Jean de Leissegues Rozaven, L'Oiseau Rare : Où en sont vraiment les entreprises françaises avec les agents IA ? 58 % des grandes entreprises françaises utilisaient déjà une technologie d’IA en 2025, mais le passage à l’échelle des agents reste timide. Jean de Leissegues Rozaven, cofondateur de L’Oiseau Rare, détaille les quatre freins qui séparent encore les démonstrations impressionnantes des éditeurs d’une adoption réellement industrialisée dans les grandes DSI. PAR JEAN DE LEISSEGUES ROZAVEN, COFONDATEUR DE L’OISEAU RARE © Jean de Leissegues Rozaven/L'Oiseau Rare Les agents IA promettent de transformer le fonctionnement des entreprises. Les démonstrations se multiplient, les technologies progressent et les premiers projets voient le jour. Mais derrière cet enthousiasme, la réalité des grandes entreprises françaises est moins spectaculaire. Entre expérimentations et mise en production, le fossé reste important. Alors, où en sont réellement les entreprises dans l'adoption de l'IA agentique ? L'intelligence artificielle agentique est un sujet de prédilection chez l'Oiseau Rare. Et ce n'est pas vraiment nouveau. En 2017, nous développions nos premiers projets d'automatisation RPA avec UiPath. En 2019, nous menions nos premières expérimentations en intelligence artificielle avec IBM Watson. Puis, dès 2020, nous développions des solutions de traitement automatique du langage (NLP) et des réseaux de neurones. Alors, les agents IA capables de travailler aux côtés des collaborateurs, de prendre en charge certaines tâches et d'améliorer la productivité des entreprises, autant vous dire que nous y croyons. Nous baignons dans cet univers depuis plusieurs années. Et, reconnaissons-le, nous aimons ça. Mais où en sont réellement les grandes entreprises françaises dans l'adoption de ces technologies ? Entre les démonstrations impressionnantes des éditeurs, les expérimentations des directions innovation et la mise en production dans les grandes DSI, il existe parfois un écart considérable. Avant de partager nos observations, examinons deux dimensions essentielles : la maturité technologique et la maturité organisationnelle. Après la multiplication des frameworks et des preuves de concept, plusieurs technologies permettent désormais de construire des solutions exploitables en production. Mais la fiabilité des raisonnements, la sécurité des accès, la traçabilité, les coûts et la supervision restent des défis. L'écosystème se structure autour de protocoles ouverts qui facilitent l'intégration des agents aux systèmes d'information : MCP (Model Context Protocol) : standardise l'accès aux outils, services et sources de données. A2A (Agent-to-Agent) : facilite les échanges et la collaboration entre agents, y compris de technologies différentes. AG-UI (Agent-User Interaction) : structure les interactions entre agents et interfaces utilisateur, notamment les validations humaines. MCP connaît une adoption importante, tandis que les usages d'A2A et d'AG-UI continuent de se développer. L'enjeu n'est plus seulement de rendre les agents intelligents, mais de leur permettre de travailler efficacement avec le reste du système d'information. De nouveaux métiers, de nouvelles méthodes Le développement d'agents IA ne se limite pas à la rédaction de prompts. Il exige des compétences en orchestration, gestion du contexte, évaluation, sécurité, supervision et gouvernance. Deux approches coexistent : les frameworks pro-code (OpenAI Agents SDK, Microsoft Agent Framework, LangGraph, Google ADK) et les plateformes low-code / no-code (UiPath, Microsoft Copilot Studio, n8n). Leurs frontières s'estompent. Microsoft associe outils visuels et développement avancé ; UiPath combine Agent Builder et Maestro pour orchestrer agents, robots RPA et interventions humaines ; n8n réunit workflows visuels et composants programmables. Les entreprises peuvent ainsi choisir une architecture hybride adaptée à leurs compétences et contraintes. « Pourquoi demander à un agent IA de faire ce qu'une API réalise déjà parfaitement ? » L'idée d'un agent capable de tout comprendre, décider et exécuter seul est séduisante. Mais plus un agent dispose d'outils et de responsabilités, plus son contexte devient complexe ; les temps de traitement, les coûts et les risques d'erreur peuvent augmenter. Une autre approche consiste à spécialiser les agents, éventuellement sous la coordination d'un orchestrateur. Un agent recherche des informations, un autre analyse des documents, un troisième prépare une action. Cette modularité facilite l'évaluation et la maintenance. Une architecture multi-agents n'est toutefois pas systématiquement préférable à un agent unique. Des LLM déjà intégrés à des processus opérationnels Parloa et Ada illustrent l'usage de modèles GPT dans des opérations de relation client associant outils, connaissances et fonctions spécialisées. Nubank a communiqué sur l'utilisation de GPT-4o pour automatiser une partie des échanges avec ses clients, avec intervention humaine sur certains cas. Cognizant a présenté des solutions d'analyse contractuelle reposant sur Claude d'Anthropic. Ces cas ne prouvent pas tous l'existence d'une architecture multi-agents ; ils montrent surtout que le LLM devient un composant d'un système plus large, associant