IA agentique : pourquoi tant de projets échouent et comment mettre les chances de votre côté

Près de 95% des projets pilotes d’IA en entreprise n’atteignent jamais la production avec un retour sur investissement mesurable : une étude du MIT l’a chiffré en 2025. (J’en parlais en détail ici.) La méthode est en cause, bien avant la puissance des modèles. Un agent mal cadré reste souvent silencieux pendant des mois, avant que ses défauts ne produisent des dégâts coûteux. Ces échecs sont évitables : ils suivent presque toujours l’un de trois schémas. Chacun a sa parade.

Piège n°1 : L’agent orphelin

Le scénario le plus courant : on construit un agent, on le met en service… et plus personne ne le surveille. Au premier cas qu’il n’avait pas prévu, il dérape, sans que quiconque s’en aperçoive. Un agent est une capacité vivante : il se suit, se corrige et s’améliore aussi longtemps qu’il tourne. Le jour où on l’oublie, il continue quand même.

La parade : considérer la mise en service comme le début de l’engagement. Chez Djtal, un agent en production reste sous supervision continue, journalisé et maintenu : la construction n’est que le début. C’est aussi pour cela que nous facturons l’exploitation en abonnement de supervision : parce que le travail ne s’arrête pas à la livraison.

Piège n°2 : L’agent nourri de mauvaises données

Un agent connecté à des données fausses, incomplètes ou mal structurées ne corrige pas l’erreur : il l’amplifie, à grande vitesse. Beaucoup de projets se lancent sur des données « qu’on nettoiera plus tard ». C’est l’inverse qu’il faut faire.

La parade : connecter chaque agent à vos données réelles, dans un périmètre défini par écrit, puis faire passer toute sortie sensible par une validation humaine avant qu’elle ne touche l’extérieur. C’est la différence entre l’IA agentique appliquée (cadrée, connectée à votre métier) et l’IA livrée à elle-même. (Ce qu’est un agent IA, en trois ingrédients.)

Piège n°3 : L’agent boîte noire

« On ne sait pas vraiment ce qu’il fait. » Cette phrase, on l’entend trop souvent. Un agent aux actions invisibles et intraçables fait courir un risque que personne ne devrait accepter, d’autant que l’IA touche aux données les plus critiques de l’entreprise.

La parade : la supervision par construction. Chaque action de l’agent est journalisée et auditable. Son niveau d’autonomie se règle niveau par niveau : de la simple observation, où il rend compte de ce qu’il voit, jusqu’à l’action autonome auditée, où chaque geste est tracé. Et on peut le suspendre en quelques minutes.

Le facteur décisif : commencer petit, sur ce que vous avez déjà

Au-delà des trois pièges, une décision pèse plus que toutes les autres : par où commencer. La tentation est d’acheter une grande plateforme et de tout reconstruire. C’est rarement le bon choix. La voie la plus rapide et la plus rentable, c’est de greffer un agent sur les outils que vous utilisez déjà (votre ERP, votre CRM, votre messagerie) sur un processus répétitif où la valeur se mesure dès les premières semaines. Vos outils restent exactement où ils sont. (Comment l’IA agentique se connecte à vos outils existants.)

Mieux vaut un premier cas étroit, mesurable en quelques semaines, que trois chantiers ouverts en même temps. Le deuxième agent se décide sur les chiffres du premier.

Ce que nos propres agents nous ont appris

Chez Djtal, nous sommes notre propre premier client. Nous opérons une équipe de neuf agents IA sur nos propres processus : communication, veille commerciale, administration, finance, gestion du savoir. Chacun porte un nom, répond à un superviseur humain, travaille dans un périmètre écrit et trace chacune de ses actions : les trois parades ci-dessus. (Comment nous les concevons et les opérons.)

Ce que cette expérience nous a appris rejoint exactement les trois pièges ci-dessus : un agent sans supervision dérive, un agent sur de mauvaises données amplifie l’erreur, un agent opaque finit par inquiéter à juste titre.

Trois questions à poser à tout prestataire

Avant de confier un projet d’IA agentique, posez ces trois questions. Les réponses vous diront tout :

1. Qui surveille l’agent une fois en production et comment ?
2. Sur quelles données s’appuie-t-il ? Qui valide ses actions sensibles ?
3. Puis-je voir ce qu’il fait et le suspendre quand je veux ?

Si ces trois réponses sont claires, vous avez affaire à une démarche méthodique. Sinon, vous connaissez déjà le risque.

Pour la vue d’ensemble, les causes d’échec documentées et les conditions du succès, voyez pourquoi les projets IA échouent.

Les trois questions ci-dessus, posez-les-nous aussi : 30 minutes suffisent pour y répondre sur votre premier cas.