Agent washing : six questions pour démasquer un faux agent IA

L’agent washing désigne la pratique qui consiste à vendre comme « agent IA » un produit existant (chatbot, assistant, robot RPA) qui ne dispose pas de réelles capacités agentiques. Le terme vient de Gartner, qui estimait en juin 2025 que seuls environ 130 des milliers de fournisseurs se présentant comme spécialistes de l’IA agentique proposaient de vrais agents (communiqué Gartner du 25 juin 2025). Six questions posées en démonstration suffisent à faire la différence.

Le même communiqué annonce que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027, pour cause de coûts, de valeur incertaine et de risques mal encadrés. L’agent washing alimente ce chiffre : une entreprise qui achète un chatbot rebaptisé paie un prix d’agent pour un outil qui ne fera jamais le travail promis. Les raisons de ces abandons sont détaillées dans pourquoi 40 % des projets d’IA agentique seront abandonnés.

Gartner souligne aussi que beaucoup de cas d’usage présentés comme agentiques n’ont pas besoin d’un agent : un workflow bien construit fait souvent mieux. L’étiquette fausse alors la comparaison des offres et le budget.

Qu’est-ce qu’un vrai agent IA ?

Un agent IA est un programme dans lequel un LLM (grand modèle de langage) choisit lui-même l’étape suivante pour atteindre un objectif : il appelle des outils, lit le résultat, puis décide de continuer, de corriger ou de s’arrêter. Cette boucle « décider, agir, observer » est ce qui distingue l’IA agentique d’un chatbot qui répond à une question ou d’un script qui suit un enchaînement figé.

En pratique, un agent IA en production combine quatre éléments :

1. un modèle (Claude, Mistral, ChatGPT via l’API OpenAI, Gemini) choisi sur les cas réels de l’entreprise ;
2. un orchestrateur qui gère la boucle et l’état, comme LangGraph pour les logiques complexes ou l’OpenAI Agents SDK pour des agents plus simples ;
3. des outils connectés, de plus en plus via MCP (Model Context Protocol), le standard ouvert qui expose les fonctions d’un logiciel à un agent ;
4. des garde-fous : périmètre d’action, journalisation, validation humaine des actions qui engagent l’entreprise.

Sans boucle de décision ni outils réellement appelés, un produit reste un assistant conversationnel. Le panorama des outils IA par usage et le lexique (agent IA, RAG, MCP) permet de situer chaque brique.

Comment reconnaître un faux agent IA ?

Un faux agent IA se reconnaît à ce qu’il ne sait pas montrer : sa logique de décision, ses actions dans vos outils et son comportement en cas d’échec. Les six questions suivantes se posent en démonstration, sur un de vos cas réels plutôt que sur le scénario préparé par le vendeur.

1. Qui décide de l’étape suivante ?

Demandez ce qui se passe si une information manque. Un vrai agent adapte son plan : il va chercher la donnée manquante, pose une question ou change d’outil. Un faux agent suit un arbre de décision écrit à l’avance, souvent dans un outil comme Power Automate ou Copilot Studio, avec un LLM seulement pour reformuler la réponse.

2. Quels outils appelle-t-il, et avec quels droits ?

Faites lister les actions précises : lire une fiche HubSpot, créer un ticket Zendesk, consulter une commande, rédiger un brouillon. Demandez si l’accès passe par une API, par MCP ou par une simple recherche dans des documents. Un agent qui « s’intègre à tout » sans pouvoir citer une seule permission n’agit sur rien.

3. Que fait-il quand une étape échoue ?

Coupez une source pendant la démonstration ou posez une question hors périmètre. Un agent fiable détecte l’erreur, réessaie dans une limite fixée, puis dit qu’il ne sait pas et passe la main à un humain. Un produit rebaptisé invente une réponse ou boucle sans fin.

