Les agents IA : comprendre et construire

Comprendre ce qu'est un agent

1.Qu'est-ce qu'un agent IA

Un agent est un système qui poursuit un objectif en observant le monde et en agissant dessus avec les outils dont il dispose, de façon largement autonome. La distinction avec ce que vous connaissez est décisive : un chatbot répond à une question ; un agent exécute un travail, une suite d'étapes, jusqu'à atteindre son but. Une application qui se contente de générer une réponse, sans piloter le déroulé d'une tâche, n'est pas un agent.

Le whitepaper de Google résume bien la différence entre un modèle seul et un agent :

• Un modèle seul ne connaît que ses données d'entraînement, répond en une seule passe, n'a pas de mémoire de la conversation ni d'outils.
• Un agent étend sa connaissance en se connectant à des systèmes externes via des outils, garde la mémoire des échanges, et raisonne en plusieurs étapes pour décider quoi faire.

Une image, empruntée au même document. Pensez à un chef dans une cuisine animée. Il rassemble l'information (la commande, ce qu'il y a dans le garde-manger), raisonne sur ce qu'il peut créer, agit (couper, assaisonner, saisir), puis ajuste au fil des retours. Ce cycle « observer, planifier, exécuter, ajuster » est exactement ce qui caractérise un agent. Là où un système de règles applique une checklist figée, un agent raisonne comme un professionnel qui s'adapte au contexte.

2.Quand un agent a du sens, et quand non

Un agent n'est pas la réponse à tout. Il brille précisément là où l'automatisation classique cale :

• Les décisions complexes : jugement nuancé, exceptions, choix qui dépendent du contexte.
• Les règles devenues ingérables : des systèmes si chargés de conditions que chaque mise à jour coûte cher et casse quelque chose.
• Les données non structurées : interpréter du langage naturel, extraire du sens de documents, dialoguer.

À l'inverse, si une règle simple ou un script déterministe suffit, inutile de mettre un agent : c'est plus coûteux et moins prévisible, sans bénéfice. Le bon réflexe est de vérifier d'abord que le cas d'usage le justifie. Le hype pousse à en mettre partout ; la rigueur consiste à ne le faire que quand c'est pertinent.

Sous le capot : la mécanique

3.L'anatomie d'un agent

Sous sa forme la plus fondamentale, un agent repose sur trois briques, ce que Google appelle son architecture cognitive.

• Le modèle : le cerveau qui raisonne et décide. On ne prend pas toujours le plus puissant : une tâche simple peut se contenter d'un petit modèle rapide, une décision difficile mérite un modèle plus capable. Bonne pratique : prototyper avec le meilleur modèle pour fixer une référence, puis alléger là où c'est possible.
• Les outils : ce qui relie l'agent au monde extérieur (voir section 5). Sans eux, un modèle reste enfermé dans ses connaissances d'entraînement.
• La couche d'orchestration : le chef d'orchestre. C'est une boucle qui gouverne la façon dont l'agent absorbe l'information, raisonne en interne, et décide de son action suivante. Elle tourne jusqu'à ce que le but soit atteint. C'est elle qui maintient la mémoire, l'état, le raisonnement et la planification.

Deux facultés portées par l'orchestration

• La mémoire : à court terme pour la tâche en cours, à long terme pour se souvenir des interactions passées et personnaliser ses réponses.
• La planification : décomposer une tâche complexe en étapes gérables et ajuster son approche en cours de route.

4.Comment un agent raisonne

C'est le cœur de la couche d'orchestration, et ce qui distingue vraiment un agent d'un simple appel à un modèle. Plutôt que de deviner une réponse d'un coup (au risque d'halluciner), l'agent suit un cadre de raisonnement. Trois dominent aujourd'hui.

• ReAct (raisonner et agir) : le plus répandu. L'agent enchaîne un cycle : une pensée (que dois-je faire ?), une action (choisir un outil), une observation (le résultat de l'action), et il recommence autant de fois que nécessaire avant de donner une réponse finale. L'intérêt : au lieu d'inventer, l'agent va chercher l'information réelle avec un outil, puis raisonne dessus. C'est ce qui ancre ses réponses dans les faits.
• Chain-of-thought (chaîne de pensée) : raisonner par étapes intermédiaires, ce qui améliore nettement la logique et le calcul.
• Tree-of-thoughts (arbre de pensées) : explorer plusieurs chaînes de raisonnement en parallèle, utile pour l'anticipation stratégique et les problèmes complexes.

