Quand on s’intéresse à l’IA agentique, on rencontre rapidement des termes comme «raisonnement», «human-in-the-loop» ou «Model Context Protocol». Ce glossaire explique les principaux concepts en quelques minutes.
Les systèmes d’IA générative comme ChatGPT produisent des textes, des images, des résumés ou du code. Ils réagissent aux requêtes et génèrent des contenus. L’IA agentique poursuit en revanche un objectif, agit de manière autonome, planifie les étapes nécessaires et peut déclencher elle-même des actions par l’intermédiaire de systèmes connectés.
Un agent peut par exemple rassembler des informations provenant de différents systèmes, prioriser des demandes d’assistance, préparer une offre ou coordonner un rendez-vous avec un client. Au lieu de devoir déclencher chaque étape séparément, le système avance vers un objectif défini. Il n’a pas nécessairement besoin d’une requête et peut réagir à son environnement.
Comparaison entre l’IA générative et l’IA agentique
| IA générative | IA agentique |
|---|---|
| répond à des questions | poursuit des objectifs |
| réagit à des prompts | agit dans un cadre défini |
| génère des contenus | exécute des actions |
| interactions ponctuelles | processus en plusieurs étapes |
L’IA agentique aide donc à accomplir des tâches. Elle repose sur des systèmes capables de mémoriser des informations et des étapes intermédiaires, de poursuivre un objectif et d’accéder pour cela à des applications, des sources de données ou d’autres outils. Ils peuvent ainsi relier plusieurs étapes de travail au lieu de simplement réagir à des requêtes ponctuelles. L’IA agentique repose donc sur des systèmes avec état – un premier terme important:
Avec état (stateful): un système d’IA travaille avec du contexte
Les systèmes avec état peuvent tenir compte d’informations pertinentes issues d’étapes précédentes. Ils enregistrent par exemple l’avancement des tâches, les décisions, les résultats ou d’autres informations contextuelles et les intègrent aux actions suivantes. Ils peuvent ainsi traiter des processus en plusieurs étapes sur une période prolongée.
Exemple: un agent mémorise les fournisseurs déjà contactés, les réponses reçues et les prochaines étapes encore ouvertes.
Sans état (stateless): un système d’IA travaille sans contexte mémorisé
Un système sans état traite chaque requête de manière largement indépendante. Il ne sait pas automatiquement quelles étapes ont déjà été exécutées ni quel objectif est poursuivi sur plusieurs étapes de travail.
Exemple: vous demandez à un système d’IA de rédiger un résumé. Lors de la requête suivante, vous devez lui fournir à nouveau le contexte nécessaire.
Autonomie: jusqu’où un agent IA peut-il agir de manière indépendante?
Alors que l’IA générative traite surtout des informations et génère des contenus, les systèmes agentiques peuvent planifier, décider et agir de manière autonome sur la base de ces informations. La notion d’autonomie indique jusqu’où va cette indépendance.
Plus l’autonomie est élevée, plus les tâches peuvent être traitées sans intervention humaine directe. Dans le même temps, le besoin de garde-fous clairs et de contrôle augmente.
Spectre de l’autonomie: différents niveaux d’indépendance
L’IA agentique se présente sous différentes formes. Certains systèmes assistent des tâches ponctuelles, tandis que d’autres peuvent exécuter de manière largement autonome des étapes entières d’un processus. Entre l’automatisation réactive et l’orchestration autonome, on distingue quatre niveaux: automatisation réactive, agents spécifiques à une tâche, agents conditionnels et orchestration autonome.
Découvrez les quatre niveaux d’autonomie dans le whitepaper «De l’IA générative à l’IA agentique».
Outre leur autonomie, les agents se distinguent aussi par leur fonctionnement. Ils analysent des informations, planifient les étapes suivantes, utilisent des outils externes et collaborent, selon le cas d’usage, avec d’autres agents ou avec des humains. Les concepts suivants décrivent de manière simplifiée le fonctionnement des systèmes agentiques.
PRAF: Perception-Reasoning-Action-Feedback, le cycle de travail d’un agent
De nombreux systèmes agentiques fonctionnent selon un cycle récurrent:
- Percevoir les informations (Perception)
- Raisonner et planifier (Reasoning)
- Agir (Action)
- Vérifier le résultat (Feedback)
Ce cycle permet aux agents de réagir à de nouvelles informations et d’adapter leur démarche.
Communication avec des systèmes externes et d’autres agents: API, MCP et A2A
Les agents IA ne fonctionnent généralement pas de manière isolée. Grâce à des interfaces de programmation d’applications (API) ou au Model Context Protocol (MCP), ils peuvent accéder à des applications, des sources de données et des outils externes.
Les API permettent de connecter de manière ciblée des systèmes individuels, tandis que le MCP fournit un cadre uniforme pour y accéder. Pour prendre une image, le MCP fonctionne comme un adaptateur universel: il permet aux agents IA et aux applications d’entreprise de parler le même langage et d’échanger des informations.
Un agent IA peut par exemple récupérer des informations dans un CRM, vérifier un rendez-vous dans un calendrier ou créer une entrée dans un système de billetterie. L’IA agentique ne se limite donc pas au traitement de l’information: elle peut aussi déclencher des actions dans les applications d’entreprise existantes.
La communication agent à agent (A2A) désigne l’échange d’informations et la coordination des tâches entre agents. Lorsque plusieurs agents spécialisés collaborent, on parle de système multiagents. Par exemple, un agent recherche des informations, un autre réalise l’analyse et un troisième se charge de la documentation. Anthropic a notamment décrit d’autres modèles de conception d’agents.
Human-in-the-Loop (HITL): l’humain garde le contrôle
Dans cette approche, l’humain reste partie prenante du processus. Les décisions critiques ou irréversibles ne sont exécutées qu’après avoir été vérifiées et approuvées par une personne. Il est important de définir précisément à quel moment une escalade vers une personne est nécessaire et quelles étapes du processus doivent toujours rester sous responsabilité humaine.
Exemple: un agent rédige un projet de contrat, puis une personne compétente donne son approbation.
Ce que l’IA agentique peut faire aujourd’hui et où se situent ses limites
L’IA agentique suscite actuellement de nombreuses attentes. Il vaut donc la peine de porter un regard réaliste sur ses capacités. Elle peut analyser des informations, planifier des tâches, connecter différents systèmes et exécuter de manière partiellement autonome des processus définis.
Il ne s’agit toutefois pas d’une technologie dotée d’une conscience propre ou d’un jugement humain. Les systèmes actuels peuvent commettre des erreurs et ont besoin de règles claires, de données appropriées et, selon le degré d’automatisation, souvent encore d’une supervision humaine.
Pour les entreprises, cela signifie que l’IA agentique ne remplace ni l’expertise ni la responsabilité. Elle déploie tout son potentiel lorsque les humains et l’IA combinent leurs forces respectives. Le contrôle humain, des garde-fous clairs et des processus transparents restent des facteurs de réussite essentiels.
En savoir plus dans le whitepaper
Ce glossaire donne un premier aperçu des principaux termes et concepts. Pour mieux comprendre le fonctionnement technique de l’IA agentique, les aspects de sécurité, de gouvernance et de protection des données à prendre en compte ainsi que la manière dont les entreprises peuvent planifier son utilisation en production, consultez le whitepaper «De l’IA générative à l’IA agentique».
