IA agentique en entreprise : jusqu’où la laisser décider et agir ?

Après avoir utilisé l’intelligence artificielle pour rédiger, analyser ou assister leurs équipes, les entreprises abordent une nouvelle étape. Des agents IA peuvent désormais repérer un problème, proposer une action et parfois l’exécuter. Mais jusqu’où faut-il leur donner la main ? Entre gain de temps, contrôle des données, responsabilité et risque pour l’image de marque, l’autonomie de l’IA devient un vrai sujet de direction. Jocelyn Denis, PDG fondateur de Digitaleo, répond aux questions de Business Times.

Pendant deux ans, l’intelligence artificielle en entreprise a surtout joué le rôle d’assistant. Elle rédige un mail, résume un document, prépare une publication ou aide à analyser des données.

Dans ce modèle, l’humain reste au centre. Il pose la question, vérifie le résultat, puis décide de la suite.

Désormais, une nouvelle étape commence. Certains outils ne se contentent plus de produire une réponse. Ils peuvent analyser une situation, repérer un problème et proposer une action. Dans certains cas, ils peuvent même l’exécuter.

La question change donc de nature.

Il ne s’agit plus seulement de savoir ce que l’IA sait faire. Il faut maintenant décider jusqu’où une entreprise peut la laisser agir en son nom.

L’IA ne se contente plus d’assister les salariés

La différence peut sembler faible. Pourtant, elle change beaucoup de choses.

Lorsqu’une IA prépare le brouillon d’un message, un salarié peut le relire avant de l’envoyer. En revanche, si l’outil publie directement ce message, l’entreprise lui confie une responsabilité supplémentaire.

Le même raisonnement vaut pour les avis clients, les réseaux sociaux ou le référencement.

Une mauvaise suggestion reste sans effet si personne ne l’applique. À l’inverse, une mauvaise action peut devenir visible en quelques secondes.

C’est là qu’intervient ce que le secteur appelle l’IA agentique.

Derrière ce terme technique se cache une idée assez simple. Au lieu d’attendre chaque demande d’un utilisateur, le système peut suivre une situation et lancer certaines tâches selon des règles prévues à l’avance.

Ainsi, l’outil ne se limite plus à répondre. Il entre peu à peu dans l’action.

Cette évolution intéresse directement les dirigeants. Elle touche à la productivité, mais aussi à la sécurité, aux données et à la responsabilité.

Business Times avait déjà abordé ce sujet à travers les inquiétudes des dirigeants face à la montée en puissance de l’IA. Une étude mondiale menée auprès de CEO montrait notamment le besoin de mieux contrôler les systèmes utilisés par les entreprises.

Le marketing local devient un terrain d’essai idéal

Le marketing local permet de comprendre très concrètement ce changement.

Une enseigne présente dans plusieurs centaines de villes doit gérer de nombreuses tâches. Elle suit ses avis clients, anime ses réseaux sociaux et actualise les informations de ses établissements.

Par ailleurs, elle doit travailler son référencement, mesurer ses résultats et aider chaque point de vente à communiquer.

À petite échelle, les équipes peuvent encore gérer une grande partie de ces opérations à la main.

En revanche, la situation change pour un réseau de plusieurs centaines ou milliers de points de vente. Le volume devient considérable.

L’automatisation permet alors de traiter davantage de tâches. Cependant, plus l’outil gagne en autonomie, plus l’entreprise doit fixer des limites précises.

C’est dans ce contexte que Digitaleo a développé Leo, son agent consacré au marketing local des réseaux de points de vente.

Selon la présentation de Leo publiée par Digitaleo, l’outil analyse les performances locales et peut proposer des actions autour des avis, des réseaux sociaux, du SEO ou encore du GEO.

Toutefois, toutes ces tâches ne disposent pas du même niveau d’autonomie.

Et c’est précisément ce point qui mérite l’attention des dirigeants.

