Agent IA vs RPA : quand utiliser quoi (et pourquoi ça compte en 2026)

Vous hésitez entre RPA et agent IA pour automatiser un processus ? La confusion est compréhensible : les éditeurs RPA historiques intègrent désormais du LLM, et les plateformes d’agents IA promettent l’automatisation universelle. Pourtant, ces deux technologies ne résolvent pas les mêmes problèmes. Ce comparatif vous donne les critères pour trancher, avec les chiffres du marché 2025-2026 et les cas où chaque approche garde une longueur d’avance.

#C’est quoi le RPA, exactement ?

Le RPA (Robotic Process Automation) est une automatisation à base de règles : un script qui imite les actions d’un humain sur une interface graphique. Selon Gartner, le marché mondial du RPA a atteint 3,79 milliards de dollars en 2024, en croissance de 19,5 % sur un an (Gartner, 2024). Le RPA n’a rien d’obsolète, malgré le bruit autour de l’IA générative.

Concrètement, un robot RPA clique, saisit du texte, lit un champ, copie une cellule Excel vers SAP, télécharge un PDF. Il fait exactement ce qu’on lui dit, à la milliseconde près. Aucune décision, aucun raisonnement : juste l’exécution déterministe d’un workflow scripté.

Les leaders du marché restent UiPath, Automation Anywhere et Blue Prism (rachetée par SS&C en 2022). Ces plateformes équipent encore des milliers de banques, assureurs, hôpitaux et administrations publiques où les systèmes legacy n’ont pas d’API moderne.

#Comment fonctionne un robot RPA

Un développeur RPA construit le workflow dans un studio visuel : “ouvre Outlook, lis le mail entrant, extrais la pièce jointe, ouvre SAP, va dans la transaction VA01, colle les valeurs des colonnes A à F, valide”. Le robot rejoue cette séquence à la chaîne, 24h/24, sans erreur de copier-coller.

Le robot est attaché à des sélecteurs précis : un bouton à telle position, un champ avec tel ID HTML, une fenêtre avec tel titre. Si l’interface change, le robot casse. C’est la limite structurelle du RPA classique : il ne comprend pas ce qu’il fait, il rejoue.

#C’est quoi un agent IA ?

Un agent IA est une automatisation cognitive : un grand modèle de langage (LLM) qui raisonne, planifie et utilise des outils pour accomplir un objectif. Selon Gartner, d’ici 2028, 33 % des applications logicielles d’entreprise intégreront de l’IA agentique, contre moins de 1 % en 2024 (Gartner, 2024). La trajectoire est claire, mais la maturité varie énormément selon les cas d’usage.

Là où le robot RPA suit un script, l’agent IA reçoit une intention : “réponds aux candidats qui ont postulé hier en évaluant leur CV par rapport à la fiche de poste”. Il décide quelles étapes exécuter, dans quel ordre, avec quels outils. Il lit du texte non structuré, prend des décisions contextuelles, gère des cas qu’on n’avait pas anticipés.

Cette flexibilité est la grande différence. Un agent IA ne casse pas quand le format d’un email change. Il s’adapte. En contrepartie, son comportement est moins prévisible : il peut halluciner, choisir une mauvaise action, ou interpréter une instruction de travers.

#Le pattern “raisonnement + outils”

Un agent IA moderne combine trois briques : un LLM qui raisonne, un catalogue d’outils (API, bases de données, services SaaS), et une boucle d’exécution qui enchaîne réflexion et action. C’est le pattern ReAct, popularisé par Yao et al. en 2022, devenu le socle des plateformes d’agents en production.

L’agent peut appeler une API CRM pour lire des leads, interroger LinkedIn via un relais autorisé, envoyer un email Gmail, mettre à jour une feuille Google Sheets, le tout dans une même conversation. C’est cette orchestration multi-outils qui distingue un agent IA d’un simple chatbot.

#Quand le RPA gagne encore en 2026 ?

Le RPA reste imbattable sur trois types de processus : les workflows hyper-déterministes, les interfaces legacy sans API, et les contextes réglementaires exigeant un audit trail strict. Selon Forrester, 60 % des grandes entreprises maintiendront un programme RPA actif jusqu’en 2027 au moins, en parallèle de leurs initiatives IA (Forrester, 2024).

