Agents IA pour les entreprises : exemples, cas d'usage et points de rupture

Aujourd'hui, les agents IA en entreprise donnent leurs meilleurs résultats sur des tâches étroites et à fort volume, avec une personne ou une règle codée en dur en amont de tout ce qui déplace de l'argent ou ne peut pas être annulé. Les éléments publics sont plus minces que le marketing qui les entoure. Cet article ne retient que les déploiements que nous pouvons attribuer à une source nommée. En novembre 2026, cela couvre le support client, les opérations bancaires et la gestion des sinistres, ainsi que le travail logiciel, avec parmi eux deux revirements, une défaite devant un tribunal et une base de données supprimée. Pour les ventes, les RH et les achats, aucun déploiement attribuable n'a passé notre vérification des sources : ces sections décrivent donc des scénarios généraux et le disent clairement.

Plusieurs exemples bien connus ne sont pas du tout des agents. Le tableau les signale, car cette différence décide de ce que chacun peut vous apprendre. Si les termes demandent d'abord à être clarifiés, consultez agents IA et IA agentique.

Ce que contiennent les éléments publics

Deux choses ressortent. La plupart des chiffres positifs viennent de la partie à qui ils profitent, et ces sources ne citent aucun audit indépendant derrière eux. Et aucune ligne ne montre un agent qui libère de l'argent seul.

Deux repères extérieurs aident à calibrer les attentes. En juin 2025, Gartner a prévu, selon Reuters, que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027, en invoquant les coûts et une valeur peu claire. C'est une prévision. Ce qui se rapproche le plus d'une mesure est un benchmark : dans TheAgentCompany de Xu et al., le meilleur agent a accompli environ 30 % des tâches de façon autonome dans une entreprise simulée. La version que nous avons lue date de septembre 2025, et un benchmark ne dit rien de fiable sur la production.

La règle derrière chaque liste « à ne pas faire seul »

« A practical guide to building agents » d'OpenAI (2025) donne deux déclencheurs pour faire intervenir une personne : l'agent dépasse un seuil d'échec, ou l'action présente un risque élevé. Pour le second, le guide parle d'actions « sensitive, irreversible, or have high stakes » (sensibles, irréversibles ou à fort enjeu), et ses exemples sont les remboursements importants et les paiements. Nous appliquons ce test à chaque fonction ci-dessous, avec une condition de notre cru : la limite doit se trouver dans le code et dans les identifiants de l'agent. Une limite qui n'existe que dans le prompt n'est qu'une demande.

Avant tout cela, demandez-vous si la tâche a besoin d'un agent. La documentation de Microsoft Agent Framework indique que si une fonction peut traiter la tâche, il faut écrire la fonction. Beaucoup de scénarios ci-dessous sont surtout du code ordinaire, avec une seule étape d'agent là où le chemin dépend de ce que le système trouve.

Support client

Le support concentre le plus d'éléments publics et le plus d'embarras publics, et presque rien de tout cela ne concerne de véritables agents.

Klarna a indiqué en février 2024 qu'au cours de son premier mois, l'assistant IA avait traité 2,3 millions de conversations et deux tiers des chats de service, fait le travail de 700 employés à temps plein, ramené le temps de résolution de 11 minutes à moins de 2, réduit de 25 % les demandes répétées, et qu'il ajouterait environ 40 millions de dollars au bénéfice. Tout cela relève du récit de Klarna sur un seul mois. En mai 2025, Fortune a rapporté que le CEO avait déclaré à Bloomberg que l'entreprise recrutait de nouveau pour qu'un humain soit toujours disponible, et que faire du coût le critère principal avait abouti à une qualité moindre. Un porte-parole a précisé que Klarna restait AI-first.

Commonwealth Bank a pris le même virage plus vite. Elle a supprimé 45 postes de service en juillet 2025, dans une décision liée à l'IA, puis a reconnu une erreur le 21 août et présenté ses excuses. Le syndicat FSU a parlé d'une victoire majeure. Les articles n'établissent pas de quel type de système il s'agissait : l'épisode enseigne donc quelque chose sur les décisions d'effectifs et rien sur la conception des agents.

Air Canada est le repère juridique. Dans Moffatt v. Air Canada (2024 BCCRT 149), la compagnie a été jugée responsable de la déclaration inexacte et négligente de son chatbot, et son argument selon lequel le bot était une entité distincte a échoué. Il s'agit d'une décision de petites créances sur un chatbot, lue ici à travers le résumé de McCarthy Tétrault. Donner des outils au même système ne réduirait guère l'exposition.

