Avant de créer un nouvel outil : comment choisir le bon niveau d’IA pour la stack CX
11-17-2026
La véritable mesure de la maturité en IA au sein d’une entreprise ne se réduit pas au nombre de modèles avancés déployés ou d’agents créés. Elle repose sur l’aptitude des équipes à sélectionner systématiquement la bonne capacité selon leur mission, et à améliorer la qualité, l’efficacité et les résultats.
Comme pour la plupart des décisions technologiques en entreprise, bien faire ces choix implique de partir des besoins métier et de laisser la capacité s’adapter ensuite. Mais l’engouement pour l’IA a complètement inversé cette logique.
J’ai souvent vu des conversations démarrer par « nous avons besoin d’IA » ou « nous avons besoin d’un agent » avant même que personne n’ait défini ce que l’IA est censée résoudre. Cette tendance se renforce à travers la façon dont nous parlons de l’IA. Elle est devenue un terme fourre-tout, traité comme s’il s’agissait d’une capacité unique que l’on peut appliquer à n’importe quel processus, plutôt que d’un ensemble de capacités différentes adaptées à des usages variés.
Lorsque ces distinctions s’effacent, il devient facile de surdimensionner la réponse à la tâche, en augmentant les coûts et la complexité sans améliorer le résultat.
La plupart des entreprises ont déjà expérimenté cette approche, en adoptant les derniers outils d’IA et en augmentant leur utilisation dans l’espoir de voir des résultats. Or, le rapport State of AI Readiness d’Adobe révèle que 58 % des organisations sont encore bloquées au stade du pilote ou du déploiement pour leurs projets d’IA.
La solution n’est pas de tout recommencer ou de réduire l’utilisation de l’IA. Il s’agit de prendre de meilleures décisions sur où, quand et comment y recourir. Ces décisions deviennent plus faciles à prendre en les structurant autour de quatre axes de réflexion.
Cadre de référence pour identifier le bon niveau d’IA
Ce cadre de décision en quatre volets vous aide à distinguer les moments où la technologie existante suffit, où l’automatisation est appropriée, où l’IA générative apporte une réelle valeur ajoutée et où l’IA agentique constitue un véritable atout.
Ce cadre part de ce que vous possédez déjà et progresse vers de nouvelles capacités là où l’IA justifie l’investissement. L’objectif : ancrer les décisions liées à l’IA dans la valeur métier, plutôt que d’adopter l’IA pour l’IA.
1. Miser sur les capacités dont vous disposez déjà
Avant d’ajouter un nouvel outil d’IA, vérifiez si la technologie déjà en place peut accomplir la tâche efficacement.
Si un responsable ou une responsable marketing doit créer 50 variations de campagne pour différentes audiences ou différents marchés, un outil d’IA générative peut réduire le temps et les efforts nécessaires à leur production. En revanche, si cette même personne doit retrouver un asset approuvé qui existe déjà pour une campagne ou une zone géographique donnée, les outils de recherche et les métadonnées déjà disponibles peuvent s’avérer une meilleure option.
La première étape consiste donc à évaluer les capacités de la pile existante. De nombreuses plateformes d’entreprise ont commencé à intégrer directement l’IA dans leurs produits sous licence : il est possible que les fonctionnalités recherchées soient déjà présentes, sans que l’équipe les ait pleinement adoptées, voire identifiées.
Exploiter les capacités existantes là où elles s’avèrent pertinentes permet d’éviter les doublons de dépenses et de limiter les travaux d’intégration, de gouvernance et de maintenance superflus. La question devient alors de savoir si une autre approche pourrait suffisamment améliorer la rapidité, la mise à l’échelle, la qualité ou les résultats pour justifier d’aller au-delà de ce qui est déjà en place.
2. Automatisez le prévisible et misez sur l’IA là où elle crée de la valeur
Une fois établi qu’une capacité existante ne suffit pas, il convient de vérifier si la tâche nécessite vraiment de la génération ou du raisonnement. Lorsque les données d’entrée et de sortie sont connues et que la même action se répète de façon constante, une automatisation fondée sur des règles ou une API peut être la solution la plus appropriée.
Imaginons que l’équipe souhaite savoir combien de personnes ont cliqué sur un e-mail mardi dernier. Ce chiffre existe déjà dans un jeu de données, et une connexion standard ou une API peut le récupérer directement. Aucun raisonnement n’étant nécessaire, il n’y a aucune raison de faire passer cette requête par un modèle génératif ou un agent.
L’IA générative est parfaitement adaptée à ce type de travail. Si l’équipe doit aller au-delà du simple comptage des clics et comprendre les thèmes qui ressortent de milliers de réponses client, un outil d’IA générative peut synthétiser et interpréter ces informations à l’échelle. Identifier ces tendances manuellement exigerait par ailleurs un effort considérable.
L’objectif est de concentrer l’IA sur les étapes du workflow où elle améliore le processus ou les résultats. Plus vous définissez précisément là où l’IA apporte de la valeur, plus il devient facile d’éviter une complexité inutile dans le reste du workflow.
