De l’idée à l’impact : comment nous lançons un projet d’IA agentique

Depuis les débuts de l’essor de l’IA générative, nous collaborons étroitement avec des organisations pour naviguer la complexité réelle de la mise en place de systèmes d’IA agentique. Que ce soit dans les secteurs manufacturier, minier ou de la santé, un constat revient souvent : il n’est pas toujours évident d’identifier les zones où les agents auront le plus de valeur — voire s’ils sont réellement nécessaires.

C’est pourquoi nous avons repensé notre processus de découverte technique, en priorisant la clarté avant le code lorsqu’il est question d’agents. Notre approche repose sur quatre grandes phases : Comprendre, Imaginer, Structurer, Planifier. Cette structure permet de cibler les bonnes opportunités, de clarifier les enjeux, et d’aligner les attentes avec ce que l’IA agentique peut concrètement accomplir.

Que l’objectif soit d’optimiser le service client, d’automatiser les soumissions ou d’éliminer des tâches manuelles rébarbatives, le succès commence par de meilleures questions : quel est l’impact souhaité dans votre contexte ? Où sont les véritables frictions ? Et qu’aurait besoin de savoir et de faire un système intelligent orienté vers les résultats ?

L’IA agentique a un réel potentiel — à condition d’être conçue avec un objectif clair, ancrée dans les données, et bien cadrée. C’est là que notre démarche fait toute la différence.

Partir des résultats, pas du battage médiatique

Beaucoup de nos clients arrivent enthousiastes à l’idée d’utiliser des agents d’IA, souvent avec l’ambition d’automatiser des processus entiers ou de transformer des systèmes complexes. C’est compréhensible, mais transformer cette ambition en impact réel demande du focus.

Nous ancrons toujours la discussion dans les résultats attendus. Que cherchez-vous à améliorer : temps de réponse, précision, rendement, efficacité des coûts ? Où sont les véritables irritants, et comment se traduisent-ils en indicateurs ou en occasions manquées ?

C’est le rôle de notre phase Comprendre. Nous collaborons avec les équipes pour décortiquer le problème, définir le succès, et valider si un agent est vraiment la bonne solution. Il ne s’agit pas de tout automatiser, mais de résoudre le bon problème avec le bon niveau d’autonomie.

En ciblant des objectifs mesurables et des besoins opérationnels concrets, on jette les bases d’une adoption à la fois innovante et durable.

Poser les bonnes questions dès le départ

Un projet d’IA agentique réussi repose sur une compréhension claire de trois éléments clés :

• Le défi ou l’opportunité d’affaires
• Le processus décisionnel à soutenir ou remplacer
• L’environnement de données et de systèmes dans lequel l’agent évoluera
  

Lors des premières discussions, nous cherchons à obtenir rapidement les bonnes informations. Parmi les questions essentielles :

• Quel processus souhaitez-vous automatiser ou améliorer ?
• Est-il régi par des règles, répétitif ou complexe en jugement ? Où se situent les blocages actuels ?
• Qui réalise cette tâche aujourd’hui, et comment ?
• Quelles décisions sont prises, sur quelles bases ?
• Quel résultat visez-vous, et comment mesurera-t-on le succès (temps gagné, erreurs réduites, expérience client, etc.) ?
• Quels outils, systèmes ou API l’agent devra-t-il intégrer ?
• Ces environnements sont-ils structurés, accessibles, à jour ?
• Avec qui ou quoi l’agent interagira-t-il : équipes internes, clients, bases de données, autres systèmes IA ?
• Quel degré d’autonomie souhaitez-vous ? Dans quels cas doit-il agir seul, et quand doit-il s’en remettre à un humain ?
  ‍

Ces échanges nous permettent de passer de l’idée abstraite à un périmètre clair et mobilisateur — on ne crée pas seulement un agent, on s’assure de résoudre le bon problème.

Définir la portée de l’agent : légère, moyenne ou étendue

Tous les problèmes ne nécessitent pas un agent totalement autonome. Pour éviter la suringénierie et assurer des victoires rapides, nous classons les agents selon deux dimensions : la complexité des tâches et la profondeur d’intégration.

Voici un aperçu :

• Agents légers : tâches simples et isolées dans un seul système.
  Exemple : résumer un document ou extraire des champs d’un formulaire.
• Agents intermédiaires : enchaînent plusieurs étapes structurées dans un environnement connu.
  Exemple : classer et rediriger des billets de support selon leur contenu et priorité.
• Agents avancés : interagissent avec plusieurs systèmes, prennent des décisions dynamiques, s’adaptent dans le temps.
  Exemple : gérer un pipeline de ventes de bout en bout avec mémoire contextuelle.
  
  

Pour mieux cerner cette portée, nous posons aussi des questions comme :

• La tâche peut-elle être découpée en étapes claires ?
• Requiert-elle un raisonnement ou repose-t-elle sur des règles ?
• L’exécution est-elle en temps réel ou planifiée ?
• Une mémoire ou un contexte sont-ils nécessaires ?
• Les données sont-elles réglementées ou sensibles ?
  
