Workflows agentiques

Un workflow agentique est un processus métier multi-étapes où des agents IA exécutent les étapes : lire, contrôler, écrire, notifier : le long d'un chemin prédéfini, sous des règles explicites, un humain approuvant les points qui comptent. La structure le rend fiable ; les agents à l'intérieur des étapes le rendent adaptable.

La page précédente a expliqué ce qu'est un agent IA isolé. Or, les vrais processus métier se résument rarement à une seule tâche : ce sont des chaînes d'étapes. Une facture arrive, il faut la lire, la confronter à la commande, l'enregistrer, et prévenir quelqu'un en cas de divergence. Un workflow agentique, c'est la façon dont nous structurons l'IA pour traiter ces processus multi-étapes de manière fiable.

Une analogie utile : un agent isolé, c'est un employé talentueux. Un workflow agentique, c'est une équipe bien organisée dotée d'une procédure : chacun a un rôle clair, le travail passe de bureau en bureau dans un ordre défini, la qualité est contrôlée en cours de route, et un humain valide là où cela compte.

Workflows vs agents : une distinction importante

Dans son article de référence Building Effective Agents, Anthropic trace une frontière que les praticiens trouvent très utile :

• Un workflow orchestre le modèle et ses outils selon des chemins prédéfinis : vous décidez à l'avance quelles étapes se déroulent et dans quel ordre. Prévisible, testable, gouvernable.
• Un agent décide dynamiquement comment atteindre l'objectif : il choisit lui-même ses étapes et ses outils au fil de l'eau. Plus flexible, moins prévisible.

Les meilleurs systèmes combinent souvent les deux : un workflow prédéfini pour les parties du processus qui doivent être fiables et auditables, avec de l'autonomie d'agent à l'intérieur de chaque étape là où la flexibilité paie. Le constat central d'Anthropic mérite d'être cité : les implémentations les plus réussies reposent sur des patterns simples et composables : pas sur des frameworks complexes.

Les cinq patterns de workflow

Anthropic décrit cinq patterns récurrents. Inutile de les mémoriser : il suffit de les reconnaître, car tout système agentique réel est bâti à partir de ces briques.

1. Prompt chaining ( enchaînement de prompts ) : découper la tâche en une séquence fixe d'étapes, chacune traitant la sortie de la précédente. Exemple : extraire les données → les contrôler → mettre en forme le rapport.
2. Routing ( routage ) : une première étape classe l'entrée et l'envoie sur la bonne branche. Exemple : un e-mail entrant part vers le chemin « facture », le chemin « réclamation » ou le chemin « autre ».
3. Parallelization ( parallélisation ) : plusieurs appels travaillent en même temps sur différents aspects, et les résultats sont combinés. Exemple : huit spécialistes auditent simultanément chacun un aspect d'un site web.
4. Orchestrator-workers ( orchestrateur-ouvriers ) : un agent central décompose la tâche, délègue les morceaux à des agents ouvriers et assemble les résultats. Adapté aux tâches dont les sous-étapes ne peuvent être connues à l'avance.
5. Evaluator-optimizer ( évaluateur-optimiseur ) : un agent produit, un autre évalue et exige des corrections, en boucle, jusqu'à atteindre la qualité voulue. C'est ainsi qu'on inscrit le « contrôle avant livraison » dans le système lui-même.

RPA, workflow agentique ou agent autonome : lequel vous faut-il ?

Les trois termes sont souvent confondus. Leurs différences déterminent le budget, le risque et la maintenance :

	Automatisation classique ( RPA / scripts )	Workflow agentique	Agent autonome
Chemin	Script figé, écrit à l'avance	Étapes prédéfinies, IA à l'intérieur de chaque étape	L'IA choisit ses propres étapes
Gère les variations	Casse ( colonne renommée, e-mail inhabituel )	S'adapte à l'intérieur de chaque étape	S'adapte partout
Prévisibilité	Totale	Élevée : la chaîne est connue	Plus faible : le comportement émerge
Gouvernance	Triviale	Points de contrôle et permissions explicites	Difficile : exige des garde-fous solides
Idéal pour	Tâches stables, massives, immuables	Processus métier multi-étapes avec variations	Tâches ouvertes ( recherche, diagnostic )
Échec typique	Casse silencieuse au moindre changement	Point d'approbation mal placé	Faire la mauvaise chose avec assurance

Règle pratique : si vous pouvez écrire les étapes, construisez un workflow et placez les agents à l'intérieur des étapes. Réservez l'autonomie complète aux explorations bornées et à faible enjeu : et entourez-la des garde-fous ci-dessous.

