Dans les comités de direction, une idée séduisante circule depuis la généralisation des agents IA : remplacer des postes entiers, voire des fonctions complètes, par des systèmes autonomes capables de traiter, décider et exécuter sans intervention humaine. Sur le papier, l’équation paraît imparable. Moins de masse salariale, une disponibilité continue, une capacité de montée en charge instantanée, et la promesse d’une productivité sans précédent. Pourtant, derrière cette perspective économiquement attractive se dissimule une réalité opérationnelle, technique, juridique et écologique dont la complexité reste largement sous-estimée. Avant de se lancer dans une démarche d’« agentification » des métiers, les directions générales et les directions des ressources humaines gagneraient à examiner en profondeur ce que recouvre réellement un tel projet, et à mesurer l’ensemble des conditions de succès.
La maturité processuelle : un prérequis structurel trop souvent négligé
Le premier écueil, et probablement le plus structurant, tient à l’état réel des processus de l’entreprise. Pour qu’un agent IA puisse se substituer à un collaborateur, il faut que les tâches, les règles métier, les exceptions et les enchaînements soient documentés, compris, formalisés et, in fine, automatisables. Or, dans la grande majorité des organisations, la connaissance opérationnelle demeure tacite, dispersée entre les équipes, et fortement dépendante de l’expérience individuelle. Les processus existent fréquemment sur le papier, mais divergent sensiblement de la pratique réelle observée sur le terrain.
Cet écart entre le prescrit et le vécu constitue un obstacle considérable. Un agent ne peut pas combler ce que les humains comblent intuitivement par leur jugement, leur connaissance du contexte et leur capacité d’arbitrage. Avant même d’envisager le déploiement d’IA agentique, de nombreuses entreprises devraient d’abord réinvestir dans une cartographie rigoureuse de leurs activités. À défaut, l’agent reproduira fidèlement un processus théorique qui ne correspond ni aux besoins des clients, ni à la manière dont l’organisation fonctionne réellement.
Le cadrage stratégique : que veut-on précisément automatiser, et pourquoi ?
Une fois cet état des lieux posé, vient la question stratégique du cadrage. Quelles tâches souhaite-t-on confier à des agents ? Quels métiers sont concernés ? Et surtout, pour quelle finalité ? Trop souvent, les projets démarrent par la technologie plutôt que par le besoin métier. Or l’agent IA n’est pas une fin en soi, c’est un outil au service d’une intention managériale, opérationnelle et économique.
Faut-il viser des gains de productivité sur les tâches répétitives à faible valeur ajoutée ? Renforcer la qualité de service en augmentant la disponibilité ? Réduire les coûts d’un centre de relation client ? Industrialiser la conformité réglementaire ? Chacune de ces finalités appelle des arbitrages différents, mobilise des compétences différentes, et impose des trajectoires de mise en œuvre distinctes. À défaut d’un cadrage clair, partagé au plus haut niveau et décliné opérationnellement, le projet dérive, les attentes divergent entre parties prenantes, et les déceptions deviennent inévitables.
Choix technologiques, budget et conformité juridique
Vient ensuite le choix de la pile technologique. Modèle propriétaire ou open source, fournisseur cloud, framework agentique, modalités d’intégration au système d’information existant, recours à un prestataire interne ou externe. Chaque option engage l’entreprise sur plusieurs années et conditionne sa capacité à piloter, à faire évoluer et à reprendre la main sur ses agents en cas de besoin.
À cela s’ajoute un volet juridique et réglementaire qui s’est considérablement densifié ces dernières années. Le RGPD encadre strictement le traitement des données personnelles, et l’AI Act européen impose désormais des obligations spécifiques selon le niveau de risque des systèmes d’IA déployés. Les usages relevant des ressources humaines, qu’il s’agisse de recrutement, d’évaluation, de mobilité interne ou de gestion des carrières, sont explicitement classés à haut risque, ce qui implique des exigences renforcées en matière de transparence, de gouvernance et de supervision humaine. La conformité n’est pas un détail à régler en fin de projet, elle structure les choix dès la conception, sous peine de devoir tout reconstruire ultérieurement et à grands frais.