Les avis clients influencent directement le choix des consommateurs

Le sujet prend d’autant plus d’importance que les habitudes des consommateurs évoluent.

Selon l’étude Présence sur les avis en ligne en 2026, 83 % des Français déclarent consulter les avis avant de se rendre dans un point de vente ou un établissement.

L’étude a été menée auprès de 1 350 Français représentatifs de la population.

Les avis ne sont donc plus un simple complément d’information. Ils interviennent directement dans la décision d’un client.

Pour les enseignes, leur gestion devient ainsi stratégique.

Pourtant, une question se pose immédiatement : faut-il laisser une IA répondre seule à un client mécontent ?

Le cas résume assez bien le problème.

Transformer automatiquement un avis positif en publication présente un risque relativement limité. En revanche, répondre à une personne qui vient de signaler une mauvaise expérience expose davantage la marque.

En effet, le modèle ne sait pas forcément ce qui s’est réellement passé dans le magasin.

L’entreprise doit donc faire une différence entre les actions.

Les assistants IA deviennent aussi des moteurs de recherche

Dans le même temps, les habitudes de recherche changent.

Pendant des années, les entreprises ont surtout cherché à apparaître dans les premiers résultats de Google. Désormais, elles doivent également penser aux réponses fournies directement par ChatGPT, Gemini ou d’autres assistants.

Le phénomène reste encore minoritaire par rapport au trafic global du Web. Toutefois, sa progression est rapide.

Le baromètre GEO publié par Valiuz suit notamment le trafic envoyé par les IA génératives vers les sites de grandes enseignes françaises.

Sa première édition portait sur 13 enseignes. Parmi elles figuraient Auchan, Boulanger, Decathlon, Kiabi, Leroy Merlin ou encore Norauto.

Entre décembre 2024 et décembre 2025, le trafic venu des IA avait été multiplié par 18. Puis, dans sa deuxième édition publiée durant l’été 2026, Valiuz a fait état d’un trafic multiplié par 20 en douze mois.

Cette évolution fait émerger une nouvelle pratique : le GEO.

Du SEO au GEO : les marques veulent être citées par les IA

GEO signifie Generative Engine Optimization.

En pratique, le principe reste assez simple. Une entreprise ne cherche plus seulement à apparaître dans les résultats classiques d’un moteur de recherche. Elle veut aussi être présente dans les réponses produites par une IA.

Autrement dit, après le référencement sur Google, les marques doivent commencer à penser à leur visibilité dans les réponses générées.

Une étude de Seer Interactive sur les AI Overviews de Google apporte un premier éclairage.

Elle porte sur plus de 25 millions d’impressions organiques aux États-Unis. Selon cette étude, les marques citées dans un AI Overview obtiennent 35 % de clics organiques supplémentaires par rapport aux marques non citées dans ces réponses.

Il faut néanmoins rester prudent. Seer Interactive précise elle-même que cette étude montre un lien, mais ne prouve pas que la citation par l’IA soit seule responsable de cette hausse.

Malgré cette réserve, la tendance intéresse forcément les entreprises.

Ainsi, le marketing local se retrouve désormais à la rencontre de plusieurs sujets : avis clients, réseaux sociaux, référencement classique et visibilité dans les réponses des IA.

L’automatisation devient donc tentante.

Qui décide de ce que l’IA a le droit de faire ?

Pour un dirigeant, la performance du modèle ne suffit pourtant pas.

Il faut également définir ses droits.

L’IA peut-elle seulement conseiller ? Peut-elle préparer une publication ? Peut-elle ensuite la mettre en ligne sans demander l’accord d’un collaborateur ?

Par ailleurs, quelles données peut-elle consulter ?

Cette dernière question devient particulièrement importante dans les réseaux de franchises.

Un franchisé ne doit évidemment pas pouvoir accéder aux informations d’un autre établissement simplement en le demandant à l’IA.

