L’IA agentique promet de déléguer une partie grandissante du travail aux machines. Mais entre la promesse et la réalité, beaucoup d’entreprises se retrouvent avec une drôle de situation : des outils IA partout, des dépenses qui s’envolent et, parfois, personne capable d’expliquer précisément ce qui se passe. Pratique pour lancer un pilote, beaucoup moins pour faire tourner un processus critique un lundi matin.
À l’occasion de Waves ’26, Make dévoile sa vision pour sortir de cette zone grise : remplacer la black box de l’IA par une glass box. L’idée est simple, mais ambitieuse : chaque agent, automatisation, action, droit d’accès et coût doit être visible, contrôlable et, si nécessaire, réversible.
La plateforme d’automatisation fait évoluer son approche autour de quatre piliers, Discover, Build, Govern et Observe, tout en annonçant un nouveau produit : MakeOS. Voici ce qu’il faut retenir de cette offensive pour rendre les agents IA réellement utilisables à l’échelle de l’entreprise.
L’IA est partout, mais elle ne transforme pas encore les processus
L’adoption de l’IA en entreprise a changé de dimension. Les équipes utilisent des assistants conversationnels, testent des agents et connectent des modèles à leurs outils métier. Pourtant, ces usages restent souvent isolés : quelques prompts dans une fenêtre de chat, un prototype local, un scénario créé par une équipe sans visibilité pour le reste de l’organisation.
Le souci n’est plus vraiment la puissance des modèles. Les IA actuelles sont déjà capables de participer à de nombreux flux métier. Le défi se situe ailleurs : comment les faire agir de manière fiable, sécurisée et mesurable dans des processus où une erreur peut coûter du temps, de l’argent ou quelques cheveux à l’équipe IT.
Quand les agents se multiplient sans cadre commun, plusieurs problèmes apparaissent rapidement :
- il devient difficile de savoir quels agents utilisent quelles données ;
- les accès aux applications métier peuvent être trop larges ;
- les coûts liés aux modèles et aux tokens deviennent opaques ;
- personne ne sait vraiment qui est responsable lorsqu’un agent prend une mauvaise direction ;
- les expérimentations IA peinent à devenir des solutions de production.
Make veut répondre à ce chaos potentiel avec une promesse : offrir une couche visuelle où les humains voient ce que les agents font, comprennent comment les processus sont reliés et gardent la main sur les règles importantes. L’agent peut travailler vite, mais il ne doit pas partir en week-end avec les clés du CRM.
La vision de Make : des agents visibles, autorisés et réversibles
La notion de glass box est au cœur des annonces de Make. Là où une black box produit un résultat sans exposer clairement les mécanismes et les actions réalisées, une glass box donne une visibilité complète sur le fonctionnement du système.
Concrètement, Make souhaite que chaque solution s’appuie sur quatre principes :
- Visibilité : voir les agents, les automatisations, les systèmes connectés et les actions effectuées.
- Permissions : limiter chaque agent aux droits de la personne ou de l’équipe qu’il représente.
- Traçabilité : conserver un historique clair des modifications et des exécutions.
- Réversibilité : pouvoir corriger, bloquer ou ajuster une action lorsque cela devient nécessaire.
La plateforme ne veut pas enfermer les équipes dans un unique fournisseur de modèles IA. Make mise au contraire sur une approche d’IA de votre choix, capable de se connecter à différents modèles et fournisseurs. Une stratégie particulièrement pertinente à un moment où les modèles évoluent à une vitesse qui ferait presque passer les mises à jour de smartphone pour un événement annuel.
L’autre force historique de Make reste son approche visuelle. Les scénarios et leurs modules permettent de comprendre un workflow d’un seul coup d’œil. Avec l’arrivée des agents, ce canvas ne disparaît pas : il devient le lieu où l’on inspecte, corrige et améliore ce que l’IA a construit.
Discover : identifier les automatisations qui valent vraiment le coup
Avant de lancer un agent IA, il faut savoir quel problème il doit résoudre. Cela paraît évident, mais les priorités d’automatisation naissent encore trop souvent d’un mélange de réunions, de tableurs et de la personne qui parle le plus fort.
Avec Make Process Intelligence, Make veut s’appuyer sur les données réelles plutôt que sur les intuitions. Cette brique, développée avec la technologie de Celonis, vise à cartographier la manière dont le travail se déroule dans l’entreprise, à travers les systèmes, les agents et les interventions humaines.
