Agent IA : qu'est-ce que c'est vraiment

Agent IA : qu'est-ce que c'est vraiment

Depuis dix-huit mois, le mot « agent » se colle sur à peu près tout : un chatbot avec trois boutons, un scénario d'automatisation, un assistant qui rédige des emails. Quand un dirigeant nous appelle pour « mettre un agent IA » sur son service client, la première heure de cadrage sert presque toujours à savoir de quoi on parle, parce qu'il a vu une démonstration convaincante sans savoir si le logiciel derrière décidait quoi que ce soit.

Deux questions suffisent à trancher, et aucune ne porte sur le modèle utilisé. Combien d'étapes le logiciel choisit-il lui-même ? Et sur quelles ressources a-t-il le droit d'écrire ? Les réponses fixent le budget, le niveau de risque et la personne qui devra surveiller la machine une fois qu'elle tourne.

Cet article traite de la définition et des critères de décision. La façon dont l'autonomie change la gouvernance d'une organisation est couverte à part, dans notre analyse de l'IA agentique en entreprise.

Un agent choisit ses étapes, un workflow suit les vôtres

Un workflow exécute des chemins que vous avez écrits à l'avance ; un agent choisit lui-même l'enchaînement de ses étapes et l'usage qu'il fait de ses outils. La formulation de référence vient de l'équipe d'ingénierie d'Anthropic, qui décrit les workflows comme des systèmes « où les LLM et les outils sont orchestrés selon des chemins de code prédéfinis » et les agents comme des systèmes « où les LLM dirigent dynamiquement leurs propres processus et leur usage des outils, en gardant le contrôle sur la façon dont ils accomplissent les tâches ». La frontière tient donc à une seule chose : qui a écrit l'enchaînement, vous ou le modèle.

Un agent se compose de trois briques. Un modèle de langage, qui raisonne. Des outils, qui sont des fonctions ou des API que le modèle a le droit d'appeler pour lire une base, envoyer un email, créer une ligne dans un CRM. Une boucle, enfin, qui relance le modèle tant que l'objectif n'est pas atteint et qui s'arrête sur un critère que vous avez défini. Retirez la boucle, vous obtenez un assistant qui répond en une passe. Retirez les outils, vous obtenez un chatbot.

Sur les projets qu'on cadre, ce qui se vend comme agent est le plus souvent un workflow avec un appel de modèle à une étape ou deux. C'est rarement un défaut. Quand le chemin est connu d'avance, un enchaînement figé fait le travail pour moins cher, avec un comportement reproductible d'une exécution à l'autre. Les auteurs cités plus haut recommandent d'ailleurs de chercher « la solution la plus simple possible » et de n'augmenter la complexité qu'en cas de besoin, quitte à « ne pas construire de système agentique du tout ».

Le vocabulaire compte parce qu'il détermine qui répare quoi. Un workflow qui casse se corrige en lisant un journal d'exécution ligne à ligne, l'étape fautive saute aux yeux. Un agent qui part de travers demande de comprendre pourquoi le modèle a choisi cet outil-là, à ce moment-là, avec ces arguments-là. Le second demande des compétences que peu d'équipes internes ont déjà, et c'est là que les délais dérapent.

La question qui tranche : sur quoi le logiciel a-t-il le droit d'écrire ?

Un agent modifie l'état de vos systèmes : il crée un avoir, envoie un message au nom de l'entreprise, met à jour une fiche client, déclenche un virement. Ce périmètre d'écriture, à lui seul, fixe l'étendue des dégâts possibles. Un chatbot de support client, lui, lit et répond, et c'est toute la différence de nature entre les deux.

Cette permission fixe le périmètre des dégâts possibles. Une erreur de chatbot produit une mauvaise réponse, visible tout de suite, rattrapable par la personne qui reprend la main. Une erreur d'agent en écriture produit des actions réelles, en série, souvent la nuit ou le week-end quand personne ne regarde. Le nombre d'incidents cesse alors de dépendre de la qualité du modèle et se met à dépendre de la surface d'écriture qu'on lui a ouverte.

