Il y a trois ans, lorsque les premiers agents BotmasterAI sont entrés dans les processus de nos clients, la question que nous entendions le plus souvent était de savoir si l’IA agentique était vraiment prête pour l’entreprise. Aujourd’hui, presque plus personne ne la pose. D’autres l’ont remplacée, plus mûres et nettement plus délicates : où finissent les données, qui choisit le modèle à utiliser, que se passe-t-il si demain le fournisseur change les règles du jeu ?
Ces questions ne naissent pas en laboratoire, mais dans les salles de réunion, lors des analyses de risques, dans les échanges avec les services juridiques et les responsables IT. Ces derniers mois, nous les avons abordées sous différents angles ici même, sur notre blog, en parlant d’IA locale et de l’endroit où doivent vivre les données et de ce qu’il faut savoir avant d’introduire l’IA agentique dans l’entreprise. Cette fois, nous voulons prendre un peu de recul et raconter ce que nous avons appris nous-mêmes, sur le terrain, et comment ces leçons façonnent la prochaine version de notre plateforme.
Pourquoi faire le point maintenant
Dans le monde de l’IA, trois ans représentent une ère géologique. Pendant cette période, les modèles, les prix, les règles et surtout les attentes des entreprises ont changé. Travailler chaque jour avec des entreprises européennes de secteurs réglementés, de l’énergie à l’assurance, nous a offert un point d’observation qu’aucun rapport ne peut remplacer : nous avons vu quels projets arrivent en production et lesquels s’arrêtent à mi-chemin, quels doutes freinent les décisions et quelles exigences sont passées, en quelques mois, du statut de souhaitables à celui d’incontournables.
Une idée traverse toutes ces expériences : une plateforme d’IA agentique ne peut pas se développer en suivant uniquement sa propre roadmap. Elle doit évoluer avec le marché qu’elle sert, écouter ceux qui l’utilisent et transformer les nouveaux besoins en choix d’architecture. C’est une approche plus exigeante, car elle oblige à remettre en question des décisions déjà prises. Mais c’est la seule qui permette de rester pertinent dans un secteur qui évolue aussi vite.
Leçon 1 : le problème n’est pas le modèle, mais le contrôle
Comme nous l’avons expliqué en analysant le Stanford AI Index 2026, le principal frein à l’adoption des agents n’est pas aujourd’hui la technologie, mais la sécurité et la gestion des risques. Les chiffres confirment ce que nous constatons chaque jour dans nos projets : au moment de passer en production, la question décisive est rarement de savoir si l’agent fonctionne, mais si l’entreprise peut démontrer comment les données sont protégées et comment les décisions sont reconstituées, face à un auditeur, à un régulateur ou tout simplement à son conseil d’administration.
C’est une prise de conscience qui est en train de changer notre façon de concevoir. Jusqu’à récemment, comme presque tout le monde dans le secteur, nous raisonnions surtout en termes de fonctionnalités : ce que sait faire l’agent, combien de documents il traite, combien de temps il fait gagner. Aujourd’hui, nous raisonnons avant tout en termes de garde-fous : comment tracer une décision, quand l’agent doit s’abstenir, à quel moment du processus l’approbation d’une personne est nécessaire. La gouvernance n’est pas un accessoire à ajouter à la fin, c’est la condition pour arriver en production.
Leçon 2 : la partie la plus importante est aussi la plus petite
Un agent en production repose sur trois couches. Il y a la logique métier, c’est-à-dire le processus, les règles et les critères de contrôle. Il y a le schéma d’exécution commun à tous les agents, avec la gestion de la mémoire, du contexte et des validations humaines. Et il y a l’infrastructure, qui garantit la persistance, l’isolation, la reprise après erreur et la scalabilité.
Le rapport entre ces couches est contre-intuitif. Seule la première distingue une entreprise de ses concurrents, et c’est aussi celle qui demande le moins de travail. Les deux autres absorbent l’essentiel de l’effort, ne différencient personne et doivent être maintenues pendant toute la durée de vie du système. C’est pourquoi tant de projets entièrement développés sur mesure s’enlisent : l’énergie part dans l’échafaudage, et il en reste peu pour le processus.
Au fil du temps, nous avons vu grandir chez nos clients un souhait très précis : posséder et faire évoluer en autonomie cette première couche. Ceux qui connaissent le mieux un processus sont ceux qui le gèrent au quotidien, et les entreprises veulent que leurs équipes, ou leurs partenaires de confiance, puissent créer et modifier les agents sans passer à chaque fois par le fournisseur de la plateforme. La leçon est claire : une plateforme doit prendre en charge la partie qui ne différencie pas, et laisser au client celle qui compte vraiment.
Leçon 3 : un outil d’entreprise ne peut pas dépendre des décisions des autres
Beaucoup d’outils d’IA entrent dans l’entreprise comme des expérimentations et deviennent, presque sans que personne ne s’en aperçoive, une infrastructure. Un assistant utilisé par une équipe pendant quelques semaines finit par soutenir un processus dont dépendent clients, fournisseurs et échéances. C’est à ce moment-là que la question du contrôle cesse d’être théorique.
