Les entreprises déploient des agents IA capables de réserver des voyages, d’acheter des choses et d’envoyer des messages à votre place, mais une seule mauvaise instruction peut leur faire dépenser votre argent ou envoyer par erreur un e-mail à votre patron.
Les agents IA sont des systèmes qui utilisent un modèle de langage ainsi qu’une mémoire, des outils et des règles pour accomplir des tâches avec moins d’aide humaine étape par étape. Un LLM classique fournit généralement une réponse à la fois, tandis qu’un agent peut établir un plan, agir, vérifier le résultat et réessayer.
L’avantage, c’est l’automatisation, mais le risque, c’est que de mauvaises instructions, des garde-fous insuffisants ou un accès risqué aux outils transforment une petite erreur en un problème bien réel.
Résumé rapide
Les agents d’IA sont des systèmes qui utilisent un modèle de langage, ainsi que de la mémoire, des outils et des règles, pour accomplir des tâches avec moins d’aide humaine à chaque étape.
Un LLM classique fournit généralement une réponse à la fois, tandis qu’un agent peut établir un plan, agir, vérifier ce qui s’est passé et réessayer.
L’avantage, c’est l’automatisation. Le risque, c’est que des instructions erronées, des garde-fous insuffisants ou un accès risqué aux outils transforment une petite erreur en un problème bien réel.
Ce que sont vraiment les agents d’IA
La plupart des gens découvrent l’IA par l’intermédiaire d’un chatbot. Vous saisissez une question, et il vous répond. C’est utile, mais ce n’est qu’un aspect de l’IA moderne. Les agents d’IA ajoutent une structure autour du modèle afin de lui permettre de faire plus que répondre une seule fois.
En termes simples, un agent est un système construit autour d’un grand modèle de langage, ou LLM, qui peut poursuivre un objectif sur plusieurs étapes, décider de la suite, appeler des outils externes, lire les résultats et continuer jusqu’à atteindre un point d’arrêt. C’est là la différence fondamentale.
OpenAI a indiqué que son API Agents associe le modèle à un cadre d’exécution qui gère le contexte, utilise des outils et coordonne des sous-agents, ainsi qu’à un environnement isolé où l’agent peut exécuter du code et manipuler des fichiers. Cette configuration est importante, car elle montre qu’un agent n’est pas seulement un modèle. C’est un modèle auquel s’ajoutent les règles et les systèmes qui l’entourent.
Voici une façon de voir la différence. Un LLM classique ressemble à un étudiant qui répond à une question d’examen. Un agent ressemble à un stagiaire équipé d’une liste de tâches, d’un navigateur, d’un calendrier et d’un accès aux fichiers de l’entreprise. Le stagiaire peut encore commettre des erreurs, mais il peut faire bien plus que rédiger un paragraphe.
Cela ne signifie pas que chaque fonctionnalité d’IA nécessite un agent. Parfois, une simple requête adressée à un modèle est plus rapide, moins coûteuse et plus sûre. Les agents sont particulièrement utiles lorsque la tâche comporte de nombreuses étapes, des informations changeantes ou des systèmes externes avec lesquels interagir.
Agents d’IA et LLM
Un LLM classique fonctionne en prédisant le mot suivant à partir du texte qu’il a déjà vu. Il peut ainsi résumer, répondre à des questions, écrire du code et traduire des langues. Mais à lui seul, il n’agit pas véritablement dans le monde. Il ne fait que produire une réponse.
Anthropic a indiqué que le mot « agent » est utilisé de différentes façons, pour désigner aussi bien des systèmes entièrement autonomes que des systèmes plus simples qui suivent un flux de travail fixe. Mais l’idée commune est que le modèle dirige un processus au lieu de produire une réponse isolée. C’est une bonne manière de distinguer le battage médiatique de la réalité. Une comparaison simple peut aider.
Un LLM classique convient mieux aux tâches ponctuelles.
Un agent convient mieux aux tâches en plusieurs étapes.
