Qu'est-ce qu'un agent IA, et en quoi il diffère d'un chatbot

La question revient dans presque toutes les réunions où l'on parle d'outils intelligents : qu'est-ce qu'un agent IA, exactement, et en quoi diffère-t-il de l'assistant conversationnel que vos équipes utilisent déjà ? Le mot circule beaucoup, souvent posé sur des produits qui n'en sont pas. Il désigne pourtant quelque chose de précis, et cette précision a des conséquences très concrètes sur ce que vous pouvez déployer, et sur ce que vous devez surveiller.

Un chatbot répond. Un agent agit. Cette formule tient en une ligne mais elle escamote l'essentiel : ce qui sépare les deux, ce n'est pas l'intelligence du modèle sous-jacent, c'est l'architecture posée autour. Le même modèle de langage peut alimenter un simple assistant de rédaction ou un système qui interroge votre base de données, met à jour une fiche client et envoie un courriel. La différence est ailleurs.

Cet article pose la définition, détaille les trois briques qu'un agent ajoute à un assistant conversationnel, déroule un cas de bout en bout, puis décrit les trois niveaux d'autonomie que l'on rencontre réellement en entreprise. Il se termine par la partie que les présentations commerciales oublient : ce qu'un agent ne sait pas faire.

Qu'est-ce qu'un agent IA : la définition la plus courte possible

Un agent IA est un système qui reçoit un objectif, choisit lui-même les actions à mener pour l'atteindre, les exécute au moyen d'outils auxquels on lui a donné accès, observe le résultat, et recommence jusqu'à ce que l'objectif soit atteint ou qu'une limite l'arrête.

Trois mots portent toute la définition. Objectif : on ne lui donne pas une suite d'instructions, on lui donne un but. Outils : il peut faire quelque chose en dehors de la conversation. Boucle : il recommence en tenant compte de ce qu'il vient d'observer.

Un assistant conversationnel classique n'a aucune de ces trois propriétés. Vous lui posez une question, il produit un texte, la transaction est close. Il ne consulte rien, ne modifie rien, et ne sait pas si sa réponse a servi à quelque chose. C'est déjà très utile, et c'est un autre objet.

Ce qu'un agent a en plus d'un chatbot

Des outils, c'est-à-dire un accès au monde

Un outil, dans ce vocabulaire, c'est une fonction que le modèle peut appeler : une requête vers votre CRM, une recherche dans une base documentaire, l'envoi d'un message, la création d'une ligne dans un tableur. Le modèle ne code pas ces fonctions, on les lui décrit, et il décide quand les appeler et avec quels paramètres.

Cette mécanique a été formalisée dans les travaux de recherche sur l'usage d'outils par les modèles de langage. Retenez la conséquence pratique : la liste des outils que vous fournissez définit exactement le périmètre d'action de l'agent. Rien de plus, rien de moins. C'est votre principal levier de contrôle.

Une mémoire, à distinguer du contexte

Un modèle de langage n'a pas de mémoire entre deux appels. Ce que l'on appelle mémoire dans un agent est une couche ajoutée : un historique de conversation réinjecté, un résumé des échanges précédents, un stockage des faits utiles. Sans elle, l'agent recommence à zéro à chaque étape et perd le fil de sa propre tâche.

Cette mémoire est un choix d'ingénierie, pas une propriété magique. Elle coûte, puisque tout ce que l'on réinjecte est facturé, et elle se dégrade, puisque tout ne peut pas être conservé. Pour comprendre pourquoi, il faut savoir comment fonctionne un modèle de langage et ce que représente sa fenêtre de contexte.

Une boucle de décision

C'est la brique qui fait l'agent. À chaque tour, le système alterne raisonnement et action : il détermine ce qu'il lui manque, appelle un outil, lit le résultat, ajuste. Cette alternance, décrite dans la littérature sous le nom de raisonnement et action, transforme un générateur de texte en système qui progresse vers un but.

