De la démonstration à l’utilisation quotidienne : 5 enseignements pour mettre en production les processus des agents IA

Frances Ward is Asana's Head of Global CommunicationsFrances Ward
18 novembre 2026
4 min de lecture
facebookx-twitterlinkedin

En bref : faire passer un agent IA de la phase pilote à la phase de production dans n’importe quelle entreprise

Faire passer un agent d’IA de la phase de démonstration à une utilisation quotidienne dépend moins du modèle que des cas particuliers, des données manquantes et de la confiance. Alberto Arrighi est responsable de la réussite client chez StackAI, désormais intégrée à Asana, et Max Poff est l’un de ses ingénieurs déployés sur le terrain, qui partagent leur temps entre l’écriture de code et le déploiement d’agents au sein de banques, de sociétés de capital-investissement, d’agences et d’entreprises sous-traitantes du secteur de la défense. Lors d’un récent entretien sur MTS, ils ont partagé cinq pratiques qui permettent de faire passer un agent du stade de prototype à celui de production : commencer par un processus fastidieux et à haut risque, considérer les tests utilisateurs comme la véritable phase de développement, relier les données sur lesquelles l’ensemble de l’équipe s’appuie, intégrer une boucle d’apprentissage et concevoir l’agent en pensant à la sécurité dès le premier jour.

Quelle est l’étape la plus difficile pour mettre des agents d’IA en production ?

La partie la plus difficile est le passage entre une démonstration fonctionnelle et le moment où les utilisateurs font confiance à l’agent dans leurs tâches quotidiennes. « Le plus difficile est de gérer les cas limites qui surviennent entre la démonstration et le moment où les utilisateurs font vraiment confiance à l’agent dans leur travail quotidien », a déclaré Max.

Les démonstrations fonctionnent avec des entrées claires et les hypothèses d’une seule personne. La mise en production implique des documents désordonnés, des autorisations manquantes et des collègues qui travaillent différemment de la personne qui a parrainé le projet.

1. Commencez par un processus fastidieux et à haut risque

Les meilleurs premiers agents prennent en charge des tâches essentielles mais lentes. Max a décrit une équipe chargée des risques et de la conformité au sein d’une grande banque européenne. Chaque fois qu’une proposition de changement opérationnel arrivait, les responsables des risques effectuaient des recoupements dans un vaste registre des risques pour identifier les nouveaux risques, puis dans un registre des contrôles pour attribuer des mesures d’atténuation.

L’équipe publie maintenant la proposition sur un bot Slack personnalisé. Un processus StackAI renvoie un classeur Excel formaté contenant l’évaluation complète des risques, les risques signalés et les contrôles associés. « Une tâche qui prenait auparavant tout un après-midi prend maintenant environ 10 à 15 minutes », a déclaré Max.

Deux éléments ont permis de pérenniser cette solution : l’agent a rencontré les membres de l’équipe au sein d’un outil qu’ils utilisaient déjà, et le résultat a été fourni dans le format qu’ils utilisaient déjà.

2. Considérer les tests d’utilisabilité comme la véritable phase de développement

Les tests d’utilisabilité (UAT) sont l’étape où une démo devient un produit. Max a collaboré avec l’équipe des adjoints exécutifs d’une société de capital-investissement pour automatiser le codage des dépenses dans SAP Concur. « Vous pouvez créer une démo pour cela très rapidement », a-t-il déclaré. « Mais une fois que nous l’avons présentée aux bêta-testeurs, le véritable travail a commencé. »

StackAI effectue une phase UAT structurée à chaque mise en œuvre afin d’identifier les cas où l’agent échoue. Chaque correction rend le processus plus résilient face à une utilisation réelle. Prévoyez cette phase dans votre chronologie ; ce n’est pas un signe que le projet prend du retard.

3. Reliez les données sur lesquelles toute l’équipe s’appuie

Un agent conçu avec une seule partie prenante ne voit que le monde de cette partie prenante. L'équipe d'Alberto a créé un agent planificateur média pour l'une des plus grandes agences de médias et de marketing d'Europe du Nord. À partir d’un brief client, il recommande des canaux, des allocations budgétaires et un plan de déploiement.

Il semblait solide aux yeux de la principale partie prenante. Lorsque l’équipe dans son ensemble l’a testé, elle a identifié des ensembles de données essentiels auxquels l’agent n’avait pas accès. « Créer une démo est facile ; c’est en la soumettant à de vrais testeurs que l’on découvre les autorisations système manquantes ou les défauts de logique », a déclaré Alberto. La solution a consisté à connecter davantage d’outils et à supprimer les cloisonnements entre eux.

