Les tests d’IA se sont multipliés dans les entreprises, mais peu passent le cap de la production. Selon une étude du MIT publiée en 2025, 95 % des projets pilotes d’IA générative ne produisent aucun retour mesurable. Avec l’arrivée des agents, capables d’agir et plus seulement de répondre, la question devient pressante : comment choisir les bons cas d’usage, les déployer à grande échelle et garder le contrôle ?
Cet article s’appuie sur une table ronde de la Semaine de la Souveraineté Numérique avec Gaël Bonnardot (Datakeen) et Xavier Lombard (Leexi). Le replay est disponible en fin d’article.
Industrialiser l’IA : l’usage progresse plus vite que les résultats
L’IA s’installe dans les entreprises plus vite que ses résultats. Selon McKinsey, 44 % des organisations la déploient à l’échelle de toute l’entreprise, alors que seules 37 % lui attribuent un effet sur leur résultat opérationnel, un niveau quasiment inchangé depuis 2025. Même constat du côté de Gartner : seules 22 % des organisations ont réussi à étendre l’IA à plusieurs directions métier, et 3 % dépassent leurs objectifs d’économies grâce aux gains de productivité.
Les tests se multiplient, les résultats tardent, et une question devient pressante : pourquoi certaines entreprises parviennent-elles à tirer de la valeur de l’IA quand la plupart n’y arrivent pas ? La réponse tient rarement à la technologie, beaucoup plus souvent à la façon de la déployer. Gaël Bonnardot et Xavier Lombard, qui ont tous deux placé l’IA au cœur du fonctionnement de Datakeen et de Leexi, en livrent les clés.
Chatbot ou agent IA : ce qui change vraiment
Les deux termes sont souvent confondus, alors qu’ils ne désignent pas la même chose. Un chatbot a une fonction simple : il répond à une question. L’utilisateur partage sa demande, l’IA produit une réponse, mais c’est à la personne de décider quoi faire de cette réponse.
Un agent IA, lui, poursuit un objectif précis. Il découpe la tâche en étapes, va chercher les informations dont il a besoin et enchaîne les actions pour arriver au résultat escompté : remplir un CRM, envoyer un message, compléter un dossier ou déclencher un traitement dans un autre logiciel. C’est ce qu’on appelle l’IA agentique : des agents autonomes conçus pour atteindre un objectif prédéfini.
| Chatbot | Agent IA | |
| Ce qu’il fait | Répond à une demande | Poursuit un objectif et enchaîne les actions |
| Qui agit | L’utilisateur, à partir de la réponse | L’agent, dans les outils de l’entreprise |
| Exemple | Résumer un rapport, traduire un document | Préparer un dossier de conformité, mettre à jour un CRM après une réunion |
| Niveau de risque | Limité à la qualité de la réponse | Lié aux actions menées et aux droits accordés |
Pour agir, un agent doit pouvoir accéder aux données de l’entreprise, et donc à ses outils internes. Il y accède par des API ou par le protocole MCP (Model Context Protocol), un standard qui permet à une IA de lire et d’écrire dans d’autres applications.
Entre le chatbot et l’agent IA, il existe une zone intermédiaire. Par exemple, un outil de prise de notes comme Leexi capte une réunion, repère les informations importantes et les range dans un CRM ou un outil de gestion de projet. Il opère déjà des choix, mais sans pour autant prendre de décision qui engage l’entreprise.
Pour Xavier Lombard, c’est là que se situe la frontière entre les deux : un agent prend une décision, puis mène une action qui peut engager l’organisation. Une action engage l’entreprise quand elle produit un effet difficile à annuler, en particulier à l’extérieur : un mail envoyé à un client, une commande passée à un fournisseur, un dossier validé ou refusé… Un agent qui accorde seul une remise demandée par un client crée, par exemple, un engagement commercial au nom de l’organisation.
Cette autonomie fait toute la valeur des agents, mais elle constitue aussi leur risque. Un agent n’a ni conscience, ni sens moral : il cherche à atteindre l’objectif qu’on lui a fixé. S’il dispose de trop de droits, il peut aller plus loin que ce qu’on attendait de lui, quitte à prendre des décisions allant à l’encontre des intérêts de l’organisation.
