IA Agentique : de quoi parle-t-on ?

La préhistoire de l’IA agentique

 

Comme expliqué dans un article de recherche de Sapkota et al. (2025), le terme d’agent IA (du latin scolastique agens, participe présent de agere, « agir », d’après le dictionnaire de l’Académie Française) est antérieur à l’émergence des modèles d’IA générative en 2022. Il désigne à l’origine des « entités dotées d'autonomie, de capacités de perception et de communication, en mettant l'accent sur leurs applications dans la résolution distribuée de problèmes, la robotique collaborative et les simulations de mondes synthétiques ». Les agents IA étaient à l’origine conçus pour être des systèmes experts capables d’effectuer des tâches spécifiques avec un niveau d’autonomie et une capacité à s’adapter à des environnements dynamiques limités. On peut citer par exemple les robots aspirateurs intelligents capables de prendre des décisions simples à partir de capteurs (éviter un obstacle, parcourir l’ensemble d’une pièce), les personnages non-joueurs (PNJ) dans les jeux vidéo dont les actions sont guidées par des arbres de décision, etc. Dans son rapport sur l’IA agentique, le CIANum mentionne le robot « Shakey », qui fut, en 1960, considéré comme le premier robot autonome.

L’interaction entre plusieurs agents entraîne la création de systèmes plus complexes appelés systèmes multi-agents, un terme que l’on peut considérer comme l’ancêtre de celui d’IA agentique. Chaque agent est doté de caractéristiques et de capacités qui lui sont propres et peut agir au sein d’un environnement (virtuel ou physique) défini. Les agents interagissent donc entre eux et avec leur environnement de manière décentralisée, sans coordination centrale ni instruction. Ainsi, un système de simulation du trafic urbain peut consister en l’étude des interactions entre automobiles (les agents), pour lesquelles des règles de vitesse, de temps de réaction ou encore de distance de sécurité sont définies.

Ces terminologies sont bien loin d’être nouvelles mais Sapkota et al. (2025) et l’OECD montrent, en s’appuyant sur le service Google Trends, une croissance très forte du nombre de recherches faisant intervenir les termes d’agent IA et IA agentique à partir de Novembre 2024 et amorcée dès fin 2022, année de commercialisation des premiers modèles d’IA générative d’OpenAI. Les termes « d’agents IA » et « d’IA agentique » prennent aujourd’hui un sens spécifique qui gravite autour des modèles d’IA générative, qui sont au cœur des dernières innovations dans le domaine.

 

Les composants de l’IA agentique

 

Avant de poursuivre sur les questions définitionnelles et leurs nuances, intéressons-nous aux agents IA dont le fonctionnement repose sur une orchestration par un modèle d’IA générative. Comme décrit par Lei Wang et al., ou encore par HuggingFace, on peut résumer le fonctionnement d’un agent IA en quelques étapes clés : la réception de la requête d’un utilisateur, puis l’utilisation de capacités de raisonnement pour élaborer un plan d’action mis en œuvre en interagissant avec son environnement au moyen des outils à sa disposition. Au cœur de ce système d’IA, un modèle de langage coordonne les actions menées pour répondre à l’utilisateur conformément à sa demande.

 

 

Composants et principe de fonctionnement d'un agent IA. A partir d'une requête utilisateur, l'agent IA utilise ses capacités de raisonnement et de planification pour décider d'interagir avec les outils auxquels il est connecté. Ce processus itératif permet à l’agent conversationnel d’agir sur son environnement (les outils) en observant régulièrement le résultat de ses actions. Il peut s’aider de ses fonctionnalités de personnalisation qui lui permettent d’adapter ces actions à l’utilisateur qui les effectue. Les opérations effectuées sont restituées à l’utilisateur sous forme d’une sortie en langage naturel générée par l’agent conversationnel tout au long de ce processus. Pour certaines, elles peuvent nécessiter une validation intermédiaire de sa part, ou des informations complémentaires.

