- Confiez au script ce qui se décrit par une règle (UTM, doublons, routage), à l'agent ce qu'il faut lire (réponses libres, appels).
- Une décision qui engage l'entreprise ne doit pas dépendre d'un tirage : dès qu'une règle peut s'écrire, écrivez-la.
- Combinés, l'agent propose et le script vérifie. Classer 10 000 réponses par mois coûte moins d'un euro avec un petit modèle, environ 700 € avec un agent en boucle (notre calcul).
Le script suit des règles, l'agent IA calcule des probabilités
Un script applique des règles écrites à l'avance : si le pays est la Belgique, le lead part chez tel commercial. Un scénario Make, Zapier ou n8n à étapes fixes est déjà un script, sans une ligne de code.
Un agent IA s'appuie sur un LLM (un grand modèle de langage) qui tire chaque mot suivant selon des probabilités. Il sait lire un texte libre et décider quoi en faire. Mais la même question peut recevoir deux réponses, et aucun réglage à la portée de l'utilisateur ne l'empêche.
Ce que le script fait mieux
Tout ce qui se décrit par une règle :
- Contrôler les UTM (les étiquettes qui disent d'où vient un visiteur) : une liste de valeurs autorisées, tout en minuscules. Google Analytics compte « google » et « Google » comme deux sources : un même canal sur deux lignes du reporting.
- Dédoublonner : par e-mail normalisé, par domaine, par numéro d'entreprise.
- Router par critères explicites : pays, taille, produit demandé.
- Calculer, trier, formater : selon Anthropic, trier avec un modèle coûte bien plus cher qu'avec un simple algorithme.
Sa limite : il est rigide, et quand une règle est fausse, il se trompe sans jamais varier, donc sans alerter.
Ce que l'agent IA fait mieux
Tout ce qui demande de lire pour décider :
- Classer des réponses libres : le champ « votre projet » d'un formulaire, les réponses à une séquence d'e-mails (intéressé, pas maintenant, mauvais interlocuteur).
- Résumer un appel et en tirer ce qui va dans le CRM.
- Qualifier un intérêt à partir d'un texte.
Sa limite : il varie, il coûte davantage quand il travaille en boucle, et ses erreurs sont plausibles. Anthropic, qui vend des agents, conseille de commencer par la solution la plus simple, « parfois sans agent du tout ».
Quatre façons de combiner les deux
- Le script filtre, l'agent juge le reste. Les règles écartent les cas nets (doublon, pays hors zone, adresse personnelle) ; seuls les cas ambigus passent au modèle. Moins d'appels : moins de coût, moins de variation.
- L'agent propose, le script vérifie. Le modèle remplit un format imposé : une catégorie dans une liste fermée, une note de 1 à 5. Les API de Claude, d'OpenAI et de Mistral savent imposer ce format (les « sorties structurées »). Une couche de validation contrôle ensuite les valeurs ; tant que la réponse n'est pas conforme, elle renvoie l'erreur au modèle, qui recommence. Au-delà du nombre d'essais fixé, un humain relit. La forme est garantie, pas la justesse.
- L'agent note, la règle décide. Zapier documente ce montage : l'IA note la réponse libre d'un lead selon vos critères, puis une règle l'oriente (grands comptes vers un commercial, PME vers un autre). La décision reste lisible ; près du seuil, la note peut basculer d'une exécution à l'autre : prévoyez-y une relecture.
- L'agent orchestre, le script exécute. Les Skills d'Anthropic embarquent des scripts pour les opérations qui doivent être exactes. Exemple : l'IA choisit les fiches à mettre à jour, un script récupère les prix et les harmonise.
Chez nous, avant chaque publication, un script compte les Skills annoncées dans chaque page et les compare aux fichiers servis en téléchargement ; tant qu'un écart subsiste, la publication attend. Le 7 octobre, après l'ajout d'une Skill à un pack, il a relevé six écarts. Le même principe vaut pour nos e-mails : l'agent les rédige, un script vérifie les liens UTM de chaque campagne du CRM, et l'envoi reste validé par l'un de nous.
