1. Contexte et Objectifs Stratégiques

1.1 Préambule

Le marché de l'IA agentique n'est plus une promesse, c'est une réalité économique : 5,6 milliards de dollars en 2024, avec une projection à plus de 370 milliards d'ici 2035 ​(Insights, 2025)​. Avec une croissance annuelle de 46,5%, la question n'est plus de savoir s'il faut y aller, mais comment gagner la course.

Ignorer cette vague, c'est prendre le risque de devenir obsolète. L'adopter, c'est une opportunité de décupler notre efficacité et de créer une valeur business sans précédent pour nos clients.

Cette explosion du marché agentique n'est pas un phénomène isolé. Elle est portée par la dynamique du marché global de l'IA, qui pèsera 827 milliards de dollars en 2030 ​(Cargoson, 2025)​ et dont la France prend sa part avec un marché national de 3,6 milliards d'euros dès 2025 ​(Xerfi, 2026)​.

Au-delà des chiffres de marché, l'impact de l'IA agentique sur les opérations quotidiennes sera sismique. Il ne s'agit plus de prospective, mais de prévisions datées par les plus grands cabinets d'analyse :

• L'automatisation du service client à grande échelle : Gartner prédit que d'ici 2029, 80% des problèmes courants de service client seront résolus de manière autonome par des agents IA. ​(Proofpoint G. v., s.d.)​

• Une adoption massive et ultra-rapide : Le PDG de Salesforce va plus loin et anticipe une armée d'un milliard d'agents IA en service dès 2026, marquant une adoption plus rapide que celle du smartphone. ​(Proofpoint S. v., s.d.)​  

Ces prévisions montrent que l'IA agentique n'est pas un simple outil d'optimisation, mais un véritable "game changer" qui va redéfinir les standards de productivité et d'interaction client.

Ce benchmark va droit au but. Nous avons audité les principales plateformes d'IA agentique du marché (Allmates.ai, Konverso.ai, etc.) non pas sur leurs discours marketing, mais sur leur capacité à livrer des résultats tangibles. L'objectif : identifier le partenaire technologique qui armera Logical Conseils et ses clients pour être les leaders de demain.

1.2 IA générative  

Avec l’IA générative, un modèle -comme GPT 5, Claude Sonnet, Gemini 3 Pro, est capable de générer du texte, traiter des images par exemple mais il est limité par sa propre base de connaissances.  

Cela signifie que bien que le modèle ait été entraîné sur un vaste ensemble de données (corpus de texte par exemple) ses connaissances s’arrêtent à sa date de cut-off. Chaque modèle dispose de sa propre date de cutoff.

Si nous prenons l’exemple de GPT 5, nous voyons que ce modèle ne génère que du texte mais il peut prendre en revanche des images et du texte en entrée.

‍

Source : https://platform.openai.com/docs/models/gpt-5

Ce modèle a été entraîné sur des données disponibles jusqu’au 30 Septembre 2024. Cela signifie donc que le modèle est -par exemple- incapable de répondre à des questions portant sur l’actualité la plus récente.

1.4 IA agentique  

Les agents IA sont des systèmes intelligents capables d’accomplir des tâches de complexité graduelles. Ils étendent les fonctionnalités d’un modèle d’IA générative.

Nous pouvons décomposer un agent IA comme suit :

• Des instructions ou « sytem prompt » : nous définissons pour un agent donné sa fiche de poste. Un prompt optimisé peut suivre différents types de méthodes comme la méthode COSTAR ou COSTAR-A ​(Ohalete, Gittner, & Matheny, 2025)​).  

• Un « cerveau » : il s’agit du modèle d’IA générative sur lequel l’agent se base. GPT-5 ou Claude Sonnet en sont des exemples.

• Des « tools » : il s’agit des outils qu’un agent va pouvoir utiliser en conjonction de son modèle. Nous pouvons par exemple joindre – de manière non exhaustive:

• un tool de web search with tavily afin d’effectuer des recherches web avec tavily

• un tool de perplexity search afin d’effectuer des recherches web plus approfondies avec perplexity  

• un tool nous permettant de nous connecter à BigQuery, SnowFlake ou tout autre warehouse

• Une base de connaissances externe : nous pouvons joindre des documents afin de donner plus de contexte sur notre business à l’agent.  

