Tout le monde parle des agents d’IA. Presque personne ne sait comment en créer de performants.

Le problème de la hype

Les agents d’IA sont partout : dans les feuilles de route, les démos, les conversations de direction. Ils promettent autonomie, accélération et transformation. Et pourtant, derrière cet enthousiasme, il existe un fossé récurrent que la plupart des organisations ne voient jamais venir.

Beaucoup parlent avec assurance de la construction d’agents. Très peu savent expliquer clairement comment ces agents voient réellement le jour, ou ce qui les définit avant d’être construits. Le véritable défi n’est pas de savoir s’ils sont déployés, configurés ou présentés en démo. Il s’agit de savoir s’ils sont correctement créés dès le départ. Ce manque de clarté est rarement visible au début. Pourtant, c’est là que la plupart des initiatives stagnent, puis échouent.

L’erreur fondamentale

Vous avez probablement déjà entendu cette statistique de Gartner : jusqu’à 80 % des initiatives d’IA ne parviennent pas à générer de la valeur. Bien que les raisons varient, un schéma se répète systématiquement : les organisations commencent souvent par une solution avant de comprendre pleinement le problème qu’elles tentent de résoudre.

« Nous devrions construire un agent pour trouver des informations plus rapidement. »

« Créons un assistant IA pour nos équipes. »

Cela semble innovant. On a l’impression de progresser. Mais commencer par l’agent plutôt que par le problème mène à chaque fois au même résultat : un périmètre vague, une valeur floue, des attentes irréalistes et des solutions fragiles dès le premier jour.

J’ai vu émerger des idées d’agents pour automatiser la détection des erreurs dans les processus de la chaîne d’approvisionnement, pour découvrir ensuite que la détection elle-même était déjà possible avec les outils existants. Le vrai problème était un manque de clarté sur les responsabilités, une confiance limitée dans les résultats et l’absence de réponse convenue une fois les erreurs détectées. Un agent n’aurait pas résolu ces problèmes. Il aurait ajouté de la complexité par-dessus des bases non résolues.

Un agent conçu de cette manière n’a pas de véritable fondation. Sans un cadre de conception clair, il devient un concept à la recherche d’un but.

Ce qu’est réellement un agent d’IA

Un agent d’IA va au-delà d’un chatbot, d’un prompt ou d’une automatisation intelligente. À la base, c’est un système conçu pour prendre des décisions, et les décisions nécessitent des fondations solides.

Un agent d’IA comprend le contexte, évalue les options, agit en vue d’un objectif et fonctionne avec un certain degré d’autonomie. Ce qui signifie que son succès se décide avant même de choisir la moindre technologie.

Avant de construire quoi que ce soit, l’ADN d’un agent doit être explicitement défini à travers cinq dimensions :

• Problème : quelle friction ou inefficacité spécifique cible-t-il ?
• Décisions : quels choix soutient-il ou prend-il de manière autonome ?
• Données : sur quelles informations s’appuie-t-il, et ces données sont-elles réelles, utilisées et fiables ?
• Actions : qu’est-il autorisé à faire, et où l’humain garde-t-il le contrôle ?
• Succès : à quoi ressemble concrètement la réussite ?

Sans ces réponses, le résultat est souvent une complexité supplémentaire plutôt qu’un agent utile, un peu comme ajouter des personnes à une équipe sous-performante sans s’attaquer à la cause profonde.

L’étape manquante : l’Envisioning avant l’ingénierie

La plupart des organisations sautent le moment où cet ADN devrait être défini. Elles passent directement de « nous devrions construire un agent » à « implémentons-le ». Mais entre ces deux étapes se trouve la phase qui détermine si l’agent fonctionnera un jour.

L’Envisioning. C’est bien plus qu’un remue-méninges ou qu’une première conception de solution : il s’agit d’une série de conversations structurées avec la direction et les utilisateurs finaux, bien avant que les équipes techniques n’entrent dans la salle. C’est là que les questions difficiles mais essentielles émergent tôt : où l’autonomie crée-t-elle réellement de la valeur dans le travail quotidien ? Quelles décisions sont véritablement complexes ou incohérentes ? Sur quelles données l’agent s’appuierait-il, et existent-elles vraiment ?

