L’intelligence artificielle agentique peut automatiser des tâches complexes que les logiciels traditionnels peinent à gérer. Mais jusqu’où faut-il lui accorder de l’autonomie ? Peter Kalmijn s’interroge sur les situations où cette capacité de décision apporte une réelle valeur et sur celles où l’architecture doit, au contraire, imposer des limites.
Quand l’autonomie de l’IA devient une question de responsabilité
Imaginez un agent d’intelligence artificielle chargé de traiter une demande client. Il lit le message, identifie le besoin, recherche des informations dans plusieurs systèmes et détermine les prochaines étapes. Lorsque des informations manquent, il tente de les retrouver. Face à une situation inattendue, il adapte son approche.
Jusqu’ici, tout semble fonctionner.
Mais que se passe-t-il lorsqu’on lui confie la décision finale ? Peut-il déterminer si un client est éligible à un service, décider si une demande d’asile doit être acceptée ou établir si une personne peut bénéficier d’une aide sociale ?
Serions-nous toujours aussi à l’aise avec cette autonomie ?
La réponse dépend peut-être de la nature de la décision et de ses conséquences sur la vie des personnes concernées.
Cette distinction est essentielle, car l’IA agentique attire naturellement l’attention sur ce qu’il est désormais techniquement possible de réaliser. Pourtant, l’architecture des systèmes d’information doit aller au-delà de cette capacité et déterminer dans quelles situations cette autonomie est réellement utile.
De l’exécution d’instructions à la poursuite d’objectifs
Les systèmes d’automatisation traditionnels reposent généralement sur des instructions précises. Les équipes définissent un processus, encodent des règles et indiquent au logiciel les actions à exécuter lorsque certaines conditions sont réunies.
Un agent IA fonctionne différemment. Lorsqu’on lui confie un objectif et qu’on lui donne accès aux outils appropriés, il peut déterminer comment l’atteindre, sélectionner les actions à entreprendre, interpréter le contexte et adapter son comportement en fonction de l’évolution de la situation.
Cette approche répond à une difficulté qui a longtemps limité les projets d’automatisation : la réalité ne suit pas toujours les scénarios prévus.
Les demandes peuvent arriver avec des informations incomplètes. Les utilisateurs peuvent exprimer un même besoin de différentes manières. Les documents peuvent présenter des formats variés, tandis que des situations exceptionnelles apparaissent sans avoir été anticipées lors de la conception du processus.
Les logiciels classiques excellent dans l’exécution de tâches prévisibles. Historiquement, la gestion des situations imprévues nécessitait souvent une intervention humaine. Donner davantage de latitude aux systèmes d’IA devient donc particulièrement intéressant.
Mais cette capacité à raisonner et à agir de manière autonome constitue, elle aussi, un choix d’architecture.
Quels types de décisions confier à un agent IA ?
Pour comprendre les enjeux, il faut d’abord s’intéresser au travail à accomplir plutôt qu’à la technologie utilisée.
Prenons l’exemple d’un client qui envoie un courriel décrivant un problème complexe, accompagné de plusieurs documents. Comprendre la situation nécessite d’interpréter les informations disponibles. Plusieurs pistes peuvent être envisagées et différentes actions peuvent permettre de résoudre le problème.
Un agent IA peut analyser les documents, comprendre leur contenu et rechercher des informations complémentaires. Il peut également déterminer quelles données examiner ensuite. Dans ce contexte, sa capacité de raisonnement et d’adaptation peut apporter une réelle valeur ajoutée.
À une étape ultérieure, imaginons que le processus nécessite un calcul encadré par une formule officiellement approuvée. Dans ce cas, une interprétation créative n’apporte aucun bénéfice et n’est pas souhaitable.
À partir des mêmes données validées, le résultat doit être identique à chaque exécution. C’est précisément ce que l’on attend d’un traitement déterministe.
Cette distinction rend la réflexion sur l’autonomie beaucoup plus intéressante. Un même processus métier peut comporter des étapes où l’on souhaite que le système analyse, raisonne et explore différentes possibilités, et d’autres où la cohérence, la reproductibilité et l’application stricte de règles validées sont prioritaires.
La question ne devrait donc pas être de savoir quelle proportion d’un processus peut être confiée à un agent IA, mais plutôt d’identifier les étapes qui bénéficient réellement du raisonnement autonome et de déterminer ce qui se passe lorsque cette autonomie s’étend à des tâches dont le résultat devrait déjà être établi.
Pourquoi un projet pilote ne suffit pas à évaluer l’IA agentique
Ces distinctions ne sont pas toujours évidentes lors d’un projet pilote.
On sélectionne un cas d’usage, on donne à l’agent accès à certains outils et on évalue sa capacité à accomplir la tâche. Lorsqu’il réussit, on apprend quelque chose d’utile : la technologie est capable d’effectuer ce travail dans les conditions testées.
Mais le passage en production soulève des questions différentes.
Comment l’agent se comportera-t-il face à un million de cas, plutôt qu’à une centaine ? À quelle fréquence sollicitera-t-il d’autres modèles d’IA ou outils intelligents ? Que fera-t-il lorsqu’un outil renverra un résultat inattendu ? Comment pourra-t-on reconstituer l’ensemble de ses actions lorsqu’un incident surviendra ou qu’un auditeur demandera des explications ?