 

Le modèle de langage, le chef d’orchestre

 

On peut employer plusieurs termes pour désigner ces modèles : grands modèles de langage (ou « LLMs », Large Language Models), modèles de fondation, etc. Ces termes désignent en fait les mêmes systèmes d’IA générative reposant sur :

• Un modèle d’IA probabiliste entraîné sur une grande base de données. Il est ensuite capable de répondre en langage naturel à une requête de l’utilisateur en se fondant sur la distribution statistique de son vocabulaire ;
• Des capacités de raisonnement qui lui permettent de transformer la requête d’un utilisateur en une suite d’étapes à effectuer pour y répondre. Une intervention humaine peut avoir lieu pour valider la décomposition proposée du problème ;
• Des fonctionnalités de personnalisation grâce à des instructions personnalisées et une « mémoire » qui permettent aux modèles de réutiliser des informations : elles peuvent être fournies par l’utilisateur, récupérées dans son historique de conversation, ou complétées automatiquement par le modèle.

 

Ainsi, ChatGPT (OpenAI) a progressivement intégré ces fonctionnalités. La première version de ChatGPT, GPT-3.5, déployée en Novembre 2022, se résumait à un modèle de langage génératif seul. L’année 2023 a vu arriver GPT-4 et ses fonctionnalités de raisonnement, ainsi que les instructions personnalisées, complétées par des capacités de mémoire à partir de Février 2024. Il en va de même pour d’autres fournisseurs de modèles d’IA tels que Le Chat (Mistral) depuis son lancement en Février 2024.

 

Les outils connectés au modèle de langage

 

Le modèle de langage peut ensuite faire appel à des outils externes pour en extraire de l’information, comme expliqué ci-dessus, en ayant accès à :

• Internet, permettant de disposer d’informations à jour ;
• Des bases de données externes par RAG (Retrieved Augmented Generation) ;
• Des services d’hébergement cloud ;
• Etc.

Cet accès aux données de manière autonome par les modèles de langage lui permet de récupérer les informations sans que l’utilisateur n’ait à les fournir manuellement dans sa requête.

 

La connexion de modèles de langage à des outils externes permet également à ces derniers d’agir sur leur environnement, qui peut inclure :

• Un accès à d’autres modèles, comme des modèles de génération d’images et/ou de vidéos lorsque l’utilisateur souhaite utiliser ces derniers ;
• Des environnements de développement au sein desquels le modèle d’IA peut générer du code et réaliser des projets à partir de requêtes de l’utilisateur ;
• Des applications tierces sur lesquelles le modèle peut agir : envoi d’un e-mail, création d’une playlist sur une plateforme d’écoute de musique en ligne, prise de rendez-vous en fonction de créneaux disponible, etc.

 

Les interactions avec ces applications tierces se font au moyen de protocoles standards. Ils permettent d’établir un langage de communication commun entre les modèles de langage et les applications tierces. Le modèle de langage formule des requêtes aux API (Application Programming Interface) de ces applications grâce à ses capacités génératives, qui permettent de déclencher des appels à des fonctions, dont le modèle à connaissance par l’inclusion d’une documentation appropriée dans son contexte. On parle de function calling (appel de fonctions), qui désigne la capacité des modèles de langage à invoquer des fonctions d’un programme informatique pour exécuter des actions précises. Aujourd’hui, le protocole MCP (Model Context Protocol), développé par Anthropic, s’impose largement dans la majorité des cas d’usage.

Schéma explicatif du protocole MCP disponible sur le site de la documentation. Il permet des interactions standardisées entre le modèle d'IA génératives et les outils auxquels il est connecté.

 

Il existe d’autres protocoles, comme le protocole ACP (Agentic Commerce Protocol) proposé par OpenAI, spécialisé dans le commerce agentique. La DINUM expérimente par exemple le déploiement d’un serveur MCP à destination de la plateforme datagouv.

