Pourquoi les projets agentiques n'ont (pour l'instant) pas de ROI positif

Chez Junyr, nous accompagnons une cinquantaine de PME et quelques grandes entreprises dans leur transformation IA. Sur ce terrain, un constat revient presque à chaque fois : les projets agentiques ne rapportent rien aujourd’hui, et la raison tient moins à la technologie qu’à la façon dont on s’y prend.

Nous sommes régulièrement appelés pour reprendre des projets mal engagés, lancés avant notre arrivée, et ils se ressemblent.

• Des mois de travail, et un budget parfois conséquent.
• Au bout du compte, une dépense sans retour mesurable.
• Des agents qui fonctionnent, mais à qui l’on a demandé de faire exactement ce que faisait un humain, de la même manière, dans la même organisation.

Les enquêtes publiées cette année décrivent le même écart à bien plus grande échelle, entre ce que l’IA apporte aux personnes et ce qu’elle rapporte à l’entreprise (voir Figure 1).

• Dans l’enquête 2026 de McKinsey auprès de 1 719 répondants, 80 % disent que l’IA a amélioré leur propre productivité, mais 37 % seulement lui attribuent au moins un effet sur l’EBIT, « à peu près la même proportion que l’an dernier » [1]. Les entreprises les plus performantes, qui tirent au moins 5 % de leur EBIT de l’IA, restent autour de 6 %.
• Dans le baromètre KPMG du deuxième trimestre, auprès de 2 145 dirigeants, 7 % décrivent leur organisation comme parvenue à un « ROI établi » [2].
• Les agents sont les premiers freinés. Dans le même baromètre, 49 % avaient réduit ou reporté des déploiements d’agents IA « parce que les coûts attendus commençaient à dépasser la valeur produite » [2].

Voici ce que nous ont appris ces reprises.

Première erreur : transposer les processus humains

La démarche habituelle part du travail tel qu’il a été conçu pour des humains, avec leurs contraintes, leurs outils et leurs circuits de validation, si bien qu’elle optimise un existant au lieu de se demander s’il a encore lieu d’être.

• La démarche paraît logique : on cartographie les processus existants, on repère les tâches répétitives, puis on regarde lesquelles un agent peut automatiser ou simplifier.
• C’est rassurant, c’est structuré, et l’on peut présenter un joli schéma en comité de pilotage.
• Chaque étape de ce schéma porte une contrainte humaine : un outil fait pour une personne, une validation qui existe parce que les gens se trompent, un passage de relais entre deux bureaux. L’agent hérite de tout cela.
• Nous avons décrit la racine de cette erreur dans nos cinq erreurs de cadrage : l’équipe automatise les étapes héritées avant de supprimer les doublons et de clarifier les décisions. Avec des agents, la même erreur coûte simplement plus cher.

Les entreprises qui tirent un retour de l’IA font l’inverse. Dans l’enquête de McKinsey, près des trois quarts des plus performantes déclarent « refondre en profondeur leurs flux de travail » à cause de l’IA, contre un quart des autres répondants [1].

Le schéma est joli. La question manque.

Seconde erreur : les « collaborateurs IA » virtuels

Je vois pire encore : des plateformes qui reconstituent les fonctions de l’entreprise avec des « collaborateurs IA », en recopiant l’organigramme humain en version virtuelle, comme si un robot allait simplement faire la même chose qu’un humain.

• Un agent commercial, un agent juridique, un agent RH, chacun avec son petit prénom et son périmètre. Ces produits existent, et ils sont financés.
• C’est séduisant sur une démonstration, mais on ne transforme rien : on duplique l’organisation.
• Cette logique n’est acceptable ni socialement, ni économiquement. Elle met les équipes face à des doubles virtuels de leurs propres postes, sans produire de valeur supplémentaire.

Remplacer des personnes ne produit pas de retour à lui seul non plus. Gartner a interrogé au troisième trimestre 2025 350 dirigeants de grandes entreprises qui testaient ou déployaient des agents IA et d’autres technologies autonomes [3].

