Section 10.7.1 : Qu'est-ce qu'un agent IA ? Architecture et concepts
🎯 Objectif pédagogique
Comprendre ce qu'est un agent IA, comment il fonctionne (boucle perception-raisonnement-action), et pourquoi les agents représentent la prochaine révolution après les chatbots. Vous apprendrez à distinguer les différents types d'agents, à comprendre leur architecture interne, et à identifier les cas d'usage où un agent est plus adapté qu'un simple chatbot.
Du chatbot à l'agent : un saut conceptuel
Un chatbot (ChatGPT en mode conversation classique, Claude) répond à vos questions une par une. Il est réactif — il attend votre input, produit une réponse, et s'arrête.
Un agent IA est fondamentalement différent : il est proactif. Il reçoit un objectif (pas juste une question), planifie les étapes nécessaires, utilise des outils (recherche web, calcul, exécution de code, envoi d'email...), observe les résultats, s'adapte si quelque chose ne fonctionne pas, et poursuit jusqu'à atteindre le résultat demandé — le tout avec un minimum d'intervention humaine.
Analogie : un chatbot est comme un employé qui répond au téléphone et ne fait que répondre aux questions qu'on lui pose. Un agent est comme un employé autonome à qui vous dites "organise la conférence de la semaine prochaine" — et il planifie, réserve la salle, envoie les invitations, prépare les supports, et vous dit quand c'est fait.
Les 4 composants d'un agent IA
1. Le LLM (cerveau) : le modèle de langage qui raisonne, planifie et décide des actions à entreprendre. GPT-5, Claude Opus 4.6, Gemini 3.1 Pro sont les cerveaux les plus utilisés pour les agents en 2026. Le choix du modèle détermine la qualité du raisonnement et la capacité de planification.
2. Les outils (mains) : les capacités d'action de l'agent. Chaque outil est une "fonction" que l'agent peut appeler :
- →Recherche web (pour trouver des informations actuelles)
- →Exécution de code (pour calculer, analyser des données, créer des graphiques)
- →Lecture/écriture de fichiers (pour manipuler des documents)
- →Appels API (pour interagir avec des services externes : email, CRM, calendrier...)
- →Navigation web (pour visiter des sites, remplir des formulaires)
3. La mémoire (contexte) : ce que l'agent "retient" pendant sa mission :
- →Mémoire court terme : l'historique de la conversation et les résultats des actions récentes
- →Mémoire long terme : les connaissances persistantes (RAG, bases de données)
- →Mémoire de travail : le plan en cours, les étapes complétées, les étapes restantes
4. La boucle de raisonnement (autonomie) : le mécanisme qui permet à l'agent de :
- →Évaluer où il en est par rapport à l'objectif
- →Décider de la prochaine action
- →Exécuter l'action
- →Évaluer le résultat
- →Réajuster le plan si nécessaire
L'architecture d'un agent IA
La boucle ReAct (Reasoning + Acting)
La plupart des agents modernes suivent le pattern ReAct, qui alterne explicitement entre réflexion et action :
Exemple concret — l'agent reçoit : "Quel est le chiffre d'affaires de notre principal concurrent au Q4 2025, et comment se compare-t-il au nôtre ?"
- →Thought (réflexion) : "Je dois d'abord identifier le principal concurrent. Je vais chercher dans notre base de données interne."
- →Action : Appel à l'outil CRM → requête "principal concurrent"
- →Observation : "Le CRM indique que le principal concurrent est TechCorp SAS."
- →Thought : "Maintenant je dois trouver le CA de TechCorp au Q4 2025. Cette info est probablement publique si c'est une entreprise cotée."
- →Action : Recherche web → "TechCorp SAS chiffre d'affaires Q4 2025"
- →Observation : "Selon le rapport annuel, TechCorp a fait 45M€ au Q4 2025."
- →Thought : "Maintenant je dois trouver notre propre CA Q4 2025 pour comparer."
- →Action : Appel à l'outil base interne → requête ventes Q4 2025
- →Observation : "Notre CA Q4 2025 = 38M€."
- →Thought : "J'ai les deux chiffres. Je peux calculer l'écart et produire le rapport."
