DEV Community: Laurent Masforné

GEO en 2026 : comment être cité par ChatGPT, Perplexity et Gemini

Laurent Masforné — Wed, 09 Sep 2026 09:14:34 +0000

Le 24 juin 2026, nous avons posé la même question de recommandation à quatre moteurs génératifs : « Quelles agences IA pour PME à Toulouse ? », dans cette formulation ou sa variante « meilleure agence IA pour PME à Toulouse ». Le Chat de Mistral nous a cités en troisième position. ChatGPT, Gemini et Perplexity ne nous ont pas mentionnés, et aucun des trois n'a servi la même liste de concurrents. Une question, un seul jour, quatre réponses qui ne se recoupent presque pas.

Il n'existe donc pas un classement unique à conquérir, mais autant de circuits d'approvisionnement en information que de moteurs. Cet article décrit ce qui déclenche réellement une citation, ce que nous avons mesuré sur notre propre site depuis juin, et le protocole de suivi que nous appliquons pour éviter de confondre une bonne journée avec un progrès.

La même question, quatre réponses : ce que montrent nos relevés

Nous suivons douze requêtes d'acheteurs depuis juin 2026, formulées comme un dirigeant les tape vraiment, et nous les repassons sur quatre à six moteurs à chaque campagne de mesure. Voici le relevé du 24 juin sur la requête de recommandation.

Moteur	Résultat pour EpickOne	Comment la réponse a été construite
Le Chat (Mistral)	Cité en 3ᵉ position	Deux annuaires de prestataires et un site d'agence en sources
ChatGPT	Absent	Recherche web plus un bloc de fiches locales Google
Gemini	Absent	Liste d'agences sans lien vers notre domaine
Perplexity	Absent	Quatre agences concurrentes citées, aucun lien vers notre domaine

Six semaines plus tard, le 7 août, l'Aperçu IA de Google nous a nommés sur cette même requête, en une incise : « Epickone (automatisations sur-mesure) ». Les sources affichées sous la réponse : notre site, un annuaire de prestataires où nous figurons, et le blog d'une agence concurrente. Entre les deux relevés, nous avions corrigé notre balisage d'entité et retravaillé la page de service visée, dont la position moyenne sur sa requête cible était passée de 17,8 à 8,1 dans Search Console. Impossible d'isoler la cause exacte, et c'est la règle du jeu sur ce terrain : on lit une direction, pas une relation de cause à effet.

Ce genre d'écart apprend plus qu'un score global. Un moteur qui répond à partir de Google Places ne lira jamais votre page de service : la fiche d'établissement décide à sa place. Deux moteurs peuvent donc exiger deux chantiers sans rapport l'un avec l'autre.

GEO : l'optimisation pour les moteurs IA, en une définition

Le GEO (Generative Engine Optimization) regroupe les pratiques qui augmentent la probabilité qu'une page soit récupérée, extraite et citée par un moteur génératif au moment où il compose sa réponse. Trois verbes, trois conditions cumulatives : une page invisible au crawler ne sera jamais extraite, et un paragraphe extrait mais illisible ne sera jamais cité.

La différence avec le référencement classique tient au résultat visé. Le SEO cherche une position dans une liste de liens, le GEO cherche une phrase dans une réponse rédigée, avec votre nom dedans. Deux étiquettes circulent pour la même discipline, SEO IA et GEO, et les deux pratiques se nourrissent l'une l'autre : la plupart des moteurs génératifs partent d'une recherche web classique avant de synthétiser. Nous avons détaillé cette mécanique dans notre guide SEO 2026, dont le présent article prolonge le chapitre consacré aux moteurs IA.

Un point de vocabulaire à garder en tête : les Aperçus IA de Google sont une fonctionnalité de Search et s'appuient sur l'index de Search. Le jeton Google-Extended que beaucoup de sites bloquent par prudence ne concerne que Gemini et le grounding Vertex AI, pas les fonctionnalités de recherche. Bloquer Googlebot vous sort des Aperçus IA ; bloquer Google-Extended ne change rien de ce côté.

