L’automatisation agentique, un logiciel qui raisonne et s’adapte aux tâches complètes, apparaît sur les cartes de développement des centres d’excellence en intelligence artificielle (AI CoE). Cependant, la méthode standard par laquelle les entreprises justifient leurs investissements en automatisation – heures économisées moins coûts de main-d’œuvre moins coûts de construction – a été conçue pour des outils basés sur des règles, comme l’automatisation des processus robotiques (RPA). Ce modèle ne prend pas en compte la plupart de la valeur que créent les agents.
Dans cette publication, nous présentons un cadre que les dirigeants de CoE en IA peuvent utiliser pour établir un cas d’usage commercial qui capture toute la valeur de l’automatisation agentique. Vous apprendrez pourquoi le modèle de retour sur investissement (ROI) de l’ère RPA est insuffisant, comment mesurer la valeur qu’il manque, et quels workflows méritent d’être automatisés avec des agents.
Pourquoi le cas d’affaires traditionnel échoue
Le modèle classique de retour sur investissement (ROI) a été développé pour des tâches stables, à haute volume et basées sur des règles : compter les transactions, mesurer les minutes, multiplier par un taux chargé, puis soustraire le coût de construction. La RPA a obtenu sa place selon ces critères.
Le modèle suppose le monde pour lequel il a été conçu. Il suppose que les processus sont stables, ce qui lui permet d’ignorer les coûts liés à l’entretien de l’automatisation en fonction des changements. Il suppose que les tâches sont basées sur des règles, ce qui signifie qu’il n’y a pas de ligne pour les exceptions. Il suppose que le travail est entièrement réalisé par l’humain, ce qui signifie qu’il ne compte jamais les coûts liés à la supervision humaine. De plus, il considère une heure économisée comme une valeur accumulée, alors que la capacité libérée se remplit souvent de nouveaux dossiers et ne atteint jamais le tableau de profit et de perte (P&L). Le manque de financement pour les tâches qui transforment les heures économisées en résultats est une erreur que McKinsey dit que les entreprises continuent de commettre : les transformations réussies de l’IA suivent un « 1:3:5 ». Pour chaque dollar investi dans la technologie agentique, les organisations dépensent trois dollars sur la réorganisation des processus et cinq dollars sur le développement et l’adoption des compétences. Cependant, la plupart des entreprises inversent complètement cette relation (McKinsey, “Agentic AI change management: Closing the adoption gap”, 2026).
Nous supposons que la valeur de l’automatisation réside dans la tâche, mais dans l’automatisation agentique, la plupart de cette valeur se trouve autour de la tâche : le jugement, les exceptions, la coordination entre les systèmes. Les véritables bénéfices proviennent de la réorganisation du flux de travail autour des agents, et non de l’insertion d’un agent dans un processus inchangé.
Les dimensions de valeur que le modèle ancien ne possède pas
Un meilleur cas d’étude commercial mesure quatre dimensions de valeur, ainsi que la condition qui détermine si elles atteignent les résultats financiers. Nous l’appelons le Modèle de valeur agentique.
Réduction du temps de travail. Cela compte toujours, mais les agents l’étendent aux tâches que les RPA à règles fixes ne peuvent pas gérer correctement ou qui nécessitent une logique d’exception étendue. La mesure reste la même. Les agents l’appliquent à une base de travail plus grande.
Gestion des exceptions. Les exceptions représentent une grande partie des coûts. Les directives d’AWS donnent des plages de planification : corriger une erreur peut coûter 1,5 à 4 fois le montant initial de l’opération, et les erreurs humaines peuvent représenter 2 à 15 % des coûts opérationnels (AWS Prescriptive Guidance, “Évaluation des coûts actuels liés aux processus humains”). Le multiplicateur de réécriture valorise les exceptions que votre équipe détecte. Le pourcentage d’erreurs valorise ceux qui échappent à la détection. Les cas uniquement liés au travail manquant les deux.
