Qu’est-ce que l’IA agentique et comment fonctionne-t-elle ?

Après des années d’engouement pour l’utilisation de l’IA générative afin de synthétiser des documents, de rédiger des e-mails et de traiter des données, les entreprises délaissent désormais ces bots IA isolés au profit de systèmes d’IA agentique.

Cette évolution intervient alors que 98 % des chefs d’entreprise s’accordent à dire que l’intelligence artificielle est essentielle à la croissance, et que beaucoup s’attendent à ce qu’elle fasse bien plus que simplement résumer et répondre à des questions.

L’IA agentique aide les entreprises à prendre des décisions, à exécuter des tâches et à automatiser des flux de travail en plusieurs étapes avec une intervention humaine minimale. L’objectif n’est pas de remplacer les humains, mais de servir de multiplicateur de force pour leur travail.

Dans ce guide, nous allons passer en revue la définition de l’IA agentique, ce qui la distingue des autres modèles d’IA, son fonctionnement, ainsi que la manière dont elle transforme déjà de nombreux secteurs.

L’IA agentique désigne les systèmes d’IA autonomes capables de planifier, de raisonner et d’agir de manière indépendante pour atteindre un objectif partagé.

Contrairement à l’IA classique, qui se concentre sur une seule tâche à la fois, l’IA agentique coordonne un ou plusieurs agents afin de raisonner pour atteindre un objectif, de décomposer les objectifs généraux en étapes plus modestes, de prendre des décisions et d’exécuter des actions avec peu ou pas d’intervention humaine. Le terme « agentique » fait référence à la capacité de ces modèles à prendre des initiatives et à agir de manière autonome avec un minimum de supervision humaine.

Voyez les choses ainsi : un outil d’IA classique peut se charger de tâches simples, comme envoyer une notification lorsque les niveaux de stock atteignent un certain seuil, mais un système d’IA agentique vérifiera les articles manquants ou en rupture de stock, détectera les retards des fournisseurs, recherchera un fournisseur alternatif, enverra un e-mail à ce nouveau fournisseur pour obtenir des devis, comparera les prix avec votre budget et passera la commande. S’il est correctement configuré, il peut faire tout cela avant même que vous ne vous rendiez compte qu’il y avait un problème.

L’IA agentique s’appuie sur des grands modèles de langage (LLM), ce qui lui permet de lire, de comprendre et de générer du texte de manière naturelle, tout comme l’IA générative. Cependant, la différence fondamentale entre l’IA générative et l’IA agentique réside dans les capacités de planification, d’exécution d’actions et d’autocorrection qu’offre cette dernière, ce qui en fait un prolongement de votre personnel.

Quand confond souvent IA agentique et IA classique. En effet, la plupart des recherches effectuées sur Google concernant la signification de l’IA agentique découlent de cette confusion.

Bien que les deux termes proviennent du même ouvrage intitulé « Intelligence artificielle », la différence réside dans leur manière d’être mis en œuvre.

L’IA classique, y compris l’IA générative, désigne les anciens modèles d’IA basés sur le chat, capables de répondre à des questions simples et d’exécuter des requêtes ponctuelles. Ces modèles sont réactifs et attendent une commande directe avant chaque étape.

L’IA agentique, quant à elle, coordonne un ou plusieurs agents pour qu’ils raisonnent, agissent et réalisent un objectif partagé. Les agents sont semblables à une équipe autonome plutôt qu’à un simple assistant. L’IA agentique est proactive, largement autonome et va au-delà des simples interactions de type question-réponse pour exécuter des flux de travail en plusieurs étapes.

Comprendre cette différence vous aide à déterminer si vous avez besoin d’une simple automatisation ou d’une véritable autonomie opérationnelle.

Imaginons que vous ayez embauché un nouveau collaborateur à distance très compétent. Vous lui demandez d’organiser et de réserver un séminaire d’entreprise. Vous ne lui indiquez pas sur quels boutons de la souris cliquer ni quels sites Web consulter : vous lui faites confiance pour s’en débrouiller. Il consulte les agendas, compare les prix des vols, se souvient que le PDG déteste les départs tôt le matin, et réserve les billets.

En résumé, c’est exactement ainsi que l’IA agentique est conçue pour fonctionner. Ces systèmes s’appuient sur une architecture sophistiquée articulée autour de six caractéristiques clés :

1. Perception

Tout comme les ordinateurs classiques interprètent le code binaire, l’IA agentique perçoit l’environnement à partir de données sous toutes leurs formes, qu’elles soient textuelles, visuelles, structurées ou non structurées, et provenant de multiples sources, telles que les bases de connaissances, les capteurs, les API et les saisies des utilisateurs.

