Agent IA en production : de la démo au produit

Un agent IA en production n’a plus grand-chose à voir avec la démo qui l’a fait adopter : la démo montre ce qu’il sait faire une fois, devant quelqu’un qui le regarde, la production demande qu’il le fasse chaque jour, sans spectateur. Ce guide de notre rubrique IA d’entreprise, privée et au juste coût décrit ce qui fait passer de l’une à l’autre, avec quatre cas publics et ce que nous faisons tourner nous-mêmes. Pour la définition, lisez d’abord ce qu’est un agent IA, et ce qu’il n’est pas.

En bref

• Un agent devient un produit avec un responsable, des limites écrites et une mesure de départ.
• Chez Klarna, viser d’abord le coût a fait baisser la qualité, de l’aveu de son dirigeant.
• Air Canada a été jugée responsable de ce qu’affirmait son chatbot.
• Chez Anthropic, des agents ont progressé avec des procédures, sans se passer d’humains.
• Chez nous, des agents préparent, et un humain valide ce qui engage ou se publie.

Qu’est-ce qui distingue un agent en production d’une démo ?

Une démo répond à une question : est-ce que ça marche ? La production en ajoute deux : qui s’en occupe quand l’agent se trompe, et comment savoir qu’il fait mieux qu’avant. Les réponses tiennent en sept éléments, à écrire avant l’ouverture :

1. un responsable nommé, côté métier, qui répond des résultats ;
2. un périmètre écrit : ce que l’agent fait seul, ce qu’il fait valider, ce qu’il ne fait jamais ;
3. un budget par tâche, avec un arrêt propre une fois atteint ;
4. une mesure de départ du temps passé et des erreurs ;
5. une escalade : l’utilisateur sait joindre un humain, l’agent sait quand lui passer la main ;
6. des versions du modèle et des consignes, qu’on peut défaire ;
7. un journal de ce que l’agent a lu, décidé et fait.

Le guide Building effective agents d’Anthropic, l’éditeur des modèles Claude, en décrit deux (nous traduisons) : un agent peut se mettre en pause « pour obtenir un retour humain à des points de contrôle ou quand il rencontre un obstacle », et il lui faut des « conditions d’arrêt (comme un nombre maximal d’itérations) ».

Que montre le cas Klarna sur la qualité du service ?

Le média spécialisé CX Dive a retracé le cas en mai 2025. En février 2024, la société de paiement Klarna annonçait que son assistant d’IA avait pris en charge, dès son premier mois, deux tiers des conversations de son service client, soit 2,3 millions, avec un temps de résolution moyen de moins de 2 minutes et un travail équivalent, selon elle, à celui de 700 conseillers. En mai 2025, son dirigeant Sebastian Siemiatkowski déclarait à Bloomberg que le coût semblait avoir été un critère d’évaluation « trop prédominant », avec pour résultat « une qualité moindre ». Depuis, Klarna recrute de nouveau des conseillers : le client doit savoir, dit son dirigeant, qu’il y aura « toujours un humain, si vous le souhaitez ».

L’assistant est resté : selon une porte-parole, il traitait encore deux tiers des demandes, avec des délais de réponse améliorés de 82 % depuis son lancement et 25 % de problèmes récurrents en moins. La leçon porte sur la mesure : un agent jugé d’abord sur ses économies sera réglé pour économiser, et la qualité ne se défend que si on la mesure aussi.

Qui répond de ce que dit un assistant d’IA ? Le cas Air Canada

Début 2024, un tribunal de Colombie-Britannique, au Canada, a tranché un litige que le cabinet d’avocats McCarthy Tétrault résume dans une note du 19 février 2024. Le chatbot d’Air Canada avait laissé entendre à un passager qu’il pourrait demander après son achat le tarif réduit prévu en cas de deuil, alors que la compagnie exigeait une demande préalable. Air Canada soutenait que son chatbot était une entité juridique distincte, responsable de ses propres actes. Le tribunal a rejeté l’argument et l’a jugée responsable : la compagnie répond « de toutes les informations de son site », qu’elles viennent « d’une page statique ou d’un chatbot », et elle n’avait pas pris de précautions raisonnables pour s’assurer de l’exactitude du sien.

