Agents IA & automatisation — Du POC à l'industrialisation en production

#1. Agent IA vs LLM vs assistant : la clarification critique avant tout déploiement

La confusion sémantique coûte cher en cadrage projet. On a vu trois DSI signer un POC pour « un agent IA » et recevoir un wrapper ChatGPT sans intégration métier. Voici la grille de lecture qu'on impose en kickoff Nehos.

Un LLM (Large Language Model) — Mistral Large, Claude Sonnet 4, GPT-5, Llama 3.1 — c'est un modèle de langage. Il prend du texte en entrée, il produit du texte en sortie. Stateless par défaut. Il ne sait pas appeler une API, ne consulte pas votre CRM, ne garde aucune trace d'une session sur la suivante.

Un assistant (ChatGPT, Claude.ai, Le Chat Mistral) c'est un LLM emballé dans une interface conversationnelle, avec parfois un peu de mémoire et quelques outils intégrés (recherche web, code interpreter). Utile en usage individuel. Insuffisant pour un déploiement en production sous contrainte SI.

Un agent IA au sens 2026, c'est une architecture qui combine : un LLM (le cerveau), un ensemble d'outils accessibles via tool calling ou MCP (les bras — API CRM, base de données SQL, recherche documentaire RAG, envoi d'email), une couche d'orchestration (LangGraph, CrewAI, n8n) qui décide quel outil appeler dans quel ordre, et une mémoire persistante (souvent Postgres + pgvector). L'agent IA observe le résultat de chaque action et adapte la suivante — c'est cette boucle qui le différencie d'un workflow statique.

Conséquence pratique pour un déploiement entreprise : on n'achète pas « un LLM », on déploie une architecture agent dans laquelle le LLM est interchangeable. C'est ce qui permet, par exemple, de migrer Mistral Large vers Claude Sonnet sur une partie du workflow sans réécrire l'agent.

#2. Quatre cas d'usage d'agents IA matures en 2026

#Cas 1 — Agent IA pour conseillers bancaires (RAG sécurisé sur 1200 ETP)

Le scénario type : une banque mutualiste régionale veut équiper ses 1200 conseillers d'un agent IA capable de répondre instantanément aux questions clients sur les produits (livrets réglementés, crédits immobiliers, assurance-vie, fiscalité). Contraintes : ACPR, RGPD strict, données client jamais en dehors du SI bancaire, traçabilité complète pour audit.

L'architecture déployée : Mistral 7B auto-hébergé sur OVH SecNumCloud (visa ANSSI), RAG indexant la base produits + la base réglementaire + les FAQ internes (environ 12 000 documents), tool calling vers le core banking pour récupérer le contexte client en lecture seule, supervision humaine systématique sur les recommandations à enjeu (crédit, allocation patrimoniale).

KPI mesurés à 6 mois : +28 % de productivité conseillers (durée moyenne de RDV client maintenue, mais nombre de questions résolues en RDV multiplié par 1,4), -47 % d'escalade vers le back-office produit, NPS conseillers passé de 32 à 58. Coût total déploiement : 1021 k€ sur 9 mois (audit + POC + industrialisation + 30 jours hyper-care). ROI projeté atteint à 11 mois.

Ce qu'on retient : un agent IA en banque ne remplace pas le conseiller, il augmente son temps de cerveau disponible. C'est exactement le cadrage AI Act « risque limité » avec supervision humaine forte.

#Cas 2 — Agent IA SAV / support N1 (économie 40-60 %)

Scénario : une scale-up SaaS B2B reçoit 8 000 tickets support par mois. 65 % sont des questions récurrentes (mot de passe, facturation, configuration de base). Les agents humains N1 passent 70 % de leur temps sur des cas qu'un agent IA gère en 12 secondes.

Architecture : Mistral Large via API, RAG sur la base de connaissances support + la documentation produit + les release notes des 24 derniers mois, intégration Zendesk + Stripe pour récupérer le contexte client, escalade automatique vers humain si confiance < seuil ou si détection d'émotion négative.

KPI à 4 mois : 58 % des tickets résolus sans intervention humaine, temps de première réponse passé de 4h12 à 18 secondes, CSAT stable (4,3/5 avant, 4,2/5 après). Économie nette : 42 % du budget support N1 (équipe redéployée sur N2 et onboarding clients premium).

