Depuis 2024, le mot "agent" est partout et beaucoups d'outils d'automatisation se présentent désormais comme des agents. Pourtant la logique de fonctionnement n'est pas la même.
Deux notions souvent confondues
Le développement des agents IA a accentué la confusion entre les deux termes. Elle s'explique d'abord par un usage marketing du mot « agent » : de nombreux éditeurs l'utilisent pour attirer de nouveaux utilisateurs, même quand leur produit se contente d'enchaîner des tâches prédéfinies.
Le cabinet Gartner a d'ailleurs donné un nom à cette pratique : l'agent washing.
La confusion vient aussi des outils eux-mêmes : Zapier, Make ou n8n qui sont des références de l'automatisation, ont intégré des modèles de langage dans leurs workflows. Il est désormais possible d'ajouter une étape un LLM résume un mail et ces plateformes appellent ça "agents".
Pourtant, ajouter un LLM à un workflow ne suffit pas à en faire un agent. Tant que les étapes sont fixées à l'avance par un humain, il s'agit toujours d'automatisation. Elle est simplement plus capable de traiter du texte.
L'automatisation et l'agent agentique conserve néanmoins un point commun : dans les deux cas, on délègue une tâche à une machine
L'automatisation : exécuter un scénario prévu à l'avance
Rappelons d'abord ce qu'est l'automatisation.
L'automatisation repose sur une suite de règles écrites par un humain : si telle situation se présente, alors exécuter telle action. On la retrouve partout, des réponses automatiques d'une messagerie aux personnages non joueurs (PNJ) des jeux vidéo, qui réagissent au joueur selon des scénarios prévus à l'avance.
Son principal atout est la prévisibilité : elle exécute toujours les mêmes actions, de la même manière, à un coût faible. Elle est aussi facile à auditer, puisque chaque règle est écrite noir sur blanc.
En revanche, elle gère mal l'ambiguïté, comme un mail mal formulé ou un document au format inattendu, et plus généralement tous les cas qui sortent du scénario prévu.
Prenons un exemple. Une organisation récupère chaque jour des données depuis une API pour alimenter ses tableaux de bord, grâce à un processus ETL (extraction, transformation, chargement). Si l'API renomme un champ ou renvoie une erreur, le processus échoue. Il ne cherche pas de solution : il s'arrête et attend qu'un humain intervienne.
L'agent IA : Poursuivre un objectif
Un agent IA a des capacités démultipliés par rapport à l'automatisation : il peut percevoir, agir et raisonner à partir d'un prompt utilisateur. Quand il fait face à un scénario inattendue, il recherche dans son environnement : socle de données, RAG ou encore le fine tuning.
Pour cela, il s'appuie sur un modèle LLM et plusieurs briques qui lui permet d'agir et ajuster selon ce qu'il voit en temps réel :
- Un modèle LLM qui raisonne et planifie
- Des outils qu'il peut appeler (API, recherche web, base de données)
- Une boucle : agir -> observer le résultat -> ajuster
À la différence de l'automatisation, on ne lui donne pas des étapes mais un objectif précis et pour lequel il va se guider lui-même. Face aux imprévus, il va tenter de s'adapter au contraire d'un processus d'automatisation qui va lui s'arrêter et échouer.
Un continuum plutôt qu'une opposition
Entre l'automatisation classique et l'agent autonome, il n'y a pas de rupture nette mais une progression. On peut la décrire en quatre niveaux, selon la part de décision laissée à la machine et la place qu'y garde l'humain :
- Niveau 1 - Automatisation classique : Toutes les étapes sont définies à l'avance. L'humain conçoit le scénario et n'intervient qu'en cas de panne.
- Niveau 2 - L'automatisation « augmentée » : Le scénario reste fixe, mais un LLM intervient à une étape précise. L'humain garde la main sur le parcours, l'IA se contente d'interpréter du texte.
- Niveau 3 - Le workflow agentique : Le cadre est posé par l'humain, mais certains choix sont laissés au modèle : quel outil utiliser, quelle information aller chercher, dans quel ordre traiter les étapes.
- Niveau 4 - L'agent autonome : On lui fixe un objectif et il détermine seul le chemin pour l'atteindre, en enchaînant les actions et en corrigeant sa trajectoire au fil des résultats. L'humain ne valide plus chaque étape, mais il reste indispensable : c'est lui qui définit l'objectif, fixe les limites (accès, budget, actions interdites) et contrôle le résultat final.
À chaque niveau, l'autonomie de la machine augmente et l'implication de l'humain se transforme : il passe peu à peu d'une intervention ponctuelle à un rôle de cadrage et de supervision.
Ce que cela change pour les métiers
Pour les équipes métiers, l'implication de l'agent IA dans l'automatisation a des conséquences profondes. Elle change en effet, la façon d'exprimer un besoin, redéfinit la relation avec les équipes techniques en lui permettant d'acquérir plus d'autonomie.
En parallèle, les tâches répétitives et chronophages sont progressivement prises en charge. Le métier a ainsi la possibilité de se consacrer sur des tâches à plus forte valeur ajoutée.
En revanche, l'integration de l'IA agentique doit se faire avec l'implication des métiers. C'est là que l'acculturation joue un rôle décisif : sans elle, les équipes risquent soit de rejeter l'outil, soit de lui faire une confiance aveugle.
En conclusion, il faut choisir le bon niveau d'exigence entre automatisation et agent. Sur un processus stable et réglementé, comme la clôture comptable, la prévisibilité d'une automatisation reste souvent préférable. Sur une activité nécessitant par exemple l'analyse de données clients rédigées librement, un agent peut avoir une réelle efficacité.
La bonne solution n'est pas la plus innovante, mais celle qui correspond à la réalité du terrain.