Dans notre vademecum, nous avons rappelé les semaines pendant lesquelles, cet été, l’accès à un modèle de frontière a été suspendu en raison de contrôles à l’exportation. C’est l’exemple le plus évident, mais pas le seul. Un fournisseur peut modifier ses conditions et ses prix, retirer la version du modèle sur laquelle les agents ont été construits, ou rester soumis à une législation extraterritoriale qui s’applique même lorsque les données sont physiquement hébergées en Europe. Dans chacun de ces cas, les décisions concernant un processus critique passent entre les mains de quelqu’un d’autre.
Le lock-in ne se voit qu’au moment de partir
Il existe aussi un risque moins visible, qui n’apparaît qu’au moment où l’on veut changer de cap. Une distinction importante s’impose : utiliser un grand cloud comme infrastructure est une chose, construire ses agents à l’intérieur de ses services managés en est une autre. Dans le premier cas, on loue une capacité de calcul, qui reste remplaçable. Dans le second, on confie au fournisseur la forme même dans laquelle est écrite la logique métier, la mémoire des agents, la base de connaissances et souvent la famille de modèles. Le jour où l’on veut changer, les agents ne migrent pas : ils se réécrivent.
Le législateur européen a reconnu le problème : avec le Data Act, à partir du 12 janvier 2027, il ne sera plus possible de facturer des frais pour le passage à un autre fournisseur cloud. C’est une avancée importante, mais elle porte sur le transfert des données, pas sur le travail nécessaire pour réécrire les agents et refaire les intégrations. Cette partie dépend uniquement de la manière dont la plateforme a été conçue.
Ce que nous entendons par IA souveraine
Pour nous, l’IA souveraine naît de là : ce n’est ni un étendard idéologique ni une préférence géographique, mais la possibilité concrète de décider où vivent ses données, quels modèles les traitent et comment changer de cap sans repartir de zéro. C’est une propriété de l’architecture, pas une simple clause contractuelle. Et elle vaut aussi vis-à-vis du fournisseur de la plateforme : un client doit pouvoir conserver ses données, ses configurations et ses processus dans des formats ouverts et lisibles, quoi qu’il arrive au fournisseur.
Leçon 4 : aucun modèle n’est éternel
Dans notre article sur l’IA locale, nous avons vu que les modèles les plus avancés sont désormais très proches en termes de capacités, alors que leurs prix restent très éloignés. Sur le terrain, cela se traduit par une leçon très concrète : le meilleur modèle d’aujourd’hui ne sera pas celui de demain, et tout construire autour d’un choix unique revient à se lier à une décision qui vieillit vite.
Les fournisseurs retirent régulièrement les anciennes versions de leurs modèles, même lorsque des processus entiers ont été construits dessus. Et certaines organisations, notamment dans le secteur public et les domaines les plus sensibles, appliquent des restrictions sur l’origine des modèles, indépendamment de leur licence. Dans les deux cas, la solution est la même : pouvoir remplacer le modèle sans toucher aux agents ni aux intégrations.
À cela s’ajoute l’efficacité. Toutes les tâches ne méritent pas le modèle le plus puissant : trier des documents ou extraire les données d’une facture demande de la rapidité et des coûts maîtrisés, interpréter un contrat complexe demande du raisonnement, traiter des données de santé ou judiciaires exige que le modèle tourne à l’intérieur du périmètre de l’entreprise. Attribuer à chaque tâche le bon modèle n’est pas un caprice technique, mais le moyen le plus concret de maîtriser à la fois les coûts, la qualité et la confidentialité.
Leçon 5 : la conformité n’est pas un interrupteur
Nous avons beaucoup écrit sur l’AI Act, des nouveautés entrées en vigueur le 2 août au report des obligations relatives aux systèmes à haut risque. Ce que nos projets nous ont appris va toutefois au-delà du calendrier : la conformité ne s’allume pas et ne s’éteint pas, elle se dose.
Plus de garanties ne signifie pas toujours de meilleurs résultats. Plusieurs études reprises dans l’AI Index montrent que renforcer une dimension de l’IA responsable peut en dégrader d’autres : certaines techniques de protection de la vie privée, par exemple, réduisent sensiblement la précision des modèles. Il n’existe pas de configuration optimale valable pour tout. Un agent qui répond aux questions fréquentes et un agent qui contribue à évaluer un dossier de crédit ne doivent avoir ni les mêmes garde-fous, ni les mêmes coûts.
C’est pourquoi nous considérons le niveau de contrôle comme une décision de risque qui revient au client, à prendre processus par processus, documentée et réversible, plutôt qu’un paramétrage unique imposé par le fournisseur. C’est aussi l’approche la plus cohérente avec l’esprit de l’AI Act, qui raisonne sur le contexte d’utilisation plus que sur l’outil.
Ce que nous avons compris du marché européen
En rassemblant ces leçons, une vision du marché se dégage, et elle mérite d’être exprimée clairement.
