Agents IA en entreprise : quatre prérequis pour passer en production

Un agent IA est un système qui organise et exécute seul le travail nécessaire pour atteindre un objectif donné, sans validation humaine entre deux étapes. Cette marge d'initiative fait tout son intérêt mais devient un risque dès lors que personne n'a borné son périmètre d'action.

Chez Foresight Data Agency, nous concevons des agents IA pour la pharma, la santé et les médias. Des secteurs où une erreur peut avoir des conséquences qui dépassent largement l'entreprise. Cet article rassemble ce que notre expérience de ces projets nous a appris : pourquoi l'IA est déjà dans vos équipes, ce qui pousse à son adoption, ce qu'elle change vraiment, les risques d’un mauvais cadrage et les quatre prérequis pour sortir de la phase d'expérimentation.

Qu'est-ce qu'un agent IA ?

Avant de donner une définition, nous allons d’abord clarifier trois éléments qui se confondent souvent dans les discussions.

Le LLM (large language model) ou grand modèle de langage (GPT, Claude, Mistral, Gemini) est le moteur. C'est un modèle statistique qui est exposé pendant son entraînement à des volumes de texte massifs pour apprendre à estimer, mot après mot, la suite la plus vraisemblable d'un texte. De cette mécanique découlent des capacités étendues comme rédiger, résumer, traduire, reformuler.

L'assistant IA (ChatGPT, Claude) est une interface qui s’appuie sur un LLM pour interagir avec un humain et l’aider dans ses tâches. L'humain reste aux commandes à chaque échange.

L'agent IA est un système autonome piloté par un ou plusieurs LLM. Il peut interroger votre base documentaire, lire un fichier, appeler une API, écrire dans un tableur. Il décide lui-même de l'ordre des opérations à réaliser pour atteindre l'objectif qu'on lui a fixé. Par exemple, « classe ces 40 000 essais cliniques par aire thérapeutique et signale ceux qui concernent une population pédiatrique ».

Cette autonomie change la nature du risque. Avec un assistant IA, une réponse erronée est lue par un humain avant d'avoir un effet là où, avec un agent, la réponse erronée peut se retrouver dans le rapport envoyé au client ou dans un document stratégique pour l’entreprise.

L'IA est déjà dans votre entreprise, avant tout cadre

Dans l'Observatoire de l'IA responsable en entreprise 2026, mené par ViaVoice pour Impact AI avec KPMG France et Bouygues auprès de 1 000 salariés du privé, 42 % des répondants jugent inexistante ou très faible la mise en place de l'IA responsable dans leur entreprise. Vu du terrain, le cadre reste donc largement à construire. Dans les bureaux, l'usage, lui, est déjà installé.

ChatGPT a popularisé l'IA générative en la rendant accessible à n'importe qui disposant d'un navigateur. Claude, Gemini et les autres LLM ont suivi. Désormais, le chef de produit s'en sert pour résumer ses comptes rendus. La chargée de communication, pour réécrire ses communiqués. Le data analyst, pour générer ses requêtes SQL. Des usages qui n’ont pas nécessairement fait l'objet d'une décision au sein de l’entreprise.

Selon l'Observatoire de l'IA responsable en entreprise 2026, 47 % des salariés du secteur privé en France utilisent déjà l'IA générative dans leur travail et 71 % des managers. Parmi ces utilisateurs, moins d'un sur cinq (19 %) s'appuie sur un outil interne de son entreprise, quand 61 % se tournent vers des solutions grand public. Enfin, 10 % à peine des salariés signalent l'existence d'une charte ou d'un comité éthique IA dans leur organisation. Dans la majorité des cas, l'IA entre donc dans l'entreprise par une porte que celle-ci ne contrôle pas.

On parle de shadow AI pour désigner ces usages installés en dehors de tout circuit officiel où l'outil n'a été ni choisi, ni paramétré, ni supervisé par l'entreprise. Le terme est calqué sur le shadow IT, qui désigne déjà les logiciels adoptés par les équipes sans passer par la direction des systèmes d’information. Le phénomène pose aux décideurs une question stratégique : comment reprendre la main sur un usage qui existe déjà ?

Si l'interdiction ne fonctionne pas, parce que les équipes risquent de basculer sur leurs équipements personnels, tolérer ces usages sans les encadrer ne constitue pas une option viable non plus. Reste la troisième voie : reconnaître l'usage de l’intelligence artificielle, donner aux équipes les moyens de l’utiliser et poser un cadre qui permette d’en tirer pleinement parti de façon maîtrisée.

