour leur emploi et 51 % pensent que leur poste pourrait devenir obsolète.
Les non‑managers manifestent plus d’anxiété que les cadres. 85 % se forment en autodidactes faute de programmes internes.
La communication joue un rôle crucial : quand l’entreprise explique son projet agentique et propose des formations, 92 % des salariés reportent une amélioration de la productivité contre 62 % lorsqu’il n’y a pas de communicatio.
La transformation ne concerne pas seulement les employés. McKinsey estime que 75 % des rôles devront évoluer et que de nouveaux métiers apparaîtront : orchestrateurs d’agents (coordination et supervision), managers hybrides (intermédiaires entre humains et agents) et formateurs en IA.
L’organisation devra se rendre plus agile et horizontale, avec des équipes multidisciplinaires et un apprentissage continu.
Les indicateurs de performance devront intégrer des mesures liées aux agents : temps d’exécution, taux de réussite, taux d’intervention humaine, satisfaction utilisateur.
7. Risques et limites
Malgré les promesses, l’IA agentique comporte des limites. Les LLM hallucinent parfois et génèrent des instructions erronées.
Andrej Karpathy prévient qu’il faudra probablement une décennie pour obtenir des agents réellement fiables.
Les erreurs se propagent dans les chaînes d’actions ; un agent qui exécute dix étapes multiplie les risques. Les entreprises doivent intégrer des vérifications systématiques et des boucles de correction pour limiter les cascades d’erreurs.
Les risques de sécurité et de confidentialité sont majeurs.
Les agents traitent des données sensibles (mots de passe, informations financières, santé) et peuvent, en cas de faille, provoquer des violations massives.
Les barrières identifiées par EY – cybersécurité (35 %) et confidentialité (30 %) – montrent que la gouvernance doit être prioritaire.
Les organisations doivent prévoir des contrôles d’accès fins, des journaux d’audit, des mécanismes de chiffrement et des tests réguliers de sécurité.
Le cadre réglementaire évolue rapidement. L’AI Act européen imposera des obligations de transparence, de traçabilité et de documentation.
Les agents devront expliquer leurs décisions.
Dans la finance et la santé, des régulateurs exigent déjà des audits externes. La responsabilité juridique reste floue : en cas d’erreur, 60 % des organisations accusent une personne, mais les tribunaux pourront aussi mettre en cause le fournisseur de l’agent ou l’acheteur.
Sur le plan social, l’automatisation agentique peut provoquer des suppressions d’emplois, comme l’illustrent les réductions d’effectifs dans les équipes commerciales.
Les employés redoutent d’être remplacés, mais les études montrent que de nouveaux métiers apparaîtront et que les tâches routinières céderont la place à des rôles plus analytiques.
La clé est de mettre en place des plans de requalification et d’offrir des passerelles vers ces nouveaux métiers.
8. Scénarios pour 2030
Deux futurs contrastés se dessinent :
- Accélération : les protocoles se standardisent, les API convergent et l’IA agentique devient un composant de base des systèmes d’information. Le commerce agentique, estimé à un trillion de dollars aux États‑Unis et 3 à 5 trillions dans le monde, se généralise. Des réseaux de multi‑agents coopèrent pour orchestrer les achats, la logistique, la relation client et la finance. Les humains se concentrent sur la stratégie, la créativité et l’éthique.
- Vigilance : les progrès technologiques se heurtent à des scandales de sécurité, à des failles éthiques ou à des régulations strictes. Les organisations déploient des agents semi‑autonomes avec un contrôle humain obligatoire. L’IA agentique progresse, mais à un rythme plus lent, en se concentrant sur des tâches bien encadrées. Les secteurs sensibles (santé, finance) imposent des certifications lourdes et l’adoption est prudente.
La réalité se situera probablement entre ces deux extrêmes.
Les entreprneurs doivent donc anticiper des cycles d’adoption progressifs, des retours en arrière et des ajustements réglementaires, tout en gardant la capacité de basculer rapidement lorsqu’une opportunité se présente.
9. Pour agir : checklist pour entrepreneurs
Pour exploiter l’IA agentique dans un projet, procédez méthodiquement. Cette liste permet de structurer l’implémentation et de réduire les risques :
- Choisir un cas d’usage clair : sélectionnez un processus répétitif et chronophage (marketing, support, reporting) où un agent peut apporter un gain tangible.
- Définir les métriques : mesurez l’impact (temps économisé, productivité, taux de conversion, réduction des erreurs) et fixez un seuil de réussite.
- Cartographier le workflow : décrivez chaque étape et déterminez celles qui peuvent être automatisées. Identifiez les interactions avec des API, des bases de données et des services externes.
- Sélectionner la technologie : choisissez un LLM (GPT, Claude, Llama), une base vectorielle pour la mémoire, un orchestrateur (LangChain, CrewAI) et des API adaptées (paiement, e‑commerce, CRM). Vérifiez la compatibilité et les coûts.
- Mettre en place la gouvernance : définissez les droits d’accès, les procédures d’audit, le chiffrement et les seuils d’alerte. Préparez un plan de reprise en cas d’échec et un mode de fonctionnement humain‑in‑the‑loop.
- Prototyper : créez un MVP limité, observez les performances, corrigez les erreurs et documentez les apprentissages avant l’extension.
- Former l’équipe : organisez des sessions de formation sur les prompts, la surveillance des agents et l’éthique. Encouragez la collaboration entre équipes techniques et métiers.
- Surveiller et ajuster : utilisez des dashboards pour suivre les métriques en temps réel. Mettez en place des tests A/B pour comparer l’agent à un workflow manuel et réajuster.
- Prévoir l’évolution : allouez un budget pour la veille technologique, les mises à niveau et l’adaptation aux régulations. Planifiez des revues trimestrielles pour décider d’élargir ou de réduire le périmètre de l’agent.
10. Conclusion : lucidité et ambition
L’IA agentique est une innovation prometteuse qui peut transformer la manière de travailler et de faire du commerce.
Les premiers résultats dans l’e‑commerce, la prospection et la conformité démontrent un potentiel réel.
Cependant, l’adoption est freinée par des questions de fiabilité, de sécurité, de gouvernance et d’acceptation.
Les données montrent que la confiance reste fragile et que les dirigeants peinent à passer de l’expérimentation à l’industrialisation.
Les employés, quant à eux, oscillent entre curiosité et crainte, ce qui appelle des stratégies d’accompagnement et de formation.
Pour un entrepreneur, l’enjeu est de naviguer habilement entre ces forces.
Une démarche structurée, des objectifs clairs, des outils adaptés et une gouvernance solide permettront de tirer parti des agents sans subir leurs dérives.
L’agent n’est pas un remplacement, mais un collaborateur automatisé qui amplifie la capacité humaine.
En intégrant progressivement cette technologie, en mesurant les gains et en respectant les normes éthiques, il est vraiment possible de bâtir une entreprise plus agile, plus réactive et plus créative.
