L’hebdo de l’IA en pratique｜15–22 octobre｜Eon : l’intégration des agents passe de deux jours à deux minutes

Ces sept derniers jours, les progrès de l’IA en entreprise se sont moins traduits par l’apparition de nouveaux modèles que par la connexion des agents aux systèmes métier, le contrôle des autorisations et la mesure des coûts réels. Des acteurs de l’exploitation multicloud, du développement logiciel dans le commerce de détail, du service client bancaire et de la gestion de la qualité dans la santé ont présenté des approches concrètes. Une étude menée dans la vente d’assurances en Chine rappelle aussi aux entreprises que, lorsque les machines prennent en charge une partie des tâches, le comportement humain peut changer, sans que le résultat final soit nécessairement meilleur.[1][2][3][4][5][6]

À la une cette semaine : Eon fait de la connexion des agents une infrastructure gouvernable

Auparavant, pour diagnostiquer les incidents, les ingénieurs devaient configurer séparément les identifiants et les services MCP locaux pour Kubernetes, Grafana, GitHub et plusieurs plateformes cloud. Ces démarches prenaient généralement environ deux jours aux nouvelles recrues. Après avoir centralisé l’accès aux outils dans Amazon Bedrock AgentCore Gateway, Eon indique avoir ramené ce délai à environ deux minutes.

La démarche ne consiste pas simplement à relier une quinzaine d’API à une interface de chat. Elle transforme une gestion des identifiants auparavant dispersée entre ordinateurs et scripts en un dispositif centralisé, permettant l’audit, la révocation des accès et les mises à jour.[1]

Les entreprises peuvent s’inspirer de cet ordre de mise en œuvre : commencer par inventorier les outils existants et les données sensibles, définir clairement « qui peut lire quoi et qui peut modifier quoi », puis attribuer les autorisations aux différents profils de développement avant de permettre au grand modèle de langage d’utiliser les outils. Les bénéfices ne se limitent pas au temps gagné par les nouvelles recrues pour configurer leur environnement : ils comprennent aussi une réduction des coûts de maintenance liés à la dispersion des identifiants, à la dérive des configurations et aux connexions réseau entre comptes. C’est particulièrement vrai pour les équipes qui utilisent des agents de développement comme Codex ou Claude Code : la couche d’accès aux outils doit être indépendante du modèle, afin de ne pas devoir reconstruire tout le dispositif de sécurité à chaque changement d’agent.[1]

Toutefois, le passage « de deux jours à deux minutes » est un indicateur interne déclaré par Eon concernant la configuration des accès lors de l’intégration des nouvelles recrues. Il ne signifie pas que le temps de résolution des incidents en production diminue dans les mêmes proportions, et permet encore moins de calculer un retour sur investissement à l’échelle de l’entreprise. L’article ne fournit ni les coûts complets d’infrastructure et de maintenance humaine, ni les résultats d’un audit indépendant. Ce qui est reproductible, c’est l’approche architecturale, pas des économies que l’on pourrait reprendre sans réserve.[1]

L’essentiel de l’actualité

1. Le commerce de détail intègre l’IA à l’ensemble du cycle de développement : les prestataires annoncent trois résultats

Le 19 octobre, Cognizant et Google Cloud ont présenté le cas d’un client du commerce de détail : les modèles Gemini sont intégrés au cycle de vie du développement logiciel, au lieu de servir uniquement à aider les ingénieurs à écrire du code. Cognizant annonce une hausse de 40 % de la productivité des développeurs, une réduction de 30 % du délai de mise sur le marché et une baisse de 35 % des coûts associés. Les deux entreprises ont également constitué une équipe spécialisée, soutenue par plus de 18 000 ingénieurs, pour étendre cette approche à la modernisation des systèmes existants, à l’automatisation des processus métier et à la sécurité.[2]

