AI Agent Coding 2025 décrit l’expansion rapide des agents d’intelligence artificielle capables d’écrire, de tester et de déployer du code logiciel de manière autonome, un développement qui a considérablement remodelé l’industrie du logiciel au cours de cette année. Un agent d’IA, également appelé IA agentique, est un programme d’intelligence artificielle qui peut poursuivre des objectifs, utiliser des logiciels ou d’autres outils, et prendre des actions avec un certain niveau d’autonomie. Cela contraste avec l’utilisation d’IA de type outil pour des tâches étroites et spécifiques, comme répondre à des questions, comme on le voit avec les chatbots non agentiques courants en 2023 ou les algorithmes d’apprentissage automatique traditionnels. Bien qu’il n’existe pas de définition universellement acceptée, les attributs courants des agents d’IA incluent un comportement orienté vers un objectif, l’utilisation d’outils externes, la capacité d’interagir avec et de modifier un environnement externe, et l’exécution autonome de tâches multi-étapes. Leur flux de contrôle est fréquemment piloté par des grands modèles de langage (LLM), et les systèmes d’agents peuvent inclure des composants de mémoire, une logique de planification, des interfaces d’outils et des logiciels d’orchestration pour coordonner les composants.
D’ici 2025, les agents de développement logiciel ou de codage, tels que Cursor, sont devenus une application prominente des agents d’IA, permettant la génération, le test et le déploiement automatisés de code. Cet essor a été alimenté par les avancées dans les grands modèles de langage, la disponibilité d’API d’appel de fonctions et des protocoles standardisés comme le protocole de contexte de modèle (MCP) d’Anthropic, qui permettaient aux agents d’acquérir une conscience contextuelle et d’agir sur des outils externes. Le terme « agentique » a gagné en fréquence en 2024, popularisé par le chercheur Andrew Ng, et d’ici mi-2025, les agents d’IA étaient appliqués dans divers domaines, y compris le développement de jeux vidéo, les jeux d’argent, les portefeuilles de cryptomonnaies et les médias sociaux, selon des rapports de l’industrie.
Contexte historique
Les fondements théoriques des agents artificiels ont émergé au milieu du XXe siècle avec l’établissement de la cybernétique et de l’intelligence artificielle. L’article de 1958 d’Oliver Selfridge, « Pandemonium: A Paradigm for Learning », a été une contribution théorique précoce importante pour établir une architecture orientée agent. Les implémentations pratiques d’agents pour des applications réelles ont commencé à se généraliser dans les années 1990, après l’introduction du modèle logiciel croyance-désir-intention (BDI) et de la programmation orientée agent. Le professeur de Harvard Milind Tambe a noté que dans les années 1990, la définition d’un agent d’IA n’était pas claire. Des agents purement numériques ont été déployés dans l’infrastructure informatique pour des fins telles que la surveillance, tandis que des agents connectés à des capteurs et actionneurs du monde réel étaient de plus en plus utilisés dans les systèmes de contrôle industriel.
Les premiers agents artificiels avaient tendance à avoir une logique simple de type si-alors, qui s’est élargie au fil du temps en grands modèles d’arbres de décision. Au début des années 2010, des produits comme Siri et Alexa ont été lancés et parfois appelés agents d’IA, bien qu’ils manquaient de la capacité de raisonnement généraliste des agents ultérieurs pilotés par des LLM. Les universitaires ont commencé à étudier les agents LLM à partir de 2018. Le déploiement de tels agents a commencé à s’accélérer fin 2023 après la mise à disposition de l’API d’« appel de fonctions » d’OpenAI, et surtout après l’introduction fin 2024 par Anthropic du protocole de contexte de modèle (MCP), une manière standardisée pour les agents LLM d’acquérir une conscience contextuelle et d’agir sur le monde en appelant divers outils externes.
