Définitions de l'IA Agentique : Termes Essentiels à Connaître et Comprendre
Eliott Ardisson
Founder & CEO - Basalt Studio
Glossaire de l'IA agentique : définitions claires des termes essentiels pour comprendre et implémenter des agents IA dans une PME dirigée par son fondateur.
Points clés
- L’IA agentique désigne des systèmes capables de poursuivre des objectifs de manière autonome, en enchaînant plusieurs actions sans instruction humaine à chaque étape.
- La différence avec l’automatisation classique tient à la capacité de raisonnement contextuel : un agent peut gérer des exceptions, pas seulement des règles fixes.
- Les termes clés — agent, orchestration, mémoire, outil, guardrail — ont des définitions précises qu’il vaut mieux maîtriser avant de déployer quoi que ce soit.
- Les gains réