Pendant longtemps, les agents IA ont surtout ressemblé à une belle promesse mal tenue.
On leur donnait un objectif vague, ils produisaient un plan impressionnant, lançaient quelques actions, puis finissaient souvent par tourner en rond, halluciner une étape, consommer des crédits API ou s'arrêter au mauvais moment. C'était fascinant en démonstration. Beaucoup moins dans un vrai environnement de production.
Pourtant, quelque chose a changé.
Depuis 2024 et surtout 2025, les agents IA sortent progressivement du folklore AutoGPT pour entrer dans des usages plus sérieux : automatisation métier, supervision, support, maintenance, prospection commerciale, contrôle qualité, gestion documentaire, workflows ERP/CRM, assistance aux techniciens. La promesse n'est plus "un assistant magique qui fait tout". Elle devient beaucoup plus intéressante : des agents spécialisés, connectés à des outils réels, capables d'exécuter des tâches bornées avec mémoire, journalisation et validation humaine.
C'est moins spectaculaire. C'est surtout beaucoup plus utile.
Et c'est précisément là que des outils comme Hermes Agent deviennent intéressants.
Une vieille idée qui a enfin trouvé son moteur
L'idée d'un agent logiciel n'est pas nouvelle. Dès le début des années 1990, des chercheurs comme Pattie Maes travaillaient déjà sur les agents autonomes, capables d'agir dans un environnement numérique pour accomplir une tâche. Le concept existait donc bien avant ChatGPT.
Ce qui manquait, c'était le moteur.
Avant les grands modèles de langage, un agent devait être programmé presque règle par règle. Il pouvait surveiller, classer, déclencher, mais il comprenait peu le contexte. Il savait suivre un scénario. Pas vraiment s'adapter.
L'arrivée des LLM a changé la donne : compréhension du langage naturel, raisonnement approximatif mais exploitable, capacité à utiliser des outils, génération de code, lecture de documents, interaction avec des interfaces. En 2023, AutoGPT et BabyAGI ont popularisé l'idée de l'agent autonome auprès du grand public tech. On donnait un objectif, l'agent le découpait en étapes et tentait d'avancer seul.
Le problème, c'est que la première vague était trop ambitieuse.
Ces agents voulaient tout faire, avec trop peu de garde-fous. Résultat : beaucoup de boucles, des actions inutiles, des erreurs difficiles à diagnostiquer et une fiabilité insuffisante. Sur Reddit, le retour terrain est assez clair : les agents généralistes restent fragiles, mais les agents étroits, liés à un workflow précis, commencent à produire de vrais gains.
C'est exactement le basculement actuel.
Pourquoi la promesse semblait illusoire
Les premiers agents IA ont souffert de quatre défauts majeurs.
D'abord, ils manquaient d'ancrage. Un agent sans accès fiable aux données métier travaille dans le vide. Il peut écrire un beau résumé, mais il ne sait pas si le stock est réel, si le client existe dans le CRM, si la machine est en défaut ou si la commande a déjà été traitée.
Ensuite, ils manquaient de mémoire. À chaque session, il fallait réexpliquer le contexte. Pour automatiser un processus, c'est catastrophique. Une entreprise ne fonctionne pas par conversations isolées. Elle fonctionne par historique, règles, exceptions, habitudes et responsabilités.
Troisième problème : l'absence de contrôle. Un agent qui agit sans journalisation, sans validation, sans limite de permissions et sans traçabilité n'est pas une innovation. C'est une bombe à retardement.
Enfin, beaucoup d'agents confondaient autonomie et improvisation. Dans l'industrie, ce n'est pas acceptable. On ne laisse pas un modèle modifier une consigne automate ou envoyer une commande fournisseur critique parce qu'il "pense" que c'est une bonne idée.
Sur un environnement industriel, la bonne approche est simple : l'agent observe, analyse, prépare, recommande, documente, alerte, exécute certaines actions autorisées. Mais les actions critiques restent sous contrôle humain ou sous règles déterministes.
Ce qui a changé depuis 2024
La situation devient sérieuse parce que plusieurs briques ont mûri en même temps.
Les modèles savent mieux utiliser des outils. Anthropic a introduit le "computer use" avec Claude 3.5 Sonnet en 2024, en reconnaissant d'ailleurs que la capacité restait expérimentale et parfois source d'erreurs. OpenAI a lancé Operator en 2025, basé sur son Computer-Using Agent, capable d'interagir avec des pages web par vision, clics et clavier. Ce n'est pas encore infaillible, mais le signal est net : les modèles ne sont plus seulement des générateurs de texte. Ils deviennent capables d'agir dans des interfaces.
Les intégrations se standardisent aussi. Le Model Context Protocol, publié par Anthropic, pousse une idée simple : connecter les assistants IA aux systèmes où vivent réellement les données. Fichiers, bases SQL, GitHub, Slack, outils internes, navigateurs, ERP. Sans connecteurs fiables, l'agent reste un perroquet. Avec des outils contrôlés, il devient une couche d'orchestration.