Ce que les moteurs retiennent d'un texte

La seule étude de référence sur le sujet reste GEO: Generative Engine Optimization (Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan et Deshpande, conférence KDD 2024). Les auteurs ont testé neuf modifications de contenu sur un banc d'essai de 10 000 requêtes. Trois d'entre elles augmentent la visibilité dans les réponses générées jusqu'à 40 % : l'ajout de statistiques vérifiables, l'insertion de citations attribuées à des personnes identifiées, et le renvoi vers des sources fiables. Le bourrage de mots-clés, lui, se révèle inefficace, parfois contre-productif.

La lecture opérationnelle est directe. Un moteur génératif cherche des fragments qu'il peut recopier sans risque et attribuer proprement. Une phrase du type « les entreprises constatent souvent des gains significatifs » n'est recopiable par personne. Une phrase datée, chiffrée, attribuée à une source nommée est un candidat idéal.

Concrètement, dans nos articles :

chaque chiffre est suivi du lien vers l'étude, avec les auteurs et l'année ;
les définitions tiennent en une phrase autonome, car un moteur extrait rarement plus de deux phrases d'affilée ;
les comparaisons passent en tableau, format que les modèles reprennent presque tel quel ;
les avis d'expert sont signés par une personne réelle, avec son rôle.

Ce sont les mêmes réflexes que ceux décrits dans notre méthode de rédaction d'articles optimisés, appliqués avec une contrainte supplémentaire : écrire pour quelqu'un qui va découper le texte.

Le maillon qui casse le plus souvent : la récupération

Avant toute question de rédaction, vérifiez que les robots des moteurs IA accèdent à vos pages. C'est le premier point que nous contrôlons sur un domaine, avant d'ouvrir un seul fichier de contenu. Compter un quart d'heure.

robots.txt : un groupe nommé n'hérite pas du groupe « * »

Le protocole d'exclusion des robots (RFC 9309) impose au crawler de suivre un seul groupe de règles : le plus spécifique qui le nomme. Un robot qui trouve un groupe User-agent: GPTBot applique ce groupe et ignore intégralement le groupe User-agent: *, y compris ses Disallow.

Deux erreurs symétriques en découlent. Certains sites autorisent les bots IA dans un groupe dédié et rouvrent sans le vouloir leurs répertoires d'administration. D'autres verrouillent des zones entières dans le groupe générique, persuadés d'avoir traité le cas des moteurs IA, alors que ces derniers ne lisent pas ces lignes. Le robots.txt d'epickone.fr répète pour cette raison les mêmes Disallow dans les deux groupes.

Le test qui tranche, sur n'importe quelle URL :

curl -A "OAI-SearchBot" -I https://votre-site.fr/votre-page

Un code 200 vaut mieux qu'un avis. Répétez avec PerplexityBot, ClaudeBot et Bingbot, ce dernier alimentant Copilot et une partie des recherches ChatGPT. OpenAI opère d'ailleurs trois robots aux rôles distincts : GPTBot pour l'entraînement, OAI-SearchBot pour l'index de recherche, ChatGPT-User pour les récupérations déclenchées par un utilisateur. Bloquer le premier et laisser les deux autres ouverts est un arbitrage tenable.

Cloudflare bloque les crawlers IA par défaut depuis juillet 2025

Le 1er juillet 2025, Cloudflare a inversé son réglage par défaut : chaque nouveau domaine se voit demander s'il autorise les robots d'IA, et le blocage s'applique tant que personne ne répond. Le réglage vit dans le tableau de bord, pas dans votre dépôt de code, et beaucoup d'équipes techniques ignorent son existence.

Le symptôme est reconnaissable : un robots.txt impeccable, des pages parfaites, zéro citation nulle part. Vérifiez la section Bots avant de récrire quoi que ce soit ; la commande curl ci-dessus renvoie un 403 quand le blocage est actif.

Le JavaScript, angle mort des robots IA

Vercel et MERJ ont analysé plus de 500 millions de requêtes de GPTBot sans trouver la moindre trace d'exécution de JavaScript (analyse publiée par Vercel). ClaudeBot télécharge des fichiers JavaScript dans près d'un quart de ses requêtes et ne les exécute jamais. Gemini fait exception, parce qu'il s'appuie sur l'infrastructure de rendu de Googlebot.

Traduction pour un site React ou Vue rendu côté client : ce que vos visiteurs voient après chargement n'existe pas pour ces robots. Le test tient en une ligne.

curl -s https://votre-site.fr/votre-page | grep "une phrase clé de votre page"

Pas de correspondance, pas de citation possible. Le rendu côté serveur devient une question de visibilité autant que de performance, critère qui pèse dans le choix d'un socle technique comme nous l'expliquions à propos de Symfony pour un site d'entreprise.

