Workflows, Assistants ou Agents : options d'optimisation avec l'IA
+ Perplexity Computer, Agent Vocal OpenAI et fin des SaaS ?
Hello à tous,
Bienvenue dans cette 74ᵉ édition !
On continue de recruter avec Tandem sur des postes d’AI Builder en stage de fin d’études ou CDI . Vous pouvez jeter un oeil aux offres ouvertes ici si ça vous intéresse. Et si vous connaissez quelqu’un qui cherche à rejoindre une structure sur ces sujets d’optimisation et automatisation avec l’IA, merci d’avance pour le relais. 🙏
Vous pouvez cliquer sur le ❤️ au-dessus ou en fin de newsletter si vous appréciez le contenu, ça m’aide beaucoup ! 🙏
Voici le sommaire de la semaine :
💼 Workflows IA, Assistants IA ou Agents IA : quoi choisir ?
🗞️ Actus : Claude cowork, Gemini 3.1 et Perplexity Computer
⚡ Update Agent Vocal d’OpenAI (gpt-realtime 1.5)
📝 La fin de la rente SaaS avec les agents IA ?
⏳ Temps de lecture : 12 min
Me retrouver ailleurs :
🧑💻 Mes réseaux : Linkedin, Youtube
📞 Des besoins en IA : Prendre RDV
💼 Arrêter de fantasmer les agents IA (et comment choisir la bonne couche d’optimisation)
On voit des agents IA partout.
Sur LinkedIn, en conférence, dans les médias : “Construisez votre armée d’agents”, “Automatisez 100 % de votre business”, “Générez plusieurs millions d’euros avec 0 salarié”.
C’est séduisant. Mais sur le terrain, en entreprise, c’est beaucoup plus nuancé. Et même… beaucoup plus décevant. On est loin de la réalité.
Après avoir construit des centaines de workflows et accompagné +50 entreprises avec Tandem, je tenais à vous faire un retour sur les différents niveaux d’optimisation avant d’arriver aux agents IA. Des exemples concrets pour vous permettre de vous projeter sur la bonne solution à choisir en fonction de votre besoin.
Je reviens donc sur les 4 niveaux d’optimisation possibles avec l’IA, avantages et inconvénients pour vous permettre de choisir la bonne solution, une fois que le problème est bien défini.
Sur ces niveaux, on a une progression logique :
1️⃣ Assistant IA (copilot)
2️⃣ Automatisation simple
3️⃣ Workflow avec IA
4️⃣ Agent IA autonome
Spoiler : dans beaucoup de cas, on s’arrête au niveau 2 ou 3. Avec un ROI énorme. Et beaucoup moins de friction.
Le vrai problème : on grille les étapes
Quand on parle des agents IA, on mélange souvent un peu tout : assistants, automatisations, workflows IA, agents autonomes.
La réalité ? Un agent IA, c’est :
complexe à développer
risqué à déployer
coûteux à maintenir
et beaucoup moins déterministe (souvent ce qu’on cherche quand on automatise quelque chose)
Les entreprises cherchent en priorité du contrôle, du prévisible, du mesurable.
Pas un système probabiliste qui “devrait” prendre la bonne décision 95 % du temps.
Ce qu’on observe avec Tandem, c’est qu’il y a le mythe de l’agent. Avant même d’avoir clarifié le problème, on peut penser à un agent.
“Il y a des tâches répétitives → je veux un agent.”
Mais est-ce que la tâche est vraiment fréquente ? (une tâche qui prend 10 min par semaine n’est pas vraiment pertinente pour un système complexe comme un agent) ? suffisamment structuré pour identifier l’ensemble des étapes pour la réaliser ? mérite-t-elle un système autonome ? ou est-ce qu’un simple assistant suffirait ?
On confond opportunité technologique et besoin réel.
Niveau 1️⃣ : Assistant IA (copilot)
Ce que j’appelle assistant IA, c’est un modèle conversationnel préconfiguré que vous déclenchez quand vous en avez besoin.
Il ne fait rien tout seul. Il n’est pas autonome. Il ne planifie pas.
C’est vous qui l’appelez. C’est vous qui gardez le contrôle.
On est sur une logique très “copilot”. Concrètement, ça peut être :
un GPT personnalisé sur ChatGPT
un Assistant via l’API OpenAI
Microsoft Copilot
un assistant sur Claude
un bot interne connecté à Slack ou Teams
L’idée est simple : vous configurez des instructions précises (rôle, ton, format de sortie), éventuellement une base de connaissance, et vous l’utilisez en mode conversationnel.
