La conception la plus robuste impose les états et les droits du processus, puis accorde au modèle une liberté mesurée là où l'interprétation apporte réellement de la valeur.
La plupart des processus d'entreprise ne devraient être ni entièrement déterministes, ni confiés sans réserve à un agent planificateur. La conception la plus robuste fixe les états du processus, les droits et les critères de sortie, puis laisse le modèle choisir une démarche uniquement dans les étapes où le contexte varie réellement. Cette autonomie bornée conserve la capacité d'adaptation sans rendre le résultat, le coût ou la reprise impossibles à prévoir.
La distinction est importante pour Atlensia. Une équipe autonome reçoit un rôle, un périmètre, des outils et des règles, mais ce mandat ne signifie pas qu'elle doit improviser chaque transition métier. Un agent peut interpréter une demande, rechercher des éléments probants ou proposer un ordre d'action. Le système doit encore décider quand le contexte est suffisant, quelle action est autorisée, quand un humain doit valider et comment un échec revient dans un état maîtrisé.
L'autonomie n'est pas une propriété de tout le processus
Les termes « workflow » et « agent » donnent parfois l'impression de désigner deux produits incompatibles. Ils décrivent plutôt deux manières d'orchestrer le travail. Dans un workflow déterministe, le code impose l'enchaînement des étapes. Dans un système piloté par un modèle, celui-ci choisit la prochaine étape à partir de l'objectif, de ce qu'il observe et des outils disponibles. Anthropic formule une distinction voisine entre workflows à chemins prédéfinis et agents qui dirigent dynamiquement leur usage des outils. La documentation d'orchestration de l'OpenAI Agents SDK oppose elle aussi l'orchestration par code, prévisible en coût et en comportement, à l'orchestration confiée au modèle.
Cette différence ne doit pas être tranchée une fois pour toutes au niveau de l'application. Un même processus peut recevoir une demande par une route fixe, utiliser un modèle pour la classer, appeler des sources selon un plan adapté, exiger une validation déterministe au-dessus d'un seuil, puis exécuter une action via un connecteur strictement typé. Le niveau d'autonomie devient alors une décision locale, attachée à chaque état, plutôt qu'un slogan appliqué à toute l'équipe.
C'est également une décision de produit. Plus le modèle choisit librement ses étapes, plus le système peut traiter de variations qui n'ont pas été codées à l'avance. Mais cette flexibilité accroît aussi l'espace des trajectoires à tester, la dispersion de la latence et du coût, ainsi que la difficulté à expliquer pourquoi deux demandes proches ont suivi des chemins différents. La question utile n'est donc pas « voulons-nous un agent ? », mais « à quel endroit la valeur de la planification dépasse-t-elle le coût du contrôle supplémentaire ? »
Trois modes de contrôle plutôt qu'un choix binaire
Trois modes couvrent la majorité des situations. Le workflow déterministe convient lorsque les entrées et les transitions sont connues. La planification bornée convient lorsque le chemin varie, mais que les états admissibles, les outils et les conditions d'arrêt peuvent être définis. La planification ouverte ne devient raisonnable que lorsque l'objectif ne peut pas être décomposé à l'avance, que l'environnement fournit un retour fiable et que les effets restent réversibles ou soumis à validation.
| Critère de décision | Workflow déterministe | Planification bornée | Planification ouverte |
|---|---|---|---|
| Variabilité des demandes | Faible et connue | Moyenne à forte, dans un domaine délimité | Forte et difficile à anticiper |
| Prochaine étape | Imposée par le code | Choisie parmi des transitions autorisées | Proposée dynamiquement par le modèle |
| Outils accessibles | Liste fixe par étape | Sous-ensemble lié à l'état courant | Ensemble plus large, toujours gouverné |
| Conséquence d'une erreur | Peut être élevée si les contrôles sont explicites | Faible à moyenne, ou validation avant effet élevé | Faible, réversible ou systématiquement validée |
| Prévisibilité du coût | Élevée | Mesurable par limites d'étapes et budgets | Plus faible, nécessite des plafonds stricts |
| Évaluation | Cas nominaux et branches connues | Trajectoires, transitions et critères d'arrêt | Résultat, comportement et résistance aux dérives |
| Reprise | Point de reprise prévu dans le code | Retour vers un état sûr ou escalade | Arrêt, confinement et transfert humain indispensables |
Ce tableau n'établit pas une hiérarchie de maturité. Un workflow fixe n'est pas un agent inachevé. Pour une clôture comptable, l'ordre des contrôles, la séparation des rôles et le verrouillage de la période ont une valeur métier en eux-mêmes. À l'inverse, préparer une synthèse de marché exige de choisir des requêtes, d'évaluer la pertinence des documents et de combler des lacunes qui ne se présentent jamais exactement de la même façon. La qualité vient de l'adéquation entre le mode de contrôle et la forme du travail.
