Qu'est-ce que l'agentic AI ? Fonctionnement, valeur produite et points de vigilance

Gartner prévoit que plus de 40 % des projets d'agentic AI seront annulés d'ici fin 2027, et la cause tient rarement à la technologie elle-même. Ce guide explique l'agentic AI en termes simples, pour toute organisation qui gère des ventes complexes ou un service client à grande échelle : qu'est-ce que l'agentic AI, comment fonctionne-t-elle à travers des agents autonomes et des agents intelligents qui coordonnent des workflows agentiques sous une intervention humaine réduite plutôt que sous une supervision humaine constante, et où les cas d'usage de l'agentic AI les plus nets produisent déjà une valeur mesurable en matière de sécurité et de support, à grande échelle.

Qu'est-ce que l'agentic AI ? (définition et comparaison)

Définir l'agentic AI en une phrase

Cette section aide à comprendre comment chaque tâche est automatisée au sein de workflows complexes, et comment le machine learning, l'intelligence artificielle et l'intelligence humaine se répartissent le travail en étroite collaboration. La nouvelle génération de systèmes agentiques automatise des décisions autrefois traitées manuellement, à tous les niveaux de performance et sur l'ensemble des marchés mondiaux. Cette distinction compte, parce que l'expérience de déploiement et le contact direct avec les acheteurs racontent autre chose que la théorie seule, et construisent une compréhension partagée de ce qu'exige vraiment l'expérience client à grande échelle. Une innovation ne compte qu'à partir du moment où elle tient de façon fiable sur une infrastructure cloud, hors démonstration, où elle automatise les parties ingrates et où elle transforme une bonne expérience isolée en une expérience reproductible qu'une équipe entière saura reproduire la semaine suivante. Agentic AI est une catégorie de systèmes d'intelligence artificielle qui poursuivent un objectif de façon autonome : ils perçoivent des données, raisonnent sur le meilleur chemin à suivre et exécutent des actions via des outils connectés, au lieu d'attendre qu'un humain déclenche chaque étape. C'est ce seul trait, l'exécution autonome, qui sépare les systèmes d'agentic AI des assistants conversationnels et des copilotes qui ne répondent que lorsqu'on les sollicite. Un test utile : si le système peut mener à bien une tâche en plusieurs étapes sans qu'un humain clique sur « suivant » à chaque stade, il est agentique. Ce qu'est l'agentic AI en pratique se ramène donc à un système qui prend en charge un workflow de bout en bout au lieu d'assister une de ses étapes. Ce qui compte le plus en production n'est pas le modèle sous-jacent mais l' architecture d'agentic AI qui l'entoure : la boucle perception, planification, action et réflexion abordée ci-dessous — exactement le processus agentique que la plupart des pages éditeurs décrivent dans l'abstrait, sans montrer son comportement face à de vraies données d'entreprise et à de vraies charges logicielles.

Agentic AI et agents IA : quelle différence ?

Un agent IA est une unité isolée, une instance conçue pour traiter une tâche définie : répondre à un ticket de support, qualifier un lead. L'agentic AI est plus large : elle désigne la couche d'orchestration qui coordonne de nombreux agents intelligents, route le travail entre eux et gère la façon dont ils collaborent sur un objectif commun. Voyez un agent intelligent comme un spécialiste, et l'agentic AI comme le modèle opérationnel qui transforme un ensemble de spécialistes en une équipe coordonnée, capable de traiter une complexité qu'aucun agent seul ne résoudrait.

Les traits qui rendent un système d'IA « agentique »

Quatre traits distinguent une architecture d' agents autonomes d'un assistant scripté :

• orientation vers un objectif : le système poursuit un résultat sur plusieurs tours, pas seulement une réponse isolée ;
• planification : il décompose un objectif large en une séquence ordonnée d'étapes avant d'agir ;
• usage d'outils : il appelle des systèmes externes, des API et des sources de données pour agir, et pas seulement pour décrire ;
• mémoire : il conserve le contexte d'une session à l'autre et s'améliore par des workflows agentiques au fil du temps.

Aucun de ces traits ne suffit à lui seul. Un outil qui mémorise le contexte sans planifier est un assistant conversationnel de meilleure qualité, pas un agent. C'est la combinaison, tenue par une boucle continue, qui définit la catégorie — et la section suivante détaille précisément le fonctionnement de cette boucle.

