Comment créer un agent IA en PME (sans se tromper de cible)
Comment créer un agent IA utile en PME: le process d'abord, puis le trio LLM, outils et contrôle, un premier flux qui paie et un HITL mesuré.
Avant le modèle, le process
Avant de parler de modèle, regarde le process. Si tu ne sais pas mesurer le temps perdu, l'agent ne servira à rien.
En pratique, un agent est un LLM qui génère des tokens dans une boucle outillée: il lit des données, écrit des brouillons et appelle des APIs. Au fil de la discussion, les tokens et les résultats d'outils remplissent la fenêtre de contexte. Si tu ne conçois pas ce contexte et les droits qui vont avec, la qualité chute (voir le guide context engineering).
Un agent repose sur trois briques: le modèle, les outils et la politique de contrôle. Sans la troisième brique, tu as juste un POC / une démo.
Oublie l'image du chatbot collé sur le site vitrine. Un agent utile ressemble plutôt à un collègue numérique borné sur un flux précis, avec des logs et une escalade vers l'humain.
Choisir le premier flux qui paie
Un bon premier flux passe quatre filtres: il revient plusieurs fois par semaine, il coûte du temps, ses règles sont assez claires, et une erreur reste acceptable ou se rattrape par une validation humaine simple.
Dans une PME de services, trois cas passent souvent ces filtres:
- La qualification des demandes entrantes (formulaire et email), avec une trame de réponse ou de devis
- Les relances de devis et de factures
- Le support de niveau 1 sur une base documentaire fermée
Dans les trois cas, le volume se mesure et l'escalade vers l'humain reste naturelle. À l'inverse, évite au premier jour la stratégie commerciale ouverte, le « SEO automatique », le support multilingue sans documentation, et tout ce qui touche au paiement ou aux RH sans cadre juridique.
Le cadrage tient en 40 minutes. Tu documentes:
- Le parcours actuel: qui fait quoi, avec quel outil, en combien de temps
- Les exceptions et le volume hebdomadaire
- La definition of done
- Un seul KPI: des minutes gagnées, des leads traités sous 2 h, ou une escalade sous 20%
Si tu ne peux pas nommer ce KPI en une phrase, tu es encore en exploration produit.
Architecture minimale
L'architecture minimale tient en cinq couches:
- L'entrée: un webhook, un email ou un message
- La normalisation du contexte
- La génération, portée par le LLM
- Les outils: des APIs, un serveur MCP si besoin, un index borné
- La sortie contrôlée: un brouillon, une action, un log
Côté outils, garde une allowlist courte: lire un ticket, chercher dans la doc, rédiger un brouillon, créer une tâche. Les écritures destructives passent derrière une confirmation. Trois à sept outils bien testés battent un catalogue de quarante.
Le MCP standardise les branchements, mais il ne fait pas de magie sans API stable. Le détail est dans l'article Model Context Protocol.
Enfin, installe l'observabilité dès le premier sprint: logue l'entrée, les appels d'outils, le prompt versionné, la sortie et la décision humaine.
HITL et mesure avant multi-agent
La supervision se règle sur trois modes: la suggestion pure, le mode assisté où l'humain valide en un clic, et l'autonomie bornée sur les cas verts seulement. Le curseur se monte après une calibration sur 50-100 cas. Le détail est dans l'article human in the loop.
Le tableau de bord minimum suit ces indicateurs:
- Le volume traité par semaine
- Le temps médian avant et après l'agent
- Le taux d'escalade et le taux de rejet après validation
- Le coût en tokens par ticket
- Les incidents
Prévois ensuite un pilote de 3 à 4 semaines: un corpus réel, un ou deux power users, une revue hebdomadaire des cas orange et rouge, et un gel des features. Le go / no-go se décide avant d'empiler du multi-agent.
Le multi-agent ne se justifie que si un agent unique devient illisible. Sinon, tu empiles de la complexité sans ROI.
Si vous voulez cadrer un premier agent sur un process réel, on peut le faire en 20-40 minutes.
Erreurs fréquentes
Les mêmes erreurs reviennent dans la plupart des premiers projets:
- Lancer un chatbot de site sans objectif mesurable
- Tout brancher dès le premier jour
- Avancer sans sponsor métier
- Laisser les prompts sans versioning
- Scaler avant d'avoir prouvé la qualité
- Ignorer la conformité: la PII, l'hébergement, la rétention des logs
FAQ
- Combien de temps pour un pilote ?
- Un pilote prend souvent 2 à 6 semaines sur un flux borné: le cadrage, le corpus, le prototype, le HITL et les métriques tiennent dans ce délai.
- Agent ou Zapier/Make ?
- Si le processus est déterministe, une automatisation classique suffit. Dès qu'il faut du langage naturel ou du jugement, un agent avec des garde-fous devient pertinent.
- Data scientist obligatoire ?
- Un data scientist n'est pas nécessaire pour un agent outillé qui combine un LLM et tes APIs. Il le devient pour des modèles custom lourds.
- Quel modèle choisir ?
- Le modèle reste secondaire par rapport au flux et aux données. Mesure la qualité et le coût sur tes vrais cas: changer de modèle est plus simple que changer de process.
- Hébergement UE ?
- Tu peux combiner une API hébergée en UE, du self-host pour certains workloads, ou un montage hybride. Le guide IA locale détaille ces choix.
- Lien automatisation pipeline ?
- Le premier agent porte un flux métier. L'automatisation IA du pipeline industrialise l'IA dans le SDLC. Les deux sujets ont chacun leur article.
Sources et repères
- Building effective agents
La distinction entre workflow et agent, avec les patterns d'orchestration. Le point de départ le plus sobre sur le sujet.
- A practical guide to building agents
L'angle produit: quand un agent se justifie vraiment, et comment découper les outils qu'on lui donne.
- Model Context Protocol specification
Le standard pour brancher un agent sur tes outils sans réécrire un connecteur propriétaire par application.
Cadrez votre premier agent IA
20 minutes pour vérifier vos outils, vos données et le premier cas utile. Sans jargon, sans engagement.