Ces trois pourcentages proviennent de la description, par le prestataire, d’un client non nommé. Le communiqué ne précise ni les données de référence initiales, ni la méthode d’échantillonnage, ni la période de calcul, ni l’évolution de la qualité logicielle. Ces chiffres ne doivent donc pas être considérés comme des gains généralisables à tout le secteur. Les entreprises devraient mesurer simultanément le délai de réalisation des demandes, les reprises dues aux défauts, la charge de maintenance après livraison et les dépenses en outils. Pourquoi c’est important : le véritable critère de comparaison n’est pas la vitesse de génération du code, mais le coût total de livraison d’une fonctionnalité utilisable, à exigences de qualité égales.[2]

2. IBM intègre 6 000 agents dans ses processus et maintient la vérification humaine

Selon un entretien publié initialement le 18 octobre par le Financial Express, IBM Consulting a intégré environ 6 000 agents distincts dans plus de 150 processus. La plateforme correspondante héberge plus de 2 000 projets, dont plus de 500 concernent des déploiements chez des clients. Les investigations de sécurité en offrent un exemple concret : une investigation qui prenait auparavant environ 45 minutes nécessite désormais environ 2 minutes de traitement par un agent, puis 10 minutes de vérification humaine. Selon un responsable d’IBM, les mêmes effectifs peuvent ainsi traiter environ trois fois plus de menaces.[3]

Le point le plus intéressant ici est la méthode de mesure : à Bangalore, IBM dispose d’une équipe dédiée qui compare les processus « avec agents » et « sans agents », et reconnaît que certaines intégrations entraînent au contraire une baisse de productivité. Le chiffre de 6 000 correspond au nombre d’agents, et non au nombre de cas d’usage métier réussis ; distinguer le temps de traitement machine du temps d’intervention humaine permet de se rapprocher d’un indicateur de performance réellement exploitable. Pourquoi c’est important : les responsables doivent demander combien de temps il faut encore consacrer à la vérification, à la correction des erreurs et au traitement des cas nécessitant une escalade avant que les résultats des agents puissent être utilisés dans une décision formelle.[3]

3. Une étude sur la vente d’assurances en Chine constate une hausse des prospects qualifiés, mais une baisse des ventes

Les machines prennent en charge les clients à faible intention d’achat, tandis que les conseillers humains reçoivent les prospects les plus susceptibles d’acheter. L’étude constate que la proportion de prospects à forte intention d’achat parmi les trois premiers appels de la journée augmente d’environ 23 points de pourcentage. Pourtant, la probabilité que les conseillers humains acquièrent un client diminue d’environ 5 points de pourcentage ; les prospects reçus en début de journée sont réattribués plus fréquemment et la durée des appels diminue également.[4]

Il faut souligner qu’il s’agit d’une étude observationnelle menée dans une seule entreprise, complétée par des inférences issues d’un modèle de recherche. Elle est actuellement disponible sous forme de prépublication et ne signifie pas que tous les contextes de service client produisent nécessairement les mêmes effets. Pourquoi c’est important : après le déploiement, il convient de suivre non seulement le taux de demandes prises en charge sans intervention humaine, mais aussi le taux de conversion, le nombre de suivis assurés par le personnel, les résultats selon les plages de travail et les éventuels changements du système d’incitation. Sinon, une activité accrue des machines risque de masquer une baisse de la production globale.[4]

4. Riverty associe l’analyse des processus aux agents pour transformer son service client

Reply indique que ce centre de contact omnicanal a été mis en place en une centaine de jours et que la durée moyenne de traitement par dossier client a diminué de 35 %. Il s’agit d’un cas concret de transformation des processus de service client déjà livré, et pas simplement d’une présentation de nouveau logiciel.[5]

Les informations publiées ne précisent ni la répartition des types de dossiers, ni la taille de l’échantillon, ni l’inclusion éventuelle de contacts ultérieurs destinés à corriger des problèmes. Elles ne donnent pas non plus la répartition des coûts entre agents et personnel humain. Il faut donc interpréter les 35 % comme une variation de la durée moyenne de traitement chez ce client, sans en déduire une « baisse de 35 % des coûts du service client ». Pourquoi c’est important : lorsqu’une entreprise choisit les activités de service client à automatiser, commencer par des processus fréquents, régis par des règles claires et dont les résultats sont vérifiables permet une validation plus solide que l’achat préalable d’un chatbot généraliste.[5]

5. Octave construit d’abord un socle multilocataire, puis confie aux agents le traitement des réclamations médicales

Le 20 octobre, AWS et Octave ont présenté conjointement un cas d’ingénierie de l’IA dans des secteurs réglementés, notamment les dispositifs médicaux, l’industrie pharmaceutique et l’alimentation.