Cette résilience tient à un point souvent oublié dans le débat : un robot RPA bien conçu fait exactement ce qu’il a fait hier. Pour un service comptable qui clôture les écritures à chaque fin de mois, cette répétabilité n’est pas un détail. C’est l’exigence centrale.

#Workflows à très haut volume et zéro variance

Si vous traitez 50 000 factures par mois avec le même format, les mêmes champs, le même système cible, le RPA gagne. Le coût marginal d’une exécution est quasi nul, la précision est de 100 % par construction, et le débit est limité par la machine, pas par la facturation tokenisée d’un LLM.

Un agent IA sur ce type de tâche coûterait plus cher en appels API, introduirait un risque d’hallucination (même faible), et n’apporterait aucune valeur ajoutée. Le RPA reste l’outil rationnel.

#GUI legacy sans API moderne

Beaucoup de logiciels métiers, notamment dans la banque, l’assurance, la santé et le secteur public, n’exposent aucune API. Le seul moyen de les automatiser passe par leur interface graphique. Le RPA est conçu pour ça depuis quinze ans, avec des sélecteurs robustes, des connecteurs SAP, mainframe, et des terminaux 3270.

Un agent IA peut techniquement piloter un navigateur ou un bureau distant, mais la fiabilité est aujourd’hui inférieure à un robot RPA mature sur ce terrain. Ça évolue vite, ça n’est pas encore le bon pari pour un workflow critique.

#Conformité et audit trail strict

Dans un environnement réglementé (Sapin 2, MiFID II, HDS, RGPD avec traitement automatisé), vous devez pouvoir prouver exactement ce qui s’est passé : quelles données ont été lues, dans quel ordre, par quel système, avec quelle décision. Le RPA produit nativement ce log déterministe.

Un agent IA introduit une couche de raisonnement opaque. Vous pouvez logger les prompts et les réponses, mais reconstituer “pourquoi le LLM a choisi cette branche” reste un exercice probabiliste. Pour un comité d’audit ou un régulateur, ce n’est pas la même histoire.

#Quand l’agent IA gagne ?

L’agent IA prend le dessus dès que le processus implique du texte non structuré, des décisions contextuelles, ou une variance d’entrée que vous ne pouvez pas spécifier à l’avance. McKinsey estime que l’IA générative pourrait automatiser 60 à 70 % du temps de travail dans les fonctions impliquant du langage et du jugement, contre moins de 20 % captés par les automatisations classiques (McKinsey, 2023).

La différence ne tient pas à la “puissance” de l’IA, mais à la nature des entrées. Un email client est différent à chaque fois. Un CV n’a pas de format standard. Une note de réclamation est rédigée en français approximatif avec des fautes. Un robot RPA ne peut rien faire de ces signaux. Un agent IA, si.

#Parsing de texte et données non structurées

Si vos données arrivent en langage naturel (emails, tickets de support, comptes-rendus, contrats PDF scannés), l’agent IA est l’outil approprié. Il lit, extrait, classe, résume, reformule. Vous n’avez pas à anticiper chaque format possible.

Un cas typique : qualifier un lead entrant à partir d’un message de formulaire de contact. L’agent comprend le contexte (“nous sommes une PME de 30 personnes dans la métallurgie, on cherche à automatiser nos devis”), classe la maturité du besoin, attribue au bon commercial. Aucune règle RPA ne ferait ça proprement.

#Décisions contextuelles et workflows variables

Un agent IA excelle quand “la bonne action” dépend du contexte. Répondre à un client mécontent ne suit pas un script. Évaluer si un CV correspond à un poste demande un jugement. Décider si un email mérite d’être escaladé exige une lecture nuancée.

Le RPA peut encoder ces décisions sous forme d’arbres de règles, mais la maintenance devient un cauchemar dès que les cas se multiplient. L’agent IA absorbe cette complexité dans le prompt, sans dette technique équivalente.

