Une agence confie une mission SEO complète à un agent IA, sans intervenir à aucune étape. Dès la troisième étape, une erreur d’API prive l’outil d’une partie de ses données. Que fait un agent IA face à un imprévu, seul ? C’est la question que nous avons voulu trancher par ce test pratique plutôt que par la théorie.
Un agent IA est un programme qui poursuit un objectif en choisissant lui-même ses actions, à la différence d’un chatbot qui répond ou d’un workflow qui suit un chemin fixé à l’avance. Nous avons voulu savoir ce que ça change concrètement en le mettant au travail sur une vraie mission SEO. Ce compte-rendu détaille ce qui a fonctionné, ce qui a échoué, et ce que ça change pour une organisation qui envisage d’automatiser une tâche avec un agent IA.
Avant de tester : qu’est-ce qu’un agent IA exactement ?
Avant de mettre un agent IA au travail, il faut savoir ce qu’on met réellement en jeu. Le terme est utilisé pour des systèmes très différents, tous fondés sur l’intelligence artificielle : un chatbot de support, un copilote de code, une automatisation marketing programmée à l’avance. Tous ne se valent pas, et la confusion entre ces catégories explique une partie des attentes déçues autour de ce sujet. On les appelle aussi, plus rarement, des agents intelligents.
Google Cloud définit les agents IA comme des « systèmes logiciels qui utilisent l’IA pour atteindre des objectifs et effectuer des tâches au nom des utilisateurs. Ils font preuve de raisonnement, de planification et de mémoire, et disposent d’un certain niveau d’autonomie pour prendre des décisions, apprendre et s’adapter. »
Source : Google Cloud, Qu’est-ce qu’un agent IA ? Définition, exemples et types, publié le 2 avril 2026.
Le tableau ci-dessous compare un agent IA à deux systèmes souvent confondus avec lui.
| Critère | Agent IA | Chatbot | Assistant IA |
|---|---|---|---|
| Déclencheur | Un objectif confié, l’agent planifie seul les étapes | Un message de l’utilisateur, à chaque tour de conversation | Une commande ou une demande ponctuelle |
| Autonomie | Choisit lui-même ses actions et leur enchaînement | Aucune, il répond dans le tour en cours | Limitée, il exécute une tâche précise puis attend la suivante |
| Action réelle sur le système | Oui, peut appeler des outils, écrire, modifier des données | Non, sauf outil externe branché manuellement | Oui, mais une action à la fois, sans enchaînement autonome |
La distinction la plus utile pour une entreprise n’est pourtant pas celle-là : c’est celle entre un agent et un workflow automatisé. Anthropic distingue les workflows des agents de façon précise. Un workflow orchestre des modèles et des outils selon un chemin de code prédéfini, connu à l’avance. Un agent, lui, dirige dynamiquement son propre processus et l’usage de ses outils, et garde le contrôle sur la façon d’accomplir la tâche, étape après étape.
Source : Anthropic, Building Effective AI Agents, publié le 19 décembre 2024.
Les grands éditeurs de modèles, dont OpenAI, publient chacun leurs propres cadres pour construire ce type de système. Les principes qui suivent dans cet article s’appliquent indépendamment du modèle utilisé.
Idée reçue
On associe souvent agent IA à progrès automatique : plus d’autonomie, forcément mieux. Anthropic recommande l’inverse. Pour construire une application avec un modèle de langage, la meilleure pratique reste de choisir la solution la plus simple possible, et de n’augmenter la complexité que si elle est nécessaire. Dans bien des cas, cela signifie ne pas construire de système agentique du tout. Un prompt bien écrit ou un workflow à chemin fixe suffit souvent à traiter une tâche répétitive et bien définie, avec moins de coûts et moins de risques d’erreur.
Comment fonctionne un agent IA ?
Concrètement, un agent IA s’appuie sur quelques briques précises. Ce sont celles que nous avons vues fonctionner, ou buter, pendant notre test.
- Un objectif. La mission confiée à l’agent, formulée clairement au départ. Dans notre test : analyser une page, comparer ses concurrents, produire des recommandations priorisées.
- Un modèle de langage. Un LLM (Large Language Model, ou grand modèle de langage, la famille de modèles qui alimente les assistants conversationnels) sert de moteur de décision. Il s’appuie sur des capacités de raisonnement et sur des techniques de traitement automatique du langage naturel (NLP) pour choisir la prochaine action à partir de l’objectif et de ce qu’il observe. Notre article sur le fine-tuning détaille comment ce type de modèle peut être adapté à une tâche précise.
