La conquête des agents IA en entreprise : qui construit les outils pour le travail autonome ?

La définition d'un agent IA est véritablement contestée, ce qui explique en partie pourquoi le marché des logiciels d'agents IA est à la fois énorme et chaotique. Dans le sens le plus large, un agent IA est tout système qui reçoit une instruction, décide d'une séquence d'actions, les exécute à l'aide d'outils ou d'API, et produit un résultat — sans nécessiter l'approbation humaine à chaque étape. Dans le sens le plus étroit, un agent n'est qu'un modèle de langage avec une boucle d'appel d'outils. L'écart entre ces définitions contient l'essentiel de ce qui est construit et financé en 2025-2026.

Les chiffres de financement sont sans ambiguïté. Le rapport IA 2025 de Sequoia a identifié les agents autonomes comme la sous-catégorie IA la plus financée en nombre d'accords, avec plus de 4 milliards de dollars déployés dans les sociétés de plateformes d'agents rien qu'en 2024-2025. Salesforce Ventures, a16z, Lightspeed et Khosla ont chacun fait plusieurs paris sur les agents. La logique stratégique est simple : si l'IA passe de la réponse aux questions à l'accomplissement de tâches, la valeur économique se déplace des coûts d'inférence (de plus en plus banalisés) vers la couche d'orchestration, les intégrations, les systèmes de mémoire et les garanties de fiabilité qui rendent les agents suffisamment dignes de confiance pour fonctionner sans supervision.

Ce que font réellement les agents d'entreprise

Les cas d'utilisation qui ont le plus progressé sont, sans surprise, ceux dont le retour sur investissement est le plus clair. Le développement des ventes — des agents IA qui recherchent des prospects, rédigent des relances, gèrent des séquences et orientent les leads qualifiés vers des représentants humains — est probablement la catégorie d'agents la plus déployée en entreprise aujourd'hui. 11x, Artisan et plusieurs autres startups ont construit spécifiquement dans ce domaine, concurrençant les acteurs établis de l'automatisation des ventes comme Outreach et Salesloft en proposant des agents IA plutôt qu'une automatisation basée sur des règles.

Le service client est l'autre catégorie à forte traction. Sierra, fondée par Bret Taylor et Clay Baird et soutenue par 175 millions de dollars de Sequoia et d'autres investisseurs, a construit une plateforme de conversation IA spécifiquement pour le service client, qui gère des interactions complexes à plusieurs tours, y compris les retours, les litiges de facturation et le dépannage technique. La société affirme que ses clients constatent des taux d'automatisation supérieurs à 70 % sur le volume des centres de contact. ServiceNow, Zendesk et Salesforce se précipitent tous pour intégrer des capacités d'agent dans leurs plateformes existantes afin de se défendre contre Sierra et les startups similaires.

Les agents d'ingénierie logicielle ont attiré le plus d'attention médiatique, avec GitHub Copilot Workspace, Devin de Cognition, SWE-agent et une douzaine d'autres produits affirmant accomplir de manière autonome des tâches de programmation à partir d'un cahier des charges. Les résultats sont réels mais limités : les agents actuels peuvent traiter de manière fiable des tickets bien définis et isolés, mais ont du mal avec les grandes bases de code, les décisions architecturales complexes et les tâches qui nécessitent la compréhension d'un contexte organisationnel non explicité.

La couche infrastructure

Sous les startups d'agents de la couche applicative, un écosystème d'infrastructure a émergé pour résoudre les problèmes communs auxquels chaque agent est confronté. LangChain et son offre commerciale LangSmith fournissent des frameworks d'orchestration et d'observabilité. Composio propose une infrastructure d'intégration — des connecteurs pré-construits vers plus de 250 API SaaS d'entreprise, permettant aux agents d'agir dans Gmail, Salesforce, Slack, Jira et d'autres systèmes sans que chaque développeur ait à construire des intégrations personnalisées. E2B fournit des environnements d'exécution de code en sandbox pour que les agents puissent exécuter du code en toute sécurité. Recall.ai gère l'infrastructure des bots de réunion pour les agents qui participent à des appels vidéo.