#Orchestration multi-outils sur des tâches longues

Un agent IA peut planifier une séquence de 15 étapes, appeler 4 outils différents, gérer une erreur en cours de route, recommencer. C’est ce qu’on appelle l’“agentic workflow” : une boucle où le LLM décide à chaque étape de l’action suivante en fonction du résultat précédent.

Le RPA classique enchaîne des étapes prédéfinies. Si l’étape 3 retourne un résultat inattendu, le robot tombe en erreur. L’agent IA voit l’erreur, raisonne, choisit une alternative. Cette capacité d’adaptation est ce qui change la nature du travail automatisable.

#Combien ça coûte vraiment, agent IA vs RPA ?

Le coût total d’un projet RPA enterprise (licence + développement + maintenance) reste significatif : les éditeurs RPA pratiquent des prix par robot et par an qui se chiffrent en milliers de dollars, hors infrastructure et hors implémentation. Un agent IA en production via API coûte au contraire en consommation LLM proportionnelle à l’usage, plus le coût de la plateforme d’orchestration. La comparaison brute des montants est trompeuse : les deux modèles ne couvrent pas le même périmètre. Avant toute décision, demandez un TCO sur 3 ans à chaque éditeur — c’est la seule manière de comparer honnêtement.

Selon Deloitte, le ROI moyen d’un programme RPA mature se situe autour de 25 à 50 % d’efficacité sur les processus ciblés, mais avec un coût d’entretien sous-estimé : 30 % des projets RPA dépassent leur budget initial à cause de la maintenance des sélecteurs (Deloitte, 2023).

#Le coût caché du RPA : la maintenance

Chaque mise à jour d’une application cible peut casser un robot RPA. Une refonte d’écran SAP, une nouvelle version de Salesforce, un changement de DOM sur un portail web, et il faut reprendre le développement. C’est le “RPA fragility tax” documenté depuis des années par les analystes.

Sur un parc de 50 robots, vous avez besoin d’une équipe de maintenance dédiée. Ce coût ne disparaît jamais : il diminue avec la maturité, mais ne tend pas vers zéro.

#Le coût caché de l’agent IA : les tokens et la dérive

Le coût d’un agent IA grandit avec l’usage. Un agent qui traite 10 000 conversations longues par mois peut consommer plusieurs centaines d’euros de tokens. Si vous changez de modèle (passage de Claude 3.5 à Claude 4, par exemple), le comportement de l’agent change, ce qui peut nécessiter de retester les prompts.

La bonne pratique : versionner les prompts, monitorer les outputs, fixer des budgets de consommation. C’est exactement ce que les plateformes d’agents IA matures rendent natif.

#Vers la convergence : l’hyperautomation en 2026

La frontière entre RPA et agent IA s’estompe rapidement. UiPath a annoncé en 2024 son intégration native de modèles LLM dans son studio. Automation Anywhere propose des “AI agents” packagés. Symétriquement, les plateformes d’agents IA gagnent en orchestration et en gouvernance. Gartner appelle cette convergence l’“hyperautomation” et estime qu’elle représentera 596 milliards de dollars de marché en 2025, RPA + iPaaS + low-code combinés (Gartner, 2024).

En pratique, beaucoup d’architectures gagnantes en 2026 sont hybrides : un agent IA gère le raisonnement et la décision, un robot RPA exécute les étapes déterministes dans les systèmes sans API. L’agent décide quoi faire, le robot fait le clic exact.

C’est cette logique que Tasmela applique pour ses clients PME : un agent IA autonome qui orchestre les outils via API (Slack, Gmail, LinkedIn, Pappers, Shopify, etc.), avec la possibilité de déléguer des sous-tâches déterministes à des skills spécialisés. La question n’est plus “RPA ou IA”, mais “quel outil à quel endroit du processus”.

Si vous voulez tester un agent IA connecté à vos outils existants, vous pouvez consulter nos formules ou faire le diagnostic en 5 minutes pour voir lequel correspond à votre besoin.

#Comment choisir entre RPA et agent IA pour votre projet ?

Posez-vous trois questions simples, dans l’ordre. Selon une enquête EY de 2024, les organisations qui réussissent leur automatisation appliquent une grille de décision explicite avant de choisir la technologie, vs. celles qui démarrent par l’outil et perdent en moyenne 6 à 12 mois sur l’implémentation (EY, 2024).

