Comment créer un agent IA en PME (sans se tromper de cible)

Avant le modèle, le process

Avant de parler de modèle, regarde le process. Si tu ne sais pas mesurer le temps perdu, l'agent ne servira à rien.

Un agent, en pratique: un LLM qui génère des tokens dans une boucle outillée (lire, écrire, appeler des APIs). Au fil de la discussion, tokens et résultats d'outils remplissent la context window. Sans design de ce contexte et des droits, la qualité chute (voir context engineering).

Trois briques: le modèle, les outils, la politique de contrôle. Sans la troisième brique, tu as juste un POC / une démo.

Ce n'est pas un chatbot collé sur le site vitrine. C'est un collègue numérique borné sur un flux, avec logs et escalade.

Choisir le premier flux qui paie

Filtre: fréquent (plusieurs fois par semaine), coûteux en temps, règles assez claires, erreur acceptable ou validation humaine simple.

Cas qui passent souvent en PME de services: qualification inbound (formulaire + email) avec trame de réponse ou devis; relances devis/factures; support N1 sur base documentaire fermée. Volume mesurable, escalade naturelle.

Évite jour 1: stratégie commerciale ouverte, « SEO automatique », support multilingue non documenté, paiement/RH sans cadre juridique.

Cadrage en 40 minutes: parcours actuel (qui, outil, durée), exceptions, volume hebdo, definition of done, un seul KPI (minutes gagnées, leads sous 2 h, escalade sous 20%). Si tu ne peux pas nommer le KPI en une phrase, tu es encore en exploration produit.

Architecture minimale

Cinq couches: entrée (webhook, email, message); normalisation du contexte; génération (LLM); outils (API, MCP si besoin, index borné); sortie contrôlée (brouillon, action, log).

Outils: allowlist courte (lire ticket, chercher docs, brouillon, créer tâche). Écritures destructives derrière confirmation. 3 à 7 outils testés battent un catalogue de 40.

MCP standardise les branchements; ce n'est pas magique sans API stable. Détail dans l'article Model Context Protocol.

Observabilité dès le sprint 1: log entrée, outils, prompt versionné, sortie, décision humaine.

HITL et mesure avant multi-agent

Modes: suggestion, assisté (un clic), autonome borné (cas verts seulement). Le curseur se monte après calibration sur 50-100 cas. Détail dans l'article human in the loop.

KPI minimum: volume/semaine, temps médian avant/après, escalade, rejet après validation, coût tokens par ticket, incidents.

Pilote 3-4 semaines: corpus réel, 1-2 power users, revue hebdo orange/rouge, gel des features. Go/no-go avant d'empiler du multi-agent.

Multi-agent seulement si un seul agent devient illisible. Sinon tu empiles la complexité sans ROI.

Si vous voulez cadrer un premier agent sur un process réel, on peut le faire en 20-40 minutes.

Erreurs fréquentes

Chatbot site sans objectif. Tout brancher jour 1. Pas de sponsor métier. Prompts non versionnés. Scaler avant la qualité. Ignorer la conformité (PII, hébergement, rétention des logs).