Comment créer un agent IA : sans code, framework ou sur mesure ?

Peut-on créer un agent IA soi-même ?

Souvent, oui. Une personne à l’aise avec les outils peut paramétrer un agent interne utile dans une plateforme sans code, et un développeur peut en coder un avec un framework. La première version vient vite. Le plus dur vient après : obtenir un agent qui a raison assez souvent, sur de vraies données, avec des droits défendables, et qui le reste quand vos logiciels changent.

Ce guide s’adresse à la personne qui doit décider comment s’y prendre. Il présente les trois voies, ce que chacune permet et ne permet pas, les étapes qui comptent quelle que soit la voie et les cas où une agence vaut son prix. Construire des agents est notre métier : on dit donc clairement quand vous n’avez pas besoin de nous.

Une précaution avant de commencer. Anthropic, dont le guide d’ingénierie sur les agents date de décembre 2024, l’ouvre désormais par un avertissement : une grande partie des outils qu’il décrit a changé depuis. Les outils cités ici bougeront aussi ; la méthode décrite dans ce guide a tenu à travers ces changements.

D’abord, vérifier que la tâche demande un agent

Ne créez un agent que si le travail exige du jugement sur des entrées variables ; sinon, un workflow classique coûte moins cher et présente moins de risques. Le guide d’OpenAI sur la construction d’agents donne trois signes : des décisions complexes avec des exceptions, des règles devenues trop lourdes à maintenir et une forte dépendance aux données non structurées (courriels, documents). Si votre cas ne les remplit pas clairement, une solution déterministe peut suffire.

Anthropic va plus loin : chercher la solution la plus simple possible peut vouloir dire ne pas construire de système agentique du tout. Gartner, qui prédit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027, ajoute que beaucoup de cas présentés aujourd’hui comme agentiques n’en ont pas besoin.

Un test rapide : pouvez-vous écrire les étapes sur une seule page, et sont-elles toujours les mêmes ? Alors il vous faut un workflow, avec éventuellement une étape d’IA pour lire un document ou classer un message. Si les étapes dépendent de ce que le cas révèle en chemin, un agent a du sens. Notre guide Agent IA : définition et exemples détaille la différence, et notre guide sur l’IA agentique montre toutes les options intermédiaires.

Les trois façons de créer un agent IA

Les trois voies diffèrent par qui construit, par le degré de contrôle et par ce que vous possédez à la fin.

Ces voies ne s’excluent pas. Un parcours courant consiste à prouver la valeur sur une plateforme, puis à reconstruire sur un framework la partie qui marche, quand le volume, l’intégration ou la conformité l’exigent.

Voie 1 : les plateformes sans code, dont n8n

Une plateforme sans code suffit à créer un agent qui fonctionne, tant qu’il reste dans les outils qu’elle sait connecter. C’est le bon point de départ pour un assistant interne ou une preuve de valeur.

Le cas de n8n

n8n est un outil d’automatisation de workflows doté d’un nœud AI Agent. Sa documentation le résume simplement : on connecte un modèle de conversation et un ou plusieurs outils, et l’agent décide lui-même quels outils appeler pour mener la tâche. n8n peut être installé sur votre propre infrastructure, sur site ou dans un cloud privé ; sans clé de licence, il fonctionne en édition Community gratuite. C’est ce qui en fait un choix fréquent pour les entreprises qui veulent garder leurs données sur leurs serveurs. Notre guide sur l’agent IA n8n détaille les nœuds, les outils et la validation humaine, et celui sur n8n auto-hébergé la licence et l’installation.

La bonne pratique avec n8n est de ne pas tout confier au nœud agent. Les étapes qui ne varient jamais (lire la boîte de réception, écrire dans un tableur, notifier une équipe) restent des nœuds ordinaires, prévisibles et testables. L’agent n’intervient qu’à l’endroit où il faut juger, et une étape de validation précède toute action sensible.

Les autres plateformes

• Microsoft Copilot Studio est, selon Microsoft, un studio graphique low-code pour créer et gérer des agents et des workflows d’IA, reliés aux données de l’organisation et publiés dans Teams, Microsoft 365 Copilot ou un site web. Il convient aux entreprises déjà équipées de Microsoft 365.
• Agent Builder, lancé par OpenAI avec AgentKit le 6 octobre 2025, est une zone de travail visuelle pour créer et versionner des workflows à plusieurs agents, avec garde-fous et évaluations au même endroit.

Ce qu’on peut honnêtement faire seul sur ces plateformes : trier et orienter des courriels, préparer des réponses à valider, résumer des tickets, remplir un tableur ou un champ du CRM à partir d’un document, répondre aux questions internes à partir d’un ensemble de fichiers.

Où elles atteignent leurs limites : les logiciels sans connecteur prêt à l’emploi, les règles métier trop fines pour un schéma visuel, les tests sur des centaines de vrais cas avant chaque modification, les droits réglés action par action et une traçabilité qu’un auditeur acceptera. Vous dépendez aussi des tarifs de la plateforme, de sa feuille de route et de ses choix de modèles.

Voie 2 : les frameworks d’agents

Un framework fournit aux développeurs la boucle de l’agent, l’appel d’outils et la traçabilité ; ils n’écrivent que la logique métier. C’est la voie des équipes qui codent et veulent du contrôle sans partir de zéro.

Les différences comptent moins qu’on ne le croit. Choisissez celui qui correspond à votre langage, à votre fournisseur de modèle et à votre hébergement, et vérifiez que vous voyez ce qui se passe à chaque étape.