L'écart entre 40 et 60 % d'économie dans la littérature s'explique par la maturité de la base de connaissances : plus elle est structurée, plus l'agent performe. C'est souvent là que se joue le projet — pas dans le choix du LLM.

#Cas 3 — Agent IA recherche documentaire interne (RAG entreprise)

Le cas le plus universel et le plus sous-estimé. Une ETI de 800 ETP cherche en moyenne 1h48 par jour par cadre dans ses propres documents (étude McKinsey 2023, confirmée par nos mesures internes sur 6 clients). Multipliez par 200 cadres et le coût caché est vertigineux.

Architecture : RAG sur SharePoint + Google Drive + intranet + Confluence + base contrats, indexation incrémentale toutes les 4 heures, agent IA avec citation systématique des sources (chaque réponse pointe vers le document d'origine, page précise quand possible). Mistral Large pour la génération, embedding bge-m3 pour la recherche sémantique multilingue.

KPI à 3 mois sur un déploiement ETI industrielle : -38 % du temps de recherche documentaire déclaré (enquête interne, n=140), 73 % des requêtes obtiennent une réponse avec source vérifiable, taux d'hallucination détecté < 2 % grâce au RAG strict (refus de répondre si aucun document pertinent trouvé).

C'est le cas d'usage qu'on recommande en premier projet IA pour une ETI qui n'a pas encore d'agent en production. Risque AI Act minimal (catégorie « risque limité » voire « minimal »), ROI rapide, adoption naturelle.

#Cas 4 — Agent IA orchestration multi-tâches (Make + n8n + Mistral)

Le cas d'usage qui monte le plus vite en 2025-2026. L'idée : combiner la puissance de raisonnement d'un LLM avec la capacité d'exécution d'outils no-code comme Make ou n8n. L'agent IA reçoit une demande (« prépare la revue trimestrielle pour le client Acme »), décide des étapes, déclenche les workflows Make/n8n appropriés (extraction CRM, génération de slides via Google Slides API, envoi du draft pour validation).

Architecture : Mistral Large comme cerveau, n8n auto-hébergé pour les workflows métier sensibles, Make pour les intégrations SaaS classiques, MCP (Model Context Protocol) pour exposer les workflows comme outils à l'agent. Postgres pour la mémoire de session, audit log systématique.

KPI typique sur un projet middle office finance : 14 processus manuels automatisés en 8 semaines, économie de 32 ETP-heures par semaine, taux d'erreur des saisies divisé par 6 grâce à la double validation LLM + règles métier.

Limite à connaître : ce type d'agent multi-tâches augmente fortement la surface d'attaque (prompt injection peut déclencher des actions). Supervision humaine sur les actions à fort enjeu (paiements, modifications de données critiques) obligatoire — c'est non négociable dans nos déploiements.

→ Vous évaluez vos options ? Utilisez notre estimateur de budget en ligne pour obtenir une fourchette en 2 minutes, ou consultez nos tarifs détaillés.

#3. Stack souveraine pour agents IA en secteurs régulés

Question qui revient en CIO Friday tous les trimestres : « peut-on déployer un agent IA sans dépendance hyperscaler US ? ». Réponse : oui, voici la stack qu'on opère.

LLM : Mistral Large via l'API Mistral hébergée en France (souveraineté contractuelle) pour les cas d'usage classiques. Mistral 7B ou Mistral Small auto-hébergé sur OVH SecNumCloud pour les cas d'usage hautement régulés (banque sous DORA, santé, secteur public sensible). On peut tourner Mistral 7B en quantization 4-bit sur 2x A100 — environnement maîtrisable.

Orchestration : LangGraph (Python) pour les workflows complexes avec branches conditionnelles et boucles d'observation. n8n auto-hébergé pour les workflows métier accessibles aux équipes ops non-dev.

RAG : Postgres 16 + pgvector pour les volumes < 10 millions de chunks. Qdrant pour les volumes supérieurs. Embedding bge-m3 (multilingue, MIT) en local pour ne pas envoyer les documents à un service externe.

Observabilité : Langfuse auto-hébergé pour la trace LLM (chaque prompt, chaque réponse, chaque tool call horodaté), Sentry pour les erreurs applicatives, Plausible pour l'usage produit.