Selon Gaël Bonnardot, les agents ne sont passés des tests à la production que depuis un an environ. Le passage à l’échelle demande donc plus de méthode qu’un simple test.
Partir d’un vrai point de douleur
Que l’on parle d’une solution collaborative ou d’une IA agentique, un bon cas d’usage ne vient pas d’un éditeur ni d’un effet de mode. Il naît d’un métier qui constate une tâche pénible : répétitive, chronophage ou à faible valeur ajoutée.
Les équipes conformité en offrent un bon exemple. Elles doivent examiner les dossiers d’alerte issus du filtrage des transactions ou des nouvelles entrées en relation. Selon Datakeen, ces équipes de taille réduite peuvent recevoir 50 à 100 dossiers par jour.
Un agent qui prépare le travail, en vérifiant si le dossier est complet et en signalant les alertes simples, les soulage d’une grande partie de la charge. Quand le même problème se retrouve à l’échelle de toute une profession, le cas d’usage mérite d’être industrialisé.
Il faut aussi distinguer deux approches. La première vise la productivité interne : des agents aident les équipes à préparer un rapport, trier des demandes ou remplir un CRM. Une erreur reste alors dans l’entreprise, où un collaborateur peut la repérer et la corriger, et le bénéfice se mesure en temps gagné.
La seconde intègre des agents dans un produit ou un service vendu aux clients. L’erreur sort alors de l’entreprise, avec des conséquences commerciales, contractuelles, voire réglementaires.
Dans la vérification d’identité, par exemple, un agent qui laisse passer un faux document ou qui bloque un client légitime engage directement la responsabilité de l’éditeur. Ces usages exigent un niveau de fiabilité, de traçabilité et de contrôle bien supérieur à celui des outils de productivité interne.
Avancer équipe par équipe
Offrir un assistant d’IA à tous les collaborateurs ne suffit pas à industrialiser l’usage de l’IA dans une organisation. L’usage reste souvent ponctuel et l’impact difficile à mesurer. Gaël Bonnardot et Xavier Lombard recommandent plutôt d’avancer équipe par équipe, en commençant par des gains de productivité rapides.
Chez Leexi, les développeurs ont été les premiers concernés. Le code est désormais rédigé à partir d’instructions, puis relu et testé par des agents. L’équipe a commencé avec trois passionnés sur quinze, qui partageaient chaque semaine leurs découvertes avec les autres.
Le support a ensuite suivi. Remplir le CRM, rédiger des rapports, répondre à des dizaines de messages par jour : des tâches qui se prêtent très bien à l’automatisation. Des agents préparent désormais les réponses, mais un collaborateur les valide toujours avant l’envoi final.
Côté finance, les gains ont été tout aussi rapides : le traitement des relevés de cartes bancaires, jusqu’à leur transmission au cabinet comptable, a été automatisé en quelques heures.
De tous les services, les équipes commerciales se sont révélées les plus difficiles à outiller chez Leexi, dont l’outil automatise déjà une bonne partie de leur travail.
Chez Jamespot, c’est au contraire dans l’équipe commerciale que l’un des gains les plus nets est apparu : des agents créent des plateformes de démonstration personnalisées, avec des contenus adaptés au contexte de chaque prospect.
« Il y a deux ans, nos développeurs écrivaient tout leur code à la main. Aujourd’hui, presque plus rien ne l’est. Nous relisons surtout les instructions données à l’IA, et c’est le produit qui devient le cœur du métier : nous recrutons désormais des profils produit plutôt que des développeurs. »
Xavier Lombard, CEO et cofondateur de Leexi
Garder l’humain dans la boucle quand le risque l’exige
Les modèles d’IA fonctionnent par probabilités : pour produire une réponse, ils calculent la suite de mots la plus vraisemblable à partir de ce qu’ils ont appris, sans vérifier qu’elle est exacte. Leurs résultats ne sont donc jamais entièrement prévisibles, et une part d’erreur subsiste toujours, même si elle diminue à mesure que la technologie et les outils progressent.