L’avertissement d’Anthropic vaut pour tous : les frameworks ajoutent souvent des couches d’abstraction qui masquent les prompts et les réponses réels, et rendent le débogage plus difficile. Son conseil : partir directement de l’API du modèle quand c’est possible, et, si l’on utilise un framework, comprendre le code qui tourne dessous. Un framework aide à démarrer vite, conclut-il, mais il ne faut pas hésiter à retirer des couches en passant en production.

Voie 3 : le sur-mesure, dans vos logiciels

Le sur-mesure se justifie quand l’agent doit agir dans les logiciels qui font tourner l’entreprise, et y prouver sa fiabilité. L’agent lui-même est souvent la plus petite part du travail. Le brancher sur un ERP, un CRM ou une vieille base maison, avec les bons droits et un journal complet, en est la plus grosse.

Gartner prévient qu’intégrer des agents à des systèmes anciens peut être techniquement complexe, perturber les processus et exiger des modifications coûteuses, et suggère que repenser le processus autour de l’agent vaut souvent mieux que de le greffer sur l’existant.

Les signaux qui orientent vers le sur-mesure :

• l’agent écrit dans les logiciels centraux en plus de les lire ;
• il traite des données personnelles, des contrats ou des paiements, ce qui fait entrer en jeu le RGPD et parfois le règlement européen sur l’IA ;
• vos données ou vos modèles doivent rester en Europe, ou sur vos serveurs ;
• le volume est assez élevé pour que le coût par tâche et le taux d’erreur doivent être mesurés ;
• l’agent fait partie d’un produit que vous vendez, et vous devez posséder le code.

Si plusieurs de ces points s’appliquent, voyez comment on construit des agents IA pour l’entreprise et comment on les relie à vos outils avec l’intégration IA. Pour un premier ordre de grandeur, notre guide sur le prix d’un agent IA rassemble des fourchettes de marché publiées.

Les étapes qui comptent, quelle que soit la voie

Les mêmes sept étapes valent sur une plateforme, sur un framework ou en sur-mesure. En sauter une est la raison habituelle pour laquelle un agent ne dépasse jamais le stade du pilote.

1. Définir une tâche et son indicateur. Écrire ce que l’agent reçoit, ce qu’il doit produire et comment on mesurera le succès : temps gagné, part de cas traités sans correction, erreurs détectées.
2. Rassembler de vrais cas. Prendre des courriels, tickets ou documents passés, y compris les plus tordus, et noter pour chacun le résultat attendu. Cet ensemble devient votre test.
3. Lister les outils, avec le moins de droits possible. L’OWASP recommande de limiter au strict nécessaire les outils qu’un agent peut appeler et les permissions qu’ils portent. Lecture seule d’abord.
4. Rédiger les instructions. Poser les règles, le ton, les limites et le moment où l’agent doit s’arrêter pour demander. Documenter chaque outil aussi soigneusement qu’un écran destiné à un humain : Anthropic conseille d’y consacrer autant d’effort qu’aux interfaces pour les personnes.
5. Fixer une référence, puis optimiser. OpenAI recommande de construire le prototype avec le modèle le plus performant pour établir une référence, puis d’essayer des modèles plus petits pour voir s’ils tiennent.
6. Mettre une personne sur les actions sensibles. OpenAI cite deux déclencheurs d’intervention humaine : les échecs répétés, et les actions sensibles, irréversibles ou à fort enjeu, comme un remboursement ou un paiement.
7. Tester avant la mise en service, surveiller après. Rejouer le jeu de test à chaque modification, d’abord dans un environnement isolé, comme le conseille Anthropic. En production, journaliser chaque action et passer les échecs en revue chaque semaine.

Pour voir à quoi ressemble un résultat bien délimité, essayez notre démonstration d’extraction de documents : une tâche fixe, une sortie structurée et des contrôles qui repèrent les erreurs.

Quand faire appel à une agence, et quand s’en passer

Faites-le vous-même quand la tâche est interne, l’enjeu faible, les outils déjà connectés et que quelqu’un en interne peut s’en occuper. Cela couvre beaucoup de premiers agents, et c’est la façon la plus rapide d’apprendre ce qui marche chez vous.

Faites appel à une agence quand l’un de ces points est vrai :

• l’agent doit agir dans les logiciels centraux, avec un travail d’intégration et des revues de sécurité ;
• des données personnelles ou réglementées sont en jeu, et il vous faut une conception défendable au regard du RGPD et du règlement européen sur l’IA ;
• vous avez besoin d’une preuve de fiabilité sur vos propres cas avant le déploiement, et d’une méthode pour continuer à la mesurer ;
• personne en interne n’a le temps de maintenir l’agent quand les modèles, les API ou vos processus changent.

Il existe une voie intermédiaire. Si vous voulez que votre équipe crée et fasse tourner ses propres agents, notre formation IA en entreprise travaille sur vos outils et vos cas, et chaque équipe repart avec un premier agent. Si vous ne savez pas par où commencer, un audit IA classe les tâches où un agent rapportera en premier.

Quelle que soit la voie qui vous tente, un deuxième avis avant de construire ne coûte rien. Réservez votre audit gratuit de 30 minutes : décrivez la tâche et les outils concernés, et on vous dit laquelle des trois voies convient, ce que vous pouvez faire vous-même sans risque et où sont les pièges. Vous repartez avec un avis, même si l’on ne travaille jamais ensemble, et on vous répond sous un jour ouvré.