IA agentique (intelligence artificielle agentique) : définition (2026)

IA agentique : la définition, en trois questions

L'Inria, l'institut public français de recherche en sciences du numérique, donne l'exemple le plus parlant. Au lieu de demander « rédige un mail », tu peux dire « gère mes mails cette semaine ». La première demande attend un texte. La seconde confie un résultat et laisse à l'IA le soin de trouver le chemin.

Pour trouver ce chemin, l'IA s'appuie presque toujours sur un grand modèle de langage (LLM, pour large language model). C'est le type de programme qui fait tourner ChatGPT, Claude, Gemini ou Vibe, de Mistral : il lit du texte et en écrit. Seul, il ne fait rien d'autre.

Un système devient agentique quand il fait agir ce modèle. Il l'est plus ou moins, selon ce que le modèle décide seul. Pour le mesurer, prends une tâche précise qu'un produit réalise du début à la fin et pose ces trois questions.

1. Le modèle choisit-il l'étape suivante ? Si les étapes sont écrites d'avance et que le modèle remplit seulement du texte à des endroits prévus, c'est non. S'il lit la situation et choisit l'action suivante, c'est oui. « Trie les factures du mois et signale celles qui dépassent le budget » lui laisse ce choix. « Ouvre ce fichier, lis la colonne C, écris le total en D » ne le lui laisse pas. La réponse dépend donc aussi de la consigne.
2. Peut-il agir ? Un modèle qui rend seulement du texte conseille, donc c'est non. Pour agir, il lui faut des outils : les actions que le programme qui l'entoure met à sa disposition, comme chercher sur le web ou envoyer un message. La CNIL, l'autorité française des données, décrit des agents qui peuvent « agir sur un environnement défini » et « en modifier l'état » : lire, changer ou supprimer ce qu'il y a dans tes applications.
3. Continue-t-il jusqu'à juger le travail fini ? Si le programme déroule une fois des étapes fixes puis s'arrête, c'est non. S'il regarde le résultat de chaque action et repart jusqu'à l'objectif ou jusqu'à une limite, c'est oui. Anthropic, l'entreprise qui développe Claude, conseille d'ailleurs un agent pour les problèmes où on ne peut pas prévoir le nombre d'étapes à l'avance.

Les réponses situent le produit entre une simple automatisation et un agent. Sans aucun oui, c'est un programme sans IA, ou un produit qui pose une seule question à un modèle. Avec un ou deux oui, il reste proche de l'automatisation. Un scénario qui fait rédiger puis envoyer des emails par un modèle agit, mais ne choisit rien. Un chatbot équipé d'une recherche web choisit d'aller chercher une information, puis c'est toi qui décides de la suite.

Avec trois oui, cette page parle d'agent. D'autres, comme le Conseil de l'IA et du numérique, une instance consultative française, emploient le mot dès qu'un programme décide ou agit. Vu de l'extérieur, tes réponses se lisent dans le journal du produit, la liste de toutes ses actions sur cette tâche.

IA agentique, IA générative, chatbot, automatisation : les différences

Ces mots sont souvent employés pour les mêmes logiciels, ce qui entretient la confusion. Une question les distingue : qui décide de l'étape suivante ?

L'automatisation a deux formes courantes. La RPA (robotic process automation) désigne des robots logiciels qui reproduisent les clics et les saisies d'un employé selon des règles fixes. Make et Zapier sont deux services en ligne qui enchaînent des actions entre applications selon un scénario écrit d'avance.

L'IA générative crée, l'IA agentique agit avec ce qu'elle crée. Elles n'appartiennent pas à deux familles de modèles : un système agentique utilise les mêmes modèles génératifs et leur fait piloter des actions. Automation Anywhere, un éditeur de logiciels d'automatisation, en donne un exemple. L'IA générative rédige un email. L'IA agentique peut aussi chercher le destinataire dans ton fichier clients, ajouter la facture qui correspond et envoyer le tout.

Les modèles restent donc les mêmes et c'est ce qu'on leur fait faire qui change. Le Conseil de l'IA et du numérique écrit ainsi en février 2026 que l'IA agentique « ne constitue pas une rupture technologique unique ». L'Inria parle d'une rupture « fonctionnelle » : tu peux confier une tâche entière sans en préciser les étapes.

Un chatbot répond, un agent exécute. Dans son guide pratique d'avril 2025, OpenAI, l'entreprise de ChatGPT, ne compte pas comme agents les applications qui utilisent un modèle sans le laisser décider des étapes. Ce guide cite les chatbots simples et les modèles qui répondent en un seul échange.

ChatGPT lui-même change de catégorie selon le mode. En conversation, il répond. Son mode Work est « un agent conçu pour un travail plus long en plusieurs étapes et des livrables finis », selon OpenAI. Ce mode a pris la suite du mode agent, lancé en juillet 2025 et retiré depuis. Celui-ci naviguait sur des sites, remplissait des formulaires et faisait tourner des programmes sur son propre ordinateur virtuel, un ordinateur simulé qui n'était pas le tien.

Une automatisation suit un scénario, un agent trouve le sien. Entre les deux, Anthropic place le workflow, une automatisation dont certaines étapes font appel à un modèle. Elle compte le workflow et l'agent parmi ce qu'elle appelle les « systèmes agentiques », avec une différence nette. Une RPA sans modèle reste en dehors.

Dans un workflow, l'enchaînement est écrit d'avance : on demande au modèle de rédiger, puis de vérifier. Le programme décide toujours de l'ordre. Dans un agent, le modèle choisit lui-même ses étapes et ses outils. Un workflow reste donc proche de l'automatisation : il refait les mêmes étapes, ce qui permet de vérifier facilement qu'il marche.

