Dans l’article précédent, nous avons parlé d’Order-to-Cash : relances clients, rapprochements comptables, priorisation du recouvrement, résolution des litiges, analyse du risque. Sur le papier, l’IA agentique y trouve un terrain idéal : beaucoup de tâches répétitives, beaucoup de données, beaucoup de règles métier, et un besoin permanent d’aller plus vite.
Mais une fois que l’on a dit ça, une question revient : si un agent IA peut analyser une situation, décider de la prochaine action, interagir avec plusieurs systèmes et exécuter une partie du processus, que reste-t-il à l’humain ?
La réponse simple serait de dire : « l’humain garde le contrôle ». C’est vrai, mais c’est insuffisant. Dans une organisation réellement agentique, l’humain ne reste pas simplement là pour rassurer. Son rôle évolue. Il passe progressivement d’un rôle d’exécutant de tâches à un rôle de superviseur, d’arbitre et de garant du résultat.
Et c’est probablement là que se joue la vraie transformation.
Il faut être clair : une IA agentique totalement autonome, branchée sans contrôle sur les processus critiques de l’entreprise, ce n’est pas une vision moderne. C’est un risque.
Gartner prévoit que plus de 40 % des projets d’IA agentique pourraient être abandonnés d’ici 2027, notamment à cause d’une valeur métier mal définie, de coûts mal maîtrisés et de garde-fous insuffisants. Ce n’est pas anodin. Cela veut dire que le sujet n’est pas simplement technologique. Il est organisationnel, métier et opérationnel.
Dans un processus O2C, par exemple, un agent peut très bien prioriser les relances clients selon le montant, le comportement de paiement, l’historique commercial ou le risque de churn. C’est utile. Mais faut-il le laisser décider seul de bloquer un compte stratégique ? D’envoyer une mise en demeure ? De proposer un geste commercial ? De modifier une condition de paiement ?
Dans la plupart des entreprises, la réponse sera non. Pas parce que l’IA est inutile. Mais parce que certaines décisions portent un risque financier, commercial, juridique ou relationnel.
Le bon objectif n’est donc pas : « supprimer l’humain du processus ». Le bon objectif est : « donner plus d’autonomie au système, sans perdre la maîtrise des décisions importantes ».
Gartner utilise le terme d’Agent Steward, que l’on peut traduire par « superviseur d’agent ». L’idée est intéressante parce qu’elle décrit mieux la réalité du travail à venir.
Le collaborateur ne passe plus forcément sa journée à exécuter toutes les étapes d’un processus. Il supervise un ou plusieurs agents IA qui préparent, recommandent, exécutent certaines actions et remontent les cas ambigus.
Un exemple concret en recouvrement
Avant, un gestionnaire recouvrement pouvait passer une partie importante de son temps à :
- consulter les factures échues ;
- vérifier les litiges ouverts ;
- relancer manuellement les clients ;
- chercher des informations dans l’ERP ou le CRM ;
- prioriser ses actions selon l’urgence visible.
Avec une IA agentique bien intégrée, une partie de ce travail peut être préparée ou exécutée automatiquement. L’agent identifie les clients prioritaires, propose une action, prépare un message, consulte les litiges associés, vérifie les engagements commerciaux, puis escalade les cas sensibles.
Le gestionnaire, lui, ne disparaît pas. Il change de niveau d’intervention. Il valide les décisions à impact. Il ajuste les règles. Il traite les exceptions. Il vérifie si les recommandations sont cohérentes avec la réalité du terrain. Il détecte les dérives. Il reprend la main quand le contexte humain dépasse ce que l’agent peut comprendre.
Ce n’est pas un rôle plus passif. C’est même souvent l’inverse. Il demande plus de recul, plus de compréhension du processus complet et plus de capacité à juger la qualité d’un résultat.
Le concept de Human-in-the-loop est souvent mal compris. Il ne s’agit pas de faire valider chaque micro-action par un humain. Sinon, on annule une grande partie de l’intérêt de l’automatisation.
L’enjeu est plutôt de placer l’intervention humaine là où elle a réellement de la valeur.
Là où l’agent peut être autonome
Sur des tâches simples, répétitives et peu risquées, l’agent peut avoir beaucoup d’autonomie.
Par exemple :
- classer des demandes entrantes ;
- rapprocher des informations entre plusieurs systèmes ;
- préparer une synthèse de dossier ;
- générer une première version de relance ;
- détecter une anomalie ou une incohérence.
Là où l’humain doit reprendre la main
Dès qu’une décision engage fortement l’entreprise, l’humain doit revenir dans la boucle.
Par exemple :
- bloquer une commande ;
- modifier une condition contractuelle ;
- déclencher une action contentieuse ;
- appliquer une remise exceptionnelle ;
- envoyer une communication sensible à un client stratégique.