données, outils, règles métier et contrôle humain. L'adoption de l'IA, une histoire de fossé « Entre ceux qui veulent essayer et ceux qui doivent garantir que cela fonctionne, les attentes ne sont pas les mêmes. » Le modèle de Geoffrey Moore, « Crossing the Chasm », n'a sans doute jamais été aussi parlant pour nos métiers. Entre les équipes qui aiment tester une technologie et les directions qui doivent garantir qu'elle fonctionne lundi matin à 8 h, il existe un fossé. Et il ne se franchit pas avec une belle démonstration. Critère Premiers utilisateurs Grandes DSI Fiabilité Tolérance aux erreurs Exigences élevées Sécurité Exploratoire Conformité et gouvernance Exploitation Expérimentation MCO et supervision Chers lecteurs, chères lectrices, si vous êtes arrivés jusqu'ici, un détail ne vous aura probablement pas échappé : les principaux cas d'usage que nous venons de citer autour des LLM sont, pour l'essentiel, étrangers. Au mieux, européens. Mais français ? Pas vraiment. Simple hasard dans le choix de nos exemples ? Peut-être. Mais reconnaissons que cette absence fait écho à une réalité que nous observons sur le terrain : si les initiatives se multiplient dans nos grandes entreprises, leur passage à l'échelle reste encore timide. Et c'est précisément ce qui nous amène à la question suivante : où en sont réellement nos grandes DSI ? À écouter les annonces des éditeurs, nous pourrions penser que l'IA agentique révolutionne déjà nos organisations. La réalité est, disons-le, un peu moins spectaculaire. Certes, nous observons de très belles initiatives, des cas d'usage pertinents et des agents IA efficaces, parfois déjà en production. Mais ces réussites restent encore souvent cantonnées à quelques services, des équipes pionnières ou des départements innovation. L'adhésion de la majorité n'est pas encore au rendez-vous. Les enquêtes récentes permettent de mesurer ce décalage, à condition de ne pas confondre adoption de l'IA en général et déploiement d'agents autonomes. Selon les chiffres cités dans les publications INSEE et Banque de France de 2026, 58 % des entreprises françaises de 250 salariés ou plus utilisaient au moins une technologie d'IA en 2025 ; une autre enquête indiquait que 23 % des entreprises françaises interrogées déclaraient un usage modéré ou important de l'IA, contre 39 % dans la zone euro. La Banque de France évoquait également une diffusion large des outils génératifs dans les entreprises de 20 salariés ou plus, avec des usages encore souvent généralistes. Ces indicateurs portent sur des populations et définitions différentes. Ils ne constituent pas un taux d'industrialisation des agents IA. Ils illustrent néanmoins la distance entre accès aux outils et transformation des processus. Autrement dit, l'IA entre dans les entreprises, mais elle n'en transforme pas encore profondément le fonctionnement. Il ne suffit plus de démontrer qu'un agent peut fonctionner : il faut démontrer qu'il fonctionne durablement, à grande échelle, en sécurité et à coût maîtrisé. Un agent peut consulter des documents internes, interroger des applications métier et déclencher des opérations. Les DSI doivent donc maîtriser l'hébergement, les transferts, les durées de conservation, les habilitations et les usages éventuels des données par les fournisseurs. L'absence d'entraînement sur les données client dans certaines offres professionnelles ne supprime pas tous les risques. Un chatbot erroné peut induire en erreur. Un agent erroné peut modifier une donnée ou déclencher une opération. Il faut définir les permissions, les seuils d'autonomie, les validations humaines et les journaux permettant de reconstituer chaque action. Une démonstration sur quelques dossiers ne garantit pas la performance sur des milliers de cas, avec des exceptions, des applications anciennes et des exigences de disponibilité. Tests, évaluations continues, supervision, gestion des incidents et maîtrise des coûts deviennent indispensables. Quatrièmement, la démonstration de la valeur. Le coût des modèles, de l'intégration, des licences, de la supervision et de la maintenance doit être comparé aux gains réellement obtenus : temps économisé, qualité, réduction des erreurs, capacité de traitement et amélioration du service. De l'expérimentation à l'industrialisation « Un projet d'IA reste un projet informatique. » Les LLM apportent de nouvelles capacités de raisonnement et d'interaction. Mais ils ne font pas disparaître les fondamentaux de l'ingénierie : concevoir, sécuriser, tester, intégrer, superviser et maintenir. Les entreprises ne cherchent plus seulement ce que les agents peuvent faire. Elles cherchent ce qu'elles peuvent raisonnablement leur confier, à quelles conditions et pour quels bénéfices. Le véritable potentiel de l'agentique ne réside pas dans la multiplication des démonstrations spectaculaires, mais dans sa capacité à transformer durablement les processus opérationnels. Pour les grandes entreprises françaises, le sujet n'est donc plus uniquement d'expérimenter l'IA : il est de lui faire une place dans le système d'information, dans l'organisation et, surtout, dans la production. James Hemery, Yield : IA en entreprise : le coût caché des gains de productivité 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 ?