L’IA agentique est déjà intégrée aux feuilles de route produits de presque toutes les grandes plateformes technologiques. C’est la couche que de nombreuses applications utilisent désormais pour accomplir des tâches sans supervision humaine constante. Au cours de l’année écoulée, les plateformes grand public s’en sont servies pour déployer des agents capables de planifier des étapes, d’appeler des outils et des API, de suivre l’avancement, puis de rendre compte des résultats. Ce changement est visible dans le développement logiciel, les opérations clients, la recherche en entreprise et même les tâches web grand public.
Microsoft a donné le ton en déclarant que 2025 marquait le début de la collaboration entre humains et agents au sein de Microsoft 365, avec le déploiement d’assistants basés sur des rôles capables de rechercher des informations, d’accomplir des tâches comme la planification ou l’intégration de nouveaux employés, puis de transmettre les résultats aux collaborateurs.
GitHub est allé plus loin en transformant Copilot en bien plus qu’un simple compagnon de programmation. Son nouveau « mode agent » peut désormais planifier des modifications dans plusieurs fichiers, exécuter des tests automatisés et même ouvrir une pull request (PR), afin que les coéquipiers puissent examiner le travail avant son intégration dans la base de code.
Salesforce a misé sur l’idée de garde-fous en enrichissant Agentforce de fonctions intégrées de visibilité et de contrôle, ainsi que d’une marketplace d’actions prédéfinies que les entreprises peuvent utiliser en toute confiance sur leurs données clients.
Au niveau de l’infrastructure, AWS a dévoilé Bedrock AgentCore, un système destiné à déployer et gérer des agents dotés de mémoire, d’une identité et d’intégrations avec des outils. Cette initiative témoigne de la volonté d’Amazon de faire de la gestion des agents un service cloud natif au même titre que le calcul ou le stockage. Parallèlement, les acteurs destinés au grand public sont eux aussi entrés en scène. OpenAI a intégré son projet Operator à ChatGPT, permettant aux utilisateurs ordinaires de déléguer des tâches web simples comportant plusieurs étapes, comme remplir des formulaires ou suivre des liens. Google est allé encore plus loin en intégrant directement des comportements agentiques à Search : le mode IA ne se contente plus de recommander des restaurants, il peut aussi fournir un lien direct pour réserver rapidement une table.
En dehors des géants de la tech, des start-up comme TinyFish trouvent des créneaux où les agents surpassent les scripts fragiles — ces robots automatisés qui cessent souvent de fonctionner lorsqu’une page web est modifiée —, notamment pour parcourir le web afin de vérifier les stocks, suivre les prix et collecter des données. La levée de 47 millions de dollars US en août 2025 a souligné que les investisseurs considèrent les agents pratiques et natifs du web comme une véritable opportunité commerciale.
SPONSORISÉ
À la une : Dell AI Factory with NVIDIA
L’IA passe des copilotes aux systèmes autonomes, et les entreprises ont besoin d’une infrastructure conçue pour accompagner cette évolution.
Dell AI Factory with NVIDIA fournit une pile d’IA validée de bout en bout, couvrant l’infrastructure, les logiciels et les services, conçue pour aider les organisations à mettre l’IA agentique en production à grande échelle.
Conçu pour la production :
- Jusqu’à 269 % de ROI la première année
- Jusqu’à 86 % de déploiements d’IA plus rapides
- Déploiement flexible sur site, en périphérie et dans des environnements hybrides
Comment les équipes utilisent les agents
Le développement logiciel et le DevOps sont à la pointe. Les agents planifient et exécutent des modifications de code, lancent des suites de tests, rédigent de la documentation, ouvrent des pull requests et demandent des revues. Le mode agent de GitHub et les flux Copilot intégrés à Azure ont banalisé le scénario « attribuer une tâche à l’IA et récupérer une PR ».
Les agents dédiés aux opérations clients et au CRM prennent en charge le triage, rédigent des réponses liées aux données des dossiers, déclenchent des remboursements ou des escalades et consignent les résultats : c’est le terrain idéal pour Agentforce et les agents Now Assist de ServiceNow. La recherche en entreprise devient « actionnable ». Le mode IA de Google passe des liens aux réservations et, au sein des entreprises, les agents Microsoft 365 résument, planifient ou lancent des workflows dès qu’une recherche permet de trouver les bons documents ou les bonnes personnes.
