Une fois l’IA déployée et sécurisée, les équipes ne se contentent plus de discuter avec un assistant. Elles veulent créer leurs propres agents : des assistants spécialisés, configurés avec des instructions, des sources et des outils pour accomplir une tâche précise. Préparer un compte-rendu de rendez-vous client, répondre aux questions RH, vérifier un contrat selon les règles internes.
Une question arrive alors très vite : qui a le droit de créer des agents, et surtout de les partager avec le reste de l’entreprise ? Un agent partagé devient accessible à tous les collaborateurs, qui s’appuient sur lui pour travailler. La réponse à cette question est une décision d’organisation. Elle détermine la vitesse d’innovation, la qualité des agents produits et l’implication des équipes dans la transformation.
Dans cet article, nous présentons les 3 modèles de gouvernance des agents que nous observons dans les entreprises, avec leurs avantages et leurs limites. Nous terminons par une grille de décision pour vous aider à choisir celui qui correspond à votre organisation.
Pour illustrer chaque modèle, nous nous appuyons sur les retours d’expérience de trois entreprises interrogées pour Ère IA, notre podcast consacré au déploiement de l’IA en entreprise. Dans cette Séquence, notre format court qui rassemble des extraits de plusieurs épisodes autour d’un même sujet, vous entendrez :
- Sara Ben Brahim, Champion IA chez Malt, la plateforme de mise en relation entre entreprises et freelances ;
- Cécile Hervouet-Jaisson, AI in Ops Lead chez Spendesk, la solution de gestion des dépenses d’entreprise ;
- Titouan Aubrun, IT Project Manager, et Gabrielle Caille, Culture & Engagement Lead, chez Doctolib, la plateforme de prise de rendez-vous médicaux.
Le modèle centralisé : la qualité d’abord
Dans le modèle centralisé, une équipe IA dédiée, ou un petit groupe de builders désignés, crée et partage les agents. Le reste de l’organisation les utilise. C’est cette équipe qui crée les agents, qui les partage après validation par un expert métier et qui les maintient dans le temps.
Le premier avantage de ce modèle est la qualité. Chaque agent partagé a été conçu et vérifié par une équipe qui maîtrise ses sources, son périmètre et ses instructions. Les collaborateurs peuvent donc s’y fier sans avoir à le tester eux-mêmes. La maintenance est claire : quand une procédure change, quelqu’un est responsable de mettre l’agent à jour. La conformité est plus simple à garantir, puisque personne ne connecte de données sensibles à un agent sans supervision. Et les collaborateurs n’ont pas besoin d’apprendre à créer des agents pour profiter du déploiement.
C’est le choix fait par Malt. Les agents officiels y sont créés et gérés par une équipe de builders, selon des règles strictes. Tout le monde peut les utiliser, mais pas les créer. Sara Ben Brahim y voit un gain de confiance : « On peut y aller les yeux fermés, sans avoir peur des sources qui vont être prises. »
Ce modèle a aussi ses limites. Les besoins du terrain doivent remonter jusqu’à l’équipe centrale, être priorisés puis traités, ce qui peut prendre des semaines. Si la demande dépasse la capacité de l’équipe, un goulot d’étranglement se forme, et le risque augmente avec la taille de l’organisation. Une équipe centrale peut aussi comprendre un besoin en surface sans en saisir les nuances : l’agent fonctionne techniquement, mais passe à côté du vrai cas d’usage. Les collaborateurs utilisent des agents conçus pour eux, et non par eux, et se sentent moins acteurs de la transformation. Enfin, tout le parc d’agents repose sur une seule équipe.
Malt observe d’ailleurs déjà cette tension. « Beaucoup de champions ont envie d’être formés au low-code, au no-code, et veulent pouvoir lancer des agents autonomes », explique Sara Ben Brahim. L’entreprise réfléchit à la façon de structurer cette demande.
Le modèle décentralisé : vitesse et implication des équipes
Dans le modèle décentralisé, tout collaborateur peut créer ses propres agents et les partager avec ses collègues, avec ou sans validation préalable. C’est le créateur qui maintient son agent.
L’avantage principal est la vitesse. Les agents émergent en quelques heures, directement à partir des besoins du terrain, sans file d’attente. Ils sont souvent plus précis, parce qu’ils sont conçus par les personnes qui vivent le quotidien du poste. Des cas d’usage inattendus apparaissent. Les équipes s’approprient l’IA, et la création d’agents ne dépend plus de la capacité d’une équipe centrale.
C’est le choix fait au départ par Spendesk et Doctolib. Chez Spendesk, environ 25 % des collaborateurs construisent des agents. « Entre 35 et 40 % des messages envoyés sur Dust le sont non pas à des LLM génériques, mais à des agents spécifiques », précise Cécile Hervouet-Jaisson.
Chez Doctolib, l’IA a été ouverte d’un coup à 3 000 personnes. « C’était fait exprès, parce qu’on ne voulait pas tuer l’innovation en mettant des limites », raconte Titouan Aubrun. La seule limite posée portait sur les données : pas de données de santé, pas de données privées des collaborateurs.
Deux arguments de fond expliquent ce choix. Le premier est culturel. Pour Gabrielle Caille, la maîtrise de l’IA est en train de devenir une compétence clé, y compris hors des équipes tech : « Il faudra pouvoir démontrer en entretien qu’on a déjà fait de l’orchestration d’agents. » Doctolib veut donc développer un état d’esprit de builder chez tous ses collaborateurs. Le second tient à la connaissance du métier. Titouan Aubrun le dit simplement : s’il devait construire les agents de l’équipe juridique, il n’aurait « aucune idée de ce qu’est le quotidien d’un juriste ». Personne ne connaît mieux les besoins d’une équipe que l’équipe elle-même.