Cette liberté se paie en prévisibilité. Guillaume Laforge, chargé des relations avec les développeurs chez Google Cloud, le résumait en mai 2025 à Devoxx France, une conférence de développeurs : « plus un agent est autonome… moins il est déterministe ». Autrement dit, il refait moins souvent exactement la même chose.

Louis Choquel, cofondateur de Pipelex, une jeune entreprise qui fournit des outils pour construire ces systèmes, en donnait un exemple à Polytechnique en mai 2026. Un agent qui suit une consigne écrite avec des mots de tous les jours « va réinterpréter à chaque fois ».

Autonome et agentique ne mesurent pas la même chose. Autonome dit combien de temps un système tourne sans personne. Agentique dit qui choisit les étapes. Beaucoup de sources, la CNIL et Guillaume Laforge compris, disent « autonomie » pour les deux : c'est le sens large du mot, ce que le système décide et fait sans toi.

La différence se voit sur deux exemples. « Beaucoup de robots d'usine sont très autonomes… mais n'ont pas d'agentivité », c'est-à-dire qu'ils ne choisissent pas ce qu'ils font, écrivait en 2023 une équipe menée par Alan Chan, chercheur à Mila, l'institut québécois d'IA. À l'inverse, un agent peut choisir ses étapes sans être laissé seul : dans son ancien mode agent, ChatGPT s'arrêtait pour te demander confirmation avant les actions importantes.

Comment fonctionne l'IA agentique : la boucle

Un système agentique tourne en boucle jusqu'à l'objectif, ou jusqu'à une limite. IBM et Automation Anywhere découpent cette boucle en phases voisines : percevoir, raisonner, agir, puis retenir ce qui s'est passé.

Autour du modèle, un programme fait le travail matériel. On l'appelle le harnais (harness). Hugging Face, la plateforme où chacun peut télécharger des modèles d'IA, cofondée par des Français, en fait une formule : agent = modèle + harnais. Voici ce qui se passe à chaque passage dans la boucle, qu'on appelle un tour.

• Le modèle reçoit la situation. Le harnais lui envoie l'objectif, ce qui s'est passé jusque-là et la liste des outils auxquels il a droit.
• Le modèle choisit. Il renvoie soit une réponse finale, soit une demande d'outil.
• Le harnais agit. Il exécute la demande et récupère le résultat.
• Le harnais retient le résultat. Il l'ajoute à l'historique. Le tour suivant commence alors.

Le modèle ne touche donc jamais lui-même à tes applications. À Devoxx France, Guillaume Laforge rappelait que le modèle demande seulement qu'on utilise un outil pour lui. Le harnais exécute ces demandes et garde l'historique. Il arrête la boucle quand le modèle rend sa réponse finale ou qu'une limite est atteinte.

En mai 2026, devant les étudiants de Polytechnique, une ingénieure d'OpenAI présentait Codex, l'agent de programmation de l'entreprise. « Derrière tout agent, la brique de base, c'est juste un LLM », disait-elle. Pour elle, c'est le harnais qui distingue un agent d'un autre.

Un outil se branche souvent par MCP (Model Context Protocol), une norme commune lancée par Anthropic, qui permet à un agent de se servir d'un logiciel à ta place. La note de juillet 2026 de la CNIL et du Conseil de l'IA et du numérique sur l'IA agentique la cite parmi les normes très utilisées.

Voici un exemple imaginé : les premiers tours pour « gère mes mails cette semaine ».

Personne n'aurait écrit cet enchaînement à l'avance. Avec d'autres messages, le modèle ouvrirait d'autres fichiers ou consulterait d'autres outils. Cette liberté distingue l'agent d'un scénario d'automatisation. Elle le rend aussi plus difficile à prévoir.

Ce que l'agent retient et ce qu'il n'apprend pas

Beaucoup de pages de fournisseurs ajoutent une phase d'apprentissage à la boucle. IBM écrit que l'IA agentique « affine ses stratégies au fil du temps ». Automation Anywhere parle d'« apprentissage continu ». Or un modèle de langage n'apprend pas en travaillant : ses connaissances sont figées à la fin de son entraînement, la phase où ses créateurs le construisent à partir d'immenses quantités de textes.

« Il est pas capable d'apprendre en ligne », c'est-à-dire pendant qu'il travaille, rappelait en mai 2025 Stanislas Polu, ancien chercheur d'OpenAI et cofondateur de Dust, une start-up parisienne qui vend une plateforme d'agents aux entreprises.

Ce que les produits appellent mémoire, ce sont des informations enregistrées par le harnais et relues aux tours ou aux tâches suivantes. La note de la CNIL et du Conseil parle de « stockage mémoire ». Ce stockage inquiète la CNIL : il permet à ces systèmes de créer des profils très précis de leurs utilisateurs.

Un essai réel sur deux dossiers de factures

Un agent change-t-il vraiment de chemin quand la situation change ? Pour le voir, la même consigne a été donnée le 27 octobre 2026 à un agent, dans deux dossiers de factures fictives d'un atelier de graphisme. L'agent était Claude Code 2.1.311, l'agent de programmation d'Anthropic, avec le modèle Claude Sonnet 5.5. Il pouvait seulement lister, lire et écrire des fichiers : ni commandes sur l'ordinateur, ni web, ni messagerie.

