Le sujet de la semaine : de la simple réponse à l’action

Pendant des années, l’intégration d’IA dans les produits s’est résumée à un schéma assez stable : un LLM, parfois enrichi par du RAG, répondait à une question en s’appuyant sur la base documentaire de l’entreprise. Le RAG reste utile parce qu’il permet au modèle de répondre à partir de vos données, et pas seulement de son entraînement.[1] Mais l’actualité récente montre un déplacement net du marché : les équipes produit ne cherchent plus seulement une meilleure réponse, elles cherchent un système capable de choisir un outil, exécuter une tâche et rendre des comptes.

C’est là que l’agentique devient centrale. Les annonces de l’été 2026 vont dans la même direction : New Relic a présenté Autopilot, un agent SRE prêt à l’emploi pour trier les incidents et proposer des remédiations, ainsi que Ground Truth, qui donne aux agents un accès optimisé aux données d’observabilité.[15] De son côté, Zafin a lancé AIOS, une plateforme de gouvernance et d’orchestration pour gérer des agents, des modèles et des outils dans des workflows métier complets.[15] Le signal est clair : l’IA de produit n’est plus seulement conversationnelle, elle devient opérationnelle.

Pourquoi le RAG seul ne suffit plus

Le RAG a été la bonne réponse au principal défaut des LLM en entreprise : leur incapacité à accéder, au moment de la requête, à la bonne information interne.[1] Il a permis de limiter les hallucinations, de contextualiser les réponses et de brancher un assistant sur des documents métiers sans réentraîner un modèle. En pratique, c’est souvent la première brique qui apporte de la valeur dans un produit SaaS ou une application métier.

Mais le RAG montre vite ses limites dès que l’utilisateur attend une action. Si l’assistant doit comparer des options, consulter un CRM, déclencher une tâche dans un ERP puis rédiger un compte rendu, le simple aller-retour “question → recherche de documents → réponse” devient insuffisant. Les architectures les plus récentes combinent donc plusieurs couches : recherche vectorielle, outils applicatifs, boucles d’exécution agentique et supervision humaine.[8][17][19]

Cette évolution explique pourquoi les plateformes se mettent à exposer des briques de plus en plus proches des besoins produit : Mendix pousse des agentic capabilities dans les applications via un kit dédié,[4] Red Hat et d’autres acteurs industrialisent l’intégration de composants IA dans les environnements d’entreprise,[12] et la logique MCP/connexion d’outils devient un standard de fait pour brancher les agents sur les systèmes existants.[14][17] En bref, la question n’est plus “faut-il du RAG ?”, mais “à quel endroit du pipeline le RAG apporte-t-il réellement de la fiabilité ?”.

Ce que change l’IA agentique dans les produits

Le basculement vers les agents change la façon de concevoir la valeur produit. Un assistant de support peut désormais lire une demande, aller chercher l’historique client, classer le ticket, proposer une réponse et, dans certains cas, exécuter directement une action. Un outil commercial peut qualifier un lead, enrichir une fiche, générer un brief et lancer un suivi. Les cas d’usage ne sont plus limités à la génération de texte : ils couvrent des enchaînements de tâches.

Mais cette promesse a un coût. Selon une estimation 2026 sur l’intégration IA dans un SaaS, une fonctionnalité de génération de contenu peut démarrer autour de 8 k€ de développement, tandis qu’un agent autonome peut monter jusqu’à 120 k€.[13] La même source estime le coût d’inférence mensuel par utilisateur entre 0,20 € et 60 €, selon le niveau d’autonomie et la complexité des appels.[13] Pour un produit, ce n’est pas un détail : le coût d’usage peut devenir un sujet de marge brute, pas seulement un sujet d’innovation.

L’autre changement, plus discret mais plus important, concerne la gouvernance. Plus un agent agit, plus il faut savoir pourquoi il a décidé d’appeler tel outil, avec quelles données, et avec quels garde-fous. Les plateformes récentes mettent donc l’accent sur le contrôle des coûts, la traçabilité et les permissions. Zafin parle explicitement de “proof-of-work” et de contrôle des coûts dans AIOS,[15] tandis que les approches plus mûres réservent souvent les actions sensibles à des validations humaines ou à des politiques d’accès strictes.[14][17]

Ce qu’un produit doit retenir maintenant

La bonne lecture de l’actualité n’est pas “les agents remplacent le RAG”. C’est l’inverse : le RAG reste la couche de connaissance, mais il doit s’insérer dans une architecture plus large où l’agent décide quand chercher, quand agir et quand s’arrêter.[1][8][19] Les équipes produit qui gagnent en 2026 ne sont pas celles qui ajoutent un chatbot de plus, mais celles qui conçoivent un système d’exécution fiable.

Concrètement, cela impose trois arbitrages.

  • Fiabilité avant autonomie : un agent n’a de valeur que s’il peut être testé, observé et contraint. Sans journalisation des étapes, sans critères d’arrêt et sans permissions granulaires, l’automatisation devient une boîte noire.
  • Architecture hybride : selon la tâche, il faut choisir entre LLM simple, RAG ou boucle agentique. Les usages de type FAQ, support documentaire ou aide à la rédaction n’ont pas les mêmes besoins qu’un flux multi-étapes relié à des outils métiers.[1][8][19]
  • Économie d’inférence : le coût n’est plus marginal. Entre la taille du contexte, le nombre d’appels aux outils et les relances de l’agent, la facture peut vite dépasser la valeur créée si l’on ne met pas de plafonds, de cache et de routage intelligent.[13]

En pratique

  • Commencez par le cas d’usage le plus étroit possible : un flux à une seule décision, une source de données bien définie, une action finale mesurable. Cela réduit le risque de dérive et permet de valider la valeur avant d’élargir.
  • Séparez connaissance et action : utilisez le RAG pour l’accès aux sources, puis ajoutez une couche agentique uniquement là où une tâche doit être exécutée. Cette séparation facilite l’audit, le debug et la conformité.
  • Mettez des garde-fous dès le premier prototype : logs complets, seuils de coût, validation humaine pour les actions sensibles et tests sur des cas réels. Sans cela, l’agent devient vite plus cher, plus opaque et moins fiable qu’un bon workflow classique.