Pourquoi tant de projets d’agents autonomes échouent faute d’objectifs métier clairs

Les projets d’agents autonomes peuvent produire des démonstrations convaincantes sans résoudre un problème suffisamment important pour l’entreprise. Lorsque le résultat attendu, son responsable et ses critères de réussite restent flous, il devient difficile de décider quoi automatiser, de contrôler les risques et de justifier le passage à l’échelle.
Le cadrage métier ne consiste pas à freiner l’expérimentation. Il permet au contraire de relier les capacités d’un agent à un processus réel, de définir son autorité et de mesurer si son intervention améliore effectivement le travail.
Pourquoi les agents autonomes échouent-ils à créer de la valeur métier ?
Un agent peut enchaîner des actions, exploiter des outils et adapter certaines étapes à une situation. Mais cette autonomie ne constitue pas un objectif métier en soi. Une équipe peut réussir à construire un système techniquement fonctionnel sans savoir si elle réduit un délai utile, améliore une décision ou libère une capacité réellement réaffectable.
Un projet d’agent autonome crée de la valeur lorsqu’il contribue à un résultat métier mesurable, dans un périmètre contrôlé, avec un responsable identifié et des coûts acceptables. La capacité à agir seul ne suffit pas à démontrer cette valeur.
Les données disponibles montrent surtout un écart entre l’intérêt pour les agents et la préparation des organisations. En 2026, Deloitte rapporte que seulement 5 % des organisations interrogées estiment leurs processus métier très prêts pour les agents IA. Dans le même ensemble de constats, 15 % déclarent avoir déployé à grande échelle des agents orchestrés intervenant sur plusieurs fonctions.
Gartner prévoit pour sa part que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, notamment en raison d’une valeur métier peu claire, des coûts et de contrôles insuffisants. Il s’agit d’une prévision, et non d’un taux d’échec déjà observé. Elle ne signifie pas non plus que tous ces projets échoueront pour la même raison.
Ces constats invitent néanmoins à poser une question avant de choisir une architecture : quel changement l’entreprise veut-elle obtenir dans son fonctionnement ? Une réponse telle que « utiliser des agents pour moderniser les opérations » exprime une intention, mais elle ne permet pas de trancher les décisions concrètes.
Quel processus doit changer, et où se situe sa difficulté actuelle ?
Qui constate le problème et qui sera responsable du résultat ?
Quel bénéfice justifierait les coûts, les contrôles et les adaptations nécessaires ?
Quelles actions l’agent pourrait-il réaliser sans validation humaine ?
Sans ces réponses, les arbitrages techniques prennent facilement la place des arbitrages métier. Le projet avance alors sur la sophistication de l’agent, tandis que sa contribution à l’activité reste une hypothèse.
Transformer une ambition IA en objectif métier exploitable
Un objectif exploitable décrit un résultat, une population concernée et un moyen de vérifier le changement. Il ne se limite pas à nommer une technologie ou à promettre une hausse générale de productivité. Il doit aussi permettre de reconnaître qu’un projet ne fonctionne pas.
Prenons un exemple fictif : une équipe souhaite utiliser un agent pour préparer le traitement de demandes internes. L’ambition initiale pourrait être « automatiser les demandes ». Une formulation plus utile serait : « réduire le délai de préparation des demandes éligibles, sans augmenter les erreurs de classification ni supprimer la validation des cas sensibles ».
Cette seconde formulation ne garantit pas le succès. Elle rend simplement explicites le processus visé, le bénéfice attendu et une partie des limites à respecter. L’équipe peut alors vérifier si les demandes sont suffisamment homogènes, si les données sont accessibles et si le temps gagné à la préparation ne se retrouve pas perdu en corrections.
Définir le résultat avant la solution
Le cadrage gagne à suivre une séquence simple. Elle peut être menée conjointement par le responsable métier, le chef de projet, les personnes qui réalisent le travail et les interlocuteurs techniques ou de contrôle concernés.
Décrire la situation actuelle :
identifier le déclencheur du processus, les étapes, les outils utilisés et les difficultés rencontrées par les équipes.
