Ce dont les agents IA ont besoin pour une utilisation productive

Meike Tarabori en direct de l’AWS Summit Zurich 2026

« Aujourd’hui est le plus lentjournée de la reste de nosvies«

C’est par cette phrase que Felix Schönherr, nouveau directeur nouveau Country Manager AWS pour la Suisse, l’AWS Summit de Zurich 2026 au Messe Zürich. Cette déclaration illustrait parfaitement le cadre thématique du discours d’ouverture : L’intelligence artificielle évolue à un rythme effréné et est de moins en moins destinée à simplement fournir des informations ou faciliter certaines étapes de travail, mais plutôt à prendre en charge de manière autonome des tâches au sein de processus définis. AWS a structuré cette évolution en plusieurs domaines. Les agents doivent faciliter le travail quotidien, accompagner le développement logiciel et les processus de sécurité, et permettre aux entreprises de créer leurs propres applications basées sur des agents pour des tâches spécifiques. En matière d’expérience client et de service client, la question qui se pose notamment est de savoir dans quelles conditions de tels systèmes peuvent être utilisés de manière pertinente au quotidien dans l’entreprise.

De l’assistance au traitement des processus

Rory Richardson, directeur de l’expérience développeur de nouvelle génération, GenAI GTM chez AWS, a tout d’abord abordé un problème bien connu de nombreux environnements de travail numériques. Les informations sont dispersées entre e-mails, chats, documents, tableaux de bord et autres applications. Les assistants IA peuvent faciliter l’accès à ces informations, mais ne résolvent pas automatiquement le problème de la fragmentation des processus. Souvent, c’est à l’utilisateur qu’il revient de rassembler les informations, d’établir des liens et de définir les prochaines étapes. Richardson a décrit cette limite en affirmant que certains assistants IA existants ne sont finalement guère plus qu’une fonction de recherche légèrement plus rapide. Les systèmes agentiels sont censés aller plus loin. Au lieu de se contenter de répondre à des questions isolées, ils doivent pouvoir prendre en compte un objectif défini, extraire des informations pertinentes de différentes sources et exécuter plusieurs étapes de travail à la suite. Sous le terme « Work » , AWS a par exemple montré comment des informations provenant de différentes sources peuvent être regroupées en vue d’un entretien avec un client, et comment des documents ou d’autres actions peuvent en être dérivés. Sous les termes « Build » et « Secure » , AWS a également présenté diverses applications basées sur des agents. Celles-ci sont notamment destinées à soutenir le développement logiciel, la modernisation et les processus de sécurité. Du point de vue de la gestion client, ce n’est pas tant la solution technique en elle-même qui est déterminante. Ce qui est plus intéressant, c’est l’évolution générale : les systèmes d’IA sont de plus en plus conçus pour des tâches qui nécessitent plusieurs étapes de processus ainsi que l’accès à différentes sources de données.

Pictet : l’innovation dans un cadre réglementaire

L’intervention de Martin Kunz, directeur technique du groupe Pictet, a montré à quel point le développement technologique et la gouvernance sont étroitement liés. La banque privée suisse utilise depuis plusieurs années les technologies du cloud et de l’IA, mais subordonne leur utilisation à des exigences claires en matière de sécurité, de confidentialité et de gestion des données. M. Kunz a clairement formulé cette priorité :

« La préservation des actifs de nos clients et de leur confidentialité sera toujours notre priorité absolue. »

C’est ainsi que Pictet a mis en place progressivement son infrastructure de données et d’IA. Un exemple concret tiré du discours d’ouverture concernait l’utilisation de l’IA générative dans la recherche en investissement. Un gestionnaire de fonds travaille avec un univers d’environ 2 500 entreprises et le réduit à une sélection nettement plus restreinte d’investissements potentiels. Auparavant, la recherche sur une seule entreprise prenait plusieurs jours à un gestionnaire de portefeuille junior, mais grâce à la nouvelle application, ce processus peut aujourd’hui être préparé en quelques minutes, puis approfondi. Ce cas illustre clairement que l’utilité ne dépend pas uniquement du modèle utilisé. Les informations auxquelles un système peut accéder, la manière dont ces informations sont intégrées ainsi que les règles de sécurité et d’accès applicables sont tout aussi déterminantes. Pour les entreprises réglementées, c’est précisément cette combinaison d’innovation et de contrôle qui devrait rester une condition préalable essentielle à une utilisation plus large des systèmes d’agents.

