A chatbot is a sophisticated input terminal. It receives text, calls a model, returns text. That's the entire architecture. For simple use cases — FAQ, reformulation, first-pass ticket triage — it's sufficient. For automating a real business process, it's architecturally inadequate.
Agentic Workflows are fundamentally different: they decompose a goal into tasks, select and invoke tools, maintain state across steps, and iterate until completion — without human intervention at each step. This article covers the technical model and its impact on operational costs.
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.
الشات بوت هو terminal متطور للإدخال. كيستقبل النص، كيستعمل model، وكيرجع النص. هادي هي المعمارية كاملة. للحالات البسيطة — FAQ، إعادة الصياغة، التصنيف الأولي ديال الـ tickets — كافي. ولكن باش تأتمت بروسيس حقيقي ديال البزنس، ماشي كافي معمارياً.
الـ Agentic Workflows مختلفين بزاف: كيقسمو الهدف ل tasks، كيختارو ويستعملو الـ tools، كيحتافظو بالـ state بين المراحل، وكيدورو حتى يكمل الخدمة — بلا ما يدخل الإنسان فكل خطوة. هاد المقال كيشرح النموذج التقني والتأثير ديالو على التكاليف.
The Architectural Difference: A Concrete Comparison
Consider a procurement workflow in a Moroccan distribution company: a purchase request arrives, needs supplier availability check, price comparison across 3 databases, compliance check against budget rules, PDF generation, and email dispatch to the approver.
Chatbot implementation
The chatbot receives the request text and responds with "I've noted your request. A team member will process it." That's not automation. That's a form with a language model bolted on.
Agentic Workflow implementation
The agent receives the same request and executes:
- Step 1: Structured data extraction via an entity recognition tool (item, quantity, urgency, cost center)
- Step 2: Parallel tool calls to 3 supplier APIs — concurrent, not sequential
- Step 3: Price comparison function with margin threshold check
- Step 4: Budget rule validation against the ERP database
- Step 5: PDF generation via template engine tool
- Step 6: Email dispatch via SMTP tool with the generated PDF attached
Total elapsed time: 4-8 seconds. Zero human steps. Full audit trail.
A directed acyclic graph (or cyclic, for iterative tasks) of LLM reasoning steps and tool invocations, where the LLM acts as a planner and router — deciding which tool to call, with what parameters, and whether the output satisfies the task completion condition. State is persisted across steps via a checkpointer (Redis, PostgreSQL, or S3-backed).
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).
الفرق المعماري : مقارنة عملية
خوذو workflow ديال الشراء فشركة توزيع مغربية : طلب شراء كيوصل، خاصو verification ديال الفورنيسور، مقارنة ديال الأثمنة على 3 قواعد بيانات، تحقق من القواعد ديال الميزانية، توليد PDF، وإرسال email للمسؤول.
التطبيق ديال الشات بوت
الشات بوت كيستقبل الطلب وكيرد : "سجلنا الطلب ديالك. واحد من الفريق غادي يعالجو." هادي ماشي أتمتة. هادي formulaire وحطو فيه model ديال اللغة.
التطبيق ديال Agentic Workflow
الـ agent كيستقبل نفس الطلب وكيدير :
- الخطوة 1 : استخراج البيانات بأداة entity recognition (item، الكمية، الاستعجال، cost center)
- الخطوة 2 : استدعاءات بالتوازي ل 3 APIs ديال الفورنيسور — بزوج، ماشي بالتتابع
- الخطوة 3 : دالة مقارنة الأسعار مع فحص الـ margin
- الخطوة 4 : تحقق من قواعد الميزانية فقاعدة بيانات ERP
- الخطوة 5 : توليد PDF ب template engine
- الخطوة 6 : إرسال email ب SMTP مع PDF
الوقت الكلي : من 4 ل 8 ثواني. صفر خطوة بشرية. Audit trail كامل.
graph موجه (acyclic ولا cyclic للمهام التكرارية) من خطوات تفكير LLM واستدعاءات tools، فين الـ LLM كيلعب دور planner و router — كيقرر شنو tool يستعمل، بأي بارامترات، وواش الخروج كيوافق شرط الإكمال. الحالة كتبقى محفوظة بين الخطوات ب checkpointer (Redis، PostgreSQL، ولا S3).
Multi-Agent Systems: When One Agent Is Not Enough
Single-agent architectures work well for linear workflows with under ~10 steps. Beyond that, you hit two problems: context window saturation (the agent loses track of early steps) and single-point-of-failure (one agent error aborts the entire workflow).
Multi-Agent Systems (MAS) solve both by decomposing the workflow across specialized agents that communicate through a shared message bus or direct function calls:
MAS Topology Options
- Supervisor/Subagent: A coordinator agent routes tasks to specialized subagents (extraction agent, validation agent, dispatch agent). Each subagent has a narrow, well-defined scope. This is the pattern we use for most enterprise automation.
