Depuis deux ans, le mot « agent » s’est imposé dans le vocabulaire de l’intelligence artificielle. Toute nouvelle fonction semble devoir devenir « agentique », comme si ajouter de l’autonomie rendait automatiquement un système plus utile.
En 2026, le marché commence pourtant à se structurer autour d’une idée plus simple : toutes les tâches n’ont pas besoin d’un agent.
Les entreprises continuent d’utiliser massivement l’IA sous forme d’assistants pour rédiger, résumer, rechercher ou analyser. En parallèle, les systèmes agentiques progressent vers l’exécution de workflows plus complets. OpenAI décrit cette évolution comme un passage de l’assistance à la délégation : l’IA ne se contente plus de produire une réponse, elle reçoit un objectif, dispose de contexte et d’outils, puis accomplit plusieurs étapes pour produire un résultat.
La distinction est importante. Le bon choix n’est pas celui qui donne le plus d’autonomie à l’IA, mais celui qui correspond exactement au travail à accomplir.
L’assistant : quand une réponse suffit
Un assistant IA répond à une demande formulée par l’utilisateur.
Il peut rédiger un courrier, résumer un rapport, préparer une réunion, comparer plusieurs options ou analyser un tableau. Il peut également s’appuyer sur des documents et sur du contexte fourni par l’entreprise.
Mais l’humain reste à l’origine de chaque action.
C’est souvent suffisant.
Si le besoin consiste à obtenir une synthèse, préparer les questions d’un rendez-vous ou reformuler une proposition commerciale, ajouter une architecture agentique ne crée pas nécessairement plus de valeur. Cela peut au contraire introduire davantage de complexité, de coût et de contrôle.
Un assistant est donc adapté lorsque la tâche se résume à une interaction ponctuelle : une demande, un traitement, une réponse.
Si l’utilisateur connaît déjà l’action à demander et que le résultat tient dans une réponse, l’assistant reste généralement le niveau le plus pertinent.
Le workflow : quand les étapes sont déjà connues
Le niveau suivant n’est pas forcément l’agent. C’est souvent le workflow.
Prenons une demande commerciale reçue depuis un formulaire. Elle doit être enregistrée, classée, transmise au bon interlocuteur, puis faire l’objet d’un rappel quelques jours plus tard.
Les étapes sont connues à l’avance.
Il n’est donc pas nécessaire qu’une IA décide à chaque fois de la marche à suivre. Le workflow applique une séquence prédéfinie.
L’IA peut intervenir à certaines étapes, par exemple pour résumer le message, identifier son sujet ou rédiger un premier brouillon. Mais l’enchaînement général reste déterminé à l’avance.
Cette distinction est importante car une automatisation classique est souvent plus prévisible et plus facile à contrôler lorsqu’un processus peut être décrit précisément.
Mettre un agent là où quelques règles suffisent revient à utiliser un système probabiliste pour résoudre un problème déjà déterministe.
Le critère est donc simple : si le chemin vers le résultat peut être entièrement écrit à l’avance, un workflow est généralement préférable à un agent.
L’agent : quand l’objectif est connu, mais pas tout le chemin
Le passage devient réellement agentique lorsque le système reçoit un objectif plutôt qu’une simple instruction.
Un agent peut alors choisir une partie des étapes permettant d’atteindre ce résultat. Il peut rechercher des informations, utiliser différents outils, comparer plusieurs sources, modifier son plan de travail ou exécuter une nouvelle action en fonction de ce qu’il découvre.
Un agent de veille concurrentielle peut par exemple recevoir une mission comme : « Surveille ces cinq concurrents et prépare chaque vendredi une synthèse des changements réellement importants. »
L’agent doit alors déterminer quelles informations rechercher, lesquelles approfondir, lesquelles écarter et comment les synthétiser.
Le nombre exact d’étapes n’est plus nécessairement connu à l’avance.
C’est là que se situe la frontière la plus utile entre workflow et agent : un workflow suit un chemin défini ; un agent peut choisir une partie de ce chemin en fonction de la situation.
Les plateformes d’entreprise commencent d’ailleurs à formaliser cette différence. Les agents d’espace de travail proposés par OpenAI peuvent désormais fonctionner sur des tâches récurrentes, utiliser des applications connectées, recueillir des informations et effectuer certaines actions sans guidage étape par étape.
L’agent devient donc intéressant lorsque la mission comporte suffisamment de variabilité pour qu’une procédure entièrement figée soit inefficace.
Plus d’autonomie signifie aussi plus de contrôle
Le terme « autonomie » est souvent présenté comme une mesure de progrès.
Dans un contexte professionnel, c’est plutôt une mesure de responsabilité.
Un agent qui résume dix documents ne présente pas le même risque qu’un agent capable d’envoyer un email, modifier une fiche client ou engager une dépense.
Gartner propose en 2026 une approche proportionnelle à ce niveau d’autonomie. Son modèle distingue notamment les agents limités à l’observation et aux accès en lecture des systèmes disposant d’un pouvoir d’action beaucoup plus important. L’analyste recommande d’adapter les mécanismes de contrôle à ce niveau plutôt que d’appliquer la même gouvernance à tous les agents.
Cette logique permet de formuler une règle simple : plus une action est difficile à annuler ou produit des conséquences externes, plus elle doit être encadrée.
Un agent peut ainsi préparer un message sans être autorisé à l’envoyer. Il peut proposer une modification sans pouvoir l’enregistrer. Il peut identifier une dépense inhabituelle sans pouvoir déclencher un paiement.
