« L'agentique, on en a partout, on en parle beaucoup, mais je ne vois pas encore l'impact concret sur mon P&L. » Cette phrase d'un DSI, rapportée en clôture, résume l'enjeu de cette keynote du Tech For Industry Show 2026 (Paris Expo Porte de Versailles). Réunissant Maxence Tilliette (Accenture), Kaynaz Behdin (Stellantis) et Philippe Limantour (Microsoft), elle dresse un état des lieux honnête de l'IA agentique : ce qui relève du buzz, ce qui est en production, et ce qu'il reste à solidifier pour passer à l'échelle.

Selon Gartner, 80 % des applications d'entreprise livrées en 2026 embarquent déjà au moins un agent IA. Mais côté production à l'échelle, une solution d'agents sur neuf seulement est réellement déployée — le reste est encore en test.

L'IA agentique ne remplace pas l'existant, elle le complète. L'IA prédictive (maintenance prédictive, forecast, pilotage) reste utilisée. L'IA générative a fait basculer l'informatique du monde des techniciens vers le grand public : on parle désormais à la machine avec ses propres mots, y compris en vocal, et les interfaces homme-machine « à l'ancienne » (menus, sous-menus, clics) commencent à disparaître. L'agent, enfin, est un modèle génératif doté d'une identité (avec les mêmes règles d'autorisation qu'un humain), capable de naviguer dans le système d'information et d'utiliser des outils via un protocole standard, MCP. On peut lui déléguer des tâches, qu'il planifie et exécute.

L'IA agentique, c'est un agent « chef d'orchestre » capable de dialoguer avec d'autres agents spécialisés — agent comptable, agent conformité, agent forecasting, agent maintenance prédictive, agent analyse des risques… — assemblés comme une équipe d'experts. Deux principes cardinaux : c'est du collaboratif, et l'humain reste toujours responsable. L'agent agit avec l'identité de la personne qui délègue, laquelle demeure comptable de ses actions.

Formulée dans les années 1960 par Melvin Conway, la loi dit qu'une entreprise crée un produit à l'image de son organisation. C'est ce qui a produit les architectures « monolithiques » : pour toute transformation (changer d'ERP, de PLM, de CRM), il fallait transformer à la fois le SI et le modèle organisationnel, équipe après équipe, chacune limitée à une dizaine d'écrans. L'agentique fait « voler en éclats » cette contrainte : les agents savent naviguer à travers les silos, découvrir où sont la donnée et les bonnes fonctions. La conséquence est stratégique : on peut découpler la réorganisation du travail et la transformation du SI — commencer par réinventer sa façon de travailler (agile métier), puis transformer le système d'information. Là où, il y a quinze ans, SOA et microservices avaient échoué faute d'avoir agilisé les deux niveaux à la fois.

Pour Stellantis, la transformation agentique n'est « pas un choix ». Elle sert le plan stratégique (présenté un mois avant le salon), résumé par une exigence : faire plus, plus vite, avec une meilleure qualité et à moindre coût.

Le plan repose sur une simplification du portefeuille (de 14 marques vers 4 marques mondiales et 6 régionales), rendue possible par des fondations communes : une base de données de qualité et une couche de contexte business sur laquelle les agents s'appuient. Ainsi, l'agent qui répond sur le site de Citroën le fait dans le contexte Citroën ; sur le site de Leapmotor, dans le contexte Leapmotor. Avec 60 milliards de dollars d'investissement et 60 nouveaux produits d'ici 2030, les cycles de développement automobile passent à environ 2 ans — un rythme « quasiment impossible » à tenir sans IA. L'humain reste au centre, augmenté par une « workforce » d'agents placés sous sa responsabilité.

Stellantis déroule sa chaîne de valeur :

Le plan vise notamment 6 milliards de dollars de réduction de coûts et une meilleure qualité. Point clé : Stellantis a créé une organisation IA agentique (démarrée en 2024) et mise sur des régions « empowered » — des équipes IA au plus près du terrain pour garantir l'adoption, seule source réelle de valeur.

Le message de Microsoft, « client zéro » de ses propres technologies : pour aller chercher du ROI, il ne faut pas faire de l'incrémental, mais repenser les processus à partir des contraintes et de l'objectif cible.