- →Final Answer : "TechCorp a réalisé 45M€ au Q4 2025, soit 18.4% de plus que notre CA de 38M€. L'écart s'est réduit par rapport au Q3 (où il était de 25%). Sources : rapport annuel TechCorp, CRM interne."
Pourquoi ReAct est puissant : le modèle "pense à voix haute" à chaque étape. Cela permet de :
- →Décomposer un problème complexe en étapes gérables
- →Choisir le bon outil pour chaque étape (pas d'outil unique)
- →Vérifier la cohérence avant de continuer (auto-correction)
- →Fournir un raisonnement traçable (on peut auditer la logique de l'agent)
Types d'agents en 2026
| Type | Exemple | Niveau d'autonomie | Cas d'usage typique |
|---|---|---|---|
| Assistants à outils | ChatGPT + Code Interpreter + Search | Moyen — un outil à la fois, guidé par l'humain | Analyse de données, recherche rapide |
| Agents de recherche | Perplexity Deep Research, Gemini Deep Research | Moyen — multi-sources, autonomes dans la recherche | Veille concurrentielle, études de marché |
| Agents de code | GitHub Copilot Agent, Claude Code, Grok Code Fast 1 | Élevé — écrivent, testent et déploient du code | Développement logiciel, debugging |
| Agents de tâches | Anthropic Claude Computer Use, Adept ACT-1 | Élevé — contrôlent l'écran, cliquent, naviguent | Automatisation d'interface, data entry |
| Agents multi-étapes | AutoGPT, BabyAGI, CrewAI | Très élevé — planification autonome complète | Recherche approfondie, projets complexes |
| Agents d'entreprise | Salesforce Agentforce, Microsoft Copilot Studio | Élevé — intégrés aux données et workflows métier | CRM intelligent, support client |
Les agents au quotidien : vous les utilisez déjà
Vous utilisez probablement des agents sans le savoir :
- →ChatGPT avec Code Interpreter : quand vous uploadez un fichier Excel et demandez une analyse, ChatGPT écrit du code Python, l'exécute, observe le résultat, ajuste si nécessaire → c'est un agent
- →Perplexity Deep Research : quand vous posez une question complexe, Perplexity planifie plusieurs requêtes de recherche, consulte des dizaines de sources, synthétise → c'est un agent de recherche
- →Microsoft Copilot : quand vous demandez "résume les emails importants de cette semaine et planifie mes réponses", il accède à Outlook, analyse, priorise, rédige → c'est un agent
- →Claude Code : quand un développeur dit "ajoute des tests unitaires pour cette fonction", Claude lit le code, comprend la logique, écrit les tests, les exécute, corrige les erreurs → c'est un agent de code
Les risques des agents autonomes
Plus un agent est autonome, plus les risques sont élevés :
Risque 1 — Hallucination amplifiée : un chatbot qui hallucine produit une mauvaise réponse. Un agent qui hallucine peut envoyer un email erroné, modifier un fichier avec des données fausses, ou prendre une décision basée sur un raisonnement défaillant.
Risque 2 — Actions irréversibles : un agent qui supprime un fichier, envoie un email, ou fait un achat ne peut pas "annuler" facilement.
Risque 3 — Boucles infinies : un agent mal conçu peut rester bloqué dans une boucle de raisonnement sans jamais atteindre l'objectif.
Bonnes pratiques :
- →Human-in-the-loop : l'agent demande confirmation avant les actions irréversibles
- →Limites de budget : plafonner le nombre d'itérations et le coût API par exécution
- →Logging complet : enregistrer chaque thought/action/observation pour audit
- →Sandbox : tester les agents dans un environnement isolé avant la production
L'autonomie ≠ Laisser-faire
Un agent autonome ne veut pas dire un agent sans supervision. En 2026, les meilleures pratiques recommandent un modèle "trust but verify" : l'agent agit de manière autonome pour les tâches à faible risque (recherche, analyse, rédaction de brouillon) et demande une validation humaine pour les tâches à haut risque (envoi d'email, publication, modification de données).
Quelle est la différence fondamentale entre un chatbot et un agent IA ?
Quels sont les 4 composants essentiels d'un agent IA ?