Ainsi, dès Mars 2023, ChatGPT est doté de fonctionnalités de recherche internet. De mêmes, les modèles de génération d’image ont été intégrés à l’interface de ChatGPT en Octobre 2023. Il faut attendre Juin 2025 pour que le protocole MCP soit déployé et permette l’interaction de ChatGPT avec un plus large éventail d’applications tierces. Le protocole ACP, quant à lui, a été introduit en Septembre 2025. De même, l’agent conversationnel Le Chat a intégré la recherche internet et la génération d’image en Novembre 2024 et la possibilité de connecter des applications tierces en Mai 2026.

 

L’interaction entre agents IA

 

Enfin, ces agents IA, capables d’interagir en langage naturel avec l’utilisateur, de raisonner, de proposer un plan de réponse et de le mettre en œuvre grâce à des outils externes auxquels ils sont connectés, peuvent également communiquer entre eux. Il s’agit de leur attribuer à chacun un rôle qu’ils seront tenus de respecter.

Le niveau d’autonomie et d’intervention humaine entre ces interactions est variable. Un utilisateur peut faire appel manuellement à chaque agent qu’il a créé pour effectuer les tâches pour lesquelles il est spécialisé et transmettre les informations utiles aux autres agents. Il est cependant tout à fait envisageable d’imaginer des agents qui se coordonnent entre eux de manière complètement autonome.

Les cas d’usages de ces agents IA sont nombreux, avec des niveaux d’autonomie variés :

• Développement d’application par des agents capables d’interagir avec un environnement de développement de manière entièrement autonome : génération de code, exécution de fonctions, etc. ;
• Assistants pour faire des courses en lignes, du choix des produits à la validation finale de l’achat ;
• Agents financiers autonomes ;
• Agents de traitement de flux d’e-mails ;
• Etc.

 

Ainsi, les premières versions d’agents personnalisés sont apparus sur ChatGPT en Novembre 2023 limitant à des instructions personnalisées qui pouvaient être données à chacun pour effectuer des tâches spécifiques dans des contextes particuliers. L’application de bureau Codex App annoncée en Février 2026 devrait quant à elle permettre de coordonner de multiples agents spécialisés dans la programmation. Des fonctionnalités comparables sont disponibles depuis Février 2024 sur La Plateforme de Mistral, qui permet la création d’agents spécialisés.

Ces systèmes multi-agents, désormais appelés IAs agentiques et orchestrés par des modèles de langage, sont devenus particulièrement populaires au cours des derniers mois. Comme nous l’avons vu, les termes d’agent IA, de systèmes multi-agents, et par extension d’IA agentique, peuvent cependant désigner un ensemble beaucoup plus large et plus ancien de systèmes que ceux basés sur des modèles d’IA générative. Il est donc nécessaire de se poser la question du sens que l’on donne à ces termes, pour mieux en cerner les contours et évaluer les enjeux actuels posés par le déploiement de tels systèmes.

 

IA Agentique et agents IA : un enjeu définitionnel pour la régulation

 

Les briques qui composent les agents IA modernes étant exposées, nous pouvons désormais revenir à la question de la définition rigoureuse de ces systèmes et de leur périmètre. En effet, il ressort de la section précédente qu’un agent IA peut être vu comme reposant sur une série d’innovations apportées aux modèles d’IA générative, et nécessite donc de clarifier ce qu’on entend par cette terminologie.

Les autorités de régulation sont nombreuses à s’être saisies de la question de l’IA agentique, proposant chacune une définition de l’IA agentique et des agents IA. Nous proposons de faire un tour d’horizon des différentes tentatives de définition par les institutions françaises et de l’UE, pour en relever les points communs et les divergences et ainsi questionner le sens de ces termes.

 

Qu’entend-on par IA agentique et agents IA aujourd’hui[1]

 

Des définitions récentes proches de celles des systèmes multi-agents…

 

De prime abord, les définitions proposées par les différentes institutions apparaissent générales et très englobantes. En effet, dans une FAQ, la Commission Européenne décrit les agents IA comme des systèmes d’IA qui « doivent être capables de recevoir et de traiter les informations provenant de leur environnement, et d'exécuter, sur la base de ce traitement, des actions susceptibles d'interagir avec leur environnement ou de l'influencer (par exemple, en émettant des appels de fonction) ». De même, dans son rapport sur l’IA agentique, l’ICO définit les agents IA comme suit : « un agent est un logiciel ou un système qui peut mener à bien des processus ou des tâches avec des niveaux variés de sophistication et d’autonomie ». Les définitions proposées sont générales et suffisamment englobantes pour désigner l’ensemble des agents présentés dans les sections précédentes, qu’ils reposent ou non sur des modèles d’IA générative.