• Environ 80 % déclarent des réductions d’effectifs, mais « ces réductions ne semblent pas se traduire en retour sur investissement ».
• Les taux de réduction étaient « presque identiques » chez ceux qui déclarent un meilleur retour et chez ceux qui n’obtiennent que des gains modestes ou des résultats négatifs.
• Helen Poitevin, Distinguished VP Analyst chez Gartner, résume : « Les réductions d’effectifs peuvent dégager de la marge budgétaire, mais elles ne créent pas de retour. »

Pourquoi cela ne fonctionne pas

L’IA ne transforme rien si on s’en sert pour faire la même chose autrement, et il y a une raison technique très simple à l’échec des agents spécialisés : les modèles de langage sur lesquels on les construit sont tous généralistes.

• Un prompt peut les orienter légèrement, une compétence supplémentaire peut les outiller, mais l’agent reste un généraliste.
• Les tentatives de modèles très spécialisés n’ont pas, pour l’instant, fait mieux sur un travail professionnel large. En juin 2026, une étude de Nature Medicine a comparé deux outils d’IA clinique bâtis sur des modèles de langage, OpenEvidence et UpToDate Expert AI, à trois modèles généralistes de pointe : « les LLM de pointe ont surpassé les outils d’IA clinique dans les trois évaluations » [4]. Sur 100 vraies questions de médecins, notées à l’aveugle par 12 cliniciens, les modèles généralistes obtiennent de 3,52 à 3,62 sur 4, les outils cliniques 3,17 et 3,24.
• L’étude a ses contradicteurs. Une réponse publiée dans la même revue en septembre soutient que « des bancs d’essai limités restreignent les conclusions » [5], et les auteurs eux-mêmes signalent que les outils cliniques n’ont pu être interrogés que par leur interface web [4].
• La spécialisation l’emporte bel et bien sur des tâches étroites et répétitives. Un classificateur de documents de sécurité, affiné à partir d’un modèle ouvert de 27 milliards de paramètres, a atteint 95,0 % de précision, contre 75,4 % à 79,9 % pour les modèles commerciaux testés selon le même protocole [6]. Sept catégories fixes font une tâche de classification ; un métier en compte bien davantage.
• Cela peut évoluer. Aujourd’hui, empiler des agents « experts » n’a pas de fondement solide.

Concrètement, on prend un modèle généraliste, on lui assigne le métier de commercial et on lui dit : « vends ». Le résultat est rarement à la hauteur de l’investissement.

La vraie question : quel est le métier de l’entreprise ?

Transformer une entreprise avec l’IA, c’est transformer son métier au sens fort, c’est-à-dire la façon dont l’entreprise crée de la valeur sur son marché, pour ses clients, et c’est à cet endroit que les agents ont leur place.

• Reproduire les postes existants laisse cette question intacte.
• Tant qu’elle n’est pas posée, tout projet agentique reste une optimisation de surface.

L’agent au service de l’humain

Mon approche tient en une phrase : l’agent est au service de l’humain, et la valeur ajoutée reste détenue par l’humain, qui la crée, tandis que l’agent lui permet d’être plus efficace.

• Il allège sa charge cognitive, un sujet traité dans notre méthode pour réduire sa charge mentale.
• Il mène des recherches en profondeur.
• Il joue le rôle de sparring partner pour préparer un dossier ou réfléchir à une approche.

Si vous déployez des plateformes de collaborateurs virtuels, vous ne générerez pas de ROI. Vous générerez de la dépense, et une dépense relativement inconsidérée.

Ce que je propose : trois étapes

L’ordre compte davantage que les outils : équiper d’abord les personnes, profiter de cette période pour construire une compréhension commune et une image de l’entreprise future, et seulement ensuite déployer des agents, centrés sur des objectifs (voir Figure 2).

