IA agentique : les cinq niveaux de maturité à maîtriser par les DSI

L’intelligence artificielle entre dans les entreprises par des assistants conversationnels, des outils de synthèse ou des fonctions de recherche. L’IA agentique vise une étape supplémentaire : confier à des logiciels capables de raisonner sur une demande une part plus large d’un processus, tout en les reliant aux données et aux outils de l’organisation. Pour les directeurs des systèmes d’information, ou DSI, l’enjeu n’est donc pas seulement de choisir un modèle d’IA performant. Il consiste à décider ce que ces agents ont le droit de faire, sur quelles informations et sous quel contrôle.

Cette évolution est perçue comme structurante par les responsables informatiques. Une étude récente citée dans le document d’origine indique que 84 % des DSI estiment que l’IA influencera l’entreprise comme Internet l’a fait auparavant. L’analogie ne doit pas faire oublier une différence fondamentale : un agent IA peut produire une réponse, recommander une action, voire déclencher une opération dans un système. Plus son autonomie augmente, plus la qualité des données, la sécurité et la supervision deviennent décisives.

Qu’est-ce que l’IA agentique ?

Un agent IA est un logiciel qui reçoit un objectif, recueille les informations utiles, puis propose ou exécute une suite d’actions dans un périmètre défini. Il peut s’appuyer sur un modèle de langage pour comprendre une question formulée en français courant, mais il ne se limite pas à générer du texte. Relié à des bases de connaissances, à un logiciel de relation client ou à un outil de gestion, il peut par exemple rechercher un dossier, vérifier une règle et préparer une réponse.

Cette distinction compte pour les organisations. Un chatbot classique répond généralement à partir de contenus prévus à l’avance. Un agent peut utiliser des outils autorisés pour accomplir une tâche. Dans une banque, il pourrait ainsi présenter des recommandations de placement, à condition qu’un professionnel valide chaque opération. Dans une entreprise d’assurance, il peut réunir les éléments nécessaires au traitement d’un remboursement. L’humain reste responsable de la décision lorsque les conséquences sont financières, réglementaires ou importantes pour un client.

L’expression « agentique » ne garantit donc ni une autonomie totale ni une qualité automatique. Un agent dépend de ses instructions, de l’exactitude des données auxquelles il accède et des droits qui lui sont accordés. Une réponse convaincante peut rester erronée. De même, l’analyse de données peut éclairer une décision, mais elle ne supprime pas par elle-même les biais présents dans les données, les règles métier ou le paramétrage du système.

Cinq niveaux de maturité, du script à l’écosystème d’agents

Le document d’origine évoque « quatre étapes essentielles », mais la grille qu’il décrit comporte bien cinq niveaux, du niveau 0 au niveau 4. Cette numérotation est utile : elle rappelle qu’une entreprise n’a pas besoin de commencer par un réseau complexe d’agents. Elle peut apprendre sur un processus simple, à faible risque, avant de relier progressivement ses applications et ses métiers.

Niveau 0 : automatiser sans prétendre raisonner

Le premier palier repose sur des règles statiques. Les réponses d’un chatbot ou d’un co-pilote sont encadrées par un scénario, une base de réponses préenregistrées ou une liste d’actions limitée. Dans les ressources humaines comme dans le service client, ce type de dispositif absorbe les demandes très fréquentes : retrouver une procédure, connaître l’état d’une requête ou être orienté vers le bon interlocuteur.

La valeur est concrète, à condition de ne pas surpromettre. Ces outils réduisent le volume de sollicitations répétitives et peuvent libérer du temps pour les équipes. Ils ne comprennent pas nécessairement l’ensemble d’une situation complexe. Pour passer vers une approche plus agentique, l’entreprise doit d’abord disposer de données cohérentes. Un agent ne peut pas fournir une réponse fiable si les référentiels se contredisent ou si les documents utiles sont incomplets et mal classés.