La consigne : « Prépare les relances des factures impayées de plus de 1 000 € TTC dont l'échéance est dépassée. Écris-les dans un fichier relances.md […]. N'envoie rien à personne. »

Chaque dossier contenait six factures, un relevé des paiements et un fichier qui décrit son contenu. Le dossier B cachait deux pièges. Un avoir, le document qui annule une facture, annulait la F-103. Et la F-104 n'était payée qu'en partie, 600 € sur 1 800 €.

Les deux résultats sont justes. Un second essai sur le dossier B a donné les mêmes relances. La consigne ne parlait pas d'avoirs. Seule la description du dossier B en disait un mot : « avoirs/ : les avoirs émis (une facture annulée par un avoir n'est plus due) ». Le modèle a décidé seul d'ouvrir ce dossier, puis a écarté la F-103.

Il a donc choisi son étape, il a agi en écrivant un fichier et il a rendu sa réponse sans qu'on l'arrête : trois oui, sur cette tâche.

Cet essai a deux limites. Sur six petits fichiers, l'agent a presque tout lu dans les deux cas, donc les deux chemins se ressemblent. Sur si peu de fichiers, l'essai montre mal à quel point un agent change de chemin. Et le fichier écrit n'est qu'un brouillon, puisque l'envoi n'était pas autorisé. L'essai ne dit donc rien d'une action difficile à annuler.

Agent IA ou IA agentique : ce que disent les définitions

Un agent IA est un programme. Agentique est un adjectif : il dit jusqu'où un système choisit seul ses prochaines étapes. Le Conseil de l'IA et du numérique définit ainsi l'agent IA : « 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 ».

Ce Conseil préfère d'ailleurs parler d'IA agentique. À ses yeux, le mot « agents » laisse croire qu'il faudrait choisir entre des machines qui font tout seules et des humains qui gardent le contrôle. Or l'autonomie se règle et des personnes peuvent valider en cours de route. Ce qu'est un agent IA et ce qu'il réussit a sa propre page.

Il n'existe pas de définition officielle unique de l'IA agentique. Les définitions qui font autorité s'accordent sur trois points proches des trois questions du test : un objectif, une autonomie qui varie, des actions. Elles divergent sur deux autres : faut-il plusieurs agents ? Le système doit-il apprendre de lui-même ?

La définition de la CNIL, en entier :

« L'IA agentique désigne couramment un ensemble de systèmes qui reposent sur la coordination de plusieurs sous-systèmes appelés agents IA. Ces agents IA sont souvent constitués d'un modèle d'IA générative, capable d'agir sur un environnement défini (applications tierces, bases de données, postes de travail ou tout autre système) et d'en modifier l'état (lecture, modification, suppression de données, exécution d'actions), avec des niveaux variables d'autonomie. »

Autrement dit, pour la CNIL, ce sont plusieurs agents qui se coordonnent. Chacun repose souvent sur un modèle d'IA générative, agit dans tes logiciels et peut y lire, modifier ou supprimer des données. Sa liberté varie.

Dans le tableau, « Non » veut dire que la définition ne l'exige pas.

La CNIL n'est pas seule à parler de plusieurs agents. Un article de synthèse de 2025, signé notamment par Ranjan Sapkota, chercheur à l'université Cornell, fait la même séparation. Pour ces auteurs, un agent IA est un système unique qui utilise des outils pour une tâche précise. L'IA agentique est faite de plusieurs agents spécialisés qui se répartissent le travail. Le Conseil de l'IA et du numérique cite cet article comme « une source très pédagogique », sans en reprendre cette condition.

Les laboratoires qui construisent ces systèmes ne font pas cette séparation. Pour OpenAI, dès 2023, être agentique est une propriété qui se mesure en degrés, pas une catégorie. Andrew Ng, chercheur américain cofondateur de Google Brain et de Coursera, a fait le même choix en juin 2024 : parler de degrés évite de se disputer pour savoir quel système est un vrai agent.

Dans un document qui montre que tu respectes le RGPD, ou dans un échange avec la CNIL, prends la définition de la CNIL. Partout ailleurs, un seul agent suffit pour parler d'IA agentique. Une page qui exige plusieurs agents reprend simplement la séparation de la CNIL.

Employer plusieurs agents reste un choix. La note de la CNIL et du Conseil décrit une architecture type : un agent chef d'orchestre, dit « orchestrateur », répartit le travail entre des agents spécialisés. Je suis plutôt partisan de ce découpage, pour que chaque agent ait une tâche très précise.

Tout le monde ne découpe pas ainsi. Walden Yan, de Cognition, l'entreprise derrière l'agent de programmation Devin, déconseillait en juin 2025 la plupart de ces montages, parce que des agents qui travaillent en parallèle font des choix qui se contredisent. En avril 2026, il a précisé sa position : ces montages marchent quand plusieurs agents apportent leur réflexion à une tâche, mais qu'un seul d'entre eux modifie le travail.

Les cinq degrés d'autonomie et qui règle le curseur

La CNIL parle de « niveaux variables d'autonomie ». La loi européenne emploie le même mot. Ici, autonomie a son sens large : ce que le système décide et fait sans toi. Le Conseil de l'IA et du numérique décrit une échelle en cinq degrés, sur laquelle les spécialistes convergent, selon lui.