Avant d’automatiser un processus de bout en bout, mieux vaut se demander si une erreur commise par l’IA serait acceptable pour l’entreprise. Pour certains usages, l’AI Act impose déjà un encadrement.
« Dès qu’une automatisation peut avoir un effet négatif, quel qu’il soit, la question ne se pose même pas : il faut un scénario hybride, où l’humain intervient sur une partie des cas. En conformité, dès qu’il y a un doute, c’est à une personne de le lever. »
Gaël Bonnardot, cofondateur et directeur technique de Datakeen
Les tâches simples et peu engageantes peuvent être entièrement confiées à des agents. Pour une décision qui engage l’entreprise, comme répondre seul à un client ou valider un dossier, une validation humaine reste indispensable.
Dans les faits, les entreprises vont déjà plus loin. Selon Deloitte, 40 % d’entre elles laissent l’IA exécuter des décisions ou des actions sans validation humaine, au moins dans une certaine mesure, et 23 % ne savent pas clairement qui est responsable lorsqu’un système d’IA produit un résultat négatif. Avant de donner plus d’autonomie à un agent, mieux vaut donc définir qui répond de ses actions.
Le vrai frein : les habitudes de travail
D’un point de vue technique, l’intégration est rarement ce qui pose problème avec les agents IA. Ils se connectent aux outils de l’entreprise par des API ou par le protocole MCP. La difficulté se situe du côté des collaborateurs : des équipes qui traitent leurs dossiers d’une certaine façon depuis des années doivent changer leur manière de travailler. Comme dans beaucoup de projets numériques, la conduite du changement devient dès lors un chantier à part entière, souvent sous-estimé.
Elle ne se limite d’ailleurs pas aux méthodes de travail : elle touche aussi au sens du métier. Chez Leexi, des développeurs qui n’écrivent presque plus de code se sont interrogés sur leur rôle. L’entreprise a donc mis en place des temps d’écoute pour en parler avec eux.
Shadow AI : équiper avant d’interdire
Si l’entreprise ne fournit pas les outils que ses collaborateurs veulent utiliser, ils les trouveront ailleurs. Interdire sans proposer d’alternative ne fonctionne jamais, d’autant moins quand la direction encourage par ailleurs l’usage de l’IA.
« Si vous ne proposez pas d’outil de prise de notes à vos collaborateurs, ils en prendront un gratuit, américain ou chinois. Si vous ne leur donnez pas accès à un assistant d’IA, ils utiliseront leur compte personnel avec des données de travail. C’est le même mécanisme. »
Xavier Lombard
La réponse passe d’abord par l’équipement : des outils validés, y compris les assistants que les équipes réclament le plus. Une fois ces outils en place, une charte portée par le RSSI peut fixer les règles d’usage, et un outil de gestion des appareils (MDM) permet de vérifier quels logiciels tournent réellement sur les postes de travail.
Mesurer l’adoption pour piloter le déploiement
Après des années de projets d’IA restés sans lendemain, les entreprises veulent savoir si leurs outils sont réellement utilisés. Les grands comptes demandent désormais un accès direct aux statistiques d’usage : qui utilise l’outil, quels agents, quels modèles, et pour quelle consommation de tokens.
Sur SafeBrain, la plateforme d’IA générative, 30 à 50 % des comptes utilisent au moins un agent chaque semaine, selon les données internes de la plateforme. Ce taux continue de progresser, et l’usage s’accélère une fois installé dans une équipe. Une plateforme agentique demande en effet plus d’appropriation qu’un outil à usage unique : les équipes doivent d’abord imaginer leurs cas d’usage avant de pouvoir en tirer parti.
Souveraineté : un chemin plutôt qu’un état définitif
Industrialiser l’IA signifie valider et déployer des outils pour ses équipes. Mais cela veut aussi dire décider où vont transiter les données.