Équiper ne suffit pas : l'outil doit être adopté

Pour encadrer l'usage de l'IA, de nombreuses entreprises ont déployé leur propre « ChatGPT interne ». C’est d’ailleurs le cas de plusieurs laboratoires pharmaceutiques : mChat chez Moderna dès début 2023, myGenAssist chez Bayer fin 2023, GPTeal chez Merck, Concierge chez Sanofi en octobre 2024.

Cependant, les résultats sont mitigés concernant l'adoption. Recon Analytics a interrogé plus de 150 000 personnes aux États-Unis entre juillet 2025 et janvier 2026. Parmi les abonnés à un outil d'IA payant qui ont accès à ChatGPT sur leur lieu de travail, 83,1 % transforment cet accès en usage. Pour Copilot, ce taux de conversion tombe à 35,8 %. Quand Copilot est le seul outil fourni par l'employeur, 68 % des salariés en font leur outil principal. Dès que ChatGPT est aussi disponible, Copilot tombe à 18 % et ChatGPT en capte 76 %. Autrement dit, l'outil imposé conserve ses utilisateurs tant qu'aucune alternative ne leur est accessible.

Le cas Amgen illustre ce dernier point. Au printemps 2024, le laboratoire a annoncé l'achat de licences Copilot pour 20 000 salariés. Treize mois plus tard, selon Bloomberg, Amgen avait élargi le déploiement de ChatGPT, pour deux raisons : les progrès de l'outil et son intérêt, constaté par les équipes, pour la recherche documentaire et la synthèse de publications scientifiques. Copilot restait principalement cantonné à l'environnement Microsoft, Outlook et Teams en tête. L'outil retenu au départ n'a pas évincé celui que les équipes se sont approprié : il a fini par cohabiter avec lui.

À l'inverse, Moderna revendique plus de 80 % d'adoption pour mChat, son assistant interne lancé début 2023. Ce résultat tient moins à l'outil qu'à l'accompagnement. En effet, un concours de prompts a permis de repérer les 100 utilisateurs les plus avancés pour les transformer en réseau d'ambassadeurs. Des permanences ont été organisées dans chaque métier et chaque pays. La direction s'est engagée en première ligne. Quand ChatGPT Enterprise est arrivé, le laboratoire a fait tester mChat, Copilot et ChatGPT Enterprise par ses équipes avant de trancher. L'outil a ainsi été choisi sur la base des usages réels.

L'Observatoire français confirme le mécanisme sous un autre angle. Chez les collaborateurs formés à l'IA responsable, 35 % utilisent un outil interne développé par leur entreprise, contre 19 % de l'ensemble des utilisateurs. Formation et outil adapté sont donc indissociables. De ce fait, un outil interne que personne n'a appris à utiliser ou qui répond moins bien aux besoins que l'outil grand public ne fait pas reculer le shadow AI.

Ce que l'IA change vraiment : elle accélère et elle révèle

Le gain de temps est naturellement le bénéfice attendu de l'IA. Il en masque cependant un second, moins souvent évoqué, qui porte sur le regard posé sur les données.

Elle accélère ce qui est déjà bien défini

Une idée reçue à corriger est que l'IA n'accélère pas tout. Elle n’accélère en réalité que ce qui est déjà bien défini.

En effet, un processus clair, avec des entrées identifiées, des règles explicites et un résultat attendu que l'on sait reconnaître, se prête parfaitement à l'automatisation par agent IA. Ainsi, sur des tâches comme le pré-classement de documents, l'extraction de données structurées depuis des rapports, la première passe de synthèse sur un corpus ou encore la génération d'un brouillon à partir d'un gabarit validé, le gain est réel et mesurable. Sur ce type de tâche, trois semaines de lecture humaine peuvent se réduire à quelques heures ou quelques jours de traitement par agents, auxquels s'ajoutent deux jours de vérification humaine.

A contrario, un processus flou donne le résultat inverse. Si personne ne sait décrire précisément ce qu'est un « bon » résultat, l'agent va produire quelque chose de plausible, rapidement et en grande quantité. Or, le problème n'est pas l'erreur ponctuelle mais l'erreur qui devient industrielle. En effet, là où un humain aurait hésité, posé une question, ralenti, l'agent poursuit sa tâche pour remplir ses objectifs. Ainsi, l'IA accélère l'erreur avec la même efficacité qu'elle accélère le travail bien fait.

