Qu'est-ce que les agents IA ?

Dans les cours précédents, tu as appris à utiliser des outils d'IA, à écrire des prompts et à comprendre l'IA générative. Nous passons maintenant au niveau suivant : les agents IA. Ce sont des systèmes qui ne se contentent pas de répondre, mais qui agissent, planifient et accomplissent des tâches de manière autonome. Bienvenue dans le changement de paradigme qui a réellement commencé en 2025.

Mais qu'est-ce qui distingue exactement un agent IA d'un chatbot ordinaire ? Et pourquoi tout le monde parle-t-il soudain d'«IA agentique» (agentic AI) ? Dans cette leçon, tu obtiens les bases dont tu as besoin pour bien comprendre tout le sujet.

Le savais-tu ? Le terme «agent» vient de l'informatique et désigne une «entité qui agit». Dans la recherche en IA, il est utilisé depuis les années 1980. Mais ce n'est qu'en 2025 que le concept est devenu utilisable dans la pratique, grâce à de meilleurs modèles de langage, à la capacité d'utiliser des outils (tool use) et à des fenêtres de contexte plus longues. En octobre 2024, la société d'études de marché Gartner a placé l'«IA agentique» (agentic AI) en tête de ses principales tendances technologiques pour 2025.

Chatbot ou agent IA

Pour comprendre les agents IA, une comparaison claire est utile. Un chatbot classique, qu'il soit basé sur des règles ou sur un LLM, fonctionne selon le principe un prompt entre, une réponse sort. Tu poses une question, le modèle répond. C'est tout. Chaque interaction est indépendante.

Un agent IA va fondamentalement plus loin : il reçoit un objectif, le décompose en étapes, utilise des outils (API, bases de données, recherche web, exécution de code), vérifie ses résultats et se corrige lui-même. Il agit de manière autonome, dans des limites définies.

Chatbot classique :

Tu demandes : «Quel temps fera-t-il demain à Zurich ?» Le chatbot répond sur la base de ses connaissances d'entraînement (qui peuvent être dépassées) ou dit : «Je n'ai pas accès aux données météo actuelles.»

Agent IA :

Tu dis : «Planifie ma journée en plein air demain à Zurich.» L'agent interroge l'API météo, vérifie tes disponibilités dans ton agenda, cherche des activités de plein air adaptées, tient compte des prévisions météo et établit un programme concret de la journée avec des créneaux horaires et des alternatives en cas de pluie.

Les trois caractéristiques clés

Chaque véritable agent IA possède trois propriétés fondamentales qui le distinguent d'un simple chat avec un LLM :

1. Autonomie : l'agent décide lui-même de ses prochaines étapes. Tu fixes l'objectif, pas le chemin pour y arriver. Il choisit lui-même quels outils il utilise, dans quel ordre il procède et quand il a terminé.

2. Orientation vers un objectif : au lieu de réagir à des prompts isolés, l'agent poursuit un objectif global. Il garde le contexte sur plusieurs étapes et travaille systématiquement à atteindre le résultat.

3. Utilisation d'outils : l'agent peut utiliser des outils externes : appeler des API, chercher sur Internet, exécuter du code, lire et écrire des fichiers, interroger des bases de données. Cela étend ses capacités bien au-delà de la seule connaissance textuelle.

Conseil pratique : si tu veux évaluer si un système est un agent IA au sens de ce cours, pose ces trois questions : peut-il planifier lui-même plusieurs étapes ? Peut-il utiliser des outils externes ? Peut-il vérifier et corriger ses propres résultats ? Si la réponse est oui aux trois, tu as affaire à un agent.

La boucle perception-reasoning-action

Les agents IA travaillent dans un cycle continu appelé boucle perception-reasoning-action (perception-réflexion-action) :

Perception : l'agent reçoit des informations : ta mission, les résultats de ses actions précédentes, les messages d'erreur, de nouvelles données provenant d'API. Il «voit» où il en est.

Reasoning (réflexion) : sur la base de ce qu'il a perçu, l'agent réfléchit : quel est mon objectif ? Qu'ai-je atteint jusqu'ici ? Quelle est la meilleure étape suivante ? C'est là que la force du LLM entre en jeu : raisonnement logique, planification, priorisation.

Action : l'agent exécute une action concrète : un appel d'API, une exécution de code, une requête dans une base de données, une recherche web. Le résultat alimente à nouveau la perception, et la boucle recommence.

Ce cycle se répète jusqu'à ce que l'objectif soit atteint ou que l'agent reconnaisse qu'il ne progresse plus et qu'il a besoin d'une aide humaine.

Types d'agents IA

Tous les agents ne se ressemblent pas. Dans la recherche et la pratique, on distingue trois types principaux :

Reactive agents (agents réactifs)

Ils réagissent directement aux entrées, sans planification à long terme. Ils suivent des règles prédéfinies : si X, alors fais Y. Ils sont rapides et prévisibles, mais peu flexibles.

Exemple : un bot de service client qui catégorise les e-mails entrants selon des mots-clés et envoie des réponses préparées.

Points forts : rapides, prévisibles, faciles à déboguer.

Points faibles : ils ne savent pas gérer les situations inattendues.

Deliberative agents (agents délibératifs)

Ils planifient à l'avance, élaborent des stratégies et adaptent leurs plans en fonction de nouvelles informations. Ils utilisent le raisonnement chain-of-thought pour décomposer des tâches complexes.

Exemple : un agent de recherche qui établit une analyse de marché : il planifie sa stratégie de recherche, rassemble des données de différentes sources, les analyse et rédige un rapport structuré.

