Agent IA : la définition, et un test en 4 questions

Un agent IA est un système où un modèle de langage décide lui-même, pendant l'exécution, quelles étapes suivre et quels outils appeler pour atteindre un objectif, jusqu'à ce qu'il juge la tâche terminée ou qu'une limite l'arrête. Ce qui le sépare d'un chatbot ou d'une automatisation ordinaire n'est pas son intelligence, c'est une seule question : qui choisit l'étape suivante, ton code ou le modèle ?

Cette définition est celle des équipes qui fabriquent ces boucles. Anthropic oppose les enchaînements où le code fixe le chemin à l'avance, qu'elle nomme workflows et que j'appellerai ici des scénarios, aux agents, où le modèle dirige son propre déroulé et son usage des outils (Building effective agents, 19 décembre 2024). OpenAI trace la même frontière et la rend exclusive : les applications qui branchent un modèle sans le laisser contrôler l'exécution, chatbots simples et classifieurs compris, ne sont pas des agents (A practical guide to building agents).

Le test en quatre questions

Tu peux classer un outil vendu comme agent sans voir une ligne de son code. Quatre questions suffisent, et chacune se vérifie de l'extérieur.

Est-ce que quelque chose bouge en dehors de la conversation ? Cherche une action sur un système tiers : un email parti, une ligne écrite dans un tableur, une commande passée. Si la seule sortie est un texte que tu recopies toi-même, c'est un chatbot, même excellent, et le test s'arrête là.

Qui a écrit la suite des étapes ? Lance la même tâche sur deux entrées franchement différentes, une demande banale et un cas tordu, puis compare les deux exécutions. Mêmes étapes dans le même ordre, c'est le code qui les tient. L'une appelle deux outils et l'autre sept, c'est le modèle.

Les outils sont-ils choisis pendant l'exécution ? Trouve une entrée où l'un des outils ne sert à rien. Un agent ne l'appelle pas. Un scénario l'appelle quand même, parce que la case existe dans le parcours et que rien ne permet de la sauter.

Qui décide que c'est terminé ? Dans un scénario, la fin est la dernière case. Dans un agent, le modèle s'arrête quand il estime l'objectif atteint, ou un plafond l'interrompt. Si personne ne sait dire, avant de lancer, combien d'étapes l'exécution prendra, tu as un agent devant toi.

La lecture tient en trois lignes. Non à la première question, c'est un chatbot. Oui à la première et non aux trois autres, c'est un scénario automatisé. Oui aux quatre, c'est un agent. Pour la deuxième question, la trace est à portée de clic : les scénarios affichent un historique d'étapes, les boucles écrivent les appels d'outils dans leur journal. Deux exécutions identiques sont un indice fort, pas une preuve, puisqu'un agent peut emprunter le même chemin deux fois par hasard. Dans le doute, ajoute une troisième entrée qui devrait exiger une étape de plus.

Trois outils passés au test

Une conversation ordinaire avec ChatGPT, d'abord. Tu reçois un texte et tu le recopies toi-même là où il doit aller. Rien ne bouge dehors, c'est un chatbot, catégorie que le guide d'OpenAI exclut explicitement des agents.

Un scénario Make ou Zapier qui traite tes emails, ensuite. Un message arrive, un modèle en écrit le résumé, une ligne s'ajoute dans un tableur. Quelque chose bouge dehors, donc ce n'est pas un chatbot. Mais les trois étapes sont dessinées dans l'éditeur, le modèle n'a pas le droit de sauter le tableur, et la fin est la dernière case. Trois non de suite : c'est un scénario, et il fait très bien ce travail.

Une boucle qui appelle une API de modèle avec deux outils, enfin. Sur une facture claire elle fait deux tours, sur un dossier confus elle en fait six, et les outils appelés ne sont pas les mêmes. Quatre oui : c'est un agent, et la boucle complète en Python montre où le modèle prend cette main.

