Directum : pourquoi les entreprises discutent activement des agents IA mais hésitent à les déployer dans leurs processus

Les entreprises ne se contentent plus de chatbots qui répondent à des questions et rédigent des e-mails : les sociétés ont besoin de systèmes d'IA capables d'accomplir des tâches de manière autonome au sein des processus corporatifs. Mais c'est précisément là où l'autonomie semble la plus précieuse que les principales limitations apparaissent — infrastructure coûteuse, erreurs lors du travail avec plusieurs systèmes et absence de clarté sur la responsabilité des décisions de l'agent. Directum propose de distinguer entre assistants et agents.

Un assistant est essentiellement un conversationnel avancé : il répond aux demandes, aide avec du texte, de la recherche ou des suggestions, mais ne gère pas le processus lui-même. Un agent fonctionne différemment : il décompose les objectifs en étapes, sélectionne les outils, bascule entre les systèmes et retourne le résultat à un humain. Dans un environnement corporatif, cela pourrait signifier un cycle de travail complet avec un document, une demande ou une tâche — de la classification à la transmission au salarié responsable.

Selon l'entreprise, la montée d'intérêt pour les agents n'est pas un hasard. Après la vague de pilotes en 2024, les entreprises ont cessé de se demander si l'IA pouvait rédiger un e-mail ou résumer une réunion, et ont franchi le cap suivant : peut-on faire confiance à un modèle pour une partie du processus qui exige de rassembler des données à partir de plusieurs systèmes et de prendre une décision opérationnelle ? En parallèle, les LLM eux-mêmes sont devenus plus forts en planification et exécution de tâches multiples, et des normes comme function calling et MCP ont simplifié la connexion d'outils externes — allant de ERP et CRM à ECM, calendriers et scénarios RPA.

Le premier facteur limitant est l'infrastructure. Les grandes et moyennes entreprises souhaitent exécuter de telles solutions dans leur propre périmètre sécurisé, car il s'agit de finances, de données personnelles et de secrets commerciaux. Mais le déploiement local de modèles de gamme moyenne nécessite des investissements importants en GPU, et il y a toujours des problèmes d'approvisionnement, de prix et de disponibilité d'un tel matériel en Russie.

Une alternative sous forme de location de puissance de calcul auprès de centres de données est techniquement possible, mais soulève souvent des questions auprès des services de sécurité informatique. En conséquence, de nombreuses entreprises atteignent le stade d'intérêt mais pas le stade de déploiement industriel. La deuxième contrainte est liée à la qualité de performance de l'agent à mesure que le nombre d'intégrations augmente.

Théoriquement, il devrait être capable de travailler avec ERP, systèmes de gestion documentaire, CRM, e-mail, bases de connaissances et calendriers simultanément. En pratique, chaque nouvelle connexion ajoute un risque : le modèle peut sélectionner le mauvais outil, confondre les paramètres d'appel ou même inventer une API inexistante. Selon les observations de Directum, après environ 15 outils, la probabilité de telles défaillances augmente notablement, il est donc plus sûr aujourd'hui de limiter un agent à un domaine étroit ou à un ensemble de 5–7 systèmes vérifiés.

L'extension à l'ensemble du paysage informatique d'une entreprise reste une tâche d'ingénierie complexe. La troisième barrière est la responsabilité. Même si un agent peut exécuter une séquence d'actions de manière autonome, la décision finale dans les scénarios sensibles reste du ressort d'un humain.

Aucun cadre n'est prêt à remettre inconditionnellement à un modèle le droit de signer un contrat majeur, d'approuver une opération risquée ou de transférer de l'argent sans contrôle. Et ce n'est pas seulement une question de méfiance envers la technologie : le cadre juridique n'a pas suivi le niveau d'automatisation. Si un agent commet une erreur, il n'est pas clair qui est responsable des conséquences — le fournisseur, l'intégrateur, le propriétaire du processus ou l'employé qui a configuré le scénario.

Tant que cette question n'est pas résolue, l'autonomie restera limitée. Cela mène à une conclusion plutôt sobre : le marché ne se dirige pas vers le remplacement complet des salariés par des agents, mais vers un modèle intermédiaire où l'IA assume des segments de processus bien décrits sous supervision humaine. C'est précisément pour cela que les agents de workflow semblent actuellement les plus prometteurs — des solutions avec des limites claires, un ensemble limité d'actions et un ROI prévisible.

Pour les entreprises, ce n'est pas un rejet de l'approche agent, mais une façon de l'implémenter sans risque inutile : commencer par des cas d'usage étroits, vérifier la fiabilité et ensuite seulement élargir le périmètre d'automatisation.