La protection ne peut donc pas reposer uniquement sur une consigne écrite dans le système. Elle doit aussi venir du fonctionnement même de la plateforme.

Business Times a récemment consacré un article aux règles à respecter avant de déployer une IA en entreprise. La question des informations envoyées aux outils, de leur stockage et de leur utilisation y occupe une place centrale.

Avec les agents IA, ce besoin de contrôle devient encore plus important.

L’entreprise doit pouvoir suivre chaque action

Un autre enjeu apparaît : pouvoir comprendre ce que l’agent a fait.

Lorsqu’une IA rédige un texte, l’utilisateur peut facilement voir le résultat.

En revanche, lorsqu’elle commence à agir automatiquement, l’entreprise doit conserver une trace.

Quel modèle a été utilisé ? Quelle règle a lancé l’action ? À quel moment s’est-elle produite ? Et surtout, qui disposait du droit de la déclencher ?

Ces questions concernent bien sûr les équipes informatiques. Mais elles intéressent aussi les directions générales, juridiques, marketing ou financières.

D’ailleurs, Business Times relevait récemment cette même tension dans les directions financières. Dans notre article sur les risques de fraude liés à l’IA et à l’automatisation, les responsables interrogés exprimaient à la fois leur intérêt pour ces outils et leurs inquiétudes sur leur contrôle.

Autrement dit, les entreprises veulent aller plus vite. Elles ne peuvent cependant pas abandonner leurs règles de sécurité.

Le contrôle humain ne disparaît pas

L’automatisation ne signifie pas forcément que l’humain quitte la boucle.

Son rôle peut simplement changer.

Avec un assistant classique, un salarié vérifie chaque contenu avant sa diffusion. À l’inverse, avec un système plus autonome, l’équipe peut définir les règles une seule fois.

L’agent agit ensuite à l’intérieur de ces limites.

Ainsi, au lieu de valider cent publications une par une, l’entreprise valide les conditions qui permettront leur publication.

Cette méthode peut faire gagner du temps. Toutefois, elle impose d’avoir de bons filtres.

Car une action supprimée après coup peut déjà avoir produit des effets.

Un message peut avoir été lu. Une publication peut avoir été partagée. De même, une mauvaise réponse à un avis client peut déjà avoir créé un conflit.

La prévention devient donc essentielle.

Toutes les décisions ne présentent pas le même risque

Une entreprise peut aussi adapter le niveau d’autonomie à chaque tâche.

Produire un tableau interne présente peu de risques.

Préparer une publication en présente davantage. La publier automatiquement ajoute un niveau supplémentaire.

Enfin, répondre directement à une personne mécontente change encore la situation.

Dans ce cas, l’IA ne diffuse plus seulement une information. Elle parle au nom de la marque à une personne précise.

Une réponse maladroite peut alors nuire à la relation commerciale.

C’est pourquoi il semble difficile de fixer une seule règle valable pour toutes les tâches.

Certaines actions simples peuvent être automatisées. D’autres doivent rester sous contrôle humain.

L’AI Act pose aussi la question du contrôle

Le cadre européen ajoute une autre dimension.

L’article 14 du règlement européen sur l’intelligence artificielle prévoit un contrôle humain pour les systèmes classés à haut risque.

Toutes les solutions marketing ne font évidemment pas partie de cette catégorie.

Cependant, le principe reste intéressant pour les entreprises : plus une action présente un risque, plus le contrôle humain doit être fort.

Le sujet n’est donc pas de choisir entre une IA totalement libre et une IA toujours bloquée.

Il s’agit plutôt de décider, tâche par tâche, ce que l’entreprise accepte de déléguer.

Le retour sur investissement doit désormais être mesuré

Enfin, la question économique reste incontournable.

Une entreprise ne déploie pas un agent IA simplement parce que la technologie existe.

Elle doit pouvoir mesurer son intérêt.