Elle révèle ce qu'on ne cherchait pas

Il existe un autre bénéfice, moins visible parce qu'il ne se mesure pas en heures : l'agent voit des choses que l'humain ne cherche pas.

Reprenons notre corpus de 40 000 essais cliniques : lire plus vite, c'est le premier gain. Mais un agent ne se contente pas de lire dans l'ordre. En regroupant les documents sur des critères que personne n'aurait pensé à croiser, il peut ainsi faire apparaître un cluster de deux cents essais sur les maladies rares pédiatriques que tout le monde avait sous les yeux sans réellement le voir.

Ce second apport dépend toutefois de la qualité des données et de la liberté qu'on laisse à l'agent d'explorer. C’est cette liberté d’exploration qui transforme un projet d'automatisation en projet d'analyse.

Les risques concrets d'un agent IA mal cadré

Le principe selon lequel un mauvais usage de l'IA présente un danger fait consensus. Ce constat reste sans effet s'il n'est pas traduit en risques identifiés, évaluables et attribuables. Les référentiels de l'OWASP, du NIST et de la CNIL recensent une vingtaine de risques. Notre expérience en fait ressortir quatre, qui concentrent l'essentiel des incidents rencontrés.

La fuite de donnée

Un extrait de contrat, un tableau de résultats, une liste de patients dans un outil grand public pour le résumer… Selon les conditions d'utilisation et la version employée, ce contenu peut être conservé, voire servir à entraîner le modèle. Pour un laboratoire pharmaceutique, cela peut être une donnée de santé qui quitte le périmètre. Pour un média, c'est peut-être un document confidentiel obtenu par une source qui se retrouve sur des serveurs tiers. Dans les deux cas, le caractère non autorisé de l'usage ne protège pas l'entreprise. Au regard du RGPD, elle reste responsable du traitement et donc de la fuite.

L'hallucination prise pour un fait

Un modèle de langage produit du texte vraisemblable. Il peut inventer une référence bibliographique, une posologie, une citation, une date. Le danger n'est pas l'invention elle-même. C'est le moment où l'invention est reprise sans contrôle. En effet, dans un contenu médical destiné aux professionnels de santé, une posologie inventée n'est pas une coquille. Dans un article de presse, une citation fabriquée est une faute déontologique.

La décision que personne ne peut retracer

Prenons l’exemple d’un agent qui produit une recommandation. Trois semaines plus tard, un client, un auditeur ou un régulateur demande à en connaître les fondements. Si les sources consultées, les hypothèses retenues et les étapes intermédiaires n'ont pas été enregistrées, personne n'est en mesure de répondre. Dans un environnement réglementé, une décision qu'on ne peut pas documenter est une décision qu'on ne peut pas défendre. Elle expose même davantage qu'une absence de décision : elle engage la responsabilité de l'entreprise sans lui laisser les moyens de se justifier.

L'obligation réglementaire ignorée

Le règlement européen sur l'intelligence artificielle (AI Act) s'applique par étapes depuis 2024. Approuvé définitivement par le Parlement européen en juin 2026, le règlement (UE) 2026/1744, dit « Digital Omnibus sur l'IA », est entré en vigueur le 27 juillet 2026 et décale une partie de ce calendrier. Les obligations visant les systèmes d'IA autonomes à haut risque, listés à l'annexe III, s'appliqueront désormais à partir du 2 décembre 2027. Pour les systèmes intégrés comme composants de sécurité dans des produits soumis à une législation sectorielle européenne, dispositifs médicaux compris, l'échéance est fixée au 2 août 2028. Mais ce report ne concerne que ces volets. Depuis février 2025, l'article 4 impose ainsi aux fournisseurs comme aux déployeurs de prendre des mesures pour acculturer leurs équipes à l'IA, sans exiger pour autant un niveau de compétence déterminé. Depuis le 2 août 2026, les obligations de transparence de l'article 50 s'appliquent. Un assistant ou un agent qui échange directement avec des personnes doit être conçu pour signaler qu'il s'agit d'une IA. Les textes générés par IA et publiés pour informer le public sur des sujets d'intérêt général, santé publique comprise, doivent être signalés comme tels, sauf relecture humaine ou contrôle éditorial. Les manquements exposent à des amendes pouvant atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial. Par conséquent, une entreprise qui déploie des agents sans avoir cartographié ses cas d'usage pourrait découvrir les obligations dont elle relève au pire moment.