3. Connectez l’IA à la pile existante plutôt que de la contourner
Lorsqu’une tâche pourrait réellement tirer parti de l’IA générative, la question ne porte plus sur l’opportunité d’y recourir, mais sur l’endroit où cette capacité doit résider. À ce stade, il est tentant de supposer que l’expérience IA doit tout gérer par elle-même, ou que les systèmes d’entreprise existants doivent être entièrement repensés autour d’elle.
J’ai souvent observé un schéma récurrent : les équipes élargissent progressivement les capacités de l’expérience IA via des prompts et du code personnalisé généré par IA, pour finalement se rendre compte qu’elles ont recréé des fonctionnalités qu’elles possédaient déjà. Ce phénomène s’est reproduit aussi bien avec des logiciels de présentation qu’avec des outils de gestion de projet.
En effet, l’IA peut donner l’illusion qu’il est simple de construire quelque chose de nouveau. Faire fonctionner cette expérience à l’échelle d’une entreprise implique également de gérer :
- Autorisations et contrôle d’accès
- Intégrations système et connexions de données
- Historiques et contexte métier
- Fiabilité à l’échelle de l’entreprise
Ce qui ressemble à un gain facile peut rapidement se transformer en un engagement technique bien plus lourd. Plutôt que d’assumer cette charge, mieux vaut connecter la capacité de l’IA aux systèmes qui gèrent déjà le travail sous-jacent.
Ainsi, si un membre de l’équipe souhaite créer, mettre à jour ou interroger un projet en langage naturel, l’intérêt réside dans le fait de laisser l’interface IA accéder au système de gestion de projet, là où résident déjà les enregistrements, les autorisations et les processus sous-jacents. Vous obtenez ainsi une nouvelle façon d’interagir avec le système, sans avoir à le reconstruire ni à le maintenir.
4. Réservez l’IA agentique à l’orchestration en plusieurs étapes, et non à l’automatisation de routine.
Connecter l’IA aux systèmes d’entreprise ne rend pas automatiquement un workflow agentique. Dans la mesure où les agents opèrent souvent sur plusieurs tâches et systèmes, il est facile de considérer tout workflow s’étendant sur plusieurs systèmes comme un workflow agentique.
La distinction repose sur la question suivante : les personnes continuent-elles à piloter le workflow, ou accordent-elles aux agents l’autonomie nécessaire pour décider de la prochaine étape et atteindre un objectif plus large ?
Avec les agents, une seule instruction peut suffire à déclencher une séquence sur plusieurs tâches et systèmes, plutôt que de produire une réponse unique. Ce type d’orchestration en plusieurs étapes devient pertinent lorsque le chemin n’est pas défini à l’avance et que vous souhaitez que les agents raisonnent sur des entrées variables, coordonnent des actions entre systèmes et décident de la suite.
Déléguer le workflow à des agents élève aussi les exigences en matière de fiabilité des données, d’autorisations et de contrôles, de supervision humaine et d’efficacité des coûts. Cette autonomie accrue doit générer suffisamment de valeur pour justifier la complexité et les risques qu’elle implique.
Reprenons l’exemple des retours clients évoqué précédemment. L’IA générative suffit pour synthétiser des milliers de réponses en thèmes récurrents. Une solution agentique devient utile lorsque le travail doit aller plus loin : recouper les thèmes identifiés avec les profils GRC, les analyses et les interactions de service, isoler les segments de clientèle concernés, puis recommander ou déclencher la réponse appropriée dans chaque système en aval.
C’est précisément le type de travail en plusieurs étapes que des solutions agentiques comme Adobe CX Enterprise Coworker sont conçues pour prendre en charge, en coordonnant les actions à travers les systèmes d’expérience client et de données plutôt qu’en traitant chaque étape isolément.
Cultivez la rigueur décisionnelle pour tirer le meilleur parti de l’IA
Pour identifier les usages à forte valeur ajoutée de l’IA, rien ne vaut l’expertise des personnes les plus proches du terrain. Ce sont elles qui savent ce qu’est la qualité, quels systèmes offrent le bon contexte et où davantage d’automatisation ou d’autonomie améliorerait les résultats.
Ancrées dans cette expertise, les décisions en matière d’IA ressemblent à n’importe quelle autre décision technologique. Les entreprises ont toujours dû choisir ce qu’il fallait standardiser, ce qu’il fallait intégrer et dans quels cas une nouvelle technologie justifiait l’investissement. L’IA élargit le champ des possibles, mais elle ne change pas la rigueur nécessaire pour prendre ces décisions.
À mesure que les entreprises intègrent davantage d’outils et d’agents dotés d’IA, le prochain défi consiste à faire fonctionner ces capacités ensemble à l’échelle de l’ensemble de la stack. Dans le prochain article de blog, nous examinerons comment l’interopérabilité relie les modèles, les agents et les systèmes d’entreprise pour former un écosystème d’IA plus cohérent.
Recommandations de lecture
https://business.adobe.com/fragments/resources/cards/thank-you-collections/cx-enterprise-coworker