À partir de ces informations, elle interprète les signaux et établit un contexte autour d’eux. Cet état sert alors de base au raisonnement et à l’action.

2. Raisonnement

Une fois le contexte établi, l’IA analyse les tâches principales à l’aide de LLM.

Comme les instructions humaines peuvent être vagues, les agents ont recours à des processus de réflexion internes, ou à ce qu’on appelle le « monologue intérieur des agents », pour comprendre l’objectif. Cela signifie que les agents IA analysent littéralement le problème en interne avant d’agir.  

Pour ce faire, elle utilise un ou plusieurs cadres de raisonnement, tels que le raisonnement par chaîne de pensée (CoT), l’arbre de pensée (ToT) et ReAct (Reason + Act), afin de réfléchir de manière itérative, de tester une hypothèse, puis de réfléchir à nouveau, imitant ainsi la résolution de problèmes chez l’humain.

Si un objectif est ambigu, le système peut raisonner de manière autonome en recourant à des heuristiques et à l’inférence probabiliste pour combler les lacunes. L’intérêt de cette étape est précisément d’examiner toutes les conséquences possibles des différentes actions avant de s’engager dans une voie particulière.

Imaginons que nous confions la tâche consistant à « organiser un séminaire d’entreprise » à un système d’IA agentique. Voici à quoi pourrait ressembler son raisonnement :

« L’objectif est d’organiser et de réserver un séminaire d’entreprise pour le mois prochain. Je dois d’abord vérifier les disponibilités de l’équipe. Je constate que la seule période où tous les cadres sont disponibles est du 15 au 17. Ensuite, je dois trouver un lieu pouvant accueillir 50 personnes pour un budget inférieur à 15 000 $. Le Mountain Resort est disponible, mais coûte 18 000 $. Le Lakeside Inn coûte 12 000 $, mais se trouve à trois heures de route. Étant donné que le budget est une contrainte stricte et que le trajet en voiture respecte la limite de quatre heures prévue par la politique de l’entreprise, je vais donner la priorité au budget et choisir le Lakeside Inn, puis rechercher des options de navette. »

C’est cette capacité à évaluer des informations contradictoires et à recourir à la logique pour trouver une solution qui distingue un agent d’un script.

3. Définition d’objectifs

Ensuite, le système décompose l’objectif général en étapes logiques plus petites et détermine la meilleure séquence pour les atteindre.

Pour reprendre notre exemple de déplacement hors site, l’agent décompose le plan de voyage en un graphe de dépendances composé de sous-tâches :

• Tâche 1 : Vérifier et réserver les calendriers des équipes pour les jours de voyage.
• Tâche 2 : Réserver le Lakeside Inn pour les 15, 16 et 17.
• Tâche 3 : Organiser une navette pour 50 employé·es.
• Tâche 4 : Recueillir les restrictions alimentaires et finaliser les menus.
• Tâche 5 : Assurer la coordination avec les chefs de service pour pourvoir les places disponibles dans les ateliers.

Si une tâche est trop vaste pour être réalisée d’un seul coup, l’IA définit des sous-objectifs et des jalons.

Une fois encore, ce comportement proactif permet au système d’adapter les tâches et les étapes de manière autonome afin d’atteindre le résultat souhaité sans attendre de nouvelles instructions.

4. Prise de décision

À ce stade, l’agent doit déterminer la ligne de conduite la plus efficace. Pour ce faire, il utilise une combinaison de fonctions d’utilité, de modèles décisionnels basés sur les priorités et de modèles décisionnels probabilistes afin d’obtenir le meilleur résultat possible.

S’il rencontre un obstacle, il recalcule son itinéraire et prend des décisions en temps réel.

Supposons qu’il passe à la tâche n° 3 et constate que la compagnie de navettes affiche complet. Il se fixe immédiatement un nouvel objectif intermédiaire — par exemple, consulter les horaires de train et regrouper les bons Uber — et poursuit son chemin selon ce nouveau plan.

À cette étape, l’autonomie est primordiale. Les agents échangent leurs raisonnements pour prendre des décisions et s’ajustent automatiquement vers les meilleures options possibles.

5. Exécution

Une fois le plan défini et les décisions prises en votre nom, le système détermine les outils (API, interpréteurs de code, actions de navigateur) nécessaires à l’exécution du flux de travail.

Comme l’IA agentique peut accéder aux plugins installés par l’administrateur sur des outils externes, elle peut interagir directement avec ces applications tierces et y exécuter des tâches.