Première grande transformation, il y a près de trois ans : le support client grand public (environnement Xbox). En partant de contraintes fortes — garder les mêmes personnes, améliorer tous les indicateurs (résolution au premier appel, satisfaction client et employé, attrition), transformer les agents en conseillers-vendeurs, et un challenge de 250 M€ d'économies annuelles en 18 mois — Microsoft a d'abord identifié l'information utile, déployé des agents pour la chercher (et fiabilisé les sources au passage), construit des agents « collaborateurs » qui écoutent la conversation (avec accord du client) et conseillent en temps réel. Résultat 18 mois plus tard : tous les indicateurs améliorés, au-delà des 250 M€. Ce n'est que dans un second temps, une fois le process validé, que les interfaces et systèmes intermédiaires devenus inutiles ont été décommissionnés — d'où l'essentiel des économies (coûts de maintenance, de sécurisation, d'intégration évités).

Deuxième registre, la recherche : la plateforme agentique multi-modèles Discovery accélère la découverte scientifique. Exemples cités : une nouvelle batterie solide conçue en 3 mois avec 70 % de lithium en moins (16,7 millions de molécules candidates générées puis filtrées par des agents chimistes et de la simulation IA, avant calcul haute performance sur une dizaine de candidats) ; l'optimisation du form factor des ventilateurs de PC (dissipation améliorée, zéro décibel) ; et, en 8 semaines, un fluide de refroidissement sans PFAS pour data centers, problème sur lequel les chercheurs butaient depuis 10-15 ans. Autre illustration : un radiateur de dissipation « organique », inesthétique mais bien plus efficace que le modèle conçu par les ingénieurs, imprimé en 3D.

Interrogée sur le ROI, Stellantis distingue deux catégories mesurables : la réduction de coûts (décommissionnement) et la génération de revenus (faire les choses plus vite). En revanche, les gains d'efficacité liés à l'humain ne se traduisent pas directement en dollars : « quand on vous annonce 40 % de réduction, ça ne se passe pas comme ça ».

Point de vigilance majeur : le coût. Un agent simple coûte de 0,5 à 1 dollar par interaction ; un humain, 5 à 8 dollars ; mais des agents complexes qui s'orchestrent peuvent atteindre 10 dollars. Il faut donc traiter l'agent comme un coût de main-d'œuvre supplémentaire : décentraliser la responsabilité (chaque domaine gère ses agents, pas l'IT seul), et disposer de dashboards FinOps très détaillés pour décider de « laisser vivre » ou « arrêter » un agent selon la valeur créée.

Trois leviers d'amélioration côté Microsoft : les modèles hybrides (modèles capables de tourner on-edge dans les usines via Azure Local, en coût fixe ; 11 000 modèles disponibles, dont open source et fine-tunés, complétés par de gros modèles en consommation prépayée) ; l'apprentissage humain (arrêter d'utiliser par défaut le meilleur modèle pour tout — « prendre une Ferrari pour aller chercher sa baguette à 300 m » — au profit d'un orchestrateur qui appelle d'abord un modèle local) ; et l'observabilité (KPI sur tous les agents, et gouvernance de l'ownership : au moins deux propriétaires par agent, alerte si l'un part, blocage si les deux quittent l'entreprise — « on ne laisse pas un agent sans gouvernance »).

Quelle est la différence entre IA générative et IA agentique ? L'IA générative prédit des mots ou des images à partir d'une demande. L'IA agentique va plus loin : c'est un modèle doté d'une identité, capable de naviguer dans le système d'information, d'utiliser des outils (via le protocole MCP), de planifier et d'exécuter des tâches, et de collaborer avec d'autres agents — sous la responsabilité de l'humain.

Pourquoi si peu de solutions d'agents IA sont-elles en production ? Selon les chiffres cités (Gartner), 80 % des applications d'entreprise 2026 embarquent un agent, mais seulement une solution d'agents sur neuf est en production à l'échelle. Le passage à l'échelle suppose des fondations de données de qualité, une réinvention des processus et une gouvernance rigoureuse.

Combien coûte un agent IA ? D'après Stellantis, un agent simple coûte de 0,5 à 1 dollar par interaction, un agent complexe orchestré jusqu'à 10 dollars, contre 5 à 8 dollars pour un humain — d'où la nécessité d'un pilotage FinOps précis, domaine par domaine.

Comment mesurer la valeur de l'IA agentique ? En distinguant la réduction de coûts (notamment le décommissionnement de systèmes) et la génération de revenus (vitesse d'exécution), sans convertir mécaniquement les gains d'efficacité humaine en dollars.

Cette conférence a été enregistrée lors du Tech For Industry Show 2026, le salon B2B de la transformation industrielle (Smart Manufacturing, IA, Supply Chain) à Paris Expo Porte de Versailles. Retrouvez l'intégralité de la keynote en vidéo ci-dessus, et rendez-vous les 19 et 20 mai 2027, Hall 7, pour la prochaine édition.