Qualité des décisions. Les agents peuvent appliquer une politique commune à grande échelle avec une justification enregistrée, bien que la cohérence et les taux d’erreur nécessitent une mesure continue. Comme le note AWS, « des décisions à faible volume mais de haut valeur pourraient justifier l’assistance agentique afin d’améliorer la qualité des décisions plutôt que de réduire les coûts » (AWS Prescriptive Guidance, “Understanding agentic AI economics”). Une seule décision améliorée dans les domaines du crédit, des prix ou des risques peut compenser un an de minutes économisées.
Changer la résilience et les coûts de maintenance. Cela s’applique dans les deux sens. Les scripts sont fragiles : lorsque un écran ou un système en amont change, ils se brisent et quelqu’un doit les reconstruire. Les agents absorbent une certaine variation sans avoir à être réécrits, mais ils transfèrent la maintenance vers les évaluations, les prompts et le monitoring, plutôt que de l’éliminer, et leur exécution entraîne ses propres coûts. Le gain lié à la maintenance des scripts fragiles est inférieur aux coûts de fonctionnement continus des agents ; donc, dans les processus qui changent souvent, les calculs peuvent pencher en faveur des agents, tandis que dans les processus figés, ce n’est pas le cas.
La condition qui régie les quatre cas est la réalisation de valeur : chaque avantage nécessite un mécanisme défini permettant de transformer une amélioration opérationnelle en valeur économique, ainsi qu’un propriétaire responsable. Pour le travail libéré, cela signifie réduire les dépenses ou rediriger la capacité vers un résultat mesurable et nommé.
Considérez un processus de tri des réclamations, avec des figures illustratives. Il gère 200 000 réclamations par an, en environ 12 minutes par réclamation (avant réaffectation), pour un coût horaire de 45 dollars, soit un coût de base d’environ 1,8 million de dollars. En automatisant 70 % des tâches, on libère environ 28 000 heures, ou soit une capacité de 1,26 million de dollars, avant le temps de supervision nécessaire pour ces réclamations. C’est là que la plupart des problèmes surviennent, car libérer des heures n’équivaut pas à économiser de l’argent. L’entreprise ne dépense moins que si elle emploie moins de personnes ou réduit les dépenses liées aux sous-traitants, aux heures supplémentaires ou à l’externalisation. Sinon, les mêmes personnes restent sur le tableau de salaire et les résultats financiers ne atteignent jamais les 1,26 millions de dollars. Si les pertes d’effectifs et les heures supplémentaires réduisent la moitié de ces dépenses, le chiffre devrait être d’environ 630 000 dollars, et non le montant total.
Le résultat le plus courant est la réaffectation des personnes ; la valeur correspond alors à ce qu’elles produisent maintenant. Pour chaque heure libérée, comptez la valeur réaffectée ou la réduction des coûts en argent, mais pas les deux en même temps. Ensuite, ajoutez ce que le cas où seuls les travailleurs sont impliqués ne peut voir. Sur les 8 pour cent nécessitant une correction (16 000 demandes), un coût de correction de 3,5 fois le coût d’handling d’environ 9 dollars par heure (12 minutes à 45 dollars par heure) donne environ 504 000 dollars d’exposition annuelle à la correction. C’est une base de référence, pas une valeur agentique. La valeur correspond à la part que l’agent retire : une réduction de 40 %, ajustée par un facteur de réalisation de 75 %, donne un bénéfice modélisé d’environ 151 000 dollars. Cela est avant de pondérer le coût d’une seule décision améliorée concernant les indicateurs de fraude. Comme la base de 12 minutes exclut les retraitements, cette réserve ne se chevauche pas avec la capacité libérée. Si votre base inclut le temps de retraitements, comptez ces économies dans une seule réserve. Cette version du cas produit un chiffre que la finance peut défendre.
