Qu'est-ce que l'IA agentique ?
L'IA agentique désigne des systèmes qui poursuivent des objectifs à travers plusieurs étapes — planification, appel d'outils, action sur un environnement et réaction aux retours — plutôt que de produire une réponse unique. Elle transforme un modèle de langage, de simple générateur de texte en un acteur capable de mener à bien des tâches. Elle représente une transition entre les logiciels de type « faites-le vous-même », où l'humain pilote chaque étape, et les logiciels de type « faites-le pour moi », où le système exécute le travail et rend compte du résultat.
Définition
L'IA agentique est la catégorie de systèmes d'IA qui planifient et exécutent de manière autonome des tâches multi-étapes en combinant un modèle avec de la mémoire, des outils et une boucle de contrôle.
Points clés
- Un agent = modèle + outils + mémoire + une boucle de contrôle qui décide de l'action suivante.
- L'autonomie est un spectre, allant d'un simple appel d'outil à l'exécution de tâches sur un long horizon.
- La fiabilité provient principalement du harness entourant le modèle, et non du QI brut du modèle.
- L'utilisation d'outils (l'appel de fonctions) est ce qui connecte le modèle aux systèmes et données réels.
- L'évaluation doit mesurer la réalisation de la tâche (l'agentivité), et pas seulement la qualité de la réponse (la capacité).
Contexte
Pendant la majeure partie de l'ère des LLM, les modèles ont été utilisés comme des répondeurs ponctuels (one-shot) : une invite en entrée, une réponse en sortie. L'IA agentique rompt avec ce schéma en dotant le modèle d'une boucle — il peut décider d'appeler un outil, d'en lire le résultat, de réviser son plan et de continuer jusqu'à ce que l'objectif soit atteint ou qu'un budget soit épuisé.
C'est la frontière dominante de l'IA appliquée en entreprise, car elle déplace la valeur de la simple réponse aux questions vers la réalisation de travaux concrets : résolution de bout en bout d'un ticket de support, refactorisation d'une base de code, exécution d'une tâche de recherche ou pilotage d'un flux de travail.
Architecture
Un agent minimal comporte quatre parties : un modèle de raisonnement, un ensemble d'outils qu'il peut invoquer, une forme de mémoire ou d'état, et une boucle d'orchestration qui transforme les sorties du modèle en actions et y réinjecte les observations.
Les architectures vont du plus simple (un modèle avec des outils et une condition d'arrêt) au plus complexe (séparation planificateur-exécuteur, réflexion et équipes multi-agents). Les recommandations d'Anthropic consistent à privilégier l'architecture la plus simple possible et à n'ajouter de la structure que lorsque cela s'avère mesurablement nécessaire.
Composants
Avantages
- Réalise des travaux multi-étapes, et pas seulement des réponses uniques.
- S'adapte aux retours et se rétablit après des erreurs intermédiaires.
- S'intègre aux systèmes réels via des outils et des API.
- Met à l'échelle le travail intellectuel répétitif qui était auparavant réservé aux humains.
Risques
- Cumul d'erreurs sur de longs horizons de tâches.
- Coût et latence illimités en l'absence de budgets et de conditions d'arrêt.
- Exposition de sécurité liée à l'accès aux outils et aux injections d'invites (prompt injection).
- Difficile à évaluer et à déboguer par rapport aux invites ponctuelles (single-shot).
Outils et technologies
Exemples
- Un agent de service client qui lit un ticket, recherche la commande, applique un remboursement et répond — le tout via des outils.
- Un agent de codage qui modifie des fichiers, exécute des tests et itère jusqu'à ce que la suite de tests réussisse.
- Un agent de recherche qui cherche, lit des sources, vérifie des affirmations et rédige un résumé avec citations.
FAQ
- Quelle est la différence entre un agent IA et l'IA agentique ?
- Un agent IA est un système concret ; l'IA agentique est le paradigme plus large consistant à concevoir des logiciels autour de ces systèmes multi-étapes orientés vers des objectifs.
- Faut-il un modèle plus puissant pour être agentique ?
- Pas nécessairement. Un même modèle peut réussir ou échouer dans une tâche en fonction presque entièrement du harness — les outils, la mémoire, les prompts et la boucle de contrôle qui l'entourent.
- Le RAG est-il agentique ?
- La génération augmentée de récupération (RAG) classique est une étape unique. Elle devient agentique lorsque le système décide quand et quoi récupérer dans le cadre d'une boucle multi-étapes.
- Qu'est-ce qui rend les agents peu fiables ?
- Les horizons lointains amplifient les petites erreurs, les outils échouent et le contexte se perd. La fiabilité provient du Harness Engineering : de bons outils, de la mémoire, des garde-fous et de l'évaluation.
- Comment évalue-t-on un agent ?
- Avec des benchmarks agentiques et des évaluations basées sur les tâches qui notent la réalisation de bout en bout d'une tâche dans un environnement, et non pas seulement la qualité d'une réponse unique.