Les plateformes elles-mêmes intègrent désormais ces principes. OpenAI prévoit par exemple des contrôles d’accès, des journaux d’activité et des étapes d’approbation humaine pour certaines actions sensibles effectuées par des agents d’entreprise.
Le bon agent n’est donc pas celui que l’on laisse tout faire. C’est celui dont le périmètre d’action est clairement défini.
Les multi-agents : lorsque plusieurs compétences doivent réellement coopérer
Un niveau supplémentaire apparaît lorsqu’une mission est répartie entre plusieurs agents spécialisés.
L’un peut analyser une question financière, un autre la dimension commerciale, un troisième les contraintes opérationnelles. Un orchestrateur peut ensuite coordonner leur travail et synthétiser leurs résultats.
Cette architecture peut être pertinente lorsqu’un problème est réellement transversal.
Une PME qui hésite entre augmenter ses prix, recruter ou investir dans l’automatisation peut par exemple vouloir confronter plusieurs angles : trésorerie, potentiel commercial, capacité opérationnelle et risques.
Mais plusieurs agents ne produisent pas automatiquement un meilleur résultat.
Ils signifient aussi davantage d’échanges, davantage de contexte à maintenir, plus d’appels de modèles et davantage de possibilités de divergence.
Le multi-agent doit donc répondre à une vraie nécessité d’organisation du travail, pas à une recherche de sophistication.
Dans un environnement d’expérimentation comme SandLab, l’intérêt est justement de pouvoir confronter une mission à différents niveaux de complexité : assistant simple, agent autonome ou plusieurs agents spécialisés, puis de comparer ce que cette complexité supplémentaire apporte réellement.
Une grille simple pour choisir
La différence entre ces quatre niveaux peut être résumée sans jargon.
Un assistant répond à une demande.
Un workflow exécute une suite d’étapes définies à l’avance.
Un agent poursuit un objectif et choisit certaines étapes pour l’atteindre.
Un système multi-agents répartit une mission entre plusieurs agents spécialisés et coordonne leur travail.
Cette grille n’est pas absolue. Les architectures modernes combinent souvent ces approches.
Un workflow peut appeler un agent sur une étape complexe. Un agent peut lancer un workflow. Plusieurs agents peuvent travailler ensemble tout en demandant une validation humaine avant toute action sensible.
Mais elle permet de poser la bonne question avant de choisir une technologie : où se trouve réellement l’incertitude dans la tâche ?
Si elle se trouve uniquement dans le contenu à produire, un assistant peut suffire.
Si les étapes sont connues, le workflow est souvent préférable.
Si les étapes doivent être choisies en fonction de la situation, l’agent devient pertinent.
Si plusieurs expertises indépendantes doivent coopérer, le multi-agent peut apporter un gain supplémentaire.
Le marché de 2026 apprend à limiter l’autonomie
La montée des agents fait apparaître un paradoxe intéressant.
Plus les technologies deviennent capables d’agir seules, plus les entreprises cherchent à définir précisément quand elles doivent le faire.
Gartner prévoit ainsi qu’à l’horizon 2027, 40 % des entreprises auront réduit l’autonomie de certains agents ou les auront retirés après avoir identifié des lacunes de gouvernance en production. Il s’agit d’une prévision, mais elle illustre bien l’évolution actuelle : l’autonomie maximale n’est plus considérée comme une destination naturelle.
OpenAI formule de son côté le problème en termes de fiabilité : la difficulté pour les entreprises n’est plus seulement de montrer qu’un agent peut fonctionner, mais de le rendre suffisamment fiable pour accomplir un travail à forte valeur en production sans perdre le contrôle.
Cela change profondément la manière d’évaluer les agents.
La bonne question n’est plus : « Que peut-on lui faire faire ? »
Elle devient : « Que gagne-t-on réellement à le laisser choisir lui-même cette partie du travail ? »
Commencer par le besoin, pas par l’architecture
C’est probablement la meilleure protection contre le battage marketing autour de l’IA agentique.
Une entreprise n’a pas besoin « d’agents » en général.
Elle a besoin de résoudre certains problèmes.
Il faut donc partir de la tâche, du résultat attendu, des données disponibles, du niveau de risque et du degré de variabilité du processus.
Cette démarche évite deux erreurs opposées.
La première consiste à cantonner l’IA à un simple chatbot alors qu’elle pourrait réellement prendre en charge une mission complète.
La seconde consiste à construire un système agentique complexe pour une tâche qu’un assistant ou quelques règles d’automatisation accompliraient mieux.
Un bon principe peut résumer l’ensemble : le niveau d’autonomie d’un système IA doit être le plus faible possible tout en restant suffisant pour accomplir correctement la mission.
C’est également pourquoi la phase d’expérimentation reste importante. Avant de connecter un agent aux outils réels de l’entreprise, il est utile de le confronter à des cas représentatifs, observer ses décisions et vérifier si son autonomie produit effectivement un gain.
Le bon agent n’est pas le plus autonome
En 2026, c’est probablement l’une des meilleures manières de distinguer une approche mature d’un simple effet de mode.
Un bon agent n’est pas celui qui prend le plus de décisions à la place de l’utilisateur.
C’est celui qui sait accomplir la partie du travail qu’il est réellement pertinent de lui déléguer, avec les bons outils, dans un périmètre défini et avec un niveau de contrôle adapté aux conséquences possibles.
Assistant, workflow, agent ou multi-agents : l’enjeu n’est pas de monter systématiquement dans cette hiérarchie.
Il est de s’arrêter au bon niveau.
SandLab permet de tester différents niveaux d’assistance et d’autonomie sur des cas d’usage concrets avant de décider ce qui mérite réellement d’être déployé dans l’entreprise.