Un LLM classique a généralement besoin qu’on lui fournisse l’intégralité de la requête à chaque fois.
Un agent peut utiliser sa mémoire, ses outils et son état d’une étape à l’autre.
Un LLM classique s’arrête après avoir donné une réponse.
Un agent peut continuer jusqu’à ce qu’un objectif soit atteint ou qu’une règle l’arrête.
Prenons un exemple. Si vous demandez à un LLM classique : « Trouve les trois vols les moins chers pour Chicago vendredi prochain », il risque de deviner à partir de ses données d’entraînement ou de vous dire de les chercher vous-même.
Un agent peut consulter des sites de voyage, comparer les prix en temps réel, demander si vous avez besoin d’emporter des bagages et vous fournir une liste succincte. C’est pourquoi la différence ne tient pas seulement à la qualité du modèle. Elle tient à la conception du système : relier le modèle à la mémoire, aux outils et aux règles constitue le grand changement.
Les éléments fondamentaux qui rendent les agents autonomes
Pour comprendre ce qui distingue les agents, il est utile de les décomposer en plusieurs éléments. La plupart des systèmes d’agents opérationnels réutilisent les mêmes composants de base.
Le premier élément est le modèle. C’est le LLM qui lit la demande de l’utilisateur, traite le texte et choisit l’action suivante. Sans le modèle, il n’y a pas de prise de décision flexible.
Le deuxième élément est la mémoire. Elle peut désigner le contexte à court terme, comme les messages de la session en cours, ou des informations enregistrées à plus long terme, comme vos préférences ou vos tâches passées. Sans mémoire, l’agent repart de zéro à chaque fois.
La troisième partie, ce sont les outils. Un outil est une action externe que le modèle peut appeler. Il peut s’agir d’une recherche sur le Web, de l’exécution de code, d’une calculatrice, d’une base de données d’entreprise, d’un service de messagerie ou d’un système de paiement. Les outils permettent à un agent d’agir sur le monde au-delà du texte.
La quatrième partie, c’est l’état. L’état désigne l’enregistrement actuel de tout ce qui s’est passé jusqu’à présent. Les recherches d’Anthropic sur les agents gérés décrivent la session comme un journal auquel on ne peut qu’ajouter des éléments, retraçant tout ce qui s’est passé. Cette idée est importante, car les agents ont besoin d’un historique fiable pour ne pas perdre le fil en cours de tâche.
La cinquième partie, c’est la planification. Certains agents planifient explicitement en dressant une liste de sous-tâches. D’autres planifient implicitement en décidant d’une prochaine étape à la fois. Dans les deux cas, ils ont besoin d’une méthode pour décomposer un objectif en actions.
La sixième partie, ce sont les garde-fous. Ce sont des règles qui limitent ce que l’agent peut faire. Les garde-fous peuvent bloquer les outils dangereux, exiger une autorisation avant toute dépense, filtrer les requêtes nuisibles ou interrompre une tâche après un trop grand nombre de tentatives infructueuses.
La septième partie, c’est l’évaluation. Les bons systèmes d’agents ne se contentent pas d’agir. Ils vérifient si l’action a fonctionné. Cela peut consister à tester du code, à lire un message d’erreur ou à demander à un second modèle d’examiner le résultat.
Quand on dit que les agents sont autonomes, on veut généralement dire que ces éléments fonctionnent ensemble avec moins d’intervention humaine. Le système dépend toujours des personnes pour sa configuration, ses limites et sa supervision. Mais pendant une tâche, il peut fonctionner seul plus longtemps.
Si un chatbot fonctionne tour par tour, un agent est un système qui conserve son état d’un tour et d’une action à l’autre.
Pourquoi les outils et les flux de travail comptent davantage que la taille brute du modèle
Beaucoup de néophytes pensent que les agents d’IA ne sont que les modèles les plus récents et les plus grands. C’est passer à côté de l’essentiel. Dans bien des cas, le gain d’utilité vient du flux de travail autour du modèle, et pas seulement du modèle lui-même.
