Agent IA vs automatisation classique : lequel pour quel besoin

Deux façons différentes de prendre une décision

Une automatisation classique exécute des règles écrites à l'avance. Si la demande vient du département 31, alors elle est affectée à telle personne. Le comportement est déterministe : la même entrée produira toujours la même sortie, aujourd'hui comme dans six mois. Quand quelque chose se passe mal, on peut relire la règle et pointer précisément la ligne fautive.

Un agent IA fonctionne autrement. On lui donne un objectif, un contexte et des outils, et il décide lui-même de la marche à suivre. Il peut interpréter une demande formulée en langage naturel, choisir d'appeler tel outil plutôt que tel autre, reformuler, résumer, extraire une information d'un texte qui n'a aucune structure. Ce comportement est non déterministe : deux exécutions sur la même entrée peuvent différer.

Cette différence n'est ni un avantage ni un défaut en soi. Elle définit simplement deux domaines d'emploi qu'il ne faut pas mélanger.

Les trois questions qui tranchent

1. L'entrée est-elle structurée ou libre ?

Un formulaire avec des champs typés, un webhook au format défini, une ligne de tableur : l'entrée est structurée, une automatisation classique suffit et sera plus fiable, plus rapide et moins chère. Un e-mail rédigé à la main, un appel téléphonique, un document PDF hétérogène, un message vocal : l'entrée est libre, et c'est précisément là qu'un modèle de langage apporte quelque chose qu'aucune règle ne sait faire.

2. Le nombre de cas est-il fini ou ouvert ?

Si vous pouvez lister les cas possibles, même s'il y en a quarante, écrivez les règles. Elles seront explicites et testables. Leur coût d’exécution dépendra de l’infrastructure et des services appelés. Si les cas sont ouverts, c'est-à-dire si vous savez d'avance qu'il en surgira que vous n'aviez pas prévus, un agent devient pertinent : sa valeur est justement de traiter honorablement une situation non anticipée.

3. Quel est le coût d'une erreur ?

C'est la question décisive. Un agent se trompera parfois. C'est une propriété du modèle, pas un défaut de configuration à corriger. La bonne question n'est donc pas « peut-on éviter toute erreur ? » mais « que se passe-t-il quand il se trompe ? ». Si l'erreur produit un résumé imparfait qu'un humain relira, le risque est acceptable. Si elle produit un virement, une commande fournisseur ou un engagement contractuel, elle ne l'est pas.

Ce que chacun coûte réellement

Une automatisation déterministe a un coût de conception, puis des coûts d’exécution et de maintenance qui dépendent de son architecture. Son coût de maintenance est lié aux changements : si votre processus évolue, il faut modifier les règles.

Un agent coûte à chaque appel, et ce coût dépend de la longueur du contexte fourni. Raisonnons pour rendre l'ordre de grandeur tangible, sans prétendre décrire votre situation : si un agent traite 500 demandes par mois et que chaque demande implique trois appels au modèle, cela fait 1 500 appels mensuels. Selon le modèle retenu et la taille du contexte, l'écart de facture entre une configuration soignée et une configuration négligée peut être d'un facteur important. Réduire le contexte envoyé, mettre en cache ce qui est stable et n'appeler le modèle que lorsque c'est nécessaire ne sont pas des détails d'optimisation : ce sont des décisions d'architecture.

S'ajoute un coût moins visible : celui de l'évaluation. Une automatisation classique doit être testée à la mise en service et après les changements qui affectent son comportement. Un agent doit être réévalué à chaque changement de prompt, d'outil ou de version de modèle, faute de quoi une régression peut passer inaperçue pendant des semaines.

Quand combiner règles et agent IA

Opposer les deux approches est un faux débat. Dans les systèmes qui tiennent la route, l'IA occupe un segment précis de la chaîne, encadré par du déterministe des deux côtés.

1. Déclenchement déterministe : un e-mail arrive, un formulaire est soumis, une heure sonne. Aucune IA n'est nécessaire pour détecter un événement.
2. Compréhension par l'IA : extraire de ce contenu non structuré les informations utiles (intention, coordonnées, urgence, sujet) et les rendre sous un format strict et vérifiable.
3. Validation déterministe : contrôler que ce que l'IA a produit est exploitable. Un champ attendu est-il présent ? La date a-t-elle un sens ? Le montant est-il dans une fourchette plausible ? En cas d'échec, on bascule vers un humain plutôt que de propager une donnée douteuse.
4. Action déterministe : créer la fiche, envoyer la notification, planifier la relance. L'action, elle, doit être parfaitement prévisible.

Cette architecture a un avantage décisif : elle circonscrit le non-déterminisme à une étape, où il est mesurable et remplaçable. Si le modèle déçoit, on change de modèle sans toucher au reste. Si le budget explose, on remplace cette étape par des règles pour les cas les plus fréquents et on ne garde l'IA que pour la queue de distribution.

Quand l'IA est le mauvais outil

• Quand une règle simple ferait le travail. Utiliser un modèle de langage pour décider si un montant dépasse un seuil, c'est payer un abonnement pour une comparaison numérique et introduire une incertitude là où il n'y en avait aucune.
• Quand la traçabilité de la décision est une obligation. Dans un contexte réglementé, devoir expliquer pourquoi une décision a été prise disqualifie souvent une décision produite par un modèle.
• Quand il n'existe pas de moyen de vérifier la sortie. Si personne ne peut dire si le résultat est bon, l'agent ne produit pas de la valeur : il produit de la confiance non fondée.
• Quand les données nécessaires ne peuvent pas quitter votre système et qu'aucune option locale n'est envisageable. La contrainte de confidentialité prime sur la fonctionnalité.
• Quand le processus lui-même n'est pas clair. Automatiser un processus flou avec une IA ne le clarifie pas, cela rend juste son désordre plus rapide.

En résumé

Automatisation classique quand l'entrée est structurée, les cas finis et l'erreur coûteuse. Agent IA quand l'entrée est du langage, les cas ouverts et l'erreur rattrapable. Selon le processus, la réponse peut être un système hybride où l'IA fait exactement ce qu'elle sait faire, comprendre du texte, pendant que le reste de la chaîne demeure parfaitement prévisible.