Quel cadre pour piloter les agents IA ?

Savoir rédiger de bons prompts ne suffit plus pour exploiter pleinement le potentiel des IA génératives : les gains de productivité passent désormais par une transformation de nos méthodes de travail. Avec la montée en puissance des agents intelligents, nous passons progressivement d’une logique de sollicitation individuelle à une logique de délégation et de coordination des tâches. Mais comment organiser cette collaboration entre humains et IA pour qu’elle soit réellement efficace ? Je vous propose dans cet article d’explorer la notion de « harnais » : un cadre technique, sémantique et méthodologique permettant de structurer le travail des agents ; mais surtout de comprendre les enjeux de gouvernance que soulève son déploiement dans les entreprises.

Thèmes : Transformation numérique, IA générative.

J’ai vu plusieurs fois passer sur LinkedIn des messages du type : « Si vous promptez encore, vous êtes largué ! Regardez cette vidéo de Andrej Karpathy où il explique que ce sont les agents IA qui doivent prompter à votre place… » : Andrej Karpathy: From Vibe Coding to Agentic Engineering.

J’ai mis du temps à comprendre ce que cela voulait réellement dire, car cette injonction ne résume pas réellement ses propos. Ce qu’il faut plutôt retenir est le message suivant : pour obtenir de vrais gains de productivité (travailler plus efficacement), il faut arrêter d’exploiter les modèles génératifs à travers un chatbot (en promptant) pour adopter un cadre de travail construit autour des agents intelligents (et de boucles d’apprentissage). L’idée principale est ainsi de passer du prompt engineering au loop engineering : An Introduction to Loop Engineering.

Je l’explique avec des mots différents, mais c’est bien de transformation argentique dont il est ici question : une étape dans la montée en puissance de l’utilisation de l’IA générative, jusqu’à aboutir à une parfaite hybridation du travail (humains + IA) : De la transformation numérique à la transformation agentique.

Mieux prompter ne suffit pas à organiser le travail

Voilà maintenant 4 ans que ChatGPT a été mis en ligne. Ces 4 dernières années ont été grosso modo consacrées à la (re)découverte de ce qu’est l’IA, de comment fonctionnent les modèles génératifs, et de comment les exploiter au mieux. Ceci passe par l’art de poser les bonnes questions, ou plutôt de rédiger des demandes structurées, les fameux prompts. Pour vous y aide, j’édite une série de feuillets pédagogiques sur l’IA et les prompts, où je décris notamment un cadre pour structurer vos instructions (COFI = Contexte, Objectif, Instructions, Format), que vous pouvez télécharger ici : Tout comprendre à l’intelligence artificielle.

Savoir prompter correctement est une pratique indispensable à la bonne appréhension des chatbots et des modèles génératifs, mais ce n’est qu’une façon d’exploiter les IA génératives. Ainsi, les modèles ont fait des progrès considérables et nous sont maintenant proposés en différentes variantes (ex : modèles de raisonnement, modèles de décision, modèles d’action…).

Si les instructions restent indispensables, les changements en cours concernent surtout leur mise en œuvre (la façon dont les modèles travaillent) : il ne s’agit plus d’obtenir des réponses à vos questions, mais de demander à l’IA de réaliser des tâches pour vous. Un principe de délégation de tâches à un orchestrateur qui va planifier des étapes de travail et piloter des agents intelligents qui vont enchaîner ces tâches, utiliser des outils (internes ou externes), vérifier certains résultats et conserver l’état d’un travail (avancement dans un processus). Vous pouvez ainsi vous contenter de formuler un objectif, puis d’en superviser la réalisation.

Mais n’allez surtout pas penser que les IA sont magiques et qu’elles vont faire tout le travail à votre place, rien n’est plus faux. Le passage à un mode de travail agentique déplace ainsi une partie de la charge de travail : obtenir un résultat utile dans une conversation à l’aide d’un prompt bien structuré ne suffit pas à établir une méthode réutilisable par des agents. À l’échelle d’une équipe, il faut aussi transmettre les consignes, partager les références et coordonner les interventions des agents.