Formation et test
Les chercheurs ont tenté de construire des modèles du monde et des environnements d’apprentissage par renforcement pour former ou évaluer des agents d’IA. Par exemple, des jeux vidéo comme Minecraft et No Man’s Sky, ainsi que des répliques de sites web d’entreprises, ont été utilisés pour former de tels agents. Ces environnements permettent aux agents d’apprendre un comportement orienté vers un objectif, d’interagir avec des environnements simulés et d’affiner leur exécution de tâches multi-étapes. Dans le contexte du codage, les agents étaient souvent formés sur de grands corpus de code, en utilisant des techniques comme l’ajustement supervisé et l’apprentissage par renforcement à partir de retours humains, pour améliorer leur capacité à générer, tester et déboguer du code.
Capacités autonomes
Le Financial Times a comparé l’autonomie des agents d’IA à la classification SAE des voitures autonomes, assimilant la plupart des applications à un niveau 2 ou 3, certaines atteignant le niveau 4 dans des circonstances hautement spécialisées et le niveau 5 étant théorique. En codage, cela signifiait que de nombreux agents d’IA pouvaient gérer des tâches spécifiques avec une supervision humaine, tandis que quelques-uns pouvaient opérer indépendamment dans des domaines étroits, comme la correction automatisée de bogues ou le refactoring de code. Le niveau d’autonomie variait considérablement, certains agents exigeant une approbation humaine pour chaque action, tandis que d’autres pouvaient exécuter des flux de travail entiers, de la génération de code au déploiement, sans intervention.
Architecture cognitive
Ken Huang a proposé une architecture de référence pour les agents d’IA composée de sept couches interconnectées, chaque couche s’appuyant sur la fonctionnalité des couches inférieures :
- Couche 1 : Modèles de fondation - fournissent les ensembles de données qui alimentent l’agent.
- Couche 2 : Opérations de données - gère l’infrastructure de données requise pour les opérations des agents d’IA, y compris les bases de données vectorielles, les chargeurs de données et le RAG.
- Couche 3 : Cadres d’agents - logiciels qui gèrent les agents d’IA.
- Couche 4 : Déploiement et infrastructure - la base technique des agents d’IA.
- Couche 5 : Évaluation et observabilité - la sécurité et la performance des agents d’IA.
- Couche 6 : Sécurité et conformité - un cadre protecteur pour un fonctionnement sûr et la conformité aux limites réglementaires. À cette couche, les fonctionnalités de sécurité et de conformité intégrées dans toutes les couches de la pile des agents d’IA sont réunies.
- Couche 7 : Écosystème d’agents - représente l’interface des agents d’IA avec les applications et utilisateurs du monde réel.
Cette architecture a fourni une approche structurée pour développer et déployer des agents d’IA, en particulier dans des contextes d’entreprise, où les agents de codage devaient s’intégrer aux pipelines de développement logiciel existants, aux systèmes de contrôle de version et à l’infrastructure de déploiement.
Harnais d’agent
Un harnais d’agent est la couche logicielle entourant un grand modèle de langage qui lui permet de fonctionner comme un agent d’IA. Il gère couramment les invites, le contexte, l’utilisation d’outils, la mémoire, l’état d’exécution, les contraintes opérationnelles, les sandboxes, les permissions et le traitement des résultats. Le harnais connecte le modèle au matériel et aux logiciels informatiques internes et externes, aux fichiers de données, aux bases de données, aux navigateurs web, aux interfaces en ligne de commande et aux interfaces de programmation d’applications, tout en contrôlant comment l’agent accède et utilise ces ressources pour accomplir des tâches multi-étapes. Dans les agents de codage, le harnais incluait souvent des intégrations avec des éditeurs de code, des systèmes de contrôle de version comme Git et des plateformes de déploiement cloud, permettant à l’agent d’écrire du code, d’exécuter des tests et de déployer des applications.
Modèles d’orchestration
Les agents autonomes sont souvent intégrés à d’autres agents ou à des outils spécialisés pour exécuter des tâches complexes. Ces configurations, connues sous le nom de modèles d’orchestration ou flux de travail, incluent les suivantes :
- Chaînage d’invites : une séquence où la sortie d’une étape sert d’entrée pour la suivante.
- Routage : diriger une entrée vers une tâche ou un outil en aval spécialisé.
