En bref — Faut-il transformer chaque assistant en agent autonome ? Non. Une entreprise gagne à distinguer l’assistance au professionnel, l’orchestration d’étapes prédéfinies et la décision dynamique d’un chemin d’exécution. Ces approches ne s’excluent pas : un même processus peut combiner un copilote pour analyser, un workflow pour contrôler et un agent borné pour explorer. La question décisive est : quelle autonomie supplémentaire apporte une valeur démontrable, avec quel pouvoir d’action et quelles preuves de maîtrise ?
LE REGARD SPOTLAB
Ce qu’il faut retenir
Un agent autonome n’est pas toujours préférable à un workflow structuré. Le degré d’autonomie doit rester proportionné au risque et à la variabilité du travail.
Trois enseignements pour les décideurs
- Le nom de l’outil ne décrit pas son risque. Un « copilote » muni d’un accès d’écriture peut engager plus de conséquences qu’un agent limité à consulter des sources. Il faut examiner les actions possibles, les permissions, la nature des données et la possibilité de revenir en arrière.
- Un workflow peut être intelligent sans être autonome. Le code définit les étapes, les conditions et les contrôles ; un LLM peut analyser un document à l’intérieur d’une étape, sans devenir l’autorité qui décide de la suite. Microsoft et Anthropic distinguent explicitement cette architecture des boucles où le modèle pilote les outils. (Microsoft ; Anthropic).
- L’agent doit justifier son surcoût d’autonomie. Son intérêt apparaît lorsque les étapes et les recherches nécessaires varient fortement. En contrepartie, latence, coût, comportement imprévu et exigences d’observabilité augmentent potentiellement. Le choix doit résulter d’une comparaison sur des tâches réelles, non d’une promesse de productivité générique.
Trois approches, une même chaîne de valeur
| Approche | Qui définit le chemin ? | Usage pertinent | Risque à surveiller |
|---|---|---|---|
| Copilote | L’utilisateur pilote l’interaction et valide le résultat ; certaines fonctions peuvent néanmoins agir sur des outils | Analyse, rédaction, exploration de scénarios, aide à la décision | Confiance excessive, sources insuffisantes, actions cachées ou mal comprises |
| Workflow orchestré | Le programme définit étapes, branches, contrôles, reprises ; des étapes peuvent contenir un LLM | Collecte structurée, validation, revue documentaire, approbations, reporting | Mauvaise règle métier, erreur de classification IA réinjectée sans contrôle |
| Agent borné | Le modèle choisit une partie des étapes et des outils dans un périmètre autorisé | Recherche ouverte, diagnostic multi-systèmes, traitement d’exceptions variables | Chaîne d’actions imprévue, permissions excessives, boucles et coût non borné |
Attention à la terminologie. Dans les logiciels du marché, « agent », « copilote » ou « workflow agentique » ne sont pas des catégories normalisées. Certains workflows emploient plusieurs agents ; certains copilotes disposent d’outils actifs. La bonne unité d’analyse n’est donc pas l’étiquette commerciale, mais chaque capacité et chaque décision d’exécution. (Anthropic ; Microsoft).
Un principe de conception : minimiser l’autonomie, pas l’intelligence
Pour un processus donné, la première question n’est pas « peut-on construire un agent ? », mais « qu’est-ce qui justifie qu’un modèle choisisse lui-même l’étape suivante ? ».
Si la séquence est stable, un programme orchestré est en général plus simple à expliquer et à tester. Si une étape réclame de l’interprétation, un LLM peut aider sans prendre la main sur les droits et les décisions critiques. Si l’ordre des recherches et outils dépend de la situation, un agent peut améliorer la couverture des cas difficiles. Mais aucune de ces familles ne garantit en soi la fiabilité : un workflow intégrant un LLM produit toujours des sorties potentiellement variables.
Cette logique de simplicité progressive rejoint les recommandations d’Anthropic et les modèles d’orchestration Microsoft. Elle doit être complétée par l’analyse du risque métier.
La matrice de décision Spotwork.AI : cinq questions avant d’automatiser
La grille ci-dessous est une proposition méthodologique Spotwork.AI, dérivée de l’analyse des architectures et des pratiques de gestion des risques. Elle n’est ni une taxonomie officielle ni le résultat d’un benchmark propriétaire.
