Sylvain Letourmy, Business Development Leader Europe du Sud, Oracle : « La valeur des agents IA ne se mesure pas à leur nombre, mais aux résultats » Sophisme de McNamara, applications agentiques, contexte métier : Sylvain Letourmy, Business Development Leader Europe du Sud chez Oracle, explique pourquoi le nombre d’agents IA déployés compte moins que les résultats qu’ils produisent réellement. PAR SYLVAIN LETOURMY, BUSINESS DEVELOPMENT LEADER EUROPE DU SUD, ORACLE Combien d'agents IA devons-nous déployer ? Dans les discussions sur l'IA en entreprise, la question revient vite auprès des dirigeants. Le chiffre a ses avantages : il tient dans une présentation, se compare à celui d'un concurrent et se communique facilement à la direction. Mais que dit-il de ce qui a réellement changé pour l'entreprise ? Cette tentation porte un nom : le sophisme de McNamara. Elle consiste à privilégier ce qui se mesure facilement, au risque de négliger ce qui compte réellement. Avec l'IA, par exemple, le nombre d'agents déployés est immédiatement disponible ; leur contribution à la fiabilité d'une projection ou à la réduction des délais de paiement exige une véritable évaluation. La facilité de la mesure ne devrait pas dicter notre définition de la réussite. Concrètement sur le terrain, les entreprises qui tirent une réelle valeur de l'IA commencent par un problème à résoudre ou un point de friction à éliminer. Elles définissent le résultat attendu, puis choisissent les moyens de l'atteindre. Cette démarche devrait guider les décisions des dirigeants. Pour dépasser le stade des expérimentations, quatre questions méritent de passer avant celle du nombre d'agents IA. IA en entreprise : ne poussez pas sur la spécialisation, dans un environnement de travail où les agents sont omniprésents Les assistants qui rédigent un premier texte, résument une réunion ou répondent à une question rendent des services concrets. Le temps gagné compte. Encore faut-il comprendre comment il se traduit dans le fonctionnement de l'entreprise. Une paie plus fiable, un planning d'équipe établi plus rapidement, des coûts d'approvisionnement réduits ou des créances recouvrées plus tôt : voilà des résultats qui permettent d'évaluer un investissement. Le nombre d'agents mobilisés pour les obtenir reste un choix de mise en œuvre. C'est à cette échelle que l'application agentique prend tout son sens. Un agent peut accomplir une tâche précise ; une application agentique coordonne plusieurs agents spécialisés pour faire progresser un processus vers un objectif métier. Le passage de la tâche au résultat change la façon de concevoir le projet et d'en mesurer l'utilité. Avant de déployer, il faut donc pouvoir nommer l'indicateur à améliorer. Sans ce point de départ, difficile à transformer une expérimentation IA en bénéfice mesurable. Réduire la charge de travail plutôt que de recevoir des suggestions L'IA sait de mieux en mieux analyser une situation et proposer la prochaine étape. Une recommandation pertinente peut pourtant laisser intacte la liste des tâches à accomplir. Pour l'entreprise, la question est de savoir jusqu'où le système peut absorber la charge de travail. Prenons les achats. Un assistant peut repérer qu'une catégorie d'achats devrait faire l'objet d'une renégociation et suggérer un appel d'offres. Il reste ensuite à préparer la consultation, solliciter les fournisseurs, comparer leurs réponses, obtenir les validations et mettre à jour le contrat. C'est dans cet enchaînement que se joue une grande partie de la valeur. Une application agentique doit pouvoir prendre en charge les étapes qui lui sont confiées dans le respect des règles de l'entreprise. Les autorisations doivent être définies, les interventions humaines prévues et les actions traçables. La capacité d'exécution se juge aussi à la manière dont elle s'inscrit dans ce cadre de contrôle. Le test est concret : après son intervention, le processus a-t-il avancé ? Le collaborateur doit pouvoir constater un travail accompli, au-delà des conseils reçus. La mesure est simple, passe-t-elle de la suggestion à l'action ? L'accès au contexte métier décuple le potentiel de l'IA agentique Les classements de modèles renseignent sur leurs capacités générales. Ils ne suffisent pas à déterminer leur utilité au sein d'une entreprise ou d'une industrie donnée. Un modèle peut connaître les principes des achats sans disposer des informations nécessaires pour agir dans votre organisation. Il lui manque alors la liste des fournisseurs référencés, les délégations de pouvoir, les engagements contractuels, les stocks disponibles ou les exceptions déjà autorisées. Sans ce contexte, une réponse peut être bien argumentée et pourtant inadaptée à la décision à prendre. La qualité des données et leur rattachement aux processus métier deviennent donc déterminants. Un agent doit disposer des informations utiles à sa mission, avec les droits d'accès appropriés. Il doit aussi tenir compte de l'état du processus, des validations obtenues et des règles applicables. Intégrer les capacités agentiques aux systèmes où se trouvent déjà ces données et ces contrôles facilite ce travail. Le choix du modèle reste important ; son accès au contexte de l'entreprise l'est tout autant. L'orchestration des agents spécialisés détrône les IA généralistes L'idée d'un assistant unique, capable de tout comprendre et de tout faire, est séduisante. Dans une entreprise, les résultats reposent pourtant sur la coopération de spécialistes. Les achats, la finance et les ressources humaines ont chacun leurs compétences, leurs responsabilités et leurs contraintes. Les agents doivent pouvoir travailler dans cette même logique. Le recrutement l'illustre bien. Un agent peut aider à identifier des candidatures, un autre vérifier la disponibilité du budget, un troisième préparer l'intégration du futur salarié. Leur utilité collective dépend de la circulation des informations, de l'ordre des étapes et du respect des validations. Préparer une arrivée n'a de sens que si le recrutement a été approuvé. Le nombre d'agents décrit les moyens engagés. Leur coordination détermine la capacité à accompagner le processus, de l'ouverture du poste au premier jour du collaborateur, avec les décisions humaines nécessaires. Pour le logiciel, un changement de paradigme : les systèmes d'enregistrement voient émerger les systèmes orientés résultats Ces quatre questions dessinent une évolution du logiciel d'entreprise. Les applications qui enregistrent les opérations et aident à piloter l'activité peuvent désormais contribuer plus directement à leur exécution. C'est la promesse des systèmes orientés résultats : exploiter le contexte disponible pour faire avancer le travail vers un objectif défini en s'appuyant sur une cohorte d'agents IA orchestrés dans l'atteinte d'un objectif. Aux dirigeants de fixer cet objectif, les limites de l'autonomie accordée et les critères de réussite. Une stratégie d'IA devient alors plus facile à évaluer : les erreurs ont-elles diminué ? Les délais se sont-ils raccourcis ? Sommes-nous plus agiles, ou réactifs face à un contexte nouveau ? C'est sur ces réponses que devrait se juger le progrès apporté par l'IA, bien plus que sur le nombre d'agents IA déployés. Estelle Parain, responsable marketing & communication chez l'Oiseau Rare : « IA open source : comment maîtriser ses dépendances ? » Galaxy Book6 Series : 10 raisons de choisir la performance Le guide de la migration écoresponsable vers Windows 11 IA locale : la nouvelle ère de l’Intelligence artificielle ?