Selon les données techniques publiées, le débit de traitement par lots peut atteindre environ 1,4 million de documents par tranche de 24 heures pour la charge de travail de chaque locataire. Ce chiffre décrit la capacité du pipeline de traitement des données ; il ne signifie pas que 1,4 million de réclamations sont résolues automatiquement chaque jour. Les résultats des agents doivent toujours permettre de remonter aux fichiers d’origine, de retrouver les éléments probants et de faire intervenir le jugement humain. Pourquoi c’est important : pour les plateformes qui servent plusieurs clients, prennent en charge plusieurs langues et doivent respecter des exigences de conformité, investir en priorité dans l’isolation des données, la propagation des identités et l’observabilité est souvent plus durable que de simplement multiplier les démonstrations d’applications.[6]

Les chiffres en bref

• 2 jours → 2 minutes : évolution du temps nécessaire aux nouveaux ingénieurs pour accéder aux outils, selon Eon ; cela concerne les identités multicloud et un point d’entrée MCP unifié, et non la vitesse de résolution des incidents.[1]
• 40 % / 30 % / 35 % : gains de productivité, réduction du délai de mise sur le marché et économies annoncés par Cognizant pour un client du commerce de détail, sans audit indépendant public à ce jour.[2]
• 6 000 / 150+ : nombre d’agents et de processus intégrant ces agents annoncés par IBM Consulting ; ces chiffres ne constituent pas, à eux seuls, des bénéfices pour l’entreprise.[3]
• Environ 500 000 observations : volume des données d’appels sortants utilisées dans une étude chinoise sur les agents vocaux dans l’assurance ; l’étude constate une baisse du taux de conversion chez certains conseillers humains.[4]
• 1,4 million de documents/24 heures : débit du pipeline de traitement documentaire pour un seul locataire, présenté dans un article technique d’Octave ; il ne s’agit pas du nombre de réclamations clôturées.[6]

En bref

• Agents en cloud privé : le 19 octobre, Deliverance AI a présenté une solution d’agents sous contrôle validée avec HPE ; chez un opérateur mobile britannique, une session de questions-réponses pour le dépannage sur site a pris moins de 5 minutes, contre une durée d’intervention humaine maximale estimée par l’opérateur à environ 3 heures. Il ne s’agit pas encore de statistiques à long terme.[7]
• Coûts d’exploitation de l’IA : le 20 octobre, Cisco a publié une enquête de Splunk menée auprès de 2 050 professionnels de l’informatique et de l’ingénierie dans 10 pays ; 83 % des personnes interrogées s’inquiètent des conséquences imprévues des agents, ce qui rappelle aux entreprises l’importance de suivre la qualité, les droits d’accès et les dépenses.[9]
• Connexion à la gestion de projet : le 20 octobre, AWS a présenté le service MCP de Smartsheet désormais disponible en version générale, qui propose plus de 40 outils de lecture, d’écriture, de gestion de tableaux et d’automatisation, et a montré comment Amazon Quick et Kiro les utilisent ; il s’agit d’un guide de mise en œuvre technique, et non d’un audit des gains d’efficacité.[10]
• Déploiement dans les systèmes publics : le 20 octobre, Google Cloud a cité une enquête sur le secteur public : 96,3 % des organismes interrogés ont testé au moins une forme d’agent, mais seuls 9 % les ont déployés à l’échelle de l’organisation ; la nouvelle plateforme de services publics présentée dans le même article est encore en préversion.[11]
• Services aux collaborateurs bancaires : le 15 octobre, IT Pro a rapporté que BMO avait déployé dès juin un agent Workday en libre-service auprès de 55 000 collaborateurs et mis en place une gouvernance transversale de l’IA ; l’article ne chiffre pas les heures de travail économisées. Nous indiquons donc uniquement le périmètre d’utilisation, sans annoncer de retour sur investissement.[12]