Ce qui rend un workflow agentique fiable

Connecter des étapes IA est facile ; rendre la chaîne digne de confiance est le vrai travail. Quatre mécanismes en font l'essentiel :

• Garde-fous à chaque étape : des permissions explicites ( autorisé seul / requiert approbation / interdit ), pour que l'autonomie ne dépasse jamais ce que le responsable du processus a décidé.
• Validation humaine aux points clés : le workflow s'interrompt là où les enjeux sont élevés : envoyer un e-mail, payer une facture, publier : et une personne approuve. Le but n'est pas d'écarter les humains, mais de concentrer l'attention humaine exactement là où elle compte.
• Vérification avant « terminé » : chaque étape prouve son résultat ( le test est passé, le fichier existe, le chiffre correspond ) au lieu de déclarer le succès.
• Mémoire et leçons : le système consigne ses erreurs et les règles qui en découlent, pour que la même erreur ne se reproduise pas.
• Un moyen de voir que ça marche encore : au-delà de chaque étape qui prouve son propre résultat, quelqu'un ( ou un résumé quotidien ) surveille toute la chaîne dans la durée, pour repérer une dérive de qualité avant qu'un client ne la subisse.

Ces mécanismes ne sont pas de la théorie : ce sont de la configuration. Notre guide Claude Code montre comment chacun se traduit en un fichier ou un réglage concret que vous pouvez copier.

Comment une étape agit réellement : les outils. Un modèle de raisonnement seul ne sait qu'écrire du texte. Ce qui permet à une étape de lire votre CRM, d'interroger une base de données ou d'envoyer un e-mail, c'est un outil que l'agent est autorisé à appeler : la même brique de base que sur la page des agents IA. Un standard récent, le Model Context Protocol ( MCP ), est simplement une prise commune pour que l'agent se connecte à vos systèmes toujours de la même façon : pensez USB-C plutôt qu'un câble différent par appareil. La règle reste la même : un outil qui ne fait que lire est à faible risque ; un outil qui agit ( envoyer, payer, publier ) passe derrière un point d'approbation.

Des exemples réels, chiffrés

Les patterns abstraits deviennent convaincants quand on voit ce qu'ils coûtent et ce qu'ils produisent. Trois workflows que nous opérons en production chez eaQbe ou pour des clients :

• Contrôle de santé d'un pipeline ( routing + chaining + evaluator ) : chaque matin, un agent vérifie la santé d'un pipeline de données. Si quelque chose a échoué, il enquête dans les logs ( localiser → diagnostiquer → proposer ), corrige ce qui relève de ses permissions et rédige un rapport. Tout ce qui sort de son mandat est escaladé vers un humain, diagnostic déjà posé. Des contrôles qualité confrontent ses conclusions à la base de données avant l'envoi.
• Audit SEO/GEO hebdomadaire ( parallélisation + orchestrateur ) : des agents spécialisés auditent chacun une dimension d'un site web ( indexation, vitesse, données structurées, citabilité IA… ) et un orchestrateur assemble un rapport priorisé avec recommandations. Coût modèle par exécution : entre un et deux euros. Un consultant qui ferait le même balayage à la main y passerait une demi-journée.
• Audit de serveur de fichiers en lecture seule ( orchestrateur-ouvriers + vérification ) : avant une migration documentaire, six agents spécialisés ont inventorié 826 000 fichiers ( 3,2 To ) : doublons, obsolescence, permissions, échantillonnage de contenu : sans modifier un seul fichier. L'exécution complète a été relancée cinq jours plus tard et reproduite à moins de 0,2 % d'écart, ce qui a rendu les chiffres défendables devant la direction du client.
• Opérations de masse sous quota API ( chaining + garde-fous ) : taguer 5 000 fiches membres via une API SaaS plafonnée à 20 requêtes par minute. Le workflow se cadence tout seul, temporise en cas d'erreur, reprend là où il s'était arrêté après toute interruption, et journalise chaque appel. Effort humain : lire le rapport du matin.

Le pattern derrière les quatre : la structure décide de la fiabilité, les agents apportent l'intelligence, les humains gardent le jugement.

