Un chatbot est un terminal de saisie sophistiqué. Il reçoit un texte, appelle un modèle, retourne un texte. C'est tout. Pour des cas d'usage simples — FAQ, reformulation, premier tri de tickets — c'est suffisant. Pour automatiser un processus métier réel, c'est architecturalement insuffisant.
Les Agentic Workflows sont fondamentalement différents : ce sont des systèmes qui decomposent un objectif en tâches, choisissent et appellent des outils, maintiennent un état entre les étapes, et itèrent jusqu'à complétion — sans intervention humaine à chaque étape. Cette note explique le modèle technique et son impact sur les coûts opérationnels.
La différence architecturale : une comparaison concrète
Prenons un workflow d'achats dans une société de distribution marocaine : une demande d'achat arrive, il faut vérifier la disponibilité fournisseur, comparer les prix sur 3 bases de données, valider la conformité aux règles budgétaires, générer un PDF et envoyer un email à l'approbateur.
Implémentation chatbot
Le chatbot reçoit le texte de la demande et répond : « J'ai bien noté votre demande. Un membre de l'équipe va la traiter. » Ce n'est pas de l'automatisation. C'est un formulaire avec un modèle de langage greffé dessus.
Implémentation Agentic Workflow
L'agent reçoit la même demande et exécute :
- Étape 1 : Extraction de données structurées via un outil de reconnaissance d'entités (item, quantité, urgence, centre de coût)
- Étape 2 : Appels parallèles à 3 APIs fournisseurs — en concurrence, pas en séquence
- Étape 3 : Fonction de comparaison de prix avec contrôle du seuil de marge
- Étape 4 : Validation des règles budgétaires contre la base ERP
- Étape 5 : Génération du PDF via un outil de template engine
- Étape 6 : Envoi de l'email via un outil SMTP avec le PDF en pièce jointe
Temps total écoulé : 4 à 8 secondes. Zéro étape humaine. Audit trail complet.
Un graphe orienté acyclique (ou cyclique, pour les tâches itératives) d'étapes de raisonnement LLM et d'invocations d'outils, où le LLM agit comme planificateur et routeur — décidant quel outil appeler, avec quels paramètres, et si la sortie satisfait la condition de complétion. L'état est persisté entre les étapes via un checkpointer (Redis, PostgreSQL ou S3).
Multi-Agent Systems : quand un seul agent ne suffit plus
Les architectures à agent unique fonctionnent bien pour les workflows linéaires de moins de ~10 étapes. Au-delà, on heurte deux problèmes : saturation de la fenêtre de contexte (l'agent perd le fil des premières étapes) et single-point-of-failure (une erreur d'agent abandonne tout le workflow).
Les Multi-Agent Systems (MAS) résolvent les deux en décomposant le workflow sur des agents spécialisés qui communiquent via un bus de messages partagé ou des appels de fonctions directs :
Topologies MAS
- Supervisor/Subagent : Un agent coordinateur route les tâches vers des sous-agents spécialisés (extraction agent, validation agent, dispatch agent). Chaque sous-agent a un périmètre étroit et bien défini. C'est le pattern que nous utilisons pour la majorité des automatisations entreprise.
- Pipeline (séquentiel) : La sortie de l'Agent A devient l'entrée de l'Agent B. Simple à déboguer, parallélisme limité. Bien pour les chaînes de traitement de documents.
- Parallel (fan-out/fan-in) : Un coordinateur lance N agents simultanément, collecte les résultats, synthétise. À utiliser pour la recherche multi-sources, la validation parallèle, ou les tâches d'agrégation.
LangGraph : Le meilleur pour les workflows stateful complexes avec branchements conditionnels. L'abstraction de graphe correspond directement au diagramme de processus métier. Stable en production. À utiliser dès qu'il y a plus de 3 branches conditionnelles.
