En clair
Demandez à un assistant classique « quel est le meilleur vol pour Lisbonne ? » : il répond avec ce qu’il sait. Confiez la même demande à un agent : il consulte les horaires, compare les prix, vérifie votre agenda, puis vous propose une réservation. La différence ne tient pas à l’intelligence du modèle. Elle tient au droit d’agir et à la capacité d’enchaîner les étapes.
Une image utile : l’assistant est un expert au téléphone, l’agent est un stagiaire très rapide à qui l’on a donné un ordinateur, des accès et une mission. Il avance seul, mais il faut cadrer ce qu’il a le droit de faire et relire ce qu’il produit.
Un exemple
Un agent de support reçoit un e-mail de réclamation. Il retrouve la commande dans l’outil de gestion, lit les conditions de remboursement, constate que le délai est respecté, prépare le remboursement et rédige la réponse.
Selon les règles qu’on lui a fixées, il l’envoie lui-même ou la soumet d’abord à un humain.
Comment ça marche
Sous le capot, un agent est un modèle de langage placé dans une boucle. À chaque tour, le modèle reçoit l’objectif, l’historique et la liste des outils disponibles ; il choisit soit d’appeler un outil, soit de conclure. L’application exécute l’appel, renvoie le résultat, et le tour suivant commence. Ce schéma « raisonner, agir, observer » a été formalisé en 2022 sous le nom de ReAct 1.
- RaisonnerLe modèle lit l’objectif et ce qu’il sait déjà.
- AgirIl demande l’exécution d’un outil, avec ses arguments.
- ObserverLe résultat de l’outil rejoint son contexte.
- ConclureObjectif atteint, ou limite atteinte : il rend la main.
Les étapes 1 à 3 se répètent autant de fois que nécessaire.
Trois éléments font la qualité d’un agent : les outils qu’on lui donne et la façon dont ils sont décrits, le contexte qu’on lui fournit (consignes, mémoire, documents), et les garde-fous (permissions, plafonds de dépense, validation humaine). Un standard comme MCP 3 sert à brancher ces outils de façon uniforme.
Tout système dit « agentique » n’est pas un agent. Anthropic distingue les workflows, où les étapes sont fixées à l’avance par le code, des agents, où c’est le modèle qui décide de la suite 2. Les premiers sont plus prévisibles, les seconds plus souples.
Ce que ça change pour une entreprise
Les agents sont utiles là où une tâche demande plusieurs étapes, des outils et du jugement : traiter un dossier, enquêter sur un incident, écrire et tester du code, préparer une synthèse à partir de plusieurs sources.
Ils coûtent plus cher et sont plus lents qu’un simple appel à un modèle, et leurs erreurs se cumulent d’une étape à l’autre. La bonne question n’est pas « peut-on mettre un agent ? » mais « cette tâche a-t-elle besoin d’autonomie ? ». Souvent, un enchaînement fixe suffit.
Idées reçues
- « Un agent, c’est un chatbot amélioré. »
Un chatbot répond, un agent agit sur des systèmes réels. Les risques ne sont pas les mêmes.
- « Plus il est autonome, mieux c’est. »
L’autonomie se règle : lecture seule, action soumise à validation, ou action libre dans un périmètre défini.
- « Un agent apprend de ses erreurs. »
Pas tout seul : le modèle ne se modifie pas en travaillant. Il ne retient que ce qu’on lui redonne, sous forme de notes, de mémoire ou d’historique.