De la génération à l’agentivité : Analyse de la prochaine vague d’IA et de sa manifestation dans l’automatisation des flux de travail d’entreprise

1.0 Résumé exécutif

Le domaine de l’intelligence artificielle est en train de subir un changement de paradigme significatif, évoluant de systèmes qui génèrent principalement du contenu à ceux capables d’exécuter des actions autonomes. Ce rapport fournit une analyse complète de cette transition, examinant les capacités établies de l’IA Générative, le pouvoir émergent de l’IA Agentive et les implications stratégiques pour les opérations d’entreprise. La conclusion principale est qu’alors que l’IA Générative a révolutionné la création de contenu et la synthèse d’informations, l’IA Agentive représente la prochaine étape logique, transformant le potentiel de l’IA en action tangible et orientée vers des objectifs, et redéfinissant le paysage de l’automatisation des processus commerciaux.

L’IA Générative, alimentée par des modèles de base et des grands modèles de langage (LLM), excelle dans la création de texte, d’images, de code et d’autres médias nouveaux en réponse à des demandes spécifiques des utilisateurs. Sa valeur réside dans l’augmentation de la créativité et de la productivité humaines en automatisant des tâches discrètes et centrées sur le contenu. L’adoption généralisée de ces outils transforme la création de contenu de base en produit de masse, élevant l’importance stratégique de l’ingénierie de prompts et de la supervision humaine.

En revanche, l’IA Agentive introduit un nouveau niveau d’autonomie. Ces systèmes se définissent par leur proactivité, leur adaptabilité et leur orientation vers les objectifs. Plutôt que de réagir à des prompts, les agents d’IA sont conçus pour poursuivre des objectifs de haut niveau avec une intervention humaine minimale. Ils fonctionnent sur une boucle continue de perception, de raisonnement, de planification, d’exécution et d’apprentissage, leur permettant de gérer des flux de travail complexes et multi-étapes across various plateformes numériques. L’architecture de ces systèmes implique souvent l’orchestration de multiples agents spécialisés, qui collaborent pour atteindre des objectifs commerciaux globaux. Cela marque un passage de l’IA en tant qu’outil à l’IA en tant que main-d’œuvre numérique.

Une analyse critique révèle que l’IA Agentive ne remplace pas l’IA Générative mais est une évolution qui s’appuie sur elle, utilisant les LLM comme moteur de raisonnement central. Cependant, la distinction s’estompe à mesure que les produits commerciaux mélangent de plus en plus les capacités des deux paradigmes. Une étude de cas détaillée de SeaMeet par Seasalt.ai, commercialisé comme un « Copilot de réunion agentif », illustre cette tendance. Si ses fonctions de base sont génératives (transcription, résumé), son flux de travail basé sur les e-mails pour la création de documents de suivi représente une capacité « proto-agentive » — une automatisation sophistiquée déclenchée par l’homme qui signale un mouvement plus large du marché vers l’infusion de produits avec des fonctionnalités similaires à celles des agents.

Pour les leaders d’entreprise, l’impératif stratégique est double : tirer parti de l’IA Générative pour des gains de productivité immédiats tout en initiant simultanément des expériences stratégiques avec l’IA Agentive pour réingénieriser les processus commerciaux clés pour une nouvelle ère d’automatisation. L’adoption réussie dépend de l’établissement d’une préparation des données, de cadres solides de sécurité et de gouvernance, et d’une conscience aiguë des considérations éthiques inhérentes au déploiement de systèmes autonomes. La trajectoire de cette technologie pointe vers un avenir où un écosystème collaboratif d’agents humains et d’IA stimule l’efficacité, l’innovation et la création de valeur des entreprises.

2.0 La révolution générative : l’IA en tant que créateur de contenu

La prolifération récente et rapide de l’intelligence artificielle dans les applications commerciales et grand public est en grande partie attribuable à l’essor de l’IA Générative. Ce sous-domaine de l’IA a captivé l’imagination du public et débloqué des gains de productivité significatifs en dotant les machines de la capacité de créer du contenu original. Comprendre les mécanismes, les capacités et les limites de ce paradigme est essentiel pour contextualiser le saut ultérieur vers les systèmes agentifs autonomes.

2.1 Définition du paradigme : Mécanismes de création

L’intelligence artificielle générative est une catégorie d’IA qui utilise des modèles d’apprentissage automatique pour produire du contenu nouveau, tel que du texte, des images, de l’audio, de la vidéo ou d’autres formes de données, en réponse à une entrée utilisateur.1 Contrairement aux systèmes d’IA traditionnels conçus pour la prédiction ou la classification, ou aux moteurs de recherche qui localisent et curatent des informations existantes, les modèles génératifs créent des sorties entièrement nouvelles.2 Ils y parviennent en étant entraînés sur des ensembles de données massifs de contenu créé par l’homme. Grâce à ce processus d’entraînement, les modèles apprennent les motifs, structures et relations sous-jacents dans les données. Leur fonction core est probabiliste ; ils prédisent l’élément le plus probable suivant dans une séquence — qu’il s’agisse d’un mot dans une phrase, d’un pixel dans une image ou d’une note dans une composition musicale — pour construire un résultat cohérent et contextuellement pertinent.2

La base technologique de l’IA générative moderne repose sur des architectures appelées modèles de fondation (FMs) et, plus précisément, des grands modèles de langage (LLMs).4 Les FMs sont de vastes modèles d’apprentissage automatique pré-entraînés sur un large éventail de données généralisées et non étiquetées, ce qui leur permet d’effectuer une grande variété de tâches immédiatement.4 Les LLMs, tels que la série Generative Pre-trained Transformer (GPT) d’OpenAI, sont une classe de FMs axée spécifiquement sur des tâches liées au langage comme la synthèse, la génération de texte, la classification et la conversation ouverte.4

L’échelle et la complexité de ces modèles représentent un saut monumental par rapport à leurs prédécesseurs. Les premières formes d’IA générative, telles que les chaînes de Markov développées il y a plus d’un siècle, pouvaient également effectuer une prédiction du mot suivant, mais étaient limitées par leur incapacité à considérer un contexte plus large que quelques mots précédents.5 En revanche, les LLMs modernes comme ChatGPT sont construits avec des milliards de paramètres et entraînés sur une partie importante de l’Internet accessible au public, ce qui leur permet de saisir des dépendances complexes, des nuances et des modèles statistiques dans le langage. Cette échelle immense leur permet de générer un texte plausible, sophistiqué et proche de l’humain, dépassant de loin les fonctions simples d’autocomplétion.5 Le modèle d’interaction fondamental reste réactif : le système attend un prompt spécifique d’un utilisateur, puis génère un contenu en réponse.6

La prolifération de ces outils puissants et accessibles modifie fondamentalement la nature du travail lié au contenu. À mesure que l’IA générative devient capable de produire du contenu de base de haute qualité à la demande, la valeur économique se déplace de l’acte manuel de création lui-même. Au lieu de cela, la valeur se trouve de plus en plus dans la direction stratégique fournie à l’IA. La capacité à concevoir un prompt précis et riche en contexte qui suscite le résultat souhaité — une compétence souvent appelée “prompt engineering” — devient une compétence critique. Cette dynamique redéfinit le rôle humain, passant d’un pur créateur à celui d’un directeur créatif, d’un stratège et d’un éditeur, qui utilise l’IA comme un puissant multiplicateur de force. La technologie ne remplace pas simplement l’effort humain, mais crée une nouvelle couche collaborative où la qualité de l’entrée stratégique humaine détermine directement la qualité de la sortie de l’IA.

