L'IA est un outil d'execution, pas de décision: Comment créer ses propres agents (et les rendre utiles).

Par Alex Lio · The Procurementor.

Vous avez assisté à trois webinaires sur les agents IA ce trimestre. Vous avez lu quinze posts LinkedIn qui promettent l'autonomie totale. Et dans votre direction achats, le compteur d'agents réellement en production est toujours à zéro.

Le blocage n'a jamais été technologique. Il est sémantique. Tout tient dans un mot mal compris.

« Agent » sonne comme un projet de six mois, une équipe de data scientists, un budget à six chiffres. Dans 70% des organisations que j'accompagne, c'est exactement cette image qui bloque le premier déploiement. La réalité est plus banale : un agent utile se construit souvent en quelques jours, avec les outils que vous payez déjà (si tant est que vous ayez une souscription IA).

Et soyons clairs : vous utilisez déjà des agents. Quand vous demandez à l'IA de réfléchir étape par étape, de générer un PDF, de produire un document Word ou d'aller chercher une information sur internet, c'est exactement ça. Un agent.

Créer un agent, ce n'est finalement rien d'autre que de définir un jeu de procédures et d'étapes qu'on demande à une IA de suivre. L'objectif : réduire l'effet boîte noire (si je change un mot dans le prompt, mon livrable peut varier du tout au tout) et donc garantir un résultat répétable.

Voyons le sujet en détail pour comprendre les différentes couches d'une architecture IA. (Vous pouvez sauter directement à la section « Créer un agent » si la théorie vous intéresse moins.)

01 · Les quatre couches, sans le jargon

Avant de construire, il faut savoir où on se situe. Quatre mots circulent, et on les confond tout le temps. Ils ne désignent pas quatre technologies rivales. Ils désignent quatre couches empilées, chacune posée sur la précédente.

LLM. Le modèle de langage brut. Sa seule compétence : générer du texte plausible, raisonner, mobiliser ce qu'il a vu à l'entraînement. Quand vous posez une question aux modeles de bases et que la réponse se fait instantanément, il s'agit juste d'une question envoyée au LLM et dont la réponse est prédite immédiatement. Sa limite : il ne connaît que ses données d'entraînement. Il ne sait rien de vos contrats fournisseurs. Mais il saura prédire (et inventer) une réponse à toute question (plus ou moins bien).

RAG (Retrieval-Augmented Generation). On ajoute votre connaissance externe. Avant de répondre, le système va chercher les bons documents (vos contrats, vos catalogues, votre historique de prix) et les injecte dans le prompt. C'est ce qui réduit les hallucinations et ancre la réponse dans vos données. Mais ça reste une couche qui répond. Elle n'agit pas. Plus les informations fournies seront précises et propres, moins le LLM aura à deviner des éléments et donc la réponse sera de plus en plus cadrée. Ne pas oublier que les LLM restent des modèles de languages et donc moins performant lorsqu'il s'agit de maths (pour ne pas dire complétement idiots parfois).

Agent IA. On ajoute l'action. Le système appelle des outils, exécute du code, interroge une API, décompose une tâche en étapes et boucle jusqu'au résultat. Au lieu de répondre, il poursuit un objectif sur plusieurs étapes. C'est la couche qui transforme « réponds-moi » en « fais-le ». L'agent va première transformer votre requête en plan qu'il comprends et va executer ces actions. A partir du moment ou le modèle produit une "réflexion", un agent intervient : il est simplement pre-programmé dans la plateforme IA. Exemple : creer un ppt, tache réalisée par un agent à qui on aura donné toutes les bonnes pratiques et outils pour créer un ppt. Le ppt sera créé selon le contexte du prompt et les éléments (RAG) ajoutés.