Une autre question, en apparence simple, mérite également d’être posée : si l’agent reçoit demain exactement les mêmes informations, attend-on de lui qu’il fournisse la même réponse ?
Pour certaines tâches, ce n’est pas nécessairement le cas. L’interprétation peut laisser place à différentes approches raisonnables.
Pour d’autres, la réponse doit impérativement être identique. Cette exigence permet notamment de déterminer le niveau d’autonomie acceptable à chaque étape d’un processus.
Dire non à l’IA peut être un choix architectural pertinent
Face à une technologie aussi puissante, la tentation est naturellement de rechercher de nouveaux usages et de multiplier les applications possibles.
L’enthousiasme est compréhensible. Mais il est parfois nécessaire de prendre du recul.
L’architecture consiste notamment à définir des limites et à choisir les responsabilités de chaque composant d’un système.
Un agent IA peut disposer d’une grande liberté pour analyser une situation inhabituelle, comprendre des documents non structurés et déterminer les outils nécessaires à son investigation. Lorsque le processus atteint une étape reposant sur une logique métier clairement définie, il peut transmettre le traitement à un logiciel conçu pour exécuter cette logique de manière fiable, cohérente et déterministe.
Dans d’autres cas, un niveau d’autonomie beaucoup plus important peut être pertinent. Et certaines tâches peuvent tout simplement être réalisées aussi efficacement par des logiciels classiques.
Le véritable enjeu consiste à reconnaître ces différences.
Renoncer à utiliser l’IA à une étape donnée d’un processus ne signifie pas rejeter l’innovation. C’est au contraire permettre de l’utiliser là où l’autonomie apporte une réelle valeur.
À mesure que les agents IA gagnent en capacités, de nouveaux usages émergent, mais leurs limites doivent également être identifiées.
Une architecture bien conçue ne consiste donc pas à exploiter systématiquement toutes les possibilités offertes par l’intelligence artificielle. Elle consiste à déterminer où, quand et dans quelles conditions l’IA agentique doit intervenir.
L’architecture de l’IA commence aussi par savoir dire non
À mesure que l’intelligence artificielle agentique s’impose dans les entreprises, la question de son intégration dans les systèmes d’information devient centrale.
L’enjeu ne se limite plus à automatiser davantage de tâches ou à développer des agents toujours plus performants. Il s’agit également de définir les responsabilités, les niveaux d’autonomie, les règles de contrôle et les limites de leurs interventions.
C’est cette réflexion architecturale qui permettra de faire de l’IA agentique un levier de transformation réellement utile, fiable et maîtrisé.
À l’occasion de Adopt AI 2026, qui se tiendra les 3 et 4 décembre à Paris, Atos partagera notamment ses réflexions sur ces enjeux.
Chaque jeudi précédant l’événement, Peter Kalmijn, architecte d’entreprise spécialisé en architecture agile et numérique et membre de la Future Makers Research Community (FMRC) d’Atos, expliquera pourquoi une bonne architecture de l’IA commence aussi par savoir dire non.
Questions – Réponses (FAQ)
Qu’est-ce que l’IA agentique ?
L’IA agentique désigne des systèmes d’intelligence artificielle capables de poursuivre un objectif de manière autonome, en analysant une situation, en sélectionnant des actions, en utilisant différents outils et en adaptant leur comportement selon le contexte.
Quelle est la différence entre l’automatisation traditionnelle et l’IA agentique ?
L’automatisation traditionnelle suit généralement des règles et des instructions prédéfinies. L’IA agentique peut, quant à elle, déterminer comment atteindre un objectif, interpréter des situations complexes, choisir les actions à entreprendre et s’adapter aux circonstances.
Pourquoi faut-il limiter l’autonomie des agents IA ?
L’autonomie doit être adaptée à la nature des tâches et à leurs conséquences. Certaines activités nécessitent du raisonnement et de l’adaptation, tandis que d’autres exigent une application stricte de règles, des résultats reproductibles et un contrôle rigoureux.
Qu’est-ce qu’un processus déterministe dans un système informatique ?
Un processus déterministe produit le même résultat lorsqu’il reçoit les mêmes données d’entrée et applique les mêmes règles. Il est particulièrement adapté aux calculs réglementés, aux règles métier validées et aux opérations nécessitant une grande reproductibilité.
Pourquoi un projet pilote d’IA agentique ne suffit-il pas ?
Un projet pilote permet de tester les capacités d’un agent dans un environnement limité. Le passage en production soulève toutefois des enjeux supplémentaires liés à la montée en charge, à la fiabilité, aux interactions entre outils, à la traçabilité, à la gestion des incidents et à la reproductibilité des résultats.
Faut-il utiliser l’IA dans tous les processus métier ?
Non. L’IA est pertinente lorsque ses capacités de raisonnement, d’interprétation et d’adaptation apportent une valeur ajoutée. Pour des tâches prévisibles reposant sur des règles établies, les logiciels traditionnels peuvent être plus appropriés, plus fiables et plus faciles à contrôler.