Le contexte devient une condition préalable

Rory Richardson a ensuite formulé un autre aspect de son discours d’ouverture comme suit : « Les agents qui comptent le plus pour vous, pour votre entreprise, sont ceux que vous seul pouvez créer.» Derrière cette affirmation se cache avant tout l’importance du contexte d’entreprise, car un modèle linguistique général ne connaît ni les relations clients spécifiques d’une entreprise, ni ses processus, ses produits, ses directives ou ses responsabilités. Pour qu’un agent puisse traiter une tâche de manière fiable, il doit pouvoir accéder à des informations pertinentes et aussi récentes que possible. Richardson a résumé cela ainsi :

« La bonne réponse nécessite du contexte. Et le contexte réside dans vos données. »

Pour les entreprises, cela soulève plusieurs questions pratiques. De quelles informations un agent a-t-il besoin pour accomplir sa tâche ? Quelles sources de données font autorité ? À quels systèmes est-il autorisé à accéder ? Quelles actions peut-il effectuer de manière autonome et dans quels cas une validation humaine est-elle nécessaire ? Ainsi, outre le choix du modèle, ce sont avant tout la qualité des données, les droits d’accès, la conception des processus et la gouvernance qui passent au premier plan. Cela revêt une importance particulière dans le domaine du service client, car un système agentique ne peut traiter correctement une demande client que s’il peut, par exemple, accéder aux informations sur les produits, à l’historique du client, aux données contractuelles, aux spécifications des processus et aux connaissances actuelles de l’entreprise. Dans le même temps, il faut s’assurer que les droits d’accès sont respectés et que seules les informations prévues pour le processus et l’utilisateur concernés sont utilisées. L’IA agentique renforce ainsi les exigences en matière de gestion des données et des connaissances plutôt que de les réduire. Des informations erronées, obsolètes ou contradictoires peuvent avoir un impact direct sur la qualité des décisions et des réponses automatisées. Plus les systèmes agissent de manière autonome, plus il est donc important de disposer de sources de données fiables et de règles de processus clairement définies.

Nexthink : des agents pour des tâches opérationnelles concrètes

Nexthink a apporté un deuxième aperçu concret. Samuele Gantner, directeur des produits chez Nexthink, a présenté l’utilisation d’agents IA dans le support informatique. Le point de départ est le problème de ce qu’on appelle la « friction numérique », ces difficultés techniques qui font perdre du temps aux collaborateurs dans leur quotidien professionnel et pèsent sur les services d’assistance. Selon ses propres informations, Nexthink traite les données de plus de 25 millions de terminaux et met déjà en œuvre des automatisations à grande échelle. L’agent IA « Spark » est destiné à traiter une partie des cas d’assistance jusqu’ici difficiles à automatiser. L’agent est capable d’identifier les problèmes techniques, d’assister les collaborateurs et de résoudre certaines pannes de manière autonome. Selon M. Gantner, Spark AI résout désormais 77 % des problèmes informatiques dès le premier contact. Il décrit en outre le rôle de l’IA dans ce contexte comme suit :

« Ce que fait l’IA dans ce contexte, c’est qu’elle ouvre des possibilités qui n’étaient pas envisageables auparavant. »

Le cas Nexthink est intéressant car il ne part pas de la technologie, mais d’un problème opérationnel concret. L’IA est utilisée là où l’automatisation classique, basée sur des règles, atteint ses limites et où un traitement contextuel supplémentaire est nécessaire.

Lorsque les agents s’intègrent dans des processus réels

Le discours d’ouverture de l’AWS Summit Zurich 2026 a clairement montré que le débat sur l’IA se concrétise de plus en plus. La question centrale n’est plus tant de savoir ce qu’un modèle linguistique est capable de faire en principe, mais plutôt comment intégrer de manière fiable des agents IA dans des processus réels. Il ne s’agit pas ici de déployer le plus grand nombre possible d’agents, mais plutôt d’adopter une approche inverse : quels processus, demandes clients ou tâches récurrentes n’ont jusqu’à présent pas pu être automatisés de manière judicieuse uniquement parce qu’ils nécessitaient du contexte, une interprétation ou des décisions adaptées à la situation ? C’est précisément là que les agents peuvent désormais ouvrir de nouvelles perspectives. Cela nécessite des données fiables, des règles d’accès clairement définies, des responsabilités bien établies et des directives claires indiquant quelles tâches un agent est autorisé à effectuer de manière autonome et dans quels cas un contrôle humain reste nécessaire. L’Agentic AI devient ainsi de plus en plus une question de conception des processus, d’expérience client et de gestion d’entreprise. Ce qui importe, ce n’est pas de savoir où un agent peut être déployé, mais quel problème pertinent il permet de résoudre mieux qu’auparavant. C’est finalement cela qui déterminera si les prototypes d’agents deviendront des applications productives apportant une valeur ajoutée mesurable.