C’est là une contre-vérité très importante à assimiler, car elle va à l’encontre des discours de la majorité des éditeurs qui présentent leurs solutions comme parfaitement autonomes et performantes. Ainsi, l’utilisation de l’IA ne garantit aucunement une amélioration de l’organisation du travail. Une étude d’ActivTrak, portant sur 9.140 travailleurs dans 467 entreprises, relève des amplitudes de journées plus longues chez les utilisateurs d’IA : ActivTrak Productivity Lab: AI Users Have Workdays Up to 90 Minutes Longer Than Non-Users. Si cette étude ne permet néanmoins pas d’en attribuer la cause à l’IA et ne mesure pas directement la valeur produite, elle rappelle cependant que l’adoption d’un outil et l’amélioration de l’efficacité sont deux choses distinctes.

De même, l’économiste en chef de Google nous confirme que les gains de productivité ne pourront être délivrés par l’IA qu’après une refonte des habitudes et processus de travail autour des agents : AI and jobs: 4 takeaways from Google’s chief economist.

The biggest productivity gains will come not from incorporating AI into existing workflows but from redesigning those workflows entirely. […] AI demands training employees so that they can make the most of the new opportunities AI will generate.

Est-ce à dire que l’IA est une fraude ? Non pas du tout, simplement que dans la mesure où les modèles génératifs et les outils évoluent très vite, il faut évoluer avec eux pour bénéficier des progrès réalisés régulièrement.

Cette idée de progression permanente est primordiale. Ainsi, n’oubliez jamais que l’IA est un concept technologique intimidant et que les lacunes en informatique et en numérique sont une réalité à laquelle personne n’échappe : Not everyone is ready for AI. D’ailleurs j’écrivais en début d’année : Seule une meilleure pédagogie peut faciliter l’adoption de l’IA. J’en profite pour vous rappeler que si vous ne vous y retrouvez pas dans tous ces termes, je vous invite à consulter mon dictionnaire pour l’IA générative.

C’est à ce stade de mes explications que vous devriez vous demander : « OK, mais qui croire ?« . Ce que vous devez comprendre est que l’adoption d’une logique de travail agentique est un palier de maturité essentiel dans votre montée en compétences sur l’IA. Un palier que vous pouvez franchir vous-même, mais qu’il est beaucoup plus intéressant de franchir ensemble, avec vos collègues. Tous vos collègues, pas que les geeks.

Très bien, mais souvenez-vous que le passage à de nouvelles formes de travail collectif reposant sur les agents intelligents suppose donc un cadre partagé (Les agents IA vont nous permettre de gagner en productivité collective). Ce cadre doit ainsi tenir compte du travail réel (habitudes, rituels informels, processus…), des particularités de l’entreprise et des limites de la délégation.

Associer un harnais technique, sémantique et méthodologique à un cadre métier

Le terme « harnais » désigne le dispositif qui encadre le fonctionnement d’une IA et des agents qu’elle mobilise. Il cadre les demandes envoyées au modèle, les accès aux outils, la gestion de l’état de la tâche et les conditions d’arrêt. Son périmètre dépend de l’implémentation. La présentation des Managed Agents par Anthropic distingue notamment le harnais, la session et l’environnement d’exécution.

Ce dispositif ne définit pas, à lui seul, la bonne façon de réaliser une activité métier, mais il permet de cadrer la façon dont les IA travaillent, et de garantir un minimum de rigueur dans l’exécution des tâches, notamment quand il est question de processus spécifiques à un domaine ou un métier.

La dimension « sémantique et méthodologique » du harnais désigne cette composante métier : Le volet sémantique précise les termes, les catégories et les références de l’organisation ; tandis que Le volet méthodologique décrit les étapes, les contrôles, les livrables et les validations attendues.