L'avis de Laurent, Lead Développeur, spécialiste back-end & IA chez EpickOne : « Quand un dirigeant nous appelle parce qu'il n'apparaît jamais dans ChatGPT, on ne commence pas par le contenu, on commence par les trois vérifications techniques. Un pare-feu qui répond 403 aux robots IA, ou un site entièrement rendu côté client, suffit à expliquer un silence total sur tous les moteurs à la fois. Personne n'aime entendre que le sujet se joue peut-être dans une case à cocher d'un tableau de bord, tout le monde préfère parler de ligne éditoriale. Tant que le robot ne récupère pas la page, la meilleure rédaction du monde ne sert à rien, et le diagnostic prend un quart d'heure. »

Le levier hors site, celui qu'on n'aime pas entendre

Nos relevés le disent sans détour : sur les requêtes de recommandation locale, ce qui décide de la citation se joue surtout ailleurs que sur votre site. Perplexity a construit sa réponse à « agence IA Toulouse » à partir des fiches Google Places, notes clients affichées à l'appui. Le Chat a composé la sienne à partir de deux annuaires de prestataires et du site d'une agence. L'Aperçu IA du 7 août citait un annuaire en deuxième source.

Trois chantiers en découlent, par ordre d'effet observé :

Votre fiche d'établissement Google, complète, bien catégorisée, avec des avis récents : elle alimente directement plusieurs moteurs, sujet traité dans notre article sur le SEO local à Toulouse.
Les annuaires que les moteurs citent réellement, repérés dans les sources affichées sous les réponses plutôt que dans une liste générique.
Les articles de type « meilleures agences de… » publiés par des tiers. Rien d'automatisable ici, il faut démarcher les auteurs.

Un modèle ne nomme avec assurance qu'une entité qu'il reconnaît : même nom légal, même adresse, même téléphone, même description partout où vous apparaissez.

llms.txt et données structurées : où mettre vos vingt minutes

Le fichier llms.txt, proposé fin 2024, occupe une place démesurée dans les conversations sur le GEO. Ahrefs a examiné 137 210 domaines ayant reçu du trafic en mai 2026 : parmi les quelque 38 000 qui disposaient d'un llms.txt valide, 97 % n'ont reçu aucune requête sur ce fichier durant le mois. Aucun grand fournisseur n'a annoncé s'en servir en production, et John Mueller le comparait publiquement à la balise meta keywords.

Notre position : le fichier coûte vingt minutes et documente votre site pour les agents autonomes qui commencent à naviguer pour le compte d'un utilisateur. Gardez-le à ce titre, n'en attendez aucune citation. Nous en maintenons un sur epickone.fr sans lui prêter de vertu magique.

Les données structurées méritent mieux votre temps. Un balisage Organization cohérent, avec des sameAs qui pointent vers vos profils publics, aide les moteurs à relier vos mentions éparpillées à une seule entreprise. C'est un travail d'identité, pas de mise en forme.

Le protocole de mesure GEO que nous appliquons chaque trimestre

Sans mesure, le GEO se raconte. Voici notre dispositif, transposable chez vous en une demi-journée.

Un jeu de requêtes figé : douze questions d'acheteurs, écrites dans leurs mots, réparties entre terme-tête local, cas d'usage et demande de recommandation. Le jeu ne bouge pas d'un trimestre à l'autre, sinon la comparaison perd son sens.
Quatre à six moteurs, interrogés en français avec une localisation française. Un outil configuré sur les États-Unis fausse toute question contenant un nom de ville.
Un relevé qui porte sur les sources, pas sur la formulation. Le texte des réponses change à chaque exécution ; la liste des domaines cités est nettement plus stable et pointe les chantiers.
Une preuve par observation : capture horodatée, extrait de la réponse. Sans preuve, la mention n'est pas comptée.
Un tableur d'historique, par couple requête-moteur : première apparition, dernière observation, statut, concurrents cités.

Ce suivi de visibilité LLM tient dans un fichier CSV versionné avec le site.