Un exemple ici pour configurer un GPTs :
On les retrouve alors sur une barre latérale, pour les solliciter ponctuellement quand on en a besoin :
Pas d’automatisation complexe. Pas d’orchestration multi-étapes. Juste un levier de productivité immédiat.
Si on récapitule les avantages et inconvénients :
Pourquoi c’est souvent sous-estimé ?
ça paraît basique, mais en réalité, c’est la couche avec le meilleur time-to-value.
En 30 minutes, vous créez un assistant dédié, avec du contexte sur la tâche, et un gain de temps immédiat, partageable facilement en interne.
Dans quels cas c’est pertinent ?
Un assistant IA copilote est particulièrement adapté quand :
la tâche est floue ou créative
vous avez besoin d’itérer
le résultat doit être validé humainement
la fréquence est irrégulière
le risque d’erreur est maîtrisable
On reste dans une logique d’assistance, d’optimisation et pas d’automatisation.
Niveau 2️⃣ : Automatisation simple
L’automatisation simple, c’est le fameux principe : si X se produit → alors Y se déclenche.
Pas d’intelligence. Pas d’analyse complexe. Pas de raisonnement.
On est sur une logique déterministe et séquentielle. Et ça peut être pour :
Un formulaire rempli → création d’un contact dans le CRM
Un paiement reçu → envoi automatique d’une facture
Un email reçu avec un mot-clé précis → ajout dans un dossier spécifique
Une nouvelle ligne dans un Google Sheet → notification Slack
Au niveau des outils, les plus utilisés sont Zapier, Make, Power Automate.
On définit un déclencheur, des étapes, et un résultat. Pas de surprise, c’est tjrs le même chemin, tjrs la même structure. Seules les variables en entrée changent.
Pas d’IA ici, mais c’est justement la force. On sait exactement ce qu’il va se passer.
On peut aussi être sur des tâches un peu plus avancées mais on rentre vite dans la logique usine à gaz :
Si on récapitule les avantages et inconvénients :
Si la tâche est claire, avec des règles simples, ajouter de l’IA serait presque contre-productif. On reste ici dans une logique d’exécution automatisée, pas d’intelligence.
Niveau 3️⃣ : Workflow avec IA (automatisation + intelligence)
Ici, on garde la structure de l’automatisation simple… mais on ajoute une brique d’IA au milieu.
On n’est pas encore sur un agent autonome. On reste dans un scénario défini à l’avance.
La différence avec l’automatisation simple, c’est de pouvoir traiter des données non structurées.
Exemple concret avec la gestion intelligente des emails entrants :
Un email arrive.
→ L’IA analyse le contenu.
→ Elle catégorise (facturation / support / commercial / spam).
Pour ça, on va contraindre le format de sortie en JSON pour que ce soit manipulable :
→ En fonction de la catégorie, le workflow déclenche l’action adaptée. On ne cherche plus un mot-clé précis. On analyse le sens. Exemple avec plusieurs branches :
L’IA peut halluciner. Mais si on impose un format de sortie strict avec potentiellement des étapes de validation, on apporte un peu plus de déterminisme en rigidifiant le système.
Et c’est là toute la nuance : on utilise une IA probabiliste dans un cadre déterministe.
Si on récapitule les avantages et inconvénients :
C’est souvent le sweet spot parce qu’on garde un déclencheur clair, un chemin maîtrisé, un résultat encadré pour une tâche à plus haute valeur ajoutée. L’IA gère la partie complexe de compréhension, catégorisation, synthèse, reformulation…
Ce niveau 3 est déjà suffisant pour transformer un process et avoir un ROI intéressant en entreprise.
On ne cherche pas encore l’autonomie totale sur 100% de la tâche (il y a toujours des cas particuliers). On cherche l’intelligence encadrée. Et c’est une différence majeure.
Niveau 4️⃣ : Agent IA autonome
Ici, on change complètement de logique, du déterminisme au probabilisme :
L’agent décide quelles actions lancer, quels outils utiliser, dans quel ordre, combien de fois itérer et quand s’arrêter
C’est une différence fondamentale.
Concrètement, on peut prendre l’exemple d’une veille stratégique automatisée :
Toute la partie en blanc a une logique d’itération pour avoir un résultat satisfaisant. C’est l’agent qui fait cette itération avec de la recherche web, des filtres sur les sources pertinentes, approfondir certains sujets ou pas, structurer le rapport.
On ne sait pas exactement combien de recherches il va faire. Ni combien de sous-tâches il va générer.
Au niveau des outils, n8n est une des références dont je parle beaucoup ici, qui utilise LangChain derrière. Make vient de sortir dernièrement une fonctionnalité d’agent.