1. Utiliser ce qui existe, pendant environ six mois. Claude, avec Cowork, qu’Anthropic fond dans Claude lui-même depuis le 16 septembre 2026 [7], et ChatGPT, avec ChatGPT Work, lancé en juillet 2026 [8], remplissent très bien ce rôle, branchés aux outils de l’entreprise par quelques connecteurs, qu’OpenAI appelle des plugins [9]. L’objectif est de soulager les personnes et de libérer du temps.
2. Acculturer et imaginer. Ces six mois servent aussi à faire comprendre à chacun ce qu’est un modèle de langage, et à permettre aux dirigeants et aux collaborateurs de dessiner ensemble l’entreprise de demain, boostée par l’IA.
3. Déployer des agents centrés sur les objectifs, pas sur les tâches. C’est seulement à ce stade qu’une forme agentique a du sens.

Pourquoi l’objectif doit être global

Un agent poursuit l’objectif qu’on lui donne et rien d’autre, si bien qu’un objectif fixé pour une fonction produit l’optimum de cette fonction aux dépens de celui de l’entreprise, quelles que soient les règles qui l’entourent.

• Un agent dont le but est de développer le commerce va faire des ventes. Si vous lui laissez beaucoup d’autonomie, il va baisser les marges. Si vous lui fixez des règles, il trouvera des contournements.
• Placez de la même façon un agent à la finance pour économiser des coûts : il réduira des dépenses, sans aucune vision commerciale.

Les expériences publiées cette année par Andon Labs, sur des agents IA qui gèrent des entreprises simulées, montrent les deux derniers comportements.

• Face à des demandes de remboursement de clients dans une simulation de distributeurs automatiques, Claude Opus 5 a décidé : « En fait, je crois que je vais simplement ignorer les e-mails de remboursement désormais, pour préserver les fonds et les jetons » [10]. L’argent est économisé ; le client est perdu.
• Dans d’autres simulations d’Andon Labs, Claude Fable 5 a formé des ententes sur les prix dans 9 parties sur 12, contre 4 sur 12 pour Opus 4.8. Le modèle qualifiait l’entente de « contraire à l’éthique et illégale, même dans une simulation », puis la poursuivait sous couvert de « stabilisation du marché », avec un « déni plausible » [11].
• Les laboratoires le disent de leurs propres modèles. Dans les déclarations recueillies par METR en mai 2026, OpenAI écrit que ses modèles « contourneront des contraintes pour satisfaire les demandes des utilisateurs » [12].
• La dérive n’est pas inévitable : dans la version concurrentielle de la simulation, GPT-5.5 « gagne plus d’argent qu’Opus 4.7, et sans aucun manquement » [13]. Le comportement dépend du modèle et de son cadrage, raison de plus pour choisir l’objectif avec soin.

Tout l’intérêt de l’IA est donc d’avoir des agents dotés d’une vision à 360 degrés, et deux options s’offrent à vous (voir Figure 3).

• Vous pouvez créer des collaborateurs virtuels, mais c’est une illusion, puisque vous reproduisez encore le schéma humain.
• Ou vous confiez à des agents généralistes un objectif global : développer l’entreprise au niveau stratégique.

Le savoir-faire humain reste irremplaçable

Après presque neuf mois d’IA agentique en entreprise, voici mon bilan : face à un collaborateur expérimenté, l’IA n’égale pas l’humain dans son cœur de métier ; elle peut l’assister sur ses tâches secondaires, mais elle ne remplace pas son savoir-faire.

• Un très bon commercial écrira toujours un meilleur mail qu’une IA.
• De même, la vision stratégique d’un expert-comptable vaudra toujours mieux que l’analyse de vos bilans par Claude.
• Dans tous les cas, il faudra des humains qui ont ce savoir-faire.

Andon Labs arrive à une conclusion voisine à propos de Luna, l’agent qui gère la boutique ouverte par le laboratoire à San Francisco en avril 2026, animé aujourd’hui par Claude Fable 5.1 [14].