Le regard de la rédaction

Fait notable, les exemples les plus convaincants de cette semaine ne portent pas sur le « nombre de personnes remplacées par des agents », mais sur des éléments de preuve de plus en plus clairs pour chaque tâche : Eon mesure le temps d’accès aux outils, IBM distingue le traitement automatisé de la vérification humaine, Octave mesure le débit de traitement des données, le client du commerce de détail mesure les délais de livraison, et l’étude sur l’assurance mesure les ventes effectivement conclues. Leurs dénominateurs diffèrent : impossible d’en tirer un classement commun.[1][2][3][4][6]

À notre avis, la prochaine chose que les responsables d’entreprise devraient exiger est un véritable « bilan de déploiement » dont les calculs peuvent être reproduits : pour les mêmes tâches, les mêmes échantillons et les mêmes niveaux de service, il doit consigner les frais d’appel aux modèles et aux outils, la préparation des données, le temps de vérification par le personnel, la correction des erreurs, les audits de sécurité ainsi que l’exploitation et la maintenance des systèmes. Les résultats doivent être publiés en distinguant quatre catégories de sources — essais internes, observations en production, déclarations des fournisseurs et études indépendantes — et en signalant clairement les postes de coûts pour lesquels les données sont indisponibles. Cela permet à la fois d’éviter de bâtir des budgets sur les pourcentages extrêmes présentés dans les démonstrations et de déterminer dans quels cas étendre le déploiement, restreindre les autorisations ou repenser les mécanismes d’incitation du personnel.[3][4][9]

À suivre

Tous les pourcentages et volumes de traitement présentés dans cette édition sont accompagnés d’une indication du niveau de preuve : déclarations des fournisseurs, entretiens journalistiques ou observations issues de publications scientifiques. Ils n’ont pas été convertis en un retour sur investissement non vérifié. Le flux RSS de NIUX des 14 derniers jours n’a pas pu être consulté directement ; les index accessibles du site et les historiques des tâches du site ont été croisés pour repérer les doublons thématiques évidents, mais la déduplication complète entre les différentes rubriques reste incomplète.

Sources de référence

1. Comment Eon a développé une solution d’investigation multicloud avec une passerelle MCP sur Amazon Bedrock AgentCore — AWS Machine Learning Blog, consulté le 22.10.2026
2. Cognizant et Google Cloud renforcent leur alliance pour accélérer la transformation des entreprises grâce à l’IA agentique — Cognizant, consulté le 22.10.2026
3. IBM déploie 6 000 agents d’IA dans ses processus de conseil — Financial Express, consulté le 22.10.2026
4. Déploiement d’agents vocaux d’IA et réactions des équipes commerciales dans le courtage d’assurances en ligne en Chine — arXiv, consulté le 22.10.2026
5. Reply présente l’IA agentique pour les services financiers et le secteur public lors du Microsoft Frontier Tour — Reply, consulté le 22.10.2026
6. Comment Octave a construit un socle d’IA sécurisé et multilocataire sur Amazon Bedrock — AWS Machine Learning Blog, consulté le 22.10.2026
7. Deliverance AI et HPE lancent une solution agentique de gestion des connaissances — Deliverance AI, consulté le 22.10.2026
8. ServiceNow renforce son cadre opérationnel pour l’IA d’entreprise avec AI Passport et des capacités de gouvernance étendues — ServiceNow, consulté le 22.10.2026
9. État de l’observabilité 2026 selon Splunk : éviter les coûts cachés des agents d’IA — Cisco, consulté le 22.10.2026
10. Fournir aux agents d’IA le contexte de gestion du travail avec Smartsheet MCP sur AWS — AWS Machine Learning Blog, consulté le 22.10.2026
11. Annonces et temps forts du Google Public Sector Summit 2026 — Google Cloud, consulté le 22.10.2026
12. Les clients de Workday montrent comment tirer parti de la valeur de l’IA — IT Pro, consulté le 22.10.2026