On vous parle d’« agents IA » capables de gérer vos courriels, vos soumissions ou votre service à la clientèle. Le mot recouvre pourtant des choses très différentes, et la différence compte : elle change le coût, le risque et le travail de surveillance. Cet article sépare trois options avec un exemple concret, puis vous donne les questions à poser avant de signer quoi que ce soit.
Trois options différentes
Une automatisation par règles suit des instructions écrites à l’avance : « si ceci arrive, fais cela ». Elle ne comprend rien, elle applique. Pensez à un thermostat programmable : à 6 h, il monte à 20 degrés, chaque jour, sans surprise.
Une étape d’IA dans un flux fixe ajoute un modèle d’IA à un seul endroit du trajet, souvent pour lire un texte libre, le résumer ou le classer. Le trajet, lui, reste le même à chaque fois. Pensez à un centre de tri où un employé déchiffre les adresses mal écrites : il interprète, mais le colis suit toujours le même convoyeur.
Un agent IA reçoit un objectif et des outils, puis choisit lui-même les étapes. Pensez à un nouvel employé à qui l’on remet la carte de crédit de l’entreprise en disant « organise le voyage d’équipe » : il choisit les vols, l’hôtel et l’ordre des démarches. C’est utile quand le chemin est imprévisible, et risqué quand les accès sont trop larges.
Anthropic, qui développe les modèles Claude, fait la même distinction dans son guide « Building effective agents ». Les flux de travail y suivent des chemins prédéfinis dans le code, alors que les agents dirigent eux-mêmes leur démarche et leur usage des outils.
Une demande, trois façons
Une entreprise de rénovation fictive reçoit ce courriel : « Bonjour, on voudrait refaire la salle de bain du sous-sol. Il y a eu un dégât d’eau au printemps. On est disponibles surtout le soir. » Aucune adresse, aucun budget, aucune photo.
Une règle peut repérer les mots « salle de bain », créer une ligne dans le tableau de suivi et envoyer un accusé de réception type. Elle ne voit ni l’adresse manquante ni le dégât d’eau, qui peut changer la nature des travaux. Elle fonctionne très bien quand la demande arrive par un formulaire aux champs obligatoires, beaucoup moins avec du texte libre.
Un modèle d’IA extrait du courriel le type de travaux, les disponibilités, les informations manquantes et la mention du dégât d’eau. Une règle vérifie ensuite les champs obligatoires et crée une fiche marquée « à vérifier ». Une personne relit la fiche et envoie la demande de précisions préparée à l’avance. Rien ne part au client sans elle.
L’agent a accès à la boîte de courriel, au calendrier et au tableau. Il peut décider de répondre, de demander des photos ou de proposer une visite. Il peut aussi réserver une visite le jour de congé de l’estimateur ou laisser entendre que l’assurance couvrira les travaux. C’est beaucoup d’autonomie pour un chemin qui, au fond, se répète.
Ici, l’option 2 suffit : la seule partie difficile est de lire un texte libre, et le reste du trajet est connu. Si l’entreprise amenait ses clients à utiliser un formulaire, l’option 1 pourrait même suffire.
Comparer les trois options
| Critère | Règle | Étape d’IA | Agent |
|---|---|---|---|
| Prévisibilité | Totale | Élevée, sauf l’étape d’IA | Plus faible |
| Coût d’exécution | Faible | Modéré, à chaque usage | Plus élevé |
| Facilité de vérification | Simple | Une étape à relire | Chaque action à suivre |
| Risque d’action erronée | Faible, mais erreur répétée | Limité à une étape | Erreurs qui s’enchaînent |
| Meilleur usage | Données structurées, règles stables | Texte libre, trajet connu | Chemin imprévisible, accès limités |
Le guide d’Anthropic résume l’arbitrage : les flux de travail offrent prévisibilité et constance pour des tâches bien définies, les agents conviennent quand il faut de la flexibilité. Il ajoute que l’autonomie des agents entraîne des coûts plus élevés et un risque d’erreurs qui s’accumulent, et recommande des tests poussés dans un environnement isolé. Son conseil de départ : chercher la solution la plus simple possible, ce qui peut vouloir dire ne pas construire d’agent du tout.
- Une règle suffit-elle ? Si oui, arrêtez-vous là.
- Sinon, une seule étape d’IA dans un trajet fixe règle-t-elle la partie difficile ?
- Sinon, le chemin est-il vraiment imprévisible, et pouvez-vous limiter les accès et faire approuver les actions importantes ? Alors un agent peut se justifier.