Un agent IA est donc capable à la fois d’exploiter la connaissance en provenance de ces documents et sa connaissance interne. Il peut effectuer des tâches lorsque l’utilisateur lui demande ou bien de manière autonome.

1.5 Ambition Stratégique

Logical Conseils ambitionne d'intégrer l'intelligence artificielle générative et plus spécifiquement l'IA agentique, au cœur de son activité. Cette démarche stratégique s'articule autour de deux axes fondamentaux :

• Optimisation des processus internes : Déploiement de solutions IA au sein des fonctions support (Ressources Humaines, Administration, Communication) afin d'accroître l'efficacité opérationnelle.

• Accompagnement de la clientèle : Développement d'une offre de services intégrant l'IA agentique pour accompagner nos clients dans leur transformation digitale.

‍

2. Méthodologie et Critères d'Évaluation des éditeurs IA agentiques

À l'issue d'une analyse exhaustive de nos cas d'usage internes, neuf critères d'évaluation ont été définis pour conduire ce benchmark. Ces critères reflètent les exigences fonctionnelles, techniques et commerciales de notre organisation.

2.1 Confidentialité et Conformité des Données

Nous exigeons une conformité stricte au Règlement Général sur la Protection des Données (RGPD). Les données doivent être sécurisées tant au repos qu'en transit. Il est essentiel que la plateforme n'effectue aucune centralisation de données sensibles, notamment les informations relatives aux ressources humaines, sur des serveurs situés hors de l'Union Européenne.

2.2 Conception et Paramétrage des Agents

La plateforme doit offrir une interface de création d'agents intuitive et accessible, tant pour les profils techniques que non-techniques. Le processus de conception doit intégrer trois étapes clés : la définition des compétences via des méthodologies d'optimisation (type COSTAR), la sélection du modèle de langage approprié au cas d'usage, et la configuration des outils de connexion au système d'information ou au monde extérieur.

2.3 Intégration au Système d'Information

L'intégration à nos outils (SharePoint, Outlook, etc.) est vitale. Sans elle, pas de projet.  

La solution doit permettre un accès en lecture et écriture aux fichiers (SharePoint/OneDrive) et à la messagerie (Outlook). Des connecteurs spécifiques sont requis pour le portail LinkedIn Recruiter (gestion du vivier de candidats) ainsi que pour notre outil de gestion des temps (VSActivity).

2.4 Gestion des Accès et Habilitations (RBAC)

Le contrôle d'accès basé sur les rôles (Row-Based Access Control) est indispensable pour administrer la visibilité des agents selon les profils utilisateurs. La plateforme doit permettre la création d'équipes avec des rôles associés et la définition de périmètres de visibilité pour chaque agent. Cette fonctionnalité est critique pour les agents manipulant des données confidentielles (rémunérations, congés, primes).

2.5 Architecture Multi-Agents

Les agents doivent être en mesure d'interagir entre eux, de manière autonome ou sur sollicitation explicite de l'utilisateur. Cette capacité d'orchestration permet, par exemple, à un agent dédié aux ressources humaines de solliciter un agent spécialisé dans le recrutement au cours d'une même conversation.

2.6 Connectivité et Outils (Tools)

Les agents doivent disposer d'un accès à des sources d'information actualisées via des fonctionnalités de recherche web, afin de prévenir les phénomènes d'hallucination sur des sujets d'actualité. La capacité d'interfaçage via API ou protocole MCP (Model Context Protocol) est également requise.

2.7 Automatisation des Workflows

La solution doit permettre l'orchestration de workflows automatisés selon une planification configurable (horaire, journalière, hebdomadaire). Cette fonctionnalité vise à réduire les interventions manuelles et à garantir l'exécution récurrente des tâches confiées aux agents.

2.8 Base de Connaissances (RAG)

L'intégration native d'une base de RAG (Retrieval Augmented Generation) constitue un atout majeur. Le RAG, c'est simple : on branche notre propre savoir sur l'IA pour des réponses plus pertinentes et fiables.

2.9 Conditions Commerciales

Les critères contractuels suivants ont été retenus : disponibilité d'une version d'évaluation (POC) sans engagement financier, flexibilité du modèle de facturation (annuel, mensuel, consommation), garanties de niveau de service (SLA), et opportunités de partenariat.