Si vous pouvez écrire la règle, écrivez-la. Si vous devez lire pour décider, prenez un agent. Et faites vérifier ce qu'il produit par une règle.
Ce que coûte chaque option
Hypothèses de notre calcul : 10 000 réponses libres par mois, environ 500 tokens (unités de texte facturées) lus et 50 écrits par réponse, tarifs de Claude relevés le 7 octobre 2026. Classer coûte moins d'un euro par mois avec Haiku 5.5, environ 13 € avec Sonnet 5.5 ; le script qui vérifie chaque sortie, moins d'un centime. Confier le même tri à un agent qui enchaîne les outils change d'échelle : à chaque étape, il relit tout ce qu'il a déjà vu, soit environ 30 000 tokens lus et 2 000 écrits par réponse. Avec Sonnet 5.5, ce montage surdimensionné pour un simple tri représente environ 700 € par mois. Le coût à surveiller reste l'erreur que personne ne détecte.
Listez cinq tâches répétitives de l'équipe ; pour chacune, deux questions : peut-on écrire la règle ? faut-il lire un texte pour décider ?
| Règle possible ? | Texte à lire ? | Notre conseil |
|---|---|---|
| Oui | Oui | Un montage combiné, en commençant par la vérification (montage 2) |
| Oui | Non | Un script |
| Non | Oui | Un agent ; un humain relit ses réponses jusqu'à ce qu'une règle de contrôle prenne le relais |
| Non | Non | Ni script ni agent : la tâche reste humaine, ou se reformule |
« Dans nos automatisations IA, qu'est-ce qui vérifie ce que l'IA produit, avant que ça parte ? »
Par où commencer
Commencez par une tâche où l'erreur coûte peu, comme le contrôle des UTM. Si un agent intervient, posez d'abord la vérification. Notre méthode prospecter avec un agent sous garde applique ce principe à la prospection : l'agent cherche, qualifie et rédige ; il n'envoie jamais.
Ce qu'on nous demande.
Pourquoi ChatGPT, Claude ou Vibe ne donnent-ils pas la même réponse à la même question ?
Parce qu'un modèle de langage tire chaque mot suivant selon des probabilités, et que le calcul varie avec la charge des serveurs. Même avec le réglage « au plus froid », la réponse peut changer. Pour une décision qui doit être constante, faites-la porter par une règle.
Quelle différence entre un workflow IA et un agent IA ?
Un workflow suit des étapes fixées à l'avance, même quand l'une d'elles appelle un modèle d'IA ; un agent décide lui-même de ses étapes et des outils qu'il emploie. C'est la distinction posée par Anthropic en décembre 2024. Un scénario Make ou Zapier avec une étape IA reste donc un workflow : son chemin ne change pas, seule la sortie de l'étape IA peut varier. Les montages 1 à 3 ci-dessus en relèvent ; le montage 4 est un agent.
Peut-on rendre un agent IA déterministe ?
Pas complètement depuis un outil grand public ou une API. Une « température » à zéro ne suffit pas (la documentation de Claude le précise), et les modèles Claude postérieurs à Opus 4.6 n'acceptent que la valeur 1. Le paramètre seed d'OpenAI rend les sorties « (mostly) deterministic », déterministes pour l'essentiel. Thinking Machines obtient 1 000 réponses identiques en modifiant le calcul sur ses propres serveurs, plus lentement. Ce qu'on peut garantir, c'est la forme : une sortie structurée impose le format, une couche de validation contrôle les valeurs et fait recommencer l'agent. Et une réponse constante peut être fausse à chaque fois : encadrez l'agent de vérifications.
Faut-il garder un humain dans la boucle d'un agent IA ?