Pour maintenir la cohérence mathématique, tous les puits de valeurs doivent avoir une taille identique et les coûts doivent être comptabilisés, comme indiqué dans le tableau suivant.
| Pool de valeurs | Baseline | Delta attendu | Facteur de réalisation | Propriétaire |
| Capacité libérée | Heures × taux chargé | % automatisé | Seulement si réaffecté à un résultat spécifique ou les dépenses diminuent | Ops leader |
| Exception et coût des erreurs | Coût de correction + pertes dues aux erreurs | Réduction attendue | Partie capturée | Qualité leader |
| Qualité de la décision | Valeur des meilleures décisions | Uplift par décision | Partie réclamable | Propriétaire du domaine |
| Changer la résilience et l’économie de la maintenance | Coût de dépannage des scripts + temps d’arrêt | Évité les reconstructions, accélération de l’adaptation des changements | Part des reconstructions évités, les coûts de l’agent comptabilisés une fois dans la formule | Chef d’ingénierie |
Indiquer tout cela en une seule ligne, attribuant chaque avantage à un groupe afin que la double comptabilisation ne puisse pas passer inaperçue : Valeur annuelle nette = valeur de la capacité réalisée + coûts d’évitement des corrections et erreurs + amélioration du résultat de la décision + évitement de la maintenance et du temps d’arrêt, moins coût d’implémentation annualisé, moins temps de fonctionnement, intégration, évaluation, supervision, gouvernance et gestion des changements, moins pertes liées à toute nouvelle erreur introduite par l’agent. Les erreurs que l’agent ne supprime pas restent en dehors du terme de coût évité ; ne les soustrairez-vous donc pas une seconde fois. Pour un programme pluriannuel, comptabilisez le coût d’implémentation dans l’année où vous l’utilisez plutôt que de le répartir annuellement, augmentez les avantages à mesure que l’adoption croît, et appliquez un rabais aux flux de trésorerie annuels pour obtenir la valeur actuelle nette (VAN).
Trois premières déploiements de Amazon Quick Automate, le service d’automatisation intégré à Amazon Quick, montrent les dimensions de son efficacité. Kitsa, une entreprise spécialisée dans la sélection de sites pour les essais cliniques, a automatisé l’extraction de plus de 50 points de données sur des centaines de milliers de sites web. L’entreprise a constaté une économie de coûts de 91 % et une accélération de l’acquisition des données de 96 %, avec une couverture de 96 %. Les cas peu fiables sont renvoyés aux revues (économie de temps et gestion des exceptions). Comme l’a indiqué Rohit Banga, cofondateur et CTO de Kitsa, dans un article du blog AWS Machine Learning, l’unification des données de sites de haute qualité à grande échelle a réduit un goulot d’étranglement essentiel. Cela permet à son Agent de recherche de sites de peser plus de sites avec une précision accrue.
dLocal, un fournisseur de paiements transfrontaliers, a automatisé jusqu’à 75 % des examens de conformité des commerçants dans des évaluations contrôlées. Cela a libéré les spécialistes pour les cas complexes et à haut risque (qualité des décisions) et a ajouté des vérifications continues pour détecter les écarts par rapport aux politiques en vigueur, ce que une revue manuelle périodique ne permettrait pas de faire (résistance aux changements). dLocal indique que les spécialistes qui passaient des heures sur les vérifications de routine passent maintenant ce temps sur les cas nécessitant un jugement réglementaire.
Et Genpact, automatisant les risques de la chaîne d’approvisionnement dans plusieurs systèmes SAP, rapporte une analyse de l’impact des interruptions passant de 2 à 3 jours à quelques minutes. C’est ce type de coordination intersystème que aucun système de référence ne peut gérer (économie de temps et qualité des décisions). Aucune de ces déploiements ne prouve l’existence des quatre pools, c’est pourquoi il est nécessaire de mesurer chacun individuellement.
Un cadre pour la priorisation
Évaluez le flux de travail de chaque candidat sur deux axes. Le premier est la complexité du task : l’ampleur de la réflexion, du contexte et de l’adaptation nécessaire. Le second est le risque de décision : le coût d’une erreur, qui détermine l’autonomie que vous pouvez accorder. Ces deux axes proviennent des directives économiques d’AWS, et ensemble ils forment une matrice 2x2 que le comité directeur peut utiliser.