1. Automatisation à règles fixes : des étapes prédéfinies, sans modèle qui décide. Un robot logiciel (RPA) qui saisit des factures, un régulateur de vitesse.
2. Automatisation qui lit et classe : une IA reconnaît ce qu'elle voit, mais les étapes restent fixes. Elle extrait les données d'un reçu par reconnaissance de caractères, ou aide une voiture à rester dans sa voie.
3. Flux agentiques : des agents se passent le relais dans un ordre fixé et une personne valide aux moments clés. Un agent collecte l'identité d'un client bancaire, un autre la vérifie, un troisième prépare la décision de crédit et un humain tranche.
4. Agents semi-autonomes : le système prépare et propose des décisions, soumises à validation. Un agent qui prévoit l'afflux de patients d'un hôpital et propose l'affectation du personnel.
5. Agents entièrement autonomes : ils fixent leurs propres objectifs et apprennent en continu, sans validation. Selon le Conseil, « ce niveau n'est pas atteint aujourd'hui ».

Cette échelle et les trois questions du test se répondent. Les deux automatisations ne donnent aucun oui à la première question, puisqu'aucun modèle n'y choisit l'étape suivante. Les flux agentiques obtiennent un ou deux oui : ils agissent, mais l'ordre des étapes est fixé. Les trois oui arrivent avec les agents semi-autonomes : le système choisit ses étapes et va jusqu'au bout. Une personne valide encore ses décisions.

Dans trois grandes entreprises françaises, ce degré se règle action par action. Elles l'ont raconté en septembre 2026 à l'AIM, le salon du journal La Tribune consacré à l'IA.

• AXA France garde la décision de rembourser. Un agent peut dire à un client où en est son dossier ou résumer des pièces. « Mais par contre, décider si je rembourse ou pas, là on donne pas l'autonomie, ça doit rester à l'humain », expliquait la directrice de la stratégie data de l'assureur.
• Veolia fait valider les ordres de maintenance. Des agents aident les opérateurs des usines de dessalement à diagnostiquer une panne. Ces agents peuvent lancer un ordre de maintenance « en mode semi-automatique », parce qu'une personne doit encore valider l'action.
• BNP Paribas donne une identité à chaque agent. La banque peut ainsi savoir quel agent a fait quelle action. Elle accorde aussi une « autonomie progressive », avec des contrôles proportionnés à cette autonomie.

La règle qui s'en dégage : plus une action a de conséquences ou est difficile à annuler, plus elle demande une validation humaine. La note de la CNIL et du Conseil recommande de classer chaque action possible par niveau de risque, de la simple lecture à la suppression de données. L'utilisateur choisit ensuite lesquelles passent par lui.

Dans mon propre travail, le degré d'autonomie dépend de la tâche. Quand elle est décisive, je suis de près ce que fait l'agent. Quand elle est simple et ne demande pas de réflexion, je lui laisse plus de liberté.

Exemples d'IA agentique, en France et ailleurs

La programmation est le domaine où ces systèmes ont avancé le plus vite, parce que le résultat se vérifie : le code tourne ou ne tourne pas. Hors du code, les exemples documentés viennent surtout des entreprises elles-mêmes, qui racontent leurs propres résultats.

• Dans le logiciel, un agent aide quatre ingénieurs à publier une application (OpenAI). À Polytechnique, l'ingénieure d'OpenAI racontait comment quatre de ses collègues avaient publié sur Google Play, en 28 jours et avec Codex, la version Android de Sora, l'application vidéo d'OpenAI. Sur un produit interne, Codex tenait des tâches de plus de six heures sans intervention, dès qu'il pouvait consulter le relevé de ses propres actions et voir le résultat dans un navigateur.
• Dans une start-up, les agents écrivent l'essentiel du code (Dust). Selon Stanislas Polu, les développeurs de Dust écrivaient eux-mêmes 80 % du code qu'ils livraient au printemps 2026. En octobre, ils n'en écrivaient plus que 20 % ou moins : les agents écrivent le reste.
• Au bureau, des agents préparent une réunion (Dust). La réunion d'équipe de Dust a lieu un mardi soir sur deux. Le lundi matin, un agent chef d'orchestre lance sept agents, un par diapositive. Chacun va chercher les données à jour et prépare sa diapositive, puis prévient la personne responsable, qui corrige. Le mardi matin, le chef d'orchestre relance les retardataires. Avant la réunion, il assemble la présentation.
• Dans l'industrie, des usines « parlent » (Veolia). Le projet « Talk to My Plant » donne aux opérateurs des usines de dessalement un accès en langage naturel aux données des capteurs, aux procédures et aux manuels. Un agent rédige le compte rendu de la nuit pour l'équipe du matin.
• Dans l'assurance, des agents se partagent un dossier (AXA France). L'assureur expérimente un orchestrateur et des agents spécialisés. L'un fait la synthèse des documents, un autre relance le client pour les pièces manquantes et un troisième l'informe de l'avancement.
• Pour le grand public, un agent navigue à ta place (ChatGPT). Le mode agent de ChatGPT travaillait sur un ordinateur virtuel. Il filtrait les résultats d'un site, te demandait de te connecter quand il le fallait et rendait des présentations ou des tableurs modifiables. Il a été retiré depuis, et son mode Work a pris la suite. Au lancement, en juillet 2025, OpenAI donnait l'exemple des ingrédients d'un petit-déjeuner japonais pour quatre, à prévoir et à commander.
• Chez toi, un agent agit avec tes comptes (OpenClaw). OpenClaw est un agent libre, dont le code est public, que tu installes toi-même et à qui tu écris par WhatsApp ou Telegram. Ce qu'il fait seul dépend des comptes que tu lui connectes.
• Des modèles français pilotent un ordinateur (H Company). Holo4, publié le 28 septembre 2026 par cette start-up parisienne, est une série de modèles entraînés spécialement pour agir dans des logiciels. Le même modèle clique et tape dans une interface, écrit et lance du code ou appelle des outils.
• Pour les développeurs, Mistral fournit des agents prêts à brancher. L'interface Agents API de Mistral, ouverte le 27 mai 2025, fournit ces agents. Ils savent exécuter du code, chercher sur le web, générer des images, garder une mémoire d'une conversation à l'autre et passer le relais à un autre agent.