Cela reflète une évolution plus générale. Il y a un an, la plupart des cas d’utilisation reliaient un agent à une seule base de connaissances. Aujourd’hui, il s’agit de systèmes d’orchestration qui puisent dans de nombreuses sources, se déclenchent en fonction d’événements et prennent des mesures dans différents outils.

4. Intégrer une boucle d’apprentissage dans chaque processus

Les agents deviennent plus utiles lorsqu’ils se souviennent de ce qu’ils apprennent. Les agents StackAI conservent des fichiers de mémoire partagés entre les utilisateurs d’une organisation cliente. Au fur et à mesure que les utilisateurs se servent de l’agent et lui font part de leurs commentaires, cette mémoire est mise à jour et l’agent la charge lors des exécutions ultérieures.

Alberto a évoqué une deuxième boucle : la réinscription des résultats dans la base de connaissances d’origine. « Cette boucle de réécriture continue est un facteur de valeur considérable pour nos mises en œuvre en entreprise », a-t-il déclaré. Au fil du temps, chaque exécution vient s’ajouter à ce que l’entreprise sait.

5. Concevoir la sécurité et la gouvernance dès le premier jour

Dans les secteurs réglementés, la façon dont un agent fonctionne compte autant que ce qu’il fait. Les principales institutions financières exigent de plus en plus que les agents s’exécutent dans leur cloud privé ou sur site, et non sur une infrastructure SaaS partagée. StackAI prend également en charge les entreprises de défense qui opèrent dans des environnements isolés du réseau.

« Pour les secteurs de la défense, de la banque et des fonds spéculatifs, la sécurité du périmètre des données est non négociable », a déclaré Max. La gouvernance, l’observabilité et la sécurité deviennent essentielles dès lors que les agents traitent des données sensibles et prennent des mesures aux enjeux plus importants.

Que peuvent faire les agents d’IA aujourd’hui qu’ils ne pouvaient pas faire il y a quelques années ?

Les modèles gèrent désormais bien les données structurées. « Lorsque j’ai commencé, le conseil le plus courant était le suivant : si votre processus dépend d’une feuille de calcul Excel désordonnée et compliquée, l’IA n’est probablement pas la bonne solution », explique Max. Aujourd’hui, bon nombre des agents qu’il crée produisent des classeurs Excel complexes et formatés.

Les agents peuvent également s’exécuter en arrière-plan, en maintenant une couche de données pendant que les utilisateurs se contentent de poser des questions. Max estime que cela met les tableaux de bord BI statiques sous pression : « Les tableaux de bord représentent des instantanés statiques de ce que quelqu’un a supposé que vous souhaiteriez voir. »

Où s’inscrit le Work Graph® d’Asana ?

Toutes les pratiques mentionnées ci-dessus se résument à un seul élément : le contexte, les connaissances institutionnelles… c’est-à-dire comprendre qui fait quoi, pour quand, comment et pourquoi. Un agent passe de la démonstration à l’utilisation quotidienne lorsqu’il peut voir les données, les décisions et les responsables qui se cachent derrière le travail. C’est précisément ce que contient le Work Graph® d’Asana. StackAI ajoute une exécution intersystème, afin que les agents puissent agir sur l’ensemble des outils utilisés par une entreprise. Ensemble, un processus n’a pas besoin de commencer dans une fenêtre de chat : l’attribution d’une tâche sur Asana peut déclencher l’exécution d’un agent StackAI de bout en bout, avec des personnes qui approuvent et transfèrent le travail en cours de route. « L’intégration des capacités agentiques directement dans les graphes du travail d’entreprise ouvre la voie à un tout nouveau niveau opérationnel », a déclaré Alberto.

Je me lance

Prêt à faire passer vos propres processus d’agents IA de la phase de démonstration à une utilisation quotidienne ? Découvrez comment StackAI by Asana aide les entreprises à créer, tester et déployer des agents sur l’ensemble des systèmes qu’elles utilisent.

En savoir plus

Les experts en quelques mots

Alberto Arrighi dirige la réussite client chez StackAI, désormais intégrée à Asana. Son équipe de stratèges en IA et d’ingénieurs en mise en œuvre avancée collabore avec les entreprises clientes pour identifier les processus les plus porteurs de valeur pour les agents et les transformer en spécifications et exigences pour les mises en œuvre en production. Il a débuté chez StackAI en tant que stratège IA. 

Max Poff est ingénieur en déploiement avancé chez StackAI, désormais intégrée à Asana. Il partage son temps entre l’écriture de code et le déploiement d’agents auprès de clients professionnels, notamment des équipes chargées des risques et de la conformité dans le secteur bancaire et des équipes opérationnelles dans le domaine du capital-investissement, et il réintègre ce qu’il apprend dans le produit.

Articles connexes

[Partager l’image]  AI Meetings et tableaux
Intelligence artificielle (IA)

AI Meetings et Tables : des réunions qui avancent, des données à jour