Qu’est-ce qu’un agent IA ? Fonctionnement et limites

Que sont les agents d’IA ?

Un agent d’IA est un système qui utilise un modèle d’IA pour atteindre un objectif, en décidant des étapes à suivre et en les exécutant à l’aide d’outils, au lieu de se contenter de répondre à une question isolée. Le guide d’OpenAI destiné aux développeurs le résume simplement : les agents sont des « systèmes qui accomplissent des tâches de manière autonome en votre nom » ^[2]. Il ajoute que les applications qui utilisent un grand modèle de langage (LLM) sans le laisser contrôler le flux de travail, comme les chatbots simples, les modèles à tour unique ou les classificateurs de sentiment, ne sont pas des agents ^[2].

Le National Cyber Security Centre (NCSC) du Royaume-Uni décrit les systèmes agentiques comme capables d’accéder à des sources de données, de mémoriser le contexte, de prendre des décisions, d’utiliser des outils et d’agir pour atteindre un objectif, parfois sans intervention humaine continue, voire en créant des sous-agents ^[3]. Il souligne que c’est précisément ce qui les rend utiles, mais aussi plus dangereux que les outils d’IA non agentiques ^[3].

Agents et workflows, est-ce la même chose ?

Pas tout à fait. Anthropic, l’entreprise qui développe Claude, les qualifie tous deux de « systèmes agentiques », mais les distingue. Les workflows sont des systèmes dans lesquels les LLM et les outils suivent des chemins de code prédéfinis. Les agents sont des systèmes dans lesquels le LLM dirige dynamiquement son propre processus et son usage des outils, en gardant la maîtrise de la manière dont il accomplit la tâche ^[1]. Un bot de service client qui suit toujours les trois mêmes étapes est un workflow ; un système qui décide lui-même quelles pages lire, quels fichiers modifier et à quel moment il a terminé est un agent.

Comment fonctionnent les agents d’IA ?

OpenAI décrit trois composants essentiels ^[2] :

• Le modèle : le LLM qui raisonne et prend les décisions.
• Les outils : des fonctions ou des API externes, comme un moteur de recherche, un environnement d’exécution de code ou un système de réservation, que l’agent peut utiliser pour recueillir des informations ou agir.
• Les instructions : des consignes explicites et des garde-fous qui définissent la manière dont l’agent doit se comporter.

Anthropic appelle la brique de base un « LLM augmenté » : un modèle enrichi de capacités de recherche documentaire, d’outils et de mémoire, capable de formuler ses propres requêtes de recherche, de choisir ses outils et de décider quelles informations conserver ^[1].

À quoi ressemble la boucle d’un agent ?

Selon Anthropic, un agent part d’une commande ou d’un échange avec une personne. Une fois la tâche clarifiée, il planifie et travaille de manière autonome, en vérifiant à chaque étape la « réalité du terrain » fournie par son environnement, par exemple le résultat d’un appel d’outil ou de l’exécution d’un code ^[1]. Il peut s’interrompre pour obtenir un retour humain à des points de contrôle ou lorsqu’il est bloqué, et les développeurs ajoutent souvent des conditions d’arrêt, comme un nombre maximal d’étapes ^[1]. Pour reprendre les termes d’Anthropic, les agents ne sont « généralement que des LLM qui utilisent des outils en boucle en fonction des retours de leur environnement » ^[1].

OpenAI ajoute qu’un agent doit savoir reconnaître la fin d’un flux de travail, corriger ses propres actions si nécessaire et, en cas d’échec, s’arrêter et rendre la main à l’utilisateur ^[2].

Comment les agents se connectent-ils à d’autres applications ?

De nombreux agents utilisent le Model Context Protocol (MCP), une norme ouverte publiée par Anthropic en novembre 2024 pour relier les systèmes d’IA à des sources de données et à des outils ^[6]. En décembre 2025, Anthropic a cédé MCP à l’Agentic AI Foundation, un fonds dédié placé sous l’égide de la Linux Foundation et cofondé par Anthropic, Block et OpenAI ; l’entreprise indiquait alors que MCP comptait plus de 10000 serveurs publics actifs et avait été adopté par ChatGPT, Cursor, Gemini, Microsoft Copilot et Visual Studio Code ^[7].

Que peuvent faire les agents d’IA aujourd’hui ?

