Un agent IA (en anglais, AI agent) est un logiciel auquel on confie une tâche. Il choisit les étapes, utilise vos outils pour les réaliser et s'arrête quand le travail est terminé ou qu'il est bloqué. L'IA agentique (agentic AI) est le terme plus large qui désigne une IA qui fonctionne de cette manière. Les deux termes ne sont donc pas concurrents. « Agent IA » désigne une chose. « Agentique » décrit la part du travail que l'IA planifie et réalise seule.
Pourquoi est-ce important ? Parce que les éditeurs emploient ces deux mots de façon approximative, et que l'étiquette dit rarement ce qu'un produit fera vraiment de votre boîte mail, de votre CRM ou de vos clients. Ce guide explique d'où viennent ces mots, comment on les emploie aujourd'hui et comment juger n'importe quel outil en posant quelques questions simples.
Agents IA vs IA agentique : l'essentiel
| Agent IA | IA agentique | |
|---|---|---|
| Ce que c'est | Une chose concrète que l'on peut désigner | Une description, ou toute une catégorie |
| Comment on le dit | « Nous utilisons un agent IA pour rechercher de nouveaux leads. » | « Ce workflow est agentique. » |
| Quelle taille | Un système qui fait un seul type de tâche | D'un simple processus assisté par l'IA à plusieurs agents qui travaillent ensemble |
| Quoi demander | De quel travail est-il responsable, et à quoi a-t-il accès ? | Combien de décisions prend-il avant qu'une personne vérifie le travail ? |
Ces termes n'appartiennent à personne. Si un article vous présente une frontière « officielle » entre les deux, il vous donne l'avis d'un groupe en particulier.
D'où viennent ces mots
« Agent » est un mot ancien. Dans leur manuel de 1995, Artificial Intelligence: A Modern Approach, Stuart Russell et Peter Norvig définissaient un agent comme toute chose qui perçoit son environnement et agit sur lui. Selon cette définition, un thermostat en est un. Ce qui est nouveau, c'est que les modèles d'IA actuels savent lire des contenus de travail désordonnés, comme l'e-mail d'un client mécontent, et décider quoi en faire.
« Agentique » est plus récent. En juin 2024, Andrew Ng, fondateur de DeepLearning.AI, a proposé une façon de clore le débat sur ce qui « compte » comme un agent. Il faut y voir une question de degré, écrivait-il. "Unlike the noun 'agent,' the adjective 'agentic'" (traduction : « contrairement au nom "agent", l'adjectif "agentique" ») permet de décrire des systèmes un peu ou très proches d'un agent.
Quelques mois plus tôt, il avait utilisé une bonne analogie. Demander une réponse à une IA d'un seul coup, c'est comme demander à quelqu'un d'écrire une dissertation sans jamais appuyer sur la touche Retour arrière. Une approche agentique laisse l'IA faire un plan, se documenter, rédiger, vérifier et corriger, comme le ferait une personne.
YouTube · Sequoia Capital
What's next for AI agentic workflows ft. Andrew Ng of AI Fund (L'avenir des workflows agentiques, avec Andrew Ng d'AI Fund) · 26 mars 2024
L'analogie de la dissertation sans touche Retour arrière est l'explication courte la plus claire du mot « agentique » que nous ayons trouvée. C'est une conférence de 2024 : voyez-la comme une leçon sur l'idée, pas comme un état des lieux des outils actuels.
Trois façons d'employer ces termes aujourd'hui
1. « Agentique » comme terme parapluie. Le guide d'Anthropic Building effective agents (décembre 2024) qualifie tous ces systèmes de « systèmes agentiques », puis les divise en deux. Dans un workflow, les étapes sont fixées à l'avance. Dans un agent, l'IA choisit elle-même ses étapes. Un rapport hebdomadaire qui suit toujours les cinq mêmes étapes est agentique, mais c'est un workflow.
2. « IA agentique » comme équipes d'agents. Une revue de recherche, AI Agents vs. Agentic AI (publiée en mai 2025, révisée en septembre 2025), emploie « agent IA » pour un système unique qui fait un seul travail, comme répondre aux questions du support. Elle réserve « IA agentique » à plusieurs agents qui se répartissent un objectif plus large et se coordonnent.
3. « IA agentique » comme étiquette marketing. Analystes et éditeurs l'utilisent souvent comme nom de catégorie. En juin 2025, Gartner a prédit que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027, en raison des coûts, d'une valeur peu claire ou de contrôles des risques insuffisants. C'est une prévision, pas un décompte. Gartner a aussi donné un nom à l'agent washing : présenter un vieux chatbot ou un ancien outil d'automatisation comme un agent sans lui ajouter de véritable capacité nouvelle. En mai 2026, le cabinet a lancé la même mise en garde pour les logiciels de supply chain.
