.jpg)
Résumez cet article avec une IA :
Tout le monde veut des agents IA. Peu savent quand s'arrêter à une simple automatisation.
La confusion coûte cher : en temps de développement, en tokens, et parfois en fiabilité business.
Il existe une méthode simple pour trancher. Quatre questions, une réponse claire.
96 % des organisations déclarent utiliser des agents IA d'une façon ou d'une autre. Mais seulement 11 % en ont vraiment déployé en production — c'est ce que révèle l'étude State of AI Agents publiée par Databricks. Ce gap n'est pas un hasard. Il traduit une réalité que les posts LinkedIn occultent souvent : entre "tester un agent" et "faire tourner un agent sur des données réelles avec des conséquences business", il y a une décision à prendre — et une méthode pour la prendre.
La question de départ n'est jamais "quel outil ?". C'est : est-ce que ce problème exige de l'autonomie, ou est-ce qu'une règle fixe suffit ? Cet article donne les éléments pour y répondre honnêtement.
Workflow déterministe : quand "toujours pareil" est une force
Un workflow Make ou N8N fonctionne selon une logique binaire : si l'entrée est A, la sortie est B. Toujours. Cette prévisibilité n'est pas une limitation — c'est une garantie.
Pour un processus dont les étapes sont connues, les données structurées et les résultats attendus identiques à chaque exécution, un workflow classique surpasse un agent IA sur trois points : fiabilité (zéro écart de logique), coût (pas d'appel à un LLM, donc pas de tokens), et traçabilité (chaque étape est auditée nativement dans l'outil).
Envoyer un mail de bienvenue dès qu'un contact est créé dans le CRM : l'entrée est toujours structurée, la sortie est toujours la même. Un workflow Make règle ça en 3 nœuds, sans dépense d'API, sans risque d'écart.
La règle empirique : si on peut modéliser le process sous forme de liste numérotée ("d'abord ça, puis ça, puis ça") et que la liste ne change jamais, c'est un workflow.
Ce qu'un agent IA apporte vraiment
Un agent IA ne se réduit pas à "une IA qui fait des trucs". Sa différence fondamentale : il reçoit un objectif, raisonne avec un LLM, agit via des outils, et boucle jusqu'à ce que le résultat soit satisfaisant. Cette boucle d'exécution lui donne une capacité qu'un workflow n'a pas : adapter sa prochaine action en fonction du résultat précédent.
C'est décisif dans trois situations : traiter des données non structurées (un formulaire libre, un mail entrant, un verbatim client), exécuter un processus dont le nombre d'étapes varie selon le contexte, ou aller chercher de l'information avant de décider quoi faire.
Ce que l'agent ne fait pas mieux : tout ce qu'un workflow peut faire de manière déterministe. L'autonomie a un coût — en tokens, en supervision, en risque résiduel d'écart.
Les 4 critères pour trancher
Voici la matrice de décision. Pour chaque process envisagé, répondre aux 4 critères suffit à orienter le choix.
Si les quatre réponses penchent du côté "workflow" : rester sur Make ou N8N. Si au moins deux critères pointent vers l'agent (donnée variable, étapes imprévisibles), l'agent IA devient pertinent — à condition de cadrer la supervision.
La méthode en 4 questions
En pratique, la décision se prend en posant ces questions dans l'ordre. Dès qu'une réponse oriente clairement vers le workflow, inutile d'aller plus loin.
Questions à se poser avant de choisir
L'opposition workflow vs agent est souvent fausse. Le choix optimal est souvent un workflow avec un agent enchâssé sur la seule partie non-déterministe : qualifier un texte libre, extraire une intention, décider d'un routage. Le reste du process reste déterministe — et donc fiable à 100 %.
L'agent n'a pas à tout faire.
Il doit faire ce que le déterminisme ne peut pas faire — et rien de plus.
4 cas concrets : workflow, agent, ou les deux ?
Ces exemples illustrent comment appliquer la matrice en situation réelle. Dans chaque cas, la réponse découle directement des 4 critères.
Entrée structurée (déclencheur CRM), étapes fixes, zéro tolérance à l'erreur. Réponse : workflow. Un agent IA n'apporte rien ici — il ajoute du risque sans valeur.
Formulaire en texte libre, étapes variables selon la demande. Réponse : agent enchâssé dans un workflow. L'agent structure la donnée, le workflow crée la fiche CRM.
Questions ouvertes sur une base documentaire évolutive (réglementation, procédures). Réponse : agent IA avec RAG. Le workflow ne peut pas raisonner sur une base de connaissances changeante.
Verbatims libres à catégoriser + routage vers le bon service. Réponse : agent pour l'analyse, workflow pour le routage. Chaque partie fait ce qu'elle sait faire.
Dans trois des quatre exemples, la bonne architecture n'est ni "tout workflow" ni "tout agent" — c'est une combinaison où chaque partie fait ce qu'elle sait faire de manière fiable.
Ce qu'on ne vous dit pas assez souvent
Un agent IA bien conçu résout des problèmes réels. Mais plusieurs limites méritent d'être nommées avant de déployer, pas après.
Le déterminisme à 100 % n'existe pas avec un LLM. Pour une même entrée, un agent peut produire des sorties légèrement différentes selon le contexte passé et les paramètres du modèle. Ce n'est pas un bug — c'est la nature des LLM. Cela impose une supervision humaine sur les actions critiques.
Les coûts en tokens peuvent déraper. Sans limite d'itérations et sans budget de tokens défini, une boucle d'exécution peut s'emballer. Toujours borner le nombre maximum d'itérations et surveiller la consommation réelle vs estimée.
Multiplier les agents amplifie les écarts. Un agent à 5 % de déviation résiduelle, c'est gérable avec une supervision humaine. Vingt-cinq agents qui s'alimentent mutuellement, ce ne sont pas 5 % d'erreur au total — les écarts se propagent et se cumulent. L'orchestration d'agents à grande échelle est un sujet avancé qui exige une architecture spécifique, pas un raccourci vers l'autonomie complète.
Tout comprendre sur
workflow vs agent IA
Pour les dirigeants, responsables opérations et product builders qui veulent automatiser sans sur-engineer — ni sous-estimer ce que l'IA peut vraiment faire.
Aller plus loin
.png)