Deux capacités sont au programme :
Task Mining : détecter le travail manuel invisible
Le Task Mining analyse les tâches manuelles qui n’apparaissent pas toujours dans les journaux des applications. Il permet de repérer les opérations répétitives, de voir où le temps est réellement dépensé et de classer les meilleurs candidats à l’automatisation.
L’objectif est de transformer les tâches les plus intéressantes en scénarios Make, notamment avec l’aide de Maia, l’assistant IA de la plateforme. Au lieu d’automatiser au hasard, les équipes peuvent s’appuyer sur des éléments concrets : fréquence, durée, goulots d’étranglement et impact métier.
Process Mining : comprendre ce qui se passe dans les outils métier
Le Process Mining s’intéresse aux données générées directement dans les systèmes de l’entreprise. Il aide à visualiser le chemin suivi par un dossier, une commande ou une demande client, à repérer les retards et à identifier la cause d’un blocage.
Cette cartographie devient particulièrement intéressante avec des agents IA. Une entreprise peut enfin observer comment un agent intervient dans un processus, vérifier s’il améliore réellement les délais et mesurer les effets d’un changement. L’IA cesse d’être une intuition séduisante pour devenir un levier analysable.
Build : construire avec des scénarios ou demander à un agent de le faire
Make conserve son éditeur visuel de scénarios, mais enrichit fortement l’expérience de création. Les équipes peuvent toujours construire manuellement leurs automatisations module par module. Elles peuvent aussi demander à un agent, comme Maia by Make, de préparer et bâtir un scénario.
Le point important : le résultat reste lisible et modifiable dans le canvas. L’IA ne crée donc pas un workflow mystérieux caché derrière un bouton magique. Elle prépare une solution que l’utilisateur peut ouvrir, vérifier et ajuster.
Parmi les améliorations annoncées figurent le lancement d’un scénario jusqu’à un module spécifique avec réutilisation des données précédentes, l’épinglage de données de test et un mécanisme de human in the loop. Ce dernier permet de mettre une automatisation en pause pour obtenir une validation depuis Slack, Microsoft Teams ou l’application mobile Make.
C’est une fonction clé pour les cas sensibles. Un agent peut préparer une réponse client, générer un document ou mettre à jour une fiche. Mais avant l’étape irréversible, une personne valide. L’automatisation avance vite sans se prendre pour le PDG.
Make annonce aussi l’orchestration d’agents. Un agent principal peut déléguer différentes tâches à des sous-agents spécialisés, plutôt que de tenter de gérer vingt instructions contradictoires dans le même contexte. Cette organisation par rôles doit rendre les systèmes agentiques plus robustes et plus faciles à maintenir.
Maia devient un copilote de construction plus prudent
La nouvelle version de Maia by Make introduit un mode Plan. Avant de modifier le canvas, l’assistant détaille son approche, les modules envisagés, les connexions nécessaires et les hypothèses prises. La construction ne démarre qu’après validation.
Maia gagne également une mémoire des préférences, par exemple les applications fréquemment utilisées ou le niveau de détail souhaité. Il devient aussi possible de lui envoyer un schéma ou une capture d’écran pour expliquer un besoin. Une bonne nouvelle pour toutes les personnes qui ont déjà essayé de décrire un workflow complexe uniquement avec des phrases et beaucoup trop de flèches ASCII.
Une couche d’exécution pour fiabiliser les agents IA
Faire accomplir une tâche à un agent une fois dans une conversation est relativement simple. Lui faire reproduire cette tâche de manière fiable, avec les bons accès, les bonnes données et un niveau de contrôle adapté, est autrement plus compliqué.
Make présente donc une couche d’exécution dédiée aux agents. Elle doit transformer les décisions prises par un modèle en actions fiables dans les systèmes de l’entreprise.
Cette couche repose sur quatre briques :
- Functions : du code écrit par les agents et exécuté par Make avec les connexions existantes, tout en restant visualisable dans le canvas.
- Endpoints : des accès limités à des actions API précises, plutôt qu’un accès total à une application.
- Knowledge : une source de contexte centralisée, accessible aux humains comme aux agents.
- MCP toolboxes : des boîtes à outils qui définissent exactement les scénarios, connexions, fonctions et connaissances utilisables par un agent.
