En dix ans de programmes RPA, beaucoup d'organisations ont accumulé délais, coûts et dette de maintenance; l'arrivée des agents IA, capables de comprendre le contexte et de s'adapter, change la donne… à condition d'encadrer la gouvernance pour éviter le Shadow AI.
Le constat terrain
Dans plusieurs grands groupes, les robots ont souvent pris ~6 mois de développement, coûté ~80 k€ par use case, puis se sont révélés fragiles en production dès qu'un bouton changeait de place ou qu'un format variait, imposant un « biberonnage » constant pour un impact business décevant. Ce vécu a laissé une frustration durable: des automatisations rigides, coûteuses et difficiles à maintenir face à des processus métier qui, eux, évoluent sans cesse.
Ce que changent les agents IA
Les agents ne « cliquent » plus; ils interprètent, raisonnent, conversent en langage naturel et s'auto‑améliorent, ce qui offre une meilleure résilience aux variations d'interface et aux cas non vus. Le time‑to‑market se compresse: une semaine pour mettre en route un agent utile là où un robot exigeait des mois, comme sur le traitement de demandes clients contextuelles auparavant impraticables en RPA.
C'est exactement cette approche que nous avons adoptée pour Next Call AI, notre agent vocal IA conçu pour les études notariales, syndics et agences immobilières : un agent autonome qui qualifie chaque appel, priorise les urgences et transmet une fiche structurée au bon interlocuteur.
Les limites à garder en tête
Un agent reste un agrégateur d'APIs, scripts et automatisations; mal gouverné, son cycle de maintenance peut devenir plus complexe qu'un workflow déterministe. Des praticiens rappellent qu'une partie des échecs RPA venait d'un design insuffisant; bien conçu, un robot ne casse pas pour une virgule ou un bouton déplacé, d'où l'importance de critères de choix clairs.
RPA et agents: mieux vaut composer que s'opposer
Le déterminisme des workflows RPA reste précieux pour la conformité et les processus stables, tandis que les agents excellent sur les tâches à forte variabilité et riches en exceptions. Plusieurs voix convergent: la valeur vient d'un équilibre gouverné RPA + agents IA plutôt que d'un remplacement binaire.
Risque majeur: le Shadow AI
L'accessibilité de l'IA favorise des développements dispersés: duplication d'agents, trous de sécurité et perte de traçabilité décisionnelle si l'on ne pose pas de garde‑fous. Sans catalogue et règles d'usage, les équipes finissent avec « 50 agents pour la même chose », complexifiant coûts et risques au lieu d'améliorer la productivité.
Playbook de gouvernance (prêt à copier)
- Cartographier:lister les processus stables (RPA) vs variables/exceptionnels (agents) et définir les critères de bascule.
- Standardiser:patrons d'orchestration, outils autorisés, politiques de données, modèles de prompts et d'évaluation.
- Industrialiser:CI/CD pour agents, observabilité, budget par use case, évaluation continue des dérives et des coûts.
- Sécuriser:gestion des secrets, RBAC, registre d'agents, revues d'accès et d'alignement trimestrielles.
- Mesurer:time‑to‑market, coût total de possession, taux d'exceptions, retrait des agents redondants.
Exemple concret
Un agent IA peut aujourd'hui traiter des demandes clients inédites en interprétant le contexte et en combinant plusieurs outils, là où un RPA échouait hors scénario prévu, ce qui illustre le gain de résilience et d'utilité perçue. Ce type de cas ne supprime pas le besoin de workflows déterministes, mais réduit la dette d'adaptations UI et accélère l'amélioration continue.
Marché: pivot ou risque « Kodak »
Les éditeurs RPA historiques sont poussés à intégrer l'IA conversationnelle et l'agentique de bout en bout; ceux qui réussiront proposeront une expérience unifiée mêlant déterminisme et adaptativité avec observabilité native. À défaut de ce pivot, l'écart d'adoption sur les cas variables pourrait creuser un risque de déclassement face aux plateformes centrées agents.
Pour aller plus loin
Cet article est également disponible sur:
Votre organisation dispose‑t‑elle d'un registre d'agents en production, avec critères d'éligibilité, politiques de données et évaluation continue des performances et risques?