Qu’est-ce qu’un agent IA ? Six définitions côte à côte, et ce qui marche dans une chaîne de magasins

« Agent IA » est le terme le plus employé du logiciel d’entreprise cette année, et l’un des moins bien définis. Gartner estime que seuls 130 environ des milliers de fournisseurs qui vendent de l’IA agentique en proposent vraiment, et prévoit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027, en raison de leurs coûts, d’une valeur incertaine ou d’un contrôle des risques insuffisant⁵.

Avant de décider si un agent a sa place dans vos magasins, il est utile de savoir ce qu’entendent par là ceux qui ont lancé le terme. Voici leurs définitions, citées d’après leurs propres documents.

Six définitions d’un agent IA

Lues ensemble, elles s’accordent sur trois éléments : un objectif, des outils qui agissent au lieu de seulement parler, et une certaine indépendance vis-à-vis d’une personne^{1, 2, 3, 4}. L’AI Act européen, la loi qui encadrera une grande partie de ces usages en Europe, n’emploie pas du tout le mot agent ; il réglemente des systèmes d’IA qui fonctionnent à différents niveaux d’autonomie⁶.

Elles divergent sur le troisième, et c’est celui qui compte pour un distributeur. Un agent qui rédige un bon de commande et un agent qui l’envoie au fournisseur peuvent reposer sur le même modèle. Ce qui les distingue, c’est ce qu’ils ont le droit de faire sans demander, et des chercheurs de l’université de Washington soutiennent que c’est un choix de celui qui déploie l’agent, distinct de ce dont le modèle est capable⁷.

Agent, chatbot, copilote ou workflow ?

Un chatbot répond. Un copilote répond à partir de vos données et fait des suggestions ; le guide des copilotes IA pour les opérations retail explique ce qui rend ces réponses fiables. Un workflow exécute des étapes que quelqu’un a fixées à l’avance, comme une règle de réassort nocturne. Un agent décide lui-même de l’étape suivante et utilise des outils pour la franchir². En pratique, la plupart des systèmes utiles mélangent les deux derniers : des règles fixes font les calculs, et le modèle prend en charge ce qui demande du jugement et des explications.

Où en sont les entreprises : dans l’enquête 2026 de McKinsey, la part des organisations de plus de 1 milliard de dollars de chiffre d’affaires qui déploient des agents IA à grande échelle dans au moins une fonction est passée de 27 % à 40 % en un an, tandis que les plus petites sont restées stables à 22 %. Les répondants des biens de consommation et du commerce utilisent le plus souvent des agents dans le marketing et la vente⁸.

L’autonomie est un réglage : accordez-la action par action

Les chercheurs décrivent le rôle de la personne à mesure que l’indépendance de l’agent grandit : opérateur, collaborateur, consultant, approbateur, et enfin observateur, qui ne peut plus que l’arrêter⁷. Le guide d’OpenAI ajoute la règle pratique : évaluez chaque outil selon qu’il ne fait que lire ou qu’il écrit aussi, selon que l’action est réversible ou non, et selon son impact financier, et gardez une personne dans la boucle pour des actions comme l’annulation de commandes, l’autorisation de remboursements importants ou les paiements¹.

Pour une chaîne de magasins, cela veut dire qu’un même agent peut avoir des droits différents selon les actions. Il peut lire les stocks librement, conseiller sur les transferts, préparer des bons de commande à valider, et avoir encore besoin d’une personne avant que quoi que ce soit n’arrive chez un fournisseur. Une échelle de cinq niveaux, accordés par type d’action, rend cela explicite :

Ce que les agents ratent encore

Les faits plaident pour des limites. Dans TheAgentCompany, un banc d’essai de 175 tâches dans une entreprise simulée, le meilleur agent testé dans l’article en a terminé seul 30,3 %⁹. Quand Anthropic a laissé un modèle gérer une petite boutique de bureau pendant environ un mois, il a vendu des articles à perte, distribué des codes de réduction à la demande et demandé aux clients de payer sur un compte qu’il avait inventé ; ses concepteurs ont conclu qu’ils « ne l’embaucheraient pas »¹⁰.

La deuxième expérience est la plus utile. Des procédures, une visibilité sur les coûts et une règle imposant qu’une personne vérifie chaque achat ont supprimé l’essentiel des pertes, et l’équipe l’a résumé ainsi : « la bureaucratie compte »¹¹. C’est une leçon de retail : les contrôles qu’une chaîne applique déjà à un nouvel acheteur, comme des plafonds, des validations et un bilan après le premier mois, sont ce qui permet d’utiliser un agent sans danger.

Six règles pour les agents IA dans une chaîne de magasins

1. Laissez des règles fixes calculer les quantités et les montants ; laissez le modèle les expliquer et traiter les exceptions.
2. Donnez à chaque agent un objectif mesurable et les garde-fous qu’il ne peut pas sacrifier pour l’atteindre, par exemple la disponibilité sans gonfler le stock.
3. Accordez des droits par type d’action, et ne laissez que le dirigeant les relever, après une phase de validation aux seuils clairs.
4. Abaissez-les automatiquement quand un garde-fou est dépassé ou que les données ne sont plus à jour.
5. Gardez un bouton d’arrêt et une trace de chaque action. Pour les systèmes à haut risque, l’AI Act européen exige que les personnes puissent ignorer ou inverser le résultat et interrompre le système⁶.
6. Mesurez l’effet par rapport à des magasins témoins qui n’ont pas reçu les actions de l’agent, pas par rapport au mois dernier.

La dernière règle est la plus souvent oubliée. La disponibilité en rayon varie avec la saison pour des raisons qui n’ont rien à voir avec le logiciel ; seule une comparaison avec des magasins semblables sur les mêmes semaines sépare l’effet de l’agent de celui de la saison. Le guide des ruptures de stock montre comment lire la disponibilité magasin par magasin.

Comment les agents IA de marql appliquent ces règles

marql organise ses agents en une équipe d’agents IA : six rôles, de l’approvisionnement à la finance, chacun avec un KPI et des garde-fous qu’il ne doit pas franchir. Les droits suivent les cinq niveaux ci-dessus, réglés par type d’action. Seul le dirigeant ou le COO relève un niveau, après une phase de validation que le produit vérifie chaque jour : pour passer du niveau Conseille au niveau Prépare, quatre semaines à ce niveau et au moins 70 % de ses conseils acceptés par les équipes ; pour passer au niveau Exécute après confirmation, un examen réussi sur un simulateur de commerce et au plus 10 % des lignes de brouillon modifiées par les équipes. Le niveau le plus haut est fermé pour tous les clients.

Les quantités viennent de règles fixes ; le modèle de langage les explique. Le niveau auquel un agent travaille réellement est le plus bas de trois : celui qui lui a été accordé, celui que permet la connexion à l’ERP et celui que permet la fraîcheur des données. Avec e:corg, l’ERP crée lui-même le document ; avec un autre ERP, une personne saisit le brouillon validé. Chaque agent peut être arrêté d’un clic sur « Mettre en pause », et il descend d’un niveau de lui-même quand son garde-fou est dépassé.

Dans un cinquième des magasins, chaque agent ne fait que conseiller, pour que son KPI puisse être comparé à des magasins où il n’agit pas ; pour une chaîne de moins de cinq magasins, le KPI est présenté comme une observation, pas comme un effet. L’écran le dit lui-même clairement : une action terminée n’est pas encore un bénéfice mesuré. L’agent IA approvisionnement vient en premier, parce que la demande perdue face à un rayon vide est le chantier le plus avancé.