Journal · Nos services
Agent IA ou automatisation simple : choisir en quatre questions
Un agent IA n’est pas toujours utile : ce que disent les éditeurs de modèles, nos quatre questions pour trancher et les cas où une automatisation simple suffit.
Sommaire de la page
- La réponse courte
- Ce que disent les éditeurs de modèles
- Nos quatre questions
- Comment lire le verdict
- La fiabilité : pourquoi la quatrième question décide
- Ce que coûte le choix
- Quand l’agent parle à vos clients ou publie des textes
- Trois exemples génériques
- Ce que nous ne savons pas
- Questions fréquentes
- Sources
- Auteur et journal des modifications
- À lire ensuite
La réponse courte#
Une automatisation simple suffit quand la marche à suivre tient sur une feuille sans jamais écrire « ça dépend » ; un agent IA se justifie quand ce « ça dépend » revient à chaque ligne. Cette règle est la nôtre : aucune source ne la formule, mais elle s’appuie sur ce que disent les éditeurs de modèles.[1][2]
GeoMetrick vend des agents : vous lisez donc un texte écrit par un vendeur. C’est pourquoi notre testeur peut répondre non, et pourquoi cet article commence par ce que disent les éditeurs de modèles.
Ce que disent les éditeurs de modèles#
| Automatisation (workflow) | Agent | |
|---|---|---|
| Qui décide des étapes | Un chemin de code prédéfini[1] | Le modèle dirige lui-même son processus et ses outils[1] |
| Ce qui n’en est pas un | Un chatbot simple, un modèle à un seul tour, un classifieur de sentiment[4] | |
| Vitesse et coût | Plus simple, à privilégier d’abord[5] | Échange vitesse et coût contre de meilleures performances[5] |
Anthropic recommande de commencer par une approche sobre, avec plus de complexité seulement si nécessaire, et note qu’un seul appel bien outillé suffit souvent.[5]
OpenAI définit un agent comme un système qui accomplit une tâche de façon autonome pour le compte de l’utilisateur : un modèle pilote l’exécution et choisit des outils.[4] Son guide retient trois situations qui justifient un agent : des décisions complexes, des règles difficiles à maintenir, une forte part de données non structurées. Hors de ces cas, une approche déterministe peut suffire.[2]
Nos quatre questions#
Ces quatre questions sont la méthode de GeoMetrick, reprise de notre testeur. Elles ne sont ni un standard ni une mesure : elles traduisent les principes ci-dessus en critères que vous pouvez vérifier en une minute.
| Question | Pourquoi elle compte |
|---|---|
| 1. La tâche revient-elle chaque semaine, ou plus souvent ? | Une tâche rare ne justifie pas de mettre en place un agent. |
| 2. Faut-il lire ou rédiger du texte, pas seulement déplacer des données ? | Juger un message, reformuler, comparer deux sources : c’est là qu’un agent se distingue d’un simple flux. Cela rejoint la part de données non structurées citée par OpenAI.[2] |
| 3. Une personne peut-elle relire le résultat en quelques minutes ? | Sans personne désignée pour relire, il n’y a pas d’agent : seulement des brouillons qui s’empilent. |
| 4. Une erreur repérée à la relecture est-elle rattrapable ? | Un e-mail maladroit se rattrape, un virement parti non. Un agent ne réussit pas à chaque essai (voir plus bas).[6] |
Comment lire le verdict#
Les réponses se lisent dans cet ordre : la quatrième question d’abord, puis la deuxième, puis la troisième et la première.
| Vos réponses | Verdict |
|---|---|
| Question 4 : non | Pas pour cette tâche : gardez-la entre des mains humaines. |
| Question 4 : oui, question 2 : non | Une automatisation simple suffit : vous déplacez des données, un flux classique coûte moins cher à faire tourner et n’interprète rien. |
| Questions 4 et 2 : oui, question 1 ou question 3 : non | Pas encore : il manque un rythme régulier ou une personne qui relit. |
| Les quatre questions : oui | Un agent a du sens. |
Le verdict peut être non, et il est donné sans appel à acheter.