IA agentique. Plusieurs agents qui travaillent ensemble. Orchestration, rôles répartis, protocoles d'échange entre agents, mémoire partagée. Un agent recherche, un autre rédige, un troisième valide. On n'en parlera davantage plus tard, ces approches restent rare au niveau achat mais débloquent des résultats encore plus intéressants. (Cf loop engineering pour ceux qui le souhaite).

Chaque couche ajoute de la capacité. Chaque couche ajoute aussi de la complexité et des modes d'échec et des couts ! - l'utilisation des LLM sans reflexion est rapide, très peu chère et peut suffire dans beaucoup de cas : resumer des notes de meeting, rédiger un email etc... aucun besoin d'aller invoquer des boucles d'agents adversaires pour ca.

Retenez ça : la bonne couche, c'est la plus petite qui résout votre problème.

02 · Quand un agent est la bonne réponse (et quand il ne l'est pas)

Un agent n'est pas la solution à tout. Il est la solution à un type précis de situation. Trois signaux indiquent qu'un agent unique est le bon outil :

• La tâche est répétitive et fondée sur des règles claires. Vous la faites chaque semaine, et vous pourriez l'expliquer à un stagiaire en une page. (un stagiaire plutot bon et qui sait coder un peu pret tout)
• Elle exige d'aller chercher de l'information dans plusieurs sources et de la recouper : un ERP, une boîte mail, un fichier Excel, un site fournisseur.
• Le goulot d'étranglement, c'est le temps humain, pas le jugement final. L'humain décide ; l'agent prépare le dossier de décision.

À l'inverse, n'automatisez pas avec un agent pour prendre des décision: une décision à fort enjeu juridique, un arbitrage stratégique unique, ou une tâche que vous ne faites que deux fois par an. Le coût de construction ne se rembourse pas souvent - et je trouve même que l'IA peut amener davantage de confusion que de clarté lorsqu'utilisé sur ce genre de sujet : l'IA est un outil d'execution, pas de décision.

Un test simple, avant tout projet. Posez-vous la question : « Est-ce que je pourrais écrire la procédure complète sur une page ? » Si oui, c'est un candidat agent. Si la réponse tient en trois mots flous, ce n'est pas encore mûr.

03 · Créer un agent, concrètement

A. L'architecture d'un agent

Quatre briques. Pas une équipe de quinze personnes.

1. Un objectif écrit en clair. Une instruction système qui décrit la mission, le périmètre, et ce que l'agent n'a PAS le droit de faire. C'est le cahier des charges. C'est aussi le garde-fou.
1. L'accès à vos données (la couche RAG). Vos documents indexés pour que l'agent retrouve le bon contrat ou la bonne ligne de prix au lieu de deviner. Plus le contexte est précis, moins l'agent devine (et donc moins il se trompe).
1. Des outils que l'agent peut appeler. Une calculatrice, un accès à votre ERP, une recherche web, un envoi d'e-mail. L'agent ne calcule pas un should-cost de tête. Il appelle l'outil et lit le résultat exact.
1. Une boucle de validation humaine. Un point (ou plusieurs) où un humain signe avant l'action irréversible. Pas de validation, pas de production.

Le point clé, c'est la création du brief : le prompt et le contexte qui permettent la compréhension de l'énoncé. Si l'agent comprend mal le besoin, il appelle le bon outil avec les mauvaises données. Garbage in, garbage out. La moitié du travail de construction, c'est cadrer l'instruction et tester sur des cas réels.

B. Comment on le crée, vraiment

Lorsque j'ai d'abord commencé à me renseigner sur les agents et leurs créations, je ne comprenais pas trop : puis je simplement dire à Claude de créer un agent qui ferait par exemple de l'évaluation fournisseur ? Oui et il le ferait - mais il ferait sur la base de ce qu'il prédit être les bonnes pratiques - depuis : des recherches internes qu'il ferait avec un agent et les données d'entrainement qu'il a reçu à sa création. Cela ne changerait donc globalement rien comparé à un demande de prompt classique: nous n'ajoutons aucune information particulière au modèle.