Pour une équipe marketing, ce cadre de travail (harnais) peut comprendre la définition du marché de référence, la segmentation des consommateurs, les conventions de marque et les méthodes d’analyse utilisées ou à utiliser. Il précise aussi ce qui constitue une source acceptable ou un résultat suffisamment étayé.

Sur la base de ce harnais « marketing », est-il possible d’extrapoler et de cadrer toutes les activités d‘une entreprise ou organisation pour faire intervenir des agents IA à tous les étages (harnais juridique, harnais comptable, harnais RH…) ? En théorie oui, du moins une grande partie, mais cela demande un minimum de volonté et d’organisation, car vous n’y arriverez pas avec un mega-prompt.

Si nous sommes d’accord pour dire que tout peut se résumer à en ensemble d’instructions, la clé ne réside pas dans les instructions en elles-mêmes, mais dans leur orchestration. Et ça tombe bien, car cette orchestration repose maintenant sur des standards (notamment Agent Skills et Agent Plugins) et des pratiques communes (notamment le Harness Engineering).

À mesure que les modèles génératifs progressent, les pratiques évoluent vers toujours plus de rigueur pour plus de performance et de maitrise, et pour un meilleur contrôle de la consommation de tokens.

Formaliser et distribuer les méthodes de travail

Une compétence, ou skill, décrit une méthode réutilisable. Elle peut réunir des instructions, des documents de références, des scripts… Une extension, ou plugin, regroupe des composants, principalement des skills, mais également d’autres ressources (ex : référentiels, manifestes…), ils sont destinés à cadrer des applications agentiques.

Le format Agent Skills organise notamment les compétences autour d’un fichier skill.md.

Le format Agent Plugins permet de distribuer plusieurs composants, dont des compétences et des configurations de connexion à des outils ou à des données.

L’utilisation de ces standards ne garantit en rien la réussite de votre démarche de transformation agentique, mais ils sont des supports de formalisation et de diffusion du savoir-faire très efficace. De plus, ces formats standardisés facilitent la réutilisation entre applications agentiques (ex : ChatGPT Work, Claude Cowork, OpenWork…). Ainsi, grâce à ces standards, une méthode, un procédé ou un processus peut être modélisé, documenté, partagé, testé et mis à jour de façon centralisée. Son conditionnement dans une compétence ou une extension ne garantit toutefois ni sa pertinence ni sa bonne application.

Vous connaissez certainement le principe de chatbots personnalisés (ex : les Custom GPTs chez ChatGPT, Projects chez Claude, Gems chez Gemini…). Et bien figurez-vous que ce principe va être abandonné très prochainement au profit des compétences et extensions, les skills et plugins, car ils imposent une rigueur dont les agents intelligents ont besoin : About the transition from Gems to skills.

Vous noterez que le principe de plugin n’est pas nouveau, car vous en utilisez tous les jours avec votre navigateur : des extensions qui dotent un outil générique (le navigateur) de fonctionnalités avancées et/ou spécifiques à un domaine. Avec les plugins décrits plus haut, c’est la même chose, mais pour les IA : des extensions qui permettent de cadrer et/ou d’enrichir le fonctionnement des chatbots et agents intelligents.

Maintenant que nous avons des standards bien identifiés (Agent Skills et Agent Plugins) et des outils d’orchestration performants, aussi bien sur votre ordinateur (ChatGPT Work, Claude Cowork, OpenWork…) que dans le cloud (Copilot Cowork, Gemini Agents…), la question n’est plus de savoir comment, mais quelles activités agentiser.

Partir d’une tâche concrète, et expliquer simplement ce que vous faites pour créer votre premier skill

Je ne vais pas vous mentir, la création d’un harnais ne se fait pas en 5 minutes, ni même en 1 mois. Dans l’absolu, il n’y a pas réellement de démarrage ni de fin comme dans un projet classique, car le harnais est un cadre de travail : il est enrichi et amélioré et permanence, un peu comme un système d’information.

