Agents IA : ne pas confondre vitesse et précipitation

AgentKit a le mérite d’avoir facilité la construction d’agents pour un plus grand nombre d’équipes. Il offre un langage commun pour concevoir des agents : interface visuelle, prototypage accéléré, et un point de jonction entre modèles, données et outils. Pour les équipes qui doivent livrer des POC rapidement, c’est un vrai changement.

Mais ces bénéfices s’arrêtent souvent avant la première mise en production.

AgentKit évolue dans un écosystème fermé et dépend des modèles d’OpenAI. Son architecture est linéaire : chaque étape attend la précédente. Facile à déboguer en test, mais rigide dès que les workflows réels commencent à diverger. Parfait pour une démonstration produit, mais fragile dès que les processus se ramifient, se chevauchent ou sortent de l’ordre prévu.

La nouvelle fracture de l’IA : la vitesse face à la confiance

On voit déjà le schéma se répéter sur les forums développeurs : la première semaine, l’euphorie ; la deuxième, la frustration. Comme l’a résumé un ingénieur : « Tu peux construire un agent en un jour, mais tu ne peux pas le garder opérationnel un mois. »

Le plus difficile n’est pas de construire l’agent, mais de le garder stable, observable et explicable en production. AgentKit améliore le niveau de base. Le niveau supérieur — celui des agents fiables — reste réservé à ceux qui conçoivent pour la confiance dès le premier jour.

Les early adopters et l’illusion de la vitesse

Ces derniers mois, les premiers utilisateurs d’AgentKit ont montré à quelle vitesse on peut assembler et expédier des agents. Leurs démonstrations font le tour des réseaux : agents de codification de factures construits en quelques heures, workflows achats bouclés en un sprint, et équipes commentant leurs avancées en quasi temps réel. De quoi donner l’illusion que la vitesse d’itération devient un avantage stratégique.

Mais la vitesse n’est pas la résilience.

Un « avantage de vitesse » n’existe que si tout va parfaitement bien : un stack qui ne flanche jamais, un modèle jamais limité, des systèmes externes toujours réactifs, des règles internes qui ne changent pas.

La finance ne fonctionne pas comme ça. Elle valorise la constance, la traçabilité, et la capacité à se rétablir quand les choses dérapent. Un simple incident modèle, un appel API qui échoue, ou un chemin d’approbation désynchronisé peut effacer des semaines d’itération rapide.

Beaucoup d’early adopters construisent dans un écosystème fermé d’orchestration. Cela simplifie la v1, mais concentre aussi les risques. Si tous les agents dépendent de la même logique de routage et du même fournisseur, une défaillance peut paralyser tout le système.

Les ingénieurs décrivent ces frameworks de la même manière : « super pour les démos, fragile pour des workflows qui n’ont pas le droit de casser ».

Dans la finance, livrer vite n’a de sens que si ce que vous livrez continue de fonctionner. Le vrai avantage vient de la conformité et de la fiabilité, surtout quand l’environnement devient chaotique.

Pourquoi "scaler" n'est pas toujours synonyme d'intelligence

Dans nos secteurs, "scaler" est considéré comme un signe de progrès. Plus un système voit de données, plus il serait « intelligent ». Chaque interaction, chaque dataset s’ajouterait à sa compréhension.

Dans la finance, cette logique ne tient pas.

Les données financières ne se généralisent pas. Chaque entreprise dispose de son propre plan comptable, de ses circuits d’approbation, de sa configuration ERP. Les règles qui régissent les dépenses sont locales, précises, et légalement contraignantes. Ce qui ressemble à un pattern utile dans une organisation peut être une violation dans une autre. L’idée qu’une IA puisse apprendre d’une entreprise et appliquer cette logique à une autre fonctionne peut-être pour une application destinée au grand public. Pas pour la finance d’entreprise, cela mettrait en danger la conformité.

La bonne approche est donc de comprendre les limites de chaque environnement. L’intelligence financière vient du contexte : la capacité d’un agent à interpréter les politiques, respecter les permissions, et expliquer chacune de ses actions. Chaque seuil d’approbation, règle budgétaire et structure comptable est une source de vérité, pas un élément d’entraînement.

Ce type de progrès est donc intentionnellement plus lent. Ce qui compte n’est pas la quantité de données, mais la traçabilité et la justification de chaque décision, ainsi que sa capacité à être annulée si nécessaire.

Pour une orchestration libre mais contrôlée

Si AgentKit a rendu les agents plus simples à construire, la prochaine étape consiste à les rendre plus responsables.

Les systèmes qui auront de la valeur en finance n’exécuteront pas seulement des scripts. Ils raisonneront dans des limites claires. Ils sauront ce qu’ils peuvent décider, ce qu’ils doivent confirmer, et quand demander de l’aide.

