Agentforce et agents IA au Mexique : un signal concret pour la banque, l'assurance et l'enterprise

Inés Rodríguez, cofondatrice de Hábil, a assisté au Salesforce Agentforce World Tour México 2026, et le signal était clair : les entreprises évaluent désormais les agents d'IA au-delà de l'interface conversationnelle. Les agents peuvent consulter, proposer, acheminer ou exécuter des actions délimitées ; leur niveau d'autonomie se définit en fonction du risque, avec des permissions minimales, une approbation humaine lorsqu'elle s'impose et un moyen d'annuler.

La conversation la plus pertinente de l'événement n'a pas porté sur « plus de chat », mais sur la manière de connecter les personnes, les applications, les données et l'automatisation au sein du flux de travail quotidien. En ce sens, la proposition d'Agentforce comme couche d'agents au-dessus des processus d'entreprise dessine une direction intéressante : l'IA commence à passer du terrain de la démonstration à celui de l'exploitation. Slack peut être l'interface de collaboration de certains flux ; sa valeur dépend de la capacité de l'intégration avec les systèmes transactionnels et d'identité à préserver les permissions, le contexte et la traçabilité.

Le problème n'est pas de générer des réponses, mais d'opérer avec le contexte

En entreprise, bien répondre à une question isolée ne résout pas grand-chose. La valeur apparaît lorsqu'un système peut comprendre l'état d'un client, lire les signaux de plusieurs plateformes, prioriser des actions et participer à un flux réel sans rompre la traçabilité, la sécurité ni la gouvernance.

C'est là que se situe la différence entre une démonstration séduisante et une mise en œuvre sérieuse. Un agent d'entreprise utile ne se contente pas de parler. Il lui faut aussi un accès contrôlé aux bonnes données, le contexte du processus, l'intégration aux systèmes existants, des règles métier, de l'observabilité et des limites claires sur ce qu'il peut faire ou non. Sans cela, l'IA se réduit à une jolie couche posée sur des données fragmentées.

Pourquoi tant de pilotes d'IA échouent au passage en production

Le passage d'un pilote à la production révèle généralement ce qu'une démonstration n'expose pas : qualité et accès aux données, intégration, responsables, contrôles et exploitation continue. La cause n'est généralement pas le modèle lui-même. Le problème se situe presque toujours dans la couche environnante : données incomplètes ou dispersées, processus non standardisés, intégrations fragiles, absence de porteur désigné, attentes surdimensionnées et absence d'une architecture capable de soutenir une exploitation réelle.

Autrement dit : de nombreuses organisations tentent de placer des agents sur des processus qui reposent encore sur un suivi manuel, sur plusieurs outils déconnectés et sur un savoir opérationnel non documenté. Lorsque les données, les règles et les responsables sont incohérents, un agent reproduit les erreurs plus rapidement ; c'est pourquoi la préparation opérationnelle précède l'automatisation.

Où nous voyons une valeur réelle

Nous voyons de la valeur dans les cas où le contexte, le temps de réponse et la coordination entre les équipes influent directement sur l'expérience client ou sur l'efficacité. Le potentiel le plus intéressant ne consiste pas à ajouter un chatbot de plus, mais à orchestrer le travail contextuel dans ces processus.

Dans des secteurs comme la banque, l'assurance et l'entreprise, cela peut se traduire par des domaines tels que l'accueil et le service avec un contexte unifié ; l'opération interne et la productivité ; le suivi commercial et l'expérience client ; l'automatisation des tâches répétitives ; et l'aide à la décision. Il ne s'agit pas de remplacer le jugement humain, mais d'aider les équipes à décider plus vite avec un meilleur contexte.

Dans les industries réglementées, il ne suffit pas que cela fonctionne

Pour la banque, l'assurance et les organisations à opération critique, la conversation doit être plus rigoureuse. Il ne suffit pas qu'un agent réponde bien dans un environnement contrôlé. Il faut aussi répondre à des questions comme : d'où provient la donnée —la source autorisée, la date de consultation, les données utilisées et le système d'enregistrement qui prévaut en cas de conflit—, quelle action l'agent a menée, qui l'a autorisée, comment elle est auditée, comment elle est bornée et que se passe-t-il lorsque le contexte est incomplet ou contradictoire.

C'est le point où de nombreuses initiatives d'IA d'entreprise se séparent en deux voies : celles qui génèrent une valeur durable et celles qui restent à l'état de vitrine.

Au Mexique, la conception prend en compte, selon le cas et l'entité, la protection de la vie privée et le secret financier, les dispositions de sécurité et de continuité applicables aux institutions supervisées et le contrôle des tiers, avec des preuves suffisantes pour l'audit.

Notre lecture après l'événement

Le plus précieux de l'événement n'a pas été de confirmer que l'IA arrive en force. L'important a été de voir que la conversation de l'écosystème d'entreprise commence à mûrir vers des sujets plus utiles : contexte, intégration, exploitation, gouvernance et productivité réelle.

Chez Hábil, nous croyons que c'est là que se trouve la bonne opportunité : non pas dans la poursuite du battage médiatique, mais dans la conception et la mise en œuvre d'expériences où l'IA peut s'intégrer utilement à des processus complexes. Pour que cela se produise, la bonne question n'est pas seulement quel modèle utiliser, mais quelle architecture, quelles données, quels flux et quels contrôles rendent un agent viable en production.

Dans les processus critiques, l'objectif n'est pas de supposer que rien ne tombe en panne, mais de concevoir des contrôles qui préviennent les actions indues, détectent les écarts et font remonter les exceptions.

Avant de mettre un agent en production, nous examinons cinq conditions : un cas d'usage et un risque délimités ; des sources de données autorisées ; des permissions et approbations définies ; la trace de chaque interaction et action ; et des indicateurs de qualité, d'impact et d'escalade. Si l'une manque, l'étape suivante n'est pas d'automatiser : c'est de combler cette lacune.