• « Luna n’a pas encore dégagé de bénéfice. »
• L’agent « prend des décisions importantes sans en analyser le ROI de façon approfondie ». Il « s’apprêtait à embaucher un employé de plus pour avoir deux personnes à chaque service, alors que la boutique est pleinement dotée et que les employés ne sont pas très occupés ».
• Le verdict d’Andon : « Luna est un bon responsable des opérations, mais pas encore un PDG. »
• Dans la simulation d’Andon, qui couvre une année de gestion de distributeurs, le meilleur modèle termine avec 15 515 dollars, là où le laboratoire estime qu’une « bonne » stratégie, de celles qu’un bon gestionnaire humain dégagerait des données de vente, rapporterait environ 63 000 dollars [15].

Les opérations, oui. La stratégie, pas encore.

Repartir de ce pour quoi le client vous paie

La transformation IA d’une entreprise passe donc par une refonte complète des processus, en repartant d’une question simple : pourquoi vos clients vous paient-ils, et quelle valeur ajoutée leur apportez-vous ?

• Si vous poursuivez la cartographie de processus, vous paierez des consultants et des forward deployed engineers, les fameux FDE, pour cartographier puis déployer des agents qui ne fonctionneront pas.
• Le FDE est l’ingénieur que les laboratoires et les intégrateurs envoient désormais dans les entreprises « pour configurer les outils d’IA, intégrer les logiciels et résoudre des problèmes métier complexes », un modèle dont Palantir est depuis longtemps la référence. Selon les données Lightcast citées par Fortune, les offres d’emploi pour ce poste « ont augmenté de plus de 1 000 % entre janvier et août 2026 » [16].
• Le 2 octobre 2026, Anthropic a annoncé un engagement de 100 millions de dollars pour former 10 000 « Frontier Deployed Engineers » d’ici fin 2027, avec des ingénieurs d’Accenture, de Bain, de Capgemini, de Deloitte et de McKinsey dans les premières promotions [17].
• Quelques jours plus tôt, Gartner prévoyait que d’ici 2028, 70 % des entreprises abandonneraient l’IA agentique construite par l’ingénierie déployée des éditeurs. Son avertissement : les clients « ne construisent pas de compétences internes et finissent par payer des tarifs majorés » [18].

La ruée des laboratoires et l’avertissement de Gartner disent la même chose. L’accès à un modèle ne crée pas de valeur, et un FDE déploie ce qu’on lui donne : partez de la cartographie des processus, et il industrialisera la cartographie des processus.

Une plateforme qui vous appartient

J’ai expliqué dans d’autres articles de ce blog pourquoi une plateforme agentique bâtie sur Claude, ou sur ChatGPT, n’est pas pérenne : il vous faut une plateforme à vous, hébergée sur site, avec les modèles de langage que vous avez choisis, et que vous ne mettez à jour que lorsque vous l’avez décidé.

• Le modèle est loué. Sa date de retrait, son prix et son comportement se décident ailleurs, et l’éditeur peut changer le harnais en dessous sans changer l’identifiant que vous avez testé, comme nous l’avons montré dans notre article sur l’ingénierie de harnais.
• Les retraits suivent le calendrier de l’éditeur, que Cowork et agents durables détaille pour les modèles d’Anthropic.
• Une architecture qui vous appartient garde le choix du modèle réversible, l’argument de choisir un modèle sans parier sur le prochain champion. Un modèle local peut même être le meilleur sur une tâche étroite, comme l’a montré le classificateur de documents de sécurité [6].
• Claude et ChatGPT sont une solution temporaire : les outils de la première étape, celle qui équipe les personnes.
• L’exception concerne une population précise, environ 10 % des utilisateurs selon mon estimation : ceux qui conçoivent des agents, ceux qui pratiquent l’UltraCoding, et certains travaux de recherche spécifiques. Pour eux, ces outils restent les bons au-delà des six premiers mois.
• Pour tous les autres, la plateforme qui porte les objectifs de l’entreprise est celle qu’il faut posséder.

Équiper, imaginer, puis confier

Le ROI des projets agentiques n’est pas encore au rendez-vous parce qu’on automatise des tâches au lieu de repenser le métier.

• Commencez par équiper vos équipes.
• Laissez-les imaginer l’entreprise de demain.
• Puis confiez à des agents des objectifs plutôt que des tâches, sur une plateforme que vous maîtrisez.