Dans un scénario général, un agent de support lit un ticket, consulte la commande et l'historique du client, vérifie la politique applicable, puis rédige une réponse ou effectue une action de faible valeur, comme créer un retour. Quand le chemin est toujours le même, c'est un workflow, et il faut le construire comme tel.

Seul, l'agent ne doit pas accorder d'exceptions à la politique, émettre de remboursements importants, clore des réclamations ni bloquer l'accès à un interlocuteur humain. Il échoue à des endroits prévisibles : il énonce une politique que les documents n'étayent pas, il traite bien le cas courant et mal le cas limite du client en colère, et ses chiffres du premier mois sont meilleurs que les suivants parce que le volume facile part en premier. Ce dernier point est notre déduction : le revirement de Klarna va dans ce sens sans le prouver. Mesurez les recontacts et les taux de réclamation sur plusieurs mois, et gardez le recours humain doté en personnel avant de le réduire.

L'article 50 du règlement européen sur l'IA (AI Act) s'applique depuis le 2 août 2026. Notre article sur le processus de développement d'un agent IA explique ce que cela implique pour les systèmes en contact avec les clients, ainsi que les démarches liées à la protection des données et au comité d'entreprise allemand (Betriebsrat).

Ventes

Nous n'avons pour cette fonction aucun déploiement attribuable ayant passé notre vérification des sources : ce qui suit est donc un scénario général. Aucune entreprise réelle ne se trouve derrière.

Un fabricant B2B reçoit des demandes via un formulaire web et une boîte mail partagée. Un agent identifie l'entreprise, cherche dans le CRM les contacts existants et les opportunités ouvertes, consulte le produit dans la documentation approuvée, rédige une réponse pour le responsable de compte et propose une mise à jour du CRM. Le chemin varie selon ce qu'il trouve, et c'est ce qui justifie un agent.

C'est le responsable de compte qui envoie la réponse. Seul, l'agent ne doit pas annoncer de prix ni de remises, s'engager sur des délais de livraison, avancer des arguments techniques absents de la documentation ni lancer des séquences sortantes vers de nouveaux contacts. Les données CRM périmées sont la première chose qui le met en échec : il personnalisera avec assurance une réponse autour d'un contact parti depuis deux ans. La deuxième, ce sont ses propres écritures, car un agent qui met à jour des étapes et des champs sans relecture peut abîmer le rapport de pipeline sur lequel s'appuie la direction, et les dégâts peuvent passer inaperçus pendant un trimestre. Les e-mails entrants sont aussi des entrées non fiables : des instructions cachées dans un message peuvent orienter l'agent s'il dispose de droits d'écriture.

Une partie de tout cela demande bien moins qu'un agent. Notre cas de chatbot pour la prise de rendez-vous est un chatbot NLP, et pour une tâche aussi étroite, un chatbot a la bonne taille.

Finance et sinistres

La finance réglementée compte les déploiements publics les plus prudents, et ils partagent un choix de conception : une personne reste à l'endroit où passe l'argent. Notre article sur les agents IA dans les services financiers traite en détail des banques et de la réglementation. Ici, seulement ce qu'un lecteur hors du secteur bancaire doit en retenir.

Allianz est le cas le plus net. Project Nemo, en Australie, est entré en production en juillet 2025 avec sept agents sur des sinistres pour denrées alimentaires avariées inférieurs à 500 AUD, et Allianz fait état d'une réduction de 80 % du temps de traitement et de règlement. Nous n'avons trouvé aucun audit indépendant. Le détail à copier : une personne prend chaque décision de paiement, sur des sinistres inférieurs à 500 AUD.

Les banques montrent la même prudence. CNBC a rapporté en février 2026 que BNY compte 134 de ce qu'elle appelle des employés numériques sur des tâches répétitives étroites, et son CFO a déclaré que la baisse des effectifs n'avait encore rien à voir avec l'IA. Un compte rendu de Sibos 2026 par l'auteur de newsletter R. Beri signale BNY sur la réparation de paiements (plus de 10 % des incidents, un chiffre de Microsoft), BNP Paribas sur un flux de transactions (80 à 85 % du travail) et HSBC sur le contrôle de documents, et affirme qu'aucun déploiement en production ne libère des paiements sans supervision. C'est une seule source.

Pour une entreprise hors du secteur bancaire, le scénario général le plus proche est la comptabilité fournisseurs. Les factures qui correspondent à leur bon de commande et à leur bon de livraison n'ont pas besoin d'agent, car une règle s'en charge. L'agent trouve sa place sur les exceptions :

• Il détermine pourquoi une facture ne correspond pas, en lisant la commande, le bon de livraison et les échanges antérieurs.
• Il rédige une question au fournisseur ou une proposition d'écriture.
• Un comptable confirme avant toute comptabilisation.

