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

#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 à une étape fixe d'un script. La question qui tranche : qui décide de l'étape suivante ? Si c'est un programme écrit d'avance, avec un enchaînement figé d'appels, ce n'est pas un agent, même si un modèle de langage intervient quelque part dans la chaîne.

#Chatbot, workflow, agent : les différences

Cette distinction est celle que pose Anthropic dans son guide de conception : « les workflows sont des systèmes où les LLM et les outils sont orchestrés via des chemins de code prédéfinis », tandis que « les agents sont des systèmes où les LLM dirigent dynamiquement leur propre processus et l'usage des outils, gardant le contrôle sur la façon d'accomplir les tâches ». Le conseil qui en découle vaut pour tout le monde : trouver la solution la plus simple possible, et n'augmenter la complexité que lorsque c'est nécessaire. Un workflow bien conçu bat un agent sur la plupart des besoins d'entreprise, parce qu'il est prévisible et peu coûteux.

• « Building effective agents », le guide de conception d'Anthropic

#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 et finit par saturer sur une tâche longue. À long terme, des fichiers de notes, un résumé compressé des étapes passées ou une base que l'agent relit d'une session à l'autre, pour ne pas repartir de zéro à chaque nouvelle conversation.

• MCP : le protocole qui branche les outils sur les modèles

#Le mécanisme derrière la boucle : ReAct

La plupart des agents de production suivent, sans le nommer, le schéma décrit en 2022 par des chercheurs de Google et Princeton sous le nom de ReAct (« Reasoning and Acting »). Le modèle produit à chaque tour un raisonnement explicite (Thought), choisit une action, en général un appel d'outil (Action), puis reçoit le résultat (Observation) avant de recommencer. Faire verbaliser le raisonnement avant l'action rend l'agent plus facile à déboguer : on voit pourquoi il a choisi tel outil, pas seulement ce qu'il a fait.

• Source : l'article de recherche « ReAct: Synergizing Reasoning and Acting in Language Models »

#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.

Le point commun entre ces cas qui fonctionnent : un critère de réussite objectif et rapide à vérifier. Un test qui passe ou échoue, un fichier bien formé, un incident résolu ou non. Là où le succès dépend d'un jugement humain flou, par exemple « rédige une stratégie marketing convaincante », la boucle agentique apporte peu par rapport à un simple aller-retour avec le modèle, parce qu'il n'y a rien d'objectif à observer entre deux étapes pour orienter la suivante.

#Pourquoi les agents échouent

La première raison est arithmétique. Dans une boucle, les erreurs se multiplient au lieu de s'annuler. Un modèle fiable à 95 % sur chaque étape isolée termine correctement une tâche de dix étapes dans 60 % des cas seulement, et une tâche de vingt étapes dans 36 % des cas à peine, sans qu'aucune étape prise seule ne soit franchement mauvaise.

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.

Le laboratoire d'évaluation METR mesure cette progression avec une métrique appelée le « time horizon » : la durée d'une tâche humaine que le meilleur modèle du moment sait mener à bien avec 50 % de réussite. Selon METR, cette durée suit une tendance exponentielle avec un temps de doublement d'environ sept mois depuis 2019, et METR a mesuré une accélération à un peu plus de quatre mois depuis 2023. Concrètement, un agent qui échouait il y a un an sur une tâche d'une heure a de bonnes chances de la réussir aujourd'hui ; la limite se déplace, elle ne disparaît pas.

• Source : METR, « Measuring AI Ability to Complete Long Tasks »

#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 qui les pilote. Trois exigences sont plus strictes que pour un simple chat, où l'on peut se contenter d'un modèle plus petit et plus lent.

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.

Un point souvent négligé : le coût d'un agent local ne se limite pas à la VRAM des poids du modèle. Chaque outil connecté ajoute sa description au prompt à chaque tour, et cette description consomme elle aussi du cache KV, donc de la VRAM, sur toute la durée de la boucle. Avec un modèle de 14 milliards de paramètres et une demi-douzaine d'outils bien décrits, comptez quelques centaines de mégaoctets de cache KV rien que pour les définitions d'outils, avant même le contexte de la conversation.

• Classement : les meilleurs LLM locaux pour les agents
• Créer un agent IA local : architecture et outils recommandés
• Tutoriel : un agent local en Python avec LangChain et Ollama

#Par où commencer

1. 01
   Utilisez un agent existant avant d'en construire un

   Un agent de code dans votre éditeur ou votre terminal vous apprendra en une semaine ce que ces systèmes savent faire et où ils trébuchent.
2. 02
   Choisissez une tâche vérifiable

   Une tâche dont le succès se mesure sans vous : un test qui passe, un fichier produit au bon format, un total qui tombe juste.
3. 03
   Limitez les outils

   Trois outils bien décrits valent mieux que trente. Chaque outil ajouté augmente le risque de mauvais choix et alourdit le contexte.
4. 04
   Gardez la main sur ce qui est irréversible

   Lecture libre, écriture confirmée. Envoi d'e-mail, suppression de fichier, paiement, publication : toujours avec validation humaine explicite avant l'exécution, quelle que soit la confiance affichée par l'agent.

• OpenCode + Ollama : un agent de code dans le terminal
• Cline + Ollama : un agent de code dans VS Code
• Le kit Agents locaux

#FAQ