En clair : la qualité d'un agent tient directement à sa capacité à raisonner et à choisir le bon outil au bon moment. Le raisonnement n'est pas un détail, c'est le moteur.

5.Les outils : les clés du monde extérieur

Un modèle, aussi puissant soit-il, ne sait ni percevoir ni agir sur le monde réel. Les outils comblent ce vide. Vu par leur fonction, ils se rangent en trois familles : chercher de l'information (interroger une base, lire un document, chercher sur le web), agir (envoyer un message, mettre à jour un enregistrement), et déléguer (un agent peut servir d'outil à un autre agent).

Trois types, vus par leur mise en œuvre

• Les extensions : elles font le pont entre l'agent et une API externe de façon standardisée. L'agent appelle lui-même l'API (par exemple, une API de vols pour réserver un billet). Il apprend, par des exemples, quelle extension utiliser selon la demande.
• Les fonctions : ici, le modèle propose un appel et ses paramètres, mais ne l'exécute pas. C'est l'application, côté client, qui exécute. Cela donne au développeur plus de contrôle, et répond à des contraintes de sécurité, d'authentification ou de timing (par exemple, une validation humaine avant d'agir).
• Les data stores : ils branchent l'agent sur des données à jour, souvent via une base vectorielle. C'est le fondement du RAG (génération augmentée par la récupération) : la requête est transformée en vecteur, comparée au contenu de la base, les passages pertinents sont récupérés et fournis à l'agent, qui répond en s'appuyant dessus. Le RAG permet d'ancrer un agent sur vos propres documents (contrats, notes, catalogues) sans réentraîner le modèle.

6.Un agent, ou plusieurs

Une fois les briques en place, reste à décider comment l'agent exécute le travail.

L'agent unique

Un seul modèle, équipé de ses outils et de ses instructions, tourne dans une boucle jusqu'à une condition de sortie (la tâche est finie, une erreur survient, un nombre maximal d'étapes est atteint). On lui ajoute des outils au fil de l'eau. La recommandation générale d'OpenAI : commencer par maximiser un seul agent.

Les systèmes multi-agents

Quand un seul agent n'arrive plus à suivre des instructions trop ramifiées, ou choisit mal des outils trop nombreux et trop semblables, on répartit le travail entre plusieurs agents spécialisés. Le gain : traitement en parallèle, expertise dédiée, validation croisée. Quatre architectures existent, du plus simple au plus élaboré :

Au-delà, l'approche du chaînage d'agents combine des agents spécialisés, chacun excellent dans un domaine, en une sorte d'équipe d'experts.

Un avertissement, souvent oublié. La collaboration qui fait la force des systèmes multi-agents fait aussi leur difficulté. Chaque agent réclame du contexte, de la mémoire et des règles de communication claires, et ces coûts de coordination augmentent vite avec la taille du système, au point de parfois effacer le bénéfice attendu. D'où le principe martelé par tous : commencer simple, et ne passer au multi-agents que lorsque le gain justifie clairement ce surcroît de complexité.

7.Un agent n'est pas un prompt, c'est un système

C'est le point que les démonstrations font oublier. Un agent robuste n'est pas un modèle avec un bon prompt : c'est un système qui combine le modèle, vos données, des outils, de l'évaluation et de la gouvernance. Databricks décrit son cycle de vie en cinq temps :

1. 1.Préparer les données : les nettoyer, les indexer, les rendre accessibles (souvent via une base vectorielle). Un agent ne vaut que par la qualité des données sur lesquelles il raisonne.
2. 2.Construire : assembler le modèle, la mémoire, la planification et les outils.
3. 3.Déployer : le mettre en conditions réelles, avec contrôles d'accès et sécurité.
4. 4.Évaluer : mesurer la qualité des sorties, avec des juges automatiques et des retours humains, et corriger en continu.
5. 5.Gouverner : encadrer l'accès, les coûts, la traçabilité et la conformité, sur les données comme sur les modèles et les outils.

Comment un agent apprend à choisir le bon outil

C'est là que se joue la fiabilité. Trois approches, du plus léger au plus lourd : l'apprentissage en contexte (on lui donne des exemples dans le prompt, au moment de la demande), l'apprentissage par récupération (on va chercher dynamiquement les bons exemples et outils dans une mémoire externe), et le fine-tuning (on l'entraîne au préalable sur un jeu d'exemples spécifiques). On les combine souvent.