Le niveau 0 est aussi l’endroit où tester la conduite du changement. Les collaborateurs doivent savoir ce que l’outil sait faire, ce qu’il ne sait pas faire et à qui transmettre une demande non résolue. Le taux de résolution, le temps de traitement et la satisfaction des utilisateurs constituent des premiers indicateurs simples à suivre.

Niveau 1 : informer et recommander, sans dessaisir les équipes

Au niveau 1, l’agent ne récite plus seulement une réponse prévue à l’avance. Il cherche des informations pertinentes et les présente à l’utilisateur sous la forme d’une synthèse, d’une suggestion ou d’une recommandation. Il devient un assistant de recherche et de préparation du travail.

L’exemple bancaire illustre l’intérêt de cette approche hybride. L’agent peut aider à retrouver les données utiles pour une recommandation de placement, mais l’humain reste chargé de valider l’opération. Cette séparation entre préparation et décision est particulièrement pertinente dès qu’une erreur peut affecter un client, un contrat ou une obligation réglementaire.

La transition vers le niveau suivant suppose de formaliser la gouvernance. Qui est propriétaire du cas d’usage ? Quelles sources peuvent être consultées ? Comment les réponses sont-elles contrôlées ? Quels retours des utilisateurs faut-il enregistrer ? La mesure des gains ne doit pas se limiter au nombre de requêtes traitées. La satisfaction, la pertinence des réponses et le taux de correction par les équipes sont tout aussi révélateurs.

Niveau 2 : confier un flux simple dans un métier bien défini

Le niveau 2 correspond à une autonomie plus opérationnelle. L’agent peut orchestrer un enchaînement de tâches, mais dans un seul domaine métier. Il ne se contente plus de rechercher une information : il vérifie des éléments, prépare un dossier, applique des règles et transmet le résultat au bon système ou au bon interlocuteur.

Le traitement d’un remboursement en assurance en est un exemple. L’agent peut réunir les pièces du dossier, contrôler que les informations requises sont présentes et soumettre un cas conforme aux règles définies. Dans la chaîne d’approvisionnement, il pourrait assister la validation d’un bon de commande. Dans les deux cas, son champ d’action doit être précisément délimité : les exceptions, les montants sensibles ou les cas incomplets peuvent être orientés vers un gestionnaire humain.

Deux choix d’architecture se présentent alors. Une organisation peut privilégier des agents généralistes capables d’accomplir plusieurs tâches, ou des agents spécialisés, plus faciles à circonscrire et à évaluer. Il n’existe pas de réponse universelle. En revanche, les connecteurs entre logiciels, souvent désignés par le terme API, et une gestion stricte des droits d’accès deviennent incontournables. Un agent qui peut consulter un dossier ne doit pas forcément pouvoir le modifier, encore moins déclencher un paiement.

Niveau 3 : relier les métiers sans perdre le contrôle

Au niveau 3, l’agent traverse plusieurs domaines de l’entreprise. Il peut mobiliser des données provenant, par exemple, d’un outil de relation client, souvent appelé CRM, et d’un progiciel de gestion intégré, ou ERP. Le gain potentiel est plus important parce que les processus réels ne s’arrêtent pas aux frontières d’un logiciel. Le risque augmente dans les mêmes proportions : une erreur ou une donnée périmée peut se propager d’un système à l’autre.

Dans la grande distribution, le cas présenté consiste à synchroniser les niveaux de stock et à adapter les promotions en temps réel. Une telle coordination exige que les définitions soient partagées. Un même produit, une même commande ou un même client doivent être reconnus de manière cohérente dans les différents systèmes. Sans ce socle, l’agent ne fait qu’accélérer des incohérences existantes.

L’interopérabilité devient le mot clé de ce stade. Le Model Context Protocol, ou MCP, est un protocole conçu pour faciliter la connexion d’applications d’IA à des sources de contexte et à des outils. Il peut aider à standardiser la manière dont un agent accède à une base documentaire ou à une fonction logicielle autorisée. Il ne dispense toutefois ni de définir les permissions ni de journaliser les actions réalisées. Un protocole facilite le raccordement technique, il ne remplace pas une politique de sécurité.