Seul, il ne doit pas libérer de paiements, modifier les coordonnées bancaires d'un fournisseur ni approuver quoi que ce soit au-delà d'un montant fixe. Il bute sur les nouvelles tentatives qui créeraient une écriture en double, sur les règles de tolérance que personne n'a écrites et sur les e-mails de fournisseurs, car un compte bancaire modifié dans un message entrant est exactement ce qu'un attaquant essaierait de lui faire accepter. Les décisions de crédit concernant des personnes physiques sont à haut risque au titre de l'annexe III de l'AI Act et n'ont pas leur place sur une liste de premiers agents.

RH

Là encore, aucun déploiement attribuable, et le scénario est général. Les RH sont aussi la fonction où nous attendrions le plus longtemps.

La version à faible risque n'est presque pas un agent. Les collaborateurs posent des questions sur les congés, les règles de déplacement ou les étapes d'intégration, et un système répond à partir des documents de politique en vigueur, avec références, puis ouvre un ticket s'il ne trouve pas de réponse. Un chatbot privé comme AiSuperiorGPT, qui fonctionne sur un LLM personnalisé sur site ou dans un cloud privé et cite ses documents, couvre ce besoin sans aucune autonomie. Un agent devient défendable quand la même demande traverse plusieurs systèmes : un dossier d'intégration qui vérifie si l'ordinateur portable, les comptes et la réservation de formation existent, et relance pour ce qui manque.

Seul, il ne doit pas trier, classer ni rejeter des candidats, toucher aux données de paie ou de contrat, ni évaluer la performance de qui que ce soit. Les pannes habituelles : d'anciens PDF de politique traités comme s'ils étaient à jour, et une recherche documentaire qui ignore les droits d'accès et montre à un employé la grille salariale d'un autre.

La surveillance peut aussi se trouver là où vous ne l'attendiez pas. Selon un entretien de la BaFin publié en juillet 2026, l'IA dans les RH relève de la Bundesnetzagentur au titre de l'AI Act. L'article sur le processus mentionné plus haut couvre la classification au titre de l'AI Act et l'implication du comité d'entreprise allemand (Betriebsrat) pour les sociétés allemandes. Prévoyez les deux avant de cadrer quoi que ce soit qui touche aux salariés.

IT et opérations logicielles

L'incident public le plus instructif de cette fonction n'impliquait aucun attaquant. En juillet 2025, selon Gizmodo, un agent Replit a supprimé une base de données en production pendant un gel du code, au jour 8 d'un projet de 30 jours. La base contenait des fiches sur plus de 1 200 dirigeants et près de 1 200 entreprises. La récupération a d'abord été présentée comme impossible, puis les données ont été retrouvées. Le CEO de Replit a qualifié la suppression d'inacceptable.

Deux conclusions pratiques s'ensuivent, et toutes deux sont les nôtres. Un gel du code ne limite un agent que si ses identifiants l'imposent. Et aucune déclaration d'un agent ou d'un outil sur ce qui est récupérable ne remplace un test de restauration que vous avez exécuté vous-même.

Un scénario général pour le service desk : un agent lit un ticket, récupère les logs et la configuration via des outils en lecture seule, compare les symptômes avec les runbooks et les tickets passés, puis propose à un ingénieur un diagnostic et un correctif. Des actions réversibles issues d'une liste approuvée, comme le redémarrage d'un service hors production nommé, peuvent s'exécuter seules une fois que les données d'évaluation le justifient. Seul, il ne doit pas écrire en production, supprimer quoi que ce soit, accorder des droits ni modifier la supervision et la journalisation.

Il échoue quand les runbooks sont périmés, quand il boucle sur un appel en échec et quand il lit quelque chose d'hostile. Les assistants de bureau présentent ici une exposition documentée : EchoLeak (CVE-2025-32711, CVSS 9,3) a montré qu'un seul e-mail forgé pouvait exfiltrer des données de Microsoft 365 Copilot sans aucune action de l'utilisateur. C'était une vulnérabilité et non une violation de données. Aim Labs l'a signalée, elle a été corrigée côté serveur en mai 2025, et Microsoft n'a fait état d'aucune preuve d'exploitation. Notre article sur la sécurité des agents IA présente le modèle de menace et les contrôles.