Au 3 novembre 2026, les principaux assistants d’IA intègrent des fonctions d’agent, dont la disponibilité dépend toutefois de l’offre et du pays. Quelques exemples :

• ChatGPT agent. Lancé en juillet 2025, il travaille sur son propre ordinateur virtuel doté d’un navigateur visuel, d’un navigateur textuel, d’un terminal et d’un accès aux API, et peut utiliser des connecteurs vers des applications comme Gmail et GitHub ^[4]. OpenAI affirme qu’il demande l’autorisation avant toute « action lourde de conséquences » et que l’utilisateur peut l’interrompre ou reprendre la main à tout moment ^[4]. OpenAI signale désormais cette annonce de lancement comme obsolète et renvoie vers des produits plus récents, Workspace agents et ChatGPT Work ^[4].
• Gemini Spark. Google l’a présenté le 19 mai 2026 comme un « agent d’IA personnel actif 24/7 », d’abord pour des testeurs de confiance, puis en bêta pour les abonnés Google AI Ultra âgés de 18 ans et plus aux États-Unis ^[5]. Le 13 octobre 2026, Google a intégré son agent de programmation Antigravity à l’application Gemini pour macOS ; l’agent écrit et teste du code en arrière-plan, puis prévient l’utilisateur pour qu’il vérifie le résultat ^[5].
• Agents de programmation. Ils modifient de nombreux fichiers d’une base de code à partir de la description d’une tâche ; parmi ses propres exemples, Anthropic cite un agent de programmation qui résout des tâches logicielles de SWE-bench et un agent de « computer use » (utilisation d’ordinateur) ^[1].

Les développeurs utilisent des agents, mais pas encore de manière générale. Dans l’enquête Stack Overflow Developer Survey 2025, parmi les 31877 répondants ayant répondu à la question, 14,1 % utilisaient des agents d’IA au travail chaque jour, 9 % chaque semaine et 7,8 % une fois par mois ou moins, tandis que 37,9 % déclaraient ne pas prévoir de les utiliser ^[12].

Une tentative de suivre l’évolution des capacités des agents dans le temps, menée par l’organisation de recherche METR, est présentée plus bas dans la section consacrée aux perspectives ^[8].

En quoi les agents d’IA diffèrent-ils des chatbots et de l’automatisation classique ?

Les différences se résument à deux questions : qui décide de l’étape suivante, et le système agit-il dans le monde réel ? Un chatbot répond ; un script d’automatisation suit des règles fixes ; un agent décide et agit.

OpenAI estime que les agents conviennent aux tâches pour lesquelles les approches fondées sur des règles montrent leurs limites, en prenant l’exemple de l’analyse de la fraude aux paiements : un moteur de règles fonctionne comme une liste de contrôle, alors qu’un agent fondé sur un LLM peut tenir compte du contexte et de signaux subtils ^[2]. Il précise aussi que si une tâche ne requiert pas clairement ces capacités, « une solution déterministe peut suffire » ^[2]. Anthropic tient un discours comparable : il faut commencer par la solution la plus simple et n’ajouter de la complexité qu’en cas de besoin, ce qui « peut signifier ne pas construire de systèmes agentiques du tout » ^[1]. Les systèmes agentiques sacrifient souvent la latence et le coût au profit de meilleures performances sur la tâche ^[1].

Quels sont les risques des agents d’IA ?

Selon le NCSC, les systèmes agentiques héritent des risques connus des LLM, comme la vulnérabilité au jailbreak et à l’injection de prompt, et y ajoutent de nouveaux risques parce qu’ils peuvent agir. Il en énumère quatre supplémentaires ^[3] :

• Des accès plus étendus à des systèmes, des données et des outils externes.
• Un comportement imprévisible, en particulier lorsqu’un objectif peut être interprété d’une manière à laquelle une personne ne s’attendrait pas.
• Des problèmes plus difficiles à repérer, car les actions peuvent s’enchaîner plus vite que les humains ne peuvent les vérifier.
• Des actions difficiles à expliquer, compte tenu de la diversité des comportements et des outils en jeu.

Qu’est-ce que l’injection de prompt ?

On parle d’injection de prompt lorsqu’une entrée modifie le comportement d’un modèle de façon non prévue ^[11]. Dans sa forme indirecte, les instructions malveillantes se trouvent dans un contenu externe que lit l’agent, comme un site web ou un fichier ^[11]. OpenAI donne l’exemple d’un prompt malveillant dissimulé dans une page web et qualifie l’injection de prompt de risque pour les systèmes agentiques en général ^[4]. L’OWASP Gen AI Security Project estime qu’on ne sait pas s’il existe des moyens infaillibles de l’empêcher ^[11].

Que se passe-t-il quand les agents se trompent ?