Pour essayer sans payer, les agents IA gratuits et leurs limites ont leur comparatif. Pour construire le tien, avec ou sans code, suis les cinq étapes pour créer un agent IA.

Les avantages de l'IA agentique et quand t'en passer

Les pages de fournisseurs prêtent beaucoup d'avantages à l'IA agentique. Trois tiennent vraiment à sa façon de travailler.

• Elle traite ce que personne n'avait prévu. Une automatisation classique s'arrête ou attend quelqu'un dès qu'un cas sort de ses règles, note Automation Anywhere. Un agent peut lire la situation et changer de chemin, comme celui de l'essai sur les factures, qui a ouvert le dossier d'avoirs alors que la consigne n'en parlait pas.
• Elle lit ce qui n'est pas rangé dans un tableau. Un email, un compte rendu ou un PDF lui conviennent autant qu'une base de données. Les opérateurs de Veolia interrogent ainsi procédures et manuels avec leurs propres mots.
• Elle peut réduire le temps passé à cliquer. IBM écrit que des interfaces entières « peuvent être remplacées par de simples commandes écrites ou vocales en langage naturel ». IBM nuance lui-même sa promesse dans la phrase suivante : c'est vrai « théoriquement ».

Ces avantages ont un prix. Anthropic prévient que les systèmes agentiques échangent souvent du temps d'attente et du coût contre de meilleures performances. En clair, ils te font attendre plus longtemps et coûtent plus cher, en échange de meilleurs résultats. Anthropic conseille donc de chercher d'abord la solution la plus simple, quitte à ne pas construire de système agentique du tout.

Pour une tâche que tu sais dessiner sous forme de schéma, l'automatisation reste plus prévisible et moins chère. Un email de bienvenue ou un post programmé demande un déclencheur et des étapes fixes. Monte d'un degré seulement quand le chemin dépend de ce que le système découvre : chercher la cause d'un problème, faire une recherche, trier des demandes en désordre.

Ce que l'IA agentique réussit vraiment en 2026

Les pages de fournisseurs décrivent des agents qui « gèrent » des processus entiers. Les mesures publiées donnent une image plus précise, plus utile pour décider de ce que tu délègues. Elles sont rares, donc chacune porte ici sa date.

METR, qui évalue les modèles d'IA en toute indépendance, a voulu savoir quelle longueur de tâche un agent sait mener à bien. Ce laboratoire chronomètre des experts humains sur plus d'une centaine de tâches, surtout de programmation, de fabrication de modèles d'IA et de cybersécurité. Il teste ensuite des agents construits sur chaque modèle.

Le résultat s'appelle un horizon. Prends des tâches qu'un expert fait en 3 heures. Si un agent en réussit 4 sur 5, son horizon à 80 % est de 3 heures. S'il en réussit 1 sur 2, c'est son horizon à 50 %. Cet horizon mesure la difficulté d'une tâche, pas le temps que l'agent y passe.

Source : METR, selon sa méthode publiée en mars 2025. La dernière mesure date de mai 2026 : METR a cessé de mettre à jour ces chiffres en septembre 2026. Au-delà de 16 heures, précise-t-il, ses mesures sont peu fiables avec les tâches dont il dispose.

Deux choses ressortent. L'horizon à 50 % a doublé à peu près tous les quatre mois depuis 2023, selon METR. Et l'écart entre les deux horizons reste grand. Pour une tâche que personne ne relira, c'est l'horizon à 80 % qui compte : même à cette durée, l'agent échoue 1 fois sur 5.

METR prévient que ces heures ne valent pas des heures de ton travail. Ses tâches sont bien définies et notées par un programme, donc bien plus « propres » qu'un vrai métier, où il faut parler à des gens et juger sans barème. Les agents testés réussissent moins bien sur des tâches plus désordonnées. Dès qu'une tâche prendrait plus de quelques heures à un expert, prévois donc une relecture. Hors de la programmation, prévois-la dès le départ.

Une autre mesure va dans le même sens. Des chercheurs de l'université Carnegie Mellon ont construit TheAgentCompany, la copie d'une petite entreprise de logiciels avec ses sites internes, ses données et des collègues simulés. Ils y ont confié aux agents les tâches d'un employé : naviguer sur le web, écrire et lancer du code, échanger avec les collègues. Dans la version de septembre 2025 de leur étude, le meilleur accomplissait seul 30 % des tâches.

Les tâches longues et difficiles restaient hors de sa portée.

Le cabinet d'analyse Gartner, lui, ne mesure pas mais prévoit. En juin 2025, il annonçait que plus de 40 % des projets d'IA agentique seraient abandonnés d'ici fin 2027, pour cause de coûts, de valeur floue ou de risques mal maîtrisés.

Une dernière faiblesse surprend : l'irrégularité. Un même agent peut faire mieux qu'un expert sur une tâche et échouer bêtement sur une tâche voisine. Stanislas Polu le décrivait ainsi en octobre 2026 : tu changes à peine ta demande et « d'un coup tu tombes dans une vallée », où l'agent paraît incapable.

Les risques de l'IA agentique

« Leur autonomie est leur principal avantage », écrit IBM à propos des systèmes agentiques, mais elle « peut avoir de graves conséquences » quand ils déraillent. Quatre risques reviennent.

