Intelligence artificielle agentique

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 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 %.

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 augmentéees, quand ses agents intelligents disposent, ce qui est de plus en plus le cas, de systèmes de mémoire pour se souvenir de leurs précédentes 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^[7].

Les agents intelligents, comme les IA agentiques n'ont pas encore de définition standardisée^[8],[9],[10], 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 »^[11] :

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^[12].

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

Le chercheur Andrew Ng est considéré comme ayant récemment (2024) popularisé le terme « agentique » auprès d'un public plus large^[42].

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 scalable, 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 (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.

Depuis plusieurs années, des chercheurs en IA tentent de construire des modèles du monde^[43],[44] et des environnements d'apprentissage par renforcement^[45] pour entraîner ou évaluer des agents intelligents. Par exemple, les jeux vidéo Minecraft^[46] et No Man's Sky^[47] en utilisent. Et des jumeaux numériques de sites web d'entreprises^[48] ont été utilisés pour entraîner de tels agents.

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, et le niveau 5 étant encore théorique^[49].

Voici quelques types d'architectures interne possibles pour le raisonnement d'une IA agentique^[50] :

• 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^[51] ;
• 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.

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^[52] :

• Couche 1 : Modèles de base - fournissent 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, les chargeurs de données, RAG ;
• 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.

Pour exécuter des tâches complexes, des 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^[53],[54] :

• 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].

Outre les grands modèles de langage (LLM), les modèles vision-langage (VLM), des modèles multimodaux peuvent servir de base aux agents. En septembre 2024, l'Allen Institute for AI a publié un modèle vision-langage open source^[55]. Nvidia a publié un framework permettant aux développeurs d'utiliser des VLM, des LLM et la génération augmentée par la recherche pour créer des agents d'IA capables d'analyser des images et des vidéos, notamment pour la recherche et le résumé vidéo^[56]. Microsoft a publié un modèle d'agent multimodal – entraîné sur des images, des vidéos, des interactions avec des interfaces utilisateur logicielles et des données robotiques – que l'entreprise affirme pouvoir manipuler des logiciels et des robots^[54].

Alors que les agents simples sont adaptés à des tâches de chatbots d'aide au client d'une entreprises ou aux usagers d'administrations, et pour certaines tâches de planification, l'IA agentique est utilisée pour des activités plus complexes (comme par exemple la recherche scientifique, ou la coordination de robots)^[57].

En avril 2025, selon Associated Press, les applications concrètes des agents d'IA sont encore peu nombreuses^[58], mais dès juin 2025, selon Fortune, de nombreuses entreprises commencent à expérimenter des agents d'IA^[59].

Le site Web The Information a subdivisé le groupe des agents d'IA en sept archétypes :

• des agents de tâches métier, destinés à agir au sein de logiciels d'entreprise ;
• des agents conversationnels, qui agissent comme des chatbots pour le support client ;
• des agents de recherche, pour interroger et analyser des informations (tels qu'OpenAI Deep Research) ;
• des agents d'analyse, dédiés à l'analyser de données afin de créer des rapports ;
• des agents de développement logiciel ou de codage (tels que Cursor) ;
• des agents spécifiques à un domaine (qui incluent des connaissances spécifiques au sujet) ;
• des agents de navigateur Web (tels qu'OpenAI Operator)^[7].

D'ici mi-2025, les agents d'IA seront utilisés dans le développement de jeux vidéo^[60], les jeux d'argent (y compris les paris sportifs)^[61], les portefeuilles de cryptomonnaies (y compris le trading de cryptomonnaies et les cryptomonnaies dérivées de mèmes^[62] et les médias sociaux^[63]. En août 2025, le New York Magazine décrivait le développement logiciel comme l'application la plus concrète des agents d'IA [57]^[Quoi ?]. De même, en octobre 2025, constatant un recul des attentes, The Information notait que les agents de programmation d'IA et le support client étaient les principaux cas d'utilisation par les entreprises^[64]. En novembre 2025, selon le Wall Street Journal, peu d'entreprises ayant déployé des agents d'IA ont obtenu un retour sur investissement^[65].