Dans plusieurs situations sur lesquelles j’ai travaillé, les projets d’agents n’ont commencé à s’effondrer que lorsque cette dernière question a été posée. Parfois, les données n’étaient pas capturées. Parfois, elles n’étaient pas accessibles. Parfois, elles n’étaient tout simplement pas assez fiables pour soutenir des décisions autonomes. Sans cette phase d’Envisioning, ces réalités seraient apparues beaucoup plus tard, une fois les investissements faits, les attentes créées et la dynamique lancée. C’est là que l’ADN de l’agent se forme, ou se révèle.

Ce que cela donne en pratique

Un client a un jour voulu construire un agent pour « aider les employés à trouver des informations plus rapidement ». Sur le papier, cela avait tout son sens. Mais lors des discussions d’Envisioning avec les équipes métiers, une tout autre réalité a émergé. Les employés n’avaient pas accès aux mêmes informations. Les données étaient fragmentées entre plusieurs systèmes, et certaines équipes n’utilisaient même pas les sources officielles. Le problème n’était pas la vitesse. C’était une incohérence profonde. Un agent n’aurait pas résolu ce problème, il en aurait hérité et l’aurait amplifié.

Dans un autre cas, une organisation a demandé un chatbot pour récupérer des documents dans une base de données spécifique. Techniquement, la base de données existait. Opérationnellement, elle n’était pas utilisée. Les documents vivaient dans des systèmes parallèles et des partages informels. Le problème n’était pas la récupération. C’était l’absence d’une source de vérité partagée et réellement vécue.

Dans toutes les organisations, les mêmes schémas se répètent : optimiser l’accès à des systèmes que les gens n’utilisent pas vraiment, proposer des agents là où l’automatisation existe déjà, attendre de l’autonomie là où les données sont manquantes ou peu fiables. Ces problèmes proviennent rarement de la technologie elle-même. Le plus souvent, c’est que les fondations n’ont jamais été correctement définies.

Comment nous créons réellement des agents chez Hitachi

La plupart des organisations commencent par la technologie. Chez Hitachi, nous préférons partir des défis opérationnels et des points de décision que les collaborateurs rencontrent au quotidien.

Chez Hitachi, les agents ne sont pas construits à partir de rien. Ils sont conçus avant de naître. Nous observons où le travail ralentit, où l’information se perd, où les décisions reposent sur un savoir informel (« tribal »), et où les humains servent de connecteurs entre les systèmes. S’il n’y a pas de friction significative, il n’y a aucune raison d’avoir un agent.

À partir de là, nous transformons les problèmes en opportunités de décision. Où les décisions sont-elles retardées ou incohérentes ? Où le contexte importe-t-il plus que les règles ? Où les humains compensent-ils les lacunes des systèmes ? Car ce sont les décisions, et non les tâches, qui définissent le rôle d’un agent.

Puis, avant toute discussion sur les modèles ou les outils, nous définissons l’ADN de l’agent à travers ses cinq dimensions. Ce dont il est responsable. Là où il peut agir de manière indépendante. Là où les humains gardent le contrôle. À quoi ressemble concrètement la réussite. C’est là que l’agent prend forme, structurellement et non techniquement. Et c’est ce qui fait la différence entre un agent qui fonctionne et un autre qui stagne.

Ce qu’il faut retenir

Tout le monde parle des agents d’IA, pourtant les décisions qui déterminent leur succès sont généralement prises bien avant qu’un développeur n’écrive la moindre ligne de code. Si vous ne pouvez pas expliquer clairement quel problème résout votre agent, quelles décisions lui incombent et pourquoi l’autonomie fait sens, alors le problème ne vient pas de votre technologie. Il vient de votre point de départ.

La plupart des agents n’échouent pas au moment du développement. Ils échouent à la naissance.

Maintenant que nous savons pourquoi la plupart des agents échouent avant d’exister, la question suivante est : comment en construire un qui soit réellement performant ? Dans l’Épisode 02, le Dr Oliver Höllriegl de notre équipe allemande partage ce qu’il a appris en construisant des agents d’IA sur le terrain. Son point de départ pourrait vous surprendre : la technologie est la partie la plus facile.

Épisode 02 – Comment concevoir et construire un agent d’IA performant · À venir le 24 juillet.

Article rédigé par Naomie Grillo, Lead Consultant, Pre-Sales Hitachi Solutions France