Niveau 4 : quand plusieurs agents coopèrent

Le niveau 4 correspond à la coordination de plusieurs agents dans un environnement complexe. Chacun peut être spécialisé dans une tâche, puis transmettre un résultat à un autre agent ou à une équipe humaine. Cette logique multi-agents vise des chaînes de valeur complètes, telles que la maintenance prédictive ou la coordination de parcours de soins.

Dans ce scénario, l’enjeu dépasse l’automatisation d’une tâche isolée. Il concerne la performance globale, l’organisation du travail et la capacité de l’entreprise à innover. Mais c’est aussi le palier le plus exigeant. Il faut pouvoir reconstruire le chemin qui a conduit à une recommandation ou une action, identifier quel agent est intervenu et suspendre rapidement un processus en cas d’anomalie.

Les chiffres relayés dans le document d’origine donnent un ordre de grandeur, non une promesse universelle : des entreprises ayant déployé des agents IA à grande échelle rapportent des gains de productivité pouvant atteindre 40 %, notamment dans le support client et les opérations. Ces résultats dépendent du processus choisi, de son niveau de standardisation, de la qualité des données et de l’adoption par les équipes. Ils ne peuvent pas être transposés mécaniquement d’une entreprise à une autre.

Comment un DSI peut-il lancer un projet sans brûler les étapes ?

Une démarche pragmatique commence par un problème métier précis plutôt que par la technologie. Une demande récurrente, une recherche documentaire longue ou un dossier administratif très standardisé offrent de meilleurs points de départ qu’un processus critique et mal documenté. Le niveau 0 ou le niveau 1 permet de vérifier l’utilité réelle de l’agent tout en limitant les conséquences d’une erreur.

Avant tout passage à l’échelle, le DSI doit réunir plusieurs conditions :

• des données harmonisées, à jour et dont la provenance est connue ;
• une cartographie des applications, des API disponibles et des identités numériques ;
• des droits d’accès définis au plus juste pour chaque agent et chaque action ;
• une procédure d’escalade vers un humain pour les cas ambigus ou sensibles ;
• des indicateurs partagés avec les métiers : délai, qualité, taux d’erreur, satisfaction et coût.

Cette préparation évite un écueil fréquent : déployer un assistant séduisant en démonstration, mais incapable de s’intégrer aux outils quotidiens ou de respecter les règles internes. La formation des équipes compte tout autant. Les utilisateurs doivent pouvoir contester une réponse, signaler un problème et comprendre dans quel périmètre l’agent est autorisé à agir.

Ce qu’il faut surveiller pour passer à l’échelle

Au 24 août 2025, l’essor des agents IA se lit aussi dans les stratégies d’acteurs du numérique et de la data. ServiceNow déploie des agents IA pour améliorer les flux de travail. Le document d’origine cite aussi l’ambition d’Ekimetrics de tripler sa taille d’ici 2028, signe de la place croissante prise par la data science dans les transformations des entreprises. Il mentionne enfin les ressources d’intelligence artificielle prévues par Meta, sans en détailler le périmètre.

Dans l’assurance, l’exploration des données synthétiques est également présentée comme une piste stratégique. Ces données artificiellement générées peuvent aider à expérimenter ou à entraîner certains systèmes sans mobiliser directement des données réelles dans tous les cas. Elles ne dispensent cependant pas de contrôler leur qualité et leur représentativité.

La question centrale pour les DSI restera donc moins « faut-il adopter des agents ? » que « quels agents, pour quelle tâche, avec quelles limites et quels résultats mesurables ? ». La maturité ne se reconnaît pas au nombre d’agents connectés, mais à la capacité de l’entreprise à les intégrer à ses processus sans perdre la maîtrise de ses données, de ses décisions et de la relation avec ses clients.