Un chatbot qui informe engage déjà l’entreprise ; un agent qui agit l’engage davantage. Celui qui parle au public doit s’appuyer sur des sources que vous maîtrisez et dire quand il ne sait pas, comme notre assistant IA sur vos documents. Ce qu’une IA peut décider seule face à une personne a aussi des limites légales : voyez Décision automatisée : l’IA peut-elle trancher seule ?.

Que nous apprend Project Vend, la boutique tenue par des agents ?

En 2025, Anthropic a confié, avec la société Andon Labs, une petite boutique automatique de ses bureaux à un agent baptisé Claudius. Après une première phase ratée, que nous racontons dans ce qu’un agent IA n’est pas, la seconde, publiée le 18 décembre 2025, décrit la tentative de redressement.

L’équipe a changé de modèle, ajouté des outils, dont un CRM, et demandé à Claudius de revérifier prix et délais avec ses outils de recherche à chaque demande de produit, ce qui a « beaucoup aidé ». Un agent directeur, Seymour Cash, l’a rejoint : après son arrivée, le nombre de remises a baissé d’environ 80 %, celui des articles offerts de moitié. Mais il acceptait environ huit fois plus souvent qu’il ne les refusait les gestes commerciaux que Claudius lui demandait pour des clients : si la boutique s’est mise à gagner de l’argent, c’est peut-être « malgré le directeur, plutôt que grâce à lui ». Au fil de cette phase, les semaines à marge négative ont en grande partie disparu.

La phrase que nous retenons : « nous avons redécouvert que la bureaucratie compte ». Procédures et listes de contrôle fournissent « une forme de mémoire institutionnelle » qui aide à éviter les erreurs courantes. Un agent en production gagne à recevoir les procédures d’un nouvel employé ; un agent superviseur ne les remplace pas. Claudius s’est amélioré, conclut Anthropic, mais « il reste vulnérable sur bien des points importants », et les agents ont encore eu besoin de beaucoup de soutien humain.

Comment l’administration britannique a-t-elle évalué son outil avant de l’ouvrir ?

En 2025, le gouvernement britannique a testé Consult, un outil d’IA générative qui analyse les réponses aux consultations publiques. Selon son communiqué du 14 mai 2025, l’outil a dégagé les thèmes de plus de 2 000 réponses à une consultation écossaise ; des experts les ont vérifiés et affinés, puis l’outil y a rangé chaque réponse. Il tombait d’accord avec l’analyse humaine « la plupart du temps », avec un score F1 de 0,76, une mesure courante de concordance. Le gouvernement estime qu’il pourrait épargner environ 75 000 jours d’analyse par an, soit 20 millions de livres de frais de personnel : une projection, pour un outil « encore à l’essai ».

Consult n’est pas un agent, mais sa démarche vaut pour tout agent : le mesurer contre le travail humain, sur de vrais cas, avant de l’ouvrir, et distinguer le mesuré de l’estimé.

Que faisons-nous tourner nous-mêmes ?

Nos exemples viennent de nos outils internes et d’un portail que nous opérons pour un client : des choix de conception, pas des gains mesurés.

Un agent dans la messagerie de l’équipe

On envoie la photo d’un reçu sur Telegram ; notre agent de saisie comptable en tire le fournisseur, le montant et la TVA, puis classe le justificatif. Des contrôles vérifient les doublons, la cohérence des montants et un seuil de confiance avant toute écriture ; reste un geste humain, valider la fiche d’un bouton. En production depuis juillet 2026, il fait partie des outils que nous faisons tourner nous-mêmes, et vit dans la messagerie, comme nos bots Telegram ou WhatsApp métier.

Un moteur SEO qui prépare, un humain qui publie

Le référencement de ce site suit le même partage. Chaque jour, un scan sans IA lit Google Search Console et dresse la file du travail : requêtes à portée de la première page, taux de clic à réparer, pages qui reculent. Chaque semaine, quatre agents spécialisés y puisent et livrent au plus deux contenus par passe, en brouillons, sur une copie de travail séparée du site. Un humain relit, puis publie : rien ne part seul. La règle vient de trois contenus inventés qu’un modèle avait publiés sur un site que nous opérons pour un client.

