IA agentique : ce qu’elle permet dans les processus de back-office d’entreprise

Dans les grandes opérations commerciales B2B, l’exécution des activités quotidiennes de back-office reste souvent ancrée dans des processus manuels consolidés depuis des années. La saisie des bons de commande dans les systèmes de gestion, la clôture des registres comptables et le rapprochement des données continuent de concentrer les ressources humaines sur des tâches répétitives. Dans une interview approfondie pour le podcast Le podcast IA en entrepriseChris Bradley, directeur marketing et responsable de la transformation de l’IA chez Veritiv, a examiné les raisons structurelles de ce retard opérationnel, illustrant le rôle de l’IA agentique dans la gestion globale des flux de travail à volume élevé.

La fragmentation des systèmes existants et le coût des activités manuelles

La persistance des processus manuels au sein des grandes organisations B2B n’est pas liée au manque d’investissements technologiques, mais à l’architecture informatique complexe sur laquelle reposent les activités quotidiennes. De nombreux outils de dernière génération sont créés pour des contextes numériques natifs, tandis que les grandes entreprises fonctionnent selon une stratification de logiciels accumulés au fil du temps.

Comme le souligne Bradley, le principal obstacle à l’efficacité réside dans l’architecture des systèmes d’entreprise : « La plupart d’entre nous vivent dans un monde caractérisé par une mosaïque de systèmes existants, de systèmes ERP, de systèmes propriétaires développés en interne ». Cette configuration oblige les opérateurs humains à travailler simultanément sur trois ou quatre moniteurs, transférant manuellement les informations d’une plate-forme à une autre.

Le maintien de ce fonctionnement manuel implique des coûts indirects importants, qui dépassent la simple somme des heures de travail. Une saisie manuelle constante expose les procédures à un risque d’erreur humaine, ce qui ralentit la vitesse de réponse globale de l’entreprise. De plus, le recours à du personnel qualifié dans des activités purement exécutives limite les possibilités d’évolution professionnelle au sein de l’organisation. Sur ce point, Bradley a précisé : «Nous obligeons nos employés à effectuer ce travail manuel alors qu’ils pourraient en revanche être promus à des tâches de niveau beaucoup plus élevé».

IA générative et IA agentique : les différences dans les opérations commerciales

Dans le débat technologique actuel, le terme intelligence artificielle est souvent utilisé pour désigner des solutions très lointaines. Il existe une profonde distinction conceptuelle et fonctionnelle entre les modèles d’IA générative traditionnels et les architectures basées sur l’IA agentique.

De l’ébauche à l’exécution complète des tâches

Les modèles génératifs et les systèmes de chatbots apparus ces dernières années ont été conçus pour fonctionner comme assistants d’analyse, supports de recherche ou créateurs de brouillons de textes. Dans ces configurations, l’être humain garde le contrôle de chaque phase, guidant l’instrument et prenant les décisions opérationnelles ultérieures.

De nombreuses applications sur le marché utilisent le nom d’agents tout en restant cantonnées au périmètre de l’IA générative. Bradley a clarifié ce chevauchement conceptuel : « Il y a tellement d’outils sur le marché qui ont le mot « agent » dans le nom, mais en réalité, ce ne sont encore que de simples outils d’IA génératifs ».

L’IA agentique introduit un saut qualitatif dans les opérations, passant de la simple aide à la décision à l’exécution autonome et séquentielle d’une tâche complexe. L’agent logiciel reçoit un objectif final et gère de manière autonome toutes les étapes intermédiaires nécessaires à sa réalisation. La différence réside dans la capacité du système à fonctionner sur les logiciels de l’entreprise de la même manière qu’un employé humain.

Comme Bradley l’a expliqué lors de l’interview : « La véritable IA agentique est basée sur le principe : « Voici ce qui doit être fait » et l’IA effectue toutes les étapes que seul un humain était capable de faire auparavant ».

Le cas Veritiv : l’automatisation de 1,7 million de commandes avec l’IA agentique

Pour tester les capacités de l’IA agentique à l’échelle industrielle, Veritiv a identifié l’un des processus de back-office les plus manuels au sein de son organisation : la saisie des bons de commande. L’entreprise traitait manuellement un volume de 1,7 million de commandes par an.

Le lancement du projet pilote a eu lieu entre fin novembre et début décembre 2025, date à laquelle la première commande a été traitée et passée avec succès par le système autonome sans aucune intervention humaine directe.

L’importance de la piste d’audit et le contrôle du caractère non déterministe

La fiabilité d’un système autonome inséré dans un processus critique nécessite des mécanismes de vérification rigoureux. Étant donné que les grands modèles de langage (LLM) sont de nature non déterministe, il est possible que le système génère des réponses ou des comportements inattendus pendant le traitement.

Pour assurer le contrôle des processus, Veritiv a intégré une piste d’audit (piste d’audit) systématiquement pour chaque opération effectuée par les agents logiciels. Le système enregistre une capture d’écran pour chaque action effectuée, permettant aux managers de reproduire visuellement l’intégralité de la séquence opérationnelle par la suite.

Concernant la traçabilité des processus, Bradley a souligné la supériorité de la supervision numérique par rapport au contrôle traditionnel : « Pour chaque mission d’agent que nous déployons, il y a une capture d’écran pour chaque étape et il est possible de la reproduire pour voir exactement ce qu’elle a fait ». La mise en œuvre de ce registre a fourni un niveau de transparence auparavant inaccessible. «Avant, nous n’avions pas cette possibilité. Nous ne pouvions pas voir ce qu’un être humain faisait ; nous n’avons pas d’enregistrement d’écran de chaque fois qu’un employé fait quelque chose sur l’ordinateur, mais avec les agents IA, nous en avons », a ajouté Bradley.