Achats

Une fois de plus, nous n'avons aucun déploiement attribuable : c'est donc un scénario général. Les acheteurs d'un fabricant reçoivent des demandes d'achat qui relèvent ou non de contrats-cadres existants. Un agent vérifie la demande par rapport aux contrats et aux catalogues, cherche les fournisseurs approuvés, collecte les certificats manquants, signale les contrats proches de l'expiration et rédige une demande de devis. La valeur se trouve dans les questions qui exigent plusieurs recherches à travers des documents, par exemple quels fournisseurs d'un pays ont des contrats expirant avant une date donnée.

Seul, il ne doit ni négocier, ni attribuer, ni signer, ni modifier les données de référence des fournisseurs. Pour l'instant, nous ne mettrions pas du tout la négociation autonome sur une feuille de route, car un engagement erroné lie l'entreprise et il n'existe aucun moyen de noter automatiquement une « bonne négociation ».

Les documents fournisseurs sont le point faible : ils arrivent de l'extérieur, donc chacun peut contenir des instructions destinées à l'agent. L'OWASP classe l'injection de prompt en LLM01 dans son LLM Top 10 2026 et le détournement d'objectif de l'agent (agent goal hijack) en ASI01 dans son Top 10 for Agentic Applications. Un agent qui lit ces fichiers ne doit pas disposer d'un accès en écriture dans la même exécution. Les défaillances plus banales sont les comparaisons entre unités ou conditions de paiement différentes, et les référentiels de contrats remplis de copies scannées et de plusieurs versions du même contrat. Les données contractuelles sont aussi sensibles sur le plan commercial : réglez tôt la question du lieu d'hébergement.

Ce que les revirements ont en commun

L'échantillon est petit, ce n'est pas une étude, et les systèmes diffèrent : ce qui suit est donc notre lecture.

Klarna et Commonwealth Bank ont toutes deux transféré du travail de service vers l'IA, puis remis des personnes à ces postes, le CEO de Klarna invoquant la qualité et la banque reconnaissant une erreur. Air Canada a tenté de rejeter la faute sur le logiciel et a perdu. Replit s'est fiée à une règle que son agent pouvait contourner. De l'autre côté de la balance, les déploiements décrits publiquement avec le plus de soin, Allianz et les cas de Sibos, gardent une personne au point où l'argent circule.

Nous n'avons de taux d'échec pour aucune des deux approches. Mais le schéma est assez constant pour servir de base de planification : réduisez le recours humain en dernier, partez du principe que l'entreprise répond de ce que dit le système, et placez les limites là où le modèle ne peut pas les discuter.

Choisir un premier cas d'usage

Les notes ci-dessous sont notre propre appréciation des scénarios généraux ci-dessus, de 1 à 5, comme point de départ à remplacer par vos chiffres. Elles ne disent rien d'aucune entreprise nommée. Plus la note est élevée, mieux c'est : un 5 sous « coût d'erreur faible » signifie donc qu'une erreur fait peu de dégâts.

Deux règles priment sur le total. Un 1 sous « coût d'erreur faible » ou « réversible » exclut une tâche comme premier agent. Un 1 sous « chemin variable » signifie que vous n'avez pas besoin d'agent du tout. L'accès aux systèmes n'est pas noté parce qu'il dépend de votre pile technique, mais une tâche sans API et sans environnement de test est exclue elle aussi.

Les quatre premières lignes ont un trait commun : une personne voit le résultat avant qu'il ait des conséquences, ou les outils ne peuvent rien modifier. Vous pouvez souvent faire remonter une tâche dans ce tableau en changeant sa conception sans toucher à la tâche elle-même. Transformer « remboursements exécutés » en « remboursement proposé, une personne approuve » relève nettement ses notes de réversibilité et d'erreur.

L'article sur le processus mentionné plus haut présente la version pondérée de cette méthode pour un atelier de sélection, ainsi que la mesure de référence à réaliser ensuite. Si vous souhaitez une aide extérieure pour établir la liste restreinte, c'est l'objet de notre travail d'identification de cas d'usage de l'IA.

Pourquoi nous ne classons pas les meilleurs agents IA pour les entreprises

Un classement exigerait des mesures comparables, et les sources sur lesquelles nous nous appuyons n'en contiennent aucune. Gartner a estimé qu'environ 130 des milliers de fournisseurs d'agents sont authentiques et emploie le terme agent washing pour désigner l'écart, ce qui est une raison de se méfier mais ne vous donne aucune liste restreinte.

