Un agent retrouve une information, analyse une demande et propose une action dans un outil métier. La démonstration convainc. Le sponsor souhaite accélérer le déploiement.
Mais plusieurs questions restent ouvertes : qui répond d’une erreur ? Quelles actions l’agent peut-il engager seul ? Qui assure le support ? Comment vérifier qu’un changement de modèle ne dégrade pas le service ?
Ces questions déterminent la capacité de l’entreprise à transformer une expérimentation en un service utilisé au quotidien. Elles doivent donc entrer dans le projet avant la mise en production.
Pour la DSI, l’enjeu est de construire un chemin reproductible entre exploration, industrialisation et exploitation. Voici cinq bonnes pratiques pour l’amorcer.
1. Nommer les responsables avant d’élargir le périmètre
Un service agentique mobilise les métiers, la Data, les spécialistes de l’IA et les équipes IT. Cette coopération doit s’accompagner de responsabilités précises.
Le métier définit le résultat attendu et les règles du processus. La Data garantit les définitions et la qualité des données mobilisées. Les spécialistes de l’IA évaluent le comportement de l’agent. La DSI organise l’intégration, la fiabilité et l’exploitation.
La bonne pratique : désigner un responsable du produit de bout en bout, puis un décideur clairement identifié pour chaque décision structurante : valider les règles métier, autoriser une mise en production, modifier le niveau d’autonomie ou arrêter le service.
2. Définir ce que l’agent est autorisé à faire
L’autonomie se définit action par action. Consulter une donnée, préparer une réponse et modifier un dossier client n’engagent pas les mêmes conséquences.
Prenons un agent de traitement des demandes d’achat. Il peut rechercher les informations et préparer une proposition. Les plafonds d’engagement, les droits d’accès et les validations obligatoires doivent être appliqués par le système, indépendamment du raisonnement du modèle.
La bonne pratique : formaliser un contrat de fonctionnement précisant les actions permises, les validations humaines requises, les situations d’abstention et la procédure de reprise en cas d’échec.
3. Préparer l’exploitation dès l’expérimentation
Un pilote doit permettre d’apprendre vite. Quelques décisions prises trop tard peuvent pourtant rendre son industrialisation coûteuse : accès mal définis, absence de traces, dépendances fragiles ou critères de qualité implicites.
Associer tôt les équipes d’exploitation et de sécurité permet d’anticiper ces difficultés, avec un niveau d’exigence proportionné à la criticité du cas d’usage.
La bonne pratique : fixer les preuves attendues pour chaque étape. L’exploration vérifie l’intérêt et la faisabilité. L’industrialisation établit les conditions d’un engagement de service. L’exploitation mesure la qualité, l’usage et la valeur dans la durée. L’arrêt d’un projet insuffisamment convaincant doit rester une issue possible.
4. Mutualiser les fondations pour accélérer les projets suivants
L’identité, les accès aux outils, les évaluations, la supervision et le suivi des coûts reviennent d’un service agentique à l’autre. Les reconstruire à chaque projet multiplie les efforts et complique le support.
C’est le principe d’une AI Delivery Factory : une organisation qui fournit des fondations communes et un parcours de livraison, tout en laissant aux équipes métier la responsabilité de leurs produits et de leurs résultats.
La bonne pratique : partir d’un ou deux cas d’usage réels, réutiliser les plateformes existantes et mutualiser progressivement les composants dont l’utilité est démontrée.
5. Mesurer le service rendu
Le nombre de pilotes renseigne sur l’activité d’expérimentation. Pour décider des investissements, la DSI et les métiers ont besoin d’indicateurs liés au fonctionnement réel : tâches réussies, reprises humaines nécessaires, incidents, adoption durable et coût par résultat utile.
La bonne pratique : choisir quelques indicateurs dès le cadrage et les réévaluer après chaque changement important du modèle, des outils ou du processus.
Un pilote doit amorcer le suivant
Avant de financer un nouveau cas d’usage, une question mérite d’être posée : qu’allons-nous construire qui rendra le prochain service plus simple à déployer et à exploiter ?
Cette logique permet d’accumuler des capacités réutilisables : contrôles, méthodes d’évaluation, composants et compétences. Elle donne à la DSI un rôle central pour faire progresser ensemble l’innovation et la maîtrise opérationnelle.
Pour approfondir : François Bossière développe le modèle d’AI Delivery Factory, l’articulation entre métiers, Data, IA et IT, ainsi que le parcours de l’exploration à l’exploitation dans son analyse publiée sur Synthetic Horizons (en anglais).