Figure 1. Un usage courant de « systèmes agentiques » comme terme parapluie pour les workflows et les agents. Multi-agents décrit la façon dont les agents sont combinés ; ce ne sont pas des catégories de produits qui s'excluent.
La vraie question : qui choisit les étapes ?
Ces trois usages ont un point commun. Plus une IA décide par elle-même, plus elle est agentique. La plupart des tâches en entreprise relèvent de l'un de ces trois niveaux :
- Assistant. Vous demandez, l'IA répond ou rédige. Vous faites tout le reste.
- Workflow. Les étapes sont convenues à l'avance. L'IA se charge de lire et d'écrire à l'intérieur de chaque étape.
- Agent. Vous lui donnez un objectif. Il décide quoi vérifier, quel outil utiliser et quand il en sait assez.
Maya Murad, chez IBM, parle d'une « échelle graduée » d'autonomie (en anglais, "sliding scale"). Vous choisissez le niveau pour chaque tâche. Ce n'est pas une fonctionnalité qu'on achète une fois pour toutes.
YouTube · IBM Technology
What are AI Agents? (Qu'est-ce qu'un agent IA ?) · 15 juillet 2024
Maya Murad présente l'« échelle graduée » de l'autonomie de l'IA, puis explique pourquoi une tâche ciblée et prévisible fonctionne souvent mieux avec un parcours fixe qu'avec un agent.
Agent ou automatisation ? Un débat à connaître
Ceux dont le métier est de construire ces systèmes en débattent en ce moment même. Alex Vacca, qui se présente comme fondateur et CEO de Frontal AI, une entreprise qui aide les sociétés B2B à développer leur chiffre d'affaires, a défendu l'automatisation sans détour dans un post récent.
X · Alex Vacca (@itsalexvacca) · 7 octobre 2026
"If you can write every step down first, build an automation." … "An agent fails quietly." (Traduction : « Si vous pouvez d'abord écrire chaque étape, construisez une automatisation. » … « Un agent échoue en silence. »)
Son argument est pragmatique. Si une tâche a des étapes fixes (notre exemple : copier les nouvelles réponses d'un formulaire dans un CRM), payer une IA pour décider de ces étapes, c'est jeter de l'argent par les fenêtres. Il note aussi qu'une automatisation cassée renvoie généralement une erreur, alors qu'un agent peut continuer à signaler que tout va bien pendant que ses réponses se dégradent peu à peu. C'est pourquoi il fait valider par une personne avant tout envoi.
Nous sommes d'accord avec ce test, avec une réserve : c'est l'avis d'un praticien, fondé sur sa propre configuration, et il vend ce type de prestation. Cela rejoint toutefois ce que disent Anthropic et IBM. Commencez par la solution la plus simple qui fonctionne. N'utilisez un agent que lorsque les étapes dépendent vraiment de ce qu'il découvre.
Idées reçues
« L'IA agentique est la version plus récente et plus performante des agents IA. » Non. Un agent est l'une des choses les plus agentiques qui soient. Ces termes décrivent des degrés, pas des générations de produits.
« Plus d'autonomie, c'est toujours mieux. » Non. Plus d'autonomie coûte plus cher et se contrôle plus difficilement. Pour un rapport hebdomadaire qui a toujours la même forme, un workflow fixe est moins cher et plus prévisible.
« Un agent sait tout de votre entreprise. » Il ne sait que ce qu'il peut voir : les outils que vous avez connectés et la conversation en cours. Dans Okou, par exemple, chaque chat conserve son propre contexte. Un nouveau chat repart de zéro, sauf si vous y intégrez volontairement un chat précédent.
« Plus d'agents, c'est plus de capacités. » Pas forcément. Chaque passage de relais entre agents est une occasion de plus pour que les erreurs s'accumulent ou que les accès se multiplient. Demandez qui est responsable du résultat final.
« L'étiquette dit ce que fait l'outil. » Non. Gartner a inventé l'expression agent washing précisément pour cela, et mettait encore en garde à ce sujet en 2026. Ignorez le mot et demandez ce que le produit fait de lui-même.
Une tâche, trois façons de faire : un renouvellement en danger
Voici comment cela se passe dans le travail réel. L'exemple est inventé pour illustrer l'idée. Ce n'est pas un témoignage client.
Dana dirige le customer success d'un éditeur de logiciels. Un compte arrive à renouvellement dans six semaines, et quelque chose cloche. Les indices sont éparpillés. Un e-mail mécontent attend dans la boîte du support. Le CRM indique toujours « en bonne santé ». Un document partagé note que les connexions ont baissé après la réorganisation du client. Et un fil Slack du mois dernier rapporte la décision de la direction : pas de remise sur les renouvellements ce trimestre.
