Agent IA ou automatisation classique : comment choisir ?

Choisissez une automatisation classique lorsque les entrées, les règles et le résultat attendu sont stables. Envisagez un agent IA lorsque la tâche demande de lire, chercher ou classer des informations variables. Dans les deux cas, partez d'un besoin concret, prévoyez les exceptions et mesurez le travail de vérification avant d'étendre le système.

Quelle est la différence entre un agent IA et une automatisation classique ?

Une automatisation classique exécute un chemin défini à l'avance. Un agent IA traite des entrées plus variables dans un périmètre donné, mais son résultat demande des contrôles adaptés à l'incertitude du modèle utilisé.

Prenons une tâche simple : copier les informations d'un devis approuvé vers un outil de facturation. Le déclencheur est connu, les champs sont identifiés et la destination ne change pas. Des règles fixes peuvent suffire : si le devis passe au statut approuvé, transférer telles données vers tels champs, puis signaler les informations manquantes.

La situation change si le travail consiste à lire des demandes rédigées librement, rechercher des entreprises, interpréter des documents ou préparer une réponse. Les entrées n'ont pas toujours la même forme et toutes les décisions ne tiennent pas dans une suite de conditions simples. Un modèle d'IA peut alors analyser le contenu et proposer un résultat.

Dans cet article, « agent IA » désigne un système qui utilise un modèle d'IA pour traiter cette partie variable et enchaîner des actions dans un cadre défini. Le mot ne garantit ni autonomie complète ni exactitude. La CNIL rappelle que les modèles génératifs suivent une logique probabiliste et peuvent produire des réponses inexactes qui semblent plausibles. Cette limite change la manière de tester et de superviser le système.

Quels critères utiliser avant de choisir ?

Le choix dépend du travail réel, pas de la nouveauté de l'outil. Décrivez un exemple récent du début à la fin, puis examinez la stabilité des entrées, les règles appliquées, les exceptions et les conséquences d'une erreur.

Six questions permettent de cadrer la décision :

1. Quel événement déclenche la tâche ?
2. Les informations arrivent-elles toujours dans le même format ?
3. Les règles peuvent-elles être écrites sans multiplier les cas particuliers ?
4. Quel résultat marque la fin correcte du travail ?
5. Une personne peut-elle vérifier ce résultat sans refaire toute la tâche ?
6. Que se passe-t-il lorsque le système ne sait pas traiter un cas ?

Une automatisation classique devient un bon choix lorsque le déclencheur, les données et les règles restent prévisibles. Elle peut aussi convenir à une partie seulement du processus, par exemple enregistrer une pièce jointe, mettre à jour un statut ou déplacer une donnée validée.

Un agent IA devient pertinent lorsque la difficulté se trouve dans la lecture, la recherche, la classification ou la rédaction à partir d'éléments variables. Il faut alors définir les critères d'acceptation, les cas qui exigent une validation et les informations que le système ne doit pas recevoir.

Si l'équipe ne peut pas encore expliquer les étapes ou se mettre d'accord sur le résultat attendu, commencez par clarifier le processus. La page Automatiser les tâches répétitives détaille cette première étape.

Quand une automatisation classique suffit-elle ?

Une automatisation classique suffit souvent lorsque le travail consiste à faire circuler des données connues entre des outils. Elle suit des règles explicites, repère les champs absents et transmet les exceptions à une personne.

À Brest Bretagne Handball, j'ai relié des outils afin d'éviter des transferts manuels dans le back-office. Le besoin public décrit sur la page Réalisations porte sur la circulation des informations entre des systèmes existants. Rien ne justifie de présenter cette intervention comme un cas d'IA.

Ce type de besoin se prête à des contrôles précis : la donnée a-t-elle quitté la bonne source, atteint la bonne destination et conservé le format attendu ? L'équipe peut aussi définir quoi faire si un champ manque ou si l'outil cible refuse l'enregistrement.

Le cas BBH ne fournit pas de mesure de temps gagné, de taux d'erreur ni de détail sur la technologie employée. Il illustre une décision de conception : lorsque la valeur vient d'une connexion fiable entre deux étapes prévisibles, ajouter un modèle d'IA ne résout pas un problème supplémentaire.

Si votre difficulté principale tient à la ressaisie d'informations stables, consultez aussi la page consacrée aux doubles saisies.

Quand un agent IA devient-il pertinent ?

Un agent IA devient pertinent lorsque les entrées varient et que la tâche comprend une part de recherche ou d'interprétation, à condition que le résultat puisse être contrôlé. Le périmètre doit préciser ce que l'agent prépare, ce qu'il enregistre et ce qu'une personne décide.