2.2 Capacités fondamentales et applications : Une vue d’ensemble de la boîte à outils générative

Les applications de l’IA générative couvrent un large éventail de domaines, reflétant la polyvalence des modèles de fondation sous-jacents. Ces outils sont intégrés dans les flux de travail across industries pour booster la productivité, soutenir les tâches créatives et automatiser la communication.4 Une étude de ses capacités fondamentales révèle une boîte à outils complète pour le travail intellectuel moderne.

Une application primaire et largement adoptée est la génération de texte. Les modèles génératifs peuvent produire une vaste gamme de contenus écrits, allant de la rédaction d’emails professionnels, de copies publicitaires et de rapports techniques à la création d’œuvres créatives comme des poèmes et des histoires.2 Cette capacité s’étend à la résumé et à la synthèse de contenu, où l’IA peut distiller des documents longs, des articles de recherche ou des conversations en résumés concis et digestes, permettant aux utilisateurs de saisir rapidement les informations clés à partir de grandes quantités de données non structurées.2

Au-delà du texte, l’IA générative a fait des progrès significatifs dans la création multimédia. Des outils comme DALL-E 3, Midjourney et Stable Diffusion peuvent générer des images et des œuvres d’art originales de haute qualité à partir de simples descriptions textuelles.8 Cela s’étend à la vidéo et à l’audio, où des modèles émergents peuvent créer des animations ou synthétiser une parole naturelle pour des applications comme les assistants virtuels et la narration d’audiolivres.8

Dans le domaine du développement logiciel, l’IA générative sert d’assistant puissant aux programmeurs. Des plateformes comme GitHub Copilot s’intègrent directement dans les environnements de développement pour suggérer des extraits de code, compléter des fonctions, traduire entre des langages de programmation et aider à déboguer du code existant.2 Cela accélère le cycle de développement et permet aux ingénieurs de se concentrer sur des problèmes architecturaux de plus haut niveau.10

Une autre application sophistiquée est la génération de données synthétiques. Les modèles génératifs peuvent créer de nouvelles données artificielles qui imitent les propriétés statistiques d’un ensemble de données du monde réel. Ces données synthétiques sont inestimables pour l’entraînement d’autres modèles d’apprentissage automatique, notamment dans des domaines où les données du monde réel sont rares, sensibles ou coûteuses à acquérir, comme dans les secteurs de la santé ou de la finance.4

Le paysage commercial est peuplé de nombreuses applications bien connues qui ont apporté ces capacités à des millions d’utilisateurs. Celles-ci incluent des IA conversationnelles comme ChatGPT et Gemini, des assistants d’écriture comme Grammarly, et des solutions intégrées comme Microsoft Copilot et Adobe Firefly, qui intègrent des fonctionnalités génératives dans des suites de productivité existantes.9 La valeur commerciale globale de ces outils réside dans leur capacité à améliorer la productivité et à favoriser l’innovation en automatisant la création de contenu et en rationalisant des tâches spécifiques, pilotées par les entrées.4

3.0 Le saut agentique : De la génération de contenu à l’action autonome

Alors que l’IA générative représente une révolution dans la création de contenu, la prochaine frontière de l’intelligence artificielle se définit par un passage de la création à l’action. L’IA agentique marque cette évolution, introduisant des systèmes conçus non pas seulement pour répondre, mais pour agir de manière indépendante afin d’atteindre des objectifs complexes. Ce saut vers l’autonomie promet de débloquer un nouveau niveau de productivité et de transformer la nature fondamentale de l’automatisation des processus d’entreprise.

3.1 L’aube des systèmes autonomes : Définir l’agence

L’IA agentique est une forme avancée d’intelligence artificielle axée sur le développement de systèmes autonomes capables de prendre des décisions et d’effectuer des tâches avec une intervention humaine minimale.13 Le terme « agentique » dérive du concept d’agence – la capacité d’un système à agir de manière indépendante et intentionnelle dans son environnement pour atteindre un ensemble prédéfini d’objectifs.15 Cela contraste vivement avec l’IA traditionnelle, y compris l’IA générative, qui est fondamentalement réactive. Un modèle génératif attend un prompt et suit un flux de travail prédéfini pour produire un résultat ; un système agentique, une fois qu’il reçoit un objectif de haut niveau, peut formuler et exécuter de manière proactive un plan pour atteindre cet objectif.7

La distinction fondamentale réside dans la transition d’un modèle de requête-réponse à un modèle axé sur les objectifs. Un système agentique ne suit pas simplement des instructions étape par étape. Au contraire, il est capable de décomposer un objectif complexe en une séquence de sous-tâches plus petites et gérables, et de les poursuivre de manière indépendante.17 Cette nature proactive lui permet d’anticiper les besoins, d’identifier les problèmes potentiels et de prendre l’initiative pour résoudre les problèmes avant qu’ils ne s’aggravent, une capacité bien au-delà de la portée des systèmes réactifs.15

3.2 Anatomie d’un agent IA : La boucle opérationnelle

La fonctionnalité de l’IA agentique repose sur un ensemble de caractéristiques clés qui permettent son comportement autonome. Ces systèmes sont conçus pour être :

