Deux chiffres sur lesquels il faut s'arrêter
Le trimestre dernier, j'ai vu une équipe faire la démo d'un agent qui réservait un voyage, rapprochait les notes de frais et déposait le rapport, le tout d'une traite. Tout le monde a applaudi. Six semaines plus tard, l'agent était débranché : dans le vrai système de notes de frais, il validait des reçus en double dont personne ne l'avait prévenu.
Cette histoire, c'est tout le secteur en miniature. L'adoption de l'agentic AI a franchi les 80% des entreprises, mais seuls 41% environ de ces déploiements atteignent la production. À mes yeux, l'écart entre ces deux chiffres est le nombre le plus parlant de l'IA en entreprise cette année.
L'adoption, c'était forcément la moitié facile. Glisser un agent dans un slide ou un bac à sable prend un après-midi. Le plus dur arrive quand ce même agent doit tourner de façon fiable, sûre et traçable face à du travail réel et désordonné, et c'est précisément là que la plupart des initiatives s'enlisent.
Les équipes qui referment vraiment l'écart partagent une habitude : elles font tourner leurs agents comme on opère un service, pas comme on livre une fonctionnalité.
Pourquoi la falaise démo-production est si raide
Une démo prouve qu'un agent fonctionne quand tout s'aligne. La production demande s'il tient encore quand rien ne s'aligne. Ce sont deux problèmes d'ingénierie différents, et la distance entre les deux, c'est la falaise dont je parlais dans les agents IA qui passent des démos aux vrais workflows.
Prenez un agent de tri des tickets support, impeccable dans un parcours scripté. Mettez-le en production et il tombe aussitôt sur des permissions incomplètes, deux politiques qui se contredisent et la longue traîne de tickets que personne n'avait pensé à scripter. Faute de gestion explicite, il ne plante pas bruyamment. Il échoue en silence, et les échecs silencieux sont les plus chers.
L'adoption dit combien d'équipes ont été assez curieuses pour essayer. La production dit combien ont eu assez confiance pour y miser un vrai workflow.
La gouvernance, première cause de blocage des agents
Demandez aux entreprises ce qui les bloque, et la réponse n'est presque jamais la qualité du modèle. C'est la gouvernance. Faire tourner de l'IA dans les processus quotidiens sans contrôles sérieux les rend nerveuses, et elles se méfient des décisions dont elles ne voient pas l'intérieur.
C'est pour ça que la gouvernance IA devient une exigence produit au lieu d'un sujet que le juridique recolle à la fin. Un agent incapable d'expliquer ce qu'il a fait, qu'on ne peut pas surcharger proprement et qui ne laisse aucune trace ne gagnera jamais sa place en production. Et franchement, tant mieux.
Plus d'autonomie ne réglera rien ; des frontières plus nettes, si. Précisez ce que l'agent peut décider seul, ce qui exige une signature humaine, et ce qui se passe au moment où sa confiance passe sous le seuil que vous avez fixé.
Ce qui change quand on traite l'agent comme un service
Le basculement qui débloque la production tient en une phrase, mais il est dur à mettre en œuvre : traitez l'agent comme un service que vous opérez, pas comme une fonctionnalité que vous lancez. Un service a un propriétaire, un SLA, du monitoring et quelqu'un d'astreinte quand il déraille. La plupart des agents enlisés que j'ai vus n'avaient rien de tout ça.
Le texte d'Anthropic sur la construction d'agents efficaces(lien externe, nouvel onglet) arrive à une idée voisine : les motifs simples et composables l'emportent sur l'autonomie sophistiquée. Un agent étroit qui passe le relais proprement survit au contact de la production bien plus souvent qu'un agent ambitieux laissé à improviser.
La coordination, c'est l'endroit suivant où ça casse. Reliez une douzaine d'agents isolés sans registre commun ni couche de routage, avec le bout de LangChain ou de CrewAI qui traînait, et vous n'obtenez pas d'effet de levier. Vous récoltez de la duplication et de la dérive.
C'est l'état réel de beaucoup d'entreprises : une douzaine d'agents dans la maison, une poignée de confiance en production. Chacun a été ajouté pour régler un problème local, et aucun ne partage de registre, de couche de routage ni de piste d'audit commune. Au bout du compte, ce n'est pas une force d'agents. C'est un tas de scripts à demi supervisés qu'aucune personne seule ne suit de bout en bout, exactement la situation que la gouvernance était censée éviter.
Comment choisir le workflow qui ira vraiment en production
Alors, quel agent construire en premier ? Étroit, répétitif, peu coûteux à relire. Ceux qui échouent sont plutôt larges, ambigus et politiquement chargés, souvent parce que quelqu'un a voulu automatiser un département entier d'un seul coup.
Commencez par une tâche avec une condition de succès claire, un petit ensemble fixe d'outils et un garde-fou humain dimensionné au coût réel d'une erreur. Instrumentez-la comme une infrastructure de production, avec la rigueur que je défendais dans les leçons Kubernetes en production, pour voir après coup ce que l'agent a fait et pourquoi(lien externe, nouvel onglet).
Puis suivez la seule mesure qui compte vraiment ici : ce workflow a-t-il atteint la production, et tourne-t-il encore un mois plus tard ?
Le takeaway
Arrêtez de compter les agents que vous avez adoptés. Comptez plutôt ceux qui ont atteint la production et y sont restés fiables une fois sur place. Quand l'adoption est à 80% et la production à 41%, votre contrainte n'est pas le modèle. C'est la gouvernance et l'exploitation que vous n'avez pas encore construites.
