Pendant deux ans, l’IA en entreprise a surtout servi à écrire, résumer et répondre. La nouvelle étape est plus ambitieuse. Les agents IA commencent à planifier des tâches, à consulter des données et à agir dans plusieurs outils.

Pour un dirigeant, la question change. Il faut regarder où l’agent travaille, quelles données il utilise et jusqu’où il peut agir sans validation humaine.

1. Easygenerator : un agent centré sur la création de formation

Easygenerator applique la logique agentique à un problème précis : transformer l’expertise interne en formation. Son EasyAI Agent travaille dans l’ensemble du cours, pas seulement dans une zone de texte.

L’agent peut créer une structure, modifier plusieurs pages ou ajouter des activités. Il propose un plan avant les changements importants. L’auteur peut ensuite accepter, corriger ou annuler son travail.

Cette approche rend la création de formation avec l’IA plus proche d’un travail à deux. Un responsable conformité peut partir d’une procédure interne. Un expert produit peut utiliser ses propres documents comme contexte.

L’agent agit sur le contenu, mais l’auteur garde la décision finale.

2. Mistral AI : des agents sur mesure avec une approche européenne

Le français Mistral AI ne se limite plus aux modèles de langage. Sa plateforme Studio permet de construire, tester et exécuter des agents et des applications IA.

Elle propose notamment l’orchestration des agents, leur suivi et des garde-fous. Vibe va plus loin pour les tâches longues. L’agent peut exploiter les connaissances de l’entreprise et organiser des tâches en plusieurs étapes.

Pour les groupes européens, le déploiement compte également. Mistral propose un hébergement européen et des installations dans l’environnement du client. Cette flexibilité peut peser dans les secteurs sensibles.

3. Dust : faire collaborer plusieurs agents avec les équipes

Dust part d’une idée différente du simple assistant individuel. La plateforme connecte ses agents aux connaissances et outils déjà utilisés par l’entreprise. La CNIL définit l’IA agentique comme des systèmes capables d’agir sur des applications, des bases de données ou d’autres environnements numériques.

Elle annonce plus de 70 connecteurs. Les agents peuvent travailler avec Slack, GitHub, Salesforce, Zendesk et d’autres sources. Plusieurs grands modèles peuvent également être utilisés selon le besoin.

Le point fort reste le travail collectif. Plusieurs personnes et agents peuvent partager le même contexte.

Dust a levé 40 millions de dollars en mai 2026. Ce financement montre l’intérêt actuel pour des agents pensés pour des équipes entières.

4. Microsoft Copilot Studio : relier agents et processus Microsoft

Copilot Studio vise naturellement les entreprises déjà présentes dans l’écosystème Microsoft. Il permet de créer des agents, d’ajouter des connaissances et de les connecter à des outils.

Microsoft sépare aussi clairement les agents et workflows. Un workflow suit des étapes définies. L’agent intervient lorsqu’il faut interpréter une information ou prendre une décision.

Cette combinaison devient utile lorsque tout n’est pas prévisible. Une demande RH peut suivre une procédure fixe, puis passer à l’agent lorsqu’un cas sort des règles habituelles.

5. Salesforce Agentforce : faire agir l’IA dans le CRM

Agentforce place les agents directement dans les données et workflows Salesforce. Ils peuvent répondre, créer des tâches et agir selon les limites choisies par l’entreprise.

L’usage le plus évident concerne la vente et le service client. Un agent peut exploiter le contexte du CRM avant de répondre. Il peut également déclencher une action ou transmettre le dossier à une personne.

La qualité des données devient donc essentielle. Un agent connecté au CRM gagne en contexte, mais dépend aussi de la qualité de ce CRM.

6. ServiceNow : coordonner plusieurs agents autour d’un résultat

ServiceNow pousse l’IA agentique vers les opérations internes. Ses agents peuvent intervenir dans l’IT, les ressources humaines ou le service client.

La plateforme peut coordonner plusieurs agents autour d’un même objectif. Un agent analyse un incident. Un autre collecte le contexte. Le workflow peut ensuite lancer les actions suivantes.

Ce modèle va plus loin qu’une conversation. Il devient intéressant quand une demande traverse plusieurs systèmes et plusieurs équipes.

7. UiPath : réunir agents, robots et humains

UiPath vient du monde de l’automatisation robotisée. Son évolution agentique ajoute du raisonnement aux processus déjà automatisés.

La plateforme peut orchestrer des agents, des robots logiciels, des API et des personnes. Les tâches prévisibles restent confiées à l’automatisation classique. Les agents interviennent davantage lorsque les données sont moins structurées. Les recommandations de sécurité de l’ANSSI conseillent de limiter les actions automatiques lorsque l’IA traite des entrées qui ne sont pas maîtrisées.

Cette séparation est importante. Toutes les tâches ne gagnent pas à devenir agentiques. Une règle fixe reste souvent plus fiable pour un processus simple.

8. HubSpot Agent Hub : spécialiser les agents par métier

HubSpot concentre ses agents sur les ventes, le marketing et le service client. Agent Hub regroupe notamment des agents pour la prospection, les données et les échanges clients.

Le Customer Agent peut répondre aux demandes et qualifier des prospects. Le Prospecting Agent surveille certains signaux et prépare des prises de contact. Des agents personnalisés peuvent aussi être créés sans code.

Cette spécialisation peut être plus utile qu’un agent généraliste. Les équipes savent quel résultat attendre et quelles données suivre.

9. Glean : passer de la recherche interne à l’action

Glean s’est d’abord développé autour de la recherche dans les connaissances d’entreprise. La plateforme ajoute désormais des agents et des automatisations à cette couche de contexte.

L’objectif est simple. Un agent travaille mieux lorsqu’il peut consulter les documents, applications et données internes concernés. Il peut ensuite utiliser ce contexte pour prendre une décision ou lancer une action.

Cela répond à une faiblesse fréquente des projets d’IA. Les modèles connaissent beaucoup d’informations générales, mais peu de règles propres à chaque entreprise.

Ce qui compte vraiment avant de déployer un agent

Le marché mélange encore assistants, copilotes et agents autonomes. Les frontières restent parfois floues. Pour un décideur, quatre critères comptent davantage : les données accessibles, les actions possibles, le contrôle humain et la mesure des résultats.

Un bon agent ne doit pas seulement produire une réponse impressionnante. Il doit accomplir une tâche utile, rester contrôlable et laisser une trace claire. C’est là que l’IA quitte la démonstration pour entrer dans le vrai travail.