L’Europe n’est pas le continent qui freine l’IA : c’est la zone où la demande est la plus mature au monde, et ses entreprises veulent utiliser l’IA agentique mieux, pas moins. Le cadre réglementaire européen, avec le RGPD, l’AI Act et le Data Act, n’est pas un obstacle à contourner : c’est un cadre en cours de consolidation, qui récompense ceux qui conçoivent dès le départ en pensant transparence, contrôle et portabilité.
La valeur réside dans les agents verticaux, pas dans les assistants généralistes. Les données sur les gains de productivité liés à l’IA ne sont pas uniformes : ils sont maximaux lorsque le travail peut être décomposé en tâches définies, répétables et dotées de contrôles qualité explicites. C’est précisément le terrain des agents construits sur des processus délimités, et c’est pourquoi la définition du processus et la formation des personnes qui le pilotent comptent autant que le choix de la technologie.
Enfin, les entreprises veulent rester maîtresses de leurs choix. Où faire tourner les données, quel modèle utiliser, qui construit les agents, quel niveau de contrôle appliquer : ce sont des décisions que le marché européen n’est plus disposé à déléguer.
Des leçons apprises à la prochaine version : Botmaster V4
Ces leçons ne sont pas restées un simple exercice de réflexion, bien au contraire : elles sont devenues les exigences de Botmaster V4, la prochaine version de notre plateforme, née précisément de l’écoute des entreprises européennes et de l’évolution du marché au cours de ces trois années. Voici ce qu’elle intégrera :
Liberté de choix du déploiement
V4 est conçue pour fonctionner là où le client en a besoin : en SaaS, sur un cloud européen souverain ou directement dans son propre data center, avec la même stack dans tous les modes. Le choix suit les exigences de sécurité et de conformité de chaque entreprise, et non les contraintes du fournisseur.
Multimodèle par conception
Chaque tâche peut être confiée au modèle le plus adapté en termes de qualité, de coût et de confidentialité. Et lorsqu’un meilleur modèle arrive, ou qu’un modèle n’est plus disponible, en changer devient une simple modification de configuration, pas une migration.
Contrôle et conformité sur mesure
Les décisions des agents sont traçables et reconstituables, avec des niveaux de contrôle configurables processus par processus, jusqu’aux exigences de l’AI Act pour les systèmes à haut risque.
Des agents que le client peut aussi construire
Grâce au designer intégré à la plateforme, les équipes internes et les partenaires de confiance pourront créer de nouveaux agents de zéro, tout en restant propriétaires de la logique de leurs processus.
V4 est donc la prochaine version de Botmaster, mais c’est avant tout la conséquence directe de ce que les entreprises européennes nous ont demandé : plus de contrôle, plus de liberté de choix, plus de garanties. Nous vous la présenterons plus en détail dans les prochains mois.
Ce qui ne change pas
Il y a aussi des choses que nous n’avons jamais remises en question au cours de ces trois années. Les agents servent à renforcer les personnes, pas à les remplacer : le modèle human-in-the-loop reste au cœur de chaque projet, car ce sont les personnes qui connaissent les processus qui les rendent vraiment efficaces. Et notre périmètre reste le même : l’entreprise européenne, avec ses règles, ses besoins et sa vision d’une technologie au service du travail.
Il y a trois ans, nous nous demandions si l’IA agentique était prête pour les entreprises. Aujourd’hui, nous savons que la bonne question était une autre : les plateformes sont-elles prêtes pour les besoins des entreprises ? Une plateforme d’IA agentique n’existe pas dans le vide. Elle grandit en écoutant ceux qui l’utilisent, en observant l’évolution du marché et en transformant chaque nouveau besoin en choix d’architecture. C’est ce que nous avons fait jusqu’ici, et c’est ce que nous continuerons à faire avec Botmaster V4.
Nous en avons parlé en direct sur LinkedIn
Ces leçons, le marché européen et la manière dont elles façonnent Botmaster V4 ont été au cœur de notre live LinkedIn du jeudi 29 octobre, intitulé « AI agentica in Europa: che cosa serve davvero alle aziende oggi? Tre anni sul campo, la risposta Botmaster » (IA agentique en Europe : de quoi les entreprises ont-elles vraiment besoin aujourd’hui ? Trois ans sur le terrain, la réponse de Botmaster). Fabio Asselle, Co-founder et CEO de Dazerolab, et Agostino Semeria, CTO de Snoots et de Botmaster, y ont présenté de l’intérieur les choix qui sous-tendent la nouvelle version.
Vous l’avez manqué ? Vous pouvez revoir le live ici (en italien). Et pour ne pas manquer nos prochains rendez-vous, suivez-nous sur LinkedIn.
SEO (Rank Math)
- Meta title : IA agentique : 5 leçons tirées du terrain | BotmasterAI
- Meta description : Contrôle, IA souveraine, multimodèle, conformité : cinq leçons de trois ans d’IA agentique en Europe, qui donnent forme à Botmaster V4.
- Slug : ia-agentique-lecons-botmaster-v4
- Focus keyword : IA agentique
- Keywords secondaires : IA souveraine, Botmaster V4, AI Act, agents IA, lock-in, souveraineté numérique