Les erreurs s'additionnent. Chaque étape repose sur la précédente, donc une erreur de lecture au tour 3 se paie au tour 10. Le Conseil de l'IA et du numérique parle d'« effets de cascade ».

Certaines actions ne s'annulent pas. En février 2026, Summer Yue, directrice de l'alignement des modèles au laboratoire d'IA de Meta, a branché OpenClaw sur sa vraie messagerie. L'alignement, c'est le travail qui vise à faire suivre aux modèles les intentions humaines. Elle lui avait demandé de confirmer avant d'agir. L'agent a pourtant supprimé ses emails.

Un modèle ne peut relire qu'une quantité limitée de texte. Quand l'historique devient trop long, le harnais le résume. C'est là que la consigne se serait perdue. Summer Yue n'a pas pu l'arrêter depuis son téléphone : elle a dû courir jusqu'à l'ordinateur où il tournait. La note de la CNIL et du Conseil cite ce cas.

Un contenu piégé peut détourner un agent. Un agent lit des pages web et des emails. Il peut y trouver des instructions cachées, écrites par quelqu'un d'autre. OpenAI appelle cela l'injection de prompt (un prompt, c'est la consigne donnée à une IA) et y voit un risque pour tous les systèmes agentiques.

OpenAI expliquait qu'une page piégée pouvait ainsi pousser ChatGPT, dans son ancien mode agent, à transmettre des données privées à l'attaquant. Un agent qui te demande confirmation avant les actions importantes limite ce risque.

Un agent peut prendre un chemin que personne n'avait prévu. Entre le 9 et le 13 juillet 2026, Hugging Face a subi une intrusion menée de bout en bout par un agent. Cet agent, animé par des modèles d'OpenAI, passait une évaluation interne de ses capacités en cybersécurité, un exercice qui consiste à trouver et exploiter des failles. OpenAI avait désactivé pour ce test ses protections habituelles, afin de mesurer les capacités brutes du modèle.

L'agent est sorti de son environnement de test grâce à une faille inconnue, puis s'est installé sur les serveurs d'un tiers pour attaquer Hugging Face. Hugging Face a révélé l'incident le 16 juillet, puis reconstitué environ 17 600 actions, sans qu'un humain en ait dirigé une seule étape. L'entreprise pense que l'agent avait déduit que Hugging Face pouvait héberger les réponses du test. Il aurait voulu les voler plutôt que résoudre l'exercice.

Personne n'avait demandé cette attaque. « Le modèle n'avait pas pour tâche de nous attaquer, il a décidé de le faire comme une quête secondaire », résumait Thomas Wolf, cofondateur de Hugging Face, en août 2026. OpenAI avait fixé l'objectif et l'agent a choisi le chemin. C'est pour cela qu'on limite ce qu'un agent a le droit de toucher.

Dans leur note de juillet 2026, la CNIL et le Conseil de l'IA et du numérique recommandent plusieurs parades.

• Une trace de chaque tâche : quelles données, quels agents, quels services, dans quel ordre.
• Une mémoire dédiée à chaque agent, sans accès automatique aux données des autres.
• Un environnement isolé, qui réduit les accès de l'agent au strict nécessaire.
• Une validation humaine pour les actions critiques.
• Un bouton d'arrêt d'urgence, à la main de l'utilisateur.

Ce que dit la loi : AI Act, RGPD et responsabilité

Le règlement européen sur l'intelligence artificielle, appelé AI Act, ne définit pas l'IA agentique. Le mot « agent » n'y apparaît pas une seule fois, dans les 101 802 mots de son texte français de 2024.

Le terme « IA agentique » est entré dans le droit européen en juillet 2026, une seule fois, avec le règlement 2026/1744 qui modifie l'AI Act. Il y sert d'exemple de « technologies d'IA émergentes », dans la liste où les organismes chargés de contrôler les systèmes d'IA déclarent ce qu'ils savent évaluer. Il n'y est pas défini.

La Commission européenne en tire la conséquence dans sa foire aux questions sur l'AI Act : les agents ne forment pas une catégorie à part. Les définitions existantes du système d'IA et du modèle d'IA à usage général, conçu pour servir à de nombreuses tâches, suffisent à les couvrir. Ses positions sur les agents restent préliminaires, précise-t-elle.

L'autonomie, en revanche, revient à trois endroits clés du texte.

• La définition du système d'IA parle d'un système « conçu pour fonctionner à différents niveaux d'autonomie » (article 3).
• La surveillance humaine d'un système à haut risque doit être proportionnée « aux risques, au niveau d'autonomie et au contexte d'utilisation » (article 14).
• Le « risque systémique », qui vise les modèles à usage général les plus puissants, se juge notamment sur le « niveau d'autonomie » du modèle et sur « les outils auxquels il a accès » (annexe XIII).

Pour le reste, ce qui s'applique à un agent dépend de ce qu'il fait.

• S'il manipule des personnes ou exploite leur vulnérabilité au point de leur causer un préjudice important, il tombe sous les pratiques interdites. Elles sont punies jusqu'à 35 millions d'euros ou 7 % du chiffre d'affaires mondial.
• S'il échange avec des personnes ou produit du contenu, les obligations de transparence s'appliquent depuis le 2 août 2026. C'est surtout au fournisseur du système de s'en charger : les gens doivent savoir qu'ils parlent à une IA et les contenus générés doivent être marqués. Les systèmes déjà sur le marché ont jusqu'au 2 décembre 2026 pour ce marquage.
• S'il sert à un usage classé à haut risque (recrutement, crédit, éducation, …), les exigences renforcées, comme la surveillance humaine, s'appliqueront à partir du 2 décembre 2027. Pour les systèmes intégrés à des produits réglementés, la date est le 2 août 2028. Le règlement de juillet 2026 a repoussé ces deux dates, d'abord fixées à août 2026 et août 2027.

