Un agent IA est un système logiciel construit autour d'un grand modèle de langage (LLM) capable de poursuivre des objectifs de manière autonome, au lieu de se contenter de répondre à une invite à la fois. Il observe les entrées, raisonne sur la marche à suivre et exécute des actions, comme appeler une API, effectuer une recherche sur le web, exécuter du code ou écrire dans une base de données, puis évalue le résultat et décide de sa prochaine étape. Cette boucle percevoir-raisonner-agir est ce qui distingue un agent d'un simple chatbot.
Comment fonctionne un agent IA
La plupart des agents IA combinent trois ingrédients : un modèle de fondation comme cœur de raisonnement, un ensemble d'outils que le modèle est autorisé à invoquer, et une boucle de contrôle qui maintient le modèle en action jusqu'à ce que la tâche soit terminée. Lorsqu'un objectif lui est donné, le LLM produit généralement un plan, sélectionne un outil, observe la sortie de l'outil et met à jour son plan. Ce schéma est souvent appelé ReAct, abréviation de reasoning plus acting (raisonnement plus action).
Par exemple, un agent chargé de « résumer les réclamations clients de cette semaine » peut lister les fichiers récents, lire chacun d'eux, extraire les thèmes grâce à un appel à un modèle de langage, puis rédiger un rapport dans un document, le tout sans intervention humaine pour chaque étape. De nombreux agents conservent aussi une mémoire à court ou long terme afin de maintenir le contexte d'un tour à l'autre et de se remettre d'erreurs. Des frameworks comme LangGraph, l'OpenAI Agents SDK et l'API d'utilisation d'outils d'Anthropic exposent ces primitives aux développeurs.
Pourquoi c'est important
Les agents IA transforment les modèles de langage, de répondeurs passifs en systèmes capables d'accomplir de vrais workflows, ce qui explique pourquoi l'expression « IA agentique » s'est rapidement répandue dans les logiciels d'entreprise. Ils sont utilisés pour l'assistance à la recherche, les copilotes de code qui ouvrent des pull requests, les chatbots de support client qui consultent les données de compte, et les tâches opérationnelles comme la planification ou la saisie de données. Parce que les agents peuvent enchaîner des actions et utiliser des outils, ils peuvent aussi échouer de nouvelles manières, via de mauvais appels d'outils, des boucles infinies ou des injections de prompt provenant de contenus non fiables, c'est pourquoi ils sont généralement déployés avec des garde-fous, une revue humaine et des permissions limitées.
Principaux types
- Utilisateurs d'outils en une étape : modèles qui effectuent un ou deux appels d'outils pour répondre à une question, par exemple un chatbot qui fait une recherche sur le web.
- Agents de tâches multi-étapes : systèmes qui planifient et exécutent plusieurs actions en séquence, comme un agent de recherche qui lit, résume et rédige un rapport.
- Systèmes multi-agents : configurations où des agents spécialisés se transmettent le travail, par exemple un planificateur, un développeur et un relecteur collaborant sur une tâche logicielle.
- Agents d'utilisation d'ordinateur et agents incarnés : agents qui pilotent un navigateur, contrôlent un poste de travail ou actionnent des robots en traduisant des objectifs en actions d'interface ou physiques.
À mesure que les modèles de fondation progressent en raisonnement structuré et en utilisation d'outils, les agents IA passent de démonstrations à des systèmes en production qui gèrent des tâches de bout en bout, même si la fiabilité, l'évaluation et la sécurité restent les points difficiles.