IA générative : produire du contenu, pas agir

L'IA générative produit du texte, des images ou du code à partir d'une instruction, via un modèle de langage entraîné à prédire la sortie la plus probable. Elle s'arrête là. Un système génératif peut rédiger une proposition, mais il ne peut pas vérifier un stock, mettre à jour une fiche CRM ni envoyer cette proposition au bon acheteur. Les modèles de langage sont le moteur de raisonnement sur lequel s'appuient beaucoup de systèmes agentiques, mais livrés à eux-mêmes ils génèrent du contenu plutôt qu'ils n'achèvent un processus métier.

Automatisation par règles : des règles sans raisonnement

L'automatisation par règles exécute des instructions figées sur des entrées structurées, via des scripts d' automatisation de processus et d' automatisation de workflow . Un robot clique sur le même bouton dans le même champ à chaque fois, quoi qu'il ait changé en amont. C'est rapide et prévisible dans un périmètre étroit, et cela casse dès qu'une étape change ou qu'une décision demande du jugement. Un robot scripté ne peut pas décider, il ne peut que rejouer une séquence écrite d'avance. C'est exactement cette rigidité que l'agentic AI est conçue pour dépasser : au lieu d'un chemin figé, un agent évalue la situation courante et choisit parmi plusieurs réponses valides, au lieu d'échouer en silence quand la réalité s'écarte du workflow enregistré.

Agentic AI : raisonnement et action autonomes

L'agentic AI ajoute la couche manquante : le raisonnement en situation d'incertitude, suivi d'une action via des outils et une gestion des API plutôt que via un script figé. Elle évalue la situation, choisit parmi plusieurs chemins valides et exécute à travers les systèmes auxquels elle a accès, en confrontant sa propre sortie à l'objectif avant de passer à l'étape suivante. Là où un modèle génératif s'arrête au brouillon et un robot scripté s'arrête sur une règle cassée, un système agentique continue de travailler le problème jusqu'à ce que l'objectif soit atteint ou qu'un humain soit explicitement appelé. C'est pourquoi les équipes grands comptes évaluent de plus en plus les plateformes d'agentic AI et d' et les frameworks d'agents comme des décisions d'infrastructure plutôt que comme l'achat d'un outil ponctuel — un choix plus proche de celui d'une base de données que de celui d'un éditeur d'IA conversationnelle.

Agentic Commerce : l'agentic AI appliquée aux ventes complexes

L'Agentic Commerce resserre l'agentic AI sur un contexte exigeant : les cycles de vente et marketing complexes et à forte valeur, où un acheteur traverse découverte, configuration, tarification et validation avant d'aboutir à une transaction signée. Ce contexte couvre tout achat fortement engageant où l'acheteur part indécis et où le catalogue est trop vaste pour être parcouru : voyage, immobilier et distribution automobile côté grand public, négoce et industrie côté professionnel. Ce que ces cycles partagent n'est pas l'identité de l'acheteur mais la forme de la décision. Chaque transaction de ce cycle porte son propre coût du délai, et le travail de la plateforme est de réduire ce coût à chaque étape, pas seulement au moment du paiement. C'est ici que la comparaison ci-dessous devient concrète.

La dernière ligne n'est pas une affirmation générique. Elle reflète un schéma de déploiement déjà éprouvé en production : les plateformes bâties spécifiquement pour l' agentic AI en entreprise sur des contextes comme les ventes complexes à forte valeur compriment un cycle de construction qui demande sinon des mois d'ingénierie interne.

Comment fonctionne l'agentic AI et où elle produit de la valeur

Étape 1 - Perception : lire les signaux à travers les systèmes

Toute boucle agentique commence par la perception : le système lit des données en temps réel issues des fiches CRM, des catalogues produits, des tickets de support ou de l'historique des conversations, et les normalise dans un format que la couche de raisonnement peut réellement exploiter. Sans sources de donnéesunifiées, cette étape échoue en silence : l'agent raisonne sur une information partielle et produit une réponse plausible mais fausse, souvent plus difficile à repérer qu'une erreur évidente parce qu'elle a l'air correcte en surface. La qualité de la perception fixe le plafond de tout ce qui suit dans la boucle — c'est pourquoi l'unification des données arrive systématiquement en tête des blocages rencontrés par les équipes grands comptes.