C’est ici que les garde-fous deviennent essentiels. Un bon système agentique doit définir clairement ce que l’agent peut faire seul, ce qu’il peut recommander, ce qu’il doit faire valider, et ce qu’il n’a jamais le droit de faire.
Ce niveau de cadrage est indispensable. Le NIST rappelle que les systèmes d’IA générative peuvent produire des réponses fausses avec un haut niveau d’assurance. Dans un contexte professionnel, ce n’est pas un détail. Une hallucination dans un texte marketing est gênante. Une hallucination dans une analyse de risque client, une décision financière ou un processus réglementé peut coûter cher.
L’IA agentique est très forte pour aller vite, croiser des données, exécuter des séquences d’actions et maintenir une logique sur un volume important de dossiers.
Elle est beaucoup moins fiable lorsqu’il faut interpréter une situation politique, sociale, commerciale ou émotionnelle.
Un client qui ne paie pas n’est pas toujours un mauvais payeur. Il peut y avoir un litige réel, une relation commerciale fragile, une négociation en cours, un problème interne, ou un enjeu stratégique que les données ne reflètent pas correctement.
C’est là que le jugement humain reste central.
Le World Economic Forum souligne que les compétences comme l’empathie, l’écoute active, le jugement nuancé ou la capacité à comprendre un contexte restent parmi les moins substituables par l’IA générative. McKinsey arrive à une conclusion similaire dans plusieurs analyses : la performance vient moins du remplacement pur et simple que de la combinaison entre automatisation, expertise humaine et responsabilité managériale.
Dit autrement : l’IA peut accélérer l’analyse. Elle peut préparer une recommandation. Elle peut exécuter une action cadrée. Mais elle ne porte pas la responsabilité finale.
Dans l’entreprise, quelqu’un doit toujours pouvoir expliquer pourquoi une décision a été prise, sur quelle base, avec quelles limites et avec quel niveau de risque accepté.
La collaboration humain-IA ne consiste pas simplement à ajouter un chatbot dans un outil métier. C’est une transformation plus profonde.
McKinsey parle d’organisation agentique pour décrire des équipes hybrides où humains, agents IA et systèmes métiers travaillent ensemble. Dans ce modèle, les agents prennent en charge une partie de l’exécution, tandis que les humains pilotent les objectifs, arbitrent les priorités et supervisent la qualité des résultats.
Cela peut changer beaucoup de choses dans l’organisation quotidienne.
Une équipe finance peut s’appuyer sur des agents pour surveiller les encours, détecter les retards critiques, préparer les relances et consolider les litiges. Une équipe supply chain peut utiliser des agents pour anticiper les ruptures, simuler des scénarios d’approvisionnement ou alerter sur des écarts de prévision. Une équipe commerciale peut bénéficier d’agents capables de préparer des comptes rendus, qualifier des opportunités ou signaler des comptes à risque.
Mais ce modèle ne fonctionne que si les rôles sont clairs
Qui paramètre les seuils d’alerte ? Qui valide les règles métier ? Qui contrôle les recommandations ? Qui est responsable en cas d’erreur ? Qui peut désactiver un agent ? Qui mesure la qualité des décisions prises avec son aide ?
Sans réponses à ces questions, l’organisation agentique devient vite une usine à confusion. On ne sait plus si l’agent recommande, décide ou exécute. On ne sait plus qui porte la responsabilité. Et l’on finit par créer plus de dette opérationnelle que de performance.
Il y a un autre point à ne pas sous-estimer : on ne peut pas demander à des collaborateurs de superviser correctement des agents si le socle technique ne suit pas.
Pour qu’un agent soit réellement utile, il doit accéder aux bonnes données, comprendre les droits associés, interagir avec les bons systèmes, tracer ses actions et remonter ses décisions de manière explicable.
Sinon, le « superviseur d’agent » se retrouve à contrôler une boîte noire. Et dans ce cas, on n’a pas modernisé l’organisation. On a simplement déplacé le problème.
Une collaboration humain-IA sérieuse suppose donc :
- des données fiables ;
- des processus bien décrits ;
- des droits d’accès maîtrisés ;
- une traçabilité des actions ;
- des règles d’escalade compréhensibles ;
- une supervision métier régulière ;
- des indicateurs de performance et de risque.
Ce n’est pas la partie la plus spectaculaire du sujet. Mais c’est souvent celle qui fait la différence entre une expérimentation séduisante et un système réellement exploitable en production.
La peur du remplacement est compréhensible. Chaque vague d’automatisation la réactive. Mais dans le cas de l’IA agentique, la question la plus intéressante n’est pas « combien de personnes va-t-on remplacer ? ».
La vraie question est plutôt : « comment repositionner l’humain là où il crée le plus de valeur ? »
Sur des tâches répétitives, l’IA peut apporter de la vitesse. Sur des processus complexes, elle peut apporter de la coordination. Sur des volumes importants, elle peut apporter de la capacité d’analyse. Mais sur les arbitrages sensibles, la relation client, la responsabilité, l’éthique, le contexte et la stratégie, l’humain reste indispensable.