Scénario illustratif, du type qu'on rencontre en cadrage. Un agent de relance d'impayés travaille en lecture sur l'outil de facturation et en écriture sur la messagerie. Le jour où un import laisse le champ « date d'échéance » vide sur trente factures, l'agent considère ces factures comme échues et relance des clients qui ont déjà payé. Le correctif ne se trouve pas dans le prompt. Il se trouve dans la validation des données en entrée, dans un plafond d'actions par exécution, et dans un journal qui permet de dire le lendemain qui a reçu quoi.

La question à poser à tout fournisseur qui vend un agent tient en une phrase : quelles ressources le système peut-il modifier, et que se passe-t-il exactement quand il se trompe ? Une réponse floue sur ce point vaut disqualification, quelle que soit la qualité de la démonstration.

Comment un agent enchaîne ses actions

Le modèle reçoit un objectif et la liste des outils disponibles, choisit un outil et ses arguments, le système exécute réellement l'appel, le résultat revient dans le contexte, et le modèle décide de l'étape suivante à partir de ce qu'il vient de lire. Cette boucle est toute la mécanique d'un agent. Elle tourne jusqu'à ce que l'objectif soit atteint, qu'un plafond d'itérations soit franchi ou qu'une erreur remonte.

Les outils sont le vrai sujet technique d'un projet d'agent. Ce sont des API, maison ou tierces, décrites dans un format que le modèle sait interpréter. Le protocole MCP, que ses auteurs présentent comme « un standard ouvert pour connecter les applications d'IA à des systèmes externes », a normalisé cette description, ce qui évite de recâbler chaque intégration à la main. Plus la description d'un outil est précise sur ce qu'il fait, ce qu'il attend et ce qu'il renvoie en cas d'erreur, moins le modèle tâtonne, et moins la facture grimpe.

La mémoire arrive juste derrière, et c'est la fonctionnalité la plus demandée en réunion de cadrage alors qu'elle est presque toujours la moins spécifiée. Le contexte d'une session disparaît à la fin de l'exécution. Une mémoire persistante, elle, conserve l'historique des échanges d'un utilisateur d'une fois sur l'autre. La note publiée le 20 juillet 2026 par la CNIL et le Conseil de l'IA et du Numérique pointe précisément « la conservation de l'historique des interactions avec l'utilisateur et le recours à des mémoires persistantes », qui augmentent le volume de données conservées et nourrissent des profils hyperpersonnalisés. Trois réponses écrites avant d'activer la fonctionnalité évitent les ennuis : quelles données y entrent, combien de temps elles y restent, qui peut les lire.

Le coût d'un agent se compte en tours, pas en requêtes

Un agent consomme un appel de modèle par tour, et chaque tour renvoie en entrée tout l'historique de l'exécution en cours : la facture grandit donc plus vite que le nombre d'étapes, puisque chaque tour transporte tout ce qui le précède. Un chatbot, à côté, consomme un seul appel par question posée. C'est ce qui rend les ordres de grandeur si différents d'un projet à l'autre.

Un ordre de grandeur, calculé sur les tarifs publics de l'API OpenAI consultés le 4 août 2026. Le modèle gpt-5.6-sol y est facturé 5 $ le million de tokens en entrée et 30 $ le million en sortie. Un agent qui enchaîne 12 tours en rechargeant 20 000 tokens de contexte à chaque tour envoie 240 000 tokens d'entrée, soit 1,20 $ par exécution avant même de compter la sortie. À 300 exécutions par jour, l'addition atteint 360 $ par jour, environ 10 800 $ par mois.

Le même agent branché sur gpt-5.6-luna, facturé 0,20 $ en entrée et 1,20 $ en sortie, tombe à 0,048 $ par exécution. Le rapport est de 25 entre les deux configurations, pour un comportement souvent identique sur les étapes simples. Le budget d'un déploiement se joue là, dans le nombre de tours et le choix du modèle par étape, plutôt que dans la négociation d'une licence.