Pour rendre la création de ce type d'agent pertinente : il faut lui donner des bons outils (pappers en france par exemple pour accéder aux bases de données entreprises, ecovadis pour la RSE etc...) et lui donner en détail le protocoles, règles de l'entreprise et comment elle est appliquée. Une fois ces éléments orchestrés dans l'agent - vous pouvez l'utiliser pour produire des résultats cohérents avec vos besoins - et qui seront répétables, standardisés.

De nombreux outils existent déjà. Vertex côté Google, OpenAI et Claude ont chacun leur propre constructeur d'agent. Résultat : le process devient relativement simple, et davantage une discussion métier qu'un chantier IT. D'autres solutions indépendente et multi AI existent : Dust, Gumloop, et d'autres permettent ainsi de créer des agents qui fonctionnent via toutes les IA (LLM) de marché (un point important lorsqu'il s'agira d'optimiser les couts de l'agent en production)

Une simple interview vocale avec l'un de ces outils suffit souvent à obtenir un prototype qu'on affine ensuite. Le niveau commence d'ailleurs à mûrir, avec des sujets qui se développent par-dessus : orchestration d'agents, agents Hermès, et le reste. On en parlera une autre fois.

04 · Exemple concret : l'agent de pré-analyse de demande d'achat

Prenons un cas que je vois dans presque toutes les ETI : la demande d'achat (DA) qui arrive incomplète. Le Resp. Achats passe 30 à 40 minutes par DA à compléter le besoin, retrouver le fournisseur historique, vérifier le prix de référence, et préparer le dossier avant arbitrage.

L'agent fait le travail de préparation :

• Il lit la DA et identifie ce qui manque (quantité, spec, centre de coût).
• Il interroge votre historique (couche RAG) pour retrouver le dernier prix payé et les fournisseurs déjà référencés sur cette catégorie.
• Il calcule un should-cost de première approche en appelant un outil de calcul, pas de tête.
• Il rédige une synthèse d'une page avec trois options et un prix de référence sourcé.

Le Resp. Achats reçoit un dossier prêt à arbitrer au lieu d'une ligne à décrypter. Il décide. L'agent prépare. La validation finale reste humain.

Construction réaliste : 3 à 5 jours de travail pour un premier pilote sur une seule catégorie, avec des outils déjà sur étagère (un LLM commercial, un connecteur à vos données, une instruction bien cadrée).

05 · Le ROI, chiffré et prudent

Voici comment je modélise le retour, sans gonfler les chiffres. Les montants ci-dessous sont des ordres de grandeur indicatifs, à calibrer sur votre propre structure : ils ne reposent pas sur une étude sourcée.

Sur un coût chargé acheteur de 55 000 à 75 000€/an (ordre de grandeur indicatif, à calibrer sur votre structure), 8 à 12 heures récupérées par semaine, c'est l'équivalent de 0,2 à 0,3 ETP redéployé vers la négociation et le sourcing à valeur. Le coût d'usage reste sous 150€/mois sur ce périmètre. Le point d'équilibre tombe en général sous deux mois.

Deux réserves, parce que personne ne les écrit.

Un : ce ROI suppose un périmètre étroit au départ, une seule catégorie, pas le déploiement big-bang sur toute la fonction.

Deux : prévoyez un seuil de dépense token par agent et un propriétaire de budget nommé, exactement comme vous avez un plafond par carte corporate. Un agent en boucle peut générer une facture cloud à quatre chiffres en une nuit. La gouvernance de la dépense ne disparaît pas. Elle se déplace.

Un agent IA utile tient en trois choses : une procédure d'une page, quatre briques, et un humain qui signe à la fin. Aucun projet de transformation là-dedans.

Diagnostic 20 minutes. Vous voulez savoir quelle tâche achats de votre équipe est le meilleur premier candidat à un agent ? On le cadre ensemble en visio. Réserver un diagnostic