La fiabilité : pourquoi la quatrième question décide#
Une étude de 2024 a mesuré des agents de pointe sur des tâches simulées de service client avec règles métier : ils en réussissaient moins de la moitié, et leur fiabilité sur plusieurs essais chutait, sous 25 % pour huit essais en commerce de détail avec la métrique pass^k.[6] Ce résultat date de 2024 et ne décrit pas les modèles de 2026 : nous ne le présentons pas comme l’état actuel. Il rappelle qu’un agent peut réussir une fois et échouer la fois suivante, d’où la question sur l’erreur rattrapable.
Ce que coûte le choix#
Chaque exécution d’un agent consomme des jetons, facturés au volume : la documentation d’Anthropic donne l’exemple de 10 000 demandes de support d’environ 3 700 jetons traitées pour environ 37 $ avec un modèle léger.[7] Un flux fixe qui n’appelle aucun modèle ne consomme pas de jetons.
Notre lecture : le coût d’exécution est un critère de choix, pas un détail de facturation. Une étude de 2024 relève d’ailleurs que les évaluations d’agents négligent le coût.[8] Les fourchettes de prix de mise en place et d’exécution sont détaillées dans notre article voisin sur le prix d’un agent.
Quand l’agent parle à vos clients ou publie des textes#
Si l’agent dialogue avec des personnes, l’article 50(1) du règlement européen sur l’IA impose de les informer qu’elles interagissent avec un système d’IA, sauf si c’est évident pour une personne raisonnablement informée.[3] La Commission précise que cette exception s’apprécie au cas par cas : elle peut jouer pour un public professionnel averti, mais pas lorsque le système est accessible au grand public.[9] L’information des personnes s’applique depuis le 2 août 2026.[9]
Si l’agent publie des textes, l’article 50(4) peut aussi entrer en jeu.[3] Ce paragraphe est écrit sous réserve de revue juridique : il ne vaut pas conseil juridique, et seul un juriste peut dire ce qui s’applique à votre cas.
Trois exemples génériques#
Ces exemples ne décrivent aucune entreprise réelle.
- Recopier chaque jour les lignes d’un tableur dans un logiciel de facturation : vous déplacez des données, la deuxième question reçoit un non, une automatisation simple suffit.
- Trier chaque semaine les messages reçus par un formulaire de contact et préparer une réponse : le texte compte, une personne relit, l’erreur se rattrape. Un agent a du sens, à condition que la personne qui relit existe vraiment.
- Déclencher un virement ou une suppression de données à partir d’un message : l’erreur ne se rattrape pas, la quatrième question reçoit un non, ne confiez pas cette tâche à un agent.
Ce que nous ne savons pas#
Questions fréquentes#
Quelle différence entre un agent IA et une automatisation ?
Dans une automatisation, le chemin est fixé à l’avance par du code ; dans un agent, un modèle dirige lui-même son processus et choisit ses outils. C’est la distinction qu’Anthropic fait entre workflows et agents, et OpenAI précise qu’un chatbot simple ou un classifieur n’est pas un agent.
Quand une automatisation simple suffit-elle ?
Quand la tâche consiste à déplacer des données selon des règles que vous pouvez écrire sur une feuille sans écrire « ça dépend ». Un flux classique coûte alors moins cher à faire tourner et n’interprète rien ; OpenAI note elle-même qu’une approche déterministe peut suffire hors des trois situations qui justifient un agent.
Peut-on confier une action irréversible à un agent ?
Nous le déconseillons : si une erreur repérée à la relecture n’est pas rattrapable, gardez la tâche entre des mains humaines. Un agent ne réussit pas à chaque essai : une étude de 2024 a mesuré moins de la moitié de réussite sur des tâches de service client simulées.
Faut-il dire à mes clients qu’ils parlent à une IA ?
Le règlement européen l’impose, sauf si c’est évident pour une personne raisonnablement informée, et cette exception s’apprécie au cas par cas ; l’obligation s’applique depuis le 2 août 2026. Cet article ne vaut pas conseil juridique : faites vérifier votre cas par un juriste.