Les MCP toolboxes visent à fonctionner avec Claude, ChatGPT et tout agent compatible avec le protocole MCP. Chaque appel est journalisé et associé à la personne concernée. Cette granularité compte beaucoup : si un agent doit seulement lire une boîte mail, il ne doit pas soudainement pouvoir supprimer des messages ou modifier des règles. Cela paraît être du bon sens, ce qui est généralement le signe qu’il faut le formaliser dans un produit.
Govern : accélérer l’IA sans abandonner la sécurité
La gouvernance est souvent perçue comme un frein. Make défend l’idée inverse : une gouvernance bien intégrée permet à davantage d’équipes d’utiliser l’IA, car l’IT peut autoriser les usages avec des garde-fous clairs.
Le principe central est que l’agent n’a pas une identité indépendante qui contourne les règles. Il agit au nom d’un utilisateur et hérite de son rôle ainsi que de ses connexions. Lorsqu’un agent appelle Make via MCP, ses droits sont vérifiés au moment de l’action.
Les nouveautés annoncées incluent :
- des rôles personnalisés avec des permissions très fines ;
- des espaces privés pour isoler des expérimentations et des identifiants ;
- des connexions verrouillées afin d’éviter une réutilisation non souhaitée ;
- des permissions au niveau des actifs, pour déterminer qui peut consulter ou modifier un scénario, une connexion ou une ressource ;
- des politiques d’organisation pour encadrer les applications, endpoints et modèles IA autorisés.
Cette approche est essentielle pour passer du prototype au déploiement. Une entreprise peut permettre l’innovation tout en empêchant les agents d’accéder à ce qu’ils n’ont pas besoin de connaître. En matière de sécurité, le principe du moindre privilège reste moins glamour qu’un robot futuriste, mais nettement plus rassurant.
Observe : surveiller les agents, les coûts et les incidents
Plus une organisation déploie d’agents et d’automatisations, plus elle a besoin d’observabilité. Il faut pouvoir répondre aux questions simples, mais parfois redoutables : quel agent touche cette donnée ? Quel workflow dépend de cette application ? Pourquoi cette exécution a-t-elle échoué ? Combien coûte réellement ce processus ?
Avec Make Grid, la plateforme propose une carte vivante de ce qui est construit dans Make, mais aussi des agents et automatisations présents sur d’autres plateformes. Les équipes peuvent rechercher des objets, examiner les prompts, suivre les logs d’exécution et comprendre les dépendances.
Make prévoit également des évaluations d’agents et un suivi des dépenses IA, afin de mesurer si les agents s’améliorent ou se dégradent au fil du temps. Des abonnements aux événements permettent d’être alerté dès qu’un événement important survient, y compris lorsqu’un agent termine techniquement son travail, mais avec un résultat problématique.
Les logs d’audit couvrent les actions réalisées par des humains, des agents ou des clients MCP. Make prévoit aussi une intégration OpenTelemetry afin d’envoyer les données vers les outils d’observabilité déjà utilisés dans l’entreprise.
MakeOS, la pièce maîtresse pour l’entreprise agentique
Toutes ces annonces convergent vers MakeOS, le nouveau produit présenté par Make. Son ambition est de devenir l’endroit où les agents IA réalisent le travail de l’entreprise de façon fiable, visible et gouvernée.
MakeOS rassemble les scénarios, les agents, les applications, les responsabilités et les coûts dans une même vue. Il doit aussi observer les processus pour suggérer les étapes qui se prêtent à une automatisation classique ou à une intervention IA.
La promesse est de laisser l’entreprise être déterministe quand c’est nécessaire, agentique quand c’est utile et humaine quand c’est indispensable. Autrement dit, l’IA ne remplace pas aveuglément chaque étape : elle intervient là où elle apporte de la vitesse, tandis que les validations et règles critiques restent sous contrôle.
Pour les organisations qui veulent explorer cette vision, la liste d’attente de MakeOS est disponible via ce lien. Les fonctionnalités existantes et les annonces Waves ’26 peuvent être suivies sur Make.
La bataille autour des agents IA ne se jouera pas seulement sur la qualité des modèles. Elle se jouera aussi sur la capacité des entreprises à les déployer sans perdre la visibilité, la sécurité et la compréhension de leurs propres processus. Avec sa stratégie de glass box, Make choisit clairement son camp : celui d’une IA qui travaille beaucoup, mais qui ne travaille jamais dans le noir.
Source : MakeOS : Make veut transformer les agents IA en « glass box » enfin contrôlable
