Actualité tech : que recouvre vraiment l’IA agentique ?
L’actualité tech met l’IA agentique au premier plan, et chaque semaine apporte son lot d’annonces sur des assistants qui réservent, codent, trient ou achètent à notre place. Pourtant, le mot « agent » n’a rien d’une invention récente. Des robots, des personnages de jeux vidéo et des simulations numériques prennent des décisions autonomes depuis des décennies. Ce qui change, c’est leur alliance avec les grands modèles de langage, désormais capables de planifier des actions et de manipuler des outils numériques. Pour y voir clair dans ce vocabulaire qui s’emballe, il faut distinguer trois choses : l’agent lui-même, les outils auxquels il accède et le degré de contrôle laissé à l’humain.
Shakey, aspirateurs et personnages de jeu : les ancêtres des agents
Bien avant l’essor de l’intelligence artificielle générative, un agent désignait un système informatique capable de percevoir son environnement, d’agir sur lui et, parfois, de communiquer avec d’autres systèmes. Autonomie, perception, communication : ces trois ingrédients définissaient déjà la famille, avec des applications dans la résolution distribuée de problèmes, la robotique collaborative ou la simulation de mondes synthétiques.
Ces premiers agents étaient pensés comme des systèmes experts, taillés pour des tâches précises. Ils décidaient à partir de données de capteurs ou de règles écrites à l’avance, mais s’adaptaient mal à un environnement changeant. Un aspirateur robot en offre l’illustration la plus familière : il détecte les obstacles, les contourne et s’efforce de couvrir méthodiquement la pièce. Dans un jeu vidéo, un personnage non joueur choisit ses actions en suivant un arbre de décision. Dans les deux cas, l’autonomie est réelle mais strictement cantonnée à la fonction du système.
L’histoire remonte loin. Le robot Shakey, développé dans les années 1960, est souvent présenté comme le premier robot autonome de l’histoire. Il rappelle que la haute technologie d’aujourd’hui s’appuie sur des décennies de recherche, bien avant que les start-ups et les géants de la Silicon Valley ne s’emparent du sujet.
Quand les agents se multiplient : l’émergence des systèmes multi-agents
Lorsque plusieurs agents évoluent dans le même environnement, on parle de système multi-agent, véritable précurseur de ce que l’on appelle aujourd’hui l’IA agentique. Chaque agent possède ses caractéristiques, ses capacités et ses règles de comportement. Il interagit avec ses voisins et avec son environnement, virtuel ou physique, de manière décentralisée, sans coordination centrale ni instruction explicite.
La simulation de circulation urbaine est l’exemple le plus parlant. Chaque véhicule y devient un agent gouverné par des règles de vitesse, de temps de réaction et de distance de sécurité. Personne ne dicte au trafic global son comportement : embouteillages et fluidité émergent des interactions individuelles. Cette logique d’émergence, où l’ensemble produit des effets que nul agent n’avait programmés, reste au cœur des architectures actuelles.
Pourquoi l’expression explose depuis 2022
Si ces concepts sont anciens, leur popularité est toute récente. Les analyses fondées sur les tendances de recherche montrent une hausse nette des requêtes « agent IA » et « IA agentique » à partir de novembre 2024, dans le prolongement d’une courbe ascendante amorcée fin 2022, année où OpenAI a commercialisé ses premiers modèles génératifs. Ce basculement lexical n’est pas anodin : dans l’usage courant, les deux expressions désignent de plus en plus des systèmes où un modèle génératif reçoit un objectif, prépare une suite d’étapes et agit au moyen de services externes.
Cette évolution compte pour toute actualité tech : elle déplace le débat de la simple production de contenu vers l’action dans des environnements numériques. Pour les entrepreneurs, les équipes produit et les responsables du business digital, la question n’est plus seulement « que sait écrire ce modèle ? » mais « que peut-il faire, et avec quelles permissions ? ».
