Votre Agent IA en 2026

Un agent IA qui travaille vraiment dans vos systèmes

Le problème n'est plus de faire parler une IA. C'est de lui faire faire quelque chose.

Depuis deux ans, à peu près toutes les entreprises ont testé un assistant conversationnel. La plupart de ces projets se sont arrêtés au même endroit : un outil qui répond joliment, que personne n'utilise, parce qu'il ne sait rien de vos données et ne peut rien faire dans vos outils.

Les chiffres du secteur confirment ce que nous observons sur le terrain. Gartner prévoit l'abandon de plus de 40 % des projets d'IA agentique d'ici fin 2027, pour trois raisons qui reviennent toujours : des coûts qui dérapent, une valeur métier jamais définie, et des contrôles de risque insuffisants.

Ces trois causes ont un point commun : aucune n'est technique.

Nous concevons des agents IA connectés à vos systèmes — votre CRM, votre ERP, votre messagerie, votre base documentaire — qui exécutent des tâches réelles et dont vous mesurez le rendement. Et nous vous disons avant de commencer si votre cas d'usage en vaut la peine.

Ce que fait concrètement un agent bien conçu

Pas de la conversation. Des actions, tracées et réversibles.

Support client : il lit la commande dans votre système, identifie le problème, propose une solution, exécute le remboursement ou l'échange dans la limite que vous avez fixée, et escalade dès qu'il sort de son périmètre. Support interne : il répond aux questions RH, administratives ou techniques à partir de vos documents réels — pas de sa mémoire d'entraînement —, et cite ses sources pour que l'utilisateur puisse vérifier. Traitement documentaire : il extrait, classe et rapproche les informations de vos factures, contrats ou comptes rendus, et alimente vos outils sans ressaisie. Préparation de travail : il rédige les brouillons, prépare les dossiers, compile les éléments — un collaborateur relit et valide.

Le point commun de ces quatre cas : ils se mesurent. Nombre de demandes traitées sans intervention humaine, temps gagné par dossier, taux d'escalade. Si un cas d'usage ne se mesure pas, nous vous conseillons de ne pas le lancer.

Notre méthode : quatre phases Phase 1 — Cadrage (1 à 2 semaines)

Nous commençons par une question désagréable : est-ce que ce projet doit exister ?

Nous cartographions vos processus candidats, estimons le volume réel de chaque cas d'usage, et calculons ce que l'automatisation rapporterait vraiment. Certains cas ne justifient pas leur coût de construction — nous le disons à ce moment-là, pas au bout de six mois.

Nous fixons ensuite les indicateurs qui décideront de la suite, l'accès aux données nécessaires, et le cadre réglementaire applicable.

Livrables : note de cadrage, deux ou trois cas d'usage priorisés avec leur rendement estimé, architecture cible, et un avis motivé sur l'opportunité de continuer.

Phase 2 — Prototype (2 à 4 semaines)

Nous construisons un agent fonctionnel sur un seul cas d'usage, avec vos vraies données et vos vrais utilisateurs.

Un prototype qui tourne sur des données de démonstration ne prouve rien : les difficultés apparaissent toujours au contact de vos documents réels, avec leurs incohérences, leurs doublons et leurs zones grises. Nous préférons les rencontrer en semaine trois qu'en mois six.

Nous mesurons la pertinence des réponses sur un jeu de tests construit avec vos équipes, la latence perçue, le coût par requête, et le taux d'erreur — y compris les cas où l'agent doit refuser d'agir.

Livrables : agent opérationnel sur un périmètre restreint, jeu de tests réutilisable, mesures chiffrées, et une décision claire — on industrialise, on ajuste, ou on arrête.

Phase 3 — Mise en production (4 à 8 semaines)

Le passage à l'échelle porte sur quatre chantiers.

L'architecture de modèles. Nous n'utilisons jamais un modèle unique. Les requêtes simples — et elles représentent l'essentiel du trafic réel — vont vers un modèle rapide et économique. Les actions sur vos systèmes vont vers un modèle solide en appel d'outils. Les cas complexes seuls montent vers le modèle le plus capable. Ce routage divise la facture par cinq à dix par rapport à une architecture naïve, sans perte de qualité perçue.

La connexion à vos systèmes. Base documentaire vectorisée, connecteurs vers vos outils métier, et interfaces standardisées (MCP) qui rendent l'agent capable d'agir sans que nous réécrivions du code à chaque nouvel outil.

Les garde-fous. Périmètre d'action explicite, validation humaine sur les opérations sensibles, traçabilité complète de chaque décision, mécanisme de retour arrière. Un agent qui agit à tort coûte plus cher qu'un agent qui ne répond pas.

L'observabilité. Tableau de bord des usages, du coût, de la latence et de la qualité. Alertes sur les dérives. Vous devez pouvoir répondre à tout moment à la question : combien ça me coûte, et qu'est-ce que ça me rapporte ?

