Dans la plupart des projets IA en entreprise, la date qui compte pour le prestataire est celle de la mise en production. Recette signée, documentation livrée, transfert de compétences fait, facture soldée. À partir de ce moment-là, le système entre dans sa vraie vie — et plus personne de l'équipe qui l'a construit n'est là pour la regarder.
C'est un problème de structure, pas de compétence. Un intégrateur en mode projet n'a aucune raison économique d'observer ce qui se passe au mois trois. Or c'est précisément entre le mois 1 et le mois 9 que l'infrastructure agentique apprend ce qu'elle n'a pas pu savoir au moment de sa conception. Cet apprentissage n'appartient à personne d'autre qu'à celui qui reste.
Mois 1 : vous travaillez sur des hypothèses
Au démarrage, tout ce que vous savez du processus vient de trois sources : ce que les métiers vous en disent, ce que la documentation prétend, et ce que les données historiques montrent. Ces trois sources sont utiles et partiellement fausses.
Les métiers décrivent le processus tel qu'il devrait être. La documentation décrit le processus tel qu'il était il y a deux ans. Les données montrent des cas majoritaires et masquent la longue traîne. Un agent conçu sur ces bases fonctionne — sur 75 à 85 % des cas. C'est déjà un résultat, mais ce n'est pas encore une infrastructure fiable.
Le mois 1 produit un système qui traite correctement ce qui était prévisible. Il ne dit rien de ce qui ne l'était pas.
Mois 3 : les cas limites arrivent tous en même temps
C'est là que la réalité entre. Un client qui envoie sa demande en trois mails séparés. Un fournisseur qui a changé de raison sociale sans changer de SIRET dans votre ERP. Une pièce jointe scannée à l'envers. Une demande rédigée dans un français approximatif par un interlocuteur allemand. Un format de référence produit abandonné en 2019 mais encore utilisé par deux gros comptes.
Aucun de ces cas n'est un bug. Ce sont des situations réelles que le périmètre initial n'avait pas de raison d'anticiper. Chacune demande une décision : est-ce qu'on apprend à l'agent à les traiter, est-ce qu'on les route vers un humain, est-ce qu'on les rejette proprement avec un message clair ?
Un prestataire parti au mois 1 ne voit rien de tout cela. Les métiers, eux, le voient — et leur conclusion est souvent : « l'outil ne marche pas ». C'est ainsi que meurent la majorité des projets IA : pas sur un échec technique, mais sur l'absence de quelqu'un pour absorber les six premiers mois de réalité.
Mois 6 : la dérive silencieuse
Plus subtile, plus dangereuse : la dérive. Vos données changent sans prévenir. Un nouveau champ apparaît dans le CRM. Une nomenclature produit est refondue. Un référentiel client est nettoyé et 400 doublons disparaissent. Une équipe adopte un nouveau vocabulaire interne qui ne figure nulle part dans ce que l'agent a appris.
Rien ne casse franchement. L'agent continue de répondre. Il se trompe simplement un peu plus souvent, sur des cas un peu plus nombreux, sans que personne ne puisse dire depuis quand. La qualité s'effrite par le bas.
Détecter cette dérive suppose deux choses : une observabilité en place depuis le premier jour, et quelqu'un qui regarde les courbes chaque semaine avec une mémoire de ce à quoi elles ressemblaient il y a trois mois. C'est une fonction d'exploitation, pas de projet.
Mois 9 : le processus a bougé, personne n'a pensé à le dire
Le dernier apprentissage est organisationnel. Au mois 9, il est probable que le processus que vous avez automatisé ait évolué. Un contrôle supplémentaire a été ajouté après un incident. Un seuil de validation a changé. Une étape a été supprimée parce qu'elle ne servait plus.
Ces décisions sont légitimes. Elles sont prises en comité, tracées dans un compte rendu, appliquées par les équipes. Et personne n'a pensé à prévenir l'agent, parce que l'agent n'est invité à aucune réunion.
L'opérateur qui reste occupe exactement cette place : il est la boucle de retour entre l'évolution de l'organisation et l'infrastructure qui l'exécute. Sans lui, l'écart se creuse jusqu'au jour où l'agent devient officiellement obsolète — et où l'on relance un projet.
Un exemple concret
Une ETI de distribution B2B, 280 salariés, met en production un agent de qualification des demandes de devis entrantes. Volume : environ 1 200 demandes par mois, réparties entre mail, formulaire web et portail partenaire.
Au mois 1, l'agent qualifie correctement 78 % des demandes. Résultat honnête, jugé décevant par l'ADV.
Entre le mois 2 et le mois 5, le travail d'exploitation traite 41 cas limites identifiés en production : demandes multi-mails, références obsolètes, clients en compte bloqué, demandes hors catalogue. Taux de qualification : 91 %.
Au mois 6, une dérive est détectée sur les demandes issues du portail partenaire — un changement de format côté partenaire faisait passer 60 demandes par mois en traitement manuel sans alerte. Correction en trois jours.
Au mois 9, l'agent intègre une nouvelle règle de priorisation décidée en comité commercial au mois 7. Taux de qualification : 94 %. Temps de traitement moyen divisé par quatre par rapport au point de départ.
Les 16 points gagnés entre le mois 1 et le mois 9 ne viennent d'aucune amélioration technologique. Ils viennent de neuf mois d'observation d'un système en production, dans une organisation réelle.
La durée est le livrable
On ne peut pas automatiser le chaos, et on ne peut pas non plus figer une organisation vivante dans un cahier des charges. Une infrastructure agentique n'est pas un produit qu'on installe, c'est un système qu'on exploite. Sa fiabilité se construit par accumulation de connaissance opérationnelle — une connaissance qui n'existe que dans la tête et les runbooks de celui qui est resté.
La bonne question à poser à un partenaire IA n'est donc pas « en combien de temps livrez-vous ? » mais « qui sera là au mois neuf, et comment saurez-vous que le système a dérivé ? ». Si la réponse est floue, vous n'achetez pas une infrastructure. Vous achetez un prototype avec un contrat de maintenance.
Chez Lynakor, nous n'intervenons pas en mode projet : nous opérons l'infrastructure agentique dans la durée, avec observabilité, runbooks et boucle de retour sur vos processus réels. Si vous voulez savoir à quoi ressemblerait le mois 9 chez vous, parlons-en.