1. Demander une fois à un agent
Dana demande à Okou : « Pourquoi ce compte est-il à risque, et que devrais-je envoyer cette semaine ? » Okou décide quoi lire : l'e-mail, la fiche CRM, la note sur l'utilisation et le fil Slack. Le chat affiche depuis combien de temps Okou travaille, le nombre d'étapes déjà réalisées et l'action en cours.
Okou en plein travail sur une autre tâche. On voit la durée, le nombre d'étapes et l'action en cours.
C'est le fil Slack qui change la réponse. En lisant seulement l'e-mail, on pourrait proposer une remise. La décision prise sur Slack l'exclut, alors Okou suggère plutôt une nouvelle session d'onboarding pour la nouvelle équipe du client. Okou signale aussi que le CRM et l'e-mail se contredisent, au lieu de trancher en silence. Les faits sont accompagnés de liens vers leur source. Les hypothèses sont présentées comme des hypothèses.
Okou adapte aussi le résultat à chaque lecteur, une idée que la présentation du produit Okou appelle communiquer sur le bon support. Dana reçoit un brief court pour prendre sa décision. Le client reçoit une réponse, enregistrée comme brouillon Gmail que Dana doit approuver. L'équipe du compte peut recevoir un point de deux lignes dans son canal. Rien ne part chez le client tant que Dana ne l'a pas envoyé. Okou ne peut faire que ce que Dana a autorisé. Quand un outil distingue la rédaction de l'envoi, Dana peut autoriser l'une sans l'autre.
Dans Okou, les e-mails restent en brouillon jusqu'à ce qu'une personne les envoie. Ici, le compteur d'envois est à zéro. Données de démonstration issues d'une autre tâche.
Dana corrige une hypothèse erronée (la responsable des opérations vient d'arriver, elle ne s'en va pas) et demande une réponse plus courte. Comme il s'agit du même chat, Okou garde la correction en mémoire.
2. Enregistrer la méthode comme workflow
L'approche a fonctionné, alors Dana demande à Okou de l'enregistrer comme workflow : un ensemble nommé d'étapes, de sources à vérifier et de règles. Ses corrections deviennent des règles écrites, comme « ne jamais proposer de remise sans mettre le lien vers la politique en vigueur ». Un retour ne devient une règle d'équipe que lorsque quelqu'un l'enregistre ainsi.
Dana partage le workflow avec son équipe. Quand un collègue le lance, il utilise ses propres comptes et autorisations, pas ceux de Dana. Partager un workflow, c'est partager la méthode, pas sa boîte mail ni ses chats privés. L'IA décide désormais moins, parce que les étapes sont fixées, et les résultats gagnent en cohérence.
3. Le programmer
Un workflow ne se lance pas tout seul. Pour qu'il tourne chaque lundi, l'équipe ajoute une automatisation avec un responsable et un déclencheur. Chaque lundi, elle passe en revue les renouvellements prévus dans les 60 prochains jours et publie un brief pour chaque compte qui semble à risque. Les e-mails restent en brouillon.
Notez ce qu'une programmation change, et ce qu'elle ne change pas. Elle décide quand le travail commence. Elle ne donne pas à l'IA plus de liberté sur la façon de le faire.
Voici la même tâche, côte à côte :
| 1. Demander à un agent | 2. Workflow enregistré | 3. Automatisation | |
|---|---|---|---|
| Qui choisit les étapes | L'agent, selon ce qu'il découvre | Les étapes enregistrées. L'IA travaille à l'intérieur de chacune | Comme pour le workflow. Une programmation n'ajoute aucune liberté |
| Ce qui le déclenche | Dana le demande | N'importe qui dans l'équipe le demande, par son nom | Une programmation, avec un responsable désigné |
| Qui valide | Dana relit le brief et le brouillon | Chaque personne qui le lance | Le responsable lit le brief. Les e-mails restent en brouillon |
Les trois sont agentiques à un certain degré. Seule la première correspond à ce que la plupart des gens appellent « un agent IA ».
Ce qui reste entre les mains des humains
Laisser l'IA choisir les étapes ne doit pas signifier que personne n'est responsable du résultat. Avant qu'un agent touche à un vrai travail, réglez quatre points :
- Ce qu'il peut lire. Quelles boîtes mail, quels CRM et quels documents, et avec le compte de qui.
- Ce qu'il peut modifier. Rédiger n'est pas envoyer. Suggérer une mise à jour du CRM n'est pas la faire.
- Où il s'arrête. Quelles actions attendent toujours une personne.
- Ce qu'il rend. Un brief, un brouillon ou un enregistrement que quelqu'un peut vérifier à partir de ses sources.
