Aller au contenu

Intelligence artificielle agentique

Un article de Wikipédia, l'encyclopédie libre.
(Redirigé depuis IA agentique)

Une IA agentique est un système d'intelligence artificielle relevant de l'intelligence artificielle distribuée, capable d'agir de manière autonome pour prendre des décisions ou enchaîner des opérations afin d'atteindre un objectif[1]. Elle le fait en s'appuyant sur des modèles d'IA, et en coordonnant divers agents intelligents (Agent IA), c'est‑à‑dire des composants logiciels exécutant chacun une tâche définie, souvent limitée et dans un cadre contrôlé, sans supervision humaine constante[2] ; en cela elle appartient à la classe des « systèmes multi-agents ».

L'agent IA est généralement intégré à une suite applicative (logiciel agentique). Ayant accès à Internet et éventuellement à d'autres sources de données, il peut décomposer un processus, analyser son environnement, planifier, raisonner, comparer plusieurs solutions, s'adapter au contexte et enchaîner plusieurs étapes pour accomplir une tâche complexe dans un environnement réel, numérique ou hybride[3]. Il est en général plutôt conçu pour l'aide à la décision ou la prise de décision, pour rechercher, coder et créer des applications ou des sites web, créer des diaporamas ou générer du contenu vidéo de manière autonome, au delà de la simple génération de contenu en réponse à un prompt[2],[4].

Contrairement aux modèles d'intelligence artificielle générative purement conversationnels, une IA agentique orchestre en fonction de ses besoins plusieurs « agents intelligents » spécialisés ; à ce titre, elle est rattachée à la famille des systèmes multi‑agents[3]. Ce type de système se diffuse auprès du grand public à partir du milieu des années 2020, à la faveur du développement des grands modèles de langage et de leur intégration dans des chaînes de traitement complexes[1],[5].

Elle émerge, pour le grand public au milieu des années 2020. Un rapport, mi 2025, considère que de nombreuses « IA agentiques » ne sont en réalité que des rebrandings de produits déjà publiés (évoquant un « lavage d'agent »).

Vocabulaire

[modifier | modifier le code]

En 2026, le « Conseil français de l'IA et du numérique » explique que :

« si le terme « Agents IA » s'est imposé dans le débat public, il nous paraît néanmoins préférable de privilégier celui d'« IA agentique ». Cela évite de réduire la discussion à une opposition binaire entre automatisation (les agents) et contrôle humain : l'intervention de systèmes agentiques n'exclut en rien des interventions humaines, bien au contraire. L'IA agentique bénéficie de validations intermédiaires par des experts humains. Son degré d'autonomie est d'ailleurs variable, allant de la simple assistance à l'automatisation de bout en bout[6]. »

Selon le Conseil français de l'IA et du numérique, l'accolement du qualificatif « agentique » à un système informatique a été proposé dès les années 1960, pour le robot « Shakey », créé par le Stanford Research Institute avec la DARPA (qui fut classé comme le premier robot mobile autonome doté d'une intelligence artificielle rudimentaire, doté de systèmes de vision par ordinateur, de planification automatique (STRIPS), de traitement du langage naturel et de navigation autonome, lui permettant d'exécuter des tâches relativement complexes pour l'époque (ex. : déplacer des objets ; éviter des obstacles). Ce robot « préfigurait les agents IA modernes en intégrant perception, raisonnement et action, trois piliers de l'autonomie décisionnelle »[6]. Le Conseil rappelle que l’IA agentique n’est pas un modèle, mais une architecture dont le déploiement implique une transformation en profondeur des processus et des responsabilités. Il souligne aussi que les coûts d’inférence (par jeton) sont en baisse rapide, ce qui favoriser une augmentation des usages[7].

Le qualificatif « agentique » semble ensuite avoir été oublié pour retrouver un usage au milieu de l'année 2024, quand Andrew Ng, un des pionniers des réseaux de neurones, l'a remis au goût du jour, lors de l'explosion des modèles d'IA génératives, fin 2022[6].

À partir du milieu des années 2020, l'IA agentique est adoptée par un nombre croissant d'organisation. Certaines analyses prospectives estiment que ce marché devrait croître considérablement (atteignant 199,05 milliards de dollars d'ici 2034, avec donc un taux de croissance annuel de près de 44 %.

On parle notamment de LLM‑MAS où l'acronyme MAS signifie Multi‑Agent System, c'est‑à‑dire « système multi‑agents ».

