Le marché des agents IA : les acteurs qui comptent

Le marché des agents IA est difficile à lire, parce qu’il mélange des catégories différentes : des modèles, des frameworks, des plateformes, des outils sans code. Les uns fournissent la matière première, les autres la structure, d’autres encore le produit fini.

Cette confusion a un coût : on compare des choses incomparables, on croit choisir un produit alors qu’on choisit une fondation technique. Pour décider, il faut d’abord comprendre qui fait quoi dans cette chaîne.

Cet article dresse la carte des acteurs qui comptent, par couche, avec pour chacun ce qu’il apporte réellement et ce qu’il ne fait pas. Vous pourrez l’utiliser pour situer un produit dans le paysage avant de vous engager.

Les modèles, le socle

Tout agent repose sur un grand modèle de langage, et c’est là qu’il faut commencer la lecture. Les principaux fournisseurs, OpenAI (GPT), Anthropic (Claude) et Google (Gemini), fournissent leurs modèles via des API, que l’on paie à l’usage, aussi accessibles via Azure OpenAI ou Amazon Bedrock. Mistral offre une alternative européenne, et les modèles ouverts (Llama, DeepSeek, Qwen) peuvent être hébergés chez vous. La concurrence y est féroce, et les prix baissent régulièrement.

Ce qui compte pour un acheteur n’est pas tant le classement du modèle que sa stabilité, son coût et sa disponibilité. Un modèle de pointe coûteux convient à des tâches difficiles et peu fréquentes ; un modèle plus modeste et moins cher convient à du volume. La plupart des systèmes sérieux combinent les deux. Pour le détail des options, voir notre article sur le choix entre DeepSeek, Claude et GPT.

Le point important est que le modèle est un composant, pas un produit. Le choisir est nécessaire, mais cela ne vous donne ni l’application, ni la connexion à vos outils, ni la maîtrise de la qualité. Ce sont les couches suivantes qui apportent cela.

Les frameworks de développement

Au-dessus des modèles se trouvent les frameworks, des bibliothèques qui aident les développeurs à construire des agents et des chaînes : enchaîner des appels, gérer des outils, structurer un RAG. Les plus connus sont open source, comme LangChain et LangGraph, qui représente la logique d’agent en graphe, LlamaIndex orienté RAG, ou CrewAI et AutoGen pour les systèmes à plusieurs agents. Les fournisseurs de modèles ont aussi les leurs : l’OpenAI Agents SDK et le Claude Agent SDK. Le protocole MCP (Model Context Protocol), désormais pris en charge par la plupart de ces outils, standardise la connexion d’un agent à vos outils et à vos données.

Ces frameworks apportent de la structure et de la vitesse de développement, au prix d’une dépendance : vous construisez sur leurs choix, et leurs évolutions vous concernent. Pour une équipe technique, ce sont des outils de travail, pas des produits à acheter.

Leur rôle dans le paysage est de fournir le langage commun et les briques réutilisables. Ils ne sont pas visibles par l’utilisateur final, mais ils déterminent la façon dont les intégrations seront construites et maintenues.

Les plateformes et assistants intégrés

La couche la plus visible est celle des plateformes : les grands éditeurs de logiciels et les fournisseurs de modèles intègrent des agents directement dans leurs produits, dans la messagerie, dans la suite bureautique, dans le CRM. Microsoft Copilot dans Microsoft 365, Gemini dans Google Workspace, Agentforce chez Salesforce, les agents de Zendesk ou de HubSpot : l’utilisateur obtient un assistant sans rien construire. Copilot Studio permet d’aller un cran plus loin en configurant ses propres agents dans l’écosystème Microsoft.

Cette voie est la plus rapide à adopter, mais elle donne le moins de contrôle : les données passent par des services externes, les comportements sont définis par l’éditeur, et la personnalisation reste dans les limites prévues. C’est souvent le bon point de départ pour une PME, avant de construire du sur-mesure.

La question à se poser est celle de la dépendance : ce qui est simple à adopter aujourd’hui peut devenir coûteux à quitter demain. Un produit fermé qui tient vos données et vos automatisations mérite d’être choisi en connaissance de cause, et si ces données sont sensibles, la question de l’hébergement et du modèle se pose dès le départ (c’est le sujet de l’IA souveraine).

Les outils d’orchestration sans code

Entre le framework et la plateforme, il existe une catégorie en forte croissance : les outils d’orchestration visuels, comme n8n, Make, Zapier ou Power Automate. Ils permettent d’assembler des flux qui combinent des modèles, des services et des déclencheurs, sans écrire de code.

Ils abaissent le seuil d’entrée et accélèrent la construction de premiers automatismes. Leur limite apparaît sur les cas complexes : quand la logique dépasse ce que le schéma peut exprimer, ou quand il faut tester et maintenir sérieusement, le code reprend l’avantage.

Ils occupent une place réelle dans le paysage : celle des automatisations simples et nombreuses, typiquement sur n8n, que l’on veut pouvoir modifier vite. Pour les agents qui portent des processus critiques, ils ne remplacent pas une construction maîtrisée.

Ce que cela change pour un acheteur

Pour une PME qui veut se lancer, cette carte change la façon de poser le problème. La question n’est pas « quel est le meilleur agent ? », mais « quelle couche me convient, à mon niveau de maturité et pour mon besoin ? ».

Trois chemins se dessinent. Adopter un assistant intégré pour un besoin simple et immédiat. Assembler des automatisations avec un outil sans code pour des flux répétitifs. Faire construire un agent sur mesure, sur un framework, pour un processus qui touche au cœur du métier. Ces chemins ne s’excluent pas, ils se complètent dans le temps.

Ce qui compte est de choisir en fonction du besoin et de la capacité à maintenir. Le produit le plus visible n’est pas le mieux adapté à votre situation.

Comment lire ce marché sans se laisser porter

Le marché évolue vite, et les noms qui comptent aujourd’hui ne seront pas nécessairement ceux qui compteront demain. La bonne façon de lire ce mouvement est de regarder ce qui est stable : les couches, les fonctions, les questions de contrôle et de coût.

Les couches décrites ici restent valides même si les acteurs changent. On aura toujours besoin d’un modèle, d’une structure de développement ou d’orchestration, d’un produit fini. Ce qui bouge, ce sont les prix, les performances, les frontières entre ces couches.

Une couche transversale prend aussi de l’importance : la mesure de la qualité. Langfuse, LangSmith ou Promptfoo servent à suivre et tester un agent quel que soit le framework choisi, et c’est souvent ce qui sépare un prototype d’un agent tenu en production.

Pour voir ce que donnent ces outils hors démonstration, ce cas d’une plateforme e-commerce qui utilise des agents IA au quotidien est parlant.

Passer à l’action : vous orienter dans ce marché

Une manière simple de vous repérer dans ce marché : pour chaque besoin, demandez-vous qui doit pouvoir modifier le comportement de l’agent, où vont les données, et qui le maintiendra dans un an. Les réponses vous placent presque toujours dans l’une des trois voies décrites plus haut.

Quand la réponse est le sur-mesure, parce que l’agent touche à un processus central ou à des données que vous ne voulez pas confier à un éditeur, c’est le travail de notre équipe, spécialisée en développement agentique, avec un lead technique par projet. Les cas d’usage qu’on traite, du support client à la finance, sont présentés sur la page construire un agent IA.