Un agent d'IA, dans le contexte de l'IA générative moderne, est un système construit autour d'un grand modèle de langage qui peut planifier une séquence d'étapes, entreprendre des actions via utilisation d'outils externes, observer les résultats de ces actions et itérer vers un objectif, plutôt que de simplement produire une réponse à une seule requête. La caractéristique distinctive qui différencie un agent d'un chatbot simple est une boucle : la sortie du modèle n'est pas nécessairement la réponse finale affichée à l'utilisateur, mais peut être une décision sur la prochaine action à entreprendre, qui est exécutée, renvoyée dans le contexte du modèle, et utilisée pour décider de l'étape suivante, jusqu'à ce que la tâche soit terminée ou qu'une limite soit atteinte.
Le terme précède les grands modèles de langage, ayant longtemps été utilisé en intelligence artificielle et en robotique pour décrire tout système qui perçoit un environnement et agit dessus, y compris les agents simples basés sur des règles et les agents de apprentissage par renforcement tels que AlphaGo. Son usage actuel, spécifiquement lié aux systèmes basés sur des LLM qui appellent des outils et poursuivent des tâches multi-étapes, s'est répandu à partir de 2023, à la suite d'expériences précoces comme AutoGPT, et s'est accéléré fortement entre 2024 et 2025, à mesure que les modèles s'amélioraient pour choisir et séquencer de manière fiable les appels d'outils, une période largement décrite dans les commentaires de l'industrie comme la vague « agentique » du boom de l'IA.
Composants
Un agent typique combine plusieurs éléments : un modèle de langage de base qui effectue le raisonnement et la prise de décision, un ensemble d'outils qu'il peut invoquer, tels qu'un interpréteur de code, une fonction de recherche web ou une API, exposés via un appel d'outil structuré ; un mécanisme de mémoire ou d'état qui suit ce qui s'est passé jusqu'à présent dans la tâche, souvent simplement le contexte accumulé, bien que certains systèmes ajoutent un stockage externe pour les tâches plus longues ; et une boucle de contrôle qui décide quand la tâche est terminée ou quand demander une intervention humaine. De nombreux frameworks d'agents intègrent également la génération augmentée par récupération afin que l'agent puisse consulter des documents pertinents en cours de tâche, et certains prennent en charge l'utilisation d'ordinateur, permettant à l'agent de manipuler directement une interface graphique telle qu'un navigateur web plutôt que via une API dédiée.
Standardisation
À mesure que le nombre d'outils auxquels un agent pourrait se connecter augmentait, connecter chaque outil à chaque modèle avec un code d'intégration personnalisé est devenu un problème de passage à l'échelle. Anthropic a introduit le protocole de contexte de modèle en novembre 2024 comme une norme ouverte pour connecter les modèles de langage à des outils et sources de données externes de manière uniforme, et il a été largement adopté dans l'industrie tout au long de 2025, y compris par des laboratoires concurrents, comme couche d'interface commune pour l'utilisation d'outils agentiques.
Applications
Les systèmes agentiques ont été appliqués à l'ingénierie logicielle, où des outils tels que GitHub Copilot, Cursor et Claude Code ont évolué de la complétion de code à tour unique vers des agents capables de lire une base de code, d'exécuter des tests et de faire des modifications multi-fichiers de manière autonome ; à la recherche et à la collecte d'informations, où un agent émet une série de recherches et synthétise les résultats ; et à l'automatisation de navigateur et d'ordinateur, où un agent utilise un logiciel comme le ferait un utilisateur humain. Des benchmarks tels que SWE-bench ont été adoptés spécifiquement pour mesurer la performance de codage agentique, car ils nécessitent une séquence de bout en bout de modifications de fichiers et d'exécutions de tests plutôt qu'un simple extrait de code.
Fiabilité et critiques
La fiabilité des agents reste un problème ouvert central : de petites erreurs en début de chaîne de tâches longues peuvent s'amplifier, les appels d'outils peuvent échouer ou être mal utilisés, et les agents peuvent poursuivre un plan plausible mais incorrect pendant de nombreuses étapes avant qu'une erreur ne devienne évidente, parfois appelé « dérive d'agent ». Les préoccupations concernant les agents agissant sur des entrées non fiables ou adversariales ont fait de l'injection de prompt un problème de sécurité significatif spécifique aux systèmes agentiques, car un agent ayant accès à de vrais outils et données peut, en principe, être manipulé pour entreprendre des actions nuisibles dans le monde réel plutôt que de simplement générer un texte indésirable, une catégorie de risque sans équivalent direct dans un chatbot simple.