Formuler le résultat recherché :
préciser ce qui doit changer pour les utilisateurs ou pour l’entreprise, sans présumer que l’agent est la seule réponse.
Délimiter le périmètre :
choisir les types de demandes, les équipes et les décisions incluses, ainsi que les exceptions exclues.
Désigner un propriétaire :
nommer la personne qui accepte les compromis, suit les résultats et décide de la suite avec les parties prenantes.
Définir les preuves attendues :
choisir une situation de référence, des indicateurs et des seuils de décision adaptés au contexte.
La présence d’un propriétaire métier est importante parce que les résultats impliquent souvent plusieurs fonctions. Le responsable technique peut évaluer la faisabilité et la robustesse ; il ne peut pas, à lui seul, décider de la valeur d’un gain de délai ou du niveau de risque acceptable pour une activité.
Il faut également distinguer efficacité et développement. Selon McKinsey, 80 % des répondants déclarent viser l’efficacité, tandis que les organisations obtenant le plus de valeur fixent aussi des objectifs de croissance ou d’innovation. Cela ne signifie pas qu’un projet doit promettre de la croissance : il doit clarifier le type de valeur qu’il vise et éviter de réduire toute la discussion au temps économisé.
Choisir un cas d’usage adapté plutôt qu’automatiser tout un processus
Un objectif clair aide à sélectionner un terrain d’expérimentation. Un bon premier cas d’usage n’est pas nécessairement le plus spectaculaire : c’est celui pour lequel l’équipe peut observer le travail, définir les limites et comparer le résultat à une situation de référence.
Les processus internes et délimités constituent une piste à examiner. Harvard Business Review souligne que les agents ne sont pas encore prêts pour les usages orientés client, mais qu’ils peuvent réussir sur des processus internes bien cadrés. Cette distinction invite à la prudence, sans dispenser d’évaluer les risques propres à chaque processus interne.
Pour reprendre l’exemple fictif des demandes, l’agent pourrait préparer une synthèse et proposer une catégorie, tandis qu’une personne vérifie le résultat avant toute action. Le périmètre initial pourrait exclure les demandes incomplètes ou sensibles et les transmettre à un circuit humain. Ce choix rend le test plus lisible que la promesse de traiter immédiatement toutes les demandes de bout en bout.
Les critères de sélection à discuter
Importance du problème :
le processus provoque-t-il une difficulté reconnue par les personnes concernées, ou cherche-t-on surtout un prétexte pour tester un outil ?
Délimitation :
peut-on identifier un début, une fin, des cas éligibles et des cas à exclure ?
Vérifiabilité :
une personne compétente peut-elle juger si la production de l’agent est correcte et utile ?
Disponibilité des informations :
les données nécessaires sont-elles accessibles et utilisables dans les conditions autorisées ?
Conséquences d’une erreur :
que se passe-t-il si l’agent se trompe, omet une information ou déclenche une action inappropriée ?
Capacité de changement :
l’équipe métier peut-elle consacrer du temps au test, à la formation et à l’évolution du processus ?
Il faut aussi comparer l’agent à des options moins complexes. Une règle métier, une automatisation classique, une meilleure interface ou une clarification des responsabilités peuvent parfois répondre au besoin. Si le résultat attendu ne nécessite ni adaptation de la séquence de travail ni utilisation raisonnée de plusieurs outils, l’autonomie supplémentaire peut ajouter du coût et du contrôle sans bénéfice proportionné.
Le choix n’est donc pas « agent ou immobilisme ». Il consiste à retenir la solution la plus adaptée au problème, y compris une solution mixte dans laquelle l’agent prépare une proposition et une personne prend la décision.
Mesurer la valeur sans confondre activité et résultat
Un agent qui traite beaucoup de dossiers n’améliore pas nécessairement le processus. Il peut produire des propositions inutilisables, déplacer la charge vers les contrôleurs ou accélérer des cas simples tout en laissant les cas complexes s’accumuler. Le nombre d’actions effectuées décrit l’activité ; il ne suffit pas à établir la valeur.