- Des outils. L’agent n’agit pas dans le vide. Il appelle des outils externes via un protocole comme le MCP (Model Context Protocol, un protocole qui connecte un modèle de langage à des outils extérieurs : moteur de recherche, base de données, API tierce). Pendant notre test, l’agent a utilisé un outil de crawl et deux MCP de données SEO, l’un pour les positions et volumes de recherche, l’autre pour l’analyse des concurrents.
- Une mémoire. L’agent garde en contexte ce qu’il a déjà observé et décidé, pour ne pas répéter une action ou se contredire d’une étape à l’autre, une forme d’apprentissage propre à la mission en cours.
- Une boucle d’action. Objectif, analyse, action, observation du résultat, nouvelle décision. Cette séquence tourne en boucle : elle reprend à chaque nouvelle observation, et s’arrête quand l’objectif est atteint ou que l’agent juge la mission terminée.
C’est cette boucle agentique qui distingue vraiment un agent d’une simple automatisation programmée. À chaque tour, l’agent réévalue la situation avant de décider de la suite, au lieu de dérouler une séquence fixée d’avance, et apprend, dans une certaine mesure, de ce qui vient de se passer. C’est aussi ce qui rend son comportement plus difficile à prévoir dans le détail, même si l’objectif final, lui, reste fixé par la personne qui l’a formulé.
Nous avons confié une mission SEO complète à un agent IA
Le 17 août 2026, nous avons confié une mission réelle à un agent IA : analyser la page https://www.seo.fr/agence-geo, identifier sa problématique SEO, rechercher et analyser ses concurrents, repérer les écarts, puis proposer et prioriser des recommandations jusqu’à un plan d’action.
L’agent s’appuyait sur un modèle de langage d’Anthropic et disposait de trois outils réels : un outil de crawl, un MCP DataForSEO et un MCP Haloscan, tous deux dédiés aux données SEO (positions, volumes de recherche, concurrents identifiés par chevauchement de mots-clés).
La mission se décomposait en huit étapes : crawl de la page cible, diagnostic de la problématique SEO, recherche des concurrents, analyse détaillée de plusieurs d’entre eux, identification des écarts, formulation de recommandations, priorisation, puis rédaction d’un plan d’action.
La consigne était volontairement stricte sur un point : autonomie totale sur les huit étapes, aucune validation intermédiaire. Nous voulions observer ce que l’agent ferait seul, y compris face à un imprévu, sans que notre intervention vienne corriger sa trajectoire en cours de route.
Résultat n°1 : ce que l’agent réalise correctement
Sur les huit étapes de la mission, six se sont déroulées sans accroc : le crawl, le diagnostic, et les quatre dernières étapes de synthèse.
Le crawl de la page cible a réussi du premier coup : réponse HTTP 200 immédiate, contenu complet récupéré (1 751 mots, structure de titres, données de balisage, 40 liens internes). À partir de cette seule lecture, l’agent a posé un diagnostic préliminaire : une page correcte mais peu différenciante, sans preuve chiffrée propre, et sans certains types de balisage structuré utiles à la visibilité (Organization, Service, AggregateRating, Review).
Ce diagnostic, posé sur un simple crawl, a ensuite été confirmé, et non contredit, par les données de position obtenues à l’étape suivante. La page se classe par exemple en position 18 sur la requête « agence geo » (1 600 recherches mensuelles) et en position 4 sur « agence référencement IA générative ». Deux constats qui vont dans le même sens que le diagnostic initial : une page présente dans les résultats, mais loin d’y dominer.
Les quatre dernières étapes (écarts, recommandations, priorisation, plan d’action) ont été traitées par synthèse, à partir des données déjà collectées, sans nouvel appel d’outil et sans extrapolation non vérifiée. L’agent a par exemple comparé le volume de contenu et le balisage de la page à ceux de trois concurrents crawlés : entre 3 615 et 5 475 mots contre 1 751, et un balisage structuré nettement plus riche chez deux d’entre eux (Organization, Service, Offer, AggregateRating, Review). Pour une équipe SEO, c’est le résultat le plus utile du test : la collecte et la première analyse sont fiables, sourcées, et vérifiables a posteriori.
Résultat n°2 : les premières erreurs apparaissent
Deux étapes n’ont pas suivi le chemin prévu.
À l’étape 3, la recherche de concurrents, un appel à l’API Haloscan a échoué partiellement : 4 des 10 champs demandés (recherches associées, questions associées, synonymes, sites de référence) sont revenus en erreur, sans cause communiquée par l’API. L’agent n’a pas bloqué la mission. Il a continué avec les données disponibles : positions réelles issues de deux outils différents, volumes de recherche, et la liste des concurrents identifiés par chevauchement de mots-clés.