Bien sûr, le temps gagné constitue un premier indicateur. Mais il n’est pas suffisant.

Le nombre d’actions réalisées, la visibilité obtenue, l’engagement, les contacts commerciaux ou encore le taux d’acceptation des recommandations peuvent aussi être suivis.

À l’inverse, les erreurs doivent également entrer dans le calcul.

Combien de propositions les salariés refusent-ils ? Combien doivent être corrigées ? Et combien d’actions les filtres bloquent-ils avant publication ?

Business Times avait déjà montré que les PME françaises commencent à rechercher des résultats concrets dans leurs projets d’intelligence artificielle.

Avec les agents IA, cette exigence va probablement devenir encore plus forte.

Pour Leo, le recul reste néanmoins limité. Ses bêta-tests viennent de se terminer et son ouverture commerciale date du 1er septembre 2026.

En revanche, Digitaleo dispose déjà de plusieurs années de données sur les systèmes d’automatisation qui ont précédé Leo.

La vraie question pour les dirigeants devient donc assez simple.

L’IA peut-elle réaliser cette tâche ? Ce n’est plus suffisant.

Il faut désormais se demander : avons-nous assez confiance dans les règles, les données et les contrôles pour la laisser réaliser cette tâche seule ?

Business Times a posé la question à Jocelyn Denis, PDG fondateur de Digitaleo.

Jocelyn Denis : jusqu’où peut aller l’autonomie d’une IA ?

1. Jusqu’où va réellement l’autonomie de Leo aujourd’hui ?

Business Times : Vous expliquez que Leo peut analyser les performances d’un établissement puis agir de façon autonome sur les avis, les réseaux sociaux, le SEO ou le GEO. Jusqu’où va réellement cette autonomie aujourd’hui ?

Jocelyn Denis :

Aujourd’hui, dans 9 cas sur 10, l’autonomie de Leo va jusqu’à la suggestion d’action : il analyse, propose, mais n’exécute pas seul, que ce soit sur les avis, les réseaux sociaux ou le SEO/GEO, tout passe par une validation humaine avant publication (principe de Human In The Loop).

Un seul dispositif est réalisé en totale autonomie : les campagnes sociales automatiques, où Leo sélectionne un avis client, le transforme en publication et la publie sans validation au coup par coup. Mais cette autonomie est autorisée en amont : c’est le client qui active la campagne et qui définit lui-même les règles de sélection. Il supervise les règles, une fois, au lieu de valider les contenus un par un, la seule forme d’action réellement exerçable à l’échelle de plusieurs centaines de points de vente.

Une autonomie déclenchée par des règles

Il faut aussi préciser ce qu’autonomie ne veut pas dire. Leo n’a pas un accès permanent et libre à toutes les données, partout, tout le temps : il n’est pas omnipotent. Chaque suggestion résulte d’un déclenchement déterministe, jamais d’une initiative spontanée : une réponse à un événement (nouvel avis, changement d’horaire, nouvelle campagne) ou à un calendrier (marronniers). Ce n’est pas une intelligence qui décide seule quand agir, c’est un système qui réagit à des règles précises, définies en amont.

Et si un seul dispositif est autonome aujourd’hui, ce n’est pas une limite technique, c’est un choix. Publier un post qui met en avant un avis positif déjà filtré, c’est de la diffusion. Répondre à un avis négatif, c’est s’adresser à une personne identifiée et mécontente, sur un cas dont le modèle ignore ce qui s’est réellement passé en magasin. Nous ouvrons l’autonomie action par action, à mesure que nous savons mesurer la qualité de chacune, et pas à mesure que la technique le permet.

Plusieurs agents aux fonctions différentes

Enfin, quand on parle de « Leo », on ne parle pas d’un agent unique et monolithique qui aurait accès à tout. Leo est une flotte d’agents, chacun spécialisé sur une tâche précise, avec accès uniquement aux données utiles à cette tâche. C’est aussi ce qui rend cette autonomie maîtrisable : chaque agent a un périmètre défini, ce qui permet d’ouvrir les droits progressivement, agent par agent, plutôt que d’un bloc.