Si on récapitule les avantages et inconvénients :
Avec un agent, on quitte un monde déterministe. Il y a une probabilité que l’agent fasse le bon choix ou pas. Et c’est là que beaucoup d’entreprises bloquent.
Parce qu’automatiser un process critique avec 95 % de fiabilité… ça veut aussi dire 5 % d’erreurs.
La vraie question devient alors : quel est le coût d’une erreur ? Quel est le gain d’un succès ? Le ratio est-il positif ?
On ne parle plus seulement de technique. On parle d’impact business.
Les agents IA sont puissants, mais ce n’est pas une solution par défaut.
C’est la dernière couche avec un changement de mindset à avoir pour aller chercher un effet de levier plus important. Beaucoup d’entreprises ne sont pas prêtes.
En bref,
Les agents IA font rêver. Mais la vraie performance ne vient pas de la complexité maximale. Elle vient du bon niveau d’optimisation.
Assistant pour gagner du temps.
Automatisation simple pour fiabiliser.
Workflow IA pour ajouter de l’intelligence.
Agent autonome… seulement quand le contexte le justifie.
L’erreur, ce n’est pas de vouloir innover. C’est de sauter des étapes.
🗞️ 3 actus importantes
Anthropic met à jour Claude Cowork : vers des assistants IA spécialisés par métier
Anthropic continue d’étoffer son écosystème autour de Claude avec une mise à jour majeure de Claude Cowork, son outil dédié aux “knowledge workers”. L’entreprise lance une série de connecteurs et plugins permettant d’intégrer Claude à des outils comme Google Drive, Gmail, DocuSign ou FactSet, avec une ambition claire : faire passer Cowork du stade expérimental à un produit enterprise complet.
Parmi les nouveautés clés :
Connecteurs vers des outils métiers (Google Drive, Gmail, DocuSign, FactSet, MSCI)
Plugins spécialisés en finance (analyse financière, investment banking…)
Intégration directe avec Excel et PowerPoint (j’en avais parlé dans l’édition précédente)
Anthropic capitalise sur la dynamique autour de Claude Code, et plus largement sur Claude comme assistant généraliste. L’usage de Claude (vs chatGPT) augmente drastiquement comme on peut le voir sur ce graph :
Ce qu’il faut retenir : au-delà de la “guerre des modèles”, le vrai enjeu se joue sur les couches applicatives. Entre Claude Code pour les développeurs, Cowork pour les fonctions support et finance, et Claude comme assistant transversal, Anthropic structure une offre par cas d’usage. Il ne s’agit pas de changer d’outil du jour au lendemain, mais de garder en tête que la différenciation se fera de plus en plus sur ces assistants spécialisés intégrés aux workflows métiers.
👉 Source Anthropic // Source CNBC
Perplexity présente Perplexity Computer, un système d’agents multi-modèles pour exécuter des workflows complets
Perplexity Computer, c’est comparable à Claude Cowork, un “travailleur numérique” qui ne se contente plus de répondre en chat : il crée et exécute des flux de travail entiers, potentiellement sur des heures, voire des mois. ça peut paraitre dingue mais on est à ce niveau d’avancé sur l’IA générative : la possibilité de faire des boucles d’itérations pendant de longues périodes.
Concrètement, vous décrivez un résultat, Computer le découpe en tâches et sous-tâches, puis crée des sous-agents capables de faire de la recherche web, générer des documents, traiter des données ou appeler des API via vos services connectés (pendant qu’un autre agent rédige, un autre va chercher les données, etc.).
La coordination est annoncée comme automatique et asynchrone, avec une exécution dans des environnements isolés : système de fichiers, navigateur et intégrations d’outils → on retrouve un paquet d’intégration, pour exemple :
Point important : Perplexity pousse une orchestration intelligente multi-modèles (raisonnement principal avec Opus 4.6, et sous-agents mobilisant selon les besoins Gemini (recherche approfondie), Nano Banana (images), Veo 3.1 (vidéo), Grok (tâches légères rapides) et ChatGPT 5.2 (contexte long / recherche étendue)), avec la possibilité de choisir des modèles par sous-tâche et de gérer les coûts de jetons.
En cas concrets, on peut par exemple faire des brief concurrentiel mis à jour régulièrement, des board deck à partir d’exports financiers, de la veille sectorielle synthétisée, mémo de due diligence, transformation de notes en plans d’action, dashboards qui se mettent à jour, ... Disponible pour les abonnés Perplexity Max
👉 Source Perplexity
Gemini 3.1 Pro : Google déploie un nouveau modèle
Google annonce Gemini 3.1 Pro, nouveau modèle améliorée. Google met en avant un bond en raisonnement (double de performance sur certains benchmark par rapport à Gemini 3 Pro).