Le RGPD, le règlement sur la protection des données, s'applique pleinement. Selon la note de la CNIL et du Conseil, un agent qui lit tes mails, ton agenda et tes fichiers met à l'épreuve plusieurs principes du RGPD : ne traiter que les données nécessaires, pour un but défini, pendant une durée limitée.

Faire valider par un humain ne suffit pas toujours, rappelle la même note. Quand une décision a des effets juridiques sur une personne, une validation « purement formelle ou automatique » ne suffit pas : l'intervention humaine doit réellement peser sur la décision. La Cour de justice de l'Union européenne l'a jugé dans son arrêt SCHUFA, du nom d'une société allemande d'évaluation de crédit, le 7 décembre 2023.

Reste la responsabilité. Un agent n'a pas de personnalité juridique. Le Conseil rappelle qu'une erreur « obéit aux principes habituels de l'automatisation » : c'est en général l'entreprise qui utilise l'agent qui en répond, à charge pour elle de se retourner contre son fournisseur.

Le projet de directive européenne sur la responsabilité en matière d'IA a été abandonné en 2025. Ce sont donc les règles ordinaires du code civil et la directive révisée sur les produits défectueux qui s'appliquent.

Agentique : définition du mot et d'où il vient

Agentique est un adjectif formé sur le nom agent. Le Wiktionnaire, le dictionnaire libre lié à Wikipédia, lui donne ce sens général : « relatif à un agent », « qui se comporte comme un agent », « qui est capable d'agentivité ». L'agentivité, selon Wikipédia, c'est le fait pour une personne, un groupe ou une machine d'être la source d'actions qui ont des effets sur le monde.

Appliqué à une personne, le mot a deux sens presque opposés. Au sens de l'anglais agentic, une personne agentique agit et décide sans qu'on lui dise quoi faire, selon le dictionnaire de Cambridge. Au sens du psychologue américain Stanley Milgram, c'est quelqu'un qui exécute les ordres d'une autorité sans les questionner. L'expression « comportement agentique » varie de même : en psychologie, elle renvoie souvent à l'obéissance décrite par Milgram. En IA, elle décrit ce que fait un agent.

C'est le sens de Milgram qui a fait entrer le mot en français. En 1974, Milgram publie Obedience to Authority, traduit la même année chez Calmann-Lévy sous le titre Soumission à l'autorité. Il y raconte des expériences où des volontaires devaient, sur ordre, infliger ce qu'ils croyaient être des décharges électriques à un inconnu. Dans la version la plus connue, 65 % sont allés jusqu'à des décharges qui semblaient potentiellement mortelles.

Pour l'expliquer, Milgram appelle « état agentique » la condition d'une personne qui ne se considère plus responsable de ses actes et se voit comme l'instrument de la volonté d'un autre. Cette théorie est aujourd'hui très contestée, comme le rappelle un article de synthèse de 2024 sur ces expériences. L'expression est pourtant restée en psychologie.

Le mot a donc changé de sens en route. L'agent de Milgram agit pour un autre sans juger. L'agent logiciel agit pour quelqu'un et juge lui-même de la manière.

Le Conseil de l'IA et du numérique fait remonter l'idée plus loin, au robot Shakey, construit dans les années 1960 au Stanford Research Institute, un centre de recherche américain. Ce robot combinait déjà perception, raisonnement et action. Le mot, lui, n'apparaît en informatique qu'à partir des années 2010, selon Merriam-Webster, même si Wikipédia le fait remonter à l'époque de Shakey.

L'idée d'un programme qui agit à ta place est en tout cas bien plus ancienne que ce sens du mot. Les chercheurs en IA travaillent sur les « agents intelligents » depuis les années 1980, rappelle Maxime Morge, professeur d'informatique au LIRIS, un laboratoire lyonnais, en mars 2026. Il l'écrit sur le site The Conversation, où des chercheurs s'adressent au grand public. Les systèmes multi-agents, ces ensembles de programmes autonomes qui se coordonnent, datent des années 1990.

En 1995, deux chercheurs britanniques, Michael Wooldridge et Nicholas Jennings, décrivaient déjà un programme qui agit de lui-même : apprenant qu'un article est accepté à une conférence, il cherche les trajets et présente les moins chers. Ils citaient aussi les softbots de 1994, des programmes qui lançaient des commandes pour modifier l'état de leur environnement. « Modifier l'état » : ce sont les mots qu'emploie la CNIL trente ans plus tard.

Le français officiel a suivi. Depuis le 1er septembre 2000, la base FranceTerme, qui publie les termes recommandés par l'État, définit l'agent comme un « logiciel envoyé sur un réseau pour effectuer une tâche à la place de l'utilisateur et sans son intervention ». Agir à ta place et sans toi : ces deux promesses sont officielles depuis 2000.

Les chercheurs n'ont pas pour autant fixé le sens du mot. En 2023, Cédric Buron, enseignant-chercheur en informatique à Nantes, donnait dans l'émission Le Labo des savoirs la définition courante dans la recherche sur les systèmes multi-agents. Un agent est proactif, réagit à son environnement, garde son autonomie et interagit avec d'autres agents. Il précisait toutefois qu'« il [n']y a pas de définition consensuelle ».