Quand NE PAS construire un workflow agentique

L'honnêteté sur les limites fait partie de la méthode :

• La tâche ne varie jamais : un export figé qui tourne à l'identique chaque nuit a besoin d'un script, pas d'un modèle de raisonnement : moins cher, plus rapide, déterministe, et sans aucune des erreurs qui s'accumulent ( compounding errors ) qu'un agent multi-étapes peut enchaîner.
• Personne ne sait énoncer les règles : si le responsable du processus ne peut pas dire à quoi ressemble « correct » ni où l'approbation compte, le workflow encodera la confusion. Clarifiez le processus d'abord, automatisez ensuite.
• Les erreurs sont irréversibles et non interceptables : si une action erronée ne peut pas être arrêtée par un point de contrôle humain avant de causer un dommage ( un paiement sortant, un dépôt légal ), gardez une personne aux commandes de l'exécution, et utilisez l'IA seulement pour préparer le travail.

Un rappel à la réalité utile. Gartner s'attend à ce que plus de 40 % des projets d'IA agentique soient annulés d'ici fin 2027 : surtout à cause de coûts qui grimpent, d'une valeur métier floue et de contrôles de risque insuffisants, et met en garde contre l'« agent washing » ( de la simple RPA ou des chatbots rebaptisés « agents » ). Rien de tout cela ne plaide contre les workflows agentiques : cela plaide pour la discipline de cette page : choisir un processus qu'on sait énoncer clairement, poser les garde-fous d'abord, et prouver la valeur avant de passer à l'échelle. [Source : Gartner, juin 2025.]

Par où commencer

La route fiable que nous enseignons et appliquons : choisissez un processus récurrent multi-étapes qui coûte quelques heures par semaine, écrivez ses étapes et ses points d'approbation, construisez-le avec les garde-fous ci-dessus, et faites-le tourner en mode ombre ( il produit, un humain exécute encore ) pendant deux semaines avant de le laisser agir. Un workflow qui fonctionne apprend plus à une équipe que n'importe quel slide deck : c'est exactement ce que nous construisons ensemble dans la formation Claude Code & IA agentique.

Questions fréquentes

Qu'est-ce qu'un workflow agentique, en termes simples ?

Un processus métier multi-étapes où des agents IA exécutent les étapes : lire, contrôler, écrire, notifier : sous des règles explicites, avec une approbation humaine aux points que vous choisissez. Une structure prédéfinie pour la fiabilité, l'intelligence de l'agent à l'intérieur des étapes.

Quelle est la différence entre un workflow agentique et l'automatisation ( RPA ) ?

L'automatisation classique suit des scripts rigides et casse dès que la réalité dévie ( une colonne renommée, un e-mail inhabituel ). Les workflows agentiques placent un modèle de raisonnement à l'intérieur de chaque étape : le système s'adapte aux variations et explique ce qu'il a fait : tout en gardant le processus global structuré.

Les workflows agentiques remplacent-ils les humains ?

Ils remplacent l'exécution répétitive, pas le jugement. Des workflows bien conçus orientent précisément les bonnes décisions vers les humains : contexte déjà assemblé : et traitent le reste. Le rôle humain passe de faire chaque étape à fixer les règles et approuver ce qui compte.

Quels sont des exemples réels de workflows agentiques en entreprise ?

Des exemples récurrents en production : un audit SEO hebdomadaire où des agents spécialisés contrôlent chacun une dimension d'un site et assemblent un rapport pour moins de deux euros de coût modèle ; un audit de serveur de fichiers en lecture seule où six agents ont inventorié 826 000 fichiers avec une reproduction à moins de 0,2 % d'écart ; un assistant member-care qui rédige des brouillons de réponses depuis les données de l'entreprise pendant qu'un humain valide chaque envoi.

Combien coûte l'exécution d'un workflow agentique ?

Bien moins que ce que la plupart des équipes imaginent. Les coûts dominants sont les tokens du modèle et le temps d'ingénierie, pas l'infrastructure : un audit multi-agents hebdomadaire d'un site web coûte un à deux euros de tokens par exécution ; une opération de masse nocturne sur 5 000 enregistrements coûte quelques centimes. Ce qui est cher, c'est de concevoir les garde-fous une fois ; faire tourner le workflow est bon marché.

Quand ne faut-il PAS utiliser un workflow agentique ?

Quand la tâche est figée, massive et ne dévie jamais ( un script classique est moins cher et plus rapide ) ; quand personne ne sait énoncer les règles et les points d'approbation ( on automatise un processus qu'on comprend, pas un processus qu'on espère voir l'IA deviner ) ; et quand les erreurs sont irréversibles et impossibles à intercepter par un point de contrôle humain.

Pour aller plus loin

• Lisez ce qu'est un agent IA si ce n'est pas déjà fait.
• Découvrez l'outil avec lequel nous construisons ces workflows : le guide Claude Code.
• Construisez-en un vous-même, accompagné : la formation Claude Code & IA agentique ( 1 jour, Bruxelles ou à distance ).