Depuis quelques années, les systèmes d’information évoluent vers toujours plus d’automatisation. D’abord centrées sur l’exécution de tâches répétitives, ces automatisations ont progressivement intégré des capacités d’intelligence, jusqu’à faire émerger aujourd’hui une nouvelle génération de systèmes : les agents IA.

Cette évolution ne constitue pas simplement un progrès technologique. Elle marque un changement de paradigme : les systèmes ne se contentent plus d’exécuter des instructions ; ils comprennent, raisonnent, planifient et agissent.

Mais cette évolution ouvre un nouveau front de complexité : parvenir à faire fonctionner ensemble agents IA, applications existantes, données, processus métiers et tâches humaines.

À mes yeux, c’est l’un des sujets les plus critiques et souvent le plus sous‑estimé : le défi de l’orchestration des agents IA.

Revenons un instant sur cette évolution pour bien comprendre comment nous en sommes arrivés là…

La première étape : l’automatisation traditionnelle, fondée sur des systèmes strictement déterministes.

 On parle ici de mécanismes classiques de « pre‑defined automation » : des règles définies à l’avance, des scénarios figés, et un système qui exécute sans interpréter.

On retrouve ici des technologies bien connues : les scripts, les workflows ETL, le RPA, les moteurs d’intégration… ou encore, comme illustré dans cette image, une recette Workato construite à partir d’un besoin métier précis.

Leur promesse est simple et puissante : gagner du temps, réduire les tâches répétitives, améliorer la productivité opérationnelle.

Ce sont des systèmes simples, efficaces, et omniprésents dans les SI.

Mais ils montrent rapidement leurs limites : faible adaptabilité, forte dépendance à la conception initiale, difficulté à gérer les cas non prévus ou les exceptions métier.

En résumé, ce sont des systèmes performants… tant que le contexte reste stable, maîtrisé, et bien cadré.

Depuis fin 2023, et avec une réelle explosion en 2024, on a vu arriver les outils de GenAI

GenAI : un véritable boost côté conception.

On est alors clairement entré dans l’ère du design assisté, avec une IA qui ne remplace pas le développeur, mais qui l’accompagne et lui fait gagner un temps considérable.

 Ces outils de type copilote permettent désormais de générer du code, de produire de la documentation, d’accélérer la modélisation, de proposer des solutions techniques et bien plus encore. Dans ce modèle, l’IA agit comme un assistant de conception. Elle n’exécute pas directement les processus métiers, mais elle accélère leur création.

C’est une rupture majeure pour le monde du développement… et un changement notable pour les ESN.

Chez data-major, nous avons rapidement observé un impact concret sur nos modes de delivery : le temps de développement diminue, la barrière technique s’abaisse, la productivité des équipes augmente, et surtout le consultant peut se concentrer sur des tâches à plus forte valeur ajoutée.

Exemple : un consultant data peut aujourd’hui générer un SQL complexe en 30 secondes, quand il lui fallait parfois 20 minutes ou plus encore pour construire la même requête à la main.

Ces effets, tout le monde les a vus : les réseaux en débordent, les équipes en témoignent chaque jour. C’est une étape clé de l’évolution des systèmes d’information.

Mais il ne faut pas oublier un point essentiel : dans ce modèle, l’IA propose, mais l’humain valide. Elle reste un outil d’accélération, pas un acteur autonome. La responsabilité finale appartient toujours au développeur, à l’architecte, ou au consultant.

Mais très vite, l’IA ne s’est plus contentée d’accélérer la conception…

…elle s’est mise à intervenir directement dans les processus : on parle d’amélioration continue des opérations. On « augmente » les systèmes existants.

On reste dans des modèles encore déterministes, mais enrichis d’IA ; une sorte d’automatisation traditionnelle augmentée.

Concrètement, cela se traduit par des enrichissements automatiques de données, des mécanismes de détection d’anomalies, du routage intelligent, des décisions assistées en temps réel, de l’IDP, etc.

Quelques exemples que l’on retrouve chez nos clients :

• enrichissement automatique d’une fiche client via une IA de normalisation
• classification automatique d’un ticket IT,
• routage intelligent d’une demande RH,
• scoring automatique d’une commande e‑commerce,

Les systèmes deviennent alors hybrides : une partie repose sur des règles, l’autre sur des modèles d’IA.

Ces combinaisons apportent bien sûr davantage de flexibilité, une meilleure capacité à traiter des cas complexes, et une adaptation plus dynamique aux données.

On passe d’un système figé à un système augmenté.

Par rapport à l’automatisation traditionnelle on évolue mais on commence aussi à se poser d’autres questions : qu’est ce qui se passe si mon modèle IA hallucine ?  Comment vérifier que l’IA ne dégrade pas les opérations ? Qui est responsable en cas d’erreur créées par l’IA ? Comment garantir la qualité de données qui nourrissent l’IA ? Comment sécuriser les accès aux systèmes ? …

Et c’est là qu’apparaissent les enjeux de gouvernance. Pour maîtriser ces nouveaux risques, il devient indispensable d’encadrer l’IA par une gouvernance rigoureuse et des mécanismes de contrôle continus. Pour garantir que chaque décision respecte les règles métier, les niveaux de confiance attendus et les limites opérationnelles.