Développement, POC et continuité opérationnelle
La phase de développement constitue elle-même une étape longue et exigeante. Construire un agent fiable, capable de gérer des cas réels avec leurs nuances, leurs exceptions et leurs ambiguïtés, ne se résume pas à brancher un grand modèle de langage sur une base de connaissances. Il faut concevoir et affiner des instructions, orchestrer des outils, gérer la mémoire conversationnelle, définir des garde-fous, instrumenter l’observabilité, mesurer la qualité des réponses, et itérer en continu.
Les preuves de concept se multiplient mais peinent à passer en production. Plusieurs cabinets d’analyse soulignent qu’une proportion significative des projets d’IA générative en entreprise n’atteignent jamais l’industrialisation, faute de robustesse, de cas d’usage suffisamment cadrés ou de modèle économique soutenable. Et même lorsqu’un agent fonctionne en conditions nominales, il faut prévoir des dispositifs de continuité. Que se passe-t-il en cas de panne du fournisseur ? De dégradation des performances du modèle ? De maintenance planifiée ? De situation hors périmètre prévu ? Un backup humain demeure indispensable pour absorber ces aléas et traiter les cas qui sortent du périmètre nominal, ce qui modère mécaniquement l’équation économique initiale et oblige à conserver, au moins partiellement, les compétences que l’on souhaitait remplacer.
S’assurer de la satisfaction des utilisateurs finaux, qu’ils soient internes ou externes, constitue par ailleurs un chantier permanent. Un agent perçu comme rigide, contournable ou peu pertinent peut rapidement dégrader la relation client ou nourrir un désengagement des collaborateurs.
Le coût caché du run : tokens, passage à l’échelle et inflation tarifaire
L’un des angles les plus mal anticipés dans les business cases concerne le coût d’exploitation. Les grands modèles de langage sont facturés au token, c’est-à-dire à l’unité élémentaire de texte traitée en entrée comme en sortie. Tant que les usages restent expérimentaux et concentrés sur quelques utilisateurs, la facture demeure modeste. Mais lorsqu’un agent est sollicité massivement, qu’il manipule de longs contextes, qu’il enchaîne des appels d’outils, et qu’il sert des milliers d’utilisateurs simultanés, les volumes consommés explosent.
Une simulation rapide suffit à le démontrer. Un agent qui traite quelques milliers de conversations par jour, avec des contextes riches et plusieurs étapes de raisonnement par requête, peut générer des coûts mensuels qui rivalisent avec, voire dépassent, le coût d’un équivalent temps plein. À cela s’ajoute la question des évolutions tarifaires. Les fournisseurs ajustent régulièrement leurs prix, à la hausse comme à la baisse, et rien ne garantit que les tarifs d’aujourd’hui seront ceux de demain. Le ROI affiché en phase pilote peut donc se dégrader rapidement à l’échelle, ou se trouver remis en cause par une simple décision unilatérale d’un fournisseur. La question n’est donc pas seulement « est-ce moins cher qu’un humain aujourd’hui ? », mais « est-ce que ce sera durablement moins cher demain ? ».
La dette écologique : un angle mort qui devient inévitable
La question environnementale, longtemps reléguée au second plan dans les arbitrages technologiques, devient impossible à éluder. L’entraînement et l’inférence des grands modèles de langage consomment des quantités considérables d’électricité et d’eau, cette dernière étant utilisée pour refroidir les centres de données qui hébergent ces infrastructures. Plusieurs publications scientifiques et journalistiques ont mis en évidence l’empreinte croissante de l’IA générative sur la ressource hydrique et sur les émissions de carbone, dans un contexte où les opérateurs de cloud peinent à approvisionner leurs nouveaux sites en énergie décarbonée et où certains territoires s’inquiètent de l’impact local des datacenters sur leurs ressources.
Pour une entreprise ayant des engagements RSE, déployer massivement des agents IA sans en mesurer l’impact environnemental devient progressivement intenable, à la fois sur le plan éthique et sur celui du reporting extra-financier, désormais structuré en Europe par la directive CSRD. La sobriété d’usage, le choix de modèles plus petits lorsque c’est possible, l’optimisation des prompts et des contextes, et la sélection de fournisseurs transparents sur leur mix énergétique doivent faire partie du cahier des charges dès l’origine du projet.