Les plateformes métier suivent. Microsoft parle désormais d'agents autonomes dans Dynamics 365 pour la qualification commerciale, le traitement des commandes, la communication fournisseurs ou la réconciliation financière. UiPath, historiquement positionné sur le RPA, pousse l'"agentic automation" en combinant agents IA, robots logiciels et humains dans une même orchestration. Zapier met en avant des agents connectés à des milliers d'applications pour scorer des leads, traiter des documents, router des tickets ou gérer des demandes.
Ce n'est plus seulement de la recherche. C'est un marché qui se structure.
Dans l'industrie, l'intérêt devient concret
L'exemple le plus parlant vient de Siemens.
En mai 2025, Siemens a annoncé des agents IA pour l'automatisation industrielle, intégrés à son écosystème Industrial Copilot. Le discours est intéressant parce qu'il ne parle plus seulement d'un chatbot industriel. Siemens décrit des agents capables d'exécuter des processus complets derrière les copilotes, avec un orchestrateur qui répartit les tâches entre agents spécialisés.
L'objectif annoncé est ambitieux : jusqu'à 50 % de gain de productivité pour certains clients industriels. Il faut évidemment prendre ce chiffre avec prudence. Une annonce constructeur reste une annonce constructeur. Mais le mouvement est clair : les agents IA arrivent dans les workflows de conception, planification, engineering, opérations et maintenance.
NVIDIA cite aussi des cas plus concrets autour de Siemens :
- Siemens Inspekto peut être entraîné en moins d'une heure avec seulement une vingtaine d'échantillons pour de l'inspection visuelle.
- Audi utilise l'IA industrielle dans ses ateliers de carrosserie, où plusieurs millions de points de soudure sont réalisés chaque jour.
- Des systèmes industriels certifiés pour GPU NVIDIA visent des usages comme la robotique, l'inspection qualité, la maintenance prédictive ou l'automatisation complexe.
Le point important n'est pas "l'IA remplace l'usine". Ce serait faux.
Le vrai changement, c'est que l'IA devient capable d'agir au-dessus des systèmes existants : SCADA, MES, ERP, GMAO, historien de données, supervision énergétique, ticketing, documentation technique. Elle peut relier des informations qui vivent habituellement dans des silos.
Prenons un cas simple.
Une ligne de conditionnement signale une hausse des rebuts. Aujourd'hui, un responsable doit regarder les alarmes SCADA, interroger l'historique, vérifier les lots matières, lire les derniers tickets maintenance, comparer les changements de recettes, puis rédiger un compte rendu. Un agent IA bien intégré peut préparer ce travail : récupérer les données, détecter les corrélations probables, retrouver une intervention similaire, proposer une hypothèse et générer un brouillon de ticket GMAO.
L'humain décide. L'agent réduit le temps perdu.
Même logique pour un technicien de maintenance : l'agent peut lire une alarme, retrouver la documentation constructeur, croiser l'historique machine, proposer une procédure de diagnostic et générer le rapport après intervention. Pas besoin de vendre ça comme une révolution. C'est déjà un gain énorme si cela économise 20 minutes par incident.
Les PME aussi sont concernées
L'erreur serait de croire que les agents IA ne concernent que les grands groupes industriels.
Pour une PME, les gains sont souvent plus rapides parce que les processus reposent encore sur beaucoup de tâches manuelles : emails, relances, devis, extraction de données, saisies CRM, appels manqués, factures, commandes fournisseurs, suivi de livraison, reporting.
Microsoft cite par exemple des agents Dynamics 365 pour :
- qualifier automatiquement des leads entrants ;
- préparer des emails commerciaux personnalisés ;
- traiter des commandes clients ;
- confirmer des commandes fournisseurs ;
- accélérer la réconciliation financière ;
- gérer les temps, dépenses et validations projet.
Zapier pousse le même angle côté PME avec des agents capables de travailler sur les outils déjà utilisés par l'entreprise : Gmail, Slack, HubSpot, Salesforce, Zendesk, Notion, Google Sheets, etc.
Les cas d'usage ne manquent pas.
Une entreprise de services peut automatiser le traitement des demandes entrantes : l'agent lit l'email, identifie le besoin, enrichit la fiche prospect, propose une réponse, crée une tâche de relance et alerte le commercial si le potentiel est intéressant.
Un sous-traitant industriel peut utiliser un agent pour analyser les demandes de prix : extraction des pièces jointes, résumé technique, vérification des délais, recherche d'anciennes affaires similaires, préremplissage du devis.
Un commerce ou une petite structure logistique peut automatiser une partie du suivi fournisseurs : détection des retards, relances, mise à jour d'un tableau de suivi, notification si une rupture risque de bloquer une commande client.