• Proactifs et autonomes : Ils n’attendent pas de commandes explicites pour chaque action. Au contraire, ils fonctionnent avec un degré d’indépendance pour effectuer des tâches sans surveillance humaine constante, ce qui leur permet de gérer des objectifs à long terme et des problèmes à plusieurs étapes.15
• Adaptables : Une caractéristique critique est la capacité d’apprendre des interactions et de s’adapter à des environnements changeants. Ils peuvent ajuster leurs stratégies et leurs actions en temps réel en fonction de nouvelles informations ou de retours, ce qui les rend adaptés à des situations dynamiques et imprévisibles.12
• Axés sur les objectifs : Les agents IA sont explicitement conçus pour atteindre des objectifs spécifiques. Ils raisonnent sur les étapes nécessaires pour atteindre un objectif et formulent une stratégie pour le faire.14
• Dotés de raisonnement et de planification : Au cœur d’un système agentique se trouve un moteur de raisonnement, qui est souvent un modèle de langage large (LLM) puissant. Le LLM sert de « cerveau » à l’agent, lui permettant d’analyser des données, de comprendre le contexte, de formuler des solutions potentielles et de planifier une ligne d’action.14

Le fonctionnement d’un agent IA peut être compris comme un processus continu et cyclique. Cette boucle permet à l’agent d’interagir de manière intelligente avec son environnement et d’affiner ses performances au fil du temps 16 :

1. Perception : L’agent commence par collecter des données de son environnement. Celles-ci peuvent provenir de diverses sources, y compris des API, des bases de données, des capteurs ou des interactions directes avec les utilisateurs.
2. Raisonnement : Les données collectées sont ensuite traitées pour extraire des informations significatives. Grâce à des capacités comme le traitement du langage naturel, l’agent interprète les informations, détecte des modèles et comprend le contexte plus large.
3. Prise de décision : Sur la base de son raisonnement et des objectifs prédéfinis, l’agent évalue plusieurs actions possibles. Il choisit la ligne d’action optimale en fonction de facteurs comme l’efficacité, la probabilité de succès et les résultats prévus.
4. Exécution : L’agent met en œuvre l’action choisie. Cela implique souvent d’interagir avec des systèmes externes en appelant des API, en manipulant des données ou en communiquant avec des utilisateurs.
5. Apprentissage et adaptation : Après l’exécution, l’agent évalue le résultat. Ce retour d’information est utilisé pour affiner ses modèles internes et améliorer sa prise de décision future, souvent grâce à des techniques comme l’apprentissage par renforcement.

Ce cadre opérationnel transforme le potentiel brut des modèles de base en une action pratique et axée sur des objectifs. Alors qu’un LLM fournit l’intelligence de base pour le raisonnement et la compréhension, c’est le cadre agentif—les composants de planification, d’utilisation d’outils, de mémoire et d’interaction avec l’environnement—qui permet d’appliquer cette intelligence à des tâches du monde réel. Cette relation est analogue à celle du système d’exploitation d’un ordinateur et de ses logiciels d’application. Le LLM est le puissant système d’exploitation fournissant des capacités fondamentales, tandis que le système agentif est la couche d’application qui exploite ces capacités pour effectuer des fonctions spécifiques et utiles pour l’utilisateur, allant bien au-delà d’une simple interface de chat.

3.3 Le pouvoir de la collaboration : Orchestration et systèmes multi-agents

La complexité des problèmes commerciaux du monde réel exige souvent un ensemble diversifié de compétences et de connaissances sectorielles. Pour y répondre, les systèmes agentifs avancés sont fréquemment conçus comme des systèmes multi-agents, où plusieurs agents d’IA hautement spécialisés collaborent pour atteindre un objectif commun.15 Par exemple, dans un contexte de services financiers, un agent peut se spécialiser dans la conformité réglementaire, un autre dans la détection de fraudes et un troisième dans l’optimisation de portefeuille. Ces agents coordonnent leurs activités, partagent des connaissances et transfèrent des tâches au besoin pour fournir une solution complète qui dépasserait les capacités d’un seul agent généralisé.15

Ce modèle collaboratif nécessite une fonction critique connue sous le nom d’orchestration. L’orchestration est la gestion et la coordination globales des divers agents et systèmes d’IA au sein d’un écosystème.16 Une plateforme d’orchestration est chargée d’automatiser les flux de travail, de suivre les progrès vers les objectifs, de gérer l’allocation des ressources et de gérer les défaillances. Elle garantit que les agents individuels travaillent ensemble de manière harmonieuse et efficiente. Cela clarifie la distinction entre un « agent d’IA », qui peut être considéré comme un outil ou un spécialiste individuel, et l’« Agentic AI » (IA agentive), qui désigne le système coordonné qui gère ces agents pour atteindre des objectifs plus larges et plus complexes.14 Des plateformes technologiques comme Amazon Bedrock et Google’s Vertex AI Agent Builder sont en cours de développement pour fournir l’infrastructure nécessaire à la construction et à l’orchestration de ces systèmes multi-agents sophistiqués, signalant un changement architectural significatif dans le développement de l’IA, passant de modèles monolithiques à des forces de travail numériques collaboratives.14

4.0 Un cadre comparatif : Systèmes génératifs vs. agentifs

Comprendre les distinctions et la relation entre l’IA générative et l’IA agentive est crucial pour toute organisation cherchant à développer une stratégie d’IA cohérente. Bien que toutes deux tirent parti de technologies sous-jacentes similaires, leur objectif, leurs modèles d’interaction et leur portée opérationnelle sont fondamentalement différents. L’IA agentive n’est pas un concurrent de l’IA générative, mais plutôt une évolution fonctionnelle qui s’appuie sur ses capacités pour passer de la création de contenu à l’exécution de tâches.

4.1 Invites réactives vs. objectifs proactifs : La distinction fondamentale

La différence la plus fondamentale entre les deux paradigmes réside dans leur posture opérationnelle : l’IA générative est réactive, tandis que l’IA agentive est proactive.7 Un système génératif est conçu pour créer du contenu en réponse directe à une invite utilisateur spécifique. C’est un outil passif qui attend des instructions.17 En revanche, un système agentif est conçu pour agir dans la poursuite d’un objectif de haut niveau. C’est un participant actif qui prend l’initiative en fonction de ses objectifs et de sa perception de l’environnement.15

Cette distinction peut être clarifiée avec une analogie pratique. L’IA générative est comparable à un spécialiste hautement qualifié, tel qu’un copywriter ou un graphiste. On fournit à ce spécialiste un brief détaillé (« écrivez un billet de blog de 500 mots sur le sujet X dans un ton professionnel »), et il exécute cette tâche spécifique. Cependant, ils ne décideront pas indépendamment qu’un billet de blog est nécessaire, ne feront pas de recherches sur le sujet sans être demandé ou ne planifieront pas sa publication.6 L’IA agentive, en revanche, est comparable à un chef de projet autonome. On donne à ce manager un objectif de haut niveau (« augmenter l’engagement de notre public cible ce trimestre »). Le manager agentif concevrait ensuite indépendamment un plan, qui pourrait inclure la commande d’une série de billets de blog (une tâche qu’il déléguerait à un modèle génératif), la planification de mises à jour sur les réseaux sociaux, l’analyse des données d’engagement et l’ajustement de la stratégie en fonction des performances, le tout sans nécessiter d’instructions pas à pas pour chaque action.7

Cette différence de fonctionnalité a un impact direct sur la nature de l’interaction humaine. Avec l’IA générative, l’utilisateur est « dans la boucle », fournissant une direction constante et prenant des décisions à chaque étape du processus. Pour l’IA agentive, l’utilisateur est « sur la boucle », définissant les objectifs globaux et fournissant une surveillance, mais intervenant principalement pour gérer les exceptions ou fournir des orientations stratégiques lorsque l’agent rencontre une situation hors de sa programmation.