Sources#
- Building Effective AI Agents · Anthropic. Documentation officielle. Consulté le . À l’appui de : « Anthropic distingue les workflows, où des modèles et des outils sont orchestrés par des chemins de code prédéfinis, des agents, où le modèle dirige lui-même son processus et ses outils (texte de décembre 2024). »
- A practical guide to building agents · OpenAI. Documentation officielle. Consulté le . À l’appui de : « Le même guide retient trois situations qui justifient un agent (décisions complexes, règles difficiles à maintenir, forte part de données non structurées) ; sinon, une approche déterministe peut suffire. »
- Article 50: Transparency Obligations for Providers and Deployers of Certain AI Systems · Commission européenne, AI Act Service Desk. Documentation officielle. Consulté le . À l’appui de : « L’article 50 du règlement européen sur l’IA impose, en 50(1), d’informer les personnes qu’elles interagissent avec un système d’IA, sauf si c’est évident pour une personne raisonnablement informée ; en 50(4), il traite de la divulgation des hypertrucages et du texte généré par IA publié pour informer le public sur des questions d’intérêt public, sauf revue humaine ou contrôle éditorial. »
- A practical guide to building agents · OpenAI. Documentation officielle. Consulté le . À l’appui de : « OpenAI définit un agent comme un système qui accomplit une tâche de façon autonome pour le compte de l’utilisateur : un modèle pilote l’exécution du processus et choisit des outils ; un chatbot simple, un modèle à un seul tour ou un classifieur de sentiment n’est pas un agent. »
- Building Effective AI Agents · Anthropic. Documentation officielle. Consulté le . À l’appui de : « Anthropic recommande l’approche la plus simple possible, avec plus de complexité seulement si nécessaire, note qu’un seul appel bien outillé suffit souvent et qu’un agent échange vitesse et coût contre de meilleures performances. »
- τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains · Yao, Shinn, Razavi, Narasimhan (arXiv). Étude. Consulté le . À l’appui de : « Une étude de juin 2024 (τ-bench) a mesuré que des agents de pointe réussissaient moins de la moitié de tâches simulées de service client avec règles métier, et que leur fiabilité sur plusieurs essais chutait : sous 25 % pour huit essais en commerce de détail, avec la métrique pass^k. »
- Pricing (documentation de l’API Claude) · Anthropic. Documentation officielle. Consulté le . À l’appui de : « L’API d’Anthropic est facturée par million de jetons, entrées et sorties distinctes ; la page donne l’exemple de 10 000 demandes de support d’environ 3 700 jetons traitées avec un modèle léger pour environ 37 $. »
- AI Agents That Matter · Kapoor, Stroebl, Siegel, Nadgir, Narayanan (arXiv). Étude. Consulté le . À l’appui de : « Une étude de juillet 2024 relève que les évaluations d’agents se concentrent sur la précision et négligent le coût, et qu’optimiser les deux ensemble peut réduire fortement le coût à précision comparable. »
- Guidelines on the implementation of the transparency obligations for certain AI systems under Article 50 of the AI Act, C(2026) 5054 · Commission européenne. Documentation officielle. Consulté le . À l’appui de : « Selon les lignes directrices de la Commission du 20 juillet 2026 (non contraignantes), l’exception « interaction évidente » s’apprécie au cas par cas : elle peut jouer pour un public professionnel averti, mais pas quand le système est accessible au grand public ; l’information des personnes qui dialoguent avec une IA s’applique dès le 2 août 2026. »
Auteur et journal des modifications#
- Auteur
- L’équipe GeoMetrick
- Relecteur
- Esteban, associé de GeoMetrick
- Publié le
- Dernière mise à jour
- Prochaine revue au plus tard
Journal des modifications
- : Rédaction assistée par un agent, à partir des sources citées sur cette page et du testeur de la page Agents IA ; mention de l’article 50 sous réserve de revue juridique.
- : Publication décidée par Esteban (GeoMetrick) après la vérification de chaque affirmation par rapport à sa source (rapport du 02/10/2026) ; les mesures annoncées restent à produire et seront ajoutées à mesure.