Hébergement : OVH SecNumCloud quand visa ANSSI requis, OVH Public Cloud sinon. Containerisation Docker + Kubernetes managé OVH. Pas d'AWS, pas d'Azure, pas de GCP par défaut — on documente l'alternative seulement si le client est déjà engagé.

Cette stack tourne en production sur 19 des 47 agents IA Nehos. Les 28 autres tournent sur stack mixte (Claude Anthropic ou Azure OpenAI selon les contraintes client).

#4. Conformité AI Act pour agents IA — la grille opérationnelle

L'AI Act est entré en vigueur le 2 février 2025 avec application progressive jusqu'à 2027. Pour un agent IA, quatre points opérationnels comptent vraiment.

Classification du système dès le cadrage projet : la majorité de nos agents IA sont en catégorie « risque limité » (chatbot RAG documentaire, assistant productivité). Les agents IA RH (screening CV, scoring candidats) basculent en « haut risque » avec obligations documentaires lourdes. Les agents IA dans l'éducation, le crédit scoring grand public, et certains usages biométriques sont également haut risque.

Supervision humaine paramétrable selon le niveau de risque. Pour un agent IA crédit : validation humaine systématique sur toute recommandation. Pour un agent IA support : escalade automatique sous seuil de confiance. La supervision n'est pas binaire — on définit des seuils par type d'action et par classe d'utilisateur.

Traçabilité complète : chaque interaction (prompt utilisateur, contexte injecté, sortie du LLM, tool calls effectués, réponse finale) est loggée avec horodatage et identifiant de session. Rétention typique : 18 à 36 mois selon le secteur. C'est ce log qui permet l'audit ANSSI/CNIL et la défense en cas de litige.

Documentation obligatoire : fiche technique du système (data sources, métriques de fiabilité, biais évalués, supervision en place), procédure de gestion des incidents IA, plan de mise à jour du modèle. On livre cette documentation en standard sur tout projet Nehos.

Méthode complète : Méthode Nehos AI Act Compliance™.

#5. Du POC à l'industrialisation — méthodologie 4-12 / 12-26 semaines

La courbe d'apprentissage Nehos sur 47 déploiements donne des fourchettes solides.

Phase POC : 4 à 12 semaines. 4 semaines pour un cas d'usage RAG documentaire classique sur stack standard. 8 semaines pour un agent IA avec intégrations SI (CRM, ERP) et supervision humaine paramétrée. 12 semaines pour un cas d'usage hautement régulé (banque, santé) avec audit sécurité en parallèle. Le livrable POC c'est un agent fonctionnel sur un périmètre restreint, avec KPI de référence mesuré et décision go/no-go documentée.

Phase industrialisation : 12 à 26 semaines. 12 semaines pour scaler un POC validé sur un périmètre élargi (ajout d'utilisateurs, ajout de cas d'usage adjacents). 18 semaines pour une intégration SI complexe (multi-systèmes legacy). 26 semaines pour un déploiement critique en banque ou secteur public avec audit ANSSI/CNIL, tests de charge, plan de continuité, formation Qualiopi des équipes.

Les deux jalons décisifs : la fin du POC (go/no-go honnête, on a invalidé 4 projets sur 32 en 2025) et le go-live production (rollback prêt, hyper-care 30 jours, dashboards en place dès J+1).

#6. Mesure du ROI agents IA — les KPIs qui comptent

On track systématiquement trois familles.

KPIs métier : heures économisées par semaine et par ETP utilisateur, EUR économisés mensuels (valorisation × volume), taux de résolution autonome (% de demandes traitées sans humain), NPS utilisateurs internes. Sur les 47 agents IA Nehos, médiane à 14 heures économisées hebdomadaires par ETP utilisateur.

KPIs techniques : latence p95 (cible < 4 secondes en RAG simple, < 12 secondes en multi-tool), taux d'hallucinations détecté (cible < 3 %), uptime mensuel (cible 99,5 %), coût LLM par requête (typique 0,002 à 0,08 € selon complexité).

KPIs business : impact sur le pipeline commercial, satisfaction client en bout de chaîne, indicateurs sectoriels spécifiques (taux de fraude détecté pour finance, délai de réponse pour SAV, taux d'erreur de saisie pour ops).

Le dashboard arrive en standard sur chaque MVP. Revue trimestrielle avec le sponsor exec. C'est ce qui transforme un POC en produit durable, mesuré et amélioré en continu.