Avant le pilote, il est utile de documenter la situation de référence avec les données disponibles et les observations des équipes. Si les mesures existantes sont incomplètes, cette incertitude doit apparaître dans la décision : une comparaison fragile ne devient pas fiable simplement parce qu’un tableau de bord affiche un chiffre.
Construire un petit ensemble d’indicateurs complémentaires
Les indicateurs dépendent du cas d’usage, mais ils devraient couvrir plusieurs dimensions pour éviter qu’un gain apparent masque une dégradation ailleurs. Dans l’exemple des demandes internes, l’équipe pourrait suivre :
Le délai entre la réception d’une demande éligible et la préparation d’un dossier vérifiable.
La proportion de propositions acceptées, corrigées ou rejetées par les personnes chargées du contrôle.
Le temps consacré à la vérification, aux corrections et au traitement des exceptions.
Les erreurs ou omissions identifiées, avec leur gravité et leurs conséquences.
Les coûts associés au fonctionnement, à l’intégration, au contrôle et à la maintenance du dispositif.
Ces mesures doivent être interprétées ensemble. Une baisse du délai de préparation n’est pas forcément un gain net si la vérification exige davantage de travail. De même, un taux élevé d’acceptation mérite d’être examiné si les contrôleurs n’ont pas les moyens de vérifier correctement chaque proposition.
La discussion sur le retour sur investissement doit inclure les coûts au-delà de la seule construction initiale : exploitation, accès aux outils, supervision, gestion des incidents et adaptation des processus. Elle doit aussi préciser ce que devient le temps éventuellement libéré. Une capacité disponible n’est pas automatiquement une économie budgétaire ; elle peut être réaffectée à un travail de meilleure qualité ou à une activité supplémentaire.
Gartner indique que seulement 22 % des organisations ont réussi à étendre l’IA à plusieurs unités métier. Le cabinet souligne aussi que les équipes les plus performantes suivent le retour sur investissement de manière disciplinée et réallouent les initiatives peu performantes. Ce constat concerne l’IA au sens large : il ne faut pas le présenter comme un taux propre aux seuls agents autonomes.
Enfin, un objectif de croissance ou d’innovation demande ses propres preuves. Si l’agent doit aider une équipe à explorer de nouvelles pistes, le suivi peut porter sur l’utilisation effective des propositions et sur les décisions qu’elles éclairent, plutôt que sur le seul volume de contenu généré.
Redessiner le processus et clarifier les responsabilités
Introduire un agent ne revient pas simplement à ajouter un outil à une procédure inchangée. Il faut décider comment le travail circule, qui contrôle les résultats, comment les exceptions sont traitées et à quel moment une personne reprend la main.
Deloitte note que, malgré des attentes élevées en matière de productivité, seulement un leader sur cinq se dit prêt à redessiner ses processus pour fonctionner en mode agentique autonome. Ce chiffre renseigne sur la préparation déclarée, pas sur l’impossibilité de transformer les processus. Il rappelle néanmoins qu’un déploiement technique ne remplace pas ce travail d’organisation.
McKinsey observe également en 2026 que la valeur pour l’entreprise n’a pas suivi le rythme de l’adoption. Parmi ses recommandations figurent l’organisation du travail autour des résultats, la clarification de l’autorité et de la responsabilité, ainsi que l’évolution des mécanismes de pilotage.
Cartographier le travail avant et après l’agent
Une cartographie simple suffit souvent à rendre les décisions visibles. Pour chaque étape, l’équipe peut noter son déclencheur, les informations utilisées, la personne ou le système qui agit, la décision produite et le traitement prévu en cas d’échec.
Avant le changement :
observer le parcours réel, y compris les reprises manuelles et les échanges informels qui ne figurent pas toujours dans la procédure officielle.
Pendant le pilote :
préciser ce que l’agent prépare, ce que la personne vérifie et comment les cas ambigus sont signalés.
Après validation :
adapter les consignes, les accès, les formations et les points de contrôle au fonctionnement retenu.
Dans notre scénario fictif, la préparation d’une demande peut devenir plus rapide, mais le contrôleur doit savoir quoi vérifier, comment corriger une catégorie et où signaler une erreur récurrente. Sans ce retour, l’équipe mesure mal la charge réelle et perd une information utile pour améliorer le dispositif.