Généralités

[modifier | modifier le code]

L'IA agentique fonctionne comme un super-agent qui utiliserait lui-même plusieurs (de deux à — potentiellement — plusieurs centaines ou milliers) d'agents intelligents possédant chacun quelques attributs et compétences-clés.

Elle dispose de mécanismes internes de structuration d'objectifs complexes, pilotés par des outils logiciels dédiés et/ou un système interne de planification et de coordination d'un nombre plus ou moins élevé d'agents intelligents.

Comme l'IA générative (IAg), elle dispose d'une interface en langage naturel et d'outils internes, mais elle a, en plus, une capacité d'agir plus indépendamment de la supervision de l'utilisateur. Son contrôle de flux est fréquemment piloté par un ou plusieurs grands modèles de langage (LLM). Ses performances sont augmentées, quand ses agents intelligents disposent, ce qui est de plus en plus le cas, de systèmes de mémoire pour se souvenir de leurs interactions précédentes (avec l'utilisateur ou avec d'autres entités), sous l'égide d'un « logiciel d'orchestration » qui organise les composants de l'IA agentique[8].

Les agents intelligents, comme les IA agentiques n'ont pas encore de définition standardisée[9],[10],[11], mais selon le « Conseil français de l'IA et du numérique », début 2026, la littérature spécialisée « converge autour d'une échelle à cinq degrés (niveaux) d'autonomie pour décrire les niveaux d'autonomies des IA agentiques »[12] :

  1. Automatisation basique : l'IA applique des règles fixes, et exécute des tâches répétitives (ex. : Automatisation robotisée des processus (ARP), régulateur de vitesse) ;
  2. Automatisation intelligente : l'IA analyse des données ou des documents grâce à des capacités perceptives (ex. : reconnaissance optique de caractères (OCR) ; aides à la conduite) ;
  3. Flux agentiques : plusieurs agents enchaînent des étapes d'un processus, généralement avec validation humaine à chaque phase clé ;
  4. Agents semi autonomes : l'IA devient proactive, comprend le contexte et propose des décisions soumises à validation humaine ;
  5. Agents entièrement autonomes : auto dirigés et apprenants en continu, ils exécutent des missions « de bout en bout » sans supervision — un niveau encore théorique aujourd'hui.

Le concept d'IA agentique de niveau 5 a été comparé au personnage fictif Jarvis[13].

Coordination interne

[modifier | modifier le code]

Les architectures multi‑agents reposent sur un « moteur de planification et de gestion des objectifs», et sur une architecture cognitive distribuée (souvent inspirées des modèles mentaux humains) construite sur une plateforme d'exécution autonome (éventuellement située dans le Cloud), permettant l'action continue, et des cadres d'apprentissage et d'adaptation assurant l'amélioration dynamique des performances.

Un système GCDM (Group Choice Decision‑Making) sert à coordonner plusieurs agents LLM quand ils doivent sélectionner collectivement une action. Il s'appuie généralement sur des mécanismes inspirés de la théorie du choix social. Contrairement au vote pondéré (qui agrège des préférences individuelles), le GCDM intègre des justifications textuelles produites par les agents, pour plus de transparence et de robustesse des décisions. Par rapport au consensus, qui exige l’accord unanime et peut être lent ou instable, le GCDM permet de trancher même en présence de désaccords persistants, ce qui le rend plus adapté aux systèmes LLM‑MAS à grande échelle. Par rapport à la négociation multi‑agents (où chaque agent optimise ses propres intérêts), le GCDM vise une décision collective globalement optimale, ce qui réduit les risques de conflits ou de comportements stratégiques dans les systèmes agentiques avancés. Selon les cas, il faut que l'IA ou l'humain prenne une décision : des protocoles de consensus permettent à des humains et des machines de collectivement construire des choix de décisions communes[14],[15].

Domaines d'application

[modifier | modifier le code]

L'IA agentique englobe des systèmes autonomes capables d'agir dans des environnements physiques ou numériques. Il s'agit par exemple d'agents cognitifs orientés vers le raisonnement et la résolution de problèmes ; d'agents dédiés aux processus d'entreprise, visant par exemple l'automatisation intelligente des workflows ; d'agents scientifiques et de recherche, mobilisés pour l'exploration, la simulation ou la découverte, et bien d'autres.

L'application la plus courante est l'automatisation des tâches, éventuellement « de bout en bout »[16].