Trois leviers fonctionnent en pratique. Plafonner le nombre d'itérations, ce qui borne le pire cas au lieu de le découvrir sur la facture. Réduire la liste d'outils exposés, parce que chaque outil supplémentaire ajoute des tours d'exploration. Router les étapes triviales vers un petit modèle en gardant le gros pour la décision finale. Notre article sur la maîtrise des coûts d'un LLM détaille l'instrumentation qui permet de suivre tout ça au quotidien.

Quand l'autonomie paie, et quand un workflow suffit

L'autonomie se justifie quand le chemin dépend du contenu traité. Un lot de contrats fournisseurs où chaque document a sa propre structure oblige à décider, pièce par pièce, où chercher la clause de résiliation, et c'est le terrain naturel d'un agent d'analyse documentaire. Elle se justifie aussi pour les tâches d'investigation, celles où il faut croiser plusieurs sources sans savoir à l'avance laquelle répondra, et pour les travaux dont l'échec se voit immédiatement et se corrige sans conséquence durable.

Trois situations appellent au contraire un enchaînement figé. Un processus stable, connu et répété à l'identique se pose comme un enchaînement figé dans n8n et coûte le prix d'un appel de modèle, pas de douze. Une décision encadrée par la réglementation, dans le crédit, la santé ou les ressources humaines, demande une traçabilité que l'autonomie complique sans rien apporter. Toute action irréversible sans validation humaine, un paiement, une suppression, un envoi en masse, mérite un point d'arrêt explicite.

Les chiffres de l'INSEE donnent la mesure de l'écart entre le discours ambiant et le parc réellement installé. En 2025, 18 % des entreprises françaises de 10 salariés ou plus déclarent utiliser au moins une technologie d'IA, huit points de plus qu'en 2024, avec un écart marqué selon la taille : 15 % chez les entreprises de 10 à 49 salariés, 58 % au-delà de 250 salariés. Parmi les utilisatrices, l'analyse de texte arrive en tête avec 56 %, devant les outils de génération de texte ou de parole à 43 %. Le gros du parc fait donc du traitement de texte assisté, très loin de l'autonomie décisionnelle vendue dans les démonstrations.

Ce que le droit impose déjà aux agents

Une entreprise qui déploie un agent aujourd'hui doit déjà tracer ses actions, identifier les responsabilités le long de la chaîne et encadrer la circulation des données personnelles, parce que le règlement européen sur l'IA est applicable depuis le 2 août 2026. Entré en vigueur le 1er août 2024, il s'applique par paliers. Les interdictions et les obligations de littératie s'appliquent depuis le 2 février 2025, celles qui portent sur les modèles à usage général depuis le 2 août 2025, et les règles sur les systèmes à haut risque dans certains domaines entreront en application le 2 décembre 2027. Le cadre est donc déjà en vigueur, personne n'anticipe une échéance lointaine.

La note de la CNIL citée plus haut ajoute trois points qui touchent directement l'architecture technique. La circulation de données personnelles entre les multiples services connectés à l'agent. La difficulté d'« identification des responsabilités de chacune des parties », quand la chaîne compte un fournisseur de modèle, un éditeur d'outil et un intégrateur. L'extension des « risques liés à la cybersécurité » qui vient de cette même chaîne.

Traduit en exigences de projet, cela donne un journal d'actions non négociable : qui a déclenché l'exécution, quelles données ont été lues, quelle action a été écrite, avec quel identifiant technique. C'est le premier livrable qu'on met en place, avant même que l'agent obtienne le moindre droit d'écriture. Notre article sur la gouvernance de l'IA face au RGPD et à l'AI Act déroule le reste des obligations applicables.

