Débutant 10 minAgents

Agent IA : c'est quoi ? Définition, exemples, limites

Un agent IA est un programme dans lequel un modèle de langage décide lui-même des actions à mener pour atteindre un objectif : il choisit un outil, observe le résultat, et recommence jusqu'à avoir terminé. C'est ce qui le distingue d'un chatbot, qui répond puis s'arrête. Le terme « IA agentique » désigne cette façon de construire des systèmes. Au 20 septembre 2026, les agents les plus utiles sont ceux qui écrivent du code et ceux qui mènent des recherches. Cette page donne une définition claire, des exemples réels, les limites, et ce qu'il faut pour en faire tourner un sur votre propre machine.

Par Mohamed Meguedmi·Màj 2026-09-20·Testé sur Windows, macOS, Linux

#Un agent IA, c'est quoi ?

La définition la plus utile tient en une phrase : un agent est un modèle de langage qui utilise des outils dans une boucle. Vous lui donnez un but, par exemple « trouve pourquoi ce test échoue et corrige-le ». Il lit le code, lance le test, lit l'erreur, modifie un fichier, relance le test, et continue jusqu'à ce que le test passe ou qu'il renonce. Personne n'a écrit cette séquence à l'avance : le modèle la décide étape par étape, en fonction de ce qu'il observe.

Le mot est victime de son succès. Beaucoup de produits vendus comme des « agents » sont de simples chatbots avec un nom, ou des automatisations classiques dans lesquelles un modèle rédige un texte. La question qui tranche : qui décide de l'étape suivante ? Si c'est un programme écrit d'avance, ce n'est pas un agent.

#Chatbot, workflow, agent : les différences

Le kit Copilote Local

Ce guide t'amène au modèle. Le kit t'amène au copilote qui code dans ton éditeur.

  • Espace en ligne à vie
  • PDF + fichiers
  • Remboursé 30 j
Le kit Copilote Local →ou tous les kits à vie — 49 € →
ChatbotWorkflow avec IAAgent
Qui décide des étapesPersonne : une question, une réponseLe développeur, à l'avanceLe modèle, en cours de route
OutilsAucun, ou une recherche webOui, dans un ordre fixeOui, choisis librement
PrévisibilitéÉlevéeÉlevéePlus faible
Coût par tâcheUn appel au modèleQuelques appelsDes dizaines d'appels, parfois plus
Bon usageQuestions, rédactionTâches répétitives bien définiesTâches ouvertes dont on ne connaît pas le chemin

Cette distinction entre workflows et agents est celle que propose Anthropic dans son guide de conception, avec un conseil qui vaut pour tout le monde : commencer par la solution la plus simple, et ne passer à l'agent que lorsque la tâche l'exige vraiment. Un workflow bien conçu bat un agent sur la plupart des besoins d'entreprise, parce qu'il est prévisible et peu coûteux.

#Les quatre pièces d'un agent

Un modèle
Le cerveau. Il doit savoir raisonner sur plusieurs étapes et produire des appels d'outils bien formés. C'est la pièce qui limite tout le reste.
Des outils
Des fonctions que le modèle peut appeler : lire et écrire des fichiers, exécuter une commande, chercher sur le web, interroger une base. Le protocole MCP est devenu la façon standard de les brancher.
Une boucle
Le programme qui enchaîne : envoyer le contexte au modèle, exécuter l'outil demandé, ajouter le résultat au contexte, recommencer. Elle fixe aussi les garde-fous : nombre maximal d'étapes, confirmations, budget.
Une mémoire
À court terme, la fenêtre de contexte, qui se remplit à chaque étape. À long terme, des fichiers de notes ou une base que l'agent relit d'une session à l'autre.

#Des exemples qui fonctionnent vraiment

Agents de code
Le cas le plus abouti. Claude Code, Cline, OpenCode ou Aider lisent un dépôt, modifient plusieurs fichiers, lancent les tests et corrigent leurs erreurs. Le domaine s'y prête : le résultat se vérifie automatiquement, par un test qui passe ou non.
Agents de recherche
Ils lancent des dizaines de recherches, lisent les pages, recoupent les sources et rédigent une synthèse. Utile pour une veille ou un état de l'art, à condition de vérifier les citations.
Agents d'exploitation
Ils surveillent des journaux, diagnostiquent un incident, proposent ou appliquent un correctif. En production, presque toujours avec validation humaine avant toute action.
Agents de bureau
Ils pilotent un navigateur ou un ordinateur à la souris et au clavier. Démonstrations impressionnantes, fiabilité encore insuffisante pour un usage sans surveillance.