Donc maintenant dans ces modèles d’automatisation augmentée on se doit de réfléchir d’entrée à la gouvernance et à la supervision. Pour s’assurer que l’IA agit bien comme un renfort fiable des processus, sans jamais compromettre la sécurité ou l’intégrité du système.  Oui, on y gagne beaucoup… mais cela demande aussi des efforts pour contenir les risques.

Et c’est d’ailleurs l’un des premiers freins que nous observons chez certains de nos clients : cette difficulté à passer du mode « je fais des POC » au mode « je mets en production et j’expose mes métiers à l’IA ».

Et tout ça devient encore plus vrai…

…avec l’arrivée des agents IA, synonyme d’autonomie et de raisonnement.

Cette nouvelle étape est profondément structurante : elle oblige à embarquer non seulement des sujets de gouvernance et de supervision, mais aussi et surtout des enjeux d’orchestration. Vaste sujet !

Un agent IA se distingue par plusieurs capacités clés : il raisonne à partir d’un objectif, il planifie ses actions, il interagit avec des outils (APIs, bases de données, applications), il s’adapte au contexte et peut enchaîner des tâches de manière autonome.

Contrairement aux approches précédentes, l’agent ne suit pas un scénario pré-écrit. Il construit lui-même sa trajectoire pour atteindre un objectif. Il peut même prendre l’initiative de développer lui même un programme informatique qui l’aidera à atteindre son but !

Exemple : un agent peut analyser un message client, ouvrir un ticket, mettre à jour Salesforce, envoyer une relance, proposer une réponse, sans qu’un humain n’ait écrit ce scénario à l’avance.

Cette évolution est puissante et ouvre de nouvelles perspectives comme l’automatisation de tâches complexes, l’orchestration de systèmes hétérogènes ou par exemple la prise de décision contextualisée.

On passe ainsi d’un système piloté par des règles à un système capable de raisonnement dynamique.

On ne parle alors plus de modèles déterministes, mais de modèles probabilistes : capables de raisonner, d’adapter leur plan, mais aussi intrinsèquement soumis à une part d’incertitude.

Ce qui est génial, c’est que ces modèles ne se contentent pas d’exécuter des règles : ils évaluent, pondèrent, choisissent et ajustent leurs actions en fonction du contexte ; ce qu’un système déterministe est incapable de faire sans intervention humaine.
On a clairement franchi un cap.

Mais évidemment, ces modèles ont aussi leurs limites : ils peuvent produire des sorties différentes pour une même entrée, « halluciner » des réponses, manquer d’explicabilité, ou encore poser des risques liés à leurs permissions ou à leurs interactions avec d’autres agents.

D’où l’importance capitale d’une orchestration, d’une gouvernance stricte, d’un véritable control plane et d’une supervision active.

C’est le fameux défi que j’évoquais au début de cet article : si vous investissez dans des agents IA sans avoir réfléchi à la manière dont ils vont fonctionner avec vos systèmes existants, vos données et vos processus, vous construisez littéralement sur du sable mouvant. Pas top hein ?

C’est l’une des raisons majeures du décalage entre le succès des POC IA et la difficulté à les mettre en production.

Et c’est précisément là que Workato change la donne.

Avec Enterprise MCP, Workato apporte un véritable « control plane » pour les agents IA : une couche unique qui orchestre leurs actions, sécurise leurs permissions, injecte le contexte nécessaire, et transforme chaque intention d’agent en workflow aligné sur les règles métier.  

C’est l’infrastructure qui manque aujourd’hui à 95 % des projets IA pour passer enfin du POC à la production.

Dans un modèle MCP classique, chaque agent interagit directement avec les applications de manière improvisée : les workflows sont ad hoc, fragiles, difficiles à maintenir et impossibles à gouverner. Les appels API se multiplient dans tous les sens, sans véritable cohérence ni cadre.

On comprend immédiatement pourquoi ces architectures deviennent vite instables et ne passent jamais en production.

À l’inverse, Workato Enterprise MCP apporte une approche totalement différente : les workflows ne sont plus improvisés, ils sont vérifiés, tracés, encapsulés et gouvernés.

L’agent IA ne “bricole” plus son interaction avec les systèmes, il déclenche des « Enterprise Skills », comme onboarder un fournisseur, approuver une demande, traiter une facture.

Ces actions sont exécutées via des workflows Workato robustes, intégrant règles métier, garde‑fous, gestion des erreurs, compensation, validation humaine si nécessaire… bref, tout ce que l’entreprise attend d’un système d’exécution fiable.

Ce passage visuel “du chaos à la maîtrise” montre clairement ce que j’expliquais plus haut :
un agent IA ne devient vraiment utile que lorsqu’il est orchestré, sécurisé et supervisé par un vrai control plane. Et c’est exactement le rôle d’Enterprise MCP : transformer des idées d’agents en comportements opérationnels, alignés avec les exigences de production, de conformité et de sécurité d’une organisation moderne.

Et dans cette équation, data‑major apporte la pièce complémentaire : garantir que le “carburant” utilisé par les agents, la data, est fiable, gouvernée, contextualisée et maîtrisée.

Workato fournit le moteur d’orchestration, data‑major apporte la qualité et la gouvernance du carburant : c’est cette combinaison qui permet de déployer des agents IA en production, en confiance et à grande échelle !

Envie d’en savoir plus ? Rendez-vous dans notre webinar du 3 avril prochain 😉 !