En cours d’exécution, si un appel API échoue ou si un site Web de réservation est indisponible, les systèmes d’IA agentique intègrent une gestion des erreurs. Cela signifie qu’au lieu d’interrompre le processus, ils analyseront l’erreur. Si l’erreur est temporaire, ils réessaieront après deux minutes. Dans le cas contraire, l’IA s’autocorrigera et recherchera la meilleure action possible.

La plupart des entreprises mettent en place des mesures de sécurité à ce stade, car les agents communiquent dans un environnement opaque, de type « boîte noire », et personne ne sait vraiment ce qui se trame.

Ainsi, pour protéger les intérêts de chacun, elles fixent des limites précisant dans quels cas l’agent peut agir de manière autonome et dans quels cas il doit attendre l’accord d’un humain.

Par exemple, il peut vous rediriger vers la page de paiement du site Web de réservation, mais vous demander ensuite de valider la transaction manuellement.

6. Apprentissage et mémoire

L’apprentissage agentique constitue le principal facteur de différenciation. Contrairement à l’IA générative, qui reste inchangée tant qu’on ne lui donne pas d’instructions explicites, l’IA agentique tire des enseignements de ses interactions et expériences passées.

Pour ce faire, l’IA s’appuie sur la mémoire épisodique. Elle stocke les actions passées, les interactions et les retours d’expérience dans une base de données mémorielle. À chaque nouvelle information, l’IA met à jour sa mémoire procédurale. La prochaine fois qu’une tâche ou une requête similaire se présente, l’IA est en mesure de la traiter plus efficacement.

Cependant, le composant mémoire n’est pas activé par défaut et doit être ajouté via des magasins de vecteurs ou des bases de données.

L’IA agentique est déjà utilisée dans de nombreux secteurs. Les PME s’en servent pour leurs tâches quotidiennes, tandis que les grandes entreprises l’adoptent pour gagner en efficacité et en rapidité. Examinons quelques exemples concrets d’utilisation de l’IA agentique en 2026.

Ressources humaines

Selon Gartner, le recrutement à grande échelle et en amont privilégiera l’IA dès 2026. Deux facteurs principaux sont à l’origine de cette évolution : l’engouement pour l’automatisation par l’IA et la pression pour réduire les coûts. La mise en œuvre de systèmes d’IA permet de répondre à ces deux enjeux.

Unilever utilise l’IA agentique pour accélérer son recrutement sur les campus en automatisant l’ensemble du processus, de la candidature aux évaluations en passant par les entretiens vidéo. Il en résulte une réduction de 75 % du temps consacré au recrutement et des économies de coûts supérieures à 1 million de livres sterling.

L’IA agentique appliquée au recrutement permet une organisation plus cohérente des informations sur les candidats, contribuant ainsi à réduire les pertes de temps liées aux tâches manuelles dès les premières étapes du processus de recrutement.

Voyage

Près de 90 % des consommateurs souhaitent utiliser l’IA pour leurs futurs voyages, que ce soit pour planifier leur itinéraire ou pour réserver leur voyage de A à Z.

Par exemple, Booking.com utilise des outils basés sur l’IA pour aider ses clients et ses partenaires à prendre des décisions et à résoudre les conflits. L’IA peut réserver des hébergements, comparer des vols et des villas, et même louer un taxi.

Pour une automatisation complète du voyage, NorthBay utilise des agents afin de créer, réserver et modifier des itinéraires en temps réel, sans intervention humaine. Cela a permis d’augmenter le taux de conversion des réservations de 20%-30% et de réduire les coûts d’assistance jusqu’à 40 %.

Logistique

Les opérations de vente au détail et d’expédition s’appuient sur des systèmes agentiques principalement pour la gestion des stocks, la hiérarchisation des commandes et l’optimisation des itinéraires.

• Walmart utilise une IA agentique pour prévoir la demande et ajuster les niveaux de stock dans ses plus de 4 700 magasins.
• DHL dispose d’agents assistés par IA pour surveiller les expéditions et proposer des itinéraires alternatifs en cas de retard.
• Les systèmes de planification d’itinéraires basés sur l’IA de Maersk optimisent en permanence la consommation de carburant, les temps d’escale et les itinéraires, agissant comme un décideur autonome au sein de son réseau.

Assistance clientèle

L’urgence d’adopter un logiciel de centre de contact basé sur l’IA n’a jamais été aussi grande dans le domaine de l’expérience client. Voici deux bons exemples.