- Pipeline (sequential): Agent A's output becomes Agent B's input. Simple to debug, limited parallelism. Good for document processing chains.
- Parallel (fan-out/fan-in): A coordinator spawns N agents simultaneously, collects results, synthesizes. Use for multi-source research, parallel validation, or aggregation tasks.
LangGraph: Best for complex stateful workflows with conditional branching. The graph abstraction maps directly to your business process diagram. Production-stable. Use for anything with more than 3 conditional branches.
CrewAI: Better developer ergonomics for role-based MAS. The "crew" metaphor works well for orchestrating agents with distinct personas (researcher, analyst, writer). Less suited for deterministic enterprise workflows.
Custom DAG: When you need deterministic execution guarantees, minimal latency overhead, and full observability. Takes longer to build but gives you complete control. We use this for production-critical financial workflows.
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.
Multi-Agent Systems : فاش agent واحد ماكافيش
المعمارية ب agent واحد كتخدم مزيان للـ workflows الخطية اللي فيها أقل من ~10 خطوات. فوق هاد العدد، كتلقى جوج مشاكل : saturation ديال context window (الـ agent كينسى الخطوات الأولى) و single-point-of-failure (خطأ واحد كيوقف كلش).
الـ Multi-Agent Systems (MAS) كيحلو الجوج، بتقسيم الـ workflow على agents متخصصين كيتواصلو ب message bus مشترك ولا function calls مباشرة :
الطوبولوجيات ديال MAS
- Supervisor/Subagent : agent منسق كيوجه المهام ل subagents متخصصين (extraction، validation، dispatch). كل subagent عندو scope محدود ومضبوط. هاد الـ pattern هو اللي كنستعملو لمعظم الأتمتة ديال الشركات.
- Pipeline (تسلسلي) : الخروج ديال Agent A كيولي دخول ل Agent B. ساهل تديبوغو، parallelism محدود. مزيان لسلاسل معالجة الوثائق.
- Parallel (fan-out/fan-in) : منسق كيطلق N agents فنفس الوقت، كيجمع النتائج، كيركب. استعملو للبحث من مصادر متعددة، validation بالتوازي، ولا مهام التجميع.
LangGraph : الأحسن للـ workflows stateful المعقدة مع branching شرطي. الـ graph كيتطابق مع schema ديال البزنس. Stable فالإنتاج. استعملو ملي يكون عندك أكثر من 3 branches شرطية.
CrewAI : ergonomie أحسن للمطورين فالـ MAS المبنية على الأدوار. ميتافور ديال "crew" كتخدم مزيان مع agents بpersonas مختلفة (باحث، محلل، كاتب). أقل ملاءمة للـ workflows ديترمينيستية ديال الشركات.
Custom DAG : ملي تحتاج ضمانات execution ديترمينيستية، latency ضعيف، و observability كاملة. كيخذي وقت أكثر باش تبنيه ولكن كيعطيك التحكم الكامل. كنستعملوه للـ workflows المالية الحساسة.
The Guardrail Problem: Why Most Production Agents Fail
The single most common reason agentic systems fail in production is not model quality — it's the absence of deterministic guardrails around probabilistic outputs.
An LLM can decide to call the wrong tool, generate a malformed JSON payload, or produce a plausible-sounding output that fails business validation. Without guardrails, this propagates downstream.
The four-layer guardrail stack we deploy on every production agent
- Schema validation: Every tool call payload validated against a strict JSON Schema before execution. Pydantic models in Python. If the LLM generates an invalid payload, the agent retries with an error message (max 3 retries, then escalate to human).
- Business logic layer: Classical rule engine running in parallel with the LLM planner. Catches constraint violations (budget exceeded, unauthorized supplier, restricted item) before they reach execution.
- Output classifier: A lightweight ONNX classifier (50ms inference) that scores each agent output for hallucination probability. If confidence < 0.85, route to human review queue.
- Circuit breaker: If an agent fails 3 consecutive steps, halt and escalate. Never let a failing agent loop indefinitely.
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.
مشكل الـ Guardrails : علاش معظم الـ agents كيفشلو فالإنتاج
السبب الأكثر شيوعاً ديال فشل الـ agentic systems فالإنتاج ماشي جودة الـ model — هو غياب guardrails ديترمينيستية حوالين الخروج probabilistic.
الـ LLM يقدر يقرر يستعمل tool غلط، يولد JSON payload خاسر، ولا يطلع خروج كيبان معقول ولكن كيفشل فالـ validation. بلا guardrails، هاد الشي كيمشي حتى لتحت.
الـ stack ديال 4 طبقات guardrails اللي كنحطو على كل agent فالإنتاج
- Schema validation : كل payload ديال tool call كيتم validation ديالو بـ JSON Schema قبل التنفيذ. Pydantic models فـ Python. إلا الـ LLM ولد payload غلط، الـ agent كيعاود مع رسالة الخطأ (3 محاولات بالكثر، ومن بعد escalation للإنسان).
