IA agentique : définition, fonctionnement et exemples

Définition détaillée

L'IA agentique (agentic AI en anglais) désigne les systèmes d'intelligence artificielle conçus pour atteindre un objectif en plusieurs étapes, avec une supervision humaine limitée. IBM la définit comme un système capable d'accomplir un objectif spécifique avec une supervision limitée, en évaluant plusieurs actions possibles et en choisissant la plus pertinente. Microsoft va dans le même sens et parle de systèmes IA qui ont de l'agentivité, c'est à dire la capacité de décider et d'agir de façon indépendante en poursuivant un but.

Ce n'est pas un produit, c'est une catégorie. On peut construire un chatbot qui n'a rien d'agentique, et on peut construire un agent qui l'est pleinement. Ce qui range un système du côté agentique, ce sont trois ingrédients réunis : un objectif donné plutôt qu'une seule question posée, une capacité à décomposer cet objectif en actions successives, et une exécution réelle de ces actions via des outils, pas seulement une réponse en texte.

La notion n'est pas née avec les LLM. Elle prolonge une idée plus ancienne de l'intelligence artificielle, celle de l'agent rationnel formalisée par Russell et Norvig : un agent perçoit son environnement par des capteurs et agit sur lui par des effecteurs, en cherchant le meilleur résultat possible compte tenu de ce qu'il sait. Ce qui change avec les modèles de langage récents, c'est que le "cerveau" de l'agent peut désormais raisonner en langage naturel, lire une documentation, et décider d'appeler un outil sans règle codée à l'avance pour chaque cas. Voir aussi la page IA générative vs IA agentique pour la comparaison complète des deux notions.

Comment ça marche

Les descriptions techniques convergent vers une boucle en quatre temps. Microsoft la résume ainsi : perception (ingestion de données et de signaux), raisonnement (construction d'un plan), action (exécution via des outils et API), puis réflexion (évaluation du résultat et ajustement). Google Cloud décrit une boucle proche, perception, décision, action, avec un retour qui reboucle sur la perception suivante.

Quatre briques rendent cette boucle possible :

• La planification : le système découpe un objectif flou en une suite d'étapes concrètes, et peut réviser ce plan si une étape échoue.
• L'usage d'outils : l'agent appelle des API, interroge des bases de données, envoie des messages, plutôt que de se contenter de décrire ce qu'il faudrait faire.
• La mémoire : court terme pour garder le fil d'une tâche en cours, long terme pour se souvenir du contexte d'un projet d'une session à l'autre.
• L'autonomie, qui n'est pas un tout ou rien : elle va du simple assistant qui propose une action à valider, jusqu'à l'agent qui exécute et ne remonte que les décisions vraiment critiques.

C'est là que se joue une vraie ligne de partage dans le marché actuel : d'un côté les agents autonomes asynchrones, qui reçoivent un objectif de fond, choisissent leur propre route pour l'atteindre, tournent en continu dans leur propre environnement d'exécution et ne sollicitent l'humain que pour une décision précise ; de l'autre les agents-workflows déclenchés, construits sur des outils comme Make, n8n, Zapier, Lindy, Copilot Studio ou Agentforce, où un déclencheur lance une séquence d'étapes largement prédéfinie. Les deux catégories sont légitimes et répondent à des besoins différents, ce n'est pas une question de meilleur ou moins bon outil, mais de quelle granularité d'autonomie vous cherchez.

Exemple concret avec Atako

Chez Atako, un agent créé par une entreprise tourne dans son propre environnement d'exécution isolé, pas dans un pool de workers partagé. Cette persistance change tout : la mémoire, les fichiers et les tâches planifiées de l'agent survivent à ses pauses et à ses redémarrages, exactement ce qu'on attend d'un système qui poursuit un objectif dans la durée plutôt que de répondre une fois puis d'oublier.

Concrètement, un même agent IA reçoit ses sollicitations par quatre canaux qui alimentent tous la même mémoire : chat, email, webhooks, et cron. Le canal cron illustre bien la logique agentique : la tâche planifiée n'est pas configurée dans un formulaire par un humain, elle est créée par l'agent lui-même quand il décide qu'une vérification régulière fait partie de son plan pour atteindre son objectif. Pour les sous-tâches complexes, l'agent peut aussi déléguer à un sous-agent éphémère, dont le travail apparaît comme des étapes dans sa propre timeline d'activité.

Cette autonomie reste cadrée. Chaque appel d'outil passe par un grant explicite (agent, connexion, action précise, portée en lecture ou lecture-écriture), refusé par défaut tant qu'il n'a pas été accordé. Un cas d'usage comme le tri CI et la gestion d'incidents montre ce fonctionnement en pratique : l'agent surveille un pipeline, corrèle l'échec avec les commits récents, notifie l'équipe et rédige un rapport, plusieurs étapes enchaînées vers un objectif, avec des points de passage humains gardés là où ça compte.

Erreurs fréquentes

La confusion la plus courante consiste à appeler "agentique" tout outil qui répond intelligemment à un prompt. Un bon chatbot qui résume un document n'est pas agentique s'il ne planifie rien et n'agit sur rien à l'extérieur de la conversation. À l'inverse, un enchaînement de règles fixes automatisé de bout en bout n'est pas non plus agentique au sens plein, même s'il tourne sans supervision : il manque la décision.

Deuxième erreur, croire que l'autonomie est un interrupteur unique, tout ou rien. En pratique c'est un curseur : un système peut planifier ses actions et proposer une validation avant chaque exécution sensible, ou aller beaucoup plus loin et ne remonter que les décisions critiques. Confondre les deux extrêmes mène soit à sous-estimer un système réellement autonome, soit à sur-vendre un simple copilote comme s'il agissait seul.

Troisième piège, penser que "agentique" et "générative" s'opposent. En réalité, comme le rappelle IBM, les deux notions se recoupent largement et fonctionnent souvent ensemble : le modèle génératif sert de moteur de raisonnement à l'intérieur du système agentique. Voir la comparaison détaillée sur la page IA générative vs IA agentique.

Pour aller plus loin

Si vous voulez creuser la distinction avec les modèles génératifs simples, la page IA générative vs IA agentique détaille où s'arrête l'un et où commence l'autre, avec le même souci de ne pas opposer les deux artificiellement. Notre article de blog sur le sujet, IA générative vs agents autonomes, les vraies différences, reprend l'angle avec des exemples plus larges que ceux d'Atako. Le glossaire complet couvre les autres notions liées, comme l'orchestration d'agents ou l'agent IA autonome, pour situer l'IA agentique dans l'ensemble du vocabulaire du domaine.