Pour une entreprise viticole, le travail commençait par une recherche manuelle de cavistes et de grossistes. Le client vérifiait ensuite ses critères et enregistrait les résultats qualifiés dans son CRM. J'ai d'abord explicité ses sources de recherche, ses critères d'exclusion et les informations à conserver.

J'ai transformé ces étapes en un agent qui recherche les entreprises, applique la méthode de qualification et enregistre les résultats dans le CRM. Plusieurs itérations ont été nécessaires pour ajuster la qualification à la façon de travailler du client.

Le client garde la décision de contacter ou non chaque entreprise. L'agent ne prend pas en charge la relation commerciale et le cas publié ne fournit aucun résultat mesuré sur le nombre de prospects, les ventes ou le temps économisé.

Ce cas montre pourquoi un agent ne supprime pas le besoin de règles. Les critères, les exclusions, les informations attendues et la décision humaine forment son cadre. L'IA intervient dans la partie variable du travail, pas dans une autonomie sans limites.

Faut-il combiner règles fixes et IA ?

Une combinaison convient lorsque le même processus contient une partie prévisible et une partie variable. Les règles fixes peuvent déclencher le traitement, déplacer les données validées et signaler les erreurs. L'IA peut lire un contenu libre, le classer ou préparer une proposition à vérifier.

Utilisez des règles fixes pour le parcours connu

Confiez aux règles les événements et destinations stables : réception d'un formulaire, création d'un dossier, mise à jour d'un statut ou enregistrement d'un résultat approuvé. Chaque étape doit produire une trace et un signal en cas d'échec.

Réservez l'IA à la partie variable

Utilisez un modèle lorsque la tâche ne peut pas être décrite uniquement par des champs et des conditions. Demandez-lui un résultat limité, par exemple une catégorie, une extraction ou un brouillon, avec les éléments nécessaires pour le contrôler.

Gardez une décision humaine identifiable

Nommez la personne qui valide les cas sensibles, les résultats incertains et les communications qui engagent l'entreprise. Définissez aussi la méthode de repli : mettre le cas en attente, revenir au traitement manuel ou demander une information manquante.

Cette structure hybride est une option générale. Elle ne décrit pas l'architecture technique des cas BBH ou viticole, qui n'est pas documentée publiquement.

Comment tester la solution sur un premier périmètre ?

Testez la solution sur des exemples représentatifs avant de lui confier davantage de tâches. Comparez le temps de traitement, le temps de vérification, les corrections, les cas non résolus et les incidents avec le fonctionnement précédent.

Préparez le test en définissant :

• les usages autorisés et interdits ;
• les données que le système peut recevoir ;
• des exemples courants et des exceptions ;
• le résultat attendu pour chaque exemple ;
• la personne chargée de valider ;
• le comportement prévu en cas d'échec.

Pour l'IA générative, la CNIL recommande de partir d'un besoin concret, d'encadrer les usages, de tenir compte des limites du système, de sécuriser son déploiement et de former les utilisateurs. Elle cite aussi la possibilité d'interdire certaines données ou de ne pas confier une prise de décision au système. Ces recommandations concernent l'IA générative et ne s'appliquent pas automatiquement à chaque connexion entre logiciels.

Un test concluant ne signifie pas que tous les cas doivent être automatisés. Une solution peut traiter les situations courantes et transmettre clairement les exceptions. Étendez le périmètre seulement si les mesures incluent le travail de contrôle et montrent une amélioration utile pour l'équipe.

Ce qu'il faut retenir

• Choisissez des règles fixes lorsque les entrées, les étapes et le résultat sont stables.
• Envisagez un agent IA pour lire, rechercher ou classer des informations variables que votre équipe peut vérifier.
• Définissez les exceptions, la validation humaine et la méthode de repli avant le déploiement.
• Mesurez aussi le temps de contrôle, les corrections et les cas non résolus.

Si vous hésitez entre une connexion, un agent IA ou une simplification du processus, décrivez la tâche, les outils utilisés et l'étape qui bloque. Un exemple réel suffit pour cadrer un premier périmètre lors d'un échange gratuit de 30 minutes.

Écrit par Antoine mazu. Antoine aide les petites entreprises de services à comprendre et améliorer leurs processus grâce à des solutions adaptées, avec ou sans IA. Basé à Bayonne, il associe réflexion produit et réalisation technique.

Sources consultées le 11 septembre 2026 : réalisations d'Antoine mazu, recommandations de la CNIL sur le déploiement d'une IA générative, questions-réponses de la CNIL sur l'IA générative.