- طبقة Business logic : rule engine كلاسيكي كيخدم بالتوازي مع LLM planner. كيمسك violations ديال القيود (الميزانية تجاوزت، فورنيسور غير مرخص، item ممنوع) قبل ما توصل للتنفيذ.
- Output classifier : classifier ONNX خفيف (50ms inference) كيعطي score لكل خروج ديال الـ agent على احتمال hallucination. إلا confidence < 0.85، كيتوجه لصف review بشري.
- Circuit breaker : إلا agent فشل 3 خطوات متتالية، وقف وعمل escalation. عمرك ما تخلي agent فاشل يدور بلا حدود.
Real ROI Numbers from Moroccan Deployments
Three deployments from 2025, anonymized:
Case A — B2B SaaS, Logistics (Casablanca)
- Workflow: supplier quote processing and approval routing
- Before: 3 FTEs, 72h average cycle, 12% error rate
- After: 1 FTE oversight, 6-minute cycle, 0.3% error rate
- Monthly savings: MAD 18,000. Infrastructure cost: MAD 3,200/month.
Case B — SaaS Platform, Insurance (Rabat)
- Workflow: claims document processing and fraud pre-screening
- Before: 8h human review per claim, 340 claims/month capacity
- After: 12-minute automated pre-screen, 2,400 claims/month capacity (7× throughput)
- False positive rate on fraud detection: 4.2% (vs. 9.1% manual)
Case C — Internal Tooling, Manufacturing (Tangier)
- Workflow: quality control report generation from sensor data
- Before: 2h/shift for manual report compilation
- After: Fully automated in 40 seconds. Engineers review the report, not produce it.
- Annual productivity reclaimed: 2,920 engineering hours.
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 : 4,2% (vs 9,1% manuel)
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.
أرقام ROI حقيقية من Deployments مغربية
3 deployments من 2025، بأسماء مخفية :
الحالة A — SaaS B2B، لوجستيك (الدار البيضاء)
- Workflow : معالجة devis ديال الفورنيسور و routing ديال الموافقة
- قبل : 3 FTEs، دورة متوسط 72 ساعة، نسبة الأخطاء 12%
- من بعد : 1 FTE للإشراف، دورة 6 دقائق، نسبة الأخطاء 0.3%
- التوفير الشهري : 18,000 درهم. تكلفة infrastructure : 3,200 درهم/الشهر.
الحالة B — منصة SaaS، تأمين (الرباط)
- Workflow : معالجة وثائق المطالبات و pre-screening ديال الغش
- قبل : 8 ساعات review بشري لكل مطالبة، السعة 340 مطالبة/الشهر
- من بعد : pre-screen مؤتمت ف 12 دقيقة، السعة 2,400 مطالبة/الشهر (7× throughput)
- نسبة false positives ف كشف الغش : 4.2% (vs 9.1% بشكل يدوي)
الحالة C — أداة داخلية، صناعة (طنجة)
- Workflow : توليد تقارير quality control من البيانات ديال sensors
- قبل : 2 ساعة/shift باش يديرو تقرير يدوي
- من بعد : مؤتمت كلياً ف 40 ثانية. المهندسين كيراجعو التقرير، ماشي كيديروه.
- الإنتاجية السنوية اللي تسترجعت : 2,920 ساعة هندسة.
Where to Start: The Workflow Audit
Before selecting a framework or sizing infrastructure, do a workflow audit. Walk through your product and mark every step that currently requires a human to: read something, compare options, apply a rule, and produce an output. That is your agent candidate list.
Then prioritize by two axes: frequency (how many times per day) × cost per execution (time × hourly rate). The workflows in the top-right quadrant — high frequency, high cost — are your first deployment targets.
An agent does not replace judgment. It replaces the 80% of work that does not require judgment — the lookup, the formatting, the routing, the comparison — so that the human can focus on the 20% that does.
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.
منين تبدا : audit ديال الـ workflows
قبل ما تختار framework ولا تحدد الـ infrastructure، دير audit ديال الـ workflows. دوز على المنتج ديالك وعلّم كل خطوة اللي كيخصها الإنسان : يقرا حاجة، يقارن خيارات، يطبق قاعدة، ويطلع خروج. هادي هي اللائحة ديال الـ agents المرشحين.
من بعد، حدد الأولويات على محورين : التكرار (شحال من مرة فالنهار) × التكلفة لكل execution (الوقت × الأجر بالساعة). الـ workflows اللي فالربع لفوق ليمين — تكرار عالي، تكلفة عالية — هما أول الأهداف ديال النشر.
الـ agent ماكيعوضش الحكم. كيعوض الـ 80% ديال الخدمة اللي ماخاصهاش حكم — البحث، formatting، routing، المقارنة — باش الإنسان يركز على الـ 20% اللي خاصها.