Le plus simple, et le moins perturbant pour votre travail au quotidien, est donc de le constituer petit à petit, en commençant par le plus facile ou le plus évident : une tâche répétitive et prévisible, à faible valeur ajoutée, qui vous casse les pieds (ex : compiler des informations et données pour rédiger un rapport hebdomadaire).

La formalisation d’une tâche commence donc par la description du travail à réaliser : Quelles informations et données sont nécessaires ? Quels traitements faut-il effectuer ? Quel livrable doit être produit ? À qui ou à quoi est-il destiné ? Quels critères permettent de juger sa qualité ? Il faut ensuite décrire les exceptions et les validations (pour éviter que les agents soient piégés dans des boucles). Il convient enfin de définir les rôles et responsabilités de chacun : certaines décisions peuvent être faites par l’agent, d’autres demandent un arbitrage humain.

Présenté comme ça, la définition d’une compétence (skill) peut être intimidante, mais vous pouvez demander à votre assistant ou orchestrateur de vous aider dans cette tâche (ChatGPT Work, Claude Cowork, Gemini, Copilot…).

Pour illustrer la création d’un skill, je vous propose d’utiliser l’exemple d’une veille concurrentielle :

• L’intention, c’est-à-dire l’objectif, consiste à repérer les changements utiles à une décision.
• Le cadre sémantique délimite le marché, les concurrents et les catégories d’offres, il évite que chaque exécution repose sur une interprétation différente du périmètre (utilisation d’un vocabulaire commun).
• Le cadre méthodologique décrit les sources, la période et les étapes (collecter les informations, éliminer les doublons, vérifier les dates, comparer les évolutions, hiérarchiser les signaux…).
• Le format de sortie précise que les notes produites doivent distinguer les faits sourcés, les interprétations et les incertitudes.
• Les contrôles portent sur la fraîcheur des informations, la validité des liens et les affirmations déterminantes.
• La validation humaine sert à confirmer la pertinence des signaux et leur hiérarchisation.
• Les corrections éventuelles permettent d’améliorer la méthode.

Si vous avez l’impression que les éléments précisés dans cette liste ressemblent à ceux d’un cahier des charges, vous avez raison, car c’est le même principe : préciser ce que l’agent doit faire en s’appuyant sur ce skill et comment il doit le faire.

Personnellement, j’intègre la notion de « contrat d’exécution » dans mes skills, un contrat qui s’appuie sur une convention avec les éléments suivants :

• Entrées = Ce qui doit être récupéré comme informations, données ou documents (inputs).
• Vérifications = Les contrôles qui doivent être faits avant de lancer les traitements (ex : informations, données ou documents valides).
• Traitements = Ce qui doit être fait avec les entrées au cours de la tâche.
• Sorties = Ce qui doit être livré à la fin de la tâche (le ou les livrables, les outputs).
• Critères de réussite = Ce qui détermine le succès de la tâche.
• Conditions d’arrêt = Ce qui permet d’empêcher un blocage ou une boucle infinie (pour éviter de consommer trop de tokens).
• Actions alternatives = Ce qui doit être fait en cas d’arrêt (ex : demander l’avis de l’utilisateur).
• Validation = Ce qui doit être validé par l’utilisateur si la tâche est jugée comme réussie par l’agent.
• Transmission = Ce qui est transmis au skill de la tâche suivante (généralement le livrable).

Certes, ça demande un peu de travail, mais souvenez-vous que vous pouvez vous faire aider par votre assistant qui se chargera d’adopter ce formalisme à une description que vous pouvez réaliser à l’oral (c’est généralement moins intimidant). Pour avoir une idée plus précise de ce à quoi peut ressembler une compétence formalisée, vous pouvez parcourir les différents skills proposés par des places de marché comme SkillsMP ou SkillHub.

