Agent IA : qu’est-ce que c’est, et que fait-il vraiment ?

Qu’est-ce qu’un agent IA ?

Un agent IA est un système qui accomplit une tâche pour vous avec une part d’autonomie : vous fixez le but, il trouve le chemin. Le guide qu’OpenAI consacre à la construction d’agents le résume ainsi (notre traduction) : « des systèmes qui accomplissent des tâches de manière autonome pour votre compte ».

Anthropic, l’éditeur des modèles Claude, place la frontière sur la question du contrôle. Dans un agent, c’est le modèle qui dirige lui-même son déroulé et le choix de ses outils. Dans un simple workflow, au contraire, modèles et outils suivent un chemin écrit à l’avance dans le code.

Deux mots portent ces définitions : tâche et outils. On juge un agent sur le travail qu’il mène à bien. Et il agit par des outils : une API, une base de données, une boîte de réception, un écran de l’ERP. Sans outils, un modèle de langage ne produit que du texte. Avec eux, il retrouve une commande, met à jour une fiche, envoie une réponse.

La définition dit aussi ce qui n’est pas un agent. OpenAI range parmi les non-agents les chatbots simples, les modèles interrogés en une seule question et les classificateurs de sentiment : ils utilisent un modèle de langage sans lui confier la conduite du travail. Ils rendent des services, mais restent de l’autre côté de la frontière.

Comment fonctionne un agent IA

Un agent tourne en boucle : il observe, choisit une action, utilise un outil, lit le résultat, puis décide à nouveau, jusqu’à ce que la tâche soit finie ou qu’il passe la main. Anthropic décrit les agents qu’il voit en production comme, le plus souvent, de simples modèles de langage qui utilisent des outils en boucle en fonction de ce que leur renvoie l’environnement. La boucle est simple : la qualité vient des outils, des données et des instructions qu’on lui donne.

OpenAI décompose un agent en trois éléments :

• le modèle, le modèle de langage qui raisonne et décide ;
• les outils, les fonctions ou API qu’il peut appeler pour chercher une information ou agir ;
• les instructions, les règles et garde-fous qui encadrent son comportement.

Google Cloud y ajoute la mémoire : à court terme pour l’échange en cours, à long terme pour l’historique. En entreprise, cette mémoire est souvent le dossier métier lui-même : le ticket, la commande, la fiche client.

Prenons un cas type, donné en illustration et non tiré d’un projet client. Un fournisseur écrit pour annoncer un retard de livraison. Un script à base de règles suppose que le message suive un format connu ; le fournisseur suivant l’écrit autrement, et le script échoue. L’agent, lui, lit le courriel tel qu’il est rédigé, retrouve le bon de commande dans l’ERP, identifie les commandes clients qui en dépendent, prépare un message pour chaque client concerné et une note pour l’acheteur. Puis il s’arrête et demande à l’acheteur de valider avant tout envoi. Chaque recherche est un appel d’outil ; la pause finale est une instruction.

Brancher un agent sur vos logiciels devient plus standard. En novembre 2024, Anthropic a publié en open source le Model Context Protocol (MCP), une manière commune de relier les modèles aux outils et aux sources de données de l’entreprise. En décembre 2025, il l’a confié à l’Agentic AI Foundation, un fonds hébergé par la Linux Foundation, en indiquant que plus de 10 000 serveurs MCP publics étaient alors actifs. Concrètement, un agent construit aujourd’hui peut atteindre une bonne partie de vos outils par un standard partagé, ce qui réduit le travail de connexion logiciel par logiciel.

Agent, assistant, bot ou workflow : où passe la frontière

La vraie différence tient à une question : qui décide de l’étape suivante ? Dans un bot, ce sont les règles. Dans un assistant, c’est vous. Dans un workflow, c’est le développeur, une fois pour toutes. Dans un agent, c’est le modèle, dans les limites que vous fixez. Google Cloud distingue de la même façon agents, assistants et bots ; Anthropic ajoute le workflow, là où aboutissent beaucoup de bons projets d’entreprise.

Les systèmes qui tiennent en production mélangent souvent les deux dernières lignes : le modèle décide là où les cas varient, du code fixe et testable fait le reste. Anthropic recommande d’ailleurs de chercher la solution la plus simple possible et de n’ajouter de la complexité qu’en cas de besoin. Si un workflow suffit, il coûte moins cher à faire tourner et se contrôle mieux qu’un agent.

Notre démonstration d’extraction de documents est un workflow de ce type. Essayez-la sur une facture d’exemple : vous verrez jusqu’où vont des étapes fixes avant qu’un agent devienne nécessaire.

Les grands types d’agents IA

On classe généralement les agents selon leur rapport aux utilisateurs et selon leur nombre. Google Cloud sépare les agents interactifs, qui dialoguent avec quelqu’un (service client, aide interne), des agents d’arrière-plan, qui automatisent des tâches courantes avec peu ou pas d’intervention humaine. Il distingue aussi les systèmes à agent unique des systèmes multi-agents, où plusieurs agents se partagent un travail.

Par fonction, Google Cloud regroupe les agents déployés par les entreprises en six catégories : agents client, agents collaborateur, agents créatifs, agents de données, agents de code et agents de sécurité. Pour une direction des opérations, les premiers projets se situent le plus souvent dans les deux premières : répondre et orienter, ou reprendre des tâches de back-office comme la saisie des commandes et le rapprochement des factures. Notre page agents IA pour l’entreprise détaille les tâches qu’on rencontre le plus souvent.