4.2 Une relation symbiotique : Évolution, pas révolution

Il est crucial de reconnaître que l’IA agentive ne remplace pas l’IA générative ; elle étend plutôt ses capacités dans une relation symbiotique.16 Les systèmes agentifs s’appuient sur des modèles génératifs, en particulier les LLM, en tant qu’unité de traitement centrale ou « cerveau ».14 Le LLM fournit les fonctions cognitives essentielles de raisonnement, de compréhension du langage et de planification qui permettent à l’agent d’interpréter des objectifs, d’analyser des situations et de formuler des stratégies.

Un exemple clair illustre cette synergie. Un représentant commercial pourrait utiliser un outil d’IA générative pur en le sollicitant avec : « Écrivez un email de suivi poli à Maria Wang concernant notre proposition. » L’IA générerait le texte, mais le représentant devrait ensuite copier manuellement celui-ci dans un client de messagerie, trouver les coordonnées de Maria, envoyer l’email, puis mettre à jour leur système de gestion de la relation client (CRM). Il s’agit d’une série de tâches discrètes, pilotées par l’homme, augmentées par l’IA.7

Un système agentif traiterait le même objectif différemment. Le représentant définirait une règle ou un objectif de haut niveau, tel que : « Pour tout prospect marqué ‘Suivi requis’, envoyez un email de suivi après deux jours ouvrables. » Le système agentif exécuterait ensuite de manière autonome un flux de travail en plusieurs étapes. Il surveillerait le CRM pour le déclencheur, attendrait le temps spécifié, récupérerait les détails de Maria dans le CRM, utiliserait un modèle génératif pour composer un email personnalisé, enverrait l’email via un appel API, et enfin, mettrait à jour le CRM pour enregistrer l’action. Dans ce flux de travail, l’IA générative est un composant vital - un outil que l’agent utilise pour compléter une étape de son plan plus large et autonome.7

Cette relation souligne que la frontière entre ces deux concepts devient de plus en plus floue dans les applications commerciales. La distinction théorique entre la génération réactive de contenu et la réalisation proactive d’objectifs est claire, mais dans la pratique, des produits émergent qui occupent un terrain intermédiaire. Des outils génératifs avancés comme ChatGPT intègrent des fonctionnalités telles que l’« appel de fonctions », qui leur permet d’interagir avec des outils externes et d’effectuer des actions simples et enchaînées, exhibant ainsi des comportements agentifs naissants.2 Inversement, les systèmes agentifs dépendent fondamentalement des capacités génératives pour leur intelligence centrale.14 Cette convergence suggère que le marché évolue non pas comme un choix binaire entre deux technologies distinctes, mais comme un spectre de capacités d’IA. Cela crée un défi pour les dirigeants d’entreprise, qui doivent aller au-delà des étiquettes marketing pour évaluer avec précision le niveau réel d’autonomie et d’intelligence qu’un produit particulier offre.

4.3 Tableau 1 : IA générative vs. IA agentive - Comparaison par fonctionnalités

Le tableau suivant fournit une comparaison concise, au niveau des fonctionnalités, pour résumer les distinctions clés entre les paradigmes d’IA générative et agentive.

Aspect	IA générative (Le créateur de contenu)	IA agentive (L’acteur autonome)	Extraits de support
Fonction principale	Créer du contenu nouveau (texte, images, code) basé sur des modèles appris.	Agir et réaliser des objectifs de haut niveau en exécutant des tâches en plusieurs étapes.	2
Modèle d’interaction	Réactif : Répond à des sollicitations spécifiques et directes de l’utilisateur.	Proactif : Prend l’initiative en fonction des objectifs et des données environnementales.	7
Niveau d’autonomie	Faible (Humain dans la boucle) : Nécessite une guidance humaine étape par étape pour chaque sortie.	Élevé (Humain sur la boucle) : Opère de manière indépendante avec une surveillance humaine pour les exceptions.	6
Méthode d’entrée	Sollicitations spécifiques : « Écrivez un email sur X. »	Objectifs de haut niveau : « Gérer les suivis pour tous les nouveaux prospects. »	7
Portée du travail	Tâches étroites et définies : Génération de contenu, résumé, traduction.	Flux de travail larges et complexes : Automatisation de processus, résolution de problèmes, gestion de systèmes.	19
Mécanisme central	Reconnaissance de modèles et prédiction : Prédit l’élément suivant dans une séquence.	Boucle perception-raisonnement-action : Perçoit, planifie, décide, exécute et apprend.	2
Intégration d’outils	Limitée : Peut être intégrée en tant que fonctionnalité dans une application plus large.	Étendue : Conçue de manière native pour appeler des outils externes, des API et d’autres systèmes pour agir.	14
Analogie commerciale	Un spécialiste ou un assistant hautement qualifié (par exemple, un rédacteur, un développeur, un chercheur).	Un chef de projet autonome ou un employé numérique.	6

5.0 L’entreprise agentive : Transformer les industries avec des flux de travail autonomes

La promesse théorique de l’IA agentique se transforme rapidement en applications pratiques prêtes à redéfinir l’efficacité opérationnelle et les capacités stratégiques dans de multiples industries. En automatisant non seulement des tâches simples mais aussi des flux de travail complexes et complets, les systèmes agentiques permettent un nouveau paradigme de productivité entreprise. Cela représente une évolution significative par rapport aux technologies d’automatisation antérieures, augmentant le potentiel humain plutôt que de simplement remplacer le travail manuel.

5.1 Une analyse transversale de l’impact

La polyvalence de l’IA agentique, issue de sa capacité à raisonner, planifier et interagir avec des systèmes numériques, permet son application dans pratiquement tous les domaines qui dépendent du traitement d’informations complexes et de la prise de décision.