Il en va de même pour la définition d’un système d’IA agentique de l’AEPD, qu’elle résume comme étant « un ou plusieurs agents qui implémente des schémas de raisonnement différents ». L’AEPD est rejointe par la Commission Européenne qui explique que « le terme ‘‘IA agentique’’ est parfois utilisé pour désigner des configurations plus sophistiquées qui intègrent plusieurs agents d'IA. ». Il semble donc dans un premier temps que définir une IA agentique revient à considérer un système multi-agents, sans plus de précision. L’EDPS adopte également des définitions très larges : « si les agents IA sont des systèmes uniques qui peuvent réaliser de manière autonome certaines tâches […], l’IA agentique va plus loin en coordonnant de multiples agents ».

Le CIANum, quant à lui, propose une unique définition plus englobante, qui ne fait pas la distinction entre agent IA et IA agentique : « Un agent IA est un programme informatique capable de prendre des décisions ou de réaliser des actions, y compris de les coordonner entre elles, en s’appuyant sur des modèles d’intelligence artificielle », et recommande de privilégier le terme d’IA agentique.

On peut noter toutefois que ces définitions reprennent les concepts clés des agents IA : l’autonomie, la capacité à raisonner pour réaliser un objectif et la capacité à interagir avec leur environnement, tandis que l’IA agentique semble plutôt désigner des systèmes impliquant la coordination multiple de ces agents.

 

… qui s’articulent tout de même autour des modèles d’IA générative

 

Toutefois, les modèles de langage sont omniprésents dans le paysage définitionnel, parfois implicitement. En effet, l’EDPS, ne mentionne pas clairement les modèles de langage dans ses définitions, mais les exemples donnés sont constitués exclusivement d’agents IA et d’IA agentiques reposant sur des modèles de fondation, en évoquant les protocoles MCP et ACP présentés dans la section précédente. Certaines autorités sont toutefois plus explicites. Dans son rapport, l’AEPD précise ainsi : « Un agent IA est un système d’IA qui utilise des modèles des langages pour atteindre des objectifs ». Parmi les composants qui constituent une IA agentique elle cite également : « un ou plusieurs modèles de langage (en local ou dans le cloud) ». De même, si l’ICO définit par un périmètre large les agents IA, le sens donné à l’IA agentique se précise et lève toute ambiguïté sur les systèmes concernés : « Lorsque des LLMs ou des modèles de fondation sont intégrés avec d’autres outils, […], ils créent ce que l’industrie appelle ‘‘l’IA agentique’’ ». L’ICO emploie d’ailleurs le terme de « LLM agentique » qui permet de préciser les systèmes concernés par cette définition. En conclusion, dans un article, Inria confirme ce point de vue : « les IA agentiques s’appuient aujourd’hui largement sur les modèles génératifs (notamment les LLM) ».

Pour soutenir cette désignation courante, on peut revenir à l’article de Sapkota et al. (2025) qui définit l’IA agentique comme « un paradigme récent reposant sur l’apprentissage profond, l’apprentissage par renforcement, et les modèles de fondation pour doter les agents IA d’une capacité à analyser le contexte d’utilisation, à apprendre de manière continue et avec un niveau d’autonomie émergent ».

 

 

IA générative ou agentique : quelles frontières ?

 

Comme le dit Inria dans un article dédié, c’est la question de l’autonomie qui est centrale pour caractériser un agent IA, dans sa capacité à agir sur son environnement : « C’est cette notion d’autonomie dans l’action (et non seulement d’accès à l’information) qui caractérise l’IA agentique ». Ce principe fait écho à l’étymologie du mot (issu du latin « agir ») rappelée en introduction de cet article.

