L’IA agentique est partout dans les conférences, les rapports de cabinets et les pitches d’éditeurs. Et pour cause : elle existe, elle fonctionne, et elle produit déjà des résultats mesurables dans certains contextes. Mais entre ce qu’elle fait dans les démos et ce qu’elle déploie opérationnellement dans un centre de contact, il y a un écart que peu d’articles prennent le temps de mesurer honnêtement. C’est l’objet de celui-ci.
Selon l’étude PwC AI Agent Survey de mai 2025, 79 % des entreprises utilisent déjà des agents d’IA sous une forme ou une autre, mais seules 17 % ont franchi le cap du déploiement à grande échelle. Ce chiffre décrit précisément la situation : une technologie qui a prouvé sa valeur dans des contextes bien préparés, mais qui n’a pas encore démontré sa capacité à s’industrialiser dans des environnements plus complexes comme les centres de contact. Alors, pourquoi en parler ? Parce que les fondations se posent maintenant. Et parce qu’une direction CX qui attend que la technologie soit « prête » pour commencer à comprendre ce qu’elle est prendra plusieurs années de retard au moment où elle le réalisera.
IA agentique en centre de contact : où en est-on vraiment en 2026 ?
Le terme « IA agentique » est utilisé avec des niveaux d’autonomie très différents selon les éditeurs et les articles, ce qui crée une confusion réelle. Il mérite d’être posé clairement avant d’aller plus loin.
Un système est agentique quand il réunit cinq caractéristiques simultanément : il reçoit un objectif, pas une simple question. Il le décompose en étapes de façon autonome, sans qu’on lui dicte la séquence. Il utilise des outils : navigateur, API, base de données, CRM, code. Il prend des décisions intermédiaires en fonction de ce qu’il observe à chaque étape. Et il vérifie ses résultats, s’adapte si quelque chose ne fonctionne pas, et poursuit jusqu’à l’objectif. C’est cette boucle action-observation-décision qui distingue fondamentalement un agent IA d’un LLM conversationnel. Comme le formule le glossaire CX Armatis 2026 : « Contrairement au GenAI qui génère, l’IA agentique agit. »
Prenons un exemple concret pour ancrer la différence. Un client signale que sa facture est incorrecte. Un chatbot GenAI peut expliquer comment contester une facture. Un agent IA agentique peut accéder au dossier client, comparer la facture au contrat, identifier l’anomalie, créer un avoir, notifier le client et clore le ticket, sans qu’un conseiller n’intervienne. C’est ce passage de la réponse à la résolution qui définit l’IA agentique.
Cette technologie existe et fonctionne déjà dans plusieurs domaines. Dans le développement logiciel, des systèmes décomposent un ticket, écrivent le code, testent et corrigent en boucle autonome. Dans la recherche, des outils naviguent sur des dizaines de sources, lisent et synthétisent sans intervention à chaque étape. Dans la finance, des agents surveillent des transactions, détectent des anomalies et déclenchent des procédures. Ce n’est pas de la prospective : c’est en production. Pourquoi le centre de contact est-il en retard sur ces contextes ? Parce que la relation client est structurellement plus complexe à automatiser de façon agentique : données hétérogènes, systèmes souvent mal intégrés, charge émotionnelle forte, contraintes réglementaires spécifiques, et tolérance au risque d’erreur beaucoup plus faible. Ce n’est pas que la technologie n’est pas là : c’est que les conditions pour la déployer sérieusement prennent du temps à réunir.
Pour comprendre pourquoi tout le monde en parle, il faut regarder les projections de marché et les premières données terrain. Le marché de l’IA agentique est estimé à 7 milliards de dollars en 2025 et devrait atteindre 93 milliards d’ici 2032, selon les analyses compilées par Apizee. Ce taux de croissance n’est pas celui d’une niche technologique en cours d’expérimentation : c’est celui d’une technologie qui s’apprête à restructurer des marchés entiers.
Sur les centres de contact spécifiquement, les projections sont tout aussi saisissantes. Gartner estime que 80 % des demandes clients courantes seront résolues par une IA agentique sans intervention humaine d’ici 2029. Cisco projette que 68 % des interactions de service client seront gérées de bout en bout par l’IA agentique d’ici 2028. Salesforce, de son côté, indique que 30 % des cas de service sont déjà résolus entièrement par l’IA, avec une projection à 50 % d’ici 2027. Ces chiffres reposent sur des observations de programmes réels, même si les « cas résolus par l’IA » incluent aujourd’hui surtout des demandes simples.