Architectures double-agent : Supervision entre modèles de langage

À mesure que le projet prenait de l’ampleur, la transition de petits volumes de tests au traitement de milliers de commandes a révélé la nécessité de gérer les anomalies marginales. Chaque session opérationnelle réalisée par un agent autonome implique une série d’appels distincts au modèle de langage de base. Si une procédure nécessite vingt appels LLM ultérieurs, le système relit les consignes, les compétences de l’entreprise et les barrières de sécurité (garde-corps) comme s’il s’agissait d’un nouveau modèle à chaque étape.

Pour garantir la stabilité des processus à des volumes élevés, Veritiv a mis en place une structure de contrôle basée sur un deuxième agent doté de fonctions d’inspection. Cet agent superviseur analyse le résultat produit par l’agent opérateur à la fin du cycle de travail, vérifiant le respect des exigences attendues. Bradley a commenté avec ironie la dynamique entre les systèmes : « Nous avons constaté que les grands modèles de langage adorent juger d’autres modèles de langage. »

Intégration aux flux CRM et conduite du changement

L’adoption de technologies d’automatisation dans des contextes métiers est fortement conditionnée par la dynamique de gestion du changement (gestion du changement). L’introduction de nouvelles interfaces ou d’outils logiciels complexes risque souvent de générer des frictions ou des résistances de la part des opérationnels.

Dans l’expérience décrite par Veritiv, l’interaction avec l’agent autonome a été intégrée directement dans l’environnement Salesforce CRM, déjà utilisé par l’entreprise. Les agents du service client attribuent des dossiers à l’agent IA et communiquent avec lui via la section commentaires de la fiche client, sans avoir à apprendre à utiliser de nouvelles plateformes.

Un aspect central dans l’acceptation de l’IA agentique réside dans le choix des tâches à automatiser. L’automatisation produit les meilleurs résultats lorsqu’elle est appliquée à des tâches répétitives et bureaucratiques que les employés considèrent comme sans valeur ajoutée. À l’inverse, tenter de remplacer un travail analytique créatif ou complexe génère de l’insatisfaction.

Sur cette question, Bradley a donné une indication stratégique claire : « N’envoyez pas un agent faire le travail créatif extraordinaire de votre équipe créative : il ne l’appréciera pas. Mais si vous confiez à l’IA le travail de routine, le travail manuel qu’ils ont toujours considéré comme indigne d’eux, alors ils l’adoreront et l’adopteront. »

Levier de décision et levier de main-d’œuvre : stratégie de sélection des processus

Lorsqu’une organisation décide d’investir dans l’intelligence artificielle, elle est confrontée à deux orientations stratégiques pour obtenir du ROI : le levier décisionnel (levier de décision) et le levier opérationnel (effet de levier du travail). Le premier vise à améliorer la qualité des analyses et des décisions stratégiques ; le second vise à automatiser les tâches manuelles à forte intensité de main d’œuvre.

Pour identifier les points d’application ayant le plus grand impact, la direction de Veritiv a analysé la cartographie des tâches de l’ensemble de la population de l’entreprise, composée d’environ 8 000 salariés, en collaboration avec le Directeur RH. L’analyse a identifié des domaines à forte concentration de rôles homogènes, tels que le service client, les opérations financières et le réseau commercial, où des groupes de 500 à 600 personnes effectuaient les mêmes procédures manuelles.

L’impact économique de l’automatisation est directement proportionnel à la taille du groupe de travail impliqué. Bradley a illustré le critère de calcul adopté: «Si vous trouvez une opportunité pour une population de 400 ou 500 personnes et que vous parvenez à supprimer 3 heures par jour d’activité manuelle et routinière, alors vous obtenez quelque chose d’extrêmement précieux, car vous pouvez redistribuer cette compétence et cette énergie».

Dans le cas spécifique du service client, le temps récupéré sur la saisie des données a été réaffecté à la gestion directe des clients et à la résolution de problèmes complexes.

Évolutivité de l’impact et de la valeur économique dans le back-office B2B

Contrairement à l’approche traditionnelle de la transformation numérique, qui suggère souvent de commencer par les plus petits problèmes métiers, la mise en œuvre de l’IA agentique nécessite une optimisation des efforts de développement axés sur les gros volumes.

La création d’un agent autonome structuré, doté d’une piste d’audit et de systèmes de supervision, implique un engagement technique et économique important. Ainsi, l’utilisation de la technologie sur des micro-procédés réservés à quelques personnels n’offre pas un retour sur investissement suffisant pour justifier la complexité du projet.

Concernant la sélection des cas d’usage, Bradley conclut en soulignant la nécessité de viser de gros volumes opérationnels : « Développer un outil agent, quel qu’il soit, demande beaucoup d’efforts. Le faire pour résoudre le problème d’une seule personne n’offre pas beaucoup d’avantages. Nous recherchions les points avec la plus forte intensité de travail manuel pour obtenir un effet de levier extraordinaire. » L’automatisation des processus à grand volume dans le back-office B2B se confirme ainsi comme l’une des directions les plus rentables pour l’adoption de l’intelligence artificielle dans les grandes entreprises.