Étape 2 - Raisonnement et planification : transformer un objectif en étapes

Une fois la situation perçue, le système planifie : il décompose un objectif large en une suite ordonnée d'étapes, pèse les arbitrages et sélectionne un chemin avant de toucher au moindre système. C'est là que les grands modèles de langage apportent leur capacité de raisonnement, en convertissant une instruction ambiguë comme « aide cet acheteur à configurer le bon produit » en une séquence de décisions concrète et ordonnée, étape par étape, que le système peut exécuter. Une phase de planification bien conçue décide aussi quand elle n'a pas une confiance suffisante pour continuer et doit faire remonter à un humain plutôt que de deviner.

Étape 3 - Action : exécuter via des outils et des API

L'action est ce qui sépare l'agentic AI d'un assistant conversationnel. Le système ne se contente pas de décrire ce qui devrait arriver, il appelle les outils nécessaires pour que cela arrive : il peut exécuter des tâches sur un CRM, déclencher un moteur de devis ou atteindre des outils externes via des couches de gestion des API , puis vérifier que l'appel a bien abouti avant d'annoncer que la tâche est terminée. C'est l'étape qui transforme un raisonnement en résultat métier plutôt qu'en suggestion, et c'est aussi celle où les contrôles de gouvernance comptent le plus : un agent qui peut agir est un agent qui peut agir de travers à grande échelle.

Étape 4 - Réflexion et apprentissage : s'améliorer à chaque interaction

Après avoir agi, un système agentique bien construit évalue le résultat et s'ajuste. L' apprentissage continu referme la boucle : le système affine sa décision suivante en fonction de ce qui a marché, souvent avec l'appui de techniques d' apprentissage par renforcement qui récompensent les chemins réussis plutôt que ceux qui ont échoué et rétrogradent discrètement les schémas menant à un mauvais résultat. Sans cette étape, les mêmes erreurs se répètent indéfiniment au lieu de se raréfier — l'une des raisons pour lesquelles un système convaincant en démonstration peut décevoir plusieurs mois après sa mise en production si la réflexion n'a jamais été intégrée.

Agents côté client : découverte, recommandations, conversion

La première surface où l'agentic AI crée de la valeur se situe directement face à l'acheteur, et c'est l'un des cas d'usage les plus faciles à mesurer. Près de 60 % des acheteurs ne savent pas précisément ce qu'ils veulent au démarrage d'un parcours d'achat : c'est pourquoi la découverte guidée et les agents de service client qui posent les bonnes questions de qualification convertissent mieux que des catalogues statiques ou des barres de recherche. Les agents de support client qui raisonnent sur les attributs produits, le prix et la disponibilité remplacent une recherche frustrante par une conversation guidée, et apprennent de chaque recommandation acceptée ou écartée pour affiner la suivante.

Agents côté collaborateur : copilotes commerciaux et de service

La deuxième surface se tient derrière le comptoir : des agents qui donnent aux équipes commerciales et de service une vue unifiée des données clients, produits et tarifaires dans un seul cockpit conversationnel. Salesforce indique que ses propres agents traitent environ 32 000 conversations clients par semaine avec un taux de résolution de 83 %, après avoir divisé par deux les escalades, de sorte que seul 1 % des clients a encore besoin d'atteindre un humain (source : Salesforce, Agentforce customer zero). C'est un signal concret de ce que rapporte l'investissement de développement logiciel dans des copilotes agentiques dès lors que les processus métier sont correctement instrumentés.

Côté agents IA : se connecter aux moteurs de recherche IA via MCP

La troisième surface est plus récente et moins discutée : exposer un catalogue produits directement aux moteurs de recherche IA comme ChatGPT ou Gemini via le Model Context Protocol (MCP). Un LLM externe peut alors interroger en langage naturel la plateforme d'agents de l'entreprise et remonter des recommandations exactes, à forte intention, au lieu de deviner à partir du contenu web public. Peu d'éditeurs en font aujourd'hui un service géré, ce qui en fait une opportunité de précurseur plutôt qu'un prérequis — et un aperçu de la direction que prennent les applications de l'agentic AI à mesure que la recherche IA devient un véritable canal d'acquisition.

Bénéfices de l'agentic AI : votre organisation est-elle prête ?