Il faut également distinguer trois rôles : le propriétaire du résultat métier, le responsable du fonctionnement technique et la personne autorisée à valider ou interrompre une action. Une même personne peut cumuler certains rôles selon le contexte, mais leur attribution doit rester explicite.
Cette clarification protège aussi l’expérience des équipes. L’agent ne doit pas devenir une source de tâches de contrôle invisibles. Si la vérification est nécessaire, elle doit être prévue dans le temps de travail et prise en compte dans le calcul de valeur.
Définir une gouvernance proportionnée à l’autonomie de l’agent
Plus un agent peut agir sur des outils, des données ou des décisions, plus il faut préciser les limites de son autorité. La gouvernance n’est pas une étape ajoutée après le développement : elle influence le choix du cas d’usage et la conception du parcours dès le départ.
BCG invite notamment les entreprises à répondre à une question : qu’est-ce qui empêche un agent de poursuivre son objectif de la mauvaise manière ? Le cabinet insiste sur une autorisation fondée sur le but et le comportement. Autrement dit, demander à l’agent d’atteindre un résultat ne suffit pas ; il faut aussi définir les moyens qu’il peut employer.
Un objectif de réduction des délais illustre bien le problème. Si l’agent est évalué uniquement sur la vitesse, il pourrait privilégier les dossiers faciles ou proposer une clôture prématurée. Une gouvernance utile associe donc le résultat attendu à des conditions de qualité, à des actions permises et à des mécanismes de contrôle.
Les décisions à prendre avant toute action autonome
Accès :
quelles données et quels outils sont nécessaires au cas d’usage, et lesquels doivent rester hors de portée ?
Actions :
l’agent peut-il seulement lire et préparer, ou peut-il aussi modifier un dossier, envoyer un message ou déclencher une opération ?
Validation :
quelles actions exigent une approbation humaine préalable, notamment lorsque leurs conséquences sont difficiles à corriger ?
Traçabilité :
quelles informations faut-il conserver pour comprendre une proposition, une action ou un incident ?
Exceptions :
que doit faire l’agent lorsqu’une donnée manque, qu’une instruction est ambiguë ou qu’une situation sort du périmètre ?
Interruption :
qui peut suspendre le dispositif et comment le travail reprend-il en mode manuel ?
Ces décisions doivent être proportionnées. Un agent qui prépare une synthèse interne pour vérification n’a pas nécessairement besoin du même niveau d’autorité qu’un agent qui modifie des données ou communique à l’extérieur. Dans les deux cas, les conséquences d’une erreur doivent être examinées avant le déploiement.
Gartner indique que 75 % des leaders applicatifs interrogés testent, déploient ou ont déjà déployé une forme d’agents IA. Le cabinet relève aussi que la gouvernance, la maturité et la prolifération des agents freinent une autonomie plus poussée. L’adoption d’un outil ne doit donc pas être confondue avec la capacité à le gouverner dans la durée.
Conduire un pilote qui permette une vraie décision
Un pilote n’a pas pour seul objectif de montrer que l’agent peut fonctionner. Il doit aider à décider s’il faut poursuivre, modifier le périmètre, choisir une autre solution ou arrêter. Pour cela, ses critères de décision doivent être discutés avant d’observer les résultats.
En 2026, McKinsey indique qu’environ deux répondants sur dix déclarent avoir atteint une phase de mise à l’échelle pour les agents IA. Ce résultat montre que le passage à l’échelle reste limité parmi les répondants ; il ne permet pas, à lui seul, d’attribuer tous les blocages à un manque d’objectifs métier.
Préparer le test avec les personnes qui feront le travail
Le pilote peut commencer sur un périmètre réduit, avec des cas représentatifs et des exceptions connues. Les utilisateurs doivent pouvoir signaler non seulement les erreurs de l’agent, mais aussi les étapes inutiles, les informations manquantes et les contrôles difficiles à réaliser.
Documenter la référence :
relever le fonctionnement actuel et les limites des données de départ.
Énoncer les hypothèses :
préciser le bénéfice attendu, les conditions nécessaires et les risques à surveiller.
