Agent IA sur mesure : créer (et quand s'abstenir)

« On veut des agents IA. Partout. Pour tout. »

C'est la phrase qu'un dirigeant d'ETI nous a dite il y a quelques mois, lors d'un kickoff. Sympa, ambitieux, on signe. Sauf qu'au bout d'une heure de discussion, on a compris : il ne savait pas vraiment ce qu'était un agent IA. Pour lui, "agent" rimait avec "automatisation un peu intelligente". Un prompt qui se lance tout seul. Un script qui fait gagner du temps.

Le problème, ce n'est pas son vocabulaire. Le problème, c'est que tout le marché parle comme ça depuis 18 mois. Agents IA est devenu le mot magique du B2B en 2026, le successeur naturel de GPT, prompt, RAG. Chaque éditeur SaaS y va de son "agent". Chaque DSI veut le sien. Et 80% du temps, on parle en réalité d'autre chose.

Cet article est un guide pour créer un agent IA sur mesure dans votre entreprise. Mais avant tout, c'est un guide pour savoir si vous en avez vraiment besoin. Parce que chez Jaydai, après des dizaines de projets, on est arrivés à une conclusion qui dérange un peu nos commerciaux : les agents IA ne sont pas l'aboutissement de l'IA en entreprise. Ils sont une solution parmi d'autres, réservée aux cas les plus complexes, et souvent moins efficace qu'un assistant bien équipé. Notre article frère sur comment créer, déployer et mesurer un agent IA en entreprise couvre le "comment". Ici, on traite le "faut-il vraiment".

Agent IA en entreprise : la définition qui change tout

Une définition simple, débarrassée du marketing : un agent IA est une automatisation qui intègre une strate de réflexion. Concrètement, c'est un système qui :

• reçoit une intention (par exemple : "évalue le chiffre d'affaires de cet hôtel"),
• décompose la tâche en étapes,
• choisit dynamiquement quels outils utiliser à chaque étape,
• raisonne sur les résultats intermédiaires,
• et produit un livrable final fiable, même si la situation varie d'une exécution à l'autre.

À côté de ça, on a l'assistant IA : un ChatGPT, un Claude, un Copilot équipés des bons connecteurs (Drive, Notion, CRM, mail) et des bons prompts. L'assistant ne décide pas seul ; c'est l'humain qui pilote la conversation et qui valide chaque étape.

La différence n'est pas de la sémantique. Elle change tout. Un agent prend des décisions sans vous. Un assistant vous épaule. Un agent doit être robuste, observable, monitoré. Un assistant peut être ajusté en deux clics.

Quand un dirigeant dit "je veux un agent", neuf fois sur dix il veut en réalité :

• un prompt réutilisable et partagé,
• une mini-app (un workflow paramétré avec des inputs guidés),
• ou un assistant branché aux bons outils de l'entreprise.

L'agent — le vrai — arrive en quatrième position. Et c'est tant mieux. Selon le rapport McKinsey State of AI, seul un tiers des cas d'usage IA déployés en entreprise atteignent un véritable stade de production. La majorité des échecs vient justement d'un mauvais choix d'architecture en amont.

Le framework Jaydai : Prompt / Mini-app / Agent

Quand un client nous arrive avec une demande IA, on commence systématiquement par classer son cas d'usage dans l'un de ces trois étages. Plus on monte, plus c'est puissant. Plus c'est puissant, plus c'est coûteux à construire et à maintenir.

Niveau	Coût construction	Maintenance	Adoption	Cas d'usage typique
Prompt	Zéro	Zéro	Immédiate	Réécrire un mail commercial, résumer un CR de réunion
Mini-app	Faible (jours)	Faible	Modérée (formation utilisateur)	Générer une note de cadrage, qualifier un lead
Agent	Élevé (semaines)	Continue	Critique (humain dans la boucle)	Évaluer un dossier de crédit, orchestrer un onboarding

1. Le prompt

Un texte structuré que n'importe quel collaborateur peut copier-coller dans son outil IA. Coût : zéro. Maintenance : zéro. Adoption : immédiate. C'est notre point d'entrée par défaut pour 60% des demandes que l'on reçoit. L'approche Claude Skills industrialise précisément ce niveau, ce qui suffit dans une majorité de cas.