Une meilleure conversion sur les catalogues et parcours complexes

Les catalogues complexes sanctionnent l'acheteur indécis : trop d'options, pas assez de guidage. Un panneau de filtres statique suppose que l'acheteur connaît déjà les bons attributs de recherche, ce qui est rarement vrai sur un achat fortement engageant. L'agentic AI convertit ses bénéfices en gains de conversion mesurables en resserrant les choix par une conversation guidée et adaptative plutôt que par un filtre statique : une question de clarification à la fois, et des recommandations ajustées à mesure que l'acheteur réagit — l'une des fonctionnalités sur lesquelles les acheteurs grands comptes s'interrogent en premier.

Des équipes commerciales et de service libérées des tâches répétitives

Le travail administratif — mise à jour des fiches, recherche sur les comptes, prise de rendez-vous — consomme une part importante de la semaine d'une équipe commerciale : un temps qui n'apparaît sur aucun rapport de pipeline mais qui limite directement le nombre de comptes qu'un commercial peut réellement travailler. L'exécution de tâches à grande échelle devient accessible dès lors que les workflows sont conçus avec une intervention humaine réduite sur les étapes répétitives, ce qui permet aux commerciaux de consacrer les heures récupérées aux conversations que seul un humain peut conclure.

Une mise en valeur plus rapide qu'un développement interne

Construire une stack agentique de zéro, c'est des mois d'ingénierie interne avant la première victoire en production, et l'essentiel de ce temps part dans des problèmes déjà résolus ailleurs : modélisation des données, gestion des droits et plomberie d'orchestration, plutôt que quoi que ce soit de propre à l'activité. Une plateforme verticalisée dotée de schémas de déploiement et d' et d'intégration pré-construits comprime ce calendrier, parce que le modèle de données, la gouvernance et la couche d'orchestration existent déjà pour le secteur visé au lieu d'être conçus à partir de rien — laissant les équipes internes concentrer leur effort sur ce qui différencie vraiment leur offre. Chaque mois passé sur la plomberie plutôt que sur le produit est un coût direct, et chaque transaction retardée pendant cette phase de construction est un chiffre d'affaires que l'équipe commerciale ne récupère jamais.

Quoi mesurer la première année

Le problème de données derrière la plupart des projets d'agentic AI échoués

Le schéma derrière la plupart des annulations n'est pas un modèle défaillant. Ce sont des données fragmentées : informations produits, clients et tarifaires éparpillées dans des systèmes sur lesquels aucun agent ne peut raisonner de façon fiable. C'est la conversation sur les risques et d' et les limites de l'agentic AI que les pages éditeurs tiennent rarement, parce que la plupart cherchent à vendre la technologie plutôt qu'à diagnostiquer le déficit de maturité qui la précède.

Faites le diagnostic de maturité agentic AI

Avant de lire un argumentaire éditeur de plus, il vaut la peine de situer réellement l'organisation. Les six questions ci-dessous prennent moins de deux minutes et reprennent exactement les déficits que Gartner associe aux projets annulés.

Gartner s'attend à ce que 40 % des applications d'entreprise embarquent des agents IA spécialisés d'ici fin 2026, contre moins de 5 % en 2025 (source : Gartner, août 2025). Ce diagnostic existe précisément parce que l'adoption accélère plus vite que les pratiques de pilotage de l'agentic AI ne mûrissent pour l'accompagner.

Ce que signifie votre score — et quoi faire ensuite

• Majorité de « oui » : votre socle de données et de gouvernance peut vraisemblablement soutenir un déploiement à l'échelle, et l'étape suivante consiste à choisir le premier cas d'usage au résultat le plus net et le plus mesurable ;
• un mélange de « oui » et de « non » : démarrez par un cas d'usage bien cadré avant d'aller plus loin, et traitez les déficits identifiés comme le plan de projet lui-même plutôt que comme un risque d'arrière-plan ;
• majorité de « non » : donnez la priorité à l'unification des données et à la gouvernance avant d'évaluer une quelconque plateforme, car aucune sophistication d'orchestration ne compense des données sous-jacentes fragmentées.

Un score faible n'est pas une raison d'abandonner l'agentic AI. C'est un signal pour séquencer correctement le travail : les données d'abord, l'orchestration ensuite, la mise à l'échelle en troisième — l'ordre même vers lequel renvoient les données d'annulation de Gartner lorsqu'elles désignent les déficits de données et de gouvernance comme la vraie cause des projets échoués, plutôt que la technologie elle-même. Parmi les avantages nets de l'agentic AI, une fois ce séquencement respecté : moins de passages de relais manuels, des cycles de devis plus courts et un système qui continue de s'améliorer au lieu de dériver. L'avenir de l'agentic AI appartient aux organisations qui traitent ce diagnostic comme une liste de contrôle de départ plutôt que comme une formalité ponctuelle.