Anatomie d’un agent moderne : une boucle de décision
Un agent contemporain se décrit comme une boucle. Il reçoit la demande d’un utilisateur, détermine les éléments à traiter, élabore un plan, choisit éventuellement un outil, puis observe le résultat de son action. Selon ce résultat, il poursuit, corrige sa trajectoire ou demande une précision. À chaque étape, il rend compte de son avancement dans une réponse en langage naturel, et certaines actions peuvent exiger une validation ou une information complémentaire de l’utilisateur avant d’aboutir.
Cette boucle distingue l’agent d’un échange question-réponse classique. Un assistant conversationnel traditionnel produit surtout du texte. Un agent connecté peut consulter une source extérieure ou déclencher une opération dans une application. Cela ne signifie pas qu’il agit sans limites : la qualité du résultat dépend de la demande, des outils disponibles et des règles d’accès configurées.
| Critère | Agent historique | Agent piloté par un modèle de langage |
|---|---|---|
| Mode de décision | Règles prédéfinies, arbres de décision, capteurs | Raisonnement et planification générés par un modèle |
| Champ d’action | Tâche précise et cadre restreint | Large, selon les outils auxquels il est connecté |
| Interface avec l’humain | Souvent absente ou très limitée | Langage naturel, avec validations possibles |
| Exemples | Aspirateur robot, personnage non joueur, simulation de trafic | Assistant capable de chercher, coder, envoyer un message |
Le modèle de langage, chef d’orchestre du système
Au centre de l’édifice se trouve le grand modèle de langage, ou LLM, que l’on rencontre aussi sous l’appellation de modèle de fondation. Ces termes désignent des familles de modèles génératifs capables de traiter des requêtes et de produire du langage. Dans un agent, le modèle joue le rôle de coordinateur : il traduit l’objectif de l’utilisateur en opérations que le système peut tenter de réaliser, propose une décomposition en étapes et décide si un outil est utile.
Planifier n’est pas comprendre : un modèle de langage organise une tâche à partir de régularités apprises, sans garantir l’exactitude de chaque étape ni la réussite de l’action finale.
Ce rappel est essentiel. Les capacités de raisonnement d’un modèle aident à structurer un travail, mais elles ne valent pas compréhension humaine. Plus l’agent dispose de leviers d’action, plus cette nuance pèse sur la conception du système.
Mémoire et personnalisation : un agent qui s’adapte à vous
Un agent peut aussi s’appuyer sur des consignes personnalisées ou sur des informations conservées en mémoire pour ajuster ses réponses. Cette personnalisation provient d’instructions explicites, d’échanges précédents ou de données enregistrées par le système. Elle rend l’outil plus pertinent à l’usage, mais impose une vigilance : que mémorise-t-on, et comment ces éléments sont-ils réutilisés ? Une mémoire précieuse dans un contexte professionnel peut devenir inadaptée, voire gênante, pour une demande d’une tout autre nature.
Les assistants populaires ont intégré ces briques par étapes. ChatGPT a été lancé en novembre 2022 avec GPT-3.5 ; des capacités de raisonnement plus avancées et des instructions personnalisées ont suivi en 2023, puis des fonctions de mémoire à partir de février 2024. Le Chat de Mistral, lancé en février 2024, a lui aussi acquis progressivement des fonctions comparables. L’assistant ne se réduit donc plus à son modèle de génération initial : il rassemble plusieurs fonctions dans une même interface.
Les outils donnent à l’agent une prise sur le monde numérique
Les outils externes étendent le champ du possible. Ils peuvent offrir un accès à Internet pour obtenir des informations récentes, à une base documentaire par génération augmentée par récupération (RAG), à des services hébergés dans le cloud ou à d’autres ressources. Plutôt que de demander à l’utilisateur de recopier chaque élément dans sa requête, l’agent va chercher certaines données à la source, dans la limite des accès qui lui sont accordés.
La connexion permet aussi d’agir : générer une image ou une vidéo avec un autre modèle, intervenir dans un environnement de développement, envoyer un courriel, créer une playlist, proposer un rendez-vous dans un agenda. Le système ne se contente plus de suggérer, il déclenche une fonction d’application par l’intermédiaire de son interface de programmation (API). L’appel de fonction désigne précisément cette capacité d’un modèle à sélectionner une fonction disponible et à lui transmettre les paramètres attendus. Que l’on pense aux ordinateurs de bureau, aux services cloud ou, demain, aux objets connectés, chaque interface devient un point d’entrée potentiel.