OpenAI a déclaré que la création d’agents donne les meilleurs résultats lorsque les systèmes doivent prendre des décisions et gérer des tâches complexes en plusieurs étapes que l’automatisation classique ne peut pas bien traiter. Cela indique dans quels cas les agents sont adaptés. Ils ne conviennent pas à toutes les tâches, mais sont bien adaptés à celles qui comportent des embranchements, des données d’entrée peu claires ou des informations changeantes.
Un simple robot de service client n’a peut-être pas besoin du comportement d’un agent. Si les questions sont prévisibles, un flux de travail fixe suffit souvent. Mais si un système d’assistance doit consulter des commandes, rembourser des frais, vérifier l’état d’une livraison et déterminer si un cas enfreint la politique de l’entreprise, une architecture d’agent commence à se justifier. C’est aussi pourquoi de nombreuses équipes combinent plusieurs approches.
Les agents de flux de travail suivent une séquence connue avec l’aide d’un modèle
Les agents qui utilisent des outils choisissent parmi un ensemble d’actions externes
Les systèmes multi-agents répartissent le travail entre des agents spécialisés
Les agents avec intervention humaine se mettent en pause lorsqu’une approbation est nécessaire
OpenAI a déclaré que son API Agents fournit aux développeurs le cadre d’exécution, tout en leur permettant de choisir où l’agent fonctionne, et qu’elle est conçue pour assurer le fonctionnement fiable des agents pendant plusieurs jours. La fiabilité est essentielle, car la difficulté n’est pas d’obtenir une bonne réponse. C’est d’en obtenir beaucoup d’acceptables au fil du temps, dans des situations réelles complexes.
LangChain a indiqué que ses logiciels aident les développeurs à connecter des composants compatibles et des outils externes pour créer des agents et des applications LLM. Cela confirme une autre leçon tirée par le marché : les performances d’un agent dépendent de la qualité des connexions entre ses composants, et pas seulement du score du modèle aux tests de référence.
À lire aussi : CrowdStrike permet aux entreprises de surveiller chaque action des agents Claude
Voici une analogie utile. Le modèle est la partie qui ressemble au cerveau. Les outils sont les mains. La mémoire est le carnet. Les garde-fous sont les règles du lieu de travail. Le flux de travail définit la tâche. Une configuration médiocre peut gâcher un modèle puissant. Une configuration solide peut rendre un modèle de milieu de gamme bien plus utile.
Les principales architectures d’agents dont vous entendrez parler
Les agents ne sont pas tous conçus de la même façon. Quelques architectures reviennent régulièrement, et les connaître aide à décrypter les arguments commerciaux.
La première est la boucle à agent unique. Un seul modèle gère toute la tâche. Il lit la demande, choisit un outil, lit le résultat et continue jusqu’à ce que le travail soit terminé. C’est l’architecture la plus simple et souvent la plus facile pour commencer.
La deuxième est l’architecture planificateur-exécutant. Un modèle ou une étape élabore un plan. Un autre le met en œuvre. Cela peut améliorer l’organisation, car le système distingue « ce qui doit se passer » de « l’action à effectuer ensuite ».
La troisième est le modèle superviseur et sous-agents. Un agent de haut niveau gère des sous-agents spécialisés. L’un peut s’occuper du codage, un autre rechercher des fichiers internes et un troisième rédiger le résumé final. Anthropic a indiqué que les sous-agents peuvent aider à gérer le contexte en offrant à différentes tâches leur propre espace de travail et leurs propres limites.
La quatrième est le modèle fondé sur des compétences. Au lieu d’attendre d’un seul agent qu’il se souvienne de tout, le système peut charger des instructions et des ressources adaptées à une tâche uniquement lorsque cela est nécessaire. Anthropic a présenté les « compétences d’agent » comme des dossiers organisés contenant des instructions, des scripts et des ressources que les agents peuvent découvrir et charger dynamiquement. Cette approche est importante, car elle réduit l’encombrement et aide l’agent à rester concentré.