Vous noterez qu’au sein de ces places de marché, certains skills sont packagés dans des plugins, qui est le prochain palier de montée en compétences.

Élargir progressivement le périmètre avec les extensions

Comme nous l’avons vu précédemment, les compétences (skills) sont une version plus rigoureuse des chatbtos personnalisés (custom GPTs). Mais elles ne s’appliquent qu’à des tâches précises. Si vous ambitionnez de mobiliser des agents IA sur l’ensemble d’un processus, il va vous falloir définir un cadre de travail plus large.

C’est exactement ce que proposent les extensions qui regroupent un ensemble de compétences dans un plugin où l’on peut également trouver un référentiel de termes clés, un manifeste où sont décrites les grandes étapes d’une procédure (chacune correspondant à un skill) ainsi que des variables-clés servant à cadrer l’exécution.

Là encore, la création d’un plugin ne doit pas vous impressionner, car votre assistant ou votre orchestrateur peut le faire à votre place. Ça sera plus rapide, et plus certainement mieux fait.

Pour voir une idée de ce à quoi ressemble une extension bien conçue, je vous incite à explorer l’extension proposée par Anthropic pour les services financiers qui illustrent parfaitement cette association entre compétences, connexions aux données et adaptation aux conventions de l’entreprise.

Encore une fois, nous vous laissez pas impressionner par le niveau de formalisme des skills et plugins, ce ne sont dans l’absolu que des instructions dans des fichiers textuels (en l’occurrence, au format Markdown). Mais si vous avez l’impression que je suis en train de vous décrire une application, c’est quasiment le cas ! Voilà pourquoi j’ai utilisé le terme « application agentique » en début d’article, car un plugin est une sorte d’environnement d’exécution dont l’architecture ressemble à celle d’un logiciel.

Cette approche rigoureuse de description d’une compétence ou d’une extension, proche des méthodes de développement logiciel, permet potentiellement à n’importe qui de décrire petit à petit son environnement de travail : les informations et données qui sont exploitées, les outils utilisés, les termes utilisés, les tâches / procédures / processus qui structurent les traitements… Le tout, avec l’aide d’un assistant ou orchestrateur qui va traduire vos descriptions en une compétence ou une extension standardisée.

Une montée en compétences progressive

À mesure que les modèles génératifs progressent, les capacités et l’autonomie des agents IA progressent également. Pour bénéficier de ces progrès, les informaticiens appliquent les méthodes de travail qu’ils connaissent pour définir des cadres de travail toujours plus vastes. L’objectif étant de petit à petit modéliser l’ensemble des tâches qu’ils ont à accomplir et de confier aux agents une part toujours plus importante de leur travail.

Entendons-nous bien, il n’est pas question de remplacement, mais de délégation : de s’appuyer sur des compétences et de l’expérience pour superviser la réalisation de tâches répétitives et prévisibles. L’enjeu pour eux est de concevoir un système complet intégrant différents processus inclus dans des boucles d’exécution et d’améliorations (cf. An Introduction to Loop Engineering).

Au fil des ans, les informaticiens sont ainsi passés par différents paliers de maturité dans leur utilisation de l’IA générative :

• le prompt engineering qui consiste à dicter des instructions dans un prompt ;
• le context engineering qui précise le contexte d’exécution de ces instructions avec des informations et documents de référence (formalisés dans des skills) ;
• le harness engineering qui apporte à ces compétences formalisées des connaissances (référentiels, lexiques…) et des procédures (formalisées dans des plugins) ;
• le loop engineering qui ajoute une attention particulière aux boucles d’exécution, les processus, ce qui permet à l’assistant ou l’orchestrateur de déclencher une action, d’observer son résultat, et de l’évaluer pour éventuellement y apporter des modifications (optimisation, complétion…) ;
• le graph engineering qui ambitionne de représenter les dépendances entre boucles d’excecution afin d’étendre la délégation à des activités entières (cf. The Future of AI Is a Graph) ;
• enfin, nous commençons à parler de system engineering qui connecte les activités entre-elles pour fournir aux IA une vision précise d’une entité (département, business unit, filiale…).