2. Comment identifier une erreur, l’annuler et établir les responsabilités ?

Business Times : Quelles actions peut-il effectuer sans validation humaine et, lorsqu’il se trompe, quels mécanismes permettent d’identifier la décision prise, de l’annuler et de savoir qui en porte la responsabilité ?

Jocelyn Denis :

Identifier

Quand l’utilisateur sollicite Leo dans le chat, nous pouvons tout reconstituer. Chaque conversation et chaque action de l’agent sont enregistrées, chaque demande porte un identifiant qui relie entre elles toutes les étapes d’un même échange, et nous savons quel modèle a été sollicité, pour quel client et à quel coût. Quand Leo agit de sa propre initiative, via un automatisme comme la campagne sociale, il n’y a pas de conversation à reconstituer mais nous enregistrons l’exécution : le modèle utilisé, la consommation, le coût et un identifiant de traitement. Nous savons donc qu’une action a eu lieu, à quel moment et par quel moyen. Le contenu publié, en revanche, n’est pas stocké par la couche IA : il se trouve dans la plateforme et sur le compte social où il a été diffusé, c’est là qu’on va le chercher.

Annuler

La couche IA ne défait rien. La suppression se fait au niveau de la plateforme et du réseau social, exactement comme pour n’importe quelle publication faite à la main. Notre levier n’est pas le rattrapage, il est préventif : le filtre de modération en amont écarte un avis avant qu’il ne devienne un post.

Porter la responsabilité

La répartition est celle du règlement européen sur l’IA. Digitaleo est fournisseur du système d’IA. Le client est déployeur et éditeur : la publication se fait sur ses comptes, sous son nom, il porte donc la responsabilité des actions réalisées par Leo. En mode automatique, sa supervision s’exerce en amont, par le paramétrage qu’il a lui-même défini. Notre lecture est que ce dispositif est licite, l’obligation de supervision humaine prévue à l’article 14 ne visant que les systèmes à haut risque, ce que Leo n’est pas.

« Un bouton pour défaire ne protège personne »

J’ajoute une conviction sur votre question de l’annulation, parce qu’elle est au cœur du sujet. Un bouton pour défaire ne protège personne : une publication supprimée a déjà été vue, et un avis client auquel on a mal répondu ne se rattrape pas en effaçant la réponse. La confiance dans un agent déployé à l’échelle d’un réseau ne se joue donc pas sur sa capacité à revenir en arrière, mais sur sa capacité à ne pas faire. C’est pour cela que nous investissons dans les filtres en entrée et les contrôles en sortie plutôt que dans la réparation, et que nous n’ouvrons l’autonomie sur une action que lorsque nous savons en mesurer la qualité.

3. Quels résultats économiques peut-on déjà mesurer ?

Business Times : L’autonomie n’a d’intérêt économique que si elle produit des résultats mesurables. Sur les réseaux qui ont déjà testé Leo, pouvez-vous nous donner des données précises : temps économisé par point de vente, nombre d’actions automatisées, évolution de la visibilité, des avis, du trafic ou des leads ? Et avez-vous mesuré le taux d’actions proposées par Leo qui sont refusées ou corrigées par les équipes humaines ?

Jocelyn Denis :

Je préfère être honnête : à ce stade, je ne peux pas vous communiquer ces chiffres. Les bêta-tests viennent de se terminer, Leo n’est ouvert commercialement que depuis le 1er septembre, et nous interrogeons actuellement nos premiers utilisateurs, notamment sur le temps gagné. Dites-moi votre date de parution : selon le délai, je pourrai peut-être vous transmettre plus d’éléments.