Plusieurs organismes gouvernementaux, dont aux États-Unis et au Royaume-Uni ont déployé ou annoncé le déploiement d'agents, tant au niveau local que national. La ville de Kyle, au Texas, a déployé un agent d'IA de Salesforce en mars 2025 pour le service client du 311 ^[66]. En novembre 2025, l'Internal Revenue Service (IRS) a annoncé qu'il utiliserait Agentforce, une IA agentique de Salesforce, pour le Bureau du conseiller juridique principal, le Service de défense des contribuables et le Bureau des appels^[67]. Le même mois, la police du Staffordshire annoncait qu'elle testerait l'IA Agentforce pour, à partir de 2026, gérer les appels non urgents au 101 au Royaume-Uni^[68]. En décembre 2025, le Département des quartiers de Détroit (Michigan), en partenariat avec une entreprise locale, a déployé un projet pilote dans deux districts de Détroit pour l'utilisation d'un agent d'IA destiné aux appels de service client^[69]. En février 2025, Thomas Shedd, directeur des Services de transformation technologique, a proposé d'utiliser des agents de codage d'IA au sein du gouvernement fédéral américain^[70]. En avril 2025, un recruteur du Département de l'efficacité gouvernementale a proposé d'automatiser le travail d'environ 70 000 employés du gouvernement fédéral américain grâce à des agents d'IA, dans le cadre d'une start-up financée par OpenAI et d'un accord de partenariat avec Palantir. Cette proposition a été critiquée par les experts pour son caractère irréalisable, voire impossible, et pour le manque d'adoption généralisée par les entreprises^[71]. En décembre 2025, la Food and Drug Administration (FDA) annonce qu'elle proposera à son personnel des « capacités d'IA agentique » pour la « gestion des réunions, les évaluations préalables à la commercialisation, la validation des évaluations, la surveillance post-commercialisation, les inspections, la conformité et les fonctions administratives »^[72]. Le même mois, le département de la Défense des États-Unis a lancé GenAI.mil, une plateforme interne permettant aux militaires américains d'utiliser des applications d'IA générative basées sur Google Gemini, incluant des « flux de travail agentiques intelligents ». Le secrétaire à la Défense, Pete Hegseth, a cité des applications telles que « la réalisation de recherches approfondies, la mise en forme de documents et même l'analyse de vidéos ou d'images à une vitesse sans précédent »^[73]. En décembre 2025, l'agence américaine de l'immigration et des douanes (ICE) a signé un contrat avec une entreprise pour que son département des opérations d'application de la loi et d'expulsion utilise des agents d'IA pour la recherche de personnes^[74].

Des IA agentiques ont aussi été intégrés à divers systèmes d'exploitation par exemple développés par Microsoft, Apple et Google^[75]. En novembre 2025, Microsoft a publié une version bêta de Windows 11 incluant des agents capables d'exécuter des tâches en arrière-plan et de lire et écrire des fichiers personnels^[76]. En décembre 2025, ByteDance a lancé Doubao, un agent d'IA intégrable aux systèmes d'exploitation des smartphones, en particulier le Nubia M153 de ZTE^[77]. Plusieurs applications en Chine ont bloqué ou restreint l'accès à cet agent, invoquant des problèmes de confidentialité et de sécurité^[78] notamment WeChat^[77] Alipay, Taobao, Pinduoduo, Ele.me^[79] ainsi que des banques locales chinoises^[80],[81].

Des navigateurs web dotés d'IA agentique parfois appelés navigateurs « agentiques » apparaissent, pouvant effectuer de petites tâches répétitives lors de la navigation web et potentiellement même réaliser des actions dans le navigateur pour le compte de l'utilisateur. Des produits comme OpenAI Operator et Perplexity Comet intègrent un large éventail de fonctionnalités d'IA, notamment la capacité de naviguer sur le web, d'interagir avec les sites web et d'effectuer des actions pour le compte de l'utilisateur^[82].