Intuit, l’éditeur derrière des produits financiers comme TurboTax, QuickBooks ou Credit Karma, fait partie des entreprises qui ont expérimenté très tôt les agents IA à grande échelle. Mais son parcours montre surtout une réalité souvent masquée par les démonstrations spectaculaires : construire un système agentique fiable en production demande parfois de revenir en arrière, vite, et de repartir sur une base plus robuste.
Lors de VB Transform 2026, Nhung Ho, vice-présidente IA chez Intuit, a raconté comment l’entreprise a reconstruit deux fois son architecture d’agents en environ quatre mois. D’abord, Intuit est passée d’une flotte d’agents spécialisés à une couche centrale d’orchestration. Puis l’entreprise a abandonné cette orchestration, devenue trop fragile, pour adopter une architecture fondée sur des compétences et des outils réutilisables.
Le plus frappant n’est pas seulement la vitesse de ce changement. La seconde refonte complète a pris 60 jours, avec une première version fonctionnelle en moins de 20 jours. Le vrai enseignement réside dans la cause de l’échec : les agents se transmettaient leurs résultats en langage naturel, et chaque passage d’un agent à l’autre faisait perdre une partie du contexte nécessaire à la bonne exécution de la tâche.
Le problème de départ : trop d’agents, trop de choix pour l’utilisateur
Le premier modèle d’Intuit reposait sur des agents spécialisés. Sur le papier, l’approche paraît logique : un agent pour une tâche fiscale, un autre pour la comptabilité, un autre pour l’assistance produit, etc. Chaque agent peut être optimisé pour son domaine, avec ses propres instructions et ses propres capacités.
Mais côté client, cette organisation crée une friction importante. Même si chaque agent est performant, l’utilisateur doit encore comprendre quel agent choisir pour quel besoin. Or, lorsqu’un particulier cherche une réponse fiscale ou qu’une petite entreprise veut résoudre un problème de trésorerie, elle ne veut pas piloter une flotte d’agents. Elle veut obtenir une réponse ou accomplir une action.
Pour résoudre ce problème, Intuit a introduit une couche d’orchestration. L’idée était simple : l’utilisateur formule sa demande, puis le système décide en interne quel agent mobiliser, dans quel ordre, et avec quelles informations. Cette approche promettait une expérience plus fluide, où la complexité restait invisible.
Pourquoi la couche d’orchestration a fini par casser
Selon Nhung Ho, l’orchestrateur a tenu environ trois mois. Dans le calendrier accéléré du développement agentique en 2026, elle a comparé cette durée à une sorte d’année entière. Mais le système n’a pas échoué parce qu’il manquait de puissance ou parce qu’il ne pouvait pas gérer assez de requêtes. Il a échoué pour une raison plus structurelle.
Dans l’architecture orchestrée, les agents se transmettaient les résultats les uns aux autres en langage naturel. À chaque transfert, l’agent suivant devait déduire non seulement le résultat produit, mais aussi le raisonnement, les hypothèses et le contexte utilisés par l’agent précédent. Ce mécanisme introduisait une forme d’approximation permanente.
Dans une chaîne courte, l’erreur peut rester limitée. Mais dans un scénario impliquant plusieurs agents, elle s’accumule. Nhung Ho l’a résumé ainsi : lorsqu’une dizaine d’agents se passent l’information, chaque transmission ajoute une couche d’erreur potentielle. Le système ne tombe donc pas en panne de manière exceptionnelle ; il dégrade la qualité par conception.
Le langage naturel n’est pas toujours le bon format interne
L’expérience d’Intuit illustre une limite importante des architectures multi-agents : le langage naturel est excellent pour interagir avec un humain, mais il n’est pas toujours idéal comme format d’échange entre composants logiciels. Un message rédigé en phrases peut être ambigu, incomplet ou trop dépendant d’un raisonnement implicite.
Dans un produit financier, cette ambiguïté est particulièrement risquée. Une mauvaise interprétation peut conduire à une recommandation incorrecte, une action mal préparée ou une demande de validation inadaptée. Pour un système qui manipule des données fiscales, comptables ou bancaires, l’architecture doit limiter au maximum les pertes de contexte.
La deuxième refonte : passer des agents aux compétences et outils
Après avoir identifié le problème, Intuit a choisi de remplacer l’orchestrateur par une architecture basée sur des compétences et des outils. Au lieu de maintenir de grands agents autonomes qui se transmettent des conclusions, l’entreprise a découpé les capacités en briques plus précises et réutilisables.