Comme vous pouvez le constater, le périmètre des harnais n’a cessé de croitre à mesure que les capacités des IA ont été étendues : l’objectif ultime de ces cadres de travail est de faire comprendre aux IA le monde des humains et le fonctionnement des entreprises et organisation (tâches, référentiels, règles…).

Au cas où vous poseriez la question : non, il n’existe pas de formation ou de diplôme de system engineering, c’est quelque chose que n’importe qui peut faire, il suffit d’avoir les idées claires et d’être un minimum motivé et discipliné.

L’idée étant de partir d’instructions (prompt) et de monter d’un cran régulièrement (d’un niveau de maturité), pour pouvoir petit à petit modéliser et reconfigurer le travail autour de cadres reposant sur des agents intelligents. Des cadres de travail de plus en plus formels pour étendre le champ d’action des agents, jusqu’à un cadre systémique qui englobe l’ensemble des informations données, connaissances, procédures, processus, activités et entités d’une entreprise.

Un vaste chantier de transformation digitale qui s’inscrit bien évidemment dans la durée. Ce qui amène d’autres problèmes ou questions.

Qui doit évaluer, entretenir et faire évoluer un cadre de travail agentique

Comme nous venons de la voir, créer son premier skill ou plugin est un chantier intimidant, certes, mais largement à votre portée. Tout ce dont vous avez besoin est de motivation. Pour cela, vous pouvez dans un premier temps utiliser les cadres de travail préconçus par les éditeurs (OpenAI, Anthropic, Microsoft, Google…) : des skills et plugins pré-conçus dans des domaines comme la finance, le droit, la santé…

Si ces harnais génériques sont très intéressants pour comprendre l’intérêt et le fonctionnement des skills et plugins, ils représentent néanmoins un fort risque de dépendance (”vendor lock-in”). Mais heureusement, une démarche de standardisation est en cours, reposant sur les standards Agent Skills et Agent Plugins, ce qui vous permet d’exporter ces harnais pour pouvoir les adapter à votre contexte, pour faire en sorte que les agents puissent travailler selon les méthodes et contraintes qui sont propres à votre entreprise ou organisation.

OK très bien, mais la création ou l’adaptation des skills et plugins exige un travail préalable d’appropriation et de formalisation du contexte de travail. Ainsi, les salariés doivent expliciter ce qu’ils font, comment ils le font, préciser les exceptions, signaler les erreurs et faire comprendre les points forts / faibles de cette façon de travailler. Alors seulement, les assistants et orchestrateurs pourront vous proposer de traduire tout ça en des skills ou plugins. Mais pour faire ce travail préalable, dans la mesure où l’opinion publique envers les IA est plutôt défavorable (L’IA a gagné les marchés, mais elle est en train de perdre l’opinion mondiale) il faut faire preuve de pédagogie et se mettre d’accord sur un niveau de formalisme Seule une meilleure pédagogie peut faciliter l’adoption de l’IA.

À l’époque des ERP et outils d’automation, la modélisation des procédures et processus de travail reposait sur des standards très rigoureux, mais lourds à manier (ex : BPMN). J’anticipe une adaptation prochaine de ces formats aux standards agentiques pour aboutir à un compromis entre la souplesse des fichiers en Markdown et la rigueur de ces systèmes de modélisation.

Si la question de la réalisation technique des harnais est en cours de résolution (évolution rapide des standards et outils), celle de la responsabilité de ce chantier reste entière : Qui est censé décrire les tâches et activités ? Qui doit les évaluer et les valider ? Qui doit les faire évoluer ? …

L’évaluation doit ainsi porter sur le travail complet. Le délai de réalisation compte, mais il faut aussi prendre en compte les corrections, la supervision et la validation. De même, la qualité du résultat, les coûts d’exécution et l’effort de maintenance doivent également être examinés.

