On parle d’agents IA partout. Dans les conférences, sur LinkedIn, dans les roadmaps produit. Et pourtant, une réalité s’impose doucement : la majorité des projets d’agents IA ne passent jamais en production. Pas faute de budget, pas faute d’ambition — faute d’une erreur de conception fondamentale que personne n’ose vraiment nommer.
J’ai reçu dans le podcast Le Client Jérôme de Nomazy, cofondateur de FAIbrik, vingt ans d’expertise en conseil et pionnier de l’IA dès 2011 — à l’époque d’IBM Watson, la machine qui a battu les meilleurs joueurs humains au jeu Jeopardy en prouvant qu’une machine pouvait comprendre le langage naturel. Ce qui en fait l’un des rares experts à avoir traversé toutes les vagues d’enthousiasme — et tous les atterrissages difficiles.
Ce qu’il m’a dit ce jour-là remet en question une bonne partie du discours ambiant. Et je pense que vous avez besoin de l’entendre.
IA agentique en service client : puissante pour comprendre, risquée pour exécuter
Commençons par une vérité que l’on escamote trop souvent : un LLM (modèle de langage) est un système probabiliste. Il prédit le prochain mot le plus probable. Ce n’est pas un moteur d’exécution déterministe.
Or en service client, ce dont on a besoin, c’est précisément de l’exécution déterministe. On veut 100 % de précision, pas 80, pas 85. Une demande de facture traitée une fois sur deux, c’est une promesse client brisée une fois sur deux.
Le piège dans lequel tombent beaucoup d’organisations, c’est de confier à un agent IA l’orchestration complète d’un processus. L’agent reçoit 50, 60, 70 règles métier en même temps et doit décider, à chaque requête, laquelle appliquer — comme s’il découvrait son job tous les matins. Résultat : 30 à 40 % de précision. Indéployable. Et ces agents brûlent votre argent à chaque appel externe inutile.
Automatisation vs IA agentique : comment séparer ce que vous savez faire de ce que vous devez découvrir
C’est là où l’analogie de Jérôme avec le cerveau humain devient éclairante — et très actionnable.
Quand vous arrivez devant une porte, votre cerveau ne réfléchit pas. Il utilise un réflexe, un automatisme : il voit la poignée, il pousse. Ce n’est que si la porte ne s’ouvre pas que vous activez un mode de réflexion plus avancé : exploration, essais, résolution de problème.
L’architecture que FAIbrik a développée transpose exactement cette logique en trois agents complémentaires :
- Agent déterministe : les processus connus sont codés sous forme de workflows classiques. L’IA intervient uniquement pour capter et extraire l’information (comprendre la demande, identifier la commande concernée), mais c’est l’informatique traditionnelle qui exécute. Précision : proche de 100 % sur les cas couverts. Ce premier agent traite entre 60 et 80 % des demandes.
- Agent découverte : pour les cas hors-référentiel — une demande inédite, un client au quatrième échange sur deux canaux différents — c’est l’IA agentique qui prend le relais, explore, propose des solutions et en teste certaines. [LIEN INTERNE : article sur l’IA agentique et ses cas d’usage réels]
- Agent codeur : une fois qu’une nouvelle solution a été trouvée et validée par un expert humain, un troisième agent la code automatiquement sous forme de workflow. Ce nouveau cas connu intègre alors l’agent déterministe pour les prochaines occurrences. Le système s’améliore en continu, de façon maîtrisée.
La conséquence concrète ? Sur le cas du routage d’emails cité par Jérôme : en partant d’une IA agentique à 30-40 % de précision, le passage à l’architecture hybride a permis d’atteindre 85 % de bons résultats dès le lendemain.
Cas concrets : ce que l’approche hybride change pour votre service client
Voici deux cas terrain qui illustrent ce que cette approche rend possible.
E-commerce multi-langues avec pics saisonniers. FAIbrik accompagne depuis deux ans Eminza, un site de décoration qui encaisse des milliers de mails par jour en novembre-décembre, sur huit langues, avec une équipe locale restreinte. La solution : automatisation des flux emails, téléphonie et avis clients pour libérer les équipes des tâches répétitives, complétée par un chatbot pour les questions fréquentes. Verdict du client à l’issue de la saison : « Nous avons atteint tous nos objectifs de service client. » Et la marge de progression reste entière.
Marketplace B2B. Un distributeur de matériel électrique reçoit 80 % de demandes de factures sur ses canaux marketplace. Problème : la facture n’est pas toujours générée au moment de la demande. La solution hybride — IA pour comprendre la demande et identifier la commande, workflow automatisé pour vérifier la disponibilité, générer la facture ou reprogrammer la vérification — a permis d’automatiser 100 % de ces demandes. Résultat : l’équipe a pu ouvrir un canal WhatsApp dédié à l’assistance à la vente.
Dans les deux cas, le gain n’est pas « remplacer les humains ». C’est transformer une équipe de traitement en équipe de valeur.
Coût, souveraineté et écologie : les vrais inconvénients de l’IA agentique que personne ne mentionne
Sur ce point, Jérôme est direct : il n’y a pas photo. Une IA agentique consomme énormément d’appels à des modèles externes. Sur de forts volumes, la facture grimpe vite — en euros comme en empreinte carbone. Et contrairement à ce que l’on imagine parfois, le Black Friday n’est pas le seul pic à anticiper : dans certains secteurs comme le logement social, les pics arrivent sans prévenance, au gré d’un coup de froid ou d’une panne, rendant la scalabilité d’autant plus critique.
L’approche hybride réduit mécaniquement ces appels aux situations qui le justifient vraiment. Sur les 60 à 80 % de cas traités par le workflow déterministe : zéro appel LLM inutile. Et puisque l’infrastructure reste classique pour l’exécution, les données clients ne sortent pas vers des API externes — un avantage de souveraineté non négligeable en contexte réglementaire européen.
Automatisation et IA agentique : quelle place reste-t-il vraiment pour vos collaborateurs ?
Certains poussent la logique jusqu’au bout : « tout ce qui est automatisable sous IA, tout ce qui est exceptionnel sous IA agentique — et les humains ne font plus rien. » C’est une erreur de vision autant que de stratégie.
La conviction de Jérôme, forgée par des années de terrain : l’humain n’est pas là pour faire ce que la machine ne sait pas encore faire — il est là pour faire ce que la machine ne fera jamais mieux que lui. L’empathie dans un appel de rétention. La décision nuancée sur un cas sensible. La relation qui transforme un problème en fidélité.
Certains clients de FAIbrik refusent d’ailleurs qu’un email soit envoyé sans relecture humaine. Pas parce que la machine se trompe nécessairement, mais parce que c’est un choix de posture de marque. Ce que l’automatisation doit libérer, c’est du temps — du vrai temps — pour que les équipes soient concentrées sur les interactions à haute valeur ajoutée.
Ce que vous devez retenir avant de lancer votre projet d’agent IA
Trois choses à retenir de cet échange :
Premièrement, l’IA n’a pas besoin d’orchestrer vos processus — elle doit comprendre et extraire, pas décider et exécuter sur des cas connus.
Deuxièmement, votre cerveau utilise des règles pour plus de 80 % de ses actions — votre service client devrait faire pareil.
Troisièmement, passer de 30 % à 85 % de précision, c’est possible, rapidement — à condition de ne pas confondre ce que l’IA fait bien avec ce qu’elle est censée tout faire.