4. Où sont stockées les données et quand faut-il garder une validation humaine ?

Business Times : Un réseau va désormais pouvoir confier à un agent une partie de ses données locales et de son expression de marque. Où sont hébergées ces données, quels modèles d’IA sont utilisés, servent-elles à entraîner des modèles tiers et comment gérez-vous les droits entre la tête de réseau et les franchisés ? Plus largement, à partir de quel niveau de risque recommandez-vous de conserver obligatoirement une validation humaine ?

Jocelyn Denis :

On stocke ce qui est nécessaire au bon fonctionnement de Leo et nécessaire à notre supervision. Digitaleo n’entraîne aucun modèle dans le cadre de Leo. Nous intégrons des modèles tiers, ceux d’OpenAI, de Google et d’Anthropic, et nous documentons traitement par traitement lequel est utilisé. C’est un choix de transparence autant que de performance : chaque tâche appelle le modèle qui la traite le mieux.

Les données servent-elles à entraîner des modèles tiers ?

Servent-elles à entraîner des modèles tiers : Non. Ni nous ni nos fournisseurs n’utilisons de données clients pour entraîner un modèle. C’est un engagement avec les tiers.

Les droits entre la tête de réseau et les franchisés

Les droits entre tête de réseau et franchisés : C’est le point sur lequel nous sommes les plus solides, parce qu’il est structurel. Deux profils coexistent : la tête de réseau dispose de la visibilité et de l’autorité sur l’ensemble des affiliés et de leurs points de vente, un affilié n’accède qu’à son propre périmètre. Le point important est que ce cloisonnement est appliqué par la plateforme, pas par l’IA.

Pour un affilié, les outils sont automatiquement restreints à son contrat. Il ne peut donc pas en sortir, même si on le lui demande explicitement. C’est une contrainte d’architecture, pas une consigne donnée au modèle, et c’est toute la différence.

Les capacités s’ouvrent module par module selon l’abonnement réel, en fermeture par défaut : si l’information sur les droits est indisponible, l’accès est refusé et non accordé. Aucun outil n’est ouvert par défaut, un agent n’accède qu’aux périmètres explicitement déclarés pour lui. Et nous le vérifions : une suite d’évaluation dédiée teste qu’un affilié n’obtient pas de données hors de son périmètre.

L’expression de marque reste un paramètre

L’expression de marque est un paramètre du compte, défini par le réseau et appliqué à chaque génération. Elle n’est pas apprise par un modèle. Autrement dit, une enseigne peut la modifier du jour au lendemain et le changement s’applique immédiatement, sur tous ses points de vente. Une marque confiée à un modèle qui l’aurait apprise ne se reprend pas ; un paramètre, si.

Quatre critères pour décider du niveau d’autonomie

Sur le seuil de validation humaine, je ne crois pas à un niveau de risque unique qu’on franchirait. Nous l’évaluons sur quatre axes.

La nature de l’action, d’abord, et c’est le plus discriminant : diffuser un contenu ou interagir avec une personne. Publier un post s’adresse à une audience, répondre à un avis s’adresse à un individu identifié qui attend une réponse.

L’origine de la donnée, car en fonction de la source nous avons différents niveaux de confiance.

La nature de l’exposition, qui n’est pas seulement une affaire de public ou de privé, mais de savoir à qui, dans quel contexte, et avec quel effet si c’est raté.

Et la nature de l’évaluation enfin : savons-nous mesurer la qualité de ce traitement précis, en amont par des jeux de tests et en continu par des contrôles en temps réel. C’est cet axe qui rachète ou qui disqualifie les trois autres.

Avis positif et avis négatif : deux risques différents

Deux exemples pour rendre cela concret.

Publier un post qui met en avant un avis client est automatisable : action de diffusion sans interaction, donnée déjà filtrée par les règles de modération, exposition publique mais sans interlocuteur qui attend quelque chose, et traitement évalué en amont et contrôlé en sortie. Les quatre axes sont au vert.

