L'IA agentique, également connue sous le nom d'agents IA, décrit des systèmes d'intelligence artificielle qui poursuivent de manière autonome des objectifs en percevant leur environnement, en prenant des décisions et en agissant sur des périodes prolongées. Ce concept étend la notion plus large d'agent intelligent, qui est toute entité qui perçoit son environnement, agit pour atteindre des objectifs et peut améliorer ses performances grâce à l'apprentissage automatique ou à l'acquisition de connaissances. Dans les manuels d'IA, le domaine de l'intelligence artificielle est souvent défini comme l'étude et la conception d'agents intelligents, le comportement orienté vers un but étant considéré comme central pour l'intelligence.
Les agents intelligents vont de simples systèmes de contrôle, comme un thermostat, à des entités complexes telles qu'un être humain, une entreprise ou un État. L'IA agentique met spécifiquement l'accent sur une autonomie proactive et soutenue, la distinguant des systèmes réactifs qui répondent simplement à des entrées immédiates. Ces agents fonctionnent sur la base d'une fonction objectif qui encapsule leurs buts, et ils sont conçus pour créer et exécuter des plans qui maximisent la valeur attendue de cette fonction à leur achèvement.
Définition de l'intelligence artificielle basée sur les agents
Stuart Russell et Peter Norvig, dans leur manuel influent, décrivent l'intelligence artificielle comme l'étude des agents qui reçoivent des percepts d'un environnement et effectuent des actions. Dans ce cadre, un agent perçoit par des capteurs et agit par des actionneurs. Un agent rationnel sélectionne des actions censées maximiser sa mesure de performance, compte tenu de sa séquence de percepts, de ses connaissances préalables et des actions disponibles. La rationalité n'exige ni l'omniscience ni un succès garanti ; elle concerne le résultat attendu sur la base des informations disponibles.
Dans l'informatique orientée agents, les agents sont caractérisés par des propriétés telles que l'autonomie, la réactivité aux changements environnementaux et un comportement orienté vers un but ou proactif. Une approche de modélisation est l'architecture croyance-désir-intention (BDI), qui représente un agent en termes de ses informations sur le monde, de ses objectifs et des plans d'action auxquels il s'est engagé. Cette architecture a été influente dans la recherche en IA tant théorique qu'appliquée.
Fonctions objectifs et spécification des buts
Une fonction objectif spécifie les buts d'un agent intelligent. Un agent est considéré comme plus intelligent s'il sélectionne systématiquement des actions qui produisent des résultats mieux alignés avec sa fonction objectif. La fonction objectif sert de mesure de succès et peut être simple ou complexe. Par exemple, dans une partie de Go, la fonction objectif pourrait attribuer une valeur de 1 pour une victoire et 0 pour une défaite, tandis que la fonction objectif d'une voiture autonome pourrait équilibrer la sécurité, la vitesse et le confort des passagers.
Différents termes décrivent ce concept selon le contexte. Une fonction d'utilité est souvent utilisée en économie et en théorie de la décision, représentant la désirabilité d'un état. Une fonction objectif est un terme général en optimisation, tandis qu'une fonction de perte est utilisée en apprentissage automatique où le but est de minimiser l'erreur. Une fonction de récompense apparaît en apprentissage par renforcement, et une fonction de fitness est utilisée dans les systèmes évolutionnaires. Les buts peuvent être explicitement programmés ou induits par l'apprentissage ou l'évolution.
Apprentissage et adaptation dans les systèmes agentiques
En apprentissage par renforcement, une fonction de récompense fournit un retour qui encourage les comportements souhaités et décourage ceux indésirables, l'agent apprenant à maximiser la récompense cumulative. Les programmeurs peuvent utiliser le façonnage de récompense pour donner des récompenses incrémentales pour les progrès vers le but final. Les systèmes évolutionnaires utilisent une fonction de fitness pour déterminer quels agents sont plus susceptibles de se reproduire, de manière analogue à la sélection naturelle. Yann LeCun a déclaré en 2018 que la plupart des algorithmes d'apprentissage consistent essentiellement à minimiser une fonction objectif.
Certains systèmes d'IA, comme les méthodes des plus proches voisins, raisonnent par analogie plutôt que d'être explicitement orientés vers un but. Cependant, même ces systèmes peuvent avoir des buts implicitement définis dans leurs données d'entraînement. Les systèmes non traditionnellement considérés comme des agents, comme les systèmes de représentation des connaissances, peuvent être encadrés comme des agents ayant pour but de répondre avec précision aux questions. En IA générative, les systèmes pilotés par imitation peuvent être encadrés comme optimisant une fonction de but basée sur la proximité avec laquelle ils imitent le comportement souhaité, comme on le voit dans les réseaux antagonistes génératifs où un générateur tente de tromper un discriminateur.
Applications et contexte plus large
L'IA agentique est étroitement liée aux agents en économie, et des versions du paradigme de l'agent intelligent sont étudiées en science cognitive, en éthique et en philosophie de la raison pratique. Le concept apparaît également dans la modélisation socio-cognitive interdisciplinaire et les simulations sociales informatiques. Les agents intelligents sont souvent décrits schématiquement comme des systèmes fonctionnels abstraits similaires à des programmes informatiques, avec des descriptions abstraites appelées agents intelligents abstraits. Ils sont également liés aux agents logiciels, qui sont des programmes informatiques autonomes qui exécutent des tâches au nom des utilisateurs, et sont parfois appelés agents rationnels, un terme emprunté à l'économie.
Les implémentations modernes de l'IA agentique s'appuient souvent sur les grands modèles de langage et les architectures de transformeurs, permettant aux systèmes de planifier, d'utiliser des outils et de fonctionner sur des horizons étendus. Des institutions de recherche telles que le MIT CSAIL, le Stanford AI Lab et le Berkeley AI Research ont contribué à faire progresser ces systèmes. Des entreprises comme OpenAI, Anthropic et Google DeepMind ont développé des cadres agentiques qui intègrent le raisonnement à l'action, bien que le domaine continue d'évoluer rapidement.