Titre : De l'assistance à l'exécution : le changement d'architecture

Le guide « Agentic Transformation Patterns » de Microsoft pour 2026 détaille comment les agents d'IA doivent être reconstruits pour passer du simple rôle d'assistance à celui d'exécution réelle des tâches. Il chiffre concrètement l'effort requis : entre 26 et 60 semaines-ingénieur pour l'infrastructure de base avant de pouvoir déployer un seul agent en mode exécution. Les entreprises qui ignorent ce changement risquent de construire des outils fragiles incapables d'agir de manière autonome et sécurisée.

Les entreprises expérimentent actuellement des assistants basés sur des modèles de langage étendus (LLM) qui rédigent des e-mails, suggèrent des extraits de code ou extraient des données. Ces agents restent en mode « assistance » : un humain vérifie chaque résultat, et une fine couche logicielle (wrapper) achemine la requête vers le modèle et renvoie une réponse. L'architecture est peu coûteuse et rapide à assembler, mais elle laisse délibérément la prise de décision et l'écriture des données à l'utilisateur.

Lorsqu'une organisation souhaite qu'un agent exécute un flux de travail complet — remplir une base de données, déclencher un processus en aval ou approuver une transaction — le modèle ne peut plus être une boîte noire qui livre une réponse destinée à être vérifiée par un humain. L'agent doit agir comme un service autonome, doté de sa propre identité, d'un état persistant et de filets de sécurité intégrés. Microsoft soutient que l'ancien modèle conçu uniquement pour l'assistance ne peut pas être transformé par de simples correctifs en un système prêt pour l'exécution ; cela nécessite une refonte complète reposant sur sept piliers architecturaux.

Les sept piliers des agents d'IA prêts pour l'exécution

  • Autorité – Passer de permissions « déléguées par l'utilisateur » à des identités d'agent persistantes dotées de droits d'accès limités. L'agent doit s'authentifier auprès des services en aval sans utiliser le jeton (token) d'un humain.
  • Limites – Remplacer le raisonnement ad hoc du modèle pour les calculs critiques par des chemins de code déterministes. Tout ce qui exige de la précision — calculs financiers, contrôles de conformité — doit s'exécuter dans un logiciel validé, et non être déduit de la sortie du modèle.
  • Schémas – Passer d'échanges de données faiblement typés à un schéma canonique géré par un responsable de données (data steward) désigné. Cela empêche l'agent d'écrire des enregistrements malformés que les systèmes en aval ne pourraient pas traiter.
  • Détection d'échecs – Remplacer la supervision humaine par une télémétrie continue et un suivi des résultats métier. Le système doit signaler automatiquement les anomalies, telles que des volumes de transactions inattendus, et interrompre l'agent si les seuils sont franchis.
  • État – Remplacer les sessions de chat éphémères par un état durable et spécifique au cas, stocké dans un système d'enregistrement. Un agent d'exécution peut avoir besoin de se rappeler des étapes précédentes, des pistes d'audit ou des préférences de l'utilisateur sur plusieurs jours ou semaines.
  • Rollback – Remplacer le « renvoi du prompt » par l'event-sourcing ou des transactions compensatoires capables d'annuler les actions de manière fiable. Si l'agent commet une erreur, la plateforme doit pouvoir annuler les effets secondaires sans intervention manuelle.
  • Auditabilité – Passer de simples transcriptions de chat à des journaux par action liant chaque opération à une version et une identité d'agent spécifiques. Les régulateurs et les auditeurs internes peuvent alors tracer exactement ce que l'agent a fait, quand, et selon quelle politique.

Ces changements ne sont pas des ajouts optionnels ; ils constituent un nouveau modèle opérationnel pour l'automatisation pilotée par l'IA. Microsoft estime que la construction de cette base consommera entre 26 et 60 semaines-ingénieur.

Pourquoi le coût est important

Le guide met en garde contre le déploiement d'agents en mode exécution pour des tâches à faible valeur ajoutée qui ne font gagner que quelques minutes sur le flux de travail d'un utilisateur. L'investissement en ingénierie l'emporterait sur tout gain de productivité marginal. Ciblez les processus ayant des résultats mesurables — traitement des commandes, règlement de sinistres, rapports de conformité — où l'exécution autonome se traduit directement par des économies de coûts ou une réduction des risques.

Une autorité politique est nécessaire pour s'approprier vos schémas de données.

Contre-argument : l'assistance seule est-elle suffisante ?

Pour de nombreux scénarios de support interne — rédaction de comptes rendus de réunion, extraction d'articles de base de connaissances — la vérification humaine reste un filet de sécurité pratique. Le compromis réside dans des cycles plus longs et une dépendance continue à la main-d'œuvre humaine pour la décision finale.

La conclusion est claire : faire passer les agents d'IA d'un rôle de soutien à un rôle autonome n'est pas un simple basculement de fonctionnalité ; c'est une réécriture architecturale complète. Les entreprises qui sous-estiment les exigences d'ingénierie et de gouvernance risquent de lancer des bots fragiles.