Sur le plan de la gouvernance, des fonctions axées sur la sécurité commencent à apparaître. Anthropic a ajouté des audits de sécurité automatisés aux workflows de Claude Code via GitHub Actions, en réponse directe à la vitesse de génération du code par l’IA.
Ce qui a changé en coulisses
Deux couches indispensables ont gagné en maturité cette année pour rendre les agents possibles : l’orchestration et l’infrastructure d’IA agentique. Premièrement, l’orchestration : des frameworks comme LangGraph fournissent aux équipes des graphes d’agents dotés d’un état et inspectables, avec des mécanismes de nouvelle tentative, une intervention humaine et des outils de déploiement, tandis que des plateformes cloud comme AgentCore et la nouvelle architecture Atlas d’Agentforce 3 ajoutent des contrôles de production.
Deuxièmement, la standardisation : le Model Context Protocol (MCP) s’impose comme un moyen commun d’exposer des outils et des données aux agents chez différents fournisseurs, ce qui rend les agents utilisant plusieurs outils plus facilement portables d’un environnement à l’autre.
Mais le principal facteur limitant n’est pas constitué par les frameworks. Ce sont les données.
« En termes simples, si vos données ne sont pas prêtes pour l’IA, votre IA ne peut pas aller au-delà de l’expérimentation », a écrit Abhi Visuvasam, directeur technique de Reltio. Cela explique pourquoi de nombreux premiers projets pilotes ont stagné et pourquoi, en 2025, des plateformes comme AWS et Salesforce ont mis l’accent sur la gouvernance et les contrôles d’exécution parallèlement à leurs nouvelles fonctions agentiques.
Les nouveaux risques et les premières réponses
Les systèmes agentiques élargissent la portée des injections de prompt, de l’exfiltration de données et du détournement d’outils, car les agents agissent. Les chercheurs et les professionnels y répondent par une gouvernance à l’exécution. Des propositions comme MI9 préconisent une télémétrie sémantique, une autorisation continue, la détection des dérives et un confinement progressif lorsque les agents s’écartent de leur politique. Attendez-vous à ce que ces « plans de contrôle » deviennent incontournables en 2026.
Parallèlement, la qualité des données sous-jacentes compte autant que le contrôle des agents. « Les data scientists consacrent 50 à 80 % de leur temps à la préparation des données plutôt qu’à l’optimisation des modèles », selon le livre blanc Building a Trusted Data Foundation for AI/ML and Business Intelligence, publié par Reltio. « Des données de haute qualité sont indispensables au succès des applications d’analytique avancée à l’ère de l’IA. »
Pour les entreprises, cela signifie qu’investir dans des fondations de données fiables et dans la gouvernance est tout aussi important que d’expérimenter avec les agents eux-mêmes. Les fournisseurs ajoutent également des fonctions de transparence à leurs produits — la conception d’Agentforce 3 et d’AgentCore, par exemple — afin que les équipes opérationnelles puissent voir ce que les agents ont fait, avec quels outils et pourquoi.
À quoi s’attendre jusqu’au début de 2026
La dynamique s’accélère, mais l’avantage concurrentiel dépendra de la rapidité.
« À l’ère de l’intelligence, l’avantage vient de la capacité à transformer les données en décisions plus rapidement que les concurrents ne peuvent traiter les mêmes informations », ont écrit Manish Sood et Venkat Venkatraman dans The 10 Data Rules to Win in the Age of Intelligence, ajoutant que « la vitesse à laquelle on obtient des insights détermine l’avantage sur le marché ». Cet accent mis sur la rapidité influencera le déploiement des systèmes multi-agents, des frameworks d’orchestration et des pipelines de données au cours de l’année à venir.
Attendez-vous à voir les architectures multi-agents passer des laboratoires aux applications métiers, les équipes composant de petits agents spécialisés plutôt qu’un agent tentaculaire. Les plans de contrôle des agents se standardiseront et le rapprochement entre grand public et entreprise s’accentuera, à mesure que les parcours de recherche et d’achat agentiques définiront les attentes que les employés apporteront aux outils professionnels.