Comment créer un agent IA qui tient en production

Étape 1 : définir la tâche et le périmètre

La plupart des agents IA qui échouent ont été définis par leur technologie (« un agent connecté à notre CRM ») au lieu de leur tâche. Avant d'ouvrir un outil, écrivez trois choses.

• L'entrée : ce qui déclenche l'agent (un e-mail reçu, un formulaire, un fichier déposé, une commande d'un utilisateur) et à quelle fréquence (par jour, par semaine).
• La sortie attendue : une fiche CRM remplie, un brouillon de réponse, un ticket créé, un tableau mis à jour. Décrivez-la assez précisément pour qu'un humain puisse dire « c'est juste » ou « c'est faux ».
• Ce que l'agent n'a pas le droit de faire : envoyer sans validation, modifier un montant, contacter un client, supprimer une donnée.

Choisissez un flux fréquent (quelques dizaines de cas par semaine au moins, sinon vous ne pourrez pas mesurer), à faible risque juridique, dont les règles sont connues d'au moins une personne. Le tri d'une boîte partagée, la qualification de leads ou la préparation de devis sont de bons premiers candidats. Si vous hésitez sur la nature de ce que vous construisez, le guide qu'est-ce qu'un agent IA pose la différence avec un chatbot et une automatisation.

Étape 2 : choisir le modèle

Trois familles de modèles existent, avec des compromis différents.

Ma règle : commencer avec une API de bonne qualité pour valider que la tâche est faisable, puis tester un modèle plus petit ou ouvert sur le même jeu de cas. Si le petit modèle fait aussi bien, gardez-le, il coûte moins cher et sort moins de données. Le comparatif Mistral vs GPT pour l'entreprise détaille ce choix.

Étape 3 : connecter les outils (API, MCP, n8n)

Un outil est une fonction que l'agent peut appeler. Trois façons de les connecter coexistent.

Par API directe

Vous écrivez une fonction qui appelle l'API de votre CRM ou de votre messagerie, et vous la décrivez au modèle. C'est la voie la plus simple pour un ou deux outils, lourde au-delà, parce que chaque agent redéfinit ses fonctions.

Par serveur MCP

Le protocole MCP (Model Context Protocol) sépare les outils de l'agent : un serveur expose vos logiciels (lecture des fiches, création de tâches, envoi d'e-mails) avec des droits par outil, et n'importe quel agent ou assistant compatible peut s'y connecter. Je le recommande dès que plusieurs agents ou plusieurs personnes doivent accéder aux mêmes données. Mon offre de serveur MCP sur mesure repose sur ce principe, avec hébergement en France.

Par un outil d'automatisation

n8n possède un nœud « AI Agent » qui prend un modèle, une liste d'outils (les autres nœuds n8n : Gmail, HubSpot, Google Sheets, une requête HTTP) et une mémoire. C'est la façon la plus rapide de connecter un agent à des logiciels courants sans écrire de code. La contrepartie : les droits et la journalisation sont ceux de n8n, plus grossiers que ce qu'un serveur MCP permet.

Quelle que soit la voie, donnez à l'agent le minimum d'outils. Un agent avec dix outils hésite, se trompe et coûte plus cher à chaque étape.

Étape 4 : écrire les instructions et les garde-fous

Les instructions (le « prompt système ») disent à l'agent qui il est, ce qu'il doit faire, dans quel ordre, et ce qu'il doit faire en cas de doute. Un bon prompt système d'agent ressemble à une fiche de poste.

1. Le rôle et le contexte : « Tu traites les demandes entrantes du service client de [entreprise], dont les clients sont des professionnels du bâtiment. »
2. La procédure, étape par étape, avec les outils à utiliser à chaque étape.
3. Les règles d'arrêt : « Si le numéro de commande est introuvable, crée un ticket avec le motif "à vérifier" et arrête-toi. »
4. Le format de sortie, de préférence structuré (JSON, champs nommés), pour que le programme qui suit puisse le lire sans ambiguïté.
5. Des exemples : deux ou trois cas résolus.

Les garde-fous vivent en dehors du prompt, dans le code ou dans le scénario, parce qu'un modèle peut oublier une consigne. Les quatre indispensables :

• un plafond d'étapes et un budget par tâche, pour arrêter les boucles ;
• une validation humaine sur toute action visible de l'extérieur (e-mail envoyé, montant modifié), au moins pendant les premières semaines ;
• un journal de chaque appel d'outil avec ses paramètres, pour comprendre a posteriori ;
• une séparation entre consignes et contenus : le texte d'un e-mail lu par l'agent est une donnée, jamais une instruction. C'est la parade à l'injection de consignes.

Étape 5 : tester avec un jeu de cas

C'est l'étape que les démonstrations sautent et que la production exige. Constituez un jeu de 30 à 50 cas réels (anonymisés si nécessaire), chacun avec la sortie attendue validée par la personne qui fait la tâche aujourd'hui. Incluez des cas faciles, des cas ambigus et des cas où la bonne réponse est « je transmets ».

Faites tourner l'agent sur l'ensemble et mesurez trois choses : le taux de sorties correctes, le nombre d'étapes et le coût par cas. Chaque modification (prompt, modèle, outil) est rejouée sur le même jeu. Sans ce cadre, impossible de savoir si un changement a amélioré ou dégradé l'agent. C'est la première chose que je construis sur un projet d'agent, et ce que je remets à la fin d'un audit IA.

