Agents IA en Europe : passer de l'adoption à la maîtrise
OpenAI observe que Codex et ChatGPT Work représentent désormais plus de la moitié des jetons de sortie dans son échantillon européen d'entreprises. Ce signal ne mesure toutefois ni la valeur créée, ni la conformité, ni la souveraineté. Pour une entreprise belge ou française, le vrai chantier consiste à transformer l'intensité d'usage en processus maîtrisés.
1. Ce que mesure réellement l'étude
Le rapport porte sur les comptes ChatGPT Enterprise et Business observés par OpenAI. Dans cet échantillon, les outils agentiques dépassent la moitié des jetons de sortie. Chez les PME, définies ici comme les organisations comptant au plus 200 utilisateurs associés, le nombre d'utilisateurs actifs hebdomadaires de Codex et ChatGPT Work a été multiplié par 8,1 depuis mai 2026.
L'intensité reste très inégale : la part des jetons de sortie agentiques varie de 22 % à 85 % selon les pays de l'échantillon. En septembre, les entreprises européennes situées dans les 10 % d'usage le plus élevé produisaient plus de quatre fois plus de jetons par utilisateur que les entreprises européennes typiques, mais moins de la moitié du niveau des entreprises de tête hors UE. Ces chiffres sont des métriques d'usage d'un fournisseur, pas une mesure représentative de toute l'économie européenne ni une preuve de productivité.
2. Ce que cela change pour une entreprise belge ou française
Le passage de l'assistant à l'agent déplace le risque : un texte imparfait peut être corrigé, tandis qu'une action imparfaite peut modifier un CRM, un devis, une facture, un dépôt de code ou un droit d'accès. PME et ETI doivent donc sélectionner quelques processus mesurables avant d'étendre les usages. Les grandes entreprises et administrations doivent en plus gérer la séparation des responsabilités, les achats, les obligations sectorielles et les preuves d'audit.
Le nombre de jetons ou d'utilisateurs actifs reste insuffisant pour piloter cette transition. Il faut mesurer le taux de tâches terminées correctement, le temps humain réellement économisé, les reprises manuelles, les incidents, le coût complet, la qualité de service et l'effet sur les délais métier. Un agent qui génère davantage de volume sans résultat contrôlable peut accroître la dette opérationnelle.
3. Analyse Underside : gouverner la chaîne, pas seulement le modèle
Pour un agent relié à Odoo, à un RAG ou à une API métier, la gouvernance doit couvrir toute la chaîne : identité propre et révocable, permissions minimales, sources documentées, données classifiées, outils autorisés, journalisation des décisions et actions, validation humaine des écritures sensibles, budgets et procédure d'arrêt. Les prompts et le modèle ne représentent qu'une partie du système.
La souveraineté exige la même lecture de bout en bout. La localisation du service ne suffit pas : l'organisation doit connaître les régions de traitement, sous-traitants, accès de support, rétention, clés, dépendances de modèles et possibilités d'export. Une architecture locale, cloud ou hybride doit être choisie par classe de données et exigence de continuité, avec un scénario de remplacement testé.
4. Une trajectoire de déploiement en quatre preuves
Commencer par un processus borné et réversible. Établir ensuite une référence avant agent, puis tester qualité, coût, latence et charge humaine sur un échantillon représentatif. N'ouvrir les écritures qu'après validation des droits, journaux, seuils et retours arrière. Enfin, décider de l'extension sur la base des résultats métier plutôt que du volume d'utilisation.
Recommandation opérationnelle. Pour chaque agent, tenez une fiche unique indiquant propriétaire métier, finalité, données, modèle, outils, identité, droits, budget, validations humaines, journaux, indicateurs, procédure d'arrêt et solution de sortie. Cette fiche doit suivre chaque évolution de l'agent.
Cadrer un déploiement agentique