C’est ce que nous appelons l’orchestration libre mais contrôlée : des agents autonomes dans leur planification, mais strictement gouvernés.

Ces agents cartographient des workflows multi-étapes en s’appuyant sur la politique, ils peuvent changer de modèle ou d’outil si la performance baisse et sont en mesure d'expliquer leurs décisions, en créant une trace de qui a agi, quand et pourquoi. Et lorsqu’ils dépassent leur cadre, ils escaladent avec le contexte nécessaire.

C’est une autonomie pragmatique, une liberté dans un périmètre sécurisé.

Cette philosophie fait partie de l’ADN de Payhawk. Bien avant que l'IA agentique ne devienne la nouvelle définition de l’innovation, plusieurs de nos fondateurs travaillaient déjà sur un logiciel capable de collecter de l’information dynamiquement, de vérifier sa complétude, puis d’agir.

Ce travail est décrit dans un brevet (Cognitive Flow), accordé en 2021. Il introduit des agents qui ne se déplacent pas en ligne droite, mais s’adaptent à ce qu’ils savent et à ce qu’ils doivent encore découvrir. Ce concept anticipait le problème que l’industrie rencontre aujourd’hui : la plupart des agents peuvent parler, mais très peu peuvent agir de manière responsable.

Cognitive Flow était une première réponse, une feuille de route pour un raisonnement adaptatif et une exécution contrôlée. Aujourd’hui, cette logique « collecter → confirmer → agir » est au cœur de la conception des agents financiers de Payhawk. Elle leur permet d’opérer sur les cartes de paiement, les factures, les achats, les voyages d'affaires et les ERP sans rompre la chaîne de confiance.

L’objectif n’est pas la vitesse pour la vitesse. C’est une fiabilité qui se renforce avec le temps.

Évaluation comportementale

L’autonomie n’a de valeur que si l’on peut prouver qu’elle se comporte correctement.

La plupart des métriques IA (accuracy, latence, benchmarks) mesurent la performance en isolation. Elles disent peu de choses sur ce qu’il se passe lorsqu’un workflow échoue à mi-parcours ou lorsque les conditions changent.

En finance, ce sont exactement ces moments qui comptent.

C’est pourquoi Payhawk développe l’évaluation comportementale comme couche de confiance pour les agents d’entreprise. Au lieu de tester la capacité d’un agent à répondre à un prompt, on mesure sa performance dans un processus gouverné.

Le but n’est pas d’évaluer son intelligence, mais sa fiabilité.

Avant que n’importe quel agent ne touche aux fonds de l’entreprise, il doit répondre à quatre questions simples :

1. A-t-il choisi le bon outil pour la tâche ?
2. En cas d’échec, s’est-il rétabli ou a-t-il répété l’erreur ?
3. Est-il resté dans les limites de la politique interne ?
4. Lorsqu’il avait besoin d’un humain, a-t-il escaladé avec suffisamment de contexte pour résoudre le problème rapidement ?

Ce sont ces comportements qui bâtissent la confiance.

Publier un score d’accuracy est facile, mais démontrer une fiabilité comportementale se mérite. C’est ce qui distingue une jolie démo d’un système qu’un DAF peut réellement adopter.

Comme l’a dit un DAF après avoir testé des agents : « Je me fiche qu’il réponde vite. Je veux être sûr qu’il ne fasse jamais une deuxième action sans permission. »

L’évaluation comportementale n’est pas encore un produit. C’est une norme que nous proposons, un principe fondamental pour la prochaine phase de l’automatisation financière. Une fois qu’on peut mesurer comment un agent se comporte sous pression, on peut enfin promettre des résultats en toute confiance.

Aller vers plus de confiance

Chaque vague technologique commence par la vitesse. Les pionniers prouvent ce qui est possible ; les autres tentent de suivre. Le vrai objectif, celui qui définira les prochaines années, consiste à prouver que ces systèmes se comportent correctement quand les enjeux sont élevés.

La finance est le test de résistance ultime. Elle ne pardonne pas les raccourcis et ne célèbre pas l’itération pour l’itération. Elle évalue la technologie comme un auditeur évalue un grand livre : par la traçabilité, l’exactitude et la responsabilité sous pression.

C’est pourquoi la prochaine phase de l’IA agentique ne sera pas définie par des modèles plus grands ou des interfaces plus rapides. Elle sera définie par la confiance et par des systèmes capables d’agir de manière autonome tout en respectant strictement les limites de la gouvernance.

L’industrie sait déjà construire des agents. Le vrai défi, maintenant, est de pouvoir leur faire confiance.

Découvrez comment les Agents IA natifs de Payhawk vont au-delà de la vitesse pour offrir une automatisation gouvernée, fiable et pensée pour la fonction finance.