‍

3. Panorama des Solutions IA agentiques évaluées

Six éditeurs ont été identifiés et audités dans le cadre de cette étude comparative. Le panel retenu couvre un spectre représentatif des solutions disponibles, incluant des offres SaaS clé en main et des plateformes PaaS nécessitant un effort d'intégration plus conséquent.

‍

Konverso.ai est une entreprise française basée à Paris, et qui est spécialisé dans l’IA agentique.  

Elle propose une plateforme d’IA agentique en SaAs ou en PaAs.  

L’offre premium en PaAs donne la possibilité de scheduler des agents à des moments précis de la journée afin de produire des tâches en toute autonomie. Elle offre également la possibiilité de faire interagir des agents entre eux.

‍

4. Analyse Détaillée : Base de Connaissances (RAG)

La fonctionnalité RAG (Retrieval Augmented Generation) constitue un différenciateur majeur entre les solutions évaluées. Cette section présente une analyse comparative de l'implémentation de cette technologie par chaque éditeur.

4.1 Synthèse des Capacités RAG

Parmi les éditeurs évalués, la majorité propose une intégration native de la fonctionnalité RAG, à l'exception notable de CrewAI et d'Allmates.ai qui adopte une approche différenciée.

4.2 Focus sur Allmates.ai

La solution Allmates.ai ne dispose pas d'une base RAG native. Cette fonctionnalité est rendue possible via l'intégration d'un outil tiers développé par Ragie.ai, société américaine dont la politique de conservation des données est conforme au RGPD.  

Point de vigilance : les données sont hébergées par défaut sur des serveurs américains.

Une option d'hébergement européen est disponible moyennant un surcoût de plusieurs centaines d'euros mensuels.

Allmates.ai a privilégié une approche alternative consistant à intégrer les documents téléversés directement dans le contexte des modèles de langage sélectionnés, plutôt que de développer une infrastructure RAG propriétaire. Ceci a l’inconvénient de mécaniquement augmenter la taille du contexte du LLM et générer des coûts supplémentaires par requête.

4.3 Focus sur Konverso.ai

Konverso.ai intègre nativement une base de RAG sécurisée permettant à un agent de disposer d’une base documentaire importante, sans avoir à uploader tous les documents dans le contexte des LLMs.
Cela est particulièrement utile pour les cas d’usages nécessitant de traiter plus de 1000 documents par exemple.

‍

5. Analyse Détaillée : Intégrations externe – cas de Konverso.ai

Nous avons eu la possibilité d’effectuer un essai avec la plateforme Konverso.ai. Cette dernière propose comme Allmates la possibilité de créer des agents virtuels que nous pouvons configurer (« prompter »).

Un vaste choix de modèles sont disponibles avec des informations fournies telles que :

• L’empreinte carbone

• Le coût

• La localisation géographique des serveurs qui le font tourner

Konverso se démarque d’Allmates ou d’autres solutions par sa capacité à se connecter facilement aux outils Microsoft (Sharepoint, Teams, Calendar par exemple) ou Google (Drive, Calendar). Cela nous permet nativement d’intégrer une volumétrie importante de données et de requêter les agents IA dessus.

‍

6. Cas d’usages

Nous avons testé les plateformes Allmates.ai et Konverso.ai sur 2 cas d’usages internes différents.

6.1 Cas d’usage recrutement

Le premier cas d’usage concerne le recrutement. Il concerne l’analyse d’une vaste base documentaire de CVs (plus de 3700). Ces CVs ont été stockés sur Microsoft Sharepoint.

L’objectif a été de construire un agent capable de requêter cette vaste base documentaire en langage naturel. Nous avons dû itérer 6 fois afin de construire un agent capable de requêter de manière efficace notre base documentaire.  

Notre base de CVs présentait de nombreux soucis de qualité de données : présence de doublons, présence de documents autres que des CVs, présence de CVs mal formattés

Nous avons testé ce cas d’usage avec la plateforme de Konverso.ai, qui intègre le RAG .

Le résultat, après 6 versions différentes du prompt, est très intéressant.

Voici les différents éléments que nous avons rajouté au prompt initial :

• Calcul du nombre d’années d’expérience basé sur les expériences professionnelles. Avec la première version de notre prompt, l’agent ne se basait uniquement que sur la séniorité écrite dans les CVs. Ainsi un profil mentionnant un niveau expert en PowerBI, mais qui n’a pas d’expérience professionnelle concrète en PowerBI pouvait être sélectionné.