Les économies potentielles alimentent aussi l’enthousiasme. Gartner estime que l’IA conversationnelle et agentique pourrait réduire les coûts de main-d’oeuvre dans les centres de contact de 80 milliards de dollars d’ici 2026 à l’échelle mondiale. Et selon une étude Cornell citée par PwC, les équipes mixtes humain-IA sont déjà 60 % plus productives que des équipes 100 % humaines sur les mêmes tâches. Ce dernier chiffre pointe vers quelque chose d’important : le gain ne vient pas du remplacement de l’humain, mais de la combinaison.
Entre les projections à 5 ans et l’absence totale de déploiement, il y a une réalité intermédiaire qui mérite d’être décrite avec précision. L’IA agentique n’est pas absente des centres de contact. Elle y est présente sous des formes partielles, dans des périmètres bien délimités, avec des prérequis techniques souvent sous-estimés.
Le cas le plus documenté est celui d’Orange avec son système ClariFibre, déployé fin 2024 pour traiter automatiquement les échecs de raccordement à la fibre. ClariFibre capte les données issues d’une vingtaine de systèmes, raisonne sur les causes possibles et agit automatiquement : envoi d’un SMS, mise à jour du dossier, correction de l’anomalie identifiée. Résultat : temps d’analyse des tickets réduit de 75 %, formation des techniciens accélérée de 50 %. C’est un exemple d’IA agentique mature, sur un périmètre bien défini, avec des données structurées et des actions clairement délimitées.
Dans le secteur financier, BPCE Financement a mis en oeuvre un moteur d’orchestration de campagnes piloté par l’IA pour individualiser chaque contact client, aboutissant à +30 % de chiffre d’affaires marketing. Ce n’est pas de l’IA agentique au sens pur du terme, mais c’est la même logique : un système qui agit de façon autonome, prend des décisions contextuelles, et produit des résultats mesurables.
Ce que ces exemples ont en commun : un périmètre bien défini, des données structurées et accessibles, un objectif mesurable, et une gouvernance humaine sur les cas d’exception. Ce sont exactement les conditions qui manquent dans la plupart des centres de contact quand ils envisagent de déployer de l’IA agentique à grande échelle.
L’honnêteté sur les limites actuelles n’est pas du pessimisme : c’est une lecture utile pour les directions CX qui veulent se préparer sérieusement plutôt que de subir la prochaine vague de démonstrations commerciales.
Le premier frein est la qualité des données. Un agent IA agentique est aussi intelligent que les données auxquelles il a accès. S’il interroge un CRM mal tenu, une base de connaissance obsolète ou des systèmes non connectés entre eux, il produira des actions incorrectes. Comme le résume un observateur du marché : « Une IA agentique ne compense pas une connaissance floue, contradictoire ou non tenue à jour. 2026 met la pression sur la qualité éditoriale. » Avant de déployer de l’IA agentique, il faut structurer sa connaissance. C’est souvent le chantier le plus long.
Le deuxième frein est l’intégration technique. L’IA agentique a besoin d’accéder à des systèmes hétérogènes en temps réel, de les lire et d’y écrire. CRM, ERP, outils de ticketing, bases de facturation : chaque intégration est un projet en soi. La plupart des centres de contact travaillent encore avec des systèmes qui ne communiquent pas fluidement entre eux. C’est un prérequis d’infrastructure que la technologie ne résout pas à elle seule.
Le troisième frein est la gouvernance et la conformité. L’IA agentique prend des décisions et déclenche des actions. Qui est responsable quand une décision est incorrecte ? Quels garde-fous empêchent une action irréversible sur un dossier sensible ? En Europe, l’AI Act est entré en vigueur en août 2024 et son applicabilité générale court depuis août 2026. Les systèmes à haut risque sont soumis à des obligations de transparence, de supervision humaine et d’audit. Ce cadre n’est pas un obstacle au déploiement, mais il impose une rigueur de conception que les projets menés uniquement sous pression technologique ont tendance à négliger.
La question que tout le monde pose en sous-texte est celle de l’emploi. Elle mérite une réponse directe, fondée sur les données disponibles plutôt que sur les convictions.
La projection la plus réaliste n’est pas celle d’un remplacement massif mais d’une redistribution des tâches. McKinsey le formule précisément : les équipes mixtes humain-IA sont plus productives, pas moins nombreuses sur les cas qui comptent. Les volumes d’interactions ne diminuent pas avec l’automatisation : ils augmentent, parce que les barrières à la prise de contact s’abaissent. 57 % des responsables customer care anticipent une augmentation des volumes d’appels dans les 1 à 2 ans, précisément alors que l’automatisation s’accélère.