Le CIANum propose par exemple de classer les IAs agentiques en cinq degrés d’autonomie, allant de la simple reproduction de règles prédéfinies (ce qui est plutôt relatif aux IAs agentique d’avant l’ère des LLMs), à des flux entièrement autonomes sans intervention humaine dans les processus de prise de décisions intermédiaires pour exécuter la tâche demandée dans son intégralité. Ce dernier niveau reste à l’heure actuelle un horizon de l’IA agentique reposant sur des modèles de fondation et soulève par ailleurs des questions juridiques structurantes comme celle de l’intervention humaine dans les processus de décision.

Cette première proposition de classification des IAs agentiques par niveau d‘autonomie est intéressante, mais reste générale et concerne les systèmes multi-agents dans leur ensemble, sans distinction entre IAs agentiques intégrant ou non de l’IA générative. Il peut être utile, en complément, de définir des niveaux d’autonomie spécifiques aux IAs agentiques reposant sur des modèles d’IA générative, comme le propose l’entreprise HuggingFace. Le premier niveau d’IA agentique serait atteint lorsque la sortie d’un agent d’IA permet d’orienter un flux d’action, tandis que le niveau maximal serait, en plus d’être capable de faire appel à des outils et de mener à bien un raisonnement multi-étape, de coordonner des flux d’agents IA.

Il reste que les propriétés agentiques semblent découler d’une certaine capacité pour un agent IA à agir et modifier l’état de son environnement (système extérieur, application tierce, etc.).

 

Focus : le terme d’agent conversationnel

 

 

 

Conclusion : une intégration continue dans la régulation ?

 

Le passage de l’IA générative à l’IA agentique marque un changement d’échelle qui renouvelle et amplifie les risques pour les données personnelles des utilisateurs. Capables d’accéder et de traiter d’importants volumes de données à partir des multiples sources auxquelles elles sont connectées, mais aussi d’agir sur leur environnement, les IA agentiques impliquent la circulation de données personnelles entre de nombreux services. Par ailleurs, la conservation de l’historique des interactions avec l’utilisateur et le recours à des mémoires persistantes participent également à augmenter les données conservées par ces systèmes sur des supports variés. Ces mécanismes favorisent ainsi la création de profils utilisateurs hyperpersonnalisés et une autonomie décisionnelle accrue.

Dans une note écrite conjointement avec le CIANum, la CNIL explore les enjeux de l’IA agentique pour la protection des données personnelles. En effet, les flux de données mis en œuvre par les systèmes d’IA agentique peuvent être difficiles à appréhender par l’utilisateur, créant un risque réel de perte de maîtrise sur ses données personnelles et mettant ainsi en tension les principes du règlement général sur la protection des données (RGPD).

Les systèmes d’IA agentique posent également des questions de partage des responsabilités entre les acteurs, par la délégation de pouvoir qu’ils permettent. En effet, les capacités d’action autonome des systèmes agentiques et d’interaction avec d’autres applications leur permettent d’automatiser des processus décisionnels faisant intervenir de multiples acteurs. Ce fonctionnement décentralisé complexifie l’identification des responsabilités de chacune des parties et étend les risques liés à la cybersécurité à l’ensemble des services connectés aux systèmes d’IA agentique.

Au regard des risques que présentent le développement et le déploiement de systèmes d’IA agentique, le cadre juridique applicable apparaît comme un levier essentiel de maîtrise de ces nouveaux usages. Si les principaux instruments du droit européen de la protection des données et de la régulation de l'intelligence artificielle leur sont déjà applicables, leurs caractéristiques propres – autonomie décisionnelle, mémoire persistante, capacité d'interagir avec une pluralité de services et d'agir au nom de l'utilisateur – appellent à une adaptation des modalités de mise en œuvre de ces règles.

 

[1] Les citations dans cette section sont en français mais ne sont pas des traductions officielles.

 

Illustration : pexels