Sur le nombre d’agents, les éditeurs de modèles sont d’accord. OpenAI conseille d’exploiter d’abord au maximum un agent unique, et de ne répartir le travail que lorsqu’un seul agent ne suit plus. Chaque agent supplémentaire ajoute un passage de relais, et chaque relais est un endroit où le contexte peut se perdre.

Quand un agent IA est rentable, et quand il ne l’est pas

Un agent vaut la peine quand le travail demande du jugement sur des entrées désordonnées et que les scripts cassent sans arrêt. OpenAI retient trois signes : des décisions complexes avec beaucoup d’exceptions, des règles devenues trop lourdes à maintenir et une forte dépendance aux données non structurées (courriels, documents, texte libre). Si votre cas ne remplit pas clairement ces critères, conclut le guide, une solution déterministe peut suffire.

Les analystes ne cachent pas l’écart entre la promesse et la réalité. En juin 2025, Gartner a prédit que plus de 40 % des projets d’IA agentique seraient abandonnés d’ici fin 2027, en raison de coûts croissants, d’une valeur métier floue ou d’une maîtrise des risques insuffisante. Le même communiqué note que beaucoup de cas présentés comme agentiques n’en ont pas besoin, et estime que seuls 130 environ des milliers de fournisseurs qui revendiquent l’IA agentique en font réellement ; il appelle le reste de l’« agent washing ».

Notre lecture : les projets qui durent partent d’une tâche au résultat mesurable (heures rendues à l’équipe, tickets clos, erreurs évitées). C’est pour cela qu’on définit chaque projet par ce qui tourne en production à la fin, et par l’indicateur qui le prouve.

Les agents ont aussi des limites franches. Google Cloud cite les tâches qui demandent une grande empathie, les situations à fort enjeu éthique et les environnements physiques imprévisibles. Ajoutez toute action qu’on ne peut ni annuler ni vérifier après coup. Ces décisions restent humaines, ou passent par une validation.

Risques et règles : ce qui change quand le logiciel agit

Dès qu’un logiciel agit, ses erreurs deviennent des actes. Le Top 10 OWASP des applications à base de modèles de langage (édition 2025) nomme ce risque « Excessive Agency » : des actions dommageables déclenchées par une sortie du modèle inattendue, ambiguë ou manipulée. L’OWASP l’attribue à trois excès (trop de fonctions, trop de droits, trop d’autonomie) et recommande de réduire outils et permissions au strict nécessaire, avec une validation humaine pour les actions à fort impact.

Le second risque est la manipulation. Le même classement place l’injection de prompt en tête et rappelle qu’elle peut arriver par un contenu externe, un site web ou un fichier. Un agent qui lit les courriels entrants lit des textes écrits par des inconnus. Les parades relèvent de la conception : séparer ce que l’agent lit de ce qu’il a le droit de faire, restreindre ses droits, journaliser chacune de ses actions.

En Europe, deux textes encadrent le reste.

• Le règlement européen sur l’IA (AI Act) s’applique à tout « système d’IA », défini à l’article 3 comme un système automatisé « conçu pour fonctionner à différents niveaux d’autonomie ». Ses règles de transparence (article 50) imposent d’informer les personnes qu’elles interagissent avec un système d’IA, sauf si c’est évident ; la Commission européenne indique qu’elles s’appliquent depuis août 2026. Les obligations des usages à haut risque de l’annexe III, comme le tri de CV ou l’évaluation de solvabilité, s’appliquent désormais à partir du 2 décembre 2027, date fixée par l’omnibus numérique sur l’IA publié en juillet 2026. Le texte évolue encore : vérifiez-le avant de vous fier à une date. Notre guide AI Act : ce que doit faire une entreprise suit ces changements.
• Le RGPD donne à chacun « le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé » lorsqu’elle produit des effets juridiques ou l’affecte de manière significative (article 22). Il existe des exceptions, mais quand elles reposent sur un contrat ou un consentement, l’entreprise doit au minimum offrir une intervention humaine et un moyen de contester. Un agent qui accorde un remboursement, un crédit ou une candidature doit donc laisser une personne dans la boucle.

Si vos données doivent rester en Europe, le choix du modèle et de l’hébergement se décide dès la conception. Notre page LLM privé présente les options.

Par où commencer avec un premier agent

Commencez par une tâche, un indicateur et une personne responsable du résultat. Un bon premier candidat est fréquent, assez désordonné pour mettre un script en échec, et coûteux quand il est fait en retard : saisie des commandes, tri des tickets, relances fournisseurs. Avant toute ligne de code, rassemblez de vrais exemples passés et écrivez pour chacun le bon résultat attendu. Ces exemples deviennent le jeu de test que l’agent devra réussir.

Gardez la première version étroite : accès en lecture seule quand c’est possible, validation humaine avant tout ce qui sort de l’entreprise, journal lisible par un responsable. N’élargissez les droits de l’agent qu’au rythme où le taux d’erreur mesuré le permet.

Trois suites possibles, selon où vous en êtes :

• pour comprendre le mouvement d’ensemble, lisez notre guide sur l’IA agentique ;
• pour comparer outils sans code, frameworks et développement sur mesure, lisez comment créer un agent IA ;
• pour savoir où un agent rapporterait le plus dans toute l’entreprise, un audit IA classe les tâches candidates. Si l’agent doit travailler dans votre CRM ou votre ERP, voyez notre offre d’intégration IA.

Ou partez de la tâche que vous avez déjà en tête. Réservez votre audit gratuit de 30 minutes : dites-nous quel travail mange la semaine de votre équipe, et on vous dit franchement si un agent peut le reprendre, sous quelle supervision et ce qu’il faut pour une première version. On vous répond sous un jour ouvré, et un premier agent demande en général quatre à huit semaines selon les logiciels concernés.