Une limite à assumer : ces réponses sont non déterministes, personnalisées et testées en continu par leurs éditeurs. Deux exécutions à dix minutes d'intervalle diffèrent. La mesure indique une direction sur plusieurs trimestres, elle ne produit pas un classement. Nous ne changeons jamais de plan sur la foi d'une seule observation, y compris quand elle nous flatte.

Ce que nous ferions à votre place

Reprenez les trois vérifications techniques dans l'ordre, elles tiennent en une matinée : accès des robots dans robots.txt, réglage du pare-feu applicatif, présence du contenu dans le HTML brut. Corrigez ce qui bloque avant d'écrire une ligne. Constituez ensuite votre jeu de douze requêtes et regardez quelles sources reviennent : elles vous dictent la suite, fiche Google, annuaires ou production de contenu.

Le reste est affaire de constance. Un site récupérable, des pages qui répondent en phrases autonomes et sourcées, une entité cohérente : les moteurs finissent par vous ramasser, avec un retard de quelques semaines qu'il faut accepter. Pour les projets IA, la même logique vaut sur les pages de service, comme nous le détaillons dans notre guide pour choisir un prestataire d'intégration IA.

Vous voulez savoir ce que les moteurs génératifs répondent aujourd'hui quand un prospect cherche votre métier ? Nous réalisons un audit GEO sur votre domaine : relevé sur vos requêtes réelles, captures à l'appui, diagnostic des trois maillons de récupération, et la liste priorisée de ce qui débloque une citation chez vous. Demander un audit GEO ou nous exposer votre situation en trente minutes.

Cet article a été publié à l'origine sur le blog d'EpickOne : GEO en 2026 : comment être cité par ChatGPT, Perplexity et Gemini. Nous sommes une agence web et IA basée à Paris et Toulouse : intégration d'IA pour PME et développement Symfony sur mesure.

Automatisation des processus internes : retour d'expérience sur un agent IA piloté par les emails

Laurent Masforné — Tue, 01 Sep 2026 11:30:52 +0000

Dans la plupart des entreprises, le back-office fonctionne comme ceci : une boîte mail partagée reçoit des demandes et des pièces jointes, quelqu'un les lit, les trie, recopie des informations dans le logiciel de gestion, classe les documents, relance quand il manque une pièce. Rien de tout cela n'est difficile. Tout est chronophage, répétitif, et fragile — parce que c'est une chaîne humaine de recopie.

Nous avons passé plusieurs mois à construire un agent qui prend ce travail en charge : il relève la boîte mail, comprend ce qui arrive, déclenche le traitement métier correspondant, s'arrête pour demander votre accord quand l'action engage l'entreprise, puis agit. Ce retour d'expérience raconte l'ingénierie derrière cette automatisation des processus internes : l'architecture, le contrat de code, la place exacte de l'humain, et le piège qui nous a coûté une règle dure.

Le vrai goulot d'étranglement n'est pas le modèle

Le blocage de l'automatisation des processus internes n'est presque jamais l'intelligence du modèle : c'est la plomberie autour. Les chiffres le montrent bien. D'après l'INSEE (Insee Références, édition 2025, enquête TIC 2024), l'usage de l'IA pour l'organisation des processus d'administration de l'entreprise a doublé en un an — 11 % en 2023, 24 % en 2024 parmi les entreprises utilisatrices d'IA. Le mouvement est réel, mais il part de très bas.

Côté PME, le Baromètre France Num 2025 (Direction générale des Entreprises, 11 021 répondants) est encore plus net : 26 % des TPE-PME utilisent l'IA, deux fois plus qu'en 2024 — mais surtout pour générer du contenu (22 %) et discuter avec un assistant (14 %). L'analyse et la classification de documents ? 6 %. L'automatisation de tâches ? 5 %. Autrement dit : les entreprises se servent de l'IA pour écrire, presque jamais pour faire tourner leurs process. C'est exactement l'écart que ce type de projet vient combler — et si c'est rare, ce n'est pas parce que les modèles ne savent pas lire un document. C'est parce que brancher un modèle sur un système d'information existant est un travail de développeurs.

Automatisation des processus internes : l'email comme déclencheur

Le déclencheur, c'est la boîte mail partagée — pas un bouton dans une nouvelle interface. Personne n'adoptera un outil de plus ; en revanche, tout le monde envoie déjà des emails. L'agent se branche donc là où le flux existe déjà.

