De l’agent individuel à un écosystème d’agents évolutif
Avec un premier agent IA, beaucoup de choses restent encore maîtrisables. Une équipe connaît le cas d’usage, les systèmes connectés et les limites de la solution. Les problèmes peuvent généralement être retracés directement, et les changements coordonnés avec un nombre limité de personnes.
Cette situation change dès que plusieurs entités de l’organisation commencent à développer leurs propres agents. La question n’est alors plus seulement de savoir si un agent individuel fonctionne. Il s’agit désormais de déterminer si l’organisation est capable d’exploiter de manière fiable un paysage d’agents en croissance.
C’est à ce moment que commence le niveau de maturité suivant. Chaque agent supplémentaire augmente non seulement les possibilités techniques, mais aussi les dépendances opérationnelles. Les résultats et les interactions doivent rester traçables, tandis que les connaissances, la terminologie et les règles métier peuvent évoluer différemment selon les Business Units. Les équipes peuvent également choisir différentes technologies d’agents, alors que l’usage global et les coûts continuent d’augmenter.
Ces sujets sont étroitement liés et doivent être considérés comme faisant partie du même défi de mise à l’échelle.
Il est essentiel d’observer les actions effectuées par les agents IA
Dès que les agents passent en production, une petite équipe ne peut plus observer manuellement chaque exécution.
Les agents réagissent au contexte, appellent des outils et prennent des décisions dans des limites définies. Des changements apportés aux données, aux modèles, aux prompts ou aux interfaces peuvent donc influencer leur comportement, même si le système fonctionne comme attendu.
Pour une exploitation fiable, au moins trois éléments doivent être clairs :
- Quels résultats métier attendons-nous, et comment les vérifions-nous ?
- Quelles étapes, quels appels d’outils et quelles remontées doivent rester traçables ?
- Qui est responsable lorsque le comportement ou la qualité évoluent ?
L’observabilité devient ainsi plus qu’un simple monitoring technique. Elle crée la base nécessaire pour faire évoluer les agents de manière contrôlée.
Lorsque les agents évoluent, leurs connaissances doivent elles aussi rester gouvernées
Les agents en production ne restent pas statiques. De nouvelles sources de connaissances sont ajoutées, les règles métier changent et les équipes étendent progressivement leurs capacités.
Le défi devient particulièrement visible lorsque des capacités d’agents similaires sont déployées dans plusieurs Business Units, où la tâche peut être comparable mais où les données, la terminologie ou les règles métier diffèrent.
Même un simple terme métier peut alors devenir problématique. « client », « revenu » ou « contrat actif » peuvent avoir des significations différentes selon les départements. Les deux définitions peuvent être correctes localement tout en conduisant à des conclusions erronées lorsqu’elles sont appliquées à l’échelle de l’organisation.
C’est ici que les ontologies et la gouvernance sémantique deviennent pertinentes. Une ontologie peut aider les agents à interpréter de manière cohérente les objets métier, les relations et les règles. Lors de la mise à l’échelle, l’objectif n’est toutefois pas nécessairement d’imposer une seule définition partout. Ce qui compte, c’est de savoir quelle signification s’applique à l’échelle du groupe, où des variantes locales sont nécessaires et qui en assume la responsabilité.
Mettre les agents à l’échelle signifie donc aussi gouverner la manière dont les concepts métier sont compris et appliqués dans l’ensemble de l’organisation.
Davantage d’équipes signifie souvent davantage de technologies
Le même schéma apparaît du côté technologique.
Tous les cas d’usage d’agents n’ont pas les mêmes exigences. Un agent analytique fonctionne différemment d’un agent qui guide les utilisateurs à travers un processus métier ou déclenche des actions dans des systèmes opérationnels. Il est donc réaliste de penser que les organisations exploiteront plusieurs technologies d’agents en parallèle au fil du temps.
Cela ne constitue pas nécessairement un désavantage.
La situation devient problématique lorsque chaque Business Unit développe ses propres règles, interfaces et modèles d’exploitation. Une organisation évolutive a besoin de garde-fous communs, sans pour autant centraliser chaque décision locale.
Ces garde-fous peuvent inclure des exigences communes en matière d’identité, de logging, d’approbations et d’interfaces. Des approches d’interopérabilité comme MCP et A2A (agent à agent) peuvent également aider différents outils et agents à fonctionner ensemble. Le modèle d’exploitation global reste toutefois l’élément le plus important.
La question devient donc moins :
- Sur quelle plateforme unique d’agents devons-nous standardiser ?
et davantage :
- Comment exploitons-nous différentes technologies d’agents dans un cadre de règles commun ?
La scalabilité organisationnelle devient aussi importante que la scalabilité technique
À ce stade, l’IA agentique devient également un sujet organisationnel.
Les Business Units, les pays ou les filiales ont besoin d’une liberté suffisante pour développer des solutions adaptées à leurs propres exigences. En parallèle, certains principes doivent être partagés.
Cela inclut notamment la responsabilité (ownership), les processus d’approbation, les standards communs et la clarté sur les compétences que les équipes doivent développer elles-mêmes.
Un modèle d’exploitation solide à l’échelle du groupe n’empêche pas l’innovation locale. Il crée un cadre dans lequel les équipes peuvent avancer plus rapidement, parce qu’elles n’ont pas à redéfinir pour chaque nouveau projet les questions fondamentales de gouvernance, d’exploitation et de responsabilité.
À mesure que l’usage augmente, la responsabilité financière augmente également
Lorsque le nombre d’agents s’étend, la consommation devient un autre sujet opérationnel.
Pour une même tâche métier, un agent peut nécessiter un nombre différent d’appels de modèles, de requêtes de données ou d’interactions avec les outils. L’exploitation économique ne peut donc pas être gérée uniquement à partir d’une facture mensuelle globale.
La gestion FinOps des agents IA doit ainsi faire partie du modèle d’exploitation. Les organisations doivent pouvoir comprendre quels coûts sont générés par quels agents ou processus, où apparaissent des exécutions anormalement coûteuses et comment la consommation peut être attribuée aux équipes ou aux services.
La boucle est ainsi bouclée. Un agent ne doit pas seulement produire le bon résultat métier. Son comportement, son évolution et sa consommation de ressources doivent également rester maîtrisables dans l’exploitation quotidienne.
Des solutions individuelles vers une capacité partagée à l’échelle de l’entreprise
Le véritable défi ne commence pas avec le dixième ou le centième agent. Il commence lorsque plusieurs équipes rencontrent le succès au même moment.
À ce stade, l’organisation a besoin d’un cadre commun pour la qualité et l’observabilité, l’évolution contrôlée, les ontologies et la sémantique commune, les différentes technologies, les responsabilités et la maîtrise des coûts.
Tous les agents n’ont pas besoin d’être développés de manière centralisée, mais plus ils sont présents dans les différentes équipes et différents systèmes, plus des principes d’exploitation communs deviennent importants.
C’est là que se situe le prochain niveau de maturité : passer d’agents individuels fonctionnels à un écosystème d’agents qui reste fiable à mesure qu’il dépasse les limites du pilote initial.