Anthropic souligne que l’autonomie entraîne des coûts plus élevés et un risque d’erreurs qui s’accumulent ^[1]. En juillet 2025, Fortune a rapporté que l’agent de programmation de Replit avait supprimé une base de données de production pendant un gel du code, alors que le fondateur de SaaStr, Jason Lemkin, le testait ; le directeur général de Replit, Amjad Masad, a qualifié cette suppression d’« inacceptable » ^[13]. Le risque économique est lui aussi bien réel : Gartner a prédit en juin 2025 que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027 en raison de coûts croissants, d’une valeur commerciale incertaine ou d’un contrôle des risques insuffisant ^[10]. Le cabinet a aussi mis en garde contre l’« agent washing », qui consiste à rebaptiser des produits existants, comme des assistants d’IA, des outils d’automatisation robotisée des processus et des chatbots, sans réelles capacités agentiques, et a estimé que seuls 130 environ des milliers de fournisseurs d’IA agentique sont authentiques ^[10].

Comment utiliser les agents d’IA en toute sécurité ?

Les étapes suivantes s’appuient sur les recommandations du NCSC, de l’OWASP et des concepteurs d’agents eux-mêmes. Elles valent pour les particuliers comme pour les organisations.

1. Demandez-vous si vous avez besoin d’un agent. Le NCSC suggère de vérifier si un processus pourrait être simplifié ou automatisé de façon moins risquée ^[3].
2. Commencez petit. Lancez d’abord des projets pilotes strictement encadrés, avec des tâches clairement définies et à faible risque, puis élargissez le périmètre à mesure que la confiance grandit ^[3].
3. Accordez le moins d’accès possible. N’attribuez que les autorisations minimales, pour la durée la plus courte, et utilisez des identifiants temporaires plutôt que permanents ^[3].
4. Gardez un humain dans la boucle pour les actions à haut risque, comme les paiements, les suppressions ou les messages envoyés en votre nom ^[11]. OpenAI considère l’intervention humaine comme une protection essentielle, surtout au début d’un déploiement ^[2].
5. Considérez les contenus externes comme non fiables. L’OWASP recommande de séparer et de signaler clairement les contenus non fiables, comme les pages web et les documents ^[11].
6. Testez d’abord dans un bac à sable. Anthropic recommande des tests approfondis dans des environnements isolés (sandbox), dotés de garde-fous adaptés ^[1].
7. Sachez qui est responsable. Le NCSC rappelle que les humains restent responsables du déploiement d’un agent, des accès qui lui ont été accordés et de leurs conséquences, et que quelqu’un doit pouvoir l’arrêter ^[3].

Le critère du NCSC est sans détour : si vous ne pouvez pas comprendre, surveiller ou contenir les actions d’un agent, celui-ci n’est pas prêt à être déployé ^[3].

Pour les lecteurs en Iran : au 3 novembre 2026, la liste des pays où ChatGPT est pris en charge ne comprend pas l’Iran, et OpenAI avertit qu’un accès depuis un pays non répertorié peut entraîner le blocage ou la suspension du compte ^[14].

À quelle vitesse les agents d’IA progressent-ils ?

Le groupe de recherche METR a proposé de mesurer les agents à la longueur des tâches qu’ils peuvent accomplir, chronométrée d’après le temps qu’il faut à des humains qualifiés pour les réaliser ^[8]. En mars 2025, il a indiqué que cet « horizon temporel » avait crû de façon exponentielle pendant six ans, doublant à peu près tous les sept mois ^[8]. À l’époque, les modèles réussissaient presque toujours les tâches demandant moins de 4 minutes à un humain, mais moins de 10 % du temps celles qui demandaient plus de 4 heures environ ^[8]. METR précise désormais que certains de ces chiffres initiaux, dont le temps de doublement, ont été remplacés par des estimations ultérieures ^[8].

Mesurer les systèmes les plus récents est devenu plus difficile. En mai 2026, METR a signalé que les mesures supérieures à 16 heures n’étaient pas fiables avec sa série de tâches actuelle, et le 8 septembre 2026, il a annoncé que sa page consacrée à l’horizon temporel n’était plus activement mise à jour ^[9]. METR souligne aussi que ses tâches relèvent principalement du logiciel, de l’apprentissage automatique et de la cybersécurité : un horizon temporel donné ne signifie donc pas qu’une IA peut mener à bien toute tâche intellectuelle de cette durée ^[9].

Les prévisions restent incertaines. Gartner a prédit qu’au moins 15 % des décisions de travail quotidiennes seront prises de manière autonome par l’IA agentique d’ici 2028, contre aucune en 2024, et que 33 % des applications logicielles d’entreprise intégreront de l’IA agentique d’ici 2028, contre moins de 1 % en 2024 ^[10]. Le NCSC s’attend à des bénéfices importants pour les tâches répétitives, bien comprises et à faible risque, et exhorte les organisations à anticiper les défaillances ^[3].