La chaîne est volontairement simple :

Un collecteur relève à intervalle régulier les messages non lus.
Ingestion d'abord, traitement ensuite. Chaque message est enregistré en base avant toute analyse. Si le traitement échoue, l'email est déjà là : rien n'est perdu, on rejoue.
Un job part dans une file d'attente. Le collecteur ne traite rien lui-même : il ingère et publie. Ce découplage vous permet d'encaisser un pic de cent emails sans perdre le centième.
Le triage classe, puis déclenche le workflow métier correspondant.
Chaque traitement garde une référence vers l'email d'origine.

Ce dernier point tient en une colonne de base de données, et c'est celui qui sauve un audit six mois plus tard : depuis une écriture dans votre gestion, vous remontez à la demande exacte qui l'a produite, avec sa pièce jointe et l'horodatage. Une page de revue liste les entrants et ce que l'agent en a fait. Un système qui décide sans laisser regarder ses décisions ne sera jamais adopté — c'est une question d'adhésion des équipes, pas de technique.

Ne payez le modèle que quand la règle échoue

Un bon agent appelle le moins possible l'IA. C'est contre-intuitif, et c'est le levier de coût le plus direct sur un système qui tourne en continu.

Le triage se fait en deux temps. D'abord une règle déterministe : quand la nature du message suffit à le classer, la catégorie est retenue avec une confiance totale et zéro token consommé. Le cas fréquent et évident ne coûte rien — et ne peut pas se tromper. Ce n'est qu'en repli que le modèle prend la main, et il n'ouvre les pièces jointes que s'il en a besoin.

Le résultat : votre facture d'IA ne croît qu'avec les cas difficiles. La partie stable et répétitive de votre flux ne passe jamais par un modèle, et se trouve du même coup immunisée contre toute dérive de celui-ci. Quand un modèle change de version, ce n'est pas 100 % de votre back-office qui est exposé.

Voyez ce que donnerait un agent sur vos propres flux. Nous examinons un échantillon réel de vos emails entrants et identifions ce qui est automatisable dès maintenant, et ce qui doit rester validé. Échange de 30 min sur votre cas — diagnostic offert.

Un workflow se déclare, il ne se code pas en dur

Un workflow n'est pas une fonction : c'est un manifeste que le moteur découvre au démarrage. Chaque processus vit dans son propre dossier, avec son manifeste, ses étapes et leurs tests.

name: demande-entrante
description: Traite une demande reçue par email et met à jour la gestion
variables:
  - key: SEUIL_VALIDATION_MANUELLE
    default: "5000"
steps:
  - name: extraire-donnees
  - name: controler-coherence
  - name: proposer-ecriture     # suspend pour validation humaine
  - name: ecrire-en-gestion
  - name: archiver-document
    continueOnError: true

Le moteur charge les manifestes au démarrage, enregistre les workflows et les synchronise en base : ajouter une étape, c'est ajouter un fichier et son test, pas toucher au moteur.

Le bénéfice est moins technique qu'organisationnel. Le manifeste devient le document que votre métier peut relire. Il n'y a plus la spec d'un côté et le code de l'autre, avec l'écart habituel entre les deux : une étape qui ne figure pas dans le manifeste n'existe pas. Et la règle qu'on s'impose — une étape, un fichier, un test — n'est pas de la coquetterie : ces étapes écrivent dans vos systèmes.

Notez le continueOnError sur la dernière ligne. Toutes les défaillances ne se valent pas : si l'archivage d'un document échoue, ce n'est pas une raison pour annuler l'écriture métier qui, elle, a réussi. Décider quelles étapes ont le droit d'échouer sans tout arrêter fait partie de la conception, au même titre que les étapes elles-mêmes.

Quatre statuts, dont un qui change tout

Chaque étape expose une seule fonction et renvoie l'un de quatre statuts : success, failed, skipped — et waiting.

export async function execute(context: StepContext): Promise<StepResult> {
  const proposition = calculer(context.data)

  if (proposition.montant > context.vars.SEUIL_VALIDATION_MANUELLE) {
    return {
      status: "waiting",
      validation: {
        key: "ecriture-a-valider",
        title: `Écriture de ${proposition.montant} EUR à valider`,
        items: proposition.lignes,
      },
    }
  }
  return { status: "success", data: proposition }
}

waiting suspend l'exécution et publie une demande de validation dans le dashboard. La décision humaine revient dans le contexte à la reprise, et le workflow repart. C'est ce statut qui permet de déployer un agent sur un processus qui engage l'entreprise.