Ce calcul a été effectué avec l’outil Calculator, forçant l’agent à utiliser un outil pour effectuer des calculs.

• Priorisation géographique afin de ne mettre en priorité que des profils situés géographiquement autour de Lille.  

• Priorisation aux profils orientés data élargis : étant une ESN spécialisée dans la data nous avons configuré l’agent afin qu’il ne considère que les profils orientés data. Néanmoins dans certains cas spécifiques comme recherche de compétence en Python par exemple, nous avons élargi la recherche à des profils de développeurs comme développeur back-end.

• Priorisation aux consultants : nous avons ajouté cette condition afin de forcer l’agent à ne considérer que les profils ayant réellement des expériences professionnelles en tant que consultant externe (ESN par exemple) ou en tant que salarié interne. Ainsi les profils de formateurs, par exemple sont écartés.

Les 4 éléments ci-dessus ont été ajoutés afin de corriger les erreurs d’interprétation faites par l’agent lors de nos premières itérations.

Les résultats finaux sont concluants et répondent à nos attentes.  

6.2 Cas d’usage rédaction d’article de blog

Le second cas d’usage concerne la rédaction d’article de blog.  

Nous cherchons à utiliser l’IA afin de nous aider à produire des articles de blog sur notre site internet. Ces articles doivent respecter la norme SEO.

Nous avons pu tester ce cas d’usage avec Allmates et Konverso.

6.2.1 Implémentation dans Allmates

Dans Allmates nous avons testé 2 approches :  

1. Construction d’un workflow d’agents (mates): nous avons séparé le processus de rédaction d’article en plusieurs étapes :

1. 1 agent WorkflowBoss qui agit comme un chef projet. Il dirige son équipe et leur donne des instructions concernant l’article à rédiger sur la base de la requête de l’utilisateur. Modèle utilisé :  GPT 5.

2. 1 agent Business Planner qui rédige le plan de l’article. Modèle utilisé : Allmates medium.

3. 1 agent Tech Sentinel qui conduit une recherche profonde (deep search) sur la base du plan rédigé par Business Planner. Il a comme instruction fondamentale de citer ses sources. Modèle utilisé : Gemini Pro 3. Tools utilisés : Google Scholar, Perplexity Search.

4. 1 agent SourceCurator qui trie les sources trouvées par Tech Sentinel. Modèle utilisé : GPT 5. Tools utilisés : Tavily Search.

5. 1 agent Article Visual Creator qui ajoute des diagrammes ou illustrations dans l’article. Modèle utilisé : Gemini Pro 3. Tools utilisés : Nano Banana Pro.

6. 1 agent ArticleWriter qui rédige l’article sur la base du travail des précédents agents. Modèle utilisé : Claude Sonnet 4.5.

7. 1 agent CashEditor qui audite l’article final et vérifie sa qualité, sa conformité avec le SEO, notre ligne éditoriale : « la data qui parle cash » et son intégration correcte de tous les médias : images, vidéos. Modèle utilisé : Gemini Pro.

Après plusieurs itérations et le choix de modèles performants, l’article généré respecte bien le SEO, notre ligne éditoriale, mais l’intégration de contenus vidéos ou images ne se fait pas à l’emplacement adéquat dans l’article.  

Les sources, images et vidéos sont placées à la fin de l’article et non in-place.

2. Construction d’un agent unique : nous avons testé dans un second temps la génération d’articles en utilisant un seul agent auquel nous avons adjoint les tools Nano Banana Pro, Perplexity Search. Nous lui avons adjoint également un document Word précisant les différentes règles SEO à respecter.

Dans ce cas-là l’article généré respecte la ligne éditoriale mais les images ne sont pas placées au bon endroit de l’article.

‍

6.2.2 Implémentation dans Konverso

Dans le cas de Konverso, nous n’avons pu tester qu’une approche avec un agent unique (comme la seconde approche de Allmates). Le prompt utilisé pour la configuration de l’agent est le même que celui adopté dans Allmates.

En utilisant le même modèle – Claude Sonnet 4.5 – et les tools : Nano Banana Pro, Tavily Search puis en joignant le même fichier de documentation concernant les règles SEO à respecter, nous arrivons à produire un article de meilleure qualité que celui produit précédemment.