Ces quatre risques ont un point commun : tous relèvent du cadre d'usage, quel que soit le modèle d'IA employé.

Le cadre : passer de l'expérimentation à l'industrialisation

Le cadre est ce qui permet au niveau technique et organisationnel de sortir de la phase d'expérimentation. Sans ce cadre, un projet d'agent reste une expérimentation convaincante que personne ne prend la responsabilité de connecter aux flux de production. Avec lui, le même agent devient un composant opérationnel, exploité quotidiennement et sur lequel les équipes peuvent s'appuyer.

Ce cadre repose sur quatre prérequis qui s'appliquent aussi bien à un agent de pré-classement documentaire dans un laboratoire pharmaceutique qu'à un outil de tri de dépêches dans une rédaction.

Prérequis 1 : les données

La qualité d'un agent dépend d'abord des données auxquelles il accède. Trois questions doivent être arbitrées avant tout développement.

Quelles données l'agent est-il autorisé à lire ? Le périmètre doit être explicite et descendre jusqu'au détail : collections identifiées, versions datées, niveau de confidentialité défini.

Où transitent-elles ? Le choix entre un modèle hébergé chez un fournisseur américain, un modèle européen ou un déploiement sur votre propre infrastructure est une décision de conformité, dictée par la sensibilité des informations traitées, avant d'être un choix technique.

Sont-elles exploitables en l'état ? Un agent qui lit des documents mal indexés, dupliqués ou aux versions contradictoires produira des résultats tout aussi contradictoires. La préparation des données est la phase la moins visible du projet et souvent la plus longue.

Prérequis 2 : la validation humaine

La présence d'un humain dans la boucle ne se discute pas. Ce qui se décide, c'est son positionnement. Nous distinguons trois niveaux d'autonomie et chaque tâche confiée à un agent doit être affectée à l'un d'eux.

Automatique. L'agent exécute et le résultat est utilisé tel quel. Ce cas de figure est réservé aux tâches où l'erreur est peu coûteuse et facilement détectable, comme le classement préliminaire d'un document.

Validé. L'agent propose, un humain approuve avant tout effet. C'est le niveau par défaut pour tout ce qui sort de l'entreprise : contenu publié, réponse à un client, synthèse transmise à une direction.

Escaladé. L'agent détecte qu'il sort de son périmètre ou que son niveau de confiance est insuffisant, et rend la main avec une question plutôt qu'une réponse. Cette capacité à s'arrêter se conçoit comme une fonctionnalité à part entière.

Ainsi, dans le contenu médical, l'IA accélère la rédaction mais la validation médicale reste humaine. Le relecteur médical ne juge pas la qualité rédactionnelle, il vérifie l'exactitude. Ce sont deux compétences distinctes, et l'agent ne couvre que la première.

Prérequis 3 : la traçabilité

Chaque résultat produit par un agent doit pouvoir être reconstitué. Cela suppose d'enregistrer, pour chaque exécution, la version du modèle utilisée, la consigne transmise, les sources consultées, les étapes intermédiaires et l'identité du valideur.

Cet enregistrement remplit trois fonctions : a) répondre à un auditeur ou à un régulateur, b) identifier la cause d'un résultat erroné plutôt que d'en corriger le symptôme et c) démontrer, le moment venu, que le processus était maîtrisé.

Un agent dont on ne peut expliquer la sortie n'est pas prêt pour la production, quelle que soit la qualité apparente de ses résultats.

Prérequis 4 : la mesure

Selon Gartner, au moins la moitié des projets d'IA générative avaient été abandonnés après la preuve de concept fin 2025. Les quatre causes identifiées par le cabinet recoupent les prérequis de ce cadre : qualité des données insuffisante, contrôles des risques inadéquats, coûts non maîtrisés, valeur métier indéterminée.

Concernant la valeur métier, le constat est récurrent : personne n'avait défini ce qu'un résultat satisfaisant voulait dire.

Trois familles d'indicateurs doivent donc être fixées avant le lancement : a) La qualité, mesurée contre un jeu de référence validé par des humains : taux d'erreur, taux de rejet à la validation, b) l'usage : nombre d'utilisateurs effectifs, volumes traités, part des contournements et c) la valeur : temps effectivement libéré, coût par traitement, réallocation de ce temps par les équipes.