Ce qui change, c’est la nature du travail. Les conseillers qui gèrent aujourd’hui des demandes simples et répétitives seront progressivement positionnés sur les cas que l’IA ne peut pas traiter : situations complexes, charge émotionnelle élevée, décisions sensibles, interactions à fort enjeu commercial. Ce repositionnement est une opportunité pour les équipes qui s’y préparent, et un risque pour celles qui ne s’y préparent pas. Comme le formule BPCE Financement dans son témoignage avec Armatis : « Pour les cas simples, 100 % IA. Pour les cas complexes, 100 % humain, accompagné par des outils d’intelligence artificielle. » C’est l’équilibre vers lequel tendent tous les acteurs sérieux du marché.
Pour une direction CX qui veut se préparer sérieusement sans tomber dans le piège du POC qui ne passe jamais en production, le chemin est balisé.
La première étape est de cartographier les interactions par complexité et par volume. Quels sont les cas les plus fréquents, les plus simples, les mieux documentés ? Ce sont les premiers candidats à l’automatisation agentique. Un processus de remboursement standard, une mise à jour d’adresse, un suivi de livraison : ces interactions ont une logique claire, des données disponibles et un résultat vérifiable. C’est là que l’IA agentique démontre d’abord sa valeur.
La deuxième étape est d’auditer la qualité de la base de connaissance et des intégrations systèmes. L’IA agentique amplifie ce qui existe : une bonne base de connaissance devient un moteur de résolution autonome, une base approximative devient une source d’erreurs autonomes. Cet audit est souvent révélateur, et presque toujours inconfortable.
La troisième étape est de définir la gouvernance avant le déploiement : quels cas nécessitent une validation humaine, quels seuils de confiance déclenchent une escalade, comment les décisions de l’agent sont-elles tracées et auditables ? Ces questions de gouvernance ne sont pas des contraintes qui freinent le projet : elles sont ce qui permet de l’industrialiser sans créer de risques opérationnels ou réglementaires.
Chez Armatis, c’est cette logique de progression maîtrisée qui guide notre approche technologique. La suite SquAire intègre IA et orchestration des processus dans une architecture conçue pour combiner performance humaine et automatisation intelligente : SquAire Interaction pour la centralisation omnicanale, SquAire Quality pour le quality monitoring enrichi par l’IA, SquAire Knowledge pour la gestion de la connaissance. Non pas pour remplacer les conseillers, mais pour leur donner les moyens de se concentrer sur ce qui a de la valeur. Pour aller plus loin sur l’intelligence contextuelle dans la relation client, notre article sur le passage de l’automatisation à la vraie personnalisation détaille cette évolution en cours.
Un chatbot conversationnel répond à des questions dans un cadre prédéfini : il comprend une intention et produit une réponse. Une IA agentique agit : elle décompose un objectif, se connecte à plusieurs systèmes, prend des décisions intermédiaires, exécute des actions et vérifie ses résultats, sans supervision humaine constante. La distinction n’est pas de degré, elle est de nature.
Les données disponibles pointent vers une redistribution plutôt qu’une suppression. Les volumes d’interactions augmentent avec l’automatisation, parce que les barrières à la prise de contact s’abaissent. Ce qui change, c’est la nature des tâches : l’IA prend en charge les cas simples et répétitifs, les conseillers se concentrent sur les situations complexes, émotionnelles et à fort enjeu commercial. Les équipes mixtes humain-IA sont 60 % plus productives selon les données McKinsey, ce qui plaide pour une évolution des rôles plutôt qu’une réduction des effectifs.
Trois prérequis sont non négociables : une base de connaissance structurée et à jour, des intégrations systèmes fonctionnelles (CRM, ERP, outils métiers), et une gouvernance définie sur les décisions automatisées. Ces prérequis sont souvent le vrai travail, plus long que le déploiement de la technologie elle-même.
Les premières industrialisations sur des périmètres bien délimités existent dès maintenant. Une généralisation à des interactions complexes et émotionnelles est encore à plusieurs années. Gartner projette 80 % des demandes courantes résolues par IA agentique d’ici 2029. Ce qui se joue en 2026, c’est la mise en place des fondations : données, intégrations, gouvernance, formation des équipes.
L’AI Act est entré en vigueur en août 2024, applicabilité générale depuis août 2026. Les systèmes classés à haut risque sont soumis à des obligations de transparence, supervision humaine, traçabilité et audit. Ces obligations imposent une conception rigoureuse mais ne bloquent pas les déploiements.
Sources
Armatis est un leader de l’expérience client (CX) qui transforme la relation marque-consommateur en un levier de performance durable. Expert du BPO, le groupe orchestre des modèles hybrides où l’innovation technologique et l’intelligence artificielle augmentent l’excellence humaine. Sous sa signature ‘Delivering Value’, Armatis accompagne la transformation des organisations avec une approche centrée sur la pertinence, l’empathie et l’impact business.
Contactez nos équipes pour échanger sur vos enjeux.
Rejoignez les leaders qui font confiance à notre expertise multilingue et technologique.