4. Comment est-il évalué ?

Demandez le jeu d’evals : la liste de questions et de cas réels sur lesquels l’agent est testé avant chaque mise à jour, avec le taux de réussite obtenu. Des outils comme Promptfoo, DeepEval ou Ragas (pour la partie RAG) servent à automatiser ces tests. Un fournisseur sans evals ne peut pas garantir que l’agent de demain se comportera comme celui de la démonstration.

5. Peut-on voir la trace d’une exécution ?

Une trace montre chaque étape : le raisonnement, l’outil appelé, la réponse reçue, le coût. Langfuse et LangSmith sont les outils les plus courants pour cette observabilité en 2026. Si personne ne peut ouvrir la trace d’une conversation de la semaine dernière, personne ne pourra expliquer une erreur en production.

6. Où l’humain valide-t-il ?

Un agent sérieux propose et l’humain confirme toute action engageante : remboursement, envoi d’un devis, modification de commande. Demandez où se situe ce point de validation et qui le paramètre. Une réponse du type « l’agent est entièrement autonome » sur des décisions engageantes signale soit un risque, soit une promesse marketing.

Agent, workflow ou chatbot : lequel vous faut-il vraiment ?

La bonne solution dépend de la variabilité de la tâche : plus le chemin est prévisible, moins un agent est utile. Un workflow figé coûte moins cher à faire tourner et se teste plus facilement ; un agent se justifie quand les demandes varient et que la suite dépend de ce qu’on découvre en chemin.

Besoin	Solution adaptée	Exemple
Répondre à partir de documents	Chatbot RAG	Questions RH sur des procédures internes
Enchaîner des étapes toujours identiques	Workflow d’automatisation IA	Classer une facture et l’envoyer en validation
Traiter des demandes variées en consultant plusieurs outils	Agent IA	Analyser une réclamation, vérifier la commande, proposer une réponse
Répartir un travail long entre plusieurs rôles	Système multi-agents (LangGraph, CrewAI)	Préparer un dossier d’appel d’offres à partir de sources multiples

Un bon fournisseur vous oriente vers la ligne qui correspond à votre besoin, même la moins spectaculaire. La comparaison détaillée se trouve dans agent IA ou workflow : quelle différence et lequel choisir.

Que demander avant de signer ?

Avant de signer, demandez des éléments vérifiables : une démonstration sur vos données, un périmètre écrit et la propriété de ce qui est livré. Trois documents suffisent :

• le périmètre d’action : liste des outils connectés, des actions autorisées en lecture et en écriture, des actions soumises à validation ;
• le plan d’evals : les cas de test, le seuil de réussite attendu avant la mise en ligne, la fréquence des tests après mise en production ;
• les conditions de sortie : à qui appartiennent le code, les prompts et les evals, et comment un autre prestataire pourrait reprendre l’agent.

Le coût d’exploitation mérite aussi une question directe : combien coûte une exécution en tokens, et qui paie quand l’agent boucle ? Les critères pour choisir un prestataire IA complètent cette liste, et le guide comment évaluer un prestataire informatique avant de signer détaille les points d’organisation à vérifier. Côté méthode, les garde-fous, evals et outils d’observabilité attendus d’un agent en production sont décrits dans notre méthode de mise en production.

Le test à faire avant votre prochaine démonstration

Choisissez une tâche réelle de votre équipe, avec un cas simple, un cas ambigu et un cas où l’information manque. Envoyez-les au fournisseur avant la démonstration et posez les six questions sur ces trois cas. Un vrai agent IA traite les trois en montrant ses étapes ; un produit rebaptisé réussit le premier et contourne les deux autres.

Si vous préparez votre propre projet, un cadrage offert permet de vérifier si votre besoin appelle un agent, un workflow ou un simple chatbot, avec une proposition chiffrée ferme sous 5 jours. Les cas d’usage, les niveaux d’intégration et le point de départ (un agent qui consulte et répond dès 1 500 €, en production en 2 semaines) sont présentés sur la page création d’agents IA sur mesure.