• Service client : L’IA agentique transforme le support client des chatbots réactifs et basés sur des scripts en agents de service proactifs. Ces systèmes peuvent gérer de manière autonome les demandes des clients, accéder à des bases de connaissances pour résoudre des problèmes complexes, traiter des remboursements ou des retours, et fournir un support personnalisé sur plusieurs canaux, ne transférant aux agents humains que les interactions les plus nuancées ou empathiques.14
• Finance et banque : Dans le secteur financier, intensif en données, les agents d’IA sont déployés pour automatiser la détection de fraudes en surveillant les transactions en temps réel et en prenant des mesures pour bloquer les activités suspectes. Ils peuvent également effectuer des évaluations de risque continues, gérer des portefeuilles d’investissement en fonction des conditions du marché et des stratégies prédéfinies, et assurer la conformité réglementaire en surveillant les changements de loi et en mettant à jour les politiques internes en conséquence.14
• Santé : L’impact potentiel dans le domaine de la santé est profond. Les systèmes agentiques peuvent aider les cliniciens en analysant les dossiers médicaux, les articles de recherche et les données d’essais cliniques pour contribuer au diagnostic et à la planification des traitements. Ils peuvent également être utilisés pour la surveillance proactive des patients, en utilisant des données provenant d’appareils portables pour détecter les premiers signes de problèmes de santé et alerter les équipes de soins, ou même pour planifier automatiquement des rendez-vous de suivi.14
• Chaîne d’approvisionnement et logistique : L’IA agentique peut créer des chaînes d’approvisionnement hautement résilientes et efficientes. En analysant des données provenant des ventes, des stocks, de la météo et des expéditions, ces systèmes peuvent prédire la demande, optimiser la logistique et rediriger proactivement les expéditions pour éviter les retards, tout en minimisant les coûts et la surveillance humaine.14
• Développement de logiciels et opérations informatiques : Au-delà de la simple génération de code, les agents d’IA peuvent automatiser l’ensemble du cycle de vie du développement de logiciels, y compris le débogage, les tests et le déploiement. Dans la gestion des services informatiques, les agents peuvent dépasser le rôle de simples bots d’assistance technique pour résoudre de manière autonome des tickets informatiques complexes, dépanner des problèmes de réseau et gérer la fourniture de logiciels.14
• Ressources humaines : Les services RH peuvent tirer parti des flux de travail agentiques pour automatiser des processus chronophages tels que le tri des CV, où les agents peuvent analyser et noter les candidats par rapport aux critères d’emploi. Ils peuvent également gérer la planification des entretiens en coordonnant les agendas entre les candidats et les responsables de recrutement, et gérer les processus d’intégration des employés et de paie.25

L’impact réel et à long terme de ces applications dépassera probablement l’automatisation des tâches existantes. L’introduction d’agents autonomes permet une réflexion fondamentale sur la conception des processus d’affaires. Les flux de travail précédemment limités par la vitesse et la capacité de la prise de décision humaine peuvent être restructurés pour être plus dynamiques, réactifs et axés sur les données. Par exemple, au lieu d’un agent qui se contente de signaler une perturbation potentielle de la chaîne d’approvisionnement à un humain pour examen, un système agentique pleinement réalisé pourrait modéliser de manière autonome l’impact financier de la perturbation, évaluer des itinéraires d’expédition alternatifs, négocier de nouveaux termes avec les transporteurs via une API, mettre à jour le système de planification des ressources d’entreprise (ERP) avec le nouveau plan et notifier tous les acteurs concernés en temps réel. Il ne s’agit pas seulement d’automatisation de tâches ; c’est une transformation complète du processus d’affaires lui-même, permettant un niveau d’agilité opérationnelle et de résilience précédemment inaccessible.

5.2 Redéfinir la productivité : au-delà de l’automatisation des processus robotique (RPA)

L’essor de l’automatisation agentique marque une avancée significative par rapport aux technologies d’automatisation traditionnelles comme l’automatisation des processus robotique (RPA). La RPA s’est avérée très efficace pour automatiser des tâches structurées, répétitives et basées sur des règles, telles que la saisie de données ou le traitement de factures. Cependant, elle éprouve souvent des difficultés face aux données non structurées ou aux changements dans les applications ou les processus sous-jacents.7 Par exemple, les bots de scraping d’écran peuvent facilement tomber en panne si l’interface utilisateur d’un site web cible est mise à jour.7

L’IA agentique surmonte ces limitations. En tirant parti des capacités de raisonnement des LLM, les agents d’IA peuvent comprendre le contexte, gérer l’ambiguïté et s’adapter aux changements de leur environnement. Cela leur permet d’automatiser une catégorie de travail bien plus large, y compris des processus complexes, de bout en bout, qui impliquent des données non structurées et une prise de décision dynamique.17 Cela représente un changement de l’automatisation de tâches simples “robotiques” à l’automatisation de flux de travail “cognitifs”.

De manière cruciale, cette nouvelle vague d’automatisation est mieux comprise comme une forme d’augmentation humaine.17 Le but n’est pas de remplacer les travailleurs humains mais d’améliorer leurs capacités et leur productivité. En déléguant des tâches complexes, chronophages et répétitives à des agents d’IA, les employés humains sont libérés pour se concentrer sur des activités qui exigent des compétences spécifiquement humaines : pensée stratégique, résolution de problèmes créative, négociation complexe et construction de relations interpersonnelles.17 Cette collaboration entre les humains et les agents d’IA promet d’étendre la capacité d’une organisation à relever des défis complexes, à stimuler l’innovation et à produire des résultats de meilleure qualité. La signification de cette tendance est soulignée par les prévisions de marché, Gartner prédisant qu’en 2028, un tiers de tous les logiciels d’entreprise comprendra des fonctionnalités d’IA agentique, et au moins 15 % des décisions commerciales quotidiennes seront prises de manière autonome par des agents d’IA.19

6.0 Étude de cas : Déconstruction du “Copilot de réunion agentique” - SeaMeet de Seasalt.ai

Pour ancrer la discussion théorique de l’IA agentique dans un exemple commercial du monde réel, cette section fournit une analyse détaillée de SeaMeet, un produit de Seasalt.ai. En examinant ses fonctionnalités, sa stratégie marketing et son positionnement stratégique, il est possible de déconstruire comment le concept d‘“agentivité” est interprété et mis en œuvre sur le marché actuel, révélant une réalité nuancée qui se situe entre des capacités génératives pures et une autonomie complète.