Cette approche change profondément la logique du système. Un agent spécialisé devient moins une entité complète et indépendante qu’un assemblage de fonctions exploitables dans différents contextes. Une compétence peut servir à interpréter une facture, vérifier une règle fiscale, extraire une donnée comptable ou préparer une action. Un outil peut exécuter une opération contrôlée, interroger une base ou déclencher une procédure.
L’intérêt est double :
- Réduire les pertes de contexte, en évitant les longues chaînes de transmissions entre agents autonomes.
- Augmenter la réutilisabilité, puisqu’une même compétence peut servir plusieurs parcours clients et plusieurs produits.
- Améliorer l’évaluation, car chaque brique peut être testée plus précisément.
- Faciliter la gouvernance, notamment lorsqu’il faut encadrer des actions sur des données financières sensibles.
Cette refonte a été réalisée en 60 jours. Une première version exploitable a été obtenue en moins de 20 jours, ce qui montre que la rapidité n’est pas forcément incompatible avec un changement architectural profond, à condition que le diagnostic soit clair.
Convaincre l’interne : le défi humain derrière la refonte technique
Reconstruire une architecture d’IA en production ne se résume pas à choisir un meilleur diagramme technique. Nhung Ho a expliqué que l’un des défis majeurs a été de convaincre l’organisation : la direction, mais aussi les ingénieurs qui avaient conçu les agents spécialisés désormais remis en cause.
Pour la direction, l’équipe IA d’Intuit a privilégié la preuve par le résultat. Elle a construit une démonstration de la nouvelle architecture à partir de requêtes réelles de clients issues de la production, puis l’a comparée à l’ancien système sur les mêmes tâches. L’argument central était simple : si les clients essaient réellement d’accomplir ces actions, le système doit mieux y répondre.
Pour les équipes d’ingénierie, le message devait être différent. Des centaines d’ingénieurs, au-delà de l’équipe centrale de Nhung Ho, avaient contribué aux agents spécialisés. Leur demander de démonter ces agents pour les transformer en compétences et outils pouvait être vécu comme une remise en cause du travail déjà accompli.
L’argument qui a permis d’aligner les équipes a été celui de l’échelle. Un agent autonome résout un problème spécifique. Une compétence partagée, elle, peut bénéficier à l’ensemble des clients qui rencontrent ce type de situation dans le produit. Le travail devient donc plus transversal, plus mesurable et potentiellement plus utile.
Les évaluations deviennent le cœur du développement agentique
Ce changement d’architecture a aussi transformé le quotidien des équipes partenaires. Au lieu de se concentrer principalement sur la construction d’agents complets, elles ont dû investir davantage dans les évaluations, souvent appelées evals dans l’écosystème IA.
Dans un système agentique, une évaluation ne consiste pas seulement à vérifier si une réponse semble correcte. Il faut mesurer si le système comprend la demande, choisit la bonne compétence, utilise le bon outil, respecte les permissions, maintient le contexte et produit un résultat fiable dans des cas réels.
Pour une entreprise comme Intuit, les evals deviennent indispensables pour répondre à plusieurs questions :
- Le système résout-il réellement les problèmes que les clients rencontrent en production ?
- Les actions proposées sont-elles conformes aux règles fiscales, comptables ou produit ?
- Le passage vers un humain se fait-il avec suffisamment de contexte ?
- Les erreurs sont-elles détectées avant d’affecter l’utilisateur ?
- Les nouvelles compétences améliorent-elles le système sans dégrader d’autres parcours ?
La leçon est claire pour les entreprises qui déploient des agents IA : l’évaluation n’est pas une étape finale. Elle devient une infrastructure permanente, aussi importante que le modèle, les données ou l’interface utilisateur.
Le retour de l’humain dans la boucle, mais avec tout le contexte
L’un des résultats les plus visibles de cette refonte est une fonctionnalité permettant d’intégrer un humain directement dans une conversation avec un agent IA. Cette fonction est encore en phase de test initiale, disponible auprès d’environ 1 % de la base clients d’Intuit, avec une montée en charge prévue dans les semaines suivantes selon Nhung Ho.
Concrètement, un client peut faire intervenir un spécialiste du support produit Intuit, son propre comptable ou encore un expert comptable d’Intuit au milieu d’une conversation. La différence importante est que cette personne rejoint l’échange avec le contexte complet de ce que l’agent a déjà fait.
C’est un point essentiel. Dans de nombreux assistants généralistes, une question fiscale ou financière complexe se termine par une phrase de prudence du type : consultez un professionnel. Le système d’Intuit vise plutôt à connecter directement l’utilisateur à ce professionnel, dans le même fil de conversation, sans repartir de zéro.