Encadrer la planification avec une machine à états
Une machine à états permet de rendre ce compromis explicite. Elle ne décrit pas seulement les étapes heureuses. Elle définit les informations nécessaires pour quitter un état, les droits disponibles pendant celui-ci et la destination prévue lorsqu'une condition n'est pas satisfaite. Le modèle peut élaborer un plan pour compléter le contexte, mais il ne peut pas déclarer de lui-même qu'une action sensible est approuvée.
Schéma Atlensia : le modèle peut planifier à l'intérieur d'un état autorisé, tandis que le processus conserve des transitions explicites, des seuils de validation et une voie de reprise.
Dans ce modèle, l'état « contexte en préparation » est volontairement souple. L'agent peut consulter plusieurs sources autorisées, comparer des informations ou demander une précision. La transition vers « prêt à décider » reste cependant conditionnée par des preuves identifiables, une fraîcheur acceptable et l'absence de contradiction non résolue. Si ces conditions ne sont pas remplies, la bonne action n'est pas de deviner, mais de poursuivre la collecte ou de solliciter un humain.
La validation humaine ne doit pas non plus devenir un bouton ajouté à la fin. Elle correspond à une transition dont le validateur connaît la proposition, les éléments probants, l'effet attendu et les alternatives. NIST insiste sur la définition claire des rôles humains, des responsabilités et de la supervision dans les différentes configurations humain-IA. Pour un produit d'agents d'entreprise, cela se traduit par une règle simple : une validation ne vaut que si elle porte sur une décision compréhensible et si son résultat modifie réellement les droits d'exécution.
Le bon mode dépend surtout de l'effet métier
Prenons l'onboarding d'un fournisseur. La vérification de la présence des pièces requises, l'appel d'un registre précis et la création d'une fiche après approbation peuvent suivre un workflow déterministe. Les obligations sont connues et l'ordre des contrôles compte. En revanche, analyser une activité décrite dans des formats hétérogènes, rapprocher une raison sociale de documents incohérents et formuler les questions manquantes bénéficient d'une planification bornée. L'agent choisit comment établir le contexte, mais il ne change ni les règles d'éligibilité ni le seuil de validation.
Pour une veille concurrentielle, le rapport s'inverse. La manière de rechercher et de recouper les sources doit s'adapter au sujet. Une planification plus ouverte peut être utile tant que l'agent travaille en lecture, cite ses sources et ne publie rien sans contrôle. La transition vers une diffusion externe reste déterministe : vérification des affirmations, contrôle éditorial, sélection du canal et validation finale. L'autonomie est forte pendant l'exploration, beaucoup plus faible au moment où l'entreprise engage sa réputation.
Dans le support interne, la distinction se fait souvent entre information et transaction. Retrouver une procédure et proposer une réponse autorise une exploration encadrée. Modifier un droit d'accès, annuler une commande ou changer une donnée de paie exige une identité vérifiée, un périmètre explicite et parfois une seconde approbation. Deux demandes formulées dans la même conversation peuvent donc traverser des régimes d'autonomie différents. C'est le type d'effet, et non l'apparence conversationnelle, qui doit commander le contrôle.
Tester une trajectoire, pas seulement une réponse
Une évaluation centrée sur la réponse finale manque une partie essentielle du risque. Un agent peut produire une conclusion correcte après avoir interrogé une source non autorisée, contourné une étape de validation ou consommé dix fois le budget attendu. À l'inverse, un arrêt motivé face à des preuves insuffisantes peut être le meilleur résultat. L'évaluation doit donc couvrir le chemin suivi, les outils appelés, les transitions demandées, les critères d'arrêt et l'effet réellement observé.