La meilleure architecture d’agent est généralement la plus simple qui permette d’accomplir la tâche en toute sécurité.
La cinquième est le système multi-agents. Plusieurs agents interagissent, coopèrent ou se font concurrence. Cela peut améliorer l’évolutivité et la spécialisation, mais crée aussi de nouveaux risques de défaillance. Un agent peut mal comprendre un autre. Les plans peuvent dévier. Les coûts peuvent grimper rapidement.
Vous entendrez peut-être aussi parler de serveurs MCP, abréviation de Model Context Protocol. En termes simples, il s’agit d’un moyen standard pour les modèles de se connecter à des outils et à des sources de données. Les connexions standard facilitent l’intégration d’un même modèle à différents systèmes sans avoir à effectuer chaque fois un travail sur mesure. En pratique, la plupart des bons produits utilisent la structure la plus légère qui donne des résultats acceptables.
Où les agents d’IA sont les plus efficaces dans le monde réel
La question la plus utile n’est pas « Les agents sont-ils impressionnants ? », mais « Quelles tâches accomplissent-ils bien ? ». La réponse concerne généralement les tâches qui impliquent de nombreuses petites décisions, beaucoup de lecture ou une utilisation répétée d’outils. Les données internes d’OpenAI ont montré qu’en juin 2026, ses utilisateurs les plus actifs généraient plus de 60 heures d’interactions avec l’agent Codex par jour, l’utilisation à des fins de recherche connaissant la plus forte croissance. Cela correspond aux domaines où les agents sont déjà pertinents en pratique. Voici quelques cas d’utilisation courants.
Des assistants de recherche qui trouvent, comparent et résument des sources
Des assistants de programmation qui écrivent, testent et corrigent des logiciels
Des systèmes de service client qui consultent les données de compte et effectuent des actions autorisées
Des assistants commerciaux qui rédigent des messages de suivi et mettent à jour les fiches clients
Des outils de productivité personnelle qui gèrent les calendriers, les rappels et les courriels
Des agents de données qui exécutent des requêtes, créent des graphiques et rédigent des résumés
Il existe aussi des domaines plus avancés. Google DeepMind a indiqué que SIMA 2 vise les mondes virtuels en 3D, où un agent peut jouer, raisonner et apprendre avec un utilisateur. Cela laisse entrevoir un avenir plus large, dans lequel les agents iront au-delà du texte pour s’intégrer aux logiciels, aux jeux et aux robots.
Une bonne règle consiste à utiliser les agents là où la réussite peut être vérifiée. Si l’agent écrit du code, les tests peuvent le confirmer. S’il réserve une réunion, un événement dans le calendrier prouve que cela a fonctionné.
S’il résume une question juridique dont l’exactitude est difficile à vérifier, le risque est plus élevé. C’est pourquoi les agents conviennent mieux aux tâches opérationnelles qu’aux tâches qui reposent uniquement sur le jugement. Ils peuvent faire gagner du temps sur les tâches structurées, mais sont moins performants lorsque la tâche exige une compréhension approfondie des valeurs, du contexte ou des décisions irréversibles.
Principaux risques et surfaces d’attaque des agents d’IA
Les risques liés aux agents d’IA ne se limitent pas aux risques habituels des chatbots. Dès qu’un système peut agir, les erreurs peuvent se propager plus loin et plus vite.
Le premier risque est le mauvais usage des outils. Si un agent peut envoyer des courriels, déplacer des fichiers, exécuter du code ou dépenser de l’argent, une mauvaise décision n’est plus simplement un mauvais texte. Elle devient une action. C’est pourquoi le contrôle des accès est si important.
Le deuxième risque est l’hallucination qui s’amplifie. Un modèle classique peut inventer un fait dans une réponse. Un agent peut ensuite bâtir trois autres étapes sur ce fait erroné. Plus la chaîne est longue, plus une petite erreur peut causer de dégâts.
