Il n’existe pas de définition universelle d’un agent IA. Le sens ancien englobe tout système d’IA qui perçoit un environnement et agit sur celui-ci. Dans les produits logiciels actuels, le terme désigne généralement un système dans lequel un modèle dirige au moins une partie du workflow. Cette page utilise ce sens moderne et plus étroit.

Le modèle mental le plus simple

Vous donnez à un agent un résultat à atteindre, pas chaque étape.

Si vous demandez à un système d’automatisation ordinaire de traiter une facture, un développeur a déjà programmé le chemin à suivre : lire ces champs, appliquer ces règles, mettre à jour ce système. Si vous demandez à un agent de résoudre un problème de facture, le modèle peut examiner la facture, rechercher un bon de commande, repérer une incohérence, demander les justificatifs manquants, puis choisir de mettre à jour l’enregistrement ou de transmettre le problème à un niveau supérieur.

La différence ne tient pas au fait que l’agent pourrait faire tout ce qu’il veut. Elle tient au fait qu’il dispose d’un contrôle limité sur ce qui se passe ensuite.

Un test utile consiste à se demander :

Après que le système a reçu un résultat, qui choisit l’étape suivante ?

Si du code fixe choisit toujours, le système est principalement un workflow. Si le modèle peut choisir une action différente en fonction du résultat, le système possède un contrôle de type agentique. Les produits réels peuvent combiner les deux : du code fixe peut gérer les approbations et les paiements, tandis qu’un modèle décide comment examiner une exception.

Comment fonctionne un agent IA

La plupart des agents logiciels actuels associent un modèle d’IA à un harnais d’IA. Le modèle interprète la situation et propose quoi faire. Le harnais fournit le contexte, expose les outils autorisés, exécute les actions approuvées, enregistre l’état et fait respecter les limites.

La boucle de base se présente ainsi :

Goal, context, and limits
           |
           v
 Model chooses a next step <------------------+
           |                                  |
           v                                  |
 Harness checks and executes the action       |
           |                                  |
           v                                  |
 Environment returns an observation ----------+
           |
           v
 Finish, ask for help, or stop at a limit

1. L’agent reçoit un objectif

L’objectif décrit le résultat souhaité. Les instructions ajoutent des contraintes, par exemple ce qui peut être modifié, ce qui nécessite une approbation et ce qui définit l’achèvement. Une condition d’arrêt claire est importante, car « continuer d’essayer » n’est ni un objectif sûr ni un objectif utile.

2. Le modèle choisit l’étape suivante

Le modèle reçoit l’objectif et l’état actuel. Il peut répondre, poser une question, sélectionner un outil ou décider qu’il ne peut pas poursuivre. Il peut également élaborer ou réviser un plan, mais un plan détaillé n’est pas nécessaire pour tous les agents.

3. Le harnais gère l’action

Un outil est une interface que le système peut utiliser pour récupérer des informations ou modifier quelque chose en dehors du modèle. Il peut rechercher des enregistrements, exécuter du code, consulter un calendrier ou envoyer une mise à jour.

Le modèle propose normalement un nom d’outil et des paramètres. Le harnais valide cette demande, vérifie les autorisations, demande une approbation lorsque cela est nécessaire et exécute le code sous-jacent. Cette séparation empêche qu’une instruction générée devienne automatiquement une action autorisée.

4. L’environnement renvoie des éléments probants

Le résultat de l’outil devient une observation : un résultat de recherche, une erreur, un rapport de test, un numéro de confirmation ou tout autre élément provenant de l’extérieur du modèle. Le modèle utilise cette observation pour faire un nouveau choix.

Ce retour ferme la boucle. Sans lui, le système peut générer un récit plausible de réussite sans savoir si quoi que ce soit s’est réellement produit.

5. La boucle s’arrête

L’agent s’arrête lorsqu’il atteint une condition d’achèvement, ne peut plus continuer, a besoin d’une décision humaine ou atteint une limite. Les limites peuvent concerner les actions autorisées, le temps écoulé, le nombre d’étapes ou l’utilisation des ressources. Un agent capable de s’arrêter en toute sécurité est mieux conçu qu’un agent qui continue simplement d’agir.

Un exemple détaillé

Imaginez que vous demandiez à un agent de livraison :

Décale la livraison de mes courses prévue mardi à une heure où je serai chez moi. Ne modifie pas les articles.

L’agent n’a pas besoin d’un script codé en dur pour chaque combinaison possible d’état du calendrier et de la livraison.

  1. Il récupère la réservation actuelle et vérifie que la commande demandée est bien prévue pour mardi.
  2. Il consulte votre calendrier au moyen d’un outil que le harnais est autorisé à utiliser.
  3. L’observation montre que le créneau de livraison actuel chevauche un rendez-vous.
  4. Il demande les créneaux disponibles le mardi auprès du service de livraison.
  5. Il compare ces résultats avec le calendrier et sélectionne une option sans conflit.
  6. Le harnais constate que le changement de créneau modifie un enregistrement externe et met donc l’opération en pause pour demander votre approbation.
  7. Après approbation, le harnais envoie la modification.
  8. Le service de livraison renvoie une confirmation. L’agent vérifie que le jour, le créneau et la liste des articles correspondent à la demande initiale, puis s’arrête.