Faible complexité, faible risque : gardez cela dans le RPA, car les agents augmentent les coûts sans apporter de valeur. Haute complexité, faible risque : c’est une stratégie de capacité, alors automatisez pour améliorer le débit et l’absorption des exceptions. Haute complexité, haut risque : c’est une stratégie de qualité de décision, alors gardez un humain dans le processus et justifiez les meilleures décisions. Faible complexité, haut risque : c’est une stratégie de contrôle, alors renforcez les contrôles autour de chaque étape plutôt que d’ajouter des raisons inutiles.
Un raccourci utile : si une personne se déplace entre différents systèmes et interprète un contexte ambigu à chaque étape, envisagez une approche agentique. Si le parcours reste déterministe, la RPA peut encore être moins coûteuse. Utilisez le Modèle de Valeur Agentique pour décider de ce qui doit être mesuré, et cette matrice pour choisir les priorités.
Figure 1 : Matrice de priorisation de l'automatisation agentique, avec des axes adaptés selon les Directives Prescriptives d’AWS et des classifications illustratives
Élaborer la justification pour la direction
Présentez l’investissement comme un portefeuille de processus plutôt que comme un seul projet. Les recherches de McKinsey montrent pourquoi les projets isolés échouent : près de deux tiers des entreprises ont expérimenté avec des agents, mais moins de 10 % les ont escalablis à un valeur tangible (McKinsey, “Scaling agentic AI with data transformations,” 2026). La valeur provient de la définition des résultats, de l’intégration profonde des agents dans les processus fondamentaux et de la rédesignation des modèles d’exploitation autour d’eux. Approchez la direction de trois à cinq domaines prioritaires, chacun avec son cas en quatre dimensions.
La seule chose qui peut convaincre un CFO sceptique est une règle de stop : planifier l’investissement avec des objectifs clairs de point d’équilibre et des points prédéfinis pour arrêter les agents de financement qui ne performent pas bien. Relier chaque domaine à un indicateur de performance clé (KPI) que la direction suit déjà, que ce soit le coût de service, le temps de cycle, le Net Promoter Score ou l’exposition à la conformité. Et traiter la gouvernance comme une manière de progresser plus rapidement : autonomie limitée, surveillance en cas de risque élevé, et auditabilité intégrée dans le design vous permettent d’élargir l’autonomie des agents à mesure que les preuves se accumulent.
Commencer avec Amazon Quick
Amazon Quick intègre la recherche, l’intelligence commerciale et l’automatisation dans une seule expérience agentique. Grâce à Quick Automate, son service d’automatisation, les équipes peuvent orchestrer des actions UI, des appels API et un examen humain au sein des flux de travail d’entreprise. Cela génère des données d’exécution au niveau des cas, que un CoE peut combiner avec des KPIs opérationnels et financiers pour mesurer la valeur réalisée.
Cette mesure transforme un premier projet en un portefeuille. Après avoir identifié les quatre puits de valeur, on les trouve partout où une personne se déplace entre les systèmes, interprète le contexte et gère manuellement les exceptions. On met un flux de travail en production, on calcule les puits de valeur et les coûts d’exploitation, on nomme un propriétaire et on prouve le chiffre. Ensuite, le portefeuille se développe à mesure que chaque nouveau flux de travail fournit des résultats.
Conclusion
La question est : où l’automatisation agentique apporte une valeur que vos outils existants ne peuvent pas, et comment prouver cela avant de dépenser. La discipline décrite dans cet article, qui consiste à évaluer chaque puits de valeur, à appliquer des facteurs de réalisation réalistes et à établir des règles de stop, est ce qui rend cette preuve crédible. Les équipes qui prouvent la valeur dans un seul flux de travail peuvent financer le suivant sur la base de résultats mesurés plutôt que sur des projections. Pour l’économie sous-jacente, un bon point de départ est les directives AWS sur l’économie de l’IA agentique.