La collaboration humain-IA ne doit donc pas être pensée comme une substitution brutale. Elle doit être pensée comme un nouveau modèle opérationnel : des agents qui exécutent davantage, des humains qui supervisent mieux, et une organisation qui apprend à déléguer sans se déresponsabiliser.
C’est là que se situe le vrai potentiel de l’IA agentique. Mais ce potentiel ne se décrète pas. Il se construit. Il demande un socle technique solide, une gouvernance claire, des cas d’usage bien choisis et une intégration sérieuse dans les processus existants.
C’est précisément ce que nous aborderons dans le prochain article : comment passer de l’intention à une intégration maîtrisée d’une IA agentique sur mesure, sans brûler les étapes.
Vos questions fréquentes
Cela dépend surtout du périmètre choisi. Sur un cas d’usage bien cadré, avec des données accessibles et un processus déjà maîtrisé, une première expérimentation peut être lancée assez rapidement. En revanche, passer d’un pilote à un fonctionnement réellement intégré dans l’entreprise prend plus de temps.
Une meilleure question serait alors : combien de temps pour définir les règles métier, les droits d’accès, les seuils de validation humaine, les indicateurs de performance et les mécanismes de contrôle ? C’est souvent cette phase de cadrage qui fait la différence entre une démonstration et un usage fiable au quotidien.
Pas forcément, mais ce n’est pas le même type de complexité. Une automatisation classique repose généralement sur des règles explicites : si telle condition est remplie, alors telle action est exécutée. C’est très efficace pour des processus stables, répétitifs et bien définis.
L’IA agentique va plus loin : elle peut analyser un contexte, orchestrer plusieurs actions, interagir avec différents systèmes et proposer une décision. Cela la rend plus puissante, mais aussi plus sensible au cadrage. Il faut donc prévoir davantage de travail sur la supervision, la traçabilité, les garde-fous et les cas d’escalade humaine. En clair : ce n’est pas forcément plus long à démarrer, mais c’est plus exigeant à industrialiser correctement.
Le coût peut être plus élevé au départ, surtout si l’entreprise doit consolider ses données, connecter plusieurs applications métier ou renforcer sa gouvernance. Mais comparer uniquement le coût de mise en place serait malhonnête.
Une automatisation classique permet surtout de gagner du temps sur une tâche précise. Une IA agentique peut, elle, agir sur un processus plus large : prioriser, analyser, recommander, exécuter certaines actions et remonter les exceptions. Le retour sur investissement peut donc être plus important, à condition de choisir un cas d’usage où le gain métier est clair.
Le piège serait de lancer un projet agentique simplement parce que la technologie est nouvelle. Si le problème peut être résolu par une automatisation simple, il faut savoir rester simple.
Il faut être prudent. L’IA agentique progresse vite, mais elle n’est pas magique. Les risques existent : erreurs de raisonnement, hallucinations, mauvaise interprétation d’un contexte métier, actions inadaptées si les permissions sont trop larges.
C’est précisément pour cela que le modèle Humain-IA est important. L’objectif n’est pas de donner une autonomie totale à l’agent, mais de définir ce qu’il peut faire seul, ce qu’il doit recommander, et ce qui doit obligatoirement être validé par un humain.
La fiabilité ne vient pas seulement du modèle IA. Elle vient aussi de l’architecture, des données, des garde-fous, de la supervision humaine et de la capacité à tracer les décisions prises.
Oui, si le projet est lancé comme un pari technologique mal cadré. Non, si l’entreprise avance progressivement, sur un périmètre maîtrisé, avec des règles claires et une logique d’expérimentation contrôlée.
Le vrai risque c’est de confondre vitesse et précipitation. Une entreprise peut commencer dès maintenant, à condition de ne pas brancher un agent autonome sur un processus critique sans supervision, sans traçabilité et sans validation humaine sur les décisions sensibles.
Un projet d’IA agentique ne consiste pas seulement à brancher Claude ou ChatGPT sur un outil existant. Il faut identifier les bons cas d’usage, cadrer les règles métier, connecter les bonnes données, définir les garde-fous et prévoir la supervision humaine.
C’est là qu’un partenaire comme Access it est pertinent. Notre approche combine compréhension des processus métier, développement sur mesure, intégration SI, ERP, data et accompagnement dans la durée. L’objectif n’est pas de déployer une IA « gadget », mais une solution utile, maîtrisée et réellement intégrée aux outils des équipes.
Access it peut accompagner l’entreprise du cadrage jusqu’à la mise en œuvre : choix du cas d’usage, POC, intégration aux applications existantes, sécurisation, traçabilité et amélioration continue.