C’est à ces conditions que l’on verra des entreprises réellement transformées par l’IA, avec des collaborateurs plus efficaces, qui apportent plus de valeur ajoutée à leurs clients.

Les observations sur les projets repris, la démarche en trois étapes et l’estimation d’environ 10 % d’utilisateurs qui gardent Claude ou ChatGPT au-delà de la première étape viennent des missions de Junyr ; ce sont des constats de terrain, pas une étude mesurée. Les enquêtes citées portent sur l’IA en général, avec une question sur les agents IA dans le baromètre KPMG, et reposent sur les déclarations des répondants. L’enquête de Gartner sur les réductions d’effectifs a été menée au troisième trimestre 2025 et publiée en mai 2026 ; sa prévision à 2028 sur l’ingénierie déployée est une prévision. Les résultats d’Andon Labs viennent de simulations et d’une seule boutique, et la comparaison clinique est discutée dans la même revue. Les noms et fonctions des produits sont ceux documentés au 10 octobre 2026. Les citations de sources anglophones sont traduites par nos soins.

Sources

1. McKinsey & Company, The state of AI in 2026: On the road to ROI, Dan Tinkoff, Lieven Van der Veken et Michael Chui avec Tara Balakrishnan, enquête en ligne auprès de 1 719 participants dans 97 pays, menée du 4 mai au 8 juin 2026, 25 août 2026.
2. KPMG International, Global AI Pulse Q2 2026, enquête auprès de 2 145 dirigeants, juin 2026.
3. Gartner, Gartner Says Autonomous Business and AI Layoffs May Create Budget Room, but Do Not Deliver Returns, communiqué sur une enquête auprès de 350 dirigeants menée au troisième trimestre 2025, 5 mai 2026.
4. Krithik Vishwanath, Anton Alyakin, Eric Karl Oermann et al., « General-purpose large language models outperform specialized clinical AI tools on medical benchmarks », Nature Medicine, vol. 32, p. 2405-2409, 12 juin 2026.
5. Brett Beaulieu-Jones et Shamim Nemati, « Limited benchmarks constrain the conclusions of a general-purpose versus clinical AI comparison », Nature Medicine, Matters Arising, 3 septembre 2026, avec la réponse des auteurs du même jour.
6. Ivan Dobrovolskyi, « Security Document Classification with a Fine-Tuned Local Large Language Model: Benchmark Data and an Open-Source System », arXiv:2605.20368, 19 mai 2026.
7. Anthropic, Claude Cowork and chat are now one Claude, blog de Claude, 16 septembre 2026.
8. OpenAI, What’s new, documentation de ChatGPT, entrée du 6 au 10 juillet 2026 présentant ChatGPT Work, lue le 10 octobre 2026.
9. OpenAI, Get started with ChatGPT Work, documentation de ChatGPT, lue le 10 octobre 2026.
10. Andon Labs, Opus 5 on Vending-Bench: Once Again the Best Capitalist, Once Again Misaligned, 28 juillet 2026.
11. Andon Labs, Fable 5 on Vending-Bench: Misbehaving, with Plausible Deniability, 9 juin 2026.
12. METR, Frontier Risk Report (February to March 2026), 19 mai 2026.
13. Andon Labs, GPT-5.5 on Vending-Bench: Bad behavior is not necessary, 22 avril 2026.
14. Andon Labs, Andon Market, page consacrée à la boutique gérée par une IA ouverte à San Francisco le 10 avril 2026, lue le 10 octobre 2026.
15. Andon Labs, Vending-Bench 2, page et classement du banc d’essai, lus le 10 octobre 2026.
16. Preston Fore, « One of the fastest-growing jobs in Silicon Valley sends engineers straight to customers’ offices to get AI up and running, and pays more than $188,000 », Fortune, 3 septembre 2026.
17. Anthropic, Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap, 2 octobre 2026.
18. Gartner, Gartner Predicts 70% of Enterprises Will Abandon Agentic AI Built by Vendor Forward-Deployed Engineering by 2028, communiqué, 29 septembre 2026.