L’objectif affiché : aider sur des sujets où une réponse simple ne suffit pas, par exemple, expliquer visuellement un concept complexe, synthétiser des données, accélérer des projets créatifs. Ici la génération d’SVG animés prêts pour le web directement depuis un prompt.
Le modèle va être déployé un peu partout (Googe AI Studio, Antigravity, Notebook LM, ..)
Ce qu’il faut retenir : Google renforce son offre “modèle généraliste + raisonnement” et l’intègre partout (API, outils dev, Vertex, Gemini, NotebookLM). Pour nous, ça veut dire des cas d’usage plus ambitieux (analyse, synthèse, production de livrables) qui deviennent accessibles dans les outils Google du quotidien.
👉 Source Google
⚡ Update Agent Vocal OpenAI (gpt-realtime 1.5)
Les agents vocaux passent un cap avec cette nouvelle version du modèle voice-to-voice. Ce modèle améliore significativement le suivi d’instructions, le tool calling et la précision multilingue.
Les premiers retours terrain sont très concrets : chez Genspark, le taux de connexion humain passe de 43,7% à 66%, le taux de conversations bien notées atteint 97,9% et les cas problématiques sont divisés par deux (De 4 à 2%).
Cela continue d’ouvrir des cas d’usage plus avancés (meilleur utilisation des outils, multilingue, trasncript technique, etc). Un exemple ici sur le playground d’OpenAI :
📝 La fin de la rente SaaS avec les agents IA ?
1 000 milliards $ effacés des valorisations software en quelques semaines.
Le raccourci est tentant : “l’IA tue le software”. En réalité, on vit quelque chose de plus subtil, et plus violent.
Ce n’est pas la fin du software. C’est la fin d’une rente SaaS.
Pendant 15 ans, le SaaS a capturé la valeur via :
des licences par utilisateur
des interfaces propriétaires
des workflows enfermés dans des dashboards
Vous payiez pour accéder à un outil. Et des humains opéraient cet outil.
Aujourd’hui, les agents IA commencent à opérer à votre place.
Résultat en bourse : Atlassian –47%, Intuit –40%, Workday –33%, Salesforce –30%, Adobe –25%
On a connu la phase “copilote”. L’IA vous aide à aller plus vite dans vos outils existants. C’était confortable.
On entre maintenant dans la phase “opérateur autonome”.
Un agent IA :
1️⃣ Se connecte à vos SaaS
2️⃣ Exécute les tâches
3️⃣ Prend des décisions selon des règles
4️⃣ Dialogue directement avec les APIs
L’interface perd sa centralité.
Les boutons deviennent optionnels.
On ne remplace pas le logiciel.
On remplace les humains qui opèrent le logiciel.
Le scénario qui fait peur aux marchés
Un papier très relayé récemment, The 2028 Global Intelligence Crisis, explore un scénario extrême :
chômage élevé malgré une productivité record
pression massive sur les entreprises software
renégociation agressive des abonnements 2027
explosion des builds internes dopés à l’IA
Les “systems of record” comme ServiceNow seraient sous pression si les entreprises internalisent leurs outils.
Je pense qu’on va se retrouver avec plus de software que jamais
Paradoxalement, l’IA ne réduit pas le software. Elle explose sa production. La barrière à l’entrée n’a jamais été aussi faible.
Créer un CRM interne en quelques jours devient réaliste. (mais ce n’est pas forcément la bonne solution, le doigt dans un engrenage énorme..)
La valeur monte d’un étage avec moins dans l’interface, plus dans l’orchestration, encore plus dans la donnée.
Si vous voulez aller plus loin, il est important de réfléchir à :
quelles briques sont vraiment stratégiques ?
quelles briques sont remplaçables ?
quelles compétences internes développer pour ne pas dépendre d’une rente externe ?
Les gagnants ne seront pas ceux qui empilent les abonnements. Mais ceux qui comprennent où la valeur se déplace.
Merci 🫶🏼
D’avoir lu cette édition jusqu’au bout.
Si ça vous a plu, pensez à cliquer sur le ❤️ juste en dessous et partagez votre point de vue en commentaire👇🏼
Vous pouvez aussi partager la newsletter à votre entourage (ça me booste beaucoup 🙏) et gagner des cadeaux 🎁
1 parrainage = 1 hack personnalisé
3 parrainages = +400 outils IA triés par thématique et vertical métier
5 parrainages = 30 min de coaching sur votre problématique
À très vite !
Très informatif et concret. Je suis...
Article clair et efficace, loin des promesses bullshit qu'on voit partout, merci 🙏