Le facteur clé reste le même : ne pas demander à l'agent de "gérer l'entreprise". On lui confie un processus précis, avec des entrées claires, des sorties attendues et des limites.
Hermes Agent : pourquoi cet outil mérite qu'on s'y arrête
Dans ce paysage, Hermes Agent a un positionnement particulier.
Ce n'est pas seulement une interface de chat. Ce n'est pas non plus un simple framework de développeur. Hermes Agent est un agent IA open source conçu pour vivre dans plusieurs environnements : terminal, desktop, WebUI, Telegram, Discord, Slack, Home Assistant, API, tâches planifiées. Il peut utiliser des outils système, lire et écrire des fichiers, naviguer sur le web, lancer des scripts, interagir avec des services, déléguer à des sous-agents et conserver de la mémoire entre les sessions.
Son point fort est ailleurs : Hermes apprend des procédures.
Avec son système de skills, il peut transformer une méthode de travail en connaissance réutilisable. Un skill n'est pas une simple note. C'est une procédure opératoire : quand l'utiliser, quelles étapes suivre, quelles commandes lancer, quels pièges éviter, comment vérifier le résultat. Pour l'automatisation, c'est très puissant. On sort du prompt jetable. On construit une mémoire de travail.
Hermes supporte aussi plusieurs fournisseurs de modèles. On peut utiliser OpenAI, Anthropic, OpenRouter, des endpoints personnalisés ou des modèles locaux selon les besoins. C'est important, parce qu'un même modèle n'est pas optimal pour tout. Certaines tâches demandent du raisonnement fort. D'autres demandent un modèle rapide et moins coûteux. D'autres encore doivent rester locales pour des raisons de confidentialité.
Autre point clé : la mémoire persistante. Hermes dispose de mémoire intégrée, mais peut aussi s'appuyer sur des fournisseurs externes comme Hindsight ou Honcho. Hindsight, par exemple, peut rappeler automatiquement le contexte pertinent avant chaque appel au modèle et retenir les échanges après réponse. Pour un agent qui travaille sur la durée, c'est une vraie différence.
Enfin, Hermes intègre les tâches planifiées, la délégation multi-agents, les toolsets, MCP et des intégrations comme Home Assistant. On peut donc passer d'un simple assistant conversationnel à une vraie couche d'orchestration.
C'est là que l'outil bouscule le marché : il rend accessible, en open source, une approche qui ressemble beaucoup plus à un système d'exploitation d'agents qu'à un chatbot amélioré.
Ce que cela change pour Indumia
Chez Indumia, ce sujet n'est pas théorique.
C’est dans cette logique qu’Indumia avance aujourd’hui sur l’IA agentique : partir des usages réels, tester les outils en conditions concrètes, puis identifier les processus où un agent peut vraiment faire gagner du temps sans ajouter une couche de complexité inutile.
L'expérimentation menée avec Hermes Agent permet déjà de tester les briques qui pourront demain s'intégrer à des contextes industriels ou PME : supervision augmentée, automatisation de process, recherche documentaire, prospection, reporting, mémoire métier, agents spécialisés, intégration avec des outils existants.
La valeur n'est pas de vendre "de l'IA". Le marché en est déjà saturé.
La valeur est d'identifier les processus où un agent peut réellement faire gagner du temps, réduire les erreurs ou améliorer la réactivité. Ensuite, il faut construire une intégration propre : données fiables, permissions limitées, validation humaine, logs, documentation, mesure du gain.
Pour une industrie, cela peut signifier une supervision plus intelligente, des techniciens mieux assistés et des incidents mieux documentés.
Pour une PME, cela peut signifier moins de relances oubliées, moins de saisie manuelle, des prospects mieux qualifiés, des devis préparés plus vite, des équipes qui passent moins de temps à chercher l'information.
Dans les deux cas, la logique est la même : partir du processus réel, pas du buzzword.
Alors, promesse illusoire ?
Oui, si l'on imagine un agent IA généraliste, autonome, infaillible, capable de gérer une entreprise ou une usine sans cadre.
Non, si l'on parle d'agents spécialisés, connectés aux bons outils, limités dans leurs permissions, capables de mémoriser les procédures et de travailler avec l'humain.
La première vague d'agents IA a vendu trop de rêve. La deuxième commence à livrer du concret.
Hermes Agent s'inscrit dans cette deuxième vague. Son intérêt ne vient pas d'une démonstration spectaculaire, mais d'une combinaison rare : open source, multi-modèles, multi-plateformes, mémoire persistante, skills, automatisations planifiées, outils système, intégrations et capacité à apprendre des workflows.
C'est exactement ce qu'il faut pour passer du chatbot à l'agent opérationnel.
Pas pour remplacer les équipes.
Pour leur rendre du temps, réduire les tâches répétitives et remettre l'humain là où il apporte le plus de valeur : l'analyse, la décision et l'action terrain.