La mémoire est un problème difficile sous-estimé pour les agents. La fenêtre de contexte d'un modèle de langage est finie ; un agent travaillant sur une tâche de plusieurs jours doit se souvenir de ce qu'il a décidé des heures ou des jours auparavant. Plusieurs startups — Letta (anciennement MemGPT), Mem et d'autres — construisent des systèmes de mémoire explicites pour les agents : stockage structuré, récupération et mise à jour de l'état de l'agent qui persistent entre les sessions et s'adaptent au-delà des limites de la fenêtre de contexte.

Le fossé de la fiabilité

Le défi central de la catégorie est un mot qui n'est pas assez utilisé dans les annonces de financement : la fiabilité. Un humain qui accomplit une tâche réussit ou échoue avec grâce — si quelque chose d'inattendu se produit, il le remarque et s'adapte. Un agent IA autonome dans un flux de travail multi-étapes peut échouer silencieusement, prendre des actions incorrectes difficiles à annuler, ou se retrouver coincé dans des boucles de reprise ayant des conséquences réelles (e-mails en double envoyés, transactions en double soumises, données erronées écrites dans les systèmes d'enregistrement).

Les déploiements en production en entreprise ont généré un schéma d'incidents qui mettent en lumière les endroits où les agents actuels échouent : lorsque les API renvoient des réponses inattendues, lorsque la description de la tâche était ambiguë, lorsqu'une autorisation requise n'avait pas été accordée au préalable, ou lorsqu'une tâche multi-étapes nécessite un contexte qui n'était pas disponible au moment du démarrage. Les principales plateformes d'agents ont fortement investi dans l'escalade humaine dans la boucle — concevoir des agents qui savent quand faire une pause et demander une confirmation humaine plutôt que de continuer avec une faible confiance.

Le niveau d'exigence en matière de fiabilité pour les logiciels d'entreprise est bien plus élevé que pour l'IA grand public. Un consommateur utilisant un chatbot qui se trompe 1 fois sur 20 est légèrement agacé. Un agent d'entreprise traitant des bons de commande qui se trompe 1 fois sur 20 est un passif. Les fournisseurs de logiciels d'entreprise établis comme ServiceNow et SAP commercialisent leurs produits d'agents explicitement sur la fiabilité et l'auditabilité, se positionnant contre les startups natives de l'IA dont les démonstrations impressionnantes peuvent masquer l'écart de qualité de production.

La dynamique plateforme contre startup

La concurrence familière des plateformes se joue désormais dans les agents IA. Agentforce de Salesforce, lancé en septembre 2024, est une tentative directe de posséder la couche d'agent d'entreprise pour ses 150 000 clients. Copilot pour Microsoft 365 de Microsoft, enrichi de capacités autonomes fin 2024, vise à intégrer des agents dans les flux de travail Office et Teams où les employés d'entreprise travaillent déjà. Now Assist de ServiceNow avec des capacités d'agent cible les opérations informatiques et les flux de travail RH. Chaque plateforme a l'avantage des intégrations préexistantes, de la résidence des données, de la confiance et des relations clients.

Les startups rivalisent en vitesse d'innovation, en spécialisation et en capacité à traiter des cas d'utilisation que les grandes plateformes sont trop lentes à construire. La question pour les startups d'agents IA est de savoir si elles peuvent atteindre l'échelle avant que les fournisseurs de plateformes ne banalisent leur proposition de valeur centrale — une question que toute startup SaaS d'entreprise finit par rencontrer, mais que le rythme rapide de l'IA rend exceptionnellement urgente.

Le marché est suffisamment vaste pour que plusieurs issues soient viables. Les plateformes capteront les cas d'utilisation horizontaux génériques. Les agents verticaux spécialisés — pour le juridique, la santé, les services financiers, l'ingénierie logicielle et la recherche scientifique — pourraient soutenir des entreprises indépendantes à une échelle significative. Et la couche d'infrastructure — orchestration, mémoire, intégrations, observabilité — devrait connaître une consolidation autour d'un petit nombre d'outils standard, comme ce fut le cas avec l'infrastructure cloud et les outils DevOps auparavant.

Les 18 prochains mois seront éclairants. Les produits d'agents qui démontrent un ROI cohérent et mesurable dans les déploiements en production en entreprise connaîtront une croissance rapide. Ceux qui brillent en démonstration mais peinent avec les exigences de fiabilité moins glamour rencontreront un plafond naturel. La conquête est en cours ; le tri s'ensuit.