L’article respecte mieux le ton de la ligne éditoriale, il respecte aussi mieux le SEO et les images et liens vidéo sont insérés au bon endroit dans l’article.

‍

6.2.3 Notre conclusion

Pour ce cas d’usage spécifique, Konverso se différencie de Allmates et produti un résultat plus conforme à nos attentes.

‍

6. Synthèse et Recommandations

6.1 Notre verdict : Allmates.ai, un pari sur l'avenir

Au terme de cette analyse comparative portant sur neuf critères d'évaluation, Logical Conseils a établi début 2025 un partenariat stratégique avec la solution Allmates.ai.

‍

6.2 Justification du Choix

Ce choix repose sur plusieurs facteurs déterminants :

• Expertise sectorielle : Le fondateur d'Allmates.ai – Romain Chaumais - dispose d'une solide expérience dans le secteur du retail, domaine stratégique pour Logical Conseils.

• Dynamique d'innovation : Bien que créée fin 2024, la plateforme démontre une capacité de développement soutenue, avec une feuille de route ambitieuse visant à combler l'écart fonctionnel avec ses concurrents établis.

• Opportunité partenariale : Les conditions de partenariat proposées offrent des perspectives de collaboration mutuellement bénéfiques.

6.3 Points de Vigilance

Il convient de souligner que certains éditeurs, notamment Dust.tt et Konverso.ai, présentent un niveau de maturité fonctionnelle supérieur au regard des critères définis. Cependant, ces solutions ne répondent pas intégralement aux exigences spécifiques formulées par nos équipes internes.

Un suivi régulier de l'évolution des fonctionnalités d'Allmates.ai sera mis en place afin de s'assurer de l'atteinte des jalons de développement annoncés.

‍

6.4 Recommandation finale

Konverso semble plus répondre à notre besoin direct concernant les sujets de recrutement, ou communication (les 2 cas d’usages que nous avons testé) alors que Allmates.ai nous permet d’aller plus loin sur des cas d’usage nécessitant de la génération de contenus (image, texte par exemple) ou des cas d’usage complexe nécessitant une collaboration autonome (non drivée par un user) entre plusieurs agents.

Voici un tableau final permettant d’aiguiller le lecteur.

‍

Allmates.ai propose une offre plus flexible à l’utilisateur mais qui ne permet pas à date de traiter un volume important de documents. En revanche sa possibilité de faire interagir plusieurs agents entre eux sans intervention de l’utilisateur ou bien de générer des documents d’excellente qualité (en dehors des powerpoints) rendent la solution très intéressante.

Konverso.ai offre plus de limitations dans son offre standard (impossibilité de créer ses tools par exemple, à part via MCP) mais permet de s’interfacer facilement avec Microsoft Sharepoint ou Google Drive. Il est à privilégier pour des cas d’usages nécessitant une visibilité sur les informations des modèles utilisés, ainsi qu’un nombre important de documents.

​​Bibliographie

​​Cargoson. (2025, Octobre 1). Retrieved from Cargoson: https://www.cargoson.com/fr/blog/quelle-est-la-taille-du-marche-de-lia-statistiques

​Insights, M. (2025, Juin). Retrieved from Metatech Insights: https://www.metatechinsights.com/fr/industry-insights/agentic-ai-market-2974

​Ohalete, N., Gittner, K., & Matheny, L. (2025). COSTAR-A: A prompting framework for enhancing Large Language Model performance. arXiv preprint arXiv:2510.12637.

​Proofpoint, G. v. (n.d.). Retrieved from https://www.proofpoint.com/fr/threat-reference/agentic-ai

​Proofpoint, S. v. (n.d.). Retrieved from Proofpoint: https://www.proofpoint.com/fr/threat-reference/agentic-ai

​Xerfi. (2026, 1 9). Retrieved from Xerfi: https://www.xerfi.com/presentationetude/Le-marche-de-l-intelligence-artificielle_SAE50

​​​

Annexe A : Matrice Comparative Fonctionnelle

Le tableau ci-dessous présente une synthèse des capacités fonctionnelles de chaque solution évaluée.

‍

Annexe B : Analyse Commerciale des Offres

Cette annexe présente une synthèse des conditions commerciales proposées par chaque éditeur.
‍