Les personnes qui utilisent l'IA au travail raisonnent déjà ainsi. Dans le Work Trend Index 2026 de Microsoft, une enquête menée début 2026 auprès de 20 000 utilisateurs d'IA dans 10 pays, 86 % ont déclaré considérer ce que produit l'IA comme un point de départ, et non comme une réponse définitive. Ce sont les réponses des personnes interrogées, pas une mesure des résultats.
Pour en savoir plus sur la façon dont une équipe s'adapte quand l'IA commence à prendre du travail en charge, lisez ce qui change quand l'IA fonctionne de façon autonome.
Les questions à poser à tout outil « agentique »
- Qui choisit les étapes ? Fixées à l'avance, choisies par l'IA à chaque fois, ou un mélange des deux ?
- Que peut-il voir ? Quels outils, avec l'identifiant de qui, et se souvient-il des conversations passées ?
- Qu'est-ce qui nécessite votre validation ? Est-ce imposé par les autorisations, ou simplement écrit dans un prompt ?
- Que fait-il en cas de doute ? Signale-t-il le problème, ou devine-t-il ?
- Pouvez-vous voir ce qu'il a fait ? Chaque étape et chaque résultat sont-ils enregistrés ?
- Votre équipe peut-elle réutiliser ce qui fonctionne ? La méthode peut-elle être enregistrée, partagée et programmée avec un responsable désigné ?
Un outil qui répond clairement à ces questions mérite qu'on s'y intéresse, quel que soit le nom qu'il se donne. Pour trouver par où commencer, consultez ces exemples d'agents IA pour le travail réel et notre guide pour gérer le contexte et les autorisations.
FAQ
L'IA agentique, est-ce la même chose qu'un agent IA ?
Pas exactement. Un agent IA est un système précis qui prend en charge une tâche, choisit les étapes et utilise des outils pour la mener à bien. L'IA agentique est le terme plus large qui désigne une IA qui fonctionne de cette manière, à quelque degré que ce soit. Tout agent IA est agentique, mais « IA agentique » peut aussi désigner un workflow fixe comportant des étapes d'IA, ou plusieurs agents qui travaillent ensemble.
Quelle est la différence entre l'IA agentique et l'IA générative ?
L'IA générative écrit ou crée quelque chose quand on le lui demande, puis attend. L'IA agentique utilise cette capacité pour avancer vers un objectif : elle planifie, agit avec des outils, vérifie le résultat et continue. La plupart des agents IA reposent sur un modèle génératif, mais rédiger une réponse n'est qu'une partie de ce qu'ils font.
Quels sont les risques de l'IA agentique ?
Les risques viennent de l'action, pas de la réponse. Une IA qui a accès à la messagerie, à un CRM ou à des comptes publicitaires peut faire une mauvaise modification ou envoyer quelque chose que personne n'a vérifié. La prévision de Gartner de 2025, selon laquelle de nombreux projets d'IA agentique seront annulés d'ici 2027, pointait les coûts, une valeur peu claire et des contrôles des risques insuffisants. Ne donnez que les accès nécessaires à la tâche, gardez une trace de chaque étape et exigez une validation pour tout ce qui sort de l'entreprise.
Quelle est la différence entre l'IA agentique et la RPA ?
La RPA (automatisation robotisée des processus) suit à la lettre des étapes enregistrées, comme copier des champs d'un système à un autre. L'IA agentique peut prendre en charge un travail où l'étape suivante dépend de ce qu'elle lit, comme un e-mail qu'il faut comprendre. Certains outils de RPA ont été rebaptisés « agentiques » sans réel changement : demandez à voir comment un outil gère une situation imprévue.
L'IA agentique peut-elle fonctionner en totale autonomie ?
Certains systèmes peuvent enchaîner de nombreuses étapes sans intervention humaine. En entreprise, c'est rarement l'objectif. La plupart des équipes laissent l'IA rechercher, rédiger et suggérer, tandis qu'une personne valide tout ce qui est externe ou difficile à annuler, comme envoyer un e-mail ou modifier un enregistrement. Les analystes restent eux aussi prudents : en mai 2026, Gartner a indiqué que la plupart des outils de planification de la supply chain n'avaient pas atteint l'autonomie complète.
Ai-je besoin d'un agent IA ou d'une automatisation plus simple ?
Commencez simple. Si une tâche suit toujours les mêmes étapes, un workflow enregistré et programmé est moins cher et plus prévisible. Utilisez un agent quand les étapes dépendent de ce qu'il découvre, par exemple pour comprendre pourquoi un compte est à risque. Beaucoup d'équipes font les deux : elles utilisent un agent pour trouver la méthode, puis l'enregistrent comme workflow pour la répéter.