Répondre à un avis négatif relève au contraire de la validation humaine : interaction directe avec une personne mécontente et identifiée, donnée brute dont le modèle ignore ce qui s’est réellement passé en magasin, et exposition publique avec un interlocuteur, où une réponse maladroite ne rate pas seulement sa cible mais dégrade l’image et peut déclencher une escalade visible. Le risque n’est pas dans la publication, il est dans le fait de répondre.

Mesurer les garde-fous en continu

La contrepartie, que j’assume parce qu’elle nous engage. Ce quatrième axe n’est pas un constat, c’est une obligation que nous nous imposons. Quand nous automatisons parce que les trois premiers sont au vert, il faut tenir le quatrième, c’est-à-dire mesurer en continu la performance du filtre qui tient lieu de garde-fou. C’est notre chantier prioritaire, et c’est aussi ce qui fixe le rythme auquel nous ouvrons l’autonomie.

5. Que disent les premiers réseaux qui ont testé Leo ?

Digitaleo nous a également transmis plusieurs retours issus des premiers utilisateurs de Leo.

« En moins de 10 secondes, Leo m’a généré un tableau TOP 10 des publications sans avoir besoin d’exporter manuellement des fichiers contrairement à d’autres IA comme ChatGPT ou Gemini. J’étais bluffé, je ne m’attendais pas à avoir ces réponses là. Ca va largement nous servir. »
Yassin Ibenkouar, Responsable Marketing GROUPE INTERACTION

« Leo est réactif quand on lui demande de faire des recherches au sein du parc. C’est un vrai gain de temps pour les animateurs de réseaux afin de préparer les points avec les franchisés et savoir rapidement ce qui ne va pas dans leur marketing digital. »
Louise Biolay, Chargée de communication LA COMPAGNIE DES DEBOUCHEURS

« Bonne surprise : Leo a créé un calendrier éditorial complet pour un franchisé sur la base de ses résultats. »
Marie Loumeau, Chargée de Projet Marketing RAISON HOME

« Leo m’a fait un classement sous forme de tableau, avec des diagrammes. C’est clair et surtout, exactement ce que je voulais. Il m’a donné une liste avec une suggestion sur les actions prioritaires. »
Laura Tremblay, Community Manager CENTRE SERVICES

« C’est super car Leo donne toujours des informations et des détails en plus que l’on ne demande pas forcément. »
Déborah Jarrige, Responsable Marketing VPN AUTOS

6. Le cas Orpi permet-il déjà de mesurer les effets de l’automatisation ?

Business Times : Nous sommes notamment intéressés par un cas client avant/après : nombre d’établissements concernés, volume d’actions automatisées, temps consacré au marketing local avant le déploiement, temps économisé et évolution d’un ou plusieurs indicateurs business.

Jocelyn Denis :

Je peux vous donner du concret sur ce qui précède Leo. Orpi est client depuis 2020 et a déployé nos automatisations IA à l’échelle de son réseau, soit 1 245 agences selon le chiffre communiqué par la coopérative en janvier 2026. Ce n’est pas l’agent, ce sont les briques d’automatisation de la plateforme, mais c’est précisément la matière sur laquelle Leo a été construit et c’est un volume qui donne une idée de l’échelle. Je vous joins la success story complète.

Plus de 21 000 avis à traiter chaque année

Sur les réponses aux avis : plus de 21 000 avis clients à traiter par an, un délai de réponse réduit de 90 % et un taux de réponse en hausse de 26 %.

Sur les publications : 14 719 posts générés en cross-posting, 4 500 avis relayés en publication, et 36 % de l’engagement total sur les comptes Orpi porté par ces posts automatisés.

Ce que les chiffres permettent réellement de mesurer

Ce que ces chiffres disent et ne disent pas. Ils mesurent un volume traité et une réactivité, pas un temps économisé : nous n’avons pas de protocole de mesure de durée de tâche avant et après, et je ne vais pas vous reconstituer un gain d’heures par extrapolation.