Si aucun créneau valable n’existe, le modèle peut demander si mercredi convient. Si l’outil de calendrier échoue, il peut vous demander vos disponibilités. Si la commande a déjà été expédiée, il doit expliquer le blocage plutôt que d’inventer un résultat positif.

Ces branches révèlent la nature agentique du système. Un workflow fixe pourrait exécuter les mêmes étapes du scénario idéal, mais le système dirigé par le modèle peut choisir un nouveau chemin à partir de chaque observation.

Pourquoi les agents IA sont importants

Les agents sont utiles lorsqu’un objectif est clair, mais que les étapes nécessaires varient. Ils peuvent gérer les informations manquantes, les erreurs d’outils et l’évolution des conditions sans qu’une personne doive fournir une nouvelle instruction après chaque étape.

Cette flexibilité a un coût. Chaque décision du modèle ajoute du temps et consomme des ressources. Une action initiale erronée peut également influencer toutes les étapes suivantes. Donner davantage d’outils à un système augmente à la fois ce qu’il peut accomplir et ce qu’il peut endommager.

La question pratique n’est donc pas « Jusqu’à quel point ce système peut-il être autonome ? », mais « Quelles décisions le système peut-il prendre en toute sécurité, et à quel moment des règles fixes ou une approbation humaine doivent-elles prendre le relais ? » Une investigation ouverte peut tolérer plusieurs étapes dirigées de manière autonome. Envoyer de l’argent, supprimer des données ou prendre une décision contraignante mérite généralement une limite plus stricte.

Idées reçues courantes

« Toute application dotée d’un modèle d’IA est un agent »

Un modèle peut résumer un document ou répondre à un message en un seul appel. Il s’agit d’une fonctionnalité alimentée par l’IA, mais pas nécessairement d’un agent. Le signal le plus probant est le contrôle d’un processus dirigé par le modèle : choisir des actions, recevoir des observations et décider de la suite.

« Un seul appel d’outil suffit à en faire un agent »

Un chatbot peut toujours appeler la même fonction météo, puis afficher le résultat. Ce chemin peut relever de l’automatisation ordinaire. Un outil fait partie d’une boucle agentique lorsque son résultat peut modifier la décision que le modèle prendra ensuite.

« Un agent n’est qu’un modèle plus intelligent »

Les capacités du modèle sont utiles, mais un agent est un système. Le modèle ne crée pas ses propres identifiants de base de données, n’exécute pas son propre code et ne s’accorde pas lui-même des autorisations. Le harnais et les interfaces des outils déterminent quelles actions proposées peuvent devenir des actions réelles.

« Autonome signifie sans supervision »

L’autonomie est un degré, pas une propriété binaire. Un agent peut rechercher des options de manière autonome, s’arrêter avant une modification conséquente et rendre le contrôle lorsqu’il manque des éléments probants. Les points de contrôle et la remontée à un niveau supérieur font partie de la conception ; ils ne signifient pas que le système a cessé d’être un agent.

« Les agents apprennent toujours de leur expérience »

Certains agents stockent des informations d’une exécution à l’autre. D’autres oublient tout à la fin d’une tâche. La mémoire et l’apprentissage peuvent élargir le comportement d’un agent, mais l’action orientée vers un objectif ne garantit ni l’un ni l’autre.

« Une réponse assurée signifie que la tâche est terminée »

Les modèles de langage génèrent des résultats probables. L’achèvement est un fait externe. Un agent fiable vérifie un reçu, l’état d’un fichier, un résultat de test ou toute autre observation avant d’annoncer la réussite.

La place d’un agent dans un système d’IA

Le modèle, le harnais et l’agent sont liés, mais ne sont pas interchangeables.

  • Le modèle produit du texte ou des choix structurés à partir du contexte qu’il reçoit.
  • Le harnais relie le modèle aux instructions, à l’état, aux outils, aux autorisations, aux approbations et aux journaux.
  • L’agent est le système orienté vers un objectif qui émerge lorsque le modèle peut utiliser cette infrastructure pour diriger un processus à partir des retours.

Un chatbot peut être l’interface d’un agent, mais une conversation à elle seule ne rend pas un chatbot agentique. Un agent peut également s’exécuter en arrière-plan, sans aucune fenêtre de discussion.

Cette limite est en partie éditoriale. Certains frameworks logiciels appellent « agent » le composant de modèle configuré, tandis que d’autres réservent ce terme à l’ensemble de la boucle en cours d’exécution. Pour évaluer un produit, ignorez l’étiquette et examinez le comportement : quel objectif reçoit-il, quelles actions peut-il entreprendre, qui choisit chaque étape suivante, quels éléments probants observe-t-il et qu’est-ce qui provoque son arrêt ?

Pour aller plus loin

Lisez Qu’est-ce qu’un modèle d’IA ? pour comprendre le composant qui prend les décisions. Lisez ensuite Qu’est-ce qu’un harnais d’IA ? pour découvrir le système environnant qui fournit les outils, l’état, les autorisations et l’exécution. Poursuivez avec Qu’est-ce que l’utilisation d’outils dans les LLM ? pour comprendre la boucle d’action, ou consultez Modèle d’IA vs chatbot vs harnais vs agent pour comparer l’ensemble de la pile.