CrewAI : Meilleure ergonomie développeur pour les MAS basés sur des rôles. La métaphore "crew" fonctionne bien pour orchestrer des agents avec des personas distincts (chercheur, analyste, rédacteur). Moins adapté aux workflows entreprise déterministes.
Custom DAG : Quand on a besoin de garanties d'exécution déterministes, d'une latence minimale et d'une observabilité complète. Plus long à construire mais contrôle total. Nous l'utilisons pour les workflows financiers critiques.
Le problème des garde-fous : pourquoi la plupart des agents en production échouent
La raison la plus fréquente d'échec des systèmes agentiques en production n'est pas la qualité du modèle — c'est l'absence de garde-fous déterministes autour des sorties probabilistes.
Un LLM peut décider d'appeler le mauvais outil, générer un payload JSON malformé, ou produire une sortie plausible qui échoue à la validation métier. Sans garde-fous, ça se propage en aval.
La pile de garde-fous à 4 couches que nous déployons sur chaque agent en production
- Schema validation : Chaque payload d'appel d'outil validé contre un JSON Schema strict avant exécution. Modèles Pydantic en Python. Si le LLM génère un payload invalide, l'agent réessaie avec un message d'erreur (max 3 tentatives, puis escalade humaine).
- Couche de logique métier : Moteur de règles classique tournant en parallèle du planificateur LLM. Capture les violations de contraintes (budget dépassé, fournisseur non autorisé, item interdit) avant qu'elles n'atteignent l'exécution.
- Output classifier : Un classifieur ONNX léger (50 ms d'inférence) qui score chaque sortie d'agent en probabilité d'hallucination. Si confiance < 0.85, on route vers la file de revue humaine.
- Circuit breaker : Si un agent échoue 3 étapes consécutives, arrêt et escalade. Jamais laisser un agent défaillant boucler indéfiniment.
Chiffres ROI réels de déploiements marocains
Trois déploiements de 2025, anonymisés :
Cas A — SaaS B2B, Logistique (Casablanca)
- Workflow : traitement des devis fournisseurs et routage d'approbation
- Avant : 3 ETP, cycle moyen 72h, taux d'erreur 12%
- Après : 1 ETP de supervision, cycle 6 minutes, taux d'erreur 0,3%
- Économies mensuelles : 18 000 MAD. Coût infrastructure : 3 200 MAD/mois.
Cas B — Plateforme SaaS, Assurance (Rabat)
- Workflow : traitement de documents de sinistres et pré-screening fraude
- Avant : 8h de revue humaine par sinistre, capacité 340 sinistres/mois
- Après : pré-screen automatisé 12 minutes, capacité 2 400 sinistres/mois (×7 throughput)
- Taux de faux positifs en détection de fraude nettement inférieur à la revue manuelle
Cas C — Outil interne, Industrie (Tanger)
- Workflow : génération de rapports de contrôle qualité à partir de données capteurs
- Avant : 2h/équipe pour compiler manuellement les rapports
- Après : entièrement automatisé en 40 secondes. Les ingénieurs revoient le rapport, ils ne le produisent plus.
- Productivité annuelle récupérée : 2 920 heures d'ingénierie.
Par où commencer : l'audit de workflows
Avant de choisir un framework ou de dimensionner l'infrastructure, faites un audit de workflows. Parcourez votre produit et marquez chaque étape qui exige aujourd'hui qu'un humain : lise quelque chose, compare des options, applique une règle, produise une sortie. Voilà votre liste de candidats agent.
Ensuite, priorisez sur deux axes : fréquence (combien de fois par jour) × coût par exécution (temps × taux horaire). Les workflows dans le quadrant supérieur droit — haute fréquence, haut coût — sont vos premières cibles de déploiement.
Un agent ne remplace pas le jugement. Il remplace les 80% de travail qui n'exigent pas de jugement — le lookup, le formatage, le routage, la comparaison — pour que l'humain puisse se concentrer sur les 20% qui en exigent.