UE : l'IA agentique, nouvelle étape de l'IA

Contexte

Le 14 octobre 2026, OpenAI a publié une analyse consacrée à l'usage de l'IA dans les entreprises de l'Union européenne. Son idée centrale : le prochain chapitre de l'IA en Europe sera agentique. Selon le texte, l'IA agentique progresse vite, aussi bien dans les grandes entreprises que dans les petites structures. L'analyse désigne aussi des domaines où un usage plus poussé créerait davantage de valeur.

Une IA agentique est un système qui reçoit un objectif, le découpe en étapes, appelle des outils logiciels et mène à bien une tâche en plusieurs temps sur plusieurs systèmes. C'est très différent du premier usage de type chat, où l'utilisateur pose une question et le modèle répond. Une réponse de chat produit du texte, et une personne doit ensuite agir. Un agent, lui, exécute le travail. L'humain fixe le but et vérifie le résultat.

L'intérêt de cette analyse tient à son angle. Elle déplace l'attention des capacités du modèle vers l'adoption réelle en entreprise. Elle couvre aussi deux publics très différents : les grands groupes bien dotés et les petites entreprises aux moyens limités. Une réserve s'impose : le résumé public ne fournit aucune statistique précise. Toute lecture de l'ampleur de la croissance reste donc une tendance, pas un taux mesuré.

Analyse approfondie

Pourquoi l'IA agentique crée-t-elle une valeur différente de celle de l'IA générative ? Parce qu'elle réorganise le déroulement d'un processus, là où l'IA générative accélère surtout des tâches isolées. Les gains classiques de l'IA générative viennent de la rédaction d'un courriel, du résumé d'un document ou de l'écriture d'un bloc de code. Ces gains sont réels, mais plafonnent, car les passages de relais entre étapes dépendent encore des personnes. Un agent peut supprimer ces relais. Un agent de service client lit un ticket, interroge le système de commandes, vérifie la politique de remboursement, déclenche le remboursement et réécrit le dossier. Un agent financier rapproche des comptes, repère des factures anormales et prépare un brouillon de rapport. Ces tâches ont trois points communs : plusieurs systèmes, plusieurs étapes, et un petit jugement à chacune. Trois capacités techniques doivent mûrir ensemble. La première est le raisonnement et la planification du modèle. La deuxième est l'appel fiable d'outils externes. La troisième est la faculté de garder le contexte et de corriger ses erreurs sur une tâche longue. La fiabilité reste le point le plus difficile. Même avec une grande précision à chaque étape, les erreurs s'accumulent quand les étapes se multiplient. Les entreprises se soucient donc du taux d'achèvement des tâches, de la traçabilité et d'un chemin de retour arrière après un échec, bien plus que de démonstrations spectaculaires.

Cela explique aussi pourquoi l'analyse insiste sur l'approfondissement. L'usage superficiel traite l'agent comme un assistant plus malin. L'usage profond exige que l'entreprise cartographie ses processus, ouvre les interfaces de ses systèmes et fixe des limites de droits. C'est un chantier d'organisation. L'achat d'un seul outil ne suffit pas.

Impact sur l'industrie

Le marché européen présente plusieurs traits propres. Les petites et moyennes entreprises pèsent lourd dans l'économie de l'UE. La plupart n'ont ni équipe data dédiée ni budget de développement sur mesure. Si les agents arrivent sous une forme standard dans les logiciels de bureau et les outils métier, ces sociétés pourraient en tirer un gain marginal plus grand. Une automatisation longtemps hors de prix deviendrait accessible. Les grandes entreprises, elles, butent sur autre chose. Leur difficulté n'est presque jamais l'accès à un modèle. Ce sont les systèmes hérités, les données cloisonnées et les validations internes de conformité. Une plateforme qui offre un accès sécurisé, une gestion des droits et des journaux d'audit peut l'emporter sur un concurrent doté d'un modèle brut plus puissant. Le cadre réglementaire ajoute une couche. L'UE dispose du règlement sur l'IA et d'exigences strictes en matière de protection des données. Une entreprise qui déploie un système capable d'agir seul doit répondre à des questions concrètes : qui est responsable, comment les actions sont enregistrées, où les données sont stockées. Ces questions forment un obstacle, mais aussi une ouverture. Un éditeur qui transforme les exigences de conformité en fonctions de produit peut se démarquer sur le marché européen.

Le paysage concurrentiel bouge également. Les éditeurs de logiciels d'entreprise doivent choisir entre développer leurs propres agents et ouvrir leurs interfaces à des agents extérieurs. Les intégrateurs peuvent passer du projet ponctuel à la refonte de processus et à l'exploitation continue. Il faut enfin garder en tête qu'OpenAI a un intérêt commercial dans cette analyse : elle peut orienter la demande des entreprises européennes vers ses produits d'agents et ses offres professionnelles. Ses constats de tendance relèvent d'un point de vue d'éditeur et gagnent à être recoupés avec des enquêtes indépendantes.

Perspectives

Plusieurs signaux méritent l'attention. Le premier est la mesure de la profondeur d'adoption. Des données plus fines seraient précieuses : elles devraient distinguer les projets pilotes des agents en production, et les usages mono-tâche des usages entre systèmes. Seul ce découpage permet de séparer une vraie pénétration métier d'une simple curiosité. Le deuxième signal est le rythme de la gouvernance sur le terrain. À mesure que les obligations du règlement sur l'IA entrent en vigueur par étapes, les entreprises seront probablement plus prudentes avec les agents dans les cas à haut risque. Le niveau de détail des orientations réglementaires influencera la vitesse de la finance, de la santé et des services publics. Le troisième est l'ouverture de l'écosystème. Les agents doivent se connecter à de nombreux systèmes tiers. Si le secteur s'accorde sur des protocoles communs d'appel d'outils et sur des normes d'identité et de droits, le risque d'enfermement chez un fournisseur recule. Sinon, les acheteurs pourraient subir des coûts de changement plus élevés. Le quatrième touche aux personnes et à l'organisation. Les entreprises ont besoin de profils qui comprennent à la fois le métier et les limites du modèle, afin de concevoir et de superviser les agents. La formation et la refonte des postes avancent plus lentement que le déploiement technique, et décident souvent du résultat. Le cinquième est l'équilibre entre coût et fiabilité. Les tâches longues consomment beaucoup d'inférence, et les entreprises compareront sans cesse l'économie de main-d'œuvre au coût des appels de modèle. Cette pression favorise un usage par paliers : petits modèles pour les étapes simples, modèles plus grands pour les jugements complexes.

En somme, l'IA agentique dans l'UE est passée du concept à la diffusion. Le vrai point de bascule sera de savoir qui transforme des essais superficiels en refonte de processus auditable et reproductible. Les un ou deux ans qui viennent le diront.