Oui, pour les gestes irréversibles (envoyer, publier, dépenser, supprimer) : nous expliquons ailleurs pourquoi retirer à votre agent le bouton envoyer. Pour le reste, un script de contrôle trie ce qui passe et ce qui revient à un humain : la relecture ne porte alors que sur les cas douteux. Si l'agent rédige, vérifiez aussi qu'il écrit dans la voix de votre marque, puis relisez la forme avec notre grille des tics d'écriture de l'IA.
Noter un lead avec l'IA est-il un usage à haut risque selon l'AI Act ?
Non, selon notre lecture du texte : les usages marketing courants (noter un lead B2B, classer des réponses) ne figurent pas dans la liste des usages à haut risque (annexe III du règlement européen sur l'IA). Depuis le 2 août 2026, un système qui dialogue avec des personnes, comme un agent de qualification sur votre site, doit en revanche indiquer qu'il s'agit d'une IA (article 50). Le règlement de juillet 2026 qui reporte d'autres obligations a maintenu cette échéance.
Note de méthode
Coûts relevés le 7 octobre 2026
Coûts calculés par nous le 7 octobre 2026 (estimation de notre part, non une mesure), à partir des grilles publiques d'Anthropic relevées ce jour-là et d'AWS Lambda pour le script de vérification (100 ms d'exécution sur 128 Mo, hors franchise mensuelle gratuite). Tarifs publiés en dollars, convertis au taux de référence de la BCE du 8 octobre 2026 (1 € = 1,1186 $) : par million de tokens, en entrée et en sortie, Haiku 5.5, 0,09 € et 0,45 € ; Sonnet 5.5, 1,79 € et 8,94 € ; Opus 5.5, 3,58 € et 17,88 €. Résultats pour 10 000 réponses par mois : Haiku 5.5, 0,67 € ; Sonnet 5.5, 13,41 € ; Opus 5.5, 26,82 € ; script de vérification, moins d'un centime ; agent en boucle, 715 €, soit 0,07 € par exécution. Grilles d'OpenAI et de Mistral non relevées ; prix susceptibles de changer. Seule l'exécution est comptée : ni la mise en place, ni la maintenance, ni la relecture humaine. Expérience des 80 réponses : Thinking Machines Lab, septembre 2025, modèle Qwen3-235B, demande « Tell me about Richard Feynman », température 0 ; la réponse la plus fréquente revient 78 fois sur 1 000. Le cas du 7 octobre est un relevé de notre script de contrôle avant publication ; un seul déclenchement est rapporté ici.
Pour aller plus loin : Anthropic, « Building effective agents », décembre 2024 ; Anthropic, « Equipping agents for the real world with Agent Skills », octobre 2025 ; Anthropic, « Structured outputs on the Claude Developer Platform », novembre 2025, disponibilité générale en février 2026 ; Anthropic, documentation de l'API, paramètre temperature et tarifs, consultés en octobre 2026 ; Thinking Machines Lab, « Defeating Nondeterminism in LLM Inference », septembre 2025 ; OpenAI, « A practical guide to building agents », 2025 ; OpenAI, « Advanced usage » (paramètre seed), consulté en octobre 2026 ; Mistral AI, « Custom Structured Outputs », consulté en octobre 2026 ; Instructor, bibliothèque de validation des sorties, version 1.17.0, septembre 2026 ; Zapier, « AI by Zapier guide », juillet 2026 ; Google, aide Google Analytics sur les paramètres UTM ; AWS, tarifs de Lambda ; Banque centrale européenne, taux de change de référence de l'euro ; Commission européenne, AI Act Service Desk, article 50 et annexe III ; National Law Review, article sur l'entrée en vigueur de l'AI Omnibus, juillet 2026.
Cette page vous a servi ? Partagez-la sur LinkedIn. Pour retrouver nos publications dans vos résultats Google, ajoutez MarkenTIQ à vos sources préférées.
Julien Fauvel, pour MarkenTIQ (markentiq.com) · 12 octobre 2026