Le principe qu'on applique partout : une étape est automatique si elle est déterministe, vérifiable et rejouable sans risque ; elle bascule en validation humaine dès qu'elle devient sortante ou engageante — écrire dans votre gestion, envoyer un message à un tiers, fixer un montant. Ce classement se tranche à la conception, pas en production. Et le moteur traite comme un échec toute mise en attente sans demande de validation attachée : le contrat est vérifié à l'exécution, pas seulement documenté. Ce n'est pas de la documentation, c'est du code qui refuse de passer.

Le piège qui nous a coûté une règle dure

C'est la leçon la plus chère du projet, et elle n'a rien à voir avec l'IA. À la reprise après validation, l'étape suspendue redémarre depuis son début. Tout ce qui la précède dans la même étape se ré-exécute.

Écrivez donc ceci, et vous fabriquez un doublon à chaque validation :

await enregistrerBrouillon(proposition)  // ← s'exécute AVANT le waiting…
return { status: "waiting", validation: { /* … */ } }
// … et se ré-exécute à la reprise. Deux brouillons dans la gestion.

D'où la règle, inscrite dans les consignes du projet et rappelée en commentaire dans les étapes concernées : aucune écriture externe avant la décision humaine. On calcule, on propose, on suspend. On écrit après.

C'est le genre de détail qu'aucune démo ne révèle et que la production sanctionne en deux semaines. Une validation censée rassurer vos équipes, et qui leur crée des doublons à nettoyer, est pire que pas d'automatisation du tout : elle détruit la confiance dans l'agent, et vous ne la récupérez pas.

En bref

L'usage de l'IA pour l'organisation des processus d'administration a doublé en un an : 11 % en 2023, 24 % en 2024 parmi les entreprises utilisatrices (INSEE, édition 2025).

Pourtant, seules 6 % des TPE-PME emploient l'IA à analyser ou classer des documents, et 5 % à automatiser des tâches (Baromètre France Num 2025).

Un workflow se déclare dans un manifeste relisible par le métier : une étape absente du manifeste n'existe pas.

Règle dure : aucune écriture externe avant la validation humaine — sinon la reprise fabrique des doublons.

Mettre en production sans rien écrire

Le meilleur pilote n'est pas un environnement de test : c'est votre production, en lecture seule. Une partie des processus que nous livrons partent avec un interrupteur d'écriture réglé par défaut sur « ne pas écrire ». La chaîne complète tourne — collecte, extraction, contrôles, validation — et produit un compte-rendu des valeurs qui seraient écrites, sans jamais toucher à vos systèmes.

Vous comparez alors les décisions de l'agent à celles de vos équipes pendant des semaines, sur vos vrais flux, à risque nul. Puis vous basculez l'interrupteur quand les comptes-rendus vous ennuient tellement ils ont raison. Cette bascule est une ligne de configuration, pas un redéploiement — et elle se remet dans l'autre sens aussi vite.

Deux autres partis-pris valent d'être cités, parce qu'ils font la différence entre une démo et un système qui tient. Les identifiants d'accès à vos systèmes sont chiffrés (AES-256-GCM) et stockés en base, la clé vivant dans l'environnement, hors du dépôt de code. Et l'agent ne retraite pas tout à chaque exécution : il ne traite que le nouveau et ce qui a changé, avec des plafonds par exécution. Un agent qui relit votre historique complet toutes les heures est une facture, pas une solution.

L'autonomie se gagne par la preuve, pas par la promesse

La question que pose tout dirigeant est : quand est-ce que je peux lâcher la main ? La réponse n'est ni « jamais » ni « on verra ». C'est un critère mesuré, décidé par un humain, et réversible.

Le modèle qu'on spécifie : chaque validation humaine est une donnée étiquetée. On mesure, sur des cas réels, le taux d'acceptation et le taux d'erreur d'une étape. La promotion en mode automatique reste une décision humaine explicite, adossée à un seuil du type « au moins N cas observés, au moins X % acceptés tels quels, zéro erreur dure », avec rétrogradation automatique si l'erreur réapparaît. Le travail de validation des premières semaines n'est donc pas du temps perdu : c'est le jeu de données qui financera votre autonomie future.