Le chiffre le plus parlant reste à mon sens les 36 % d’engagement : sur un réseau de plus de 1 200 points de vente, plus d’un tiers de l’engagement social provient de contenus que personne n’a écrits à la main. C’est exactement le seuil à partir duquel l’automatisation cesse d’être un gain de confort pour devenir un levier de visibilité.

7. Qu’est-ce qui différencie Leo d’un assistant IA classique ?

Business Times : Le CP présente Leo comme la seule IA agentique spécialisée dans le marketing local et développe une comparaison assez précise avec les architectures MCP et les assistants généralistes. Afin de restituer cette comparaison de manière parfaitement factuelle, nous sommes également preneurs des éléments techniques ou benchmarks sur lesquels vous vous appuyez.

Jocelyn Denis :

Sur la formulation du communiqué, une précision utile. Quand nous parlons de la seule IA agentique du marketing local, nous ne disons pas que nous serions les seuls à faire de l’IA dans le marketing local. Le marché en compte plusieurs et il progresse vite.

Nous disons que nous sommes les seuls à en faire de cette façon, et je peux vous dire précisément sur quoi nous nous appuyons : une analyse du marché construite sur deux critères.

Premier critère : le mode de déclenchement

Le premier est le mode de déclenchement. Une IA assistée attend qu’on la sollicite : on lui soumet un avis, un message, une question, elle répond.

Un agent proactif part de la performance d’un point de vente, identifie ce qui ne va pas et déclenche l’action correspondante sans que personne ne le lui demande.

Pendant nos tests, 86 % de ce que Leo a fait est parti de lui. C’est ce qui sépare un outil qui exécute d’un agent qui décide, et c’est le premier critère sur lequel très peu d’acteurs se situent réellement.

Deuxième critère : la nature de l’agent

Le second est la nature de l’agent.

Beaucoup de plateformes ajoutent des fonctionnalités d’IA module par module : une suggestion de réponse ici, une optimisation de fiche là.

C’est utile, mais l’utilisateur se retrouve avec des briques dispersées plutôt qu’avec un interlocuteur unique.

Leo est un agent transverse et interrogeable : on peut lui poser une question sur l’ensemble du parc, et il agit sur la chaîne complète de la visibilité locale, des fiches d’établissement aux réseaux sociaux en passant par les avis.

Deux critères réunis dans une même approche

C’est le croisement de ces deux critères qui fonde notre revendication.

Les acteurs proactifs du marché restent aujourd’hui centrés sur une partie du périmètre, tandis que ceux qui couvrent large fonctionnent sur sollicitation.

Nous sommes à notre connaissance les seuls à réunir les deux, avec en plus la gouvernance qui rend un tel agent déployable sur un réseau : périmètre de chaque franchisé verrouillé par la plateforme et non par l’IA, charte de marque tenue par la tête de réseau, niveau d’autonomie réglable établissement par établissement.

MCP : « une prise de raccordement »

J’ajoute la comparaison avec MCP, puisque le communiqué la développe et qu’elle répond à une question que les réseaux nous posent réellement : puisqu’on peut désormais connecter ses outils métier à un assistant généraliste, à quoi bon un agent dédié ?

La réponse tient en une image.

MCP est une prise de raccordement, qui donne à une IA l’accès à vos données.

Elle ne vous donne pas pour autant une fonction marketing.

Une prise ne sait pas ce qu’est une charte de marque, ni ce qu’un franchisé a le droit de voir, ni à quel moment un humain doit relire avant publication, ni ce qu’il faut faire quand un point de vente décroche.

Elle ouvre l’accès, et c’est déjà beaucoup, mais quelqu’un doit encore décider quoi faire, pour chacun des établissements, tous les jours.

C’est ce quelqu’un que nous avons construit.