En 2024, elle permet — par exemple — à un utilisateur de faire des réservations et de préparer un voyage[17],[18]. Parmi les exemples d'IA agentique notables début 2026, citons[style à revoir] Devin AI, AutoGPT et SIMA[19]. D'autres agents, publiés depuis 2025, incluent OpenAI Operator[20], ChatGPT Deep Research[21], Manus[22], Quark (basé sur Qwen)[23], AutoGLM Rumination[23] et Coze (de ByteDance)[23]. Les frameworks permettant de créer des agents d'IA comprennent LangChain[24] et des outils logiciels tels que CAMEL[25],[26], Microsoft AutoGen[27], et OpenAI Swarm[28].

Des GAFAM (Google, Microsoft et Amazon Web Services) ont eux-mêmes proposé des plateformes où déployer des agents d'IA pré-construits[29]
OpenClaw a créé Moltbook, une plateforme sociale qui est en quelque sorte l'équivalent d'un réseau social (théoriquement exclusivement réservé à des agents intelligents autonomes), où ces derniers peuvent créer et animer eux mêmes des communautés pour interagir entre pairs. La communication inter-agents est standardisée via des protocoles, qui comprennent l'Agent Protocol (de LangChain), le Model Context Protocol (d'Anthropic), AGNTCY[30], Gibberlink[31], Internet des agents[32], Agent2Agent (de Google)[33] et l'Agent Network Protocol[34]. Certains de ces protocoles servent aussi à connecter les agents à des applications externes[8]. Des frameworks logiciels permettent d'assurer la fiabilité des agents, dont par exemple : AgentSpec, ToolEmu, GuardAgent, Agentic Evaluations et les modèles prédictifs de H2O.ai[35]. En , Hugging Face a lancé Open Deep Research, une version open source d'OpenAI Deep Research[36]. Hugging Face a aussi publié un agent gratuit pour navigateur web, similaire à OpenAI Operator[37]. Galileo AI a publié sur Hugging Face un tableau de bord des agents, qui classe leurs performances en fonction de leurs modèles linéaires sous-jacents[38]. En décembre 2025, la Fondation Linux a annoncé la création de l'Agentic AI Foundation (AAIF) – une fondation neutre et ouverte visant à garantir une évolution transparente et collaborative de l'IA agentique[39],[40]. Les systèmes de mémoire pour agents comprennent Mem0[41],[42], MemGPT[43], et MemOS[44].

Utilisateurs

[modifier | modifier le code]

Ils se répartissent dans des domaines aussi variés que la conduite autonome, la santé et les sciences de la vie, la finance et la banque, la défense et l'aérospatiale, les technologies logicielles, l'éducation et la formation, ainsi que dans divers domaines émergents où l'autonomie logicielle devient un levier stratégique.

Modes de déploiement

[modifier | modifier le code]

Ils varient entre des systèmes agents installés sur site (souvent pour des raisons de souveraineté et/ou de sécurité) à des solutions entièrement basées sur le cloud (favorisant l'élasticité et l'orchestration à grande échelle, mais nécessitant d'importantes ressources en datacenters, coûteuses en énergie et en empreinte carbone) ; en avril 2026, pour atténuer ces dépenses, Meta (ex-Facebook) annonce intégrer plusieurs dizaines de millions de cœurs AWS Graviton5 pour alimenter ses systèmes d’IA agentique[45]. Des architectures hybrides peuvent combiner ces deux approches.

Histoire

[modifier | modifier le code]

L'IA agentique a des racines dans les recherches faites dans les années 1990, mais, selon le professeur Milind Tambe de Harvard, sans avoir (à cette période) de définition claire.

Le chercheur Andrew Ng est considéré comme ayant récemment (2024) popularisé le terme « agentique » auprès d'un public plus large[46].

À partir de 2025, la montée en puissance de l'IA agentique reconfigure les typologies historiques d'agents IA, en les inscrivant — des plus simples aux plus complexes — dans un nouveau cadre unifié, distribué et modulable, qui restructure l'évolution des systèmes autonomes et des environnements socio‑techniques. Elle coordonne :

  • des agents réactif (limités à des réponses immédiates aux stimuli, qui forment la strate la plus élémentaire de l'autonomie, et servent de base à des tâches simples ou fortement contraintes) ;
  • des agents délibératifs aux capacités explicites de planification (ils introduisent une représentation interne de l'environnement et une possibilité de raisonner sur des séquences d'actions) ;
  • des agents hybrides dits BDI (pour « Beliefs-Desires-Intentions », c'est à dire articulant croyances, désirs et intentions, qui incarnent une forme plus avancée d'agentivité, fondée sur une modélisation du monde, la formulation d'objectifs internes et la sélection stratégique de plans).