Points forts : ils peuvent résoudre des tâches complexes en plusieurs étapes.

Points faibles : plus lents, consommation de ressources plus élevée, plus difficiles à contrôler.

Hybrid agents (agents hybrides)

Ils combinent des éléments réactifs et délibératifs. Pour les tâches de routine, ils réagissent rapidement selon des règles ; dans les situations complexes, ils passent en mode planification.

Exemple : Claude Code agit rapidement et directement pour de simples modifications de code. Pour des refactorings plus importants, il planifie une stratégie en plusieurs étapes avec des tests et une validation.

Points forts : flexibles, efficaces, utilisables dans la pratique.

Points faibles : plus complexes à développer et à tester.

Exemples pratiques

Les agents IA ne relèvent pas de la science-fiction, ils sont déjà utilisés aujourd'hui :

Devin (Cognition) : un développeur logiciel IA qui écrit du code, le débogue, crée des tests et ouvre des pull requests de manière autonome. Il travaille dans son propre environnement de développement et peut travailler seul pendant des heures sur des fonctionnalités.
Claude Code (Anthropic) : un agent de codage qui fonctionne directement dans le terminal, lit et écrit des fichiers, exécute des commandes Git et peut réaliser des projets logiciels complexes.
AutoGPT / BabyAGI : des agents open source de la première heure (2023), qui ont montré ce qui était possible, même s'ils étaient encore peu fiables. Ils ont posé les bases du mouvement actuel des agents.
Agents de navigation : des agents comme OpenAI Operator (début 2025, intégré plus tard à ChatGPT) pilotent un navigateur web et accomplissent des tâches en ligne, des commandes aux recherches.

Exemple : imagine que tu demandes à un agent IA : «Analyse nos 100 derniers avis clients et établis un plan d'amélioration.» L'agent procéderait ainsi : (1) charger les avis depuis ta base de données, (2) effectuer une analyse des sentiments, (3) identifier les thèmes récurrents, (4) prioriser les thèmes selon leur fréquence et leur gravité, (5) proposer des mesures d'amélioration concrètes, (6) mettre le tout en forme dans un rapport structuré. Un chatbot aurait dit : «Copie les avis ici, s'il te plaît.»

Pourquoi la percée maintenant ?

Le concept d'agent IA existe depuis des décennies. Pourquoi ne fonctionne-t-il que maintenant ? Trois facteurs se sont réunis en 2025/2026 :

De meilleurs modèles de base : les modèles actuels d'OpenAI, d'Anthropic et de Google sont assez performants pour accomplir de manière fiable des tâches de raisonnement en plusieurs étapes. Les modèles précédents faisaient trop d'erreurs de planification.

L'utilisation d'outils comme standard : tous les grands fournisseurs (OpenAI, Anthropic, Google) ont intégré à leurs modèles des interfaces natives d'utilisation d'outils (tool use). Les agents peuvent désormais utiliser de manière fiable des API externes, des bases de données et des environnements d'exécution de code. En outre, le Model Context Protocol (MCP) s'est imposé comme standard ouvert pour connecter les agents IA à des outils et à des sources de données externes, comparable à un «USB-C pour les applications d'IA».

Des fenêtres de contexte plus longues : de quelques milliers de tokens (2022/2023), on est passé aujourd'hui le plus souvent à 128'000, voire plus d'un million de tokens. Les agents peuvent garder plus de contexte, traiter des fichiers plus volumineux et garder en «mémoire» des chaînes de tâches plus longues.

Attention : les agents IA sont puissants, mais pas infaillibles. Ils peuvent tourner en boucle, prendre de mauvaises décisions ou mal utiliser des outils. Ne donne jamais à un agent un accès non contrôlé à des systèmes critiques (bases de données de production, systèmes financiers, envoi d'e-mails aux clients). Fixe toujours des limites et mets en place des mécanismes de sécurité ; plus de détails dans les leçons suivantes.

Qu'est-ce qui distingue fondamentalement un agent IA d'un chatbot classique ?

Exact ! Les trois caractéristiques clés d'un agent IA sont l'autonomie (agir de manière autonome), l'orientation vers un objectif (planification en plusieurs étapes) et l'utilisation d'outils (API, code, bases de données). C'est ce qui le distingue fondamentalement du schéma prompt-réponse d'un chatbot.

Pas tout à fait. La taille du modèle ou le public cible ne sont pas les différences décisives. Les agents IA se caractérisent par trois éléments clés : l'autonomie (agir de manière autonome), l'orientation vers un objectif (planification en plusieurs étapes) et l'utilisation d'outils (API, code, bases de données). Un chatbot ne réagit qu'à des prompts isolés, un agent poursuit un objectif sur plusieurs étapes.

Points clés :

Les agents IA agissent de manière autonome, poursuivent des objectifs et utilisent des outils externes, contrairement aux chatbots, qui ne réagissent qu'à des prompts isolés.
La boucle perception-reasoning-action est le mécanisme central : percevoir, réfléchir, agir, en boucle jusqu'à l'objectif.
Il existe trois types d'agents : réactifs (basés sur des règles), délibératifs (qui planifient) et hybrides (combinés).
La percée de 2025/2026 a été rendue possible par de meilleurs modèles, des interfaces natives d'utilisation d'outils et des fenêtres de contexte plus grandes.
Les agents IA sont puissants, mais ont besoin de limites de sécurité : une autonomie non contrôlée est risquée.

Cette leçon fait partie d'un cours avec examen final et certificat. Voir le cours «Agents IA & automatisation»