2. La mini-app

Un prompt encapsulé dans une interface : champs paramétrés, contexte injecté automatiquement, format de sortie standardisé. Coût : faible. Maintenance : faible. Bénéfice : on industrialise un prompt qui marche pour le rendre accessible aux collaborateurs qui ne sont pas à l'aise avec les LLM. C'est le niveau le plus rentable en pratique.

3. L'agent

Une automatisation autonome qui orchestre plusieurs outils et qui prend des décisions intermédiaires. Coût : significatif (semaines de développement). Maintenance : continue (les APIs changent, les sites scrappés changent, les modèles évoluent). Bénéfice : on automatise complètement un processus qu'aucun prompt ni mini-app ne peut couvrir.

Cette grille, on l'utilise dès le diagnostic. Elle permet d'avoir une conversation honnête avec le client : "votre besoin se range ici, et voici ce que ça implique". Et souvent, le client réalise qu'il économise du temps et de l'argent en restant un cran en dessous de ce qu'il avait imaginé.

L'histoire de l'agent qu'on aurait dû ne pas construire

Pour bien comprendre pourquoi on milite pour la sobriété, voici une histoire vraie.

Un client dans la finance voulait évaluer automatiquement le chiffre d'affaires d'hôtels à partir des données Booking. Le processus humain prenait une demi-journée par hôtel : aller chercher l'occupation moyenne, croiser avec les tarifs, ajuster avec la saisonnalité, remplir un Excel.

Demande client : "on veut un agent qui fait ça en un clic". Cas typique. On signe.

On a construit un véritable agent : appels API Apify pour scraper Booking, calculs multi-étapes, normalisation des données, vérifications croisées, remplissage Excel via API. Plusieurs semaines de développement. Architecture propre, gestion d'erreurs, logs. Du sérieux.

Le truc, c'est qu'en parallèle, l'écosystème IA bougeait. Au moment de la livraison, une simple skill Perplexity — sans agent, sans architecture sur mesure, juste un workflow réutilisable bien conçu — produisait un résultat équivalent en 30 secondes, pour un coût marginal.

Le client était content de l'agent. Mais avec le recul, on aurait pu lui éviter ces semaines de dev. C'est la nuance importante : un agent qui marche n'est pas forcément un agent qui valait la peine d'être construit. La question n'est pas "est-ce que c'est faisable". La question est "est-ce que c'est le meilleur ratio impact / coût / maintenance".

Les 6 étapes pour créer un agent IA sur mesure qui marche

Maintenant, supposons que vous avez fait l'exercice, vous êtes passé par le framework, et votre cas d'usage justifie réellement un agent IA sur mesure. Voici la méthode que l'on applique chez Jaydai.

1. Cadrer la décision automatisable

Un bon agent automatise une décision, pas une simple action. Si votre processus consiste à "récupérer X et le mettre dans Y", c'est de l'automatisation classique (RPA, Zapier, n8n). Un agent ne se justifie que lorsque le système doit choisir, juger, arbitrer à chaque exécution. Posez-vous la question : est-ce qu'un humain ferait différemment selon les cas ? Si la réponse est non, n'utilisez pas d'agent.

2. Cartographier les outils et les sources

Listez tout ce que l'agent devra toucher : CRM, ERP, Drive, mail, API externes, base de données. Chaque connecteur est un point de fragilité futur. Plus il y en a, plus la maintenance coûtera cher. C'est aussi à cette étape qu'on identifie les contraintes RGPD, sécurité et conformité — sujets non négociables pour les ETI françaises, et bientôt encadrés par l'AI Act européen applicable au 2 août 2026.

3. Choisir le bon socle

Trois grandes familles de socles aujourd'hui : les frameworks orchestrateurs (LangGraph, CrewAI), les plateformes éditeur (OpenAI Agents, Anthropic Skills, Microsoft Copilot Studio), et les builders no-code (n8n + nodes IA, Make, Lindy). Le choix dépend de votre équipe : si vous avez des devs, frameworks. Si vous avez une DSI mature, plateforme éditeur. Si vous voulez itérer vite avec un métier, no-code. Aucune n'est universellement supérieure.

4. Construire un MVP en sandbox

Premier réflexe Jaydai : on développe l'agent en lecture seule d'abord. Aucune action irréversible. Tous les outputs vont dans un fichier de log que l'humain valide. On itère pendant 1 à 2 semaines avec un utilisateur métier qui critique chaque sortie. C'est cette boucle de feedback qui transforme un POC techniquement correct en agent réellement utile.