Des protocoles pour standardiser les échanges
Pour éviter de réinventer une connexion sur mesure à chaque service, des protocoles de communication standardisent les échanges. Le Model Context Protocol (MCP), développé par Anthropic, s’est imposé comme un standard majeur dans de nombreux usages agentiques : il fournit une manière commune de relier un modèle à des outils. D’autres protocoles visent des besoins plus ciblés, comme l’Agentic Commerce Protocol (ACP), proposé par OpenAI, qui concerne le commerce agentique, c’est-à-dire des achats conduits par un agent. Les plateformes de e-commerce comme Amazon illustrent à quel point ce terrain intéresse les acteurs du secteur.
En France, la DINUM expérimente pour sa part un serveur MCP lié aux données de la plateforme data.gouv.fr. L’exemple est parlant : un tel serveur transforme un hub de données publiques en ressource directement interrogeable par un agent, sans intégration spécifique.
Une chronologie qui montre un assemblage progressif
Les jalons des principaux assistants permettent de mesurer que l’agentique n’est pas née d’une fonction unique, mais d’un empilement de capacités.
| Période | Jalon |
|---|---|
| Novembre 2022 | Lancement de ChatGPT avec GPT-3.5 |
| Mars 2023 | Navigation web dans ChatGPT |
| Octobre 2023 | Génération d’images intégrée à ChatGPT |
| Novembre 2023 | Agents personnalisés de ChatGPT |
| Février 2024 | Mémoire dans ChatGPT, lancement du Chat de Mistral et agents spécialisés sur La Plateforme |
| Novembre 2024 | Recherche web et génération d’images dans Le Chat |
| Juin 2025 | Prise en charge de MCP dans ChatGPT |
| Septembre 2025 | Présentation de l’ACP |
| Février 2026 | Annonce de l’application de bureau Codex |
| Mai 2026 | Connexion du Chat à des applications tierces |
Lue dans l’ordre, cette séquence raconte une montée en puissance : d’abord converser, puis chercher, créer, se souvenir, se connecter et enfin agir au sein d’applications tierces. Cette trajectoire intéresse autant les startups qui bâtissent leurs produits sur ces briques que les grands groupes technologiques qui les fournissent.
Des agents spécialisés aux systèmes multi-agents
Un agent peut aussi dialoguer avec d’autres agents. Dans une architecture multi-agent, chaque composant reçoit un rôle : l’un analyse la demande, un deuxième produit du code, un troisième vérifie une étape ou prépare une synthèse. Le modèle chargé de l’orchestration organise la circulation des tâches et des résultats selon les règles du système, un peu comme un chef de projet qui répartirait le travail entre spécialistes.
Le niveau d’autonomie varie fortement. Dans une configuration simple, l’utilisateur lance chaque agent et transmet lui-même les informations d’une étape à la suivante. Dans une configuration plus intégrée, les agents coordonnent leurs travaux sans intervention humaine à chaque échange. L’autonomie n’a donc rien de binaire : elle dépend de la liberté d’action accordée, du nombre d’étapes automatisées et des contrôles imposés avant une opération sensible.
Les applications envisagées couvrent le développement logiciel, où des agents travaillent avec des environnements de programmation pour générer et exécuter du code, mais aussi l’assistance à l’achat, du choix d’un produit à la confirmation de la commande, ou encore la gestion des courriels et de certaines tâches financières. Dans ces usages, passer de la recommandation à l’action réelle change la nature du risque : une erreur de texte se corrige généralement, alors qu’un message envoyé ou un achat confirmé peut avoir des conséquences directes.