Pour un workflow déterministe, les tests portent naturellement sur chaque branche, les erreurs de connecteur et l'idempotence des reprises. Pour une planification bornée, il faut ajouter des jeux de scénarios qui varient les pièces manquantes, les contradictions, l'indisponibilité d'une source et les tentatives de franchissement d'un droit. Pour une planification plus ouverte, l'évaluation doit aussi mesurer la stabilité de l'objectif, le nombre d'étapes, le coût, la capacité à reconnaître une impasse et le comportement lorsqu'un outil renvoie un résultat ambigu.
La recherche d'Anthropic sur les agents fiables décrit l'agent comme une boucle planifier, agir, observer et ajuster, insérée dans plusieurs couches comprenant le modèle, le harnais d'exécution, les outils et l'environnement. Cette lecture rappelle qu'une erreur n'est pas toujours une mauvaise génération. Elle peut venir d'une permission trop large, d'un retour d'outil incomplet ou d'un environnement qui ne permet pas de confirmer l'effet. Tester la trajectoire oblige à attribuer le problème à la bonne couche, donc à corriger autre chose que le prompt lorsque c'est nécessaire.
Concevoir le minimum d'autonomie suffisant
Le point de départ consiste à décrire l'effet métier acceptable avant de choisir l'orchestration. Il faut identifier l'objet modifié, la personne ou le système qui en est propriétaire, la manière de confirmer le résultat et le coût d'une annulation. Une action en lecture, réversible et facilement vérifiable supporte davantage d'exploration qu'une écriture externe difficile à corriger. Ce classement donne une limite à la planification avant même de discuter du modèle.
Il faut ensuite relever les endroits où les cas réels divergent. Si les variations se résument à quelques branches stables, le code reste plus lisible et moins coûteux. Si les entrées sont hétérogènes mais que l'état de sortie peut être spécifié, la planification bornée devient pertinente. Elle doit recevoir un budget d'étapes, des outils limités, des critères de preuve et une sortie structurée. Google présente ses agents de workflow séquentiels, parallèles ou en boucle comme des orchestrateurs prédéfinis et prévisibles, ce qui illustre la valeur de primitives simples même dans une application agentique.
Enfin, il faut prévoir la reprise avant le premier déploiement. Chaque état doit répondre à trois questions : que savons-nous, que peut faire l'agent maintenant et où va la demande si cette action échoue ? Une reprise sûre peut être une nouvelle tentative idempotente, un retour à la collecte, une mise en attente ou une escalade avec le dossier déjà constitué. Sans cette voie, la planification ne crée pas de l'autonomie opérationnelle. Elle déplace seulement les exceptions vers des personnes qui doivent reconstruire le contexte après coup.
Conclusion
Le meilleur système n'est pas celui qui laisse le modèle prendre le plus de décisions. C'est celui qui place chaque décision au bon niveau. Les séquences stables, les droits, les seuils et les effets sensibles gagnent à rester déterministes. L'interprétation, la recherche et l'adaptation à des entrées variables peuvent être confiées à un agent dans un espace borné. La planification ouverte reste un choix ciblé pour des objectifs exploratoires, avec des effets réversibles et une capacité réelle d'arrêt.
Pour Atlensia, cette approche transforme le périmètre d'une équipe autonome en mécanisme exécutable. Le rôle définit la mission, les états structurent le travail, les outils délimitent l'action et les validations protègent les transitions importantes. On ne mesure plus l'autonomie au nombre de décisions improvisées, mais à la capacité de progresser utilement sans sortir d'un mandat explicite.
Sources primaires
Atlensia, présentation des équipes autonomes et de leur gouvernance
Anthropic, « Building effective agents », 19 décembre 2024
Anthropic, « Trustworthy agents in practice », 9 avril 2026
OpenAI Agents SDK, documentation sur l'orchestration multi-agent
Google Agent Development Kit, documentation sur les agents de workflow
NIST, « Artificial Intelligence Risk Management Framework 1.0 », janvier 2023