L'IA agentique des années 2020 ne remplace pas ces trois catégories, elle les intègre dans un système multi‑agents orchestrés.

Formation et tests

[modifier | modifier le code]

Depuis plusieurs années, des chercheurs en IA tentent de construire des modèles du monde[47],[48] et des environnements d'apprentissage par renforcement[49] pour entraîner ou évaluer des agents intelligents. Par exemple, les jeux vidéo Minecraft[50] et No Man's Sky[51] en utilisent. Et des jumeaux numériques de sites web d'entreprises[52] ont été utilisés pour entraîner de tels agents.

Capacités autonomes

[modifier | modifier le code]

Le Financial Times a comparé l'autonomie des agents d'IA à la classification SAE des voitures autonomes, comparant la plupart des applications au niveau 2 ou 3, certaines atteignant le niveau 4 dans des circonstances très spécialisées, le niveau 5 étant encore théorique[53].

Architecture cognitive

[modifier | modifier le code]

Voici quelques types d'architectures internes possibles pour le raisonnement d'une IA agentique[54] :

  • génération augmentée par la récupération ;
  • le modèle ReAct (Reason + Act) est un processus itératif dans lequel un agent d'IA alterne entre raisonnement et prise d'actions, reçoit des observations de l'environnement ou d'outils externes et intègre ces observations dans les étapes de raisonnement suivantes[55] ;
  • la réflexion utilise un LLM pour générer un retour d'information sur le plan d'action de l'agent et stocke ce retour d'information dans un cache mémoire ;
  • un registre d'outils/agents, permettant d'organiser les fonctions logicielles ou autres agents que l'agent peut utiliser ;
  • requête de modèle en une seule étape, qui interroge le modèle une seule fois pour créer le plan d'action.

Architecture de référence

[modifier | modifier le code]

Ken Huang a proposé une architecture de référence pour un agent d'IA, composée de sept couches interconnectées, chaque couche s'appuyant sur la fonctionnalité des couches inférieures[56] :

  • couche 1 : modèles de base - fournir les moteurs d'IA principaux pour alimenter les capacités des agents ;
  • couche 2 : opérations de données - gérer l'infrastructure de données complexe requise pour les opérations des agents d'IA, y compris la base de données Vector[Quoi ?], les chargeurs de données, RAG[Quoi ?] ;
  • couche 3 : cadres d'agents - logiciels et outils sophistiqués qui simplifient le développement et la gestion des agents d'IA ;
  • couche 4 : déploiement et infrastructure - fournir la base technique robuste pour l'exécution des agents d'IA ;
  • couche 5 : évaluation et observabilité - axée sur l'évaluation de la sécurité et des performances des agents d'IA ;
  • couche 6 : sécurité et conformité – un cadre de protection essentiel garantissant le fonctionnement sûr et sécurisé des agents d'IA, ainsi que leur conformité aux réglementations en vigueur. À ce niveau, les fonctionnalités de sécurité et de conformité intégrées à toutes les couches de la pile d'agents d'IA sont combinées ;
  • couche 7 : système multi-agents - où ces agents intelligents sont interfacés avec les applications et les utilisateurs du monde réel.

Modèles d'orchestration

[modifier | modifier le code]

Pour exécuter des tâches complexes, les agents intelligents autonomes sont souvent intégrés à d'autres agents ou à des outils spécialisés. Ces configurations, sont dites « modèles d'orchestration » ou « flux de travail » ; elles comprennent les éléments suivants[57],[58] :

  • chaînes d'instructions : une séquence où la sortie d'une étape sert d'entrée à la suivante ;
  • routage : la classification d'une entrée afin de la diriger vers une tâche ou un outil spécialisé en aval ;
  • parallélisation : l'exécution simultanée de plusieurs tâches ;
  • traitement séquentiel : une progression linéaire et fixe des tâches à travers un pipeline prédéfini ;
  • planificateur-critique : un modèle itératif où un agent génère une proposition et un autre l'évalue pour fournir des commentaires en vue de son amélioration.

Éventuellement — comme avec DeerFlow 2.0 de ByteDance — des « bacs à sables » peuvent aussi être intégrés dans le système (un par agent ou sous-agent)[4].

Intelligence artificielle multimodale

[