Le seuil de passage en production dépend du risque. Pour un tri de boîte mail avec relecture humaine, un accord de l'ordre de 90 % avec l'humain suffit en général. Pour une action directe dans le CRM, on attend mieux, et on garde la validation sur les cas de faible confiance.

Étape 6 : déployer et superviser

Déployer, c'est faire tourner l'agent sur un serveur qui redémarre seul, avec un déclencheur fiable (webhook, file d'attente, planification) et des accès stockés hors du code. Un serveur virtuel à 10 à 40 € par mois suffit pour la plupart des agents ; un modèle hébergé demande un serveur GPU à quelques centaines d'euros par mois.

Superviser, c'est regarder trois indicateurs chaque semaine : le taux de propositions acceptées sans modification, le coût d'inférence et la liste des cas en échec. Prévoyez un tableau de suivi simple, une alerte sur les erreurs répétées et un bouton d'arrêt que le responsable métier peut actionner seul.

Passez en action directe progressivement : d'abord les cas où l'accord avec l'humain est stable depuis plusieurs semaines, sous plafond, en gardant la validation sur le reste. Rejouez le jeu de cas à chaque changement de modèle ou d'API d'un outil connecté.

No-code ou code : n8n, Dify, Python, LangGraph

La question « quel framework pour un agent IA » revient souvent. La réponse dépend moins de la technique que de ce que l'agent doit faire et de qui va le maintenir.

No-code : n8n et Dify

n8n est le bon choix pour un agent qui lit et écrit dans des logiciels courants, avec validation humaine. On visualise le flux, on branche le nœud agent, on ajoute les outils. Il s'héberge chez vous (voir n8n cloud ou auto-hébergé). Dify est plus orienté conversation et base de connaissances : pratique pour un agent qui cherche dans des documents, moins à l'aise pour agir dans des outils métier.

Code : Python et les frameworks d'agents

Dès qu'il faut des droits par utilisateur, une journalisation complète, un modèle hébergé chez vous ou une logique métier qui ne tient pas dans des nœuds, on passe en Python. Les kits des éditeurs (OpenAI Agents SDK, Anthropic Agent SDK) suffisent pour un agent avec quelques outils. LangGraph modélise l'agent comme un graphe d'états : utile quand la procédure a des branches, des reprises et des points de validation humaine. LlamaIndex convient quand l'agent doit surtout chercher dans des documents.

Mon conseil : un framework aide à démarrer et gêne quand il faut sortir de ses cas prévus. Pour un agent de production, un code Python court, avec la boucle écrite à la main et un serveur MCP pour les outils, est souvent plus facile à maintenir. Les agents les plus fiables que j'ai vus tiennent en quelques centaines de lignes.

Créer un agent IA gratuitement : ce qui est possible et ses limites

Oui, on peut créer un agent IA gratuitement, à condition de savoir ce que « gratuit » couvre.

• n8n auto-hébergé est gratuit sur votre propre machine ou serveur (licence communautaire). Vous payez le serveur et le temps d'installation.
• Un modèle ouvert avec Ollama tourne gratuitement sur un ordinateur récent, avec une qualité correcte sur des tâches simples et une lenteur sensible sans carte graphique.
• Les API fermées offrent des crédits d'essai ou des paliers gratuits limités. Utile pour prototyper, insuffisant pour un flux quotidien.

Les limites apparaissent au passage en production : un agent qui traite des données de clients a besoin d'un hébergement fiable, d'un contrat avec l'éditeur du modèle (ou d'un modèle chez vous), d'une journalisation et de quelqu'un qui regarde le tableau de suivi. En pratique, un agent simple en production coûte de l'ordre de 20 à 100 € par mois d'inférence et d'hébergement, avant le temps humain. Le gratuit sert à apprendre et à valider qu'une tâche est faisable. Le déploiement demande un budget.

Coûts, délais et erreurs fréquentes

Ordres de grandeur constatés en France quand le travail est confié à un freelance IA ou à une agence IA, cadrage et tests compris :

• Agent simple sur un outil, avec validation humaine : 2 500 à 6 000 €, 2 à 4 semaines.
• Agent multi-outils (CRM, e-mail, agenda) avec validation : 6 000 à 15 000 €, 4 à 6 semaines.
• Agent avec serveur MCP, droits par utilisateur et journalisation : 15 000 à 40 000 €, 6 à 8 semaines et plus.
• Récurrent : inférence 20 à 500 € par mois, hébergement 10 à 40 € par mois, maintenance 300 à 1 500 € par mois si elle est déléguée. Détail sur la page prix d'un agent IA.

Les erreurs que je corrige le plus souvent en audit :

1. Un périmètre trop large : l'agent « assistant commercial » qui fait tout, et rien correctement. Découpez.
2. Aucun jeu de cas : on juge l'agent sur trois démonstrations, puis on découvre les erreurs en production.
3. Les garde-fous dans le prompt au lieu du code. Le modèle finit par oublier une consigne.
4. Trop d'outils exposés au modèle, qui hésite et se trompe d'outil.
5. L'action directe dès le premier jour, sans période en mode proposition.
6. Personne pour superviser après la livraison, et une dérive silencieuse au premier changement d'API.

Pour construire votre agent vous-même, ces six étapes suffisent sur un premier flux. Pour le confier à quelqu'un qui l'a déjà fait, la page agent IA pour entreprise décrit le déroulé et les livrables. Un appel de 20 minutes permet de dire si votre flux est un bon candidat et quelle voie est raisonnable.