L'IA agentique en production : les questions que les acheteurs B2B devraient poser avant de signer

"Propulsé par des agents IA" figure sur presque toutes les pages d'accueil SaaS B2B désormais, tout comme "activé par la blockchain" en 2018 et "propulsé par l'IA" en 2023. Une partie est une véritable infrastructure de production qui fait gagner un temps et un argent significatifs aux clients. Une grande partie n'est qu'une fenêtre de chat devant un simple appel API, commercialisée comme de l'autonomie. En tant qu'équipe qui construit à la fois les fonctionnalités agentiques et les systèmes dans lesquels elles s'intègrent, voici la checklist que nous utiliserions réellement si nous étions les acheteurs.

1. Que se passe-t-il lorsque l'agent se trompe?

Demandez un exemple spécifique et récent d'un échec de l'agent en production — pas un cas hypothétique. Si le fournisseur ne peut pas en fournir un, soit le produit n'a pas connu de trafic de production réel, soit ils ne suivent pas les échecs de assez près pour le savoir. Demandez ensuite quel était le rayon d'action : un humain l'a-t-il détecté avant un client? Y avait-il une voie de retour en arrière, ou quelqu'un a-t-il dû annuler manuellement les dommages?

2. Existe-t-il une option d'intervention humaine, et est-elle réellement appliquée?

De nombreux fournisseurs diront "oui, vous pouvez réviser avant l'exécution" — mais vérifiez si cette étape de révision est par défaut ou une option activable cachée dans les paramètres, et si elle est appliquée pour les actions spécifiques qui comptent pour votre entreprise (envoi d'argent, envoi d'e-mails aux clients, modification de dossiers ayant un poids juridique/conformité). Une case à cocher de révision désactivée par défaut n'est pas une fonction de sécurité ; c'est une clause de non-responsabilité juridique.

3. Quelle est la véritable limite des données?

Quelles données envoyez-vous à un fournisseur de modèle tiers, et est-ce documenté dans le DPA, et pas seulement dans un article de blog? Pour les acheteurs de l'UE, ce n'est pas optionnel — demandez la liste des sous-traitants, demandez où l'inférence a lieu (la région est importante pour le RGPD), et demandez si vos données sont utilisées par défaut ou sur option pour tout type d'amélioration/entraînement de modèle.

4. Comment le coût se comporte-t-il sous la charge ou en cas de mauvaise utilisation?

Les boucles d'agents qui réessaient, replannifient ou enchaînent plusieurs appels de modèles par action utilisateur peuvent avoir un coût par requête très variable par rapport à un appel API traditionnel. Demandez des chiffres réels de coût par résultat réussi, pas le coût par appel API — et demandez ce qui se passe (limitation du débit? plafond strict? dépassement de coût silencieux?) si un utilisateur ou un bug déclenche une boucle incontrôlable.

5. Quel est le niveau réel d'autonomie, en langage clair?

Le terme "autonome" est utilisé pour tout, allant de "l'agent entièrement supervisé, multi-étapes, utilisant des outils" à "nous appelons un LLM une fois par soumission de formulaire". Demandez au fournisseur de décrire, étape par étape, ce qui se passe entre une action de l'utilisateur et une tâche terminée, et comptez combien de ces étapes sont du code déterministe par rapport à des décisions générées par le modèle. Ce chiffre vous en dira plus que n'importe quelle promesse marketing.

6. Qu'est-ce qui casse en premier si le modèle sous-jacent change?

Les fournisseurs de modèles abandonnent et changent les versions de leurs modèles selon leur propre calendrier, pas le vôtre. Demandez comment le fournisseur gère l'obsolescence d'un modèle ou une mise à jour changeant le comportement — figent-ils les versions, exécutent-ils des suites d'évaluation avant de déployer, et peuvent-ils revenir en arrière si une nouvelle version du modèle régresserait sur votre cas d'utilisation spécifique?

Pourquoi nous nous posons les mêmes questions

Nous intégrons des fonctionnalités agentiques dans les produits de nos clients, et nous soumettons notre propre travail à cette checklist avant sa livraison. Si un client nous demande "que se passe-t-il quand ça se trompe", nous voulons une vraie réponse avec un vrai exemple — pas une réassurance. C'est le niveau d'exigence que nous pensons que les acheteurs B2B devraient imposer à chaque fournisseur en 2026, y compris nous.