Notre première passe sans surveillance, le 30 août 2026, n’a rien produit : l’agent qui la pilotait a posé une question au lieu de trancher, et personne n’était là pour répondre. Sa consigne interdit depuis toute question en cours de route : le moment de l’humain, c’est la relecture.

Une traduction qui a changé de fournisseur

Sur Palmora, un portail immobilier que nous opérons, la traduction en six langues n’est pas confiée à un agent : c’est une étape d’IA dans une chaîne réglée, avec glossaire, cache persistant et contrôle de parité. Le changement de fournisseur y a divisé le coût par 60, et 95 % des segments sortent du cache sans rappeler l’IA. Isolez ainsi l’étape d’IA : le jour où un modèle moins cher suffit, il se remplace sans toucher au reste.

Aucun de ces outils n’a reçu de mission large : chacun a une tâche étroite, logée dans un outil que l’équipe utilise déjà.

Comment évaluer un agent avant de l’ouvrir à toute l’équipe ?

Testez d’abord plusieurs modèles sur vos vrais cas, difficiles compris : notre guide pour évaluer un modèle d’IA avant de le mettre en production donne la méthode, et notre offre IA au juste coût compare 3 à 5 modèles sur 20 à 30 échantillons de vos contenus. Un agent demande deux précautions de plus : fixer avec le métier le taux d’erreur acceptable, puis l’ouvrir à une ou deux personnes qui connaissent la tâche, avec un point à 30 jours. Comptez aussi le coût par tâche, appels répétés au modèle compris, comme l’explique notre guide sur le coût de l’IA en entreprise.

Par où commencer

Vérifiez d’abord qu’il vous faut un agent : Anthropic recommande de n’ajouter des systèmes agentiques à plusieurs étapes que lorsque des solutions plus simples ne suffisent pas, et notre article Automatisation sans IA : quand une règle suffit aide à faire le tri. Si l’agent se justifie, nommez son responsable et écrivez son périmètre avant la première ligne de code : les projets d’IA qui rapportent sont d’abord des projets d’organisation, comme le montre notre analyse de la rentabilité de l’IA en entreprise. Pour choisir la tâche, notre audit de maturité numérique et IA sert à savoir quoi automatiser avant de dépenser, avec un GO ou un NOGO écrit par chantier.

Questions fréquentes

Qui est responsable quand un agent IA se trompe ?

Face aux clients, l’entreprise qui le met en service. Début 2024, au Canada, Air Canada a soutenu que son chatbot était une entité distincte, responsable de ses actes ; le tribunal a répondu qu’elle répondait de toutes les informations de son site, chatbot compris. En interne, nommez une personne qui répond de l’agent : elle fixe son périmètre, suit ses erreurs et peut le suspendre.

Faut-il toujours un humain pour valider ce que fait un agent IA ?

Pas pour tout, mais pour ce qui se défait mal. Un agent peut classer ou préparer seul. Pour les actions sensibles, n8n permet d’exiger l’approbation d’un humain avant qu’un agent utilise un outil précis, et sa documentation cite en exemple la suppression de données, l’envoi de communications externes et les achats. Le workflow se met alors en pause, et un refus annule l’action.

Un agent IA peut-il gérer seul un service client ?

Une partie, oui. Chez Klarna, l’assistant traitait encore deux tiers des demandes en 2025, mais le dirigeant a reconnu qu’une organisation trop centrée sur le coût avait fait baisser la qualité, et l’entreprise recrute de nouveau des conseillers humains. Prévoyez dès le départ comment un client joint un conseiller, et quelles demandes l’agent doit transmettre sans tenter d’y répondre.

Comment savoir si un agent IA rapporte vraiment ?

En le comparant à une mesure prise avant son arrivée, sur le temps passé et les erreurs. Comptez aussi ce qu’il ajoute, comme la relecture et la correction de ses erreurs. Sans mesure de départ, aucun gain ne se prouve. Notre analyse de la rentabilité de l’IA en entreprise explique pourquoi tant de projets tardent à rapporter.