À l’étape 4, l’agent a dû arbitrer seul le périmètre de son analyse concurrentielle. Une quinzaine de concurrents avaient été identifiés (noiise.com, abondance.com, semji.com, eskimoz.fr, yumens.fr et d’autres). L’agent en a crawlé trois : deux concurrents directs et un format listicle dominant sur une partie du sujet. Un acteur cité comme leader dans plusieurs classements tiers, eskimoz.fr, n’a pas été analysé faute de temps de mission, alors que rien ne l’empêchait techniquement d’y accéder.
L’agent a aussi signalé, sans le trancher lui-même, un écart de fiabilité entre ses deux outils de données : sur une requête proche, l’une des sources indiquait une position en page 1 quand l’autre la plaçait en page 2. Plutôt que de choisir arbitrairement l’un des deux chiffres, il a consigné les deux et la limite qu’ils révèlent.
Ce que ces trois imprévus montrent n’est pas tant une faille que la façon dont l’agent l’a gérée : il improvise, mais documente son improvisation. L’erreur API, l’arbitrage de périmètre et l’écart entre outils sont tous restés traçables dans son compte-rendu, plutôt que dissimulés dans une réponse lissée.
Le vrai problème : une erreur peut-elle contaminer les actions suivantes ?
C’est le risque le plus souvent évoqué à propos des agents IA : une information incorrecte devient une décision, cette décision devient une action, cette action nourrit la décision suivante. Une erreur en début de mission peut, en théorie, s’aggraver à chaque étape plutôt que de rester isolée.
Anthropic documente ce risque sous le nom d’erreurs en cascade (*compounding errors*, une erreur qui influence les décisions suivantes, qui influencent à leur tour l’action suivante) : « l’autonomie des agents entraîne des coûts plus élevés et un risque d’erreurs en cascade. Nous recommandons des tests approfondis en environnement contrôlé, ainsi que les garde-fous appropriés. »
Source : Anthropic, Building Effective AI Agents, publié le 19 décembre 2024.
Le sujet dépasse un seul éditeur de modèle : c’est un risque générique aux systèmes agentiques, que le modèle sous-jacent vienne d’Anthropic, d’OpenAI, de Microsoft ou d’un autre fournisseur.
Sur notre test, cet effet ne s’est pas produit. La première lecture de la situation a tenu bon jusqu’au bout : aucune décision ultérieure n’a eu à être corrigée à cause d’une hypothèse de départ erronée.
Il faut cependant nuancer honnêtement ce constat. Ne pas avoir observé de contamination sur ce test ne veut pas dire que le risque n’existe pas. Il dépend probablement du type de tâche et du nombre d’étapes enchaînées. L’agent lui-même n’avait pas prévu de mécanisme de retour arrière formel si les données ultérieures avaient contredit son impression initiale : il a eu de la marge sur cette mission précise, sans filet de sécurité formel.
C’est pour cette raison que ce risque reste, malgré ce test, le point de vigilance principal pour une entreprise qui confie une tâche à un agent IA : une erreur n’est plus seulement produite, comme dans une réponse de chatbot qu’on peut ignorer. Elle peut être exécutée.
Jusqu’où faut-il laisser un agent IA agir seul ?
La bonne approche consiste à graduer l’autonomie accordée, tâche par tâche, plutôt qu’à choisir entre tout confier et ne rien confier.
| Niveau | Ce que fait l’agent | Contrôle humain | Exemple |
|---|---|---|---|
| Niveau 1 : Préparation | Recherche, collecte des données, propose des options | Validation systématique avant toute action | Veille concurrentielle, préparation d’un brief de contenu |
| Niveau 2 : Exécution contrôlée | Réalise des actions peu sensibles de façon autonome | Validation ciblée sur les points critiques uniquement | Mise à jour d’un tableau de suivi, publication d’un rapport interne |
| Niveau 3 : Autonomie élevée | Décide et agit seul, y compris sur des actions à impact | Contrôle a posteriori : permissions, suivi, journal d’activité (logs), mécanismes de validation | Correctifs techniques automatisés, ajustements d’une campagne en cours |
Le niveau 1 convient à la plupart des premiers usages en entreprise : l’agent produit une matière (données, options, ébauche), une personne décide. C’est le niveau le plus sûr et le plus simple à mettre en place.
Le niveau 2 suppose d’avoir déjà observé l’agent sur la tâche concernée, et de savoir distinguer une action réversible d’une action qui ne l’est pas. C’est le niveau où se situait notre test : les huit étapes ont été exécutées sans validation intermédiaire, mais sur une mission d’analyse, pas sur une exécution technique directe d’un site en production.
