● Journal du Net 📅 16/04/2026 à 10:49

Data Science 👤 Sylvie Ouziel

🏷️ Tags : llm anthropic python rag rte

Les super agents IA d'Anthropic ou H font rêver, mais sans compréhension des workflows de bout en bout, algorithmes quantitatifs et intégration optimale dans le SI, la promesse tourne vite au gadget. Ces derniers jours les champions des LLM, notamment Anthropic, ou les entreprises dédiées telles que H, multiplient les annonces sur leurs « super agents ». Ils peuvent réaliser des tâches pour vous sur Internet en utilisant votre navigateur ou saisir dans le système d’information de l’entreprise. Oui… Mais… Il convient de prendre en compte quelques dimensions et limitations supplémentaires. Tout d’abord, réaliser la tâche d’une « persona » en entreprise suppose de comprendre un workflow à travers plusieurs systèmes avec une logique d’optimisation métier. Si cette optimisation est un peu complexe, par exemple un planning de déploiement d’équipe d’intervention optimisé, un schéma logistique de transport ou une décision de pricing pour du yield management hôtelier… elle nécessite des briques technologiques complémentaires aux grands modèles, comme du code Python ou des solveurs d’optimisation. Ceci met en évidence deux dimensions : l’analyse métier du workflow (qui doit être itérative et pragmatique, et ne saurait être capturée efficacement par un cahier des charges rédigé en amont) et le recours à d’autres briques technologiques que celles des purs modèles génératifs. Pour faire simple, les modèles traitent des lettres mais dans la vie, il faut traiter des chiffres, des optimisations et des processus. Deuxième limite, celle de l’interaction avec les systèmes d’information de l’entreprise. On ne reviendra pas sur les dimensions de cybersécurité et de résilience opérationnelle à grande échelle qui constituent évidemment des prérequis. La simple intégration dans un système d’information pour permettre à l’agent IA d’imiter ce que ferait un humain suppose de comprendre les interfaces utilisateurs des systèmes (SAP, Salesforce, Outlook, Servicenow, Documentum, etc.) et de réagir au contexte (changement d’écran, cas particulier du processus, données à saisir inadaptées au format attendu par l’application). Ces problèmes sont bien connus de ceux qui ont essayé de déployer du Robotic Process Automation (RPA) depuis des années. Sur ce point, la démarche actuelle de modèle est maladroite comme celle d’un bébé effectuant ses premiers pas en titubant. Ils explorent chaque écran avant chaque action ce qui est non seulement très long mais très coûteux en tokens. D’autres approches plus élégantes existent dans des systèmes agentiques construits et orchestrés. On peut, par exemple, utiliser les modèles pour explorer et définir le processus et ses différents cas de figure puis les traiter de manière déterministe comme un RPA le ferait, tout en conservant une veille agentique pour permettre de reprendre la main en cas de problème et de réanalyser la situation (en mode auto-guérison ou encore self-healing). Enfin, la stratégie de passage en production et de monitoring de la performance et pertinence des agents est à calibrer avec précision entre vitesse de matérialisation des gains et risque pour l’entreprise… Tout ceci devant, enfin, être accompagné vis-à-vis des collaborateurs, des instances, partenaires, sans oublier les clients ! Conclusion, ces nouveaux agents apportent des briques définitivement utiles mais s’ils constituent un ingrédient de la recette, ils ne permettent pas, à eux seuls, de préparer et servir le dîner !

🔗 Lire l'article original 👁️ 0 lecture