• Bank of America déploie Erica, une assistante financière virtuelle alimentée par IA, pour aider les clients à effectuer eux-mêmes leurs opérations et à résoudre leurs questions bancaires courantes sans avoir à passer à un conseiller. Cela réduit la pression sur les employés tout en offrant une assistance rapide et fiable.
• Alors que nous entrons dans une nouvelle ère avec l’IA agentique, la solution de centre de contact optimisée par l’IA de Zoom vous aide à transformer les conversations avec vos clients en actions concrètes. Cricut, une marque de décoration personnalisée, utilise Zoom AI Companion 3.0 et Zoom Virtual Agent pour offrir un service en libre-service à ses clients et améliorer le taux de résolution dès le premier appel en permettant des transferts instantanés de la voix vers la vidéo. L’entreprise a réduit le temps d’attente des clients de près de 90 % et atteint un taux de résolution en libre-service de 50 %.

La mise en place de systèmes d’IA agentique consiste à confier à une équipe de travailleurs numériques la réalisation de tâches pour votre compte, en toute autonomie. Cependant, cela augmente également le risque que les choses déraillent ou se retrouvent bloquées dans une boucle sans fin.

Voici six bonnes pratiques à suivre :

• Définir clairement vos objectifs dès le départ : donnez au système un objectif simple et clair afin qu’il apprenne à accomplir les tâches sans s’écarter de son but. Laissez-le apprendre à partir des interactions et évitez qu’il ne se lance dans des tâches ou des expériences hors sujet.
• Commencer par des tâches simples avant de généraliser : utilisez des flux de travail en deux ou trois étapes avant de passer à des opérations impliquant plusieurs équipes. Un démarrage progressif peut vous aider à comprendre le comportement du système.
• Surveiller régulièrement les décisions prises par l’IA : l’IA peut produire des résultats erronés, et il convient de tester son autonomie au préalable. Utilisez des outils d’observabilité, des points de contrôle ou des étapes de vérification humaine pour détecter les problèmes avant la mise à l’échelle.
• Tirer parti de la collaboration entre plusieurs agents : utilisez des systèmes modulaires, tels que les SLM de Zoom, qui combinent plusieurs agents spécialisés plutôt qu’un modèle unique et global. Cela permet d’améliorer la tolérance aux pannes et de réduire la consommation de ressources.
• Alimenter en continu le contexte et les données : la qualité des systèmes d’IA dépend entièrement de celle des données sur lesquelles ils sont entraînés. Maintenez des flux de données de haute qualité et des référentiels bien indexés afin de fournir aux agents le contexte nécessaire en temps réel.
• Itérer et affiner les flux de travail : analysez les données de performance issues des interactions en temps réel afin d’affiner les flux de travail et de garantir que le système évolue au rythme de vos besoins.

Conseil : vous pouvez créer et déployer vos propres agents IA personnalisés via Zoom AI Studio.

Grâce à des outils tels que Zoom Virtual Agent et Zoom AI Companion, les équipes peuvent mettre en place des flux de travail multi-canaux, mémoriser les conversations et coordonner plusieurs agents pour traiter les demandes complexes des clients.

Pour les PME, cela signifie traiter davantage de demandes d’assistance sans augmenter les effectifs. Quant aux grandes entreprises, cela leur permet de gérer des flux de travail complexes avec des limites plus clairement définies. L’approche axée sur l’IA de Zoom aide les entreprises à tirer parti de l’IA agentique pour exécuter rapidement des tâches complexes et interagir avec leurs clients à grande échelle.

Pourquoi l’IA agentique est-elle importante ?

L’IA agentique est importante car elle est capable de planifier, de raisonner et d’agir à votre place, ce qui vous permet de réduire les tâches répétitives et chronophages et de vous concentrer sur des activités à forte valeur ajoutée.

Les systèmes d’IA agentique posent-ils des difficultés ?

Oui. À mesure que les systèmes gagnent en autonomie, les équipes doivent assurer la gouvernance, prévenir toute utilisation abusive des outils et surveiller de manière proactive tout comportement inattendu.

Quels sont les différents types d’agents IA ?

Les agents IA sont généralement classés en cinq catégories en fonction de leur architecture :

• Les agents réflexifs simples agissent en fonction de leurs perceptions du moment, selon des règles prédéfinies.
• Les agents basés sur des modèles gèrent un état interne pour suivre les changements.
• Les agents orientés vers un objectif agissent spécifiquement pour atteindre un objectif défini.
• Les agents basés sur l’utilité cherchent à optimiser le résultat le plus « souhaitable ».
• Les agents d’apprentissage améliorent leurs performances au fil du temps grâce à l’expérience.

ChatGPT est-il un agent IA ?

Oui, OpenAI propose désormais des agents ChatGPT capables de raisonner et d’agir de manière autonome.