6.1 Présentation du produit et capacités génératives de base

SeaMeet est commercialisé comme un assistant de réunion IA ou un “copilot” conçu pour améliorer la productivité des individus et des équipes.31 Ses fonctionnalités de base sont axées sur le traitement du contenu des réunions. Le système s’intègre à des plateformes de visioconférence populaires telles que Google Meet et Microsoft Teams, et peut également traiter des fichiers audio téléchargés provenant de réunions en personne.31

Les fonctionnalités de base du produit sont :

• Transcription en temps réel : SeaMeet fournit une transcription en temps réel hautement précise des conversations de réunion, complétée par l’identification des intervenants et des horodatages.31
• Résumés intelligents : Après une réunion, le système génère automatiquement des résumés intelligents qui capturent les sujets clés et les discussions.31
• Détection des actions à mener : L’IA analyse la transcription pour identifier et lister automatiquement les tâches réalisables ou les éléments “à faire” qui ont été discutés.31

Ces fonctionnalités principales sont des applications claires de l’IA générative. Le système utilise des modèles de reconnaissance vocale sophistiqués pour créer une transcription (générant du texte à partir d’audio), puis utilise des LLM pour synthétiser cette transcription en une forme nouvelle, condensée (le résumé) et pour classifier certaines déclarations comme des actions à mener. Les avis des utilisateurs soulignent constamment la valeur de ces capacités génératives, notant qu’elles éliminent le besoin de prise de notes manuelles et fournissent un moyen simple de suivre les responsabilités, résolvant ainsi un problème majeur pour de nombreux professionnels.34

6.2 Analyse de l’affirmation d‘“agentivité” : Le flux de travail basé sur les e-mails

SeaMeet se distingue sur le marché en se présentant comme un “Copilot de réunion agentique”.32 La justification de cette affirmation semble reposer sur une fonctionnalité spécifique et innovante : un flux de travail basé sur les e-mails conçu pour automatiser les tâches post-réunion. Après la fin d’une réunion, SeaMeet envoie le résumé généré à l’utilisateur par e-mail. L’utilisateur peut ensuite répondre directement à cet e-mail avec des commandes en langage naturel telles que “rédiger un e-mail de suivi au client”, “créer un cahier des charges (SOW) basé sur notre discussion” ou “générer un rapport pour les parties prenantes”.32 Le système traite ensuite cette demande et renvoie le document formaté professionnellement, prêt à être envoyé.

Une évaluation critique de ce flux de travail par rapport à la définition rigoureuse de l’IA agentique établie plus tôt dans ce rapport révèle une image nuancée. Bien que cette fonctionnalité représente une forme puissante et sophistiquée d’automatisation de flux de travail, elle ne démontre pas une autonomie réelle, axée sur des objectifs. Les actions du système sont entièrement réactives ; il attend une commande spécifique, initiée par un humain, par e-mail avant d’agir. Il s’agit d’une tâche enchaînée — combinant le résumé initial avec une nouvelle invite de l’utilisateur pour générer un document ultérieur — mais elle n’est pas proactive.

Un système vraiment agentif, en revanche, pourrait recevoir un objectif de haut niveau comme « gérer l’intégration de ce nouveau projet client ». Sur la base du contenu de la réunion initiale, il pourrait reconnaître indépendamment la nécessité d’un SOW, le rédiger sans être explicitement invité à le faire, et peut-être même le router pour approbation interne. Le flux de travail de SeaMeet, bien qu’extrêmement efficace, dépend toujours d’un humain pour être « dans la boucle », déclenchant chaque action majeure post-réunion. L’absence de documentation publiquement disponible détaillant les fonctionnalités de délégation ou d’achèvement autonome de tâches renforce davantage l’évaluation selon laquelle le système fonctionne comme un assistant avancé piloté par des commandes plutôt qu’un agent entièrement autonome.33

6.3 Contexte stratégique : SeaMeet au sein de l’écosystème plus large de Seasalt.ai

Pour comprendre pleinement le positionnement de SeaMeet, il faut le considérer dans le cadre stratégique plus large de sa société mère, Seasalt.ai. Fondée en 2020, Seasalt.ai se positionne comme une plateforme tout-en-un de centre de contact et d’automatisation AI ciblant principalement les petites et moyennes entreprises (PME).22 La gamme de produits plus large de l’entreprise est conçue pour automatiser un large éventail de communications commerciales et de flux de travail opérationnels. Cela inclut des voicebots et des chatbots alimentés par l’IA pour un support client 24h/24 et 7j/7, la planification automatique de rendez-vous, la qualification et le routage de prospects, et la gestion des communications omnicanal (par exemple, WhatsApp, SMS, voix) à partir d’une boîte de réception unifiée.22

Au sein de cet écosystème, SeaMeet joue un rôle clé en se concentrant sur l’intelligence des réunions internes et client-facing. Il complète les outils d’automatisation des communications externes de l’entreprise en capturant et en structurant les données précieuses générées lors des réunions. Cela s’aligne sur la mission globale de l’entreprise de fournir des solutions d’automatisation AI accessibles et complètes pour le marché des PME, un segment qui peut manquer de ressources pour développer ou intégrer des systèmes d’entreprise plus complexes.38

6.4 Positionnement sur le marché : Le différenciateur « proto-agentif »

La décision de commercialiser SeaMeet comme « agentif » est une mesure délibérée et stratégiquement astucieuse. Dans un marché saturé d’outils de transcription et de résumé de réunions, l’étiquette « agentif » joue un rôle de différenciateur puissant. Elle signale aux clients potentiels que le produit offre des capacités au-delà de l’IA Générative standard, exploitant l’excitation croissante de l’industrie autour des systèmes autonomes.

Une classification plus précise pour cette catégorie d’outil pourrait être « proto-agentif » ou « assisté par agent ». Ces systèmes représentent une étape intermédiaire sur le spectre entre les outils purement génératifs et les agents entièrement autonomes. Ils excellent dans l’automatisation de tâches complexes à plusieurs étapes mais nécessitent toujours un déclencheur humain pour initier le flux de travail. Ce positionnement permet à Seasalt.ai de revendiquer une position technologiquement avancée sans avoir à développer un système doté de capacités proactives et de recherche d’objectifs complètes.

Cette étude de cas révèle une tendance plus large dans la commercialisation de l’IA. Alors que de nouveaux concepts puissants comme « l’agence » prennent de l’ampleur, le langage marketing précède souvent la maturation complète de la technologie. Les entreprises adoptent stratégiquement cette terminologie pour façonner la perception de leurs produits et capter l’attention du marché. Pour les dirigeants d’entreprise et les évaluateurs de technologie, cela souligne l’importance critique de développer une compréhension nuancée de ces concepts. Il n’est plus suffisant d’accepter les affirmations marketing au premier abord ; au contraire, une analyse plus profonde du modèle opérationnel réel d’un produit—son niveau de proactivité, d’adaptabilité et d’orientation vers les objectifs—est nécessaire pour prendre des décisions d’achat et stratégiques éclairées.

