L'agent IA qui ne génère rien : filtrer plutôt que produire

L'agent IA que j'utilise le plus aujourd'hui ne produit pas une seule phrase. Il ne rédige pas mes messages. Il ne résume pas mes échanges. Il ne propose pas de réponse. Et c'est probablement le contre-exemple le plus utile que je puisse partager en ce moment sur les agents — parce que c'est précisément ce qu'il ne fait pas qui le rend efficace.

Il est en production depuis plusieurs semaines. Il tourne tous les matins, dans un environnement Chrome dédié. Il fait un travail ingrat, invisible, sans démo possible. Et il a réglé un problème que les agents génératifs n'auraient fait qu'aggraver.

Le problème : une messagerie LinkedIn devenue inexploitable

Comme beaucoup de dirigeants exposés, ma messagerie LinkedIn s'est progressivement transformée en zone de bruit. Trois flux se sont superposés sans qu'aucun ne soit vraiment filtrable côté plateforme :

• De la prospection commerciale, souvent automatisée, parfois personnalisée juste assez pour passer en première lecture.
• Des relances copier-coller à intervalles réguliers, qui rebondissent même quand on n'a pas répondu volontairement.
• Des messages automatiques déclenchés après une nouvelle connexion — séquences de nurturing déguisées en échanges spontanés.

Au milieu de ce flux, quelques vrais signaux : un ancien collègue qui croise une opportunité, un dirigeant rencontré en physique qui prolonge la conversation, une demande de mise en relation pertinente. Noyés. Pas perdus en théorie — perdus en pratique, parce que personne ne lit ligne à ligne deux cents messages par semaine.

La fausse bonne idée : l'agent qui résume

Ma première tentation a été classique, presque réflexe : monter un agent qui lit les messages et me génère un résumé quotidien. C'est ce que la plupart des démos IA mettent en avant aujourd'hui. C'est élégant, ça impressionne, ça se raconte bien.

Mais en y regardant à deux fois, c'était une mauvaise réponse au problème. Un résumé ne retire pas le bruit. Il ajoute une couche par-dessus le bruit. Je serais passé de deux cents messages à lire à un long résumé synthétique à lire — avec en prime le risque qu'un signal faible soit lissé dans la moyenne.

Ce que fait l'agent en production

J'ai donc gardé une approche purement opérationnelle. L'agent ne parle pas. Il décide. Tous les matins, il ouvre ma messagerie LinkedIn dans un environnement Chrome dédié, parcourt les conversations et applique une grille de classification en trois catégories.

Trois catégories, un verbe d'action par fil

• Archive — la conversation ne contient pas de signal exploitable et peut sortir de l'inbox active.
• À conserver — il y a un signal, mais rien qui justifie une action immédiate ; le fil reste accessible sans encombrer.
• Alerte — un signal fort détecté (réseau local, rencontre physique, opportunité concrète) qui mérite que je le voie tout de suite.

Des règles métier strictes, pas un LLM en roue libre

Ce qui rend l'agent fiable, ce n'est pas son modèle. Ce sont les règles qui encadrent ce qu'il a le droit de faire :

• Il garde en mémoire les fils déjà protégés pour ne pas les retraiter inutilement à chaque passage.
• Il n'archive jamais une conversation où j'ai déjà répondu — la trace d'engagement humain prime sur toute classification.
• Il met en favoris les fils jugés importants, pour les remonter au-dessus du flux entrant.
• Il applique un biais de prudence dès qu'il détecte un signal de réseau local, de rencontre physique ou d'opportunité réelle : en cas de doute, c'est « À conserver », jamais « Archive ».
• Si la session casse ou si un message classé en alerte arrive, je reçois une notification Telegram immédiate.

Pourquoi ça marche : logique métier > LLM en boucle

La majeure partie du travail n'est pas faite par un modèle de langage en boucle. Elle est faite par des règles déterministes : détection de patterns de prospection, présence de réponse antérieure, signaux de proximité géographique, présence du nom d'un contact connu. Le LLM n'intervient que sur les cas ambigus, et toujours pour classer — jamais pour produire.

Les conséquences sont concrètes. Le comportement est prévisible — je peux auditer pourquoi un fil a été archivé. Le coût d'exécution reste marginal, parce qu'on n'envoie pas l'intégralité d'une inbox à un modèle premium tous les matins. Et surtout, le périmètre de l'erreur est borné : au pire, un message est mal classé, jamais mal réécrit en mon nom.

La vraie valeur des agents IA n'est pas dans la création

C'est l'enseignement principal de cet usage, et il vaut au-delà d'une boîte LinkedIn. Quand on cherche un agent à vraiment fort effet de levier dans une organisation, on cherche presque toujours du mauvais côté en regardant ce qu'il pourrait écrire à notre place.

« L'agent intéressant n'est pas celui qui écrit à ta place. C'est celui qui décide à quoi tu n'as pas besoin de répondre. »

Filtrer, qualifier, router, prioriser, fermer les micro-frictions qui saturent les flux : c'est rarement spectaculaire en démo, mais c'est ce qui retire effectivement de la charge mentale et du temps de cycle. La création, elle, est très visible mais souvent superflue — voire contre-productive quand elle crée un faux signal qu'il faut ensuite vérifier.

Au-delà de LinkedIn : où ce pattern s'applique

Le même schéma — flux entrant saturé, signaux noyés, règles métier connues mais jamais appliquées faute de temps — se retrouve à peu près partout dans une PME ou une ETI :

• Mails entrants de la direction et des fonctions support.
• Tickets de support client à qualifier avant routage humain.
• Leads entrants à pré-scorer selon un ICP réel, pas théorique.
• Candidatures spontanées à filtrer sur des critères durs avant lecture RH.
• Demandes internes (IT, services généraux, juridique) à classer par urgence et type.
• Dossiers clients à prioriser quotidiennement en fonction d'événements récents.

Dans chacun de ces cas, la question utile n'est pas « est-ce qu'un agent peut rédiger la réponse ? ». C'est « est-ce qu'un agent peut me retirer de la lecture des cas qui ne méritent pas mon attention ? ». Les deux questions débouchent sur des architectures complètement différentes — et sur des ROI complètement différents.

Ce qu'un dirigeant doit retenir avant de lancer un projet agent

1. 01Partir du flux réel, pas du cas d'usage qui se démontre bien. La friction est là où ça sature, pas là où ça brille.
2. 02Distinguer dès le départ ce qui relève de la classification (logique métier + règles dures) et ce qui relève vraiment du langage. La majorité du travail utile relève de la première catégorie.
3. 03Borner ce que l'agent a le droit de produire — pour un agent de tri, la réponse est : rien. Cela divise par dix le coût et par cent le risque.
4. 04Garder une boucle d'alerte humaine sur les cas critiques. Un agent qui filtre bien 99 % du flux est inutile s'il fait disparaître le 1 % qui compte.

Le bon agent, parfois, est celui qui se tait

Les agents qui sortent du ROI ne sont pas toujours les plus impressionnants en démo. Ce sont souvent ceux qui retirent de la friction avant toute autre chose — silencieusement, dans un environnement isolé, sur un flux que personne n'a envie de regarder en détail.

C'est exactement ce type de sujet que nous traitons côté IA appliquée : partir du flux réel d'un dirigeant ou d'une équipe, identifier la friction, et automatiser uniquement ce qui mérite de l'être. Pas ce qui fait joli en démo.