La dépendance stratégique aux géants de la tech
Enfin, et c’est sans doute le risque le plus structurel à long terme, la dépendance aux fournisseurs de modèles de fondation atteint aujourd’hui un niveau sans précédent. Quelques acteurs concentrent l’essentiel de la capacité technologique mondiale, principalement américains et chinois, et leurs hébergeurs cloud sont eux-mêmes très concentrés. En externalisant les fonctions cognitives qui sous-tendent ses agents, l’entreprise transfère à ces acteurs une partie de son intelligence opérationnelle, et accepte de fait une forme de dépendance stratégique nouvelle.
Elle devient sensible à leurs décisions tarifaires, à leurs choix techniques, à leurs orientations stratégiques, et à leurs conditions générales d’utilisation, qui peuvent évoluer sans véritable possibilité de négociation. Le verrouillage est d’autant plus marqué que les agents sont étroitement intégrés à des fonctionnalités spécifiques d’un fournisseur, et que les compétences internes des équipes se construisent autour de ces écosystèmes. Diversifier les modèles, conserver des couches d’abstraction permettant de changer de fournisseur, voire envisager des modèles open source hébergés en propre pour les usages les plus sensibles, sont des principes architecturaux essentiels. Mais ils ont un coût, et ils exigent une discipline d’ingénierie qui reste peu répandue dans les organisations non technologiques.
Un projet de transformation, pas une simple commande logiciel
Remplacer des postes par des agents IA n’est ni impossible, ni illégitime, et il existe déjà des cas d’usage matures qui démontrent une réelle valeur ajoutée. Mais c’est un projet de transformation profond, qui touche simultanément à la stratégie, au management, à la technologie, au droit, à la finance et à la responsabilité environnementale. Le présenter comme un simple arbitrage économique entre un coût humain et un coût machine, c’est passer à côté de la quasi-totalité des enjeux réels.
Les organisations qui réussiront ne seront pas celles qui auront automatisé le plus vite, mais celles qui auront pris le temps de cartographier leurs processus, de cadrer leurs ambitions, de maîtriser leurs dépendances technologiques, de mesurer leurs impacts économiques et environnementaux dans la durée, et de conserver l’humain dans la boucle là où il apporte une valeur que la machine ne peut pas reproduire. Le fantasme du remplacement intégral risque, sans cette rigueur, de se transformer en désillusion coûteuse, pour l’entreprise, pour ses clients, et pour ses collaborateurs. À l’inverse, une démarche lucide et progressive d’augmentation des équipes par l’IA, plutôt que de substitution, ouvre des perspectives autrement plus solides et plus durables.
Dans cette perspective, il faut souligner un point souvent escamoté dans les débats sur l’IA en entreprise : la fonction RH est, de fait, la plus légitime pour piloter ces stratégies de transformation, davantage que la DSI ou la DAF. La DSI apporte une expertise technique indispensable, mais elle raisonne naturellement par briques, par architectures et par projets ; la DAF apporte une rigueur économique tout aussi nécessaire, mais elle tend à arbitrer par lignes de coût et par retours sur investissement. Ni l’une ni l’autre ne dispose, par construction, de la vision globale qui caractérise la fonction RH. Celle-ci est la seule à embrasser simultanément la cartographie réelle des compétences, la connaissance fine des métiers et de leurs évolutions, l’impact humain et social des transformations, le dialogue avec les partenaires sociaux, l’expérience collaborateur, le développement des talents et la conduite du changement. C’est précisément cette vision intégrée qui permet de poser les bonnes questions avant de déployer un agent : quel métier transformer, à quel rythme, avec quelles passerelles de mobilité, quelles formations, et quels effets sur la culture et le collectif. Confier le pilotage de l’agentification à la seule DSI revient à technologiser un sujet humain ; le confier à la seule DAF revient à le réduire à une équation comptable. La DRH, lorsqu’elle est dotée des moyens et de la légitimité nécessaires, constitue le point d’équilibre naturel entre ces dimensions, et c’est sans doute à elle qu’il revient désormais d’incarner le leadership de cette transformation.
A lire aussi
IA et RH : L’Évolution choc – Injonction, Fantasme et Valeurs d’Entreprise
DRH engagé dans la réconciliation du sens et de la performance.
Je crois en un leadership empathique, éclairé par la technologie mais guidé par l’humain.
Mon métier : faire dialoguer l’humain et l’IA pour réinventer la performance durable.
Inscrivez vous à la newsletter
c’est simple, facile et discret
