Faut-il vraiment un agent IA plutôt qu'un workflow ?

Pourquoi utiliser un agent IA quand un workflow suffit ?

Un agent IA peut choisir ses outils, décider de ses prochaines actions et modifier son plan en fonction des résultats. Cette autonomie est utile quand le chemin vers l'objectif est inconnu. Pour un processus dont les étapes sont déjà définies, elle ajoute des décisions à surveiller.

Dans une automatisation classique, chaque condition oriente vers une action prévue. Si l'on reçoit un formulaire, qu'on vérifie ses champs et qu'on envoie une confirmation, un workflow suffit. L'ajout d'un agent ne rend pas nécessairement cette chaîne plus efficace.

Dans Building effective agents, Anthropic recommande de commencer par la solution la moins complexe qui résout le problème. Le laboratoire distingue les workflows, dont les chemins sont définis par le code, des agents, où le modèle dirige lui-même l'exécution.

Trois approches pour automatiser un même besoin

1. Workflow classique : un déclencheur, des règles, puis des actions. Les étapes sont connues. Le comportement est facile à prévoir et à tester.

2. Workflow assisté par IA : les étapes restent définies, mais un modèle intervient pour une tâche délimitée, comme extraire une information, classer une demande ou résumer un document. L'IA traite une étape, elle ne pilote pas l'ensemble.

3. Agent IA autonome : on fournit un objectif et des outils. L'agent choisit quoi faire, observe les résultats et décide de la suite. La trajectoire peut changer d'une exécution à l'autre.

L'infographie ci-dessous résume les différences d'architecture. Les qualificatifs de coût et de fiabilité décrivent des tendances, pas une garantie applicable à tous les projets.

Un exemple concret : automatiser la veille des appels d'offres

Imaginons une entreprise qui veut détecter de nouveaux appels d'offres, vérifier leur pertinence et préparer une synthèse pour son équipe commerciale.

En workflow classique, on interroge une API, on filtre des mots-clés ou des codes CPV, on supprime les doublons et on envoie les résultats. Les règles sont transparentes. En revanche, un dossier pertinent formulé avec un vocabulaire inattendu peut passer à travers.

Avec un workflow assisté par IA, on conserve ces étapes, puis on demande à un LLM d'évaluer les offres candidates selon une grille connue : secteur, localisation, montant, critères d'éligibilité. Le modèle renvoie par exemple un score, une justification et les éléments manquants, sous un format JSON contrôlé. Le code reste responsable du déclenchement et de l'envoi.

Avec un agent autonome, on pourrait lui demander de trouver les marchés pertinents, consulter plusieurs sources, rechercher des précisions et décider quand son enquête est suffisante. Ce niveau d'autonomie a du sens si les informations sont dispersées et que les dossiers nécessitent des recherches différentes. Pour filtrer chaque matin une API structurée, il risque surtout de compliquer le dispositif.

Dans n8n, la présence d'un nœud LLM ne transforme donc pas automatiquement un workflow en agent : la différence réside dans la capacité du modèle à décider lui-même du parcours et de ses appels d'outils.

Ce que coûte l'autonomie d'un agent

Un workflow prévisible permet de localiser une erreur à une étape précise. Avec un agent, une mauvaise observation peut produire une mauvaise décision, puis influencer toutes les décisions suivantes. Il faut conserver l'historique des actions, inspecter les réponses des outils et prévoir comment reprendre après un échec.

L'autonomie introduit aussi un coût variable. Un agent peut multiplier les appels au modèle et aux outils avant d'atteindre son objectif, tandis qu'un workflow fixe borne plus facilement le nombre d'étapes. Le résultat n'est pas forcément mauvais : il peut être plus complet. Mais il faut comparer ce gain au temps, à la latence et aux dépenses supplémentaires.

Dans sa conférence How We Build Effective Agents, Barry Zhang, ingénieur chez Anthropic, prend l'exemple du développement logiciel : la tâche est complexe, mais son résultat peut être contrôlé par des tests et une intégration continue. Ce caractère vérifiable rend l'autonomie plus intéressante.

À l'inverse, envoyer des messages, modifier des données ou déclencher des achats sans contrôle augmente le coût potentiel d'une erreur. Les autorisations techniques, les limites de budget et les validations humaines doivent être prévues dans l'architecture, et non laissées à une seule instruction dans un prompt.

Comment décider entre workflow et agent IA ?

Le critère décisif est la liberté de décision nécessaire pour réussir la tâche. Si tu peux dessiner les étapes et les embranchements en quelques minutes, commence par un workflow. Si un modèle doit seulement interpréter une donnée ambiguë, ajoute une étape LLM encadrée.

Un agent devient pertinent lorsque les chemins sont nombreux, que les informations changent en cours de route et que le système doit choisir ses outils ou réviser sa stratégie. Encore faut-il pouvoir vérifier son résultat et limiter les conséquences des erreurs.

La progression la plus saine consiste à partir du workflow, mesurer ses limites, puis ajouter de l'autonomie là où elle apporte un gain démontrable. La sophistication du diagramme ne dit rien de la qualité de l'automatisation.