5. Mettre en production avec un humain dans la boucle

Aucun agent ne passe en production sans un humain de validation au début. Soit en validation a priori (l'agent propose, l'humain confirme avant exécution), soit en validation a posteriori (l'agent agit, l'humain audite). On retire progressivement la supervision quand le taux d'erreur tombe sous un seuil défini en amont avec le métier.

6. Mesurer, monitorer, retirer si besoin

Un agent IA n'est jamais "fini". On suit trois métriques minimum : taux de succès (l'agent a-t-il produit le résultat attendu ?), taux d'adoption (les utilisateurs cibles l'utilisent-ils vraiment ?), coût total d'exploitation (tokens + maintenance + temps humain résiduel). Si l'une de ces métriques décroche, il faut être capable de retirer l'agent sans drame. C'est exactement ce qu'on a inscrit dans la plateforme de suivi Jaydai : la possibilité de mesurer en continu si un agent mérite d'exister.

Les pièges à éviter

Trois erreurs reviennent dans 90% des projets agents que l'on voit en consulting.

Le piège du "agent partout". Vouloir mettre un agent sur chaque tâche du quotidien. Résultat : une jungle d'agents que personne ne maintient, qui se contredisent, et qui coûtent plus cher que le travail humain qu'ils remplacent. Préférez un agent excellent à dix agents médiocres.

Le piège du POC orphelin. Un agent magnifique construit avec la DSI, jamais validé par les utilisateurs métier, jamais adopté. Sur les cas d'usage IA en entreprise, c'est de loin la cause d'échec numéro un. C'est aussi le cousin direct du piège du citizen dev IA : faute de sponsor métier engagé, le système meurt. Toujours partir d'un sponsor métier.

Le piège de l'agent figé. On livre l'agent, on signe le PV de recette, on passe à autre chose. Six mois plus tard, l'API a changé, le modèle a évolué, le prompt système n'est plus optimal, et l'agent dérive en silence. Un agent en production exige un budget de maintenance continu — entre 15 et 25% du coût initial par an.

Quand un agent IA sur mesure vaut vraiment le coup

Pour résumer la doctrine Jaydai, un agent IA sur mesure est pertinent quand :

• le processus est répétitif et à fort volume (sinon, un humain reste plus rentable),
• il nécessite une décision contextuelle à chaque exécution (sinon, une automatisation classique suffit),
• la donnée d'entrée et de sortie est structurée et traçable (sinon, vous ne pourrez ni évaluer ni corriger),
• vous avez un sponsor métier engagé sur le long terme (sinon, l'agent mourra à la première rotation d'équipe),
• et vous acceptez de maintenir ce système pendant des années.

Si l'un de ces points manque, redescendez d'un étage : mini-app, ou simple prompt. Vous gagnerez du temps, de l'argent, et la sérénité de votre DSI.

Conclusion : la vraie maturité IA, c'est la sobriété

L'agent IA n'est pas le sommet de la pyramide de l'IA en entreprise. C'est un outil parmi d'autres, plus complexe, donc plus risqué. La vraie maturité, pour un dirigeant ou une DSI, n'est pas de courir après l'agent le plus sophistiqué. Elle consiste à savoir choisir le bon niveau d'engagement IA pour chaque cas d'usage.

C'est précisément ce que l'on fait au quotidien chez Jaydai : on combine diagnostic (qu'est-ce qui mérite d'être un agent ?), formation (comment vos équipes exploitent l'IA au quotidien ?), agents sur mesure (quand c'est justifié) et plateforme de suivi (pour mesurer que tout cela produit de la valeur dans la durée).

Si vous vous demandez où placer votre prochain projet IA dans cette grille, on a construit un diagnostic gratuit qui vous donne la réponse en cinq minutes. C'est par ici : Lancer le diagnostic. Pour aller plus loin sur la dimension humaine, jetez aussi un œil à la formation IA en entreprise — parce qu'au fond, le meilleur agent du monde ne sert à rien si vos équipes ne savent pas dialoguer avec l'IA.

L'IA en entreprise n'a pas besoin de plus d'agents. Elle a besoin de plus de discernement.