Livrables : agent en production, documentation technique, tableau de bord, transfert de compétences à vos équipes.

Phase 4 — Exploitation et extension

Les modèles évoluent tous les mois, vos documents changent, vos usages se déplacent. Un agent laissé sans surveillance se dégrade — silencieusement.

Nous assurons le suivi des indicateurs, l'arbitrage des changements de modèle quand une évolution du marché justifie une migration, l'enrichissement de la base documentaire, et l'extension progressive à de nouveaux cas d'usage une fois le premier stabilisé.

Conformité : ce que change l'AI Act

Le cadre a changé, et beaucoup de projets déployés avant 2025 ne sont plus conformes.

Transparence obligatoire. L'article 50 de l'AI Act impose d'informer l'utilisateur qu'il interagit avec un système d'IA. Ce n'est pas une mention en pied de page : c'est une obligation de conception.

Analyse d'impact. Pour les systèmes classés à haut risque, l'article 27 impose une évaluation d'impact sur les droits fondamentaux, qui recoupe largement l'analyse d'impact RGPD. Nous les traitons en un document unique.

Qualité des données d'entrée. L'article 26 exige des données pertinentes et suffisamment représentatives. Déverser une base documentaire non qualifiée dans le contexte d'un modèle n'est plus seulement une mauvaise pratique : c'est un manquement.

Vos données ne servent à personne d'autre. Nous activons contractuellement les clauses de rétention zéro chez les fournisseurs, qui garantissent que vos requêtes ne sont ni conservées ni utilisées pour entraîner leurs modèles. Ce n'est pas le réglage par défaut des offres grand public.

Hébergement européen. L'exécution et le stockage sont verrouillés sur le sol européen. Pour les secteurs les plus sensibles, nous déployons des modèles en poids ouverts sur votre propre infrastructure — une option qui, contrairement à il y a un an, ne coûte plus grand-chose en qualité : le meilleur modèle librement téléchargeable se situe désormais à quelques points du sommet mondial.

Ce que nous ne faisons pas Nous ne vendons pas de licence. Nous ne sommes revendeurs d'aucun éditeur, et nous n'avons aucun intérêt à vous orienter vers une solution plutôt qu'une autre. Nous ne promettons pas de remplacer vos équipes. Les projets qui marchent enlèvent du travail répétitif à des gens qui en ont trop. Ceux qui promettent des suppressions de postes échouent, parce que personne dans l'entreprise n'a intérêt à les faire réussir. Nous ne lançons pas un projet dont nous doutons. Si le cadrage montre que le volume ne justifie pas l'investissement, nous vous le disons et nous nous arrêtons là. Nous n'utilisons pas vos données pour autre chose que votre projet. Combien, et en combien de temps Phase Durée Investissement Cadrage 1 à 2 semaines à compléter Prototype 2 à 4 semaines à compléter Mise en production 4 à 8 semaines selon périmètre Exploitation mensuel forfait

Le cadrage est facturé séparément et sans engagement pour la suite : vous repartez avec l'analyse, que vous poursuiviez avec nous ou non.

Questions fréquentes

Nos données vont-elles servir à entraîner un modèle ? Non. Les clauses de rétention zéro sont activées contractuellement dès le premier appel, et l'exécution est localisée en Europe. Pour les cas les plus sensibles, le modèle tourne sur votre infrastructure et rien ne sort.

Faut-il entraîner un modèle sur nos données ? Presque jamais. Dans l'immense majorité des cas, connecter le modèle à vos documents produit de meilleurs résultats qu'un entraînement complémentaire, pour un coût et un délai sans commune mesure — et l'agent reste à jour quand vos documents changent, ce que le fine-tuning ne permet pas.

Combien coûte le fonctionnement une fois en production ? C'est mesurable dès le prototype, et c'est un des indicateurs que nous suivons. Une architecture de routage bien construite ramène le coût par requête à quelques centimes. Une architecture naïve peut le multiplier par dix — c'est la première cause d'abandon des projets.

Que se passe-t-il si l'agent se trompe ? Il est conçu pour ne pas agir en cas de doute, et pour escalader vers un humain. Les opérations sensibles passent par une validation. Chaque action est tracée et réversible. Un agent qui s'abstient est un agent qui fonctionne correctement.

Combien de temps avant les premiers résultats ? Un prototype mesurable en quatre à six semaines à partir du cadrage. Méfiez-vous de quiconque vous promet une mise en production en quinze jours : le temps se passe à qualifier vos données, pas à écrire du code.

Et si nous voulons être autonomes ensuite ? C'est prévu. Le transfert de compétences fait partie de la phase 3, et la documentation vous appartient.

Parlons de votre cas

Un échange de trente minutes suffit pour savoir si votre besoin justifie un agent IA — et pour vous le dire franchement si ce n'est pas le cas. Envoyez nous un mail à dac.consulting