Le message est clair : la difficulté n'est pas de faire une belle démo, c'est de construire un système fiable, ancré sur des données réelles, évalué et gouverné. C'est là qu'est le vrai travail, et l'expertise.

Encadrer, mesurer, décider

8.Les garde-fous et l'humain dans la boucle

Un agent qui agit sur le monde réel doit être encadré. Les garde-fous fonctionnent comme une défense en couches : aucun seul ne suffit, mais ensemble ils rendent l'agent résilient.

• Pertinence : garder l'agent dans son périmètre, écarter les demandes hors sujet.
• Sécurité : détecter les tentatives de détournement (jailbreaks, injections de prompt).
• Données personnelles : filtrer les informations sensibles avant qu'elles ne sortent.
• Modération : bloquer les contenus nuisibles.
• Sûreté des outils : noter le risque de chaque outil (lecture seule ou écriture, action réversible ou non, impact financier) et déclencher une vérification avant les actions à haut risque.

Et par-dessus tout, l'humain dans la boucle, le filet de sécurité. On déclenche une intervention humaine dans deux cas : quand l'agent dépasse un seuil d'échecs, et pour toute action sensible ou irréversible (annuler une commande, autoriser un gros paiement). C'est le fondement de l'approche « copilote puis autopilote » : on déploie d'abord l'agent aux côtés de l'humain pour installer la confiance, avant de lui donner plus d'autonomie à mesure qu'il prouve sa fiabilité.

9.La valeur et les limites

La valeur d'un agent tient en une phrase : il n'automatise pas une tâche, il automatise un workflow entier, avec du jugement. C'est le saut par rapport aux outils classiques, qui exécutent des étapes fixes sans s'adapter.

Les chiffres confirment que cette valeur est réelle. D'après une enquête internationale de 2026 sur le retour sur investissement de l'IA générative et des agents : environ 92 % des adopteurs déclarent un retour positif, et parmi ceux qui l'ont chiffré, le retour moyen est d'environ 49 % (près de 1,49 pour 1 investi). Environ un tiers des organisations disposent déjà de solutions agentiques. Des cas concrets rapportés donnent la mesure : l'analyse automatisée de contrats juridiques faisant économiser des centaines de milliers d'heures de revue manuelle, ou la maintenance prédictive réduisant les coûts de maintenance de l'ordre de 20 %.

Les freins, et ils sont instructifs

• La qualité et la quantité des données (le premier obstacle, cité par 40 %).
• Le manque de compétences en interne (35 %).
• L'intégration avec les systèmes existants (31 %).
• Le coût, la fiabilité, la gouvernance et la conformité.

Autrement dit : l'adoption est massive, mais l'infrastructure suit mal (une minorité d'organisations jugent la leur vraiment prête). Un agent mal construit ou mal gouverné peut se tromper de façon coûteuse. La valeur ne vient pas de la démonstration, elle vient du système bien bâti, évalué, gouverné, avec l'humain aux commandes des décisions sensibles. La règle d'or, souvent répétée : éviter le piège du hype, commencer petit, mesurer, itérer.

10.Ce qu'il faut retenir

• Un agent agit, un chatbot répond. C'est un système qui poursuit un but en observant et en agissant, pas une simple conversation.
• Trois briques : le modèle (le cerveau), les outils (les clés du monde extérieur), l'orchestration (le chef d'orchestre). Plus la mémoire et la planification.
• Il raisonne avant d'agir : des cadres comme ReAct, chain-of-thought ou tree-of-thoughts structurent sa réflexion et l'ancrent dans les faits.
• Ses outils le relient au monde : chercher, agir, déléguer, et surtout se brancher sur vos données via le RAG.
• Commencer simple : un seul agent d'abord, le multi-agents seulement quand c'est nécessaire.
• Ce n'est pas un prompt, c'est un système : données, évaluation, gouvernance, et l'humain dans la boucle.
• La valeur est réelle et chiffrée, mais elle se mérite : elle vient de la rigueur de construction, pas de la magie.

Construire des agents fiables, ancrés sur un métier et bien gouvernés, c'est un vrai travail d'infrastructure. Reste une question : à quoi servent-ils concrètement dans le cinéma et l'audiovisuel ? C'est l'objet de la ressource suivante.