Testez les candidats sur votre propre travail. « Demystifying evals for AI agents » d'Anthropic (janvier 2026) suggère de commencer par 20 à 50 tâches simples tirées d'échecs réels, et de conserver un jeu de régression proche de 100 %. Faites passer à chaque candidat les mêmes tâches, avec vos documents et dans vos systèmes de test, et laissez les résultats décider. Demandez aux fournisseurs qui a audité les chiffres de leurs études de cas. Pour les chiffres du tableau en tête de cet article, les sources ne nomment aucun auditeur.

Questions fréquentes

Quels sont des exemples d'agents IA en entreprise ?

Parmi les exemples attribuables figurent Project Nemo d'Allianz pour les petits sinistres de denrées alimentaires avariées en Australie, et les déploiements bancaires de réparation de paiements et de contrôle de documents rapportés à Sibos 2026. L'assistant de Klarna et le chatbot d'Air Canada reviennent dans les mêmes discussions, mais ni l'un ni l'autre n'est présenté dans les sources comme un agent autonome.

Quel est un bon premier cas d'usage pour un agent IA ?

Une tâche à fort volume dont le chemin varie, dont le résultat peut être vérifié et dont une personne voit la sortie avant qu'elle ait des conséquences. Le tri des tickets avec brouillons de réponse, le traitement des exceptions de factures avec confirmation et le diagnostic service desk en lecture seule obtiennent tous de bonnes notes dans notre tableau.

Quelles tâches les agents IA ne doivent-ils pas effectuer seuls ?

Tout ce qui est sensible, irréversible ou à fort enjeu, selon la formule d'OpenAI : libérer des paiements, les remboursements importants, les modifications en production, les suppressions, la modification des coordonnées bancaires de fournisseurs et les décisions concernant les candidats à un emploi. Allianz garde une personne sur chaque paiement, même sur des sinistres inférieurs à 500 AUD.

Les entreprises sont-elles responsables de ce que dit leur IA ?

Air Canada l'a été, dans une décision d'un tribunal des petites créances sur son chatbot, et son argument selon lequel le bot était une entité distincte a échoué. C'est une seule décision et ce n'est pas du droit de l'UE : prenez donc un avis juridique sur votre propre exposition. Nous planifierions malgré tout en partant du principe que l'entreprise répond du système.

Construire un premier agent avec AI Superior

AI Superior est une entreprise d'ingénierie en IA basée à Darmstadt, en Allemagne, fondée en 2019 par des scientifiques de l'IA. Nous développons des applications LLM, des chatbots, des systèmes RAG et des agents IA pour des clients B2B. Si la grille ci-dessus vous laisse avec une tâche candidate, nos services de développement d'agents IA couvrent la conception, l'évaluation et la construction, y compris les couches de droits et d'approbation sur lesquelles cet article revient sans cesse.

Sources et lectures complémentaires

• Klarna : communiqué de presse sur son assistant IA, 27 février 2024.
• Fortune : article sur le retour de Klarna au recrutement humain, 9 mai 2025.
• Information Age (ACS) : article sur le revirement de Commonwealth Bank, 2025.
• Moffatt v. Air Canada, 2024 BCCRT 149 ; résumé de McCarthy Tétrault, 19 février 2024.
• Allianz : article sur Project Nemo, 3 novembre 2025.
• CNBC : article sur les employés numériques de BNY, 9 février 2026.
• American Banker : article sur les agents de Goldman Sachs, 13 février 2026.
• The Fintech Times : article sur l'estimation de la valeur de l'IA par Lloyds Banking Group, 5 février 2026.
• Beri, R. : compte rendu de Sibos 2026, 2 octobre 2026.
• Gizmodo : article sur la suppression de la base de données chez Replit, 23 juillet 2025.
• Reuters via The Star : article sur la prévision de Gartner concernant l'IA agentique, 25 juin 2025.
• Xu et al. : « TheAgentCompany », arXiv 2412.14161, version de septembre 2025.
• OpenAI : « A practical guide to building agents », 2025.
• Microsoft : présentation d'Agent Framework, mise à jour en octobre 2026.
• Grace, Hadfield, Olivares, De Jonghe (Anthropic) : « Demystifying evals for AI agents », janvier 2026.
• OWASP : GenAI LLM Top 10 2026 ; Top 10 for Agentic Applications for 2026.
• Fiche CVE-2025-32711 ; Reddy, Gujral, arXiv 2509.10540 ; BleepingComputer, 11 juin 2025.
• BaFin : entretien avec Obermöller sur l'AI Act, 29 juillet 2026.
• Règlement (UE) 2024/1689 (AI Act), annexe III et article 50 ; règlement (UE) 2026/1744 ; Cooley, 3 août 2026 ; NicFab, 24 juillet 2026.