  

Évaluer la réalité des données

Une fois le rôle de l’agent défini, la planification commence par un regard lucide sur les données disponibles.

Une étape cruciale ici est l’ingénierie du contexte, soit l’identification de l’information dont l’agent a besoin à chaque instant pour prendre des décisions pertinentes. (On en parle en détail ici.)

Pour concevoir des fenêtres de contexte efficaces, on évalue :

• Structure des données : sont-elles structurées (ex. entrées CRM) ou non (PDF, audio, vidéo) ?
• Points d’accès : l’agent consultera-t-il des API, bases de données, fichiers, bases de connaissances ?
• Préparation nécessaire : faut-il nettoyer, annoter, transcrire, numériser (OCR) ou normaliser les données ?
• Faisabilité et coût : quelles données sont disponibles, et peut-on les exploiter à l’échelle dans les contraintes de budget, temps et performance ?
  
  

Par exemple, nous avons conçu des agents à partir d’appels audio à plusieurs tours et de captures vidéo narrées. Les appels nécessitent une identification des locuteurs pour extraire les intentions, alors que les vidéos exigent un alignement entre le discours et les actions à l’écran.

À ce stade, l’alignement entre les capacités techniques et l’environnement de données est fondamental : il détermine l’intelligence et l’utilité réelle de l’agent.

Trouver l’équilibre entre autonomie et supervision

Ce n’est pas parce qu’un agent peut agir seul qu’il doit le faire.

Une dimension clé de la conception d’un agent est de définir la ligne entre action autonome et validation humaine. Ensemble, avec nos client·es, nous explorons des questions comme :

• Quand l’agent doit-il demander une confirmation ?
• Quelles actions doivent toujours être validées ?
• Comment l’agent apprend-il, s’adapte-t-il, et gagne-t-il la confiance des utilisateur·rices ?

Ces choix sont stratégiques autant que techniques. Ils influencent la manière dont les gens interagissent avec l’agent, le perçoivent et l’intègrent à leur quotidien.

Un bon niveau d’autonomie est celui qui respecte la confiance et maximise la valeur, sans dépasser les zones de confort.

Construire vite, mais commencer petit

Avec un objectif clair, une portée définie et une bonne compréhension des données, on passe à la planification : architecture, choix technos, flux d’interaction, diagrammes systèmes.

Mais l’idée n’est pas de tout bâtir d’un coup. On cherche plutôt le plus petit résultat de valeur livrable en 2 à 4 semaines. Par exemple :

• Automatiser une seule étape d’un processus plus large
• Répondre à un sous-ensemble précis de requêtes utilisateur·rices
• Exécuter l’agent en parallèle avec un humain pour comparer les sorties

L’objectif est simple : valider vite, apprendre rapidement, améliorer en continu. Démarrer petit réduit les risques, expose les cas limites tôt et bâtit la confiance dans la technologie et le processus.

Ce qui propulse l’agent

Un agent performant ne dépend pas seulement du bon modèle, mais d’un système conçu pour raisonner, agir et s’améliorer dans le temps.

Chez Osedea, nous adaptons chaque pile technologique au problème, au contexte et aux exigences du client. Notre approche inclut :

• LLM : utilisation de modèles fermés (GPT, Claude, Gemini) ou open source / hébergés localement (ex. SLM) selon les besoins de souveraineté, coût ou fine-tuning.
• Cloud et conformité : adaptation aux fournisseurs cloud (AWS, GCP, Azure), avec prise en compte de la souveraineté et des normes dès le départ.
• Orchestration : utilisation de frameworks comme LangGraph ou Semantic Kernel pour orchestrer workflows, raisonnements et outils — ou développement sur mesure si besoin.
• Récupération contextuelle (RAG) : intégration d’outils comme Azure AI Search, Pinecone, Elasticsearch, etc., pour ancrer les réponses de l’agent dans du contexte réel.
• Observabilité : suivi avec LangFuse, Application Insights ou solutions open source auto-hébergées pour permettre à nos clients d’analyser, améliorer et garder le contrôle de leurs données.
  

Laisser les résultats guider le développement

L’IA agentique ne vise pas à reproduire l’intelligence humaine, mais à accélérer les résultats d’affaires.

Qu’il s’agisse d’automatisations légères ou d’agents complexes inter-systèmes, notre mission est de traduire l’IA de pointe en bénéfices concrets.

Nous vous aidons à cibler les bonnes opportunités, définir la portée optimale et concevoir des solutions sur mesure qui transforment vos opérations et allègent vos processus manuels.

Curieux de savoir comment un projet d’IA agentique pourrait créer de la valeur pour votre équipe ? Parlons de la manière dont nous pouvons concrétiser votre vision.