La boucle a besoin d'une condition d'arrêt. Un agent sans limite de tours, sans budget d'appels et sans critère de réussite tourne jusqu'à épuiser votre facture. Ce point n'est pas un détail d'implémentation, c'est une décision de conception à prendre avant la première ligne de code.

Un cas concret, de bout en bout

Prenons une demande entrante sur la boîte commerciale d'une PME : « Bonjour, pouvez-vous me confirmer le délai de livraison de ma commande 8842 et me renvoyer la facture ? »

1. Lecture et intention. L'agent identifie deux demandes distinctes dans un seul message, et un numéro de commande.
2. Premier outil. Il interroge l'outil de gestion des commandes avec la référence 8842. Il obtient un statut, une date d'expédition prévue et un identifiant client.
3. Contrôle. L'adresse d'expédition du message correspond-elle au client rattaché à cette commande ? Si non, la boucle s'arrête et bascule vers un humain.
4. Deuxième outil. Il récupère la facture correspondante dans l'espace documentaire.
5. Rédaction. Il rédige une réponse dans le ton de l'entreprise, avec la date réelle et la pièce jointe.
6. Point d'arrêt. Selon le niveau d'autonomie choisi, le message part directement ou attend une validation.

Regardez l'étape 3. Elle n'a rien d'intelligent, c'est une règle métier écrite à la main. Dans les agents qui tiennent en production, ces règles représentent l'essentiel du travail. Le modèle apporte la compréhension du message et la rédaction ; le reste est de l'ingénierie classique.

Les trois niveaux d'autonomie d'une IA autonome en entreprise

Parler d'IA autonome sans préciser le niveau ne veut rien dire. Voici la gradation que l'on observe sur le terrain.

La quasi-totalité des déploiements réussis que l'on croise commencent au niveau 1 et n'en bougent qu'après plusieurs semaines de mesure. Passer directement au niveau 3 sur un processus client est le moyen le plus fiable de perdre la confiance de vos équipes en une seule erreur visible. Dès que vous approchez du niveau 3, la question du périmètre de droits devient centrale, et c'est tout le sujet de la sécurisation d'un agent IA qui a accès à vos outils.

Ce qu'un agent ne sait pas faire

La différence entre agent et chatbot ne supprime aucune des limites du modèle sous-jacent. Un agent hérite de tous ses défauts et en ajoute de nouveaux, puisque ses erreurs ont désormais des effets.

• Il ne sait pas qu'il a tort. Un outil qui renvoie une donnée fausse ou vide produit une réponse assurée et fausse. L'agent n'a pas de doute.
• Il ne connaît pas vos règles implicites. Tout ce qui vit dans la tête de vos équipes et nulle part ailleurs lui est invisible.
• Il ne gère pas bien les tâches très longues. Au-delà de quelques dizaines d'étapes, la dérive s'installe : l'agent s'éloigne de l'objectif initial sans le signaler.
• Il n'est pas déterministe. Deux exécutions identiques peuvent différer. Tout processus qui exige un résultat strictement reproductible doit rester dans un automatisme classique, comme ceux que l'on décrit dans nos articles sur l'IA conversationnelle branchée sur des workflows.
• Il ne remplace pas une décision engageante. Un devis, un licenciement, un remboursement exceptionnel : ce sont des responsabilités, pas des tâches.

Par où commencer si le sujet vous intéresse

Savoir qu'est-ce qu'un agent IA sert surtout à trancher une question : votre besoin réclame-t-il vraiment un agent ? Dans la moitié des cas observés, un automatisme déterministe avec un appel de modèle à un seul endroit fait le travail, coûte dix fois moins cher et se débogue.

Si l'agent se justifie, procédez ainsi : choisissez un processus dont l'erreur est rattrapable, écrivez la liste exhaustive des outils autorisés, fixez une limite de tours et un budget, restez au niveau 1 pendant au moins un mois, et journalisez chaque appel d'outil. Le jour où vous voudrez monter en autonomie, ce journal sera votre seule preuve que l'agent se comporte comme prévu.