7.0 Imperatifs stratégiques et perspectives d’avenir

L’évolution de l’IA Générative à l’IA Agentique n’est pas merely un progrès technologique incrémental ; elle représente un changement fondamental dans la manière dont les entreprises peuvent utiliser l’intelligence artificielle pour créer de la valeur. Cette transition nécessite une réponse stratégique proactive et réfléchie de la part des dirigeants d’entreprise. Naviguer dans cette nouvelle frontière exige une compréhension claire des opportunités immédiates, un plan pour l’adoption stratégique et une approche vigilante des risques et des considérations éthiques associés.

Pour les organisations cherchant à exploiter le potentiel de ce paysage AI en évolution, une approche pragmatique et double est recommandée. Tout d’abord, les entreprises devraient adopter et développer l’utilisation de l’IA Générative maintenant pour des gains de productivité immédiats et démontrables. La technologie est suffisamment mature et accessible pour être déployée dans diverses fonctions afin d’automatiser la création de contenu, d’accélérer la recherche et la synthèse de données, et d’assister au développement logiciel.4 Cela permet non seulement de générer un retour sur investissement à court terme, mais aussi de développer une culture fondatrice « prête pour l’IA » au sein de l’organisation, familiarisant les employés avec la collaboration humain-IA.

Deuxièmement, les leaders doivent commencer à expérimenter stratégiquement avec l’Agentic AI. Cela devrait commencer par l’identification de processus commerciaux clairement définis et à fort impact, adaptés à l’automatisation par un agent autonome ou semi-autonome. Les cas d’utilisation précoces dans des domaines tels que la gestion des services informatiques, la résolution de tickets de support client ou la surveillance de la chaîne d’approvisionnement peuvent servir de programmes pilotes précieux pour développer une expertise interne et démontrer le potentiel des flux de travail agentiques.17

La mise en œuvre réussie de l’un ou l’autre paradigme, mais surtout de l’Agentic AI, dépend de plusieurs conditions préalables essentielles :

• Data Readiness : Les agents d’IA ne sont efficaces qu’autant que les données qu’ils peuvent accéder et traiter. Les organisations doivent investir dans la création d’une infrastructure de données d’entreprise propre, bien régie et accessible. Ce fondement de données “prêt pour l’IA” est essentiel pour permettre aux agents de prendre des décisions précises et contextuelles.30
• Security and Governance : Le pouvoir de l’Agentic AI est directement lié à son intégration profonde aux systèmes d’entreprise et à son accès aux données sensibles. Cela crée des risques de sécurité et de confidentialité profonds.20 Des protocoles de sécurité robustes, des contrôles d’accès et des pistes d’audit transparentes ne sont pas optionnels, mais des exigences fondamentales. Un modèle de gouvernance “human-on-the-loop”, avec des garde-fous clairs et une surveillance, est essentiel pour atténuer les risques et garantir que les agents fonctionnent de manière fiable et sûre.15
• Ethical Considerations : Les agents d’IA fonctionnent sur la base d’algorithmes et de données ; ils ne possèdent pas une compréhension innée des valeurs humaines, de l’éthique ou de la morale. Cela crée un risque important de conséquences non intentionnelles, en particulier dans des domaines à enjeux élevés comme la santé, la finance ou la police.20 Les organisations doivent concevoir et tester de manière proactive leurs systèmes agentiques pour l’équité, les biais et l’alignement sur les valeurs humaines, afin de s’assurer qu’ils agissent d’une manière non seulement efficace, mais aussi responsable.

7.2 The Trajectory of AI Agency: The Road Ahead

Le développement de l’Agentic AI en est encore à ses premières étapes, mais sa trajectoire pointe vers un avenir de systèmes autonomes de plus en plus sophistiqués et intégrés. L’accent actuel sur des agents individuels ou de petits groupes traitant des flux de travail spécifiques évoluera probablement vers des multi-agent systems à grande échelle et décentralisés. Dans cette vision future, des agents hétérogènes avec des spécialisations diverses - certains appartenant à l’entreprise, certains à des partenaires, certains à des particuliers - collaboreront au sein d’un environnement numérique commun pour résoudre des problèmes hautement complexes et dynamiques.40

Cette progression technologique aura un impact profond sur la nature du travail et la structure des organisations. Comme le World Economic Forum l’a souligné, les rôles qui mettent l’accent sur la prise de décision complexe, la résolution de problèmes et la surveillance stratégique deviennent de plus en plus cruciaux dans l’économie mondiale.41 L’essor des systèmes agentiques accélérera cette tendance, automatisant une grande partie de la “plomberie” cognitive de l’entreprise moderne et élevant le rôle humain à celui de stratégie, de créativité et de gouvernance.

En fin de compte, la transition des systèmes génératifs aux systèmes agentiques marque un moment clé dans l’évolution du partenariat homme-machine. Elle transforme l’IA d’un outil que nous instruisons en un collaborateur que nous autonomisons. Pour les entreprises qui parviennent à naviguer avec succès dans ce changement, la récompense sera un nouveau niveau d’agilité opérationnelle, de résilience et d’innovation, ouvrant la voie à un avenir défini par l’intégration fluide de l’intelligence humaine et machine.