Honnêteté sur l'état de l'art, y compris chez nous : c'est une cible de conception. Le modèle est spécifié, ses seuils restent à instancier, le tableau de bord d'autonomie est au backlog. Nous ne prétendons pas l'avoir instrumenté — et méfiez-vous de quiconque vous montre des pourcentages de gain sans vous montrer comment il les mesure. Bpifrance Le Lab documente ainsi un projet de génération automatique de devis par RAG — une technique qui fait répondre l'IA à partir de vos propres documents — mais le dirigeant y décrit un projet en cours, sans gain mesuré. Le seul gain solidement établi porte d'ailleurs sur autre chose : un essai randomisé du MIT publié dans Science (2023) mesure 40 % de temps en moins sur des tâches de rédaction professionnelle. Un ordre de grandeur, pas une promesse transposable à votre back-office. Exigez qu'on mesure chez vous.

L'avis de Laurent, Lead Développeur, spécialiste back-end & IA chez EpickOne : "Sur ce type d'agent, on écrit très peu de prompt et beaucoup de plomberie : une file d'attente, un contrat d'étape, une reprise après validation, des tests. Le prompt, c'est cinq pour cent du travail et cent pour cent des démos. Ce qui décide si l'agent tient en production, c'est ce qu'il a le droit d'écrire, et quand. Le jour où un client me dit « on ne regarde plus les comptes-rendus, ils ont toujours raison », j'ai gagné — et ce jour-là, il n'y a pas eu un seul prompt magique."

Ce qui bloque vraiment l'automatisation des processus internes

Ce qui enlise les projets, ce n'est pas le modèle : c'est l'accès à votre système d'information. L'IA sait lire un document et proposer une écriture. Encore faut-il qu'elle puisse interroger vos référentiels et écrire le résultat quelque part — et c'est là que les mois passent.

Nous posons donc dès la spécification une frontière contractuelle : l'équipe qui détient votre système d'information expose données et actions sous forme d'API, celle qui construit l'automatisation les consomme. Un document catalogue chaque lecture et chaque écriture nécessaire à l'agent, avec un statut à annoter par vos équipes : « existe déjà », « à créer ». Le flou — « l'IA se débrouillera » — devient une checklist de prérequis dont le retard est visible et imputable. Sur ce type de projet, c'est le document qui décide du planning, pas le choix du modèle. C'est aussi pourquoi nous sommes développeurs avant d'être intégrateurs : brancher un agent sur un système existant passe par des standards comme le Model Context Protocol, pas par un connecteur magique.

Côté budget, cohérent avec notre grille tarifaire pour un projet d'IA : une automatisation ciblée se situe entre 2 000 et 6 000 EUR ; un agent réellement intégré à votre gestion, avec validation humaine et reprise, entre 18 000 et 45 000 EUR. Ce n'est pas un quick win, c'est un chantier d'intégration — et le coût est dans la plomberie, pas dans l'IA. Si le périmètre vous paraît large, commencez par automatiser la saisie de vos factures, plus circonscrit. Notre guide de l'intégration de l'IA en entreprise pour les dirigeants pose le cadre général.

Ce qu'on retient

L'automatisation des processus internes par un agent IA n'est pas un problème d'intelligence artificielle. C'est un problème d'ingénierie : un déclencheur là où le travail arrive déjà, un workflow déclaré que le métier peut relire, un contrat d'étape qui rend la validation humaine obligatoire là où ça engage, une règle d'idempotence qui évite les doublons, et un interrupteur qui vous laisse tourner en production sans rien écrire. L'agent ne remplace pas le jugement de vos équipes : il prépare, il vérifie, il propose — elles tranchent. Puis, preuve à l'appui, elles lui lâchent la main là où il l'a méritée.

Vous voulez savoir ce qui, dans vos flux entrants, est automatisable dès aujourd'hui ? L'équipe de notre agence IA en Haute-Garonne regarde vos vrais emails avec vous et vous dit franchement où est le gain, et où il n'y en a pas : Échange de 30 min sur votre cas. Nous sommes à Escalquens, aux portes de Toulouse, et nous nous déplaçons partout en Occitanie — le diagnostic est offert.

Article publié initialement sur le blog d'EpickOne. EpickOne est une agence Web & IA basée à Toulouse et Paris : nous concevons des outils sur mesure avec de l'IA intégrée pour les PME — en savoir plus.