Les limites de ce modèle apparaissent avec le volume. La qualité des agents devient inégale, des doublons se multiplient, et les agents se retrouvent orphelins quand leur créateur change de poste ou quitte l’entreprise. Sans supervision, le risque de connecter des données sensibles augmente aussi.
Spendesk et Doctolib ont toutes deux fait évoluer leur organisation vers un modèle hybride. Titouan Aubrun résume le moment de bascule : « 3 000 agents plus tard, on s’est dit : comment on fait ? » Doctolib a alors lancé de grosses phases de nettoyage, avec des entretiens auprès des métiers pour recenser les agents réellement utiles.
Le modèle hybride : équilibre entre contrôle et innovation
Le modèle hybride combine les deux approches. Tout le monde peut créer des agents pour son usage personnel. En revanche, seuls les agents certifiés sont partagés avec toute l’entreprise. La certification passe par un circuit de validation simple, qui fait généralement intervenir le référent IA et un expert métier.
Chez Doctolib, cette gouvernance « à deux directions » se traduit concrètement. D’un côté, un catalogue d’agents officiels, revus et approuvés par les équipes IT, que les collaborateurs peuvent utiliser les yeux fermés parce qu’ils savent qu’ils sont maintenus et à jour. De l’autre, une liberté totale pour les agents personnels : « Chacun peut se faire son propre chief of staff. Jarvis, Dobby, Alfred, on en a des tonnes. »
Les deux côtés communiquent. L’équipe IA repère les agents personnels très utilisés, les « diamants bruts », et propose à leur créateur de les faire passer dans le circuit d’officialisation. « Ce n’est pas un process énorme, c’est juste s’assurer que les données qui sont connectées sont propres », précise Titouan Aubrun.
Ce modèle préserve la vitesse d’innovation du décentralisé tout en garantissant la fiabilité des agents partagés. Il a lui aussi une limite : la charge qui pèse sur le référent IA. Si les demandes de certification se multiplient, il peut se retrouver dans le même goulot d’étranglement que le modèle centralisé.
L’hybride est l’évolution la plus fréquente, mais ce n’est pas une destination obligatoire. Certaines organisations restent durablement centralisées parce que leur culture, leur secteur ou leur taille le justifient. D’autres conservent un modèle décentralisé parce que leurs équipes sont matures et autonomes.
Comment choisir son modèle de gouvernance
Il n’existe pas de bon modèle dans l’absolu. La grille ci-dessous rassemble les critères que nous utilisons avec nos clients pour structurer la réflexion. Ce n’est pas une formule automatique : selon votre organisation, certains critères pèseront plus que d’autres, et d’autres peuvent entrer en jeu.
| Critère | Centralisé | Décentralisé | Hybride |
|---|---|---|---|
| Culture organisationnelle | Culture de cohérence et de contrôle, faible tolérance à la variabilité | Culture d’initiative et d’expérimentation, forte autonomie des équipes | Culture mixte, ou organisation en transition vers plus d’autonomie |
| Maturité IA des équipes | Faible : les équipes utilisent l’IA au quotidien sans savoir construire un agent | Avancée : les équipes savent construire un agent et le faire évoluer seules | Hétérogène : faible à intermédiaire pour l’ensemble, avancée pour les builders désignés |
| Temps à consacrer à la montée en compétence des équipes | Faible | Élevé | Modéré pour tous les collaborateurs, élevé pour les builders |
| Tolérance au risque et contraintes réglementaires | Données sensibles, secteur régulé, risque réputationnel élevé | Peu de contraintes réglementaires, culture de l’essai-erreur | Contraintes sur certains périmètres seulement |
| Capacité de création et de validation | Une équipe IA dédiée peut traiter les demandes dans un délai raisonnable | Peu ou pas d’équipe IA dédiée : les équipes métier sont autonomes | Une petite équipe valide les agents certifiés, liberté pour le reste |
Dans les PME que nous accompagnons, la situation de départ est souvent la même : une maturité IA encore faible, pas d’équipe IA dédiée, mais une volonté de faire monter tout le monde en compétence. Le modèle hybride, ou un modèle centralisé qui s’ouvre progressivement, est alors le plus adapté.
Ce choix n’est pas définitif. Le modèle peut évoluer à mesure que les équipes gagnent en maturité, comme l’ont fait Spendesk et Doctolib. L’important est de le décider explicitement, avant que le premier agent ne soit partagé avec toute l’entreprise.
En résumé : les questions à se poser pour choisir votre modèle
- Qui crée les agents ? Une équipe dédiée, des builders désignés ou tous les collaborateurs.
- Qui peut les partager avec toute l’entreprise, et après quelle validation ? C’est ce qui distingue le plus nettement les trois modèles.
- Qui les maintient dans le temps ? Un agent sans responsable identifié devient vite obsolète, ou orphelin quand son créateur part.
- Votre culture et la maturité de vos équipes permettent-elles l’autonomie ? Plus les équipes sont à l’aise avec l’IA, plus vous pouvez ouvrir.
- Quelles données sont trop sensibles pour être connectées sans supervision ? Elles définissent les périmètres à centraliser, même dans un modèle ouvert.
- Avez-vous la capacité de valider les agents dans un délai raisonnable ? Sans cette capacité, le centralisé et l’hybride créent des goulots d’étranglement.
Retrouvez les épisodes complets avec Malt, Spendesk et Doctolib sur la chaîne YouTube d’ERIA. Le guide ÈRE IA, synthèse de nos entretiens avec dix scale-ups françaises, détaille aussi comment elles ont structuré leur gouvernance.