Works cited

1. en.wikipedia.org, consulté le 6 septembre 2025, https://en.wikipedia.org/wiki/Generative_artificial_intelligence
2. Qu’est-ce que l’IA générative ? - University Center for Teaching and Learning, consulté le 6 septembre 2025, https://teaching.pitt.edu/resources/what-is-generative-ai/
3. Intelligence artificielle générative | NNLM, consulté le 6 septembre 2025, https://www.nnlm.gov/guides/data-thesaurus/generative-artificial-intelligence
4. Qu’est-ce que l’IA générative ? - Gen AI Explained - AWS - Mis à jour 2025, consulté le 6 septembre 2025, https://aws.amazon.com/what-is/generative-ai/
5. Expliqué : l’IA générative | MIT News | Massachusetts Institute of Technology, consulté le 6 septembre 2025, https://news.mit.edu/2023/explained-generative-ai-1109
6. IA agentique vs. IA générative : Les différences essentielles | Thomson Reuters, consulté le 6 septembre 2025, https://www.thomsonreuters.com/en/insights/articles/agentic-ai-vs-generative-ai-the-core-differences
7. IA agentique vs. IA générative - Red Hat, consulté le 6 septembre 2025, https://www.redhat.com/en/topics/ai/agentic-ai-vs-generative-ai
8. Qu’est-ce que l’IA générative ? - IBM, consulté le 6 septembre 2025, https://www.ibm.com/think/topics/generative-ai
9. 10 outils d’IA générative les plus performants pour 2025 : Les forces créatives d’aujourd’hui - eWeek, consulté le 6 septembre 2025, https://www.eweek.com/artificial-intelligence/generative-ai-apps-tools/
10. Qu’est-ce que l’IA générative ? Exemples et cas d’utilisation - Google Cloud, consulté le 6 septembre 2025, https://cloud.google.com/use-cases/generative-ai
11. www.google.com, consulté le 6 septembre 2025, https://www.google.com/search?q=generative+ai+applications
12. IA agentique vs IA générative - Laquelle devriez-vous utiliser ? - Atera, consulté le 6 septembre 2025, https://www.atera.com/blog/agentic-ai-vs-generative-ai/
13. en.wikipedia.org, consulté le 6 septembre 2025, https://en.wikipedia.org/wiki/Agentic_AI
14. Qu’est-ce que l’IA agentique ? Définition et différentiateurs - Google Cloud, consulté le 6 septembre 2025, https://cloud.google.com/discover/what-is-agentic-ai
15. Qu’est-ce que l’IA agentique ? - IA agentique expliquée - AWS - Mis à jour 2025, consulté le 6 septembre 2025, https://aws.amazon.com/what-is/agentic-ai/
16. Qu’est-ce que l’IA agentique ? | IBM, consulté le 6 septembre 2025, https://www.ibm.com/think/topics/agentic-ai
17. Qu’est-ce que l’IA agentique ? | UiPath, consulté le 6 septembre 2025, https://www.uipath.com/ai/agentic-ai
18. Qu’est-ce que l’IA agentique ? | Salesforce US, consulté le 6 septembre 2025, https://www.salesforce.com/agentforce/what-is-agentic-ai/
19. IA agentique vs IA générative : Compréhension des différences clés - ThoughtSpot, consulté le 6 septembre 2025, https://www.thoughtspot.com/data-trends/artificial-intelligence/agentic-ai-vs-generative-ai
20. Ce que vous devez savoir sur les agents d’IA - Alliances CSAIL - MIT, consulté le 6 septembre 2025, https://cap.csail.mit.edu/agentic-ai-what-you-need-know-about-ai-agents
21. GenAI vs. IA agentique : Ce que les développeurs doivent savoir - Docker, consulté le 6 septembre 2025, https://www.docker.com/blog/genai-vs-agentic-ai/
22. Arrêtez de jongler avec les applications. Unifiez tous les appels clients, SMS, WhatsApp et discussions dans une seule boîte de réception simple. - Seasalt.ai, consulté le 6 septembre 2025, https://seasalt.ai/en/
23. Quels sont les agents d’IA ? Définition, exemples et types | Google Cloud, consulté le 6 septembre 2025, https://cloud.google.com/discover/what-are-ai-agents
24. 10 cas d’utilisation de l’IA agentique pour les centres de contact - CX Today, consulté le 6 septembre 2025, https://www.cxtoday.com/conversational-ai/10-agentic-ai-use-cases-for-contact-centers-ringcentral/
25. 6 exemples et cas d’utilisation de l’IA agentique transformant les entreprises - Moveworks, consulté le 6 septembre 2025, https://www.moveworks.com/us/en/resources/blog/agentic-ai-examples-use-cases
26. Cas d’utilisation des agents d’IA - IBM, consulté le 6 septembre 2025, https://www.ibm.com/think/topics/ai-agent-use-cases
27. 21 cas d’utilisation et exemples d’IA agentique façonnant l’avenir de l’IA - Akka, consulté le 6 septembre 2025, https://akka.io/blog/agentic-ai-use-cases
28. 14 cas d’utilisation réels de l’IA agentique - Valtech, consulté le 6 septembre 2025, https://www.valtech.com/thread-magazine/14-real-world-agentic-ai-use-cases/
29. Plus de 40 cas d’utilisation de l’IA agentique avec des exemples réels - Research AIMultiple, consulté le 6 septembre 2025, https://research.aimultiple.com/agentic-ai/
30. Agents d’IA alimentés par l’IA en action : Comment nous embrassons ce nouveau moment « agentique » chez Microsoft, consulté le 6 septembre 2025, https://www.microsoft.com/insidetrack/blog/ai-powered-agents-in-action-how-were-embracing-this-new-agentic-moment-at-microsoft/
31. SeaMeet : Prendre des notes de réunion ChatGPT en temps réel - Chrome Web Store, consulté le 6 septembre 2025, https://chromewebstore.google.com/detail/seameet-take-chatgpt-meet/gkkhkniggakfgioeeclbllpihmipkcmn
32. SeaMeet | Copilot de réunion agentique pour les individus hautement productifs et les équipes à haute performance, consulté le 6 septembre 2025, https://seameet.ai/
33. FAQ - Seasalt.ai, consulté le 6 septembre 2025, https://wiki.seasalt.ai/seameet/seameet-manual/00-seameet-faq/
34. Avis, notes et fonctionnalités de SeaMeet de Seasalt.ai 2025 | Gartner Peer Insights, consulté le 6 septembre 2025, https://www.gartner.com/reviews/market/office-productivity-solutions-others/vendor/seasalt-ai/product/seameet
35. Découvrir des opportunités commerciales dans les enregistrements avec SeaMeet, consulté le 6 septembre 2025, https://usecase.seasalt.ai/transcribe-audio-to-discover-insights/
36. Seasalt.ai | Centre de contact omnicanal pour les petites entreprises - Seasalt.ai, consulté le 6 septembre 2025, https://seasalt.ai/
37. Solutions d’automatisation par IA - Seasalt.ai, consulté le 6 septembre 2025, https://seasalt.ai/en/solutions/ai-automation
38. Haptik lance « AI for All » pour apporter des agents d’IA de niveau entreprise aux PME, consulté le 6 septembre 2025, https://timesofindia.indiatimes.com/technology/tech-news/haptik-launches-ai-for-all-to-bring-enterprise-grade-ai-agents-to-smbs/articleshow/123671151.cms
39. DIGITIMES Biz Focus - Taiwan Tech Arena, consulté le 6 septembre 2025, https://www.digitimes.com/biz/index.asp?topic=617
40. Les entreprises rencontrent l’IA agentique : Confiance dans les solutions autonomes et agentiques - Capgemini, consulté le 6 septembre 2025, https://www.capgemini.com/insights/research-library/business-meet-agentic-ai/
41. IITM Pravartak et Emeritus lancent un programme de certificat professionnel en IA agentique et applications, consulté le 6 septembre 2025, https://www.ptinews.com/story/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications/2878978
42. IITM Pravartak et Emeritus lancent un programme de certificat professionnel en IA agentique et applications, consulté le 6 septembre 2025, https://www.aninews.in/news/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications20250902174614