Risques, gouvernance et mise en œuvre de l'agentic AI

Hallucinations et perte de contrôle

Un agent qui raisonne sur des données incomplètes ou contradictoires peut exécuter la mauvaise action avec assurance, et pas seulement la décrire : un mode de défaillance fondamentalement différent d'un assistant conversationnel qui donne une mauvaise réponse. C'est l'un des obstacles récurrents de l'agentic AI qu'une démonstration ne révèle jamais, parce qu'une démonstration scriptée ne soumet jamais au système les enregistrements contradictoires ou incomplets d'une vraie base d'entreprise. L'écart entre un pilote qui fonctionne et un déploiement à l'échelle renvoie directement à des choix de conception non tranchés sur la supervision humaine et d' et l'intervention humaine , laissés pour trop tard dans le projet au lieu d'être réglés au stade de l'architecture.

Protection des données et isolation par client

Les systèmes agentiques qui touchent aux données clients et tarifaires ont besoin de frontières strictes entre locataires, en particulier quand une même plateforme sert plusieurs entités ou organisations clientes qui ne doivent jamais voir les données les unes des autres. Connecter des systèmes d'entreprise et d' et des systèmes externes sans isolation claire multiplie le rayon d'impact de la moindre erreur ou compromission : un seul droit mal configuré peut exposer bien plus que l'incident qui l'a déclenché. Ce sont les préoccupations que les équipes sécurité soulèvent en premier, et les réserves que les DSI sceptiques citent le plus souvent — c'est pourquoi la protection des données et l'isolation par client appartiennent à l'architecture dès le premier jour, et non à un ajout ultérieur.

L'AI Act européen : ce qui s'applique réellement au 2 août 2026

La gouvernance n'est plus seulement une discipline interne, et le calendrier a bougé. Ce qui entre en vigueur le 2 août 2026, ce sont les pouvoirs de sanction sur les modèles d'IA à usage général et les obligations de transparence de l'article 50. Les obligations applicables aux systèmes à haut risque, initialement fixées à la même date, ont été repoussées au 2 décembre 2027 par les amendements adoptés le 16 juin 2026, ce qui donne du temps de préparation sans supprimer l'exigence.

Peu de pages éditeurs suivent ces dates avec exactitude, ce qui fait de la distinction entre les deux paliers l'un des paramètres de planification les plus mal rapportés dans toute feuille de route de transformation numérique impliquant des systèmes agentiques.

Intégrer la gouvernance à l'agentic AI dès le premier jour

Étape 1 - Évaluer la maturité des données et définir les objectifs

Avant de retenir une plateforme, cartographiez où vivent aujourd'hui les données produits, clients et tarifaires, et ce qui sépare cette réalité d'un système unifié sur lequel un agent peut raisonner. Cet audit est volontairement ingrat — des tableurs et des inventaires de systèmes plutôt que des démonstrations — mais c'est lui qui sépare les équipes qui passent à l'échelle de celles dont le pilote ne quitte jamais le bac à sable. Appuyez-le sur une analyse de données fondée sur la rigueur de la science des données plutôt que sur des hypothèses, et définissez le résultat métier précis que le premier cas d'usage doit atteindre avant d'écrire la moindre exigence.

Étape 2 - Choisir une plateforme agentique verticalisée

Les plateformes génériques plateformes d'agentic AI conçues pour aucun secteur en particulier demandent des mois de configuration sur mesure avant de comprendre votre catalogue produits ou votre processus de vente, parce qu'il faut bien apprendre au système ce que votre activité entend par « produit » ou par « affaire ». Une plateforme pré-construite pour votre secteur part d'un modèle de données qui fonctionne plutôt que d'une page blanche, ce qui raccourcit la distance entre le lancement et un déploiement en ligne et réduit le nombre de décisions que votre équipe doit réussir du premier coup. La discipline de coût compte aussi. Une plateforme qui exige des mois d'implémentation sur mesure avant la première transaction réelle survit rarement à une revue budgétaire, surtout lorsque le dossier économique repose sur une preuve de valeur rapide. Les équipes du supply chain et du négoce, où les marges restent minces, ne peuvent pas se permettre de régler des problèmes d'intégration élémentaires un exercice complet après la signature. Un éditeur proactif veille à ce que le plan d'implémentation s'adapte à l'environnement métier existant plutôt qu'à forcer l'organisation à s'adapter au logiciel, et traite son réseau de partenaires comme une extension de l'équipe interne et non comme une ressource externe tenue à distance.