Nous sommes ici face à une problématique qui n’est pas de nature technique ni fonctionnelle, mais bien en rapport avec la gouvernance (IA en entreprise : les usages progressent, la gouvernance reste à la traîne). Ce sont des questions essentielles, car il en va des gains de performances et de la compétitivité générale de l’entreprise ou de l’organisation.

Ainsi, il ne vous surprendra pas d’avoir la confirmation qu’un cadre plus élaboré n’apporte pas nécessairement un meilleur résultat : cette étude d’Apple sur des tâches d’ingénierie en apprentissage automatique ne relève pas d’avantage aux harnais élaborés dans les conditions testées. Ce résultat reste lié au périmètre étudié. Il invite à justifier la complexité par des bénéfices observables.

Il faut aussi distinguer plusieurs mécanismes d’optimisation : corriger une erreur pendant une tâche relève de l’exécution, conserver une information relève de la capitalisation, modifier une procédure demande des tests et une validation. Aucun de ces mécanismes ne signifie que le modèle a été réentraîné, c’est bien au cadre que l’on apporte des modifications.

Le cadre doit donc évoluer avec les besoins, les outils et les modèles : certaines règles restent nécessaires, tandis que d’autres deviennent inutiles. Ainsi, chaque skill ou plugin demande un suivi des versions et des critères de maintien ou de retrait. Il convient d’adopter ici les mêmes méthodes que dans l’engineerie logicielle, puisque nous sommes bien dans le cadre de la gestion d’applications agentiques.

La grande question est : Qui ?

Qui porte cette responsabilité et pourquoi ?

Un harnais technique, sémantique et méthodologique formalise de nombreux aspects de la manière dont les agents doivent travailler. Sa conception et son évolution engagent donc plusieurs fonctions : la DSI, les métiers, les équipes de transformation numérique…

Nous pouvons raisonnablement envisage la répartition suivante :

• Les métiers définissent les objectifs, les références et les critères de qualité. Ils valident les méthodes et les résultats.
• La DSI fournit et contrôle les conditions techniques d’exécution, notamment les intégrations, les identités et les accès.
• La direction du numérique ou de la transformation peut coordonner la réutilisation des skills et plugins (leur distribution), l’accompagnement et les priorités transversales.
• Les contrôles et validations sont selon les contraintes applicables (les principaux bénéficiaires des tâches sous-traitées aux agents).
• La direction générale arbitre lorsque les choix engagent plusieurs fonctions.

Cette répartition doit surtout aboutir à un responsable nommé pour chaque skill ou plugin partagée. C’est à priori plutôt simple et lisible pour les compétences et extensions liées à un département (ex : marketing, comptabilité…), mais plus compliqué pour des compétences ou extensions transversales, car quelqu’un doit organiser les tests, traiter les retours et décider des évolutions. Éventuellement, un intervenant externe peut apporter des réponses, c’est grosso modo ce que font les fameux Forward Deployed Engineers.

---

Comme nous venons de le voir, à mesure que les modèles génératifs et outils progressent, nous nous rapprochons des hypothèses de gains de productivité promis il y a quelques années. Des gains qui ne peuvent être réalisés qu’à l’échelle de l’entreprise ou de l’organisation pour être significatifs. Voilà pourquoi l’adoption et le déploiement de l’IA générative et agentique passent par une formalisation / refonte des habitudes et processus de travail.

Un chantier à la fois technique, sémantique et méthodologique pour aboutir à la création de harnais propres à chaque métier, voir activité ou entité. Une démarche qui exige des compétences fonctionnelles (savoir quoi et comment déléguer aux agents IA), mais surtout une gouvernance rigoureuse pour cadrer la transformation agentique et garantir à la fois les gains de productivité et la qualité du travail délégués aux agents.

(!) L’illustration, ainsi que la synthèse et les Q / R de cet article ont été générées à l’aide de l’IA.