Le terme agent IA est partout. Les éditeurs de logiciels en mettent dans leurs plaquettes, les consultants en font leur mot-clé, et les réseaux sociaux regorgent de démonstrations impressionnantes. Mais derrière l’effet de mode, que recouvre vraiment ce terme — et surtout, qu’est-ce que ça change concrètement pour une petite structure ?

Trois mots qui font la différence

Un agent IA est un programme qui poursuit un objectif en décidant lui-même de la suite d’actions à effectuer, en observant le résultat de chaque action, et en s’arrêtant quand il estime l’objectif atteint.

Trois mots comptent dans cette définition :

Décide. Ce n’est pas un humain qui écrit la séquence d’étapes à l’avance. L’agent choisit à chaque tour quelle action effectuer, et ce choix dépend de ce qu’il vient d’observer.
Agit. Un modèle qui ne fait que produire du texte n’est pas un agent. Il devient un agent quand ses sorties déclenchent des effets dans le monde réel : lire un fichier, appeler une API, envoyer un message, créer un ticket.
Observe. L’agent reçoit le résultat de son action et l’intègre à son raisonnement avant de décider de la suite. C’est la boucle de rétroaction qui distingue un agent d’un simple générateur de texte.

Les cinq niveaux d’autonomie

Plutôt que de raisonner en catégories étanches, il est plus utile de penser en degrés d’autonomie.

Niveau 0 — Le prompt simple

Une requête, une réponse. Pas d’outil, pas de mémoire, pas de boucle. C’est ChatGPT ou Claude en mode conversation. Utile, mais tout le travail d’orchestration reste humain.

Niveau 1 — Le prompt augmenté (RAG)

On enrichit le prompt avec des documents récupérés automatiquement. Le modèle ne décide pas d’aller chercher l’information : la récupération est câblée en amont. C’est encore un pipeline, pas un agent.

Niveau 2 — Le workflow

Plusieurs appels au modèle enchaînés selon un schéma que l’on a écrit à l’avance : extraire, classer, résumer, rédiger. Les branchements sont conditionnels mais déterministes.

La grande majorité des “agents IA” vendus sur le marché sont en réalité des workflows de ce niveau. Ce n’est pas péjoratif : pour un besoin bien cadré, un workflow est plus fiable, moins cher et plus facile à auditer qu’un véritable agent.

Niveau 3 — L’agent outillé

Le modèle dispose d’un catalogue d’outils et boucle librement : choisir un outil, l’appeler, lire le résultat, recommencer, jusqu’à décider qu’il a fini. C’est le cœur du sujet. La plupart des agents en production sérieuse aujourd’hui sont de ce niveau.

Niveau 4 — L’agent orchestrateur (multi-agent)

Un agent principal décompose la tâche et délègue à des sous-agents spécialisés, chacun avec son propre contexte et ses propres outils. Il agrège ensuite les résultats. Gains réels sur les tâches larges et parallélisables — mais coût et complexité nettement supérieurs.

Niveau 5 — L’agent persistant

L’agent tourne en continu, possède une mémoire à long terme, se déclenche sur événements ou sur horaire, et peut initier des actions sans sollicitation humaine. C’est le territoire des assistants personnels et des agents de surveillance.

Trois idées fausses à abandonner

“Un agent, c’est un modèle plus intelligent.” Non. Un agent, c’est un modèle plus des outils, plus une boucle de contrôle, plus des garde-fous. Le modèle est un composant parmi d’autres. Un excellent modèle dans un mauvais harnais donne un agent médiocre.

“Multi-agent, c’est toujours mieux.” Non. Chaque sous-agent ajoute une frontière de contexte, donc une perte d’information, donc un point de défaillance. Le multi-agent gagne quand les sous-tâches sont vraiment indépendantes. Il perd quand le coût de transmission de contexte dépasse le gain de spécialisation.

“L’agent va s’améliorer tout seul.” Non, pas sans boucle d’évaluation. Un agent est un système logiciel : il dérive, ses dépendances changent, les modèles sont mis à jour. Sans tests et sans monitoring, la qualité baisse silencieusement.

Ce que ça change concrètement

Trois choses, pour une structure qui n’a pas de DSI :

Le branchement est plus simple. Avec des protocoles comme MCP, connecter un outil métier à un agent prend des heures au lieu de semaines de développement sur mesure. Le goulot d’étranglement se déplace de l’intégration technique vers la gouvernance.
La tolérance à l’ambiguïté. Un workflow classique casse dès que l’entrée sort du format prévu. Un agent dégrade progressivement : il essaie autrement, demande une clarification, ou échoue en expliquant pourquoi.
Le rayon d’impact augmente. Un chatbot qui répond mal fait perdre du temps. Un agent qui décide mal peut supprimer des données, envoyer un mauvais e-mail ou accorder un accès non prévu. Le rayon d’impact d’un agent compromis est l’union de toutes les permissions qu’il détient — c’est le sujet le plus négligé du domaine.

La règle d’or : agent ou workflow ?

Si l’organigramme des étapes peut être dessiné à l’avance, ce n’est pas un agent qu’il faut construire, c’est un workflow. Un agent se justifie quand le nombre d’étapes n’est pas connu à l’avance, quand l’espace des chemins possibles est trop large pour être énuméré, ou quand la tâche demande de réagir à des échecs et de réessayer différemment.

Le piège classique : choisir un agent parce que c’est le mot à la mode, puis passer des mois à contraindre son comportement jusqu’à ce qu’il redevienne un workflow — mais avec dix fois plus de consommation et une observabilité bien pire.

L’IA agentique est un levier réel, mais ce n’est pas une baguette magique. Avant de se lancer, il vaut mieux comprendre ce qu’on construit — et ce dont on a réellement besoin.

Pour évaluer concrètement ce que l’IA et l’automatisation pourraient apporter à votre structure, demandez un diagnostic.