Fixer les règles de test :
définir les cas inclus, les accès, les validations et les modalités de retour en arrière.
Observer le travail complet :
suivre les propositions de l’agent, mais aussi les vérifications, corrections et exceptions.
Comparer et décider :
confronter les résultats aux critères retenus, puis consigner la décision et ses motifs.
Les seuils de réussite ne sont pas universels. Ils dépendent notamment de l’importance du bénéfice, de la gravité des erreurs possibles et des alternatives disponibles. Une équipe peut accepter un gain modeste si le contrôle reste simple et le coût faible ; elle peut aussi refuser une automatisation rapide si la qualité ou la responsabilité ne sont pas maîtrisées.
Le retour d’expérience doit distinguer plusieurs situations. L’agent peut être pertinent mais mal intégré au processus ; le besoin peut être réel mais mieux couvert par une automatisation classique ; ou le problème initial peut être moins important qu’anticipé. Dans chaque cas, la décision suivante diffère.
La déception sur les promesses commerciales mérite aussi d’être prise en compte. Gartner rapporte que 45 % des leaders martech interrogés estiment que les agents proposés par les fournisseurs ne répondent pas à leurs attentes de performance business. Ce résultat concerne cette population précise et ne prouve pas, à lui seul, que le cadrage initial est la cause de leur déception. Il rappelle l’intérêt de tester les promesses sur ses propres processus et critères.
Piloter les projets d’agents comme un portefeuille de valeur
Après un pilote, la question n’est pas seulement de savoir si un agent peut être déployé. Il faut également comparer son intérêt avec celui des autres initiatives qui sollicitent les mêmes budgets, compétences et équipes métier.
Gartner décrit une approche dans laquelle les organisations performantes traitent l’IA comme un portefeuille de valeur : elles suivent régulièrement la performance et arrêtent ou réallouent les initiatives sous-performantes. Appliquée aux agents, cette logique évite de considérer chaque expérimentation comme un engagement automatique vers un déploiement généralisé.
Organiser une revue de décision régulière
Une revue de portefeuille peut réunir les responsables métier, techniques et de contrôle autour d’un nombre limité de questions. L’objectif n’est pas de produire un reporting supplémentaire sans usage, mais de rendre les arbitrages explicites.
Le problème initial reste-t-il prioritaire pour l’organisation ?
Les résultats observés justifient-ils les coûts et la charge de contrôle ?
Les équipes utilisent-elles effectivement le dispositif dans les conditions prévues ?
Les incidents, exceptions ou modifications du processus changent-ils le niveau de risque ?
Faut-il poursuivre, élargir, réduire, remplacer ou arrêter l’initiative ?
Le passage à une autre équipe ou à un autre périmètre ne doit pas être considéré comme une simple copie. Les données, les règles et les responsabilités peuvent différer. Avant d’élargir le dispositif, il faut vérifier que l’objectif reste pertinent et que les contrôles conviennent au nouveau contexte.
Il est également utile de conserver une trace des décisions. Si le projet est arrêté parce que la vérification annule le gain attendu, cette information peut orienter d’autres équipes vers une solution différente. Si le pilote est poursuivi sous condition, les responsables doivent savoir quelle condition sera réexaminée et à quel moment.
Enfin, la valeur peut évoluer après le déploiement. Un changement dans les volumes, les outils, les règles ou les usages peut modifier le coût réel et la pertinence de l’agent. Le suivi doit donc se poursuivre au-delà de la démonstration initiale, sans multiplier les indicateurs qui n’aident pas à décider.
Les agents autonomes ne remplacent ni une stratégie métier ni une organisation claire du travail. Leur intérêt apparaît lorsqu’un problème précis, un résultat vérifiable et une autorité proportionnée sont réunis autour d’un processus que les équipes peuvent réellement faire évoluer.
Pour commencer, choisissez un cas d’usage délimité, désignez son propriétaire et définissez comment vous comparerez le résultat à l’existant. Vous disposerez alors d’une base pour décider si un agent apporte une valeur durable, ou si une solution plus simple répond mieux au besoin.