| Décision | Question à instruire | Preuve attendue |
|---|---|---|
| 1. Définir la valeur | Quelle tâche, quel résultat, quel coût complet et quel gain réellement mesurable ? | Jeu de cas représentatif, résultat attendu et baseline humaine ou logicielle |
| 2. Décrire la variabilité | Le chemin est-il connu ? Certaines étapes doivent-elles être découvertes en cours de route ? | Cartographie des étapes fixes, exceptions et outils nécessaires |
| 3. Borner les conséquences | Le système lit-il, propose-t-il, écrit-il ou déclenche-t-il une opération irréversible ? | Inventaire des permissions, destinations, impacts et possibilités de retour arrière |
| 4. Attribuer la décision | Qu’est-ce que le modèle décide, qu’est-ce que le programme contrôle et qui approuve ? | Contrat d’exécution, points d’autorisation et preuves d’approbation |
| 5. Comparer et décider | L’agent réussit-il mieux que le workflow ou le copilote à coût et risque acceptables ? | Comparaison par scénario, traces, erreurs critiques, latence, coût et plan de repli |
Règle pratique : commencer par l’architecture la plus simple capable de satisfaire les critères métier, puis ajouter de l’autonomie uniquement si les essais montrent un bénéfice significatif. Il ne s’agit pas de bannir les agents, mais de rendre leur valeur démontrable.
Cas professionnel : contrôle interne d’un assureur
Scénario illustratif, sans référence à un déploiement mesuré de Spotwork.AI. Une équipe de deuxième ligne doit examiner des preuves documentaires, signaler les éléments manquants, rapprocher des politiques et préparer un rapport. Les contrôles sont nombreux, mais leurs règles critiques et la validation finale restent définies par le métier.
Un workflow réceptionne les pièces, vérifie les identifiants et les exigences documentaires, conserve les versions et distribue les cas. Un copilote explique au contrôleur un constat, propose une synthèse et fait apparaître ses sources. Un agent borné peut, sur certains dossiers atypiques, rechercher dans des procédures habilitées les dispositions pertinentes et proposer des pistes de vérification. Il ne doit ni modifier seul une conclusion validée ni transmettre un rapport sans autorisation.
La décision de conformité demeure attachée aux critères métier et à une procédure de validation. Un résultat « nécessite une revue » ne doit pas être confondu avec une défaillance technique ; une erreur d’ingestion ne prouve pas une non-conformité. La délimitation des responsabilités est plus importante que l’étiquette agentique.
L’autonomie ne se confond pas avec le droit d’agir
Un système capable de proposer une action ne doit pas pouvoir s’accorder lui-même l’autorisation de l’exécuter. Les contrôles pertinents peuvent comprendre : moindre privilège, identité vérifiable, droits sur les données à chaque lecture, validation des paramètres d’outils, approbation explicite pour les actions sensibles, limites de durée et de coût, journal d’exécution et mécanisme d’arrêt.
Ce principe rejoint le guide OpenAI sur les agents, le Top 10 OWASP Agentic 2026 et les orientations Zero Trust de Microsoft. Un simple message « demander confirmation » généré par le modèle ne remplace pas un point d’approbation contraignant dans le système.
Comment comparer trois architectures sans benchmark trompeur ?
Choisir un ensemble de cas habituels, difficiles et à forte conséquence ; exécuter, sur le même périmètre de données et de permissions, trois variantes comparables : copilote, workflow avec LLM limité, puis agent borné lorsqu’il est pertinent. Mesurer la qualité du résultat métier, les interventions humaines, les actions incorrectes, le respect des permissions, le taux de reprise après erreur, le coût complet par livrable accepté et la latence. Répéter les essais lorsque le comportement varie et documenter la couverture.
Les règles d’acceptation doivent être décidées avant les essais. Pour les actions critiques, une moyenne élevée ne compense pas un contournement d’autorisation. Les cas incomplets doivent être isolés et les changements de configuration déclencher des tests de non-régression. La décision peut être : déployer dans un périmètre limité (GO), corriger puis retester, ou suspendre (NO-GO).
Ce que cette analyse ne démontre pas
Aucun seuil universel de coût, de nombre de tests ou d’autonomie n’est proposé. Les catégories se chevauchent et évoluent avec les éditeurs. Le cas de contrôle interne est fictif et ne constitue pas une référence client. Nous n’affirmons pas que les agents sont toujours moins fiables, ni qu’une intervention humaine supprime mécaniquement le risque : la supervision n’est efficace que si elle est informée, traçable et réellement capable d’arrêter l’action.
Conclusion — Choisir où mettre de l’intelligence et où garder le contrôle
Une entreprise n’a pas à choisir entre copilote, workflow et agent pour l’ensemble d’un processus. Elle doit choisir, à chaque étape, qui interprète, qui décide, qui agit et qui valide. L’architecture la plus professionnelle n’est pas la plus autonome : c’est celle dont la valeur, les limites et les responsabilités sont vérifiables. C’est une manière concrète de tirer parti des capacités de l’IA tout en gardant la maîtrise de ses propres processus.
Sources principales
- Anthropic — Building effective agents, décembre 2024
- Microsoft — Agentic application patterns, 2026
- Microsoft — AI Agent Orchestration Patterns
- OpenAI — A practical guide to building AI agents
- OWASP — Top 10 for Agentic Applications 2026
- NIST — AI Risk Management Framework
- Microsoft — Secure autonomous agentic AI systems