Question 1 : les entrées sont-elles structurées ou non structurées ? Si vos données arrivent en JSON, CSV, ou via des formulaires standardisés, le RPA est efficace. Si elles arrivent en texte libre (emails, PDF, notes manuscrites scannées), l’agent IA est mieux placé.

Question 2 : les décisions sont-elles règles ou jugement ? Si vous pouvez écrire un arbre de décision exhaustif en une page A4, c’est du RPA. Si la décision dépend du contexte, du ton, du sens, c’est de l’agent IA.

Question 3 : avez-vous une API ou seulement une interface graphique ? Si l’application cible expose une API documentée, l’agent IA s’y branche directement. Si vous devez piloter un écran legacy, le RPA garde l’avantage en 2026.

Dans la pratique, un audit de processus révèle souvent qu’un workflow contient des deux : du parsing texte au début (agent IA), des actions déterministes au milieu (RPA ou appels API), une décision contextuelle à la fin (agent IA). Construire cette architecture hybride est l’enjeu de l’année.

#FAQ

#RPA est-il en voie de disparition à cause de l’IA générative ?

Non. Le marché RPA continue de croître : Gartner projetait encore 19,5 % de croissance en 2024 (Gartner, 2024). Les éditeurs historiques ajoutent des capacités IA plutôt que d’être remplacés. Le RPA garde une avance structurelle sur les workflows ultra-répétitifs et les GUI legacy sans API.

#Un agent IA peut-il remplacer tous mes robots RPA existants ?

Pas en l’état. Les agents IA actuels sont moins fiables que le RPA sur le pilotage GUI précis (clic au pixel, lecture d’écrans 3270, automatisation SAP transactionnelle). Pour ces cas, gardez le RPA. Là où vos robots RPA traitent du texte non structuré ou prennent des décisions contextuelles, l’agent IA apporte une vraie valeur d’amélioration.

#Quel est le coût mensuel typique d’un agent IA en production ?

Selon le volume, comptez entre 50 et 500 dollars par mois de consommation LLM pour un usage modéré (quelques milliers d’interactions), plus le coût de la plateforme d’orchestration. Un agent traitant 100 000 conversations longues peut dépasser plusieurs milliers d’euros mensuels. La règle de prudence : monitorer les tokens dès le premier jour.

#Faut-il un développeur pour déployer un agent IA en 2026 ?

Pas toujours. Les plateformes d’agents IA grand public permettent à un opérationnel de configurer un agent en langage naturel, sans code. Pour des intégrations sur mesure (API métier, workflows complexes), un développeur reste utile. La frontière “no-code vs. dev” s’est nettement déplacée vers le no-code entre 2023 et 2026.

#RPA et agent IA peuvent-ils tourner ensemble sur le même processus ?

Oui, et c’est même devenu l’architecture recommandée pour l’hyperautomation. L’agent IA pilote la décision et le parsing, le robot RPA exécute les étapes déterministes dans les systèmes sans API. Gartner estime le marché de l’hyperautomation à 596 milliards de dollars en 2025 (Gartner, 2024).

#En résumé

Le choix entre agent IA et RPA n’est pas une bataille technologique : c’est une question d’adéquation au processus. Le RPA reste l’outil de référence pour les workflows ultra-répétitifs, les interfaces legacy et les contextes réglementaires exigeants. L’agent IA prend la main dès qu’il faut comprendre du texte, juger du contexte ou orchestrer des outils variables.

En 2026, la vraie compétence n’est plus de défendre une école contre l’autre, mais de savoir composer les deux dans une architecture hybride. Les organisations qui décident sur la base d’un audit de processus, et non d’une préférence d’éditeur, capturent la valeur deux à trois fois plus vite que celles qui choisissent par dogme.

Si vous voulez explorer ce que peut faire un agent IA connecté à vos outils sans abandonner ce que vos robots RPA font déjà bien, vous pouvez découvrir Tasmela ou faire le diagnostic rapide pour cadrer votre projet.