Permissions explicites et journal d’audit
Cette intégration humaine s’accompagne d’un modèle de permissions adapté aux données financières. Chaque action effectuée par un agent sur les données d’un client nécessite d’abord une autorisation explicite. Avec le temps, cette contrainte pourrait être ajustée à mesure que les utilisateurs développent leur confiance dans le système, mais le principe de contrôle reste central.
Intuit conserve également un journal d’audit de ce que fait l’agent. Cette traçabilité permet de revenir en arrière si nécessaire et de comprendre comment une action a été initiée. Pour les applications financières, cette transparence n’est pas un détail : elle conditionne la confiance, la conformité et la capacité à corriger rapidement une erreur.
Le feedback client change d’échelle avec les interfaces conversationnelles
La refonte a aussi modifié la manière dont Intuit collecte et exploite le feedback. Avant les systèmes conversationnels, les retours explicites des clients étaient rares et souvent extrêmes : un utilisateur très satisfait, ou au contraire très mécontent, prenait le temps de donner son avis.
Nhung Ho a expliqué que le passage à une interface de chat change radicalement la situation. Chaque conversation devient une source de feedback. D’après elle, Intuit est passé d’un monde où environ 0,3 % des clients donnaient un retour explicite à une dynamique proche de 100 %, car chaque interaction révèle ce qui fonctionne, ce qui bloque et ce que l’utilisateur attend réellement.
Cette masse de retours est impossible à traiter manuellement. Nhung Ho a indiqué être revenue elle-même à l’écriture de code pour construire des modèles capables d’analyser ce volume de feedback, repérer les zones d’échec et identifier les améliorations prioritaires.
Le ton de ces retours peut être brutal. Les clients disent directement à l’agent quand une réponse est mauvaise, quand ils sont frustrés ou quand le système n’a pas compris leur besoin. Mais cette franchise est aussi une opportunité : les utilisateurs corrigent, précisent, reformulent et donnent au système des signaux très riches.
Ce que les entreprises peuvent retenir de l’expérience Intuit
L’histoire d’Intuit n’est pas seulement un cas d’école pour les spécialistes de l’IA. Elle donne plusieurs repères utiles à toute organisation qui veut intégrer des agents IA dans un produit réel.
1. Un bon agent ne suffit pas si l’expérience globale est confuse
Une flotte d’agents spécialisés peut sembler performante, mais si l’utilisateur doit comprendre lui-même quel agent mobiliser, l’expérience reste trop complexe. La valeur vient de la capacité du système à traduire une intention client en action, sans exposer toute la mécanique interne.
2. L’orchestration peut devenir un point de fragilité
Centraliser la coordination paraît séduisant, mais l’orchestrateur peut devenir un goulot d’étranglement cognitif. Si les agents se transmettent des résumés approximatifs en langage naturel, les erreurs ne sont pas accidentelles : elles s’accumulent mécaniquement.
3. Les compétences réutilisables sont plus durables que les agents monolithiques
Découper les capacités en outils et compétences permet de tester, améliorer et réutiliser les briques plus facilement. Cette approche paraît particulièrement adaptée aux environnements où la fiabilité, la conformité et l’auditabilité sont indispensables.
4. Le feedback conversationnel devient un actif stratégique
Avec les agents IA, les clients ne se contentent plus de cliquer sur une note ou d’envoyer un ticket. Ils expliquent en langage naturel ce qui ne va pas. Les entreprises capables d’analyser ces signaux à grande échelle pourront améliorer leurs systèmes beaucoup plus rapidement.
5. L’humain reste essentiel dans les parcours sensibles
Dans la fiscalité, la comptabilité ou la finance personnelle, l’IA ne doit pas seulement répondre. Elle doit aussi savoir quand transférer, à qui transférer et comment transmettre le contexte. Le véritable progrès n’est pas de remplacer systématiquement l’humain, mais de l’intégrer au bon moment, avec les bonnes informations.
Une leçon de vitesse, mais surtout de lucidité
Intuit présente cette double refonte comme un chemin rapide, mais ce n’est pas une célébration du changement permanent pour lui-même. Le message est plus nuancé : dans l’IA agentique, avancer vite signifie parfois reconnaître très tôt qu’une architecture ne tiendra pas à l’échelle.
Le cas Intuit rappelle que les systèmes d’agents IA ne se jugent pas uniquement sur une démonstration réussie. Ils doivent être évalués sur leur capacité à conserver le contexte, à gérer les permissions, à intégrer l’humain, à apprendre du feedback et à fonctionner dans les contraintes d’un produit réel.
Pour les entreprises qui construisent aujourd’hui leurs propres agents IA, la conclusion est claire : la meilleure architecture n’est pas forcément celle qui paraît la plus intelligente. C’est celle qui reste compréhensible, testable, traçable et améliorable lorsque les usages réels commencent à la pousser dans ses limites.