“

Un agent, c'est le modèle qui choisit l'étape suivante. Si tu peux dessiner le parcours à l'avance, c'est un scénario.

”

Ce que les définitions des grands éditeurs ratent

Les pages qui occupent le haut des résultats donnent toutes la même liste de qualités. Google Cloud décrit des systèmes logiciels qui font preuve de raisonnement, de planification et de mémoire, avec une autonomie pour décider, apprendre et s'adapter (page mise à jour le 2 avril 2026). AWS aligne huit caractéristiques, dont l'autonomie, la proactivité, l'apprentissage continu et la collaboration (Que sont les agents d'IA).

Ces listes ne sont pas fausses, elles sont invérifiables de l'extérieur. Tu ne peux pas ouvrir un produit et constater qu'il raisonne ou qu'il est proactif, alors n'importe quel éditeur coche les huit cases dans sa brochure. Le critère d'Anthropic et d'OpenAI porte sur la structure du système, et une structure se constate en deux exécutions.

L'apprentissage mérite une précision. Ni la définition d'Anthropic ni celle d'OpenAI ne le mentionnent, pas plus que la mémoire : elles parlent de contrôle de l'exécution et de choix des outils, rien d'autre. Un agent qui garde le fil d'une tâche à la suivante le doit à un stockage que quelqu'un a branché, pas au mot « agent ». Si un outil promet d'apprendre de tes corrections, demande où elles sont écrites et ce qui les relit.

Ce que la réponse change quand tu paies

Un scénario a un coût connu d'avance : tu comptes les étapes, tu multiplies. Un agent, non, et ce n'est pas un défaut de jeunesse. Anthropic écrit que les systèmes agentiques échangent de la latence et du coût contre une meilleure performance, et qu'ils servent aux problèmes ouverts où le nombre d'étapes est difficile ou impossible à prévoir. Tu ne connais donc pas le prix d'une exécution avant qu'elle se termine, et le plafond d'étapes devient le seul mur entre toi et une boucle qui tourne à vide.

La panne change de forme aussi. Un scénario casse à une case nommée et tu la vois dans l'historique. Un agent réussit à moitié, ce qui ne déclenche aucune alerte : c'est le seuil où le gratuit casse, à la première exécution que personne ne lit.

Le cas où le test ne tranche pas

Beaucoup de produits réels sont un scénario dont une seule case est un agent : un déclencheur câblé reçoit l'email, un modèle outillé décide seul quoi en faire, une dernière case câblée archive le résultat. Le test ne classe alors pas le produit entier, il classe l'étape que tu regardes. Applique-le à l'endroit où la décision se prend, et pose la deuxième question au vendeur dans ces termes. Si la réponse ressemble à « nous avons cartographié le parcours », tu achètes un scénario : pas un mensonge, mais un produit à qui tu ne pourras pas confier les cas sortis du parcours. Le tri entre trois formes et une règle se fait là, pas sur la page de vente.

Ne lis pas non plus ce texte comme un plaidoyer pour l'agent. Anthropic recommande de chercher la solution la plus simple possible et de n'augmenter la complexité qu'en cas de besoin, en notant qu'un seul appel au modèle, enrichi de recherche documentaire et de quelques exemples, suffit à beaucoup d'applications. Quand tu travailles seul, le parcours est souvent connu et se dessine en dix minutes. L'agent devient le bon choix le jour où tu n'arrives plus à le dessiner, parce que les entrées refusent de se ranger. Un trieur d'emails monté en six étapes montre à quoi ressemble cette bascule.

Faut-il savoir coder pour utiliser un agent IA ?

Non pour l'utiliser, oui pour lui poser des limites. Les plateformes sans code proposent des modes agents qui fonctionnent, mais le plafond d'étapes, le refus d'une sortie mal formée et l'alerte de fin d'exécution sont rarement fournis par défaut. Ce sont eux qui décident si tu peux le laisser partir sans toi.