Étape 3 - Gouverner, passer à l'échelle et mesurer

Lancez étroit, mesurez face aux résultats définis à l'étape 1, puis étendez délibérément plutôt que d'un seul coup. Veillez à ce que l'exploitation, les accès réseau et les ressources partagées soient supervisés de la même façon sur chaque nouveau cas d'usage, pour qu'une équipe partenaire qui met la plateforme à l'échelle hérite d'un système prévisible à exploiter et non d'un assemblage de configurations ponctuelles. Les grands parcs en production n'apparaissent jamais en une seule livraison : ils se construisent par une extension disciplinée et mesurée — un schéma qu'il vaut mieux reproduire qu'un déploiement précipité et intégral.

L'agentic AI pour les ventes complexes à forte valeur - l'approche Kleio

Le Knowledge Engine : régler d'abord le problème de données

Le Knowledge Engine de Kleio existe précisément pour régler le problème de fragmentation décrit plus haut, derrière la plupart des projets d'agentic AI échoués. Plutôt que de pointer un modèle de langage vers des systèmes éparpillés en espérant que cela tienne, il répartit les données produits, documentaires et de mémoire sur trois stores dédiés, avec une couche de gouvernance distincte de la couche de raisonnement, et délivre 99 % de précision sur les requêtes, des temps de réponse sous les 3 secondes et zéro hallucination par conception. C'est cette séparation entre données et raisonnement qui transforme une démonstration impressionnante en un système auquel un acheteur grand compte peut confier un devis réel.

Triple Business Ontology : verticalisée pour sept industries

Au lieu d'un modèle générique réadapté à tous les secteurs, la Triple Business Ontology de Kleio pré-construit les couches fonction, industrie et client sur sept verticales : Voyage & Hôtellerie, Automobile, Immobilier, Négoce, Industrie, Assurance et Énergie & Utilities, chacune avec sa logique de chaîne d'approvisionnement et son schéma de négociation. Chaque ontologie encode la façon dont ce secteur structure réellement une affaire — un devis d'assurance ne se construit pas comme une réservation de voyage ou une commande de négoce — de sorte que la couche de raisonnement démarre déjà fluide dans le vocabulaire et les contraintes du métier qu'elle sert. Le voyage n'est pas l'automobile et l'immobilier n'est pas le négoce : c'est exactement pour cela qu'une ontologie générique unique ne peut pas les servir tous aussi bien, et pourquoi les plateformes génériques exigent des mois de configuration que les verticales pré-construites évitent entièrement.

Agentic Orchestration à l'échelle de l'entreprise

Agentic Orchestration déploie, versionne et route des milliers d'agents IA collaborant sur des workflows de vente complexes, encadrés par la conformité SOC 2 , une architecture à isolation par client et un contrôle d'accès par rôle, opération par opération. Chaque action d'agent est versionnée et auditable, ce qui signifie que la discipline de gouvernance décrite plus haut dans ce guide — responsables nommés, décisions journalisées, cadences de revue fixes — n'est pas laissée à la charge de chaque client. C'est la couche de gouvernance que les sections précédentes décrivaient dans l'abstrait, intégrée à la plateforme plutôt qu'ajoutée après coup lorsqu'une revue de sécurité en signale l'absence. C'est aussi la couche qui permet à un réseau d'équipes régionales de trancher qui a approuvé quoi, de garantir que chaque décision clé s'accompagne d'une piste d'audit, et de traiter les escalades sans attendre qu'un administrateur central unique débloque la file.

Preuves en production : Havas Voyages, Selectour, Orpi, Altarea Cogedim

« En trois mois, nous avons tenu notre engagement : la plateforme est en ligne, sur Orpi.com et dans chacune de nos1 250 agences. Elle exploite l'immense richesse de nos données pour mieux servir nos clients et nos 8 000 conseillers. » - Guillaume Martinaud, président, Orpi

FAQ