Les outils de création d’agents se démocratisent. Les agents personnalisés de ChatGPT sont apparus en novembre 2023, d’abord centrés sur des instructions adaptées à des tâches précises. La Plateforme de Mistral permet depuis février 2024 de créer des agents spécialisés. L’application de bureau Codex, annoncée en février 2026, est présentée comme un moyen de faciliter l’orchestration de plusieurs agents dédiés au développement logiciel. Cette accessibilité nouvelle fait de la définition des rôles et des permissions une question très concrète, y compris pour les start-ups de l’écosystème French Tech qui intègrent ces briques dans leurs services.
Pourquoi les définitions comptent pour la régulation
L’expression « agent d’IA » recouvre des systèmes très différents : un robot autonome fondé sur des règles, un personnage virtuel, un assistant relié à une API, un ensemble d’agents coordonnés. Une définition limitée aux modèles génératifs exclut les systèmes autonomes plus anciens. À l’inverse, une définition qui englobe toute solution capable de percevoir un environnement et d’y agir devient très large. Cette amplitude explique que les institutions ne tracent pas toujours les mêmes frontières.
La Commission européenne décrit les agents comme des systèmes capables de recevoir et de traiter des informations issues de leur environnement, puis d’agir en conséquence, notamment par des appels de fonctions. L’ICO retient une formulation tout aussi large : un agent est un logiciel ou un système qui réalise des processus ou des tâches avec des niveaux variables de sophistication et d’autonomie. De telles approches englobent des agents qui ne reposent pas sur un LLM, au même titre que les systèmes génératifs récents.
Pour les acteurs du secteur, la distinction dépasse le simple débat de vocabulaire. Elle peut influer sur la manière de décrire un produit, d’évaluer son autonomie et d’identifier les personnes responsables d’une action. Un assistant qui suggère un courriel et un agent qui l’envoie après validation n’exercent pas le même niveau d’intervention. De même, un système multi-agent peut brouiller la chaîne de décision si les tâches sont réparties entre plusieurs composants. Une bonne définition doit donc refléter ce que le système fait réellement, ce à quoi il accède et la place laissée à l’humain.
Le véritable enjeu : encadrer les capacités d’action
La promesse de l’IA agentique est de réduire les manipulations répétitives et de relier plusieurs services dans un même parcours. Pour une startup comme pour une grande entreprise, cela peut signifier automatiser certaines étapes d’un processus sans obliger un employé à jongler entre les applications. Mais la connexion à des outils transforme les exigences de conception : il faut décider quelles données l’agent peut consulter, quelles opérations il peut lancer et lesquelles restent soumises à confirmation.
La prudence consiste à accorder les permissions nécessaires à la tâche, sans ouvrir par défaut un accès illimité. Les actions importantes gagnent à être présentées clairement avant validation, et le système doit rendre lisible ce qu’il a tenté de faire. Ces principes pèsent d’autant plus lorsque des services connectés donnent accès à des données personnelles, à des comptes professionnels ou à des fonctions susceptibles d’engager l’utilisateur. L’autonomie doit se concevoir comme un réglage que l’on peut encadrer, pas comme une qualité à maximiser à tout prix.
Enfin, la multiplication des outils et des protocoles ne fait pas disparaître la dépendance aux fournisseurs de modèles, aux plateformes et aux services cloud. Les choix d’interopérabilité, de stockage et de contrôle des accès comptent autant que les performances du modèle. Le débat sur les agents touche donc à la fois l’innovation logicielle, la sécurité, la gouvernance des données et les stratégies des plateformes technologiques, des grandes innovations de la tech jusqu’aux entrepreneurs qui en font un levier de croissance.
L’IA agentique n’est ni un synonyme de toute intelligence artificielle ni une rupture sans précédent : elle prolonge une longue histoire de systèmes autonomes, des robots pionniers aux simulations multi-agents, en leur donnant accès à des modèles génératifs et à des applications connectées. Pour juger une solution, mieux vaut regarder au-delà de son étiquette et examiner ses outils, ses permissions, son degré d’autonomie et les validations humaines prévues. C’est à cette condition que ces innovations pourront être évaluées avec précision, plutôt qu’à partir de promesses générales sur des agents qui feraient tout seuls.