Plus d’autonomie, plus de contrôle
Avec une règle, une erreur se répète toujours de la même façon et se repère vite. Avec un agent, l’erreur peut prendre une forme nouvelle à chaque fois : un mauvais courriel, un rendez-vous mal placé, un fichier modifié. Plus le système agit seul, plus l’approbation humaine devient la dernière protection avant que l’erreur sorte de l’entreprise.
Le projet OWASP de sécurité de l’IA générative classe ce risque dans son Top 10 2025 pour les applications de modèles de langage, sous le nom « Excessive Agency ». Il en nomme trois causes : trop de fonctions, trop de permissions et trop d’autonomie. Il recommande notamment de limiter l’agent aux outils strictement nécessaires, de réduire ses permissions au minimum et d’exiger qu’une personne approuve les actions à fort impact avant leur exécution.
- Lecture seule : l’outil consulte, il ne modifie rien.
- Brouillon : il prépare, une personne valide et envoie.
- Action encadrée : il agit seul sur des cas à faible impact, dans des limites fixées.
- Action libre : réservée à ce qui est sans conséquence et facile à annuler.
Quand ne pas automatiser
Parfois, la bonne réponse n’est ni une règle ni un agent. Ne rien automatiser est une décision valable dans les cas suivants.
- Tâche rare : si elle revient quelques fois par année, la mise en place et la surveillance coûtent plus que le gain.
- Jugement ou relation : annoncer un retard à un client mécontent, négocier un prix ou régler un conflit demande une personne.
- Processus flou : si l’équipe ne fait pas la tâche de la même façon, l’outil figera la confusion.
- Données sensibles sans cadre : renseignements personnels, financiers ou de santé, sans règles claires sur qui y accède et où ils vont.
- Faible volume : quelques minutes par semaine ne justifient pas un outil de plus à entretenir.
Sur les données, rappelez-vous qu’au Canada, la LPRPDE s’applique aux organisations du secteur privé qui recueillent, utilisent ou communiquent des renseignements personnels dans le cadre d’activités commerciales, sous réserve des lois provinciales essentiellement similaires. Avant de confier ce type de renseignements à un outil d’IA, vérifiez vos obligations et ce que le fournisseur fait des données.
Questions pour un fournisseur
Quand on vous propose un agent, ces questions permettent de savoir ce qu’il fera réellement. Une réponse vague est déjà une information.
À demander avant de signer
- Quelles actions précises l’agent peut-il faire, et lesquelles lui sont interdites ?
- À quels outils et à quelles données accède-t-il, en lecture ou en écriture ?
- Quelles actions exigent l’approbation d’une personne avant d’être exécutées ?
- Que fait-il quand une information manque ou qu’il n’est pas sûr ?
- Qu’est-ce qui l’arrête, par exemple un nombre maximal d’étapes ?
- Pouvons-nous consulter nous-mêmes le journal de tout ce qu’il a fait ?
- Où nos données sont-elles traitées et conservées, et servent-elles à autre chose ?
- A-t-il été testé sur nos propres cas, dans un environnement sans risque, avant la mise en service ?
- Comment le coût évolue-t-il quand le volume augmente ?
- Comment l’arrêter et revenir au fonctionnement manuel du jour au lendemain ?
- Pourquoi une règle ou une seule étape d’IA ne suffirait-elle pas ici ?
Limites et erreurs à éviter
- Les comparaisons de coût et de risque sont générales : elles varient selon l’outil, le volume et la façon dont le système est construit.
- Les frontières entre les trois options sont parfois floues : un produit vendu comme « agent » peut n’être qu’un flux fixe, et l’inverse.
- Cet article ne constitue pas un avis juridique sur la protection des renseignements personnels.
Sources consultées
- Anthropic, « Building effective agents » (en anglais) ↗La distinction entre flux de travail et agents, l’arbitrage prévisibilité et flexibilité, les coûts et erreurs cumulées des agents, les tests en environnement isolé, les conditions d’arrêt et le conseil de commencer par la solution la plus simple.consultée le 15 septembre 2026
- OWASP Gen AI Security Project, « LLM06:2025 Excessive Agency » (en anglais) ↗Les trois causes (fonctions, permissions et autonomie excessives), le principe du moindre privilège et l’approbation humaine des actions à fort impact.consultée le 15 septembre 2026
- Commissariat à la protection de la vie privée du Canada, « En bref : les obligations prévues par la LPRPDE » ↗À qui s’applique la LPRPDE et l’exception pour les lois provinciales essentiellement similaires.consultée le 15 septembre 2026
Rédigé avec l’aide d’outils d’IA, puis vérifié et édité par Over U. Les exemples sont fictifs. Ce guide ne constitue pas un avis juridique.