Le niveau 3, celui des agents véritablement autonomes, exige une infrastructure de contrôle sérieuse avant d’être raisonnable : permissions limitées à ce qui est nécessaire, journal de chaque action, et un moyen de revenir en arrière rapidement. C’est aussi le niveau où le risque de contamination d’erreur, décrit plus haut, a le plus de conséquences concrètes.
Vous hésitez sur le niveau d’autonomie à accorder à un agent IA ?
Nos consultants SEO et GEO font le point avec vous sur les tâches à automatiser en priorité, et celles qui doivent rester supervisées.
Quels sont les cas d’usage intéressants des agents IA ?
Au-delà du test que nous avons mené, les agents IA trouvent déjà des usages concrets dans plusieurs fonctions des organisations, sur des tâches parfois complexes.
Marketing
Veille concurrentielle, préparation de briefs de contenu, premiers jets de reporting. L’agent collecte et structure l’information ; une personne valide l’angle et le ton avant diffusion.
Commercial
Qualification de leads entrants, préparation de rendez-vous à partir des informations disponibles sur un prospect. Le gain se situe dans le temps de préparation, pas dans la décision commerciale elle-même, qui reste humaine.
Support client
Traitement des premières demandes simples des utilisateurs, avec escalade qualifiée vers une personne dès que la demande sort du cadre prévu. C’est aujourd’hui l’un des usages les plus matures du marché, souvent le premier déployé.
Analyse de données
Collecte et première synthèse d’un volume de données que personne n’a le temps de dépouiller manuellement. L’agent identifie des tendances et des anomalies ; l’interprétation business reste du ressort d’une personne.
Développement
Génération et revue de code assistées, avec des agents intégrés directement aux environnements de développement. Nous avons comparé deux de ces outils dans notre match entre Google Antigravity et Cursor, un exemple concret d’agent IA appliqué au code.
SEO et GEO
C’est l’usage que nous avons testé en conditions réelles dans cet article : collecte de données, catégorisation, comparaison de SERP (la page de résultats d’un moteur de recherche), monitoring de visibilité. Les résultats détaillés plus haut montrent où ça fonctionne, et où une vigilance humaine reste nécessaire.
Ce que nous automatiserions déjà en SEO
Sur la base de ce test et de nos observations plus larges, certaines tâches SEO nous semblent déjà mûres pour une utilisation en autonomie, avec une supervision légère.
- La collecte de données et la catégorisation de mots-clés, une tâche répétitive, bien définie, au résultat facilement vérifiable.
- La comparaison de SERP entre plusieurs concurrents, comme celle réalisée pendant notre test.
- La surveillance et la génération de rapports réguliers, avec recherche d’anomalies (une chute de position, une page qui disparaît d’un classement).
- Le monitoring GEO (Generative Engine Optimization), c’est-à-dire le suivi de la visibilité d’un site dans les réponses des IA génératives, un usage récent mais déjà mesurable.
Ces tâches partagent un point commun : leur résultat se vérifie facilement, et une erreur s’y corrige sans conséquence grave sur l’activité.
Ce que nous ne laisserions pas encore décider seul
À l’inverse, certaines décisions restent, à ce stade, du ressort d’une personne.
- La stratégie et l’arbitrage business : quel sujet prioriser, quel budget allouer, quel risque accepter.
- La compréhension profonde d’un client, de son marché et de ses contraintes, qui nourrit un choix éditorial ou une priorisation fine.
- La validation des recommandations à impact important, celles qui touchent au cœur d’un site ou à un budget significatif.
Notre test le confirme d’ailleurs indirectement : les recommandations produites par l’agent restent, dans notre méthode, un matériau de travail à discuter, pas un plan d’action à publier tel quel. Ce n’est pas un jugement définitif sur les capacités des agents IA. C’est une frontière qui reflète l’état de nos tests aujourd’hui, et qui devrait se déplacer avec le temps.
Plusieurs agents valent-ils mieux qu’un ?
Une idée revient souvent à propos des systèmes multi-agents : ajouter d’autres agents, en particulier un agent de contrôle chargé de vérifier le travail des autres, réduirait le risque d’erreur. L’idée se résume vite : un agent recherche, un agent analyse, un agent rédige, un agent contrôle le résultat avant publication.
La vraie question ne porte pas sur le nombre d’agents, mais sur ce qu’ils apportent réellement. Un agent de contrôle réduit-il les erreurs, ou ajoute-t-il seulement une couche de complexité, avec ses propres risques d’erreur ?