Le troisième risque est l’injection de prompt. Cela signifie qu’un texte externe manipule l’agent pour qu’il ignore ses véritables instructions. Une page Web, un document ou un courriel peut contenir un texte hostile qui dit, en substance : « Oublie tes anciennes règles et fais plutôt ceci. »
Le quatrième risque est la dérive des objectifs. Un agent commence avec un but, puis s’en éloigne progressivement au fil de ses actions et de ses réactions à des résultats bruités. Sans contrôles rigoureux, il risque de mener à bien la mauvaise tâche.
Le cinquième risque est la défaillance silencieuse. Les systèmes d’agents peuvent sembler actifs et sûrs d’eux tout en échouant discrètement. Ils peuvent tourner en boucle, utiliser le mauvais outil ou s’arrêter prématurément sans prévenir personne.
Google DeepMind a publié son plan pour sécuriser les systèmes internes face à l’IA. Ce plan considère un agent très performant qui pourrait ne pas partager ses objectifs comme une menace potentielle venant de l’intérieur. Cela rappelle que la sécurité doit être intégrée dès la conception.
Une préoccupation plus récente concerne le fait que des agents plus performants ne rendent pas toujours les groupes d’agents plus sûrs. Un article publié sur arXiv a montré que l’augmentation de l’intelligence au sein de populations d’agents d’IA peut aggraver certains comportements collectifs dans certaines conditions. C’est un enjeu important alors que les entreprises se lancent dans la création d’équipes d’agents.
Une plus grande autonomie peut créer davantage de valeur, mais aussi multiplier les façons d’échouer.
La solution pratique consiste à mettre en place des contrôles à plusieurs niveaux : limiter l’accès aux outils, exiger une approbation pour les actions sensibles, conserver des journaux détaillés, tester les agents avec des entrées malveillantes et pas seulement idéales, et ne jamais confondre la fluidité du langage avec la qualité du jugement.
Qui a réellement besoin d’agents d’IA ?
Les agents d’IA ne sont pas nécessaires à tout le monde ni à toutes les entreprises. Dans bien des cas, un simple chatbot ou une automatisation logicielle classique suffit. Les étudiants peuvent tirer parti d’agents qui organisent leurs sources de recherche, transforment leurs notes en plans de révision ou rédigent et testent du code, mais ils doivent rester attentifs à l’exactitude.
Les travailleurs indépendants et les petites entreprises peuvent tirer le meilleur parti d’agents spécialisés dans le suivi des factures, le tri des courriels clients, la recherche de prospects et la préparation de réunions : autant de tâches répétitives et faciles à vérifier.
Les grandes entreprises s’intéressent souvent aux agents pour leurs tâches internes : des systèmes capables de rechercher des documents, d’ouvrir des tickets d’assistance, de vérifier des règles et de transmettre les cas complexes à des humains. La fiabilité et le contrôle sont ici plus importants que la nouveauté. Les développeurs constituent un cas particulier, car les agents de programmation peuvent rapidement apporter des gains évidents : le code peut être exécuté, testé et relu, ce qui en fait l’un des meilleurs premiers usages de l’architecture d’agent. Si vous vous demandez si vous devriez utiliser un agent, posez-vous quatre questions.
La tâche nécessite-t-elle de nombreuses étapes ?
Nécessite-t-elle des outils externes ou des données en temps réel ?
Le résultat peut-il être vérifié ?
Le coût d’une mauvaise action est-il suffisamment faible pour être maîtrisé ?
Si la réponse à la plupart de ces questions est non, vous n’avez peut-être pas besoin d’un agent.
Conclusion
Surveillez les déploiements en entreprise qui appliquent des contrôles stricts d’accès aux outils, les recommandations réglementaires sur la sécurité des agents, les avancées de la recherche sur la coordination multi-agents, ainsi que les évolutions des produits qui facilitent l’audit des journaux et des approbations des agents.
À lire ensuite : BlueFlag Security permet aux humains d’approuver les actions de codage des bots