- Parallélisation : l’exécution simultanée de plusieurs tâches.
- Traitement séquentiel : une progression fixe et linéaire 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 retours en vue d’un raffinement.
En codage, les modèles d’orchestration permettaient aux agents de décomposer de grands projets logiciels en tâches plus petites, de les assigner à des sous-agents spécialisés et de coordonner leurs efforts pour produire un corpus de code cohérent. Par exemple, un agent planificateur pourrait concevoir l’architecture, tandis qu’un agent codeur écrit des fonctions, et un agent critique examine le code pour détecter des bogues et des problèmes de style.
Agents d’IA multimodaux
En plus des grands modèles de langage (LLM), les modèles vision-langage (VLM) et les modèles de fondation multimodaux peuvent être utilisés comme base pour les agents. L’Allen Institute for AI a publié un modèle vision-langage open source en 2024. Nvidia a publié un cadre pour que les développeurs utilisent des VLM, des LLM et la génération augmentée par récupération pour construire des agents d’IA capables d’analyser des images et des vidéos, y compris la recherche vidéo et le résumé vidéo. Microsoft a publié un modèle d’agent multimodal - formé sur des images, des vidéos, des interactions avec des interfaces utilisateur logicielles et des données robotiques - que l’entreprise a affirmé pouvoir manipuler des logiciels et des robots. En codage, les agents multimodaux pouvaient interpréter des captures d’écran d’interfaces utilisateur, lire des diagrammes et comprendre une documentation visuelle, améliorant leur capacité à travailler avec des applications graphiques et des spécifications de conception.
Applications et impact
En avril 2025, selon l’Associated Press, il y avait peu d’applications réelles des agents d’IA. Cependant, d’ici mi-2025, le paysage avait considérablement changé. The Information a divisé les agents d’IA en sept archétypes : les agents de tâches commerciales, pour agir dans les logiciels d’entreprise ; les agents conversationnels, qui agissent comme des chatbots pour le support client ; les agents de recherche, pour interroger et analyser des informations (comme OpenAI Deep Research) ; les agents d’analyse, pour analyser des données afin de créer des rapports ; les agents de développement logiciel ou de codage (comme Cursor) ; les agents spécifiques à un domaine, qui incluent des connaissances spécialisées sur un sujet ; et les agents de navigateur web (comme OpenAI Operator).
D’ici mi-2025, les agents d’IA étaient utilisés dans le développement de jeux vidéo, les jeux d’argent (y compris les paris sportifs), les portefeuilles de cryptomonnaies (y compris le trading de cryptomonnaies et les pièces mèmes) et les médias sociaux. En août 2025, New York Magazine a décrit le phénomène, mettant en lumière l’adoption rapide des agents de codage dans les startups et les entreprises technologiques. L’impact sur l’industrie du logiciel était profond : les agents de codage réduisaient le temps requis pour les tâches routinières, comme l’écriture de code passe-partout, la correction d’erreurs de syntaxe et l’exécution de tests unitaires, permettant aux développeurs de se concentrer sur la conception de haut niveau et la résolution de problèmes. Cependant, des préoccupations concernant la qualité du code, les vulnérabilités de sécurité et le déplacement d’emplois ont également été soulevées, conduisant à des débats sur le niveau approprié d’autonomie pour de tels agents.
L’essor du codage par agents d’IA en 2025 était étroitement lié aux avancées dans intelligence artificielle et apprentissage automatique, en particulier le développement des transformateurs et des réseaux neuronaux. Des entreprises comme OpenAI, Anthropic et Google DeepMind ont joué des rôles clés dans la création des modèles et API sous-jacents. L’écosystème a également bénéficié de l’infrastructure cloud fournie par Amazon Web Services, Azure et Google Cloud, qui offraient des ressources de calcul évolutives pour former et déployer des agents. En 2025, le domaine continuait d’évoluer, avec des recherches en cours sur des méthodes d’évaluation plus robustes, des protocoles de sécurité et des techniques d’orchestration pour garantir que les agents d’IA puissent être fiables pour des tâches de codage de plus en plus complexes.