Notre test n’apporte pas de réponse tranchée sur ce point : il portait sur un agent unique, sans mécanisme de contrôle dédié, et n’a pourtant pas dérapé sur cette mission précise. C’est un sujet que nous laissons volontairement ouvert, et que nous testerons dans un prochain article.
Notre conseil d’expert
N’ajoutez pas un agent de contrôle par principe.
Ajoutez-en un seulement si vous pouvez mesurer qu’il réduit réellement les erreurs sur votre tâche précise. Un contrôle qui n’est jamais vérifié dans les faits ajoute de la complexité, sans rendre le résultat plus fiable pour autant.
Ce que cette expérimentation nous apprend
Un seul test ne permet pas de tirer une conclusion générale. Il permet en revanche de distinguer précisément ce qu’il montre, ce qu’il suggère, et ce qu’il ne permet pas d’affirmer, ce qui est déjà une base de décision plus solide qu’une impression.
- Ce qu’il montre : un agent bien outillé peut mener une mission SEO à plusieurs étapes avec peu d’intervention humaine, au moins sur des tâches de collecte et de première analyse.
- Ce qu’il suggère : les imprévus (erreur d’outil, absence de consigne stricte) se gèrent par contournement documenté plutôt que par blocage, mais rien n’indique que ce soit systématique sur toute mission.
- Ce qu’il ne permet pas de conclure : qu’un agent est fiable sans supervision sur une mission à enjeu business réel, ou sur une tâche plus longue et plus complexe que celle testée ici.
- Ce qu’il faudrait tester ensuite : une mission plus longue, avec un enjeu business réel, pour voir si l’effet de contamination d’erreur, absent ici, finit par apparaître.
Ces quatre niveaux de lecture sont, à notre sens, plus utiles qu’une conclusion unique sur « les agents IA fonctionnent » ou « les agents IA ne sont pas fiables ». Les deux affirmations sont, en l’état de ce test, également hâtives.
Comment commencer avec un agent IA en entreprise ?
Un test réussi ne se généralise pas automatiquement. Mais il donne une méthode de démarrage raisonnable, que nos observations et la grille présentée plus haut permettent de résumer en cinq étapes.
- Partir d’une tâche précise, au résultat vérifiable. Pas « améliorer notre SEO », mais « comparer notre contenu à trois concurrents sur un mot-clé donné ».
- Limiter les données accessibles et les permissions. L’agent ne doit accéder qu’aux informations nécessaires à la tâche, rien de plus.
- Mesurer le nombre d’interventions humaines et le temps réellement gagné. Sans cette mesure, impossible de savoir si l’agent apporte un bénéfice net.
- Identifier les erreurs possibles et garder une validation humaine sur les actions sensibles. Toute action difficile à annuler reste, au minimum, au niveau 2 de la grille présentée plus haut.
- Augmenter l’autonomie progressivement, étape après étape, en repartant de la grille à trois niveaux plutôt qu’en sautant directement au niveau 3.
Chez SEO.fr, nous nous situons à la croisée du SEO, du GEO, de la donnée et de l’automatisation. L’expérimentation décrite dans cet article en fait partie : nous testons ces outils sur nos propres pages avant d’en tirer une méthode pour nos clients. Et c’est cette façon de travailler qui guide notre agence.
Vous voulez évaluer ce qu’un agent IA peut faire, dès maintenant, sur votre périmètre SEO ou GEO ?
Nous partons d’une tâche précise et mesurable, exactement comme dans ce test.
Questions fréquentes
Quelle différence entre un agent IA et ChatGPT ?
Dans son usage conversationnel standard, ChatGPT répond à une question ou à une demande, un message à la fois. Un agent IA, y compris un mode agent proposé par ChatGPT, planifie plusieurs étapes et les exécute lui-même, sans attendre une nouvelle instruction à chaque tour.
Quelle différence entre un agent IA et un chatbot ?
Un chatbot répond dans le tour de conversation en cours, sans autonomie sur la suite. Un agent IA choisit lui-même ses actions et peut agir directement sur un système, comme le montre le tableau comparatif présenté plus haut dans cet article.
Un agent IA peut-il fonctionner de manière totalement autonome ?
Techniquement, oui, sur certaines tâches. Mais la réponse n’est pas binaire dans la pratique : le bon niveau d’autonomie dépend de la tâche, de sa réversibilité et de son enjeu. C’est l’objet de la grille à trois niveaux présentée plus haut dans cet article.
Peut-on utiliser des agents IA pour le SEO ?
Oui, notamment pour la collecte de données, la catégorisation de mots-clés et le monitoring de visibilité. Ce sujet mérite un article à part entière, que nous publierons prochainement.