#Pourquoi les agents échouent

La première raison est arithmétique. Dans une boucle, les erreurs se multiplient. Un modèle fiable à 95 % sur chaque étape termine correctement une tâche de dix étapes dans 60 % des cas seulement, et une tâche de vingt étapes dans 36 % des cas.

Probabilité de réussir toutes les étapes = fiabilité par étape élevée à la puissance du nombre d'étapes
Fiabilité par étape5 étapes10 étapes20 étapes
90 %59 %35 %12 %
95 %77 %60 %36 %
99 %95 %90 %82 %

C'est pourquoi les agents réussissent là où ils peuvent se vérifier eux-mêmes, en relançant un test par exemple, et déçoivent ailleurs. Les autres limites en découlent : le coût, puisqu'une tâche consomme des dizaines d'appels et un contexte qui grossit ; la sécurité, puisqu'un agent qui lit du contenu extérieur peut être manipulé par ce contenu ; et la dérive, quand l'agent poursuit avec application un objectif mal compris.

#Un agent IA en local : ce qu'il faut

Rien n'oblige un agent à passer par le cloud. La boucle et les outils tournent déjà sur votre machine ; il reste à y faire tourner le modèle. Trois exigences sont plus strictes que pour un simple chat.

Tailles issues du catalogue QuelLLM · poids en Q4_K_M · 20/09/2026
ExigencePourquoiRepère pratique
Un modèle entraîné à l'appel d'outilsSans cela, les appels sont mal formés et la boucle casseVisez 14 milliards de paramètres et plus : Qwen 3 14B (9 Go), gpt-oss 20B (13 Go), Qwen3-Coder 30B-A3B (19 Go)
Beaucoup de contexteChaque étape ajoute le résultat de l'outil à la conversation32 000 tokens au minimum, soit 4 à 8 Go de cache KV en plus des poids
De la vitesseUne tâche, c'est des dizaines d'allers-retours30 tokens par seconde et plus ; les modèles MoE sont avantagés

En pratique, une carte de 16 Go permet un agent utile sur des tâches courtes, et 24 Go donnent de l'aisance. En dessous, l'agent fonctionne en démonstration et déçoit au quotidien.

#Par où commencer

  1. 01
    Utilisez un agent existant avant d'en construire un
  2. 02
    Choisissez une tâche vérifiable
  3. 03
    Limitez les outils
  4. 04
    Gardez la main sur ce qui est irréversible

#FAQ

Quelle est la différence entre un agent IA et ChatGPT ?+
Un chatbot répond à un message puis attend le suivant. Un agent reçoit un objectif et enchaîne seul les actions pour l'atteindre : il appelle des outils, lit les résultats et décide de la suite. Les assistants grand public intègrent désormais des modes agentiques, mais la conversation simple reste un échange question-réponse.
C'est quoi l'IA agentique ?+
C'est l'approche qui consiste à construire des systèmes où le modèle de langage pilote lui-même une suite d'actions, plutôt que de se limiter à produire du texte. Le terme couvre les agents autonomes comme les systèmes où plusieurs agents se répartissent le travail.
Un agent IA peut-il fonctionner sans Internet ?+
Oui, si le modèle tourne en local et que ses outils n'ont pas besoin du réseau : lecture de fichiers, exécution de code, base de données interne. C'est la configuration retenue pour les données confidentielles.
Les agents IA vont-ils remplacer des emplois ?+
Ils automatisent aujourd'hui des tâches, rarement des postes entiers. Ils sont efficaces sur le travail vérifiable et répétitif, comme une partie du développement logiciel, et peu fiables sur les tâches longues sans critère de réussite clair. Le besoin de supervision humaine reste élevé.
Faut-il savoir programmer pour créer un agent ?+
Pas nécessairement. Des outils visuels permettent d'assembler un agent sans code. Savoir programmer aide en revanche à le rendre fiable : la plupart des problèmes viennent des outils et des garde-fous, pas du modèle.
Ce guide vous a aidé ?

Un retour, une erreur, une précision ? Faites-nous signe, ça améliore le guide pour tout le monde.