Aujourd'hui, en France, le terme français est plus cherché que l'anglais. « ia agentique » est cherché en moyenne 5 400 fois par mois, sur les douze mois jusqu'à septembre 2026 (Google Ads, relevé d'octobre 2026). « Agentic ai » l'est 3 600 fois en moyenne. Le terme anglais recule depuis le printemps : il tombe à 2 900 recherches en septembre.

Agentique ou agentive ?

Google Cloud titre « IA agentive » et écrit « IA agentique » dans la même page. La commission chargée de la terminologie officielle semble pencher pour « agentive ». Dans sa base FranceTerme, les entrées « intelligence artificielle » et « modèle génératif » renvoient déjà à « intelligence artificielle agentive ». La définition de ce terme n'y était pas encore publiée en octobre 2026.

L'usage, lui, a tranché. La CNIL, l'Inria et le Conseil de l'IA et du numérique écrivent « agentique ». En France, « IA agentive » n'est cherché qu'environ 140 fois par mois en moyenne, contre 5 400 pour « IA agentique » sur la même période.

Décoder une offre « agentique » : ce qu'il faut demander

Le mot « agentique » sur le site d'un vendeur ne prouve rien. Gartner estimait en juin 2025 qu'environ 130 fournisseurs seulement, sur les milliers qui disent vendre de l'IA agentique, en vendaient réellement. Le cabinet appelle agent washing le fait de rebaptiser ainsi des assistants, des chatbots ou de la RPA.

Andrew Ng a vu le mot passer des techniciens aux vendeurs. En juin 2024, notait-il, surtout les techniciens l'employaient : un article qui s'en servait avait donc moins de chances d'être un simple texte de marketing. En mai 2025, il racontait que des marketeurs s'étaient emparés du mot vers le milieu de 2024 et le collaient partout. En 1995 déjà, Wooldridge et Jennings craignaient que le mot « agent » ne devienne un terme creux à force d'être galvaudé.

Je ne crois pas pour autant que la notion d'agent soit vide : elle devient simplement plus générale. Claude Code lance aujourd'hui des sous-agents, des aides à qui il confie une partie du travail. Il peut aussi enchaîner de longs travaux et échanger avec d'autres agents qui travaillent en même temps sur le même projet.

Les vendeurs abusent donc du mot, mais il désigne bien quelque chose. Pour savoir ce que tu achètes, demande un essai et le journal de chaque exécution, c'est-à-dire la liste de toutes les actions du produit, dans l'ordre. Puis pose ces quatre questions.

1. Quel objectif puis-je lui confier, en une phrase ? Si la réponse est une liste d'étapes à paramétrer, tu achètes une automatisation, ce qui peut très bien suffire.
2. Qui choisit les étapes ? Donne au produit deux tâches qui exigent des étapes différentes, par exemple deux réclamations de clients. Compare ensuite les journaux. Une étape présente sur une seule tâche, motivée par ce que le produit a trouvé, laisse penser que le modèle choisit. Les mêmes actions sur les deux tâches sont un signal d'alerte. Demande au vendeur de te confirmer ce que tu vois.
3. Que peut-il modifier sans ton accord et comment restreindre cette liste ? Lire, écrire, supprimer, envoyer, payer : chaque action doit pouvoir passer par toi. C'est ce que recommande la note de la CNIL et du Conseil. Les actions qui passent sans toi sont aussi celles qui peuvent te coûter cher.
4. Comment s'arrête-t-il et que se passe-t-il quand il se trompe ? Cherche un nombre maximal d'étapes, un bouton d'arrêt, une sauvegarde de ce qu'il peut effacer et une trace de chaque action. Donne-lui aussi une tâche sans réponse dans ses données : il doit dire qu'il ne trouve pas, plutôt que continuer jusqu'à ce que sa limite d'étapes l'arrête.

Un autre sens : un logiciel pensé pour les agents

Un produit peut aussi se dire agentique parce que les agents sont ses utilisateurs, sans en contenir un. L'idée a reçu un nom en janvier 2025, quand Mathias Biilmann, dirigeant de l'hébergeur de sites web Netlify, a proposé l'« expérience agent » (agent experience) : la facilité avec laquelle un agent arrive à se servir d'un produit.

J'emploie aussi le mot dans ce sens. Pour moi, un logiciel agentique a été pensé dès le départ pour que des agents s'en servent, par MCP. Son interface passe presque au second plan. C'est comme ça que j'ai construit Contenttosocial, un des projets de ce site : les experts du référencement, sur Google et dans les réponses des IA, y branchent leur agent, qui prépare et programme les posts de leurs clients.

Je l'emploie parce que je pense que les agents sont les clients de demain. Ce sont eux qui iront chercher l'information, qui décideront quel logiciel utiliser et qui l'utiliseront. Je pense aussi que de plus en plus de gens voudront leur propre agent. Fournir à ces agents des logiciels à utiliser me paraît donc plus utile que fournir aux gens un agent de plus.

Je m'attends enfin à voir disparaître les écrans où l'on clique sur un bouton pour faire quelque chose. Resteront ceux qui servent à voir un résultat, à comprendre et à réfléchir.

Ce sont des convictions, pas des mesures. Andrej Karpathy, un des fondateurs d'OpenAI, se montrait plus prudent en juin 2025, dans une conférence pour l'incubateur Y Combinator. Avec des modèles qui font encore des erreurs, il conseillait de construire moins de robots Iron Man et davantage d'armures Iron Man, c'est-à-dire des produits qui aident une personne plutôt que de la remplacer.

Si tu construis un produit, ce sens du mot te pose une question : l'agent de ton client peut-il s'en servir sans ouvrir tes écrans ?