Par où commencer sans finir dans les 40 % de projets annulés

On commence en lecture seule sur un périmètre restreint, l'agent propose et un humain valide, avant d'ouvrir le moindre droit d'écriture. Cette prudence n'est pas de la frilosité : Gartner prévoit que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, dans un communiqué publié le 25 juin 2025 qui cite l'escalade des coûts, une valeur métier mal établie et des contrôles de risque insuffisants. Les trois causes se traitent au cadrage, avant la première ligne de code.

La méthode qu'on applique sur les projets clients tient en quatre temps.

• Écrire le processus à la main, étape par étape, comme si une personne en formation devait l'exécuter. Si l'ensemble tient sur un organigramme, c'est un workflow, et le sujet est réglé.
• Compter les chemins réellement empruntés sur cinquante cas passés. Deux ou trois chemins distincts ne justifient pas de payer de l'autonomie.
• Démarrer en lecture seule, l'agent propose et un humain valide. Cette phase donne le taux d'erreur réel, le seul chiffre qui permette de décider d'ouvrir l'écriture ou d'arrêter les frais.
• Ouvrir les droits d'écriture outil par outil, chacun avec son plafond et son journal, en commençant par l'action la moins coûteuse à réparer.

Comptez quelques semaines pour un premier périmètre utile, pas un trimestre. Quand un prestataire annonce six mois de développement avant la première mise en production, le périmètre est trop large et il faut le découper. La construction technique est détaillée dans notre guide pour créer un agent IA ; dès que le sujet touche à des systèmes métier existants, une agence spécialisée dans les agents IA fait surtout gagner sur le cadrage des permissions et sur l'instrumentation, les deux postes que les équipes internes sous-estiment le plus souvent.

Questions fréquentes sur les agents IA

Un agent IA et une automatisation n8n, est-ce la même chose ?

Non. Une automatisation exécute les étapes que vous avez dessinées, dans l'ordre où vous les avez dessinées, même quand un appel de modèle intervient au milieu du scénario. Un agent reçoit un objectif et choisit lui-même quels outils appeler, dans quel ordre, jusqu'à ce qu'il estime avoir fini. Les deux approches se combinent d'ailleurs très bien : un enchaînement figé qui appelle un agent sur la seule étape où le chemin reste ouvert donne souvent le meilleur rapport entre contrôle et souplesse.

Combien de temps faut-il pour mettre un premier agent en production ?

Quelques semaines pour un périmètre restreint, à condition que les données et les API existent déjà. Le développement de la boucle prend rarement plus de quelques jours. Ce qui prend du temps, c'est la phase en lecture seule qui mesure le taux d'erreur réel, la définition des droits d'écriture ressource par ressource, et la mise en place du journal d'actions. Un projet qui saute ces trois étapes finit par les payer plus tard.

Faut-il des développeurs, ou une plateforme suffit-elle ?

Une plateforme suffit pour un premier agent branché sur des outils standard, avec un périmètre en lecture et un humain qui valide chaque proposition. Dès qu'il faut écrire dans un système métier interne, gérer des droits différents selon l'utilisateur ou tracer chaque action pour un audit, du développement devient nécessaire. Le curseur se déplace avec le risque porté par l'action confiée, pas avec la complexité apparente de la tâche.

Un agent IA peut-il traiter des données personnelles de clients ?

Oui, sous les mêmes règles que n'importe quel traitement : base légale, minimisation, durée de conservation, information des personnes concernées. La difficulté propre aux agents vient de la mémoire persistante et du nombre de services traversés, ce qui rend la cartographie des flux plus longue à établir qu'avec un logiciel classique. La CNIL a publié le 20 juillet 2026 une note dédiée à l'IA agentique, à lire avant tout déploiement touchant des données clients.

Comment reconnaître un fournisseur qui vend un vrai agent ?

Demandez la liste des outils que le système peut appeler, la façon dont sa boucle s'arrête, et le nombre moyen de tours par exécution mesuré sur un cas réel. Un produit réellement agentique répond à ces trois questions avec des chiffres. Un workflow habillé en agent répond par des fonctionnalités et des cas d'usage. La question du droit d'écriture, posée ressource par ressource, achève de trancher.