Pour un outil comme Leexi, qui enregistre et analyse les réunions, chaque maillon de la chaîne compte : l’agenda, la visioconférence, la transcription de la voix, le modèle de langage et le stockage.
Proposer des alternatives européennes à chaque étape, comme Proton pour l’agenda ou Visio, la suite de visioconférence de l’État, permet aux clients qui le souhaitent de s’affranchir des outils américains.
« La souveraineté, c’est comme la neutralité carbone : c’est un chemin. L’atteindre totalement est quasiment impossible. Nous avons commencé il y a quatre ans, et nous remplaçons nos sous-traitants américains un par un. Il en reste très peu, mais il en reste. »
Xavier Lombard
Ce chemin bute encore sur des besoins très spécifiques, comme les traitements qui mobilisent des centaines de serveurs en quelques secondes. Pour une partie de leurs services, Leexi et Datakeen recourent donc encore à un cloud américain localisé en France, en complément d’hébergeurs européens comme Scaleway, Outscale ou Cloud Temple.
Une solution de compromis, car un hébergement en France ne met pas les données à l’abri du Cloud Act, qui permet aux autorités américaines d’exiger l’accès aux données détenues par un fournisseur américain, où qu’elles soient stockées. Pour la plupart des usages métier, des offres européennes existent pourtant déjà, et c’est sur ces besoins de calcul massif que l’écosystème doit encore progresser.
Faute de pouvoir tout héberger en Europe (du moins pour l’instant), il reste possible de limiter la quantité de données conservées. Datakeen, qui traite des données personnelles, a fait de la minimisation un principe : les documents sont traités en mémoire, conservés temporairement pour la vérification humaine, puis supprimés selon une durée de conservation paramétrée par chaque client.
Choisir le bon modèle pour chaque tâche
Héberger ses données en Europe ne suffit pas à industrialiser l’IA de façon souveraine. Encore faut-il choisir les modèles qui les traitent, et sur ce terrain, la bascule vers des solutions européennes est engagée, mais elle reste lente.
Selon Xavier Lombard, les clients les plus sensibles de Leexi ont commencé à passer sur Mistral AI il y a un an seulement.
Faire tourner un modèle open source chez un hébergeur européen lui coûte aujourd’hui autant que d’utiliser un modèle américain hébergé en France, mais l’écart de qualité reste visible sur ses usages. Pour les deux intervenants, le critère décisif pour basculer reste donc, à l’arrivée, la qualité du résultat obtenu.
Cet écart dépend toutefois de la tâche. Comparer deux contrats, résumer une réunion ou classer des documents ne demande pas le modèle le plus récent. Les modèles en poids ouverts, portés par Mistral AI mais aussi par la recherche chinoise, ont beaucoup progressé, et un modèle plus léger consomme moins de ressources.
« Il faut raisonner tâche par tâche, processus par processus. Nous recommandons, pour chaque usage de l’IA, de comparer les résultats avec ceux d’un modèle en poids ouverts, hébergé de manière souveraine. C’est désormais une excellente alternative. »
Gaël Bonnardot
Déployez des agents IA pour chacune de vos équipes, sur une plateforme hébergée en France, et suivez leur adoption au quotidien. Demandez votre démo personnalisée.
Demander une démonstration
Industrialiser, c’est choisir
Passer du test à l’échelle ne consiste pas à déployer un outil pour tout le monde. Il s’agit de choisir les tâches à automatiser, le niveau de contrôle humain, les outils à fournir aux équipes et le modèle adapté à chaque usage. Les entreprises qui avancent le plus vite partent des besoins de leurs équipes, progressent service par service et acceptent de revoir leurs choix à chaque nouvelle génération de modèles.
Au fond, l’industrialisation de l’IA dans les organisations ressemble à une démarche réussie de souveraineté numérique : l’essentiel est d’identifier ses usages critiques, puis de les faire évoluer progressivement, plutôt que de chercher à tout uniformiser d’un coup, au détriment des équipes.
Revoir la table ronde en intégralité
Passionné par le numérique et grand amateur d'écriture qui apprécie tout particulièrement transmettre ses connaissances à d'autres personnes.