Sans ces mesures, ni la dérive de l'agent dans le temps ni son rapport coût-bénéfice ne sont observables. Avec elles, on peut le faire évoluer, l'étendre à d'autres tâches ou l'arrêter en connaissance de cause.

Ensuite, il restera la question de l'industrialisation elle-même avec tests, alertes, maintenance et coûts d'inférence.

Expérimentation ou agent industrialisé : six critères pour trancher

Le tableau ci-dessous récapitule les critères qui, dans notre expérience, distinguent un agent qui restera au stade de l'expérimentation d'un agent industrialisable.

	Expérimentation	Agent industrialisé
Objectif	Démontrer la faisabilité technique	Une tâche précise, un résultat attendu défini
Données	Un échantillon restreint, choisi à la main	Flux réel, avec ses doublons et lacunes
Validation	Appréciation qualitative, sans référentiel	Jeu de référence, taux d'erreur mesuré
Humain	Absent ou, au contraire, présent à chaque étape	Positionné aux étapes où l'erreur a un coût
Traçabilité	Inexistante	Chaque sortie reconstituable
Après six mois	Usage résiduel ou abandonné	Indicateurs suivis, périmètre étendu

Si votre projet correspond à la colonne de gauche, ce n'est pas nécessairement un échec. Une expérimentation a sa fonction : elle établit la faisabilité et obtient l'adhésion des décideurs. Elle ne dispense pas, en revanche, du travail de cadrage qui conditionne le passage en production.

Ce qu'il faut retenir

L'IA est déjà dans votre entreprise. La priorité est d'en encadrer l'usage de manière anticipée, plutôt que sous la contrainte d'un incident.

Un agent IA accélère les processus bien définis et industrialise les erreurs sur les processus flous. Le premier travail est donc un travail de définition.

Les risques sont concrets et nommables : fuite de données, hallucination reprise sans contrôle, absence de traçabilité des décisions, obligation réglementaire ignorée. Aucun de ces risques ne se règle juste en changeant de modèle.

Enfin, le cadre repose sur quatre prérequis : des données au périmètre défini, une validation humaine placée là où l'erreur coûte, une traçabilité complète et des indicateurs fixés avant le lancement. C'est ce cadre qui fait passer un agent de l'expérimentation à la production.

Questions fréquentes

Quelle est la différence entre un agent IA et ChatGPT ?

La différence tient à qui pilote le travail. Avec ChatGPT, c'est l'utilisateur : il relance l'outil à chaque étape. Avec un agent IA, c’est le système qui organise et exécute seul le travail nécessaire pour atteindre un objectif donné. Il planifie les opérations, sollicite les outils auxquels il est raccordé (base documentaire, API, tableur) et avance jusqu'au livrable sans validation humaine entre deux étapes. Les assistants récents savent eux aussi exécuter des actions. Ce qui distingue l'agent, c'est l'enchaînement autonome de ces actions. Un agent peut ainsi reposer sur le même modèle que ChatGPT mais son autonomie change la nature du risque et du cadre à mettre en place.

Un agent IA peut-il être utilisé dans un secteur réglementé comme la pharma ?

Oui, à condition que le cadre soit posé avant le déploiement. En pratique, cela signifie un périmètre de données explicite, un hébergement compatible avec la sensibilité des informations traitées, une validation médicale humaine systématique sur tout contenu à visée professionnelle, et une traçabilité complète de chaque exécution. Les tâches de pré-traitement (classement, extraction, première synthèse) se prêtent bien à l'automatisation ; la décision et la validation restent humaines.

Comment cadrer l'usage de l'IA dans une entreprise sans le freiner ?

En partant de l'usage réel plutôt que de l'interdiction. Recenser ce que les équipes font déjà avec les outils grand public, leur fournir un outil équivalent qui respecte les contraintes de confidentialité, puis définir pour chaque tâche le niveau d'autonomie acceptable : automatique, validé par un humain, ou escaladé. Le cadre devient alors ce qui autorise d'aller plus loin, pas ce qui l'empêche.

Pourquoi la plupart des projets d'agents IA restent-ils au stade du POC ?

Parce que l’expérimentation a été construite sur un échantillon propre, sans définition de ce qu'est un résultat satisfaisant, sans mesure et sans traçabilité. Au moment de la connecter aux flux de production, personne ne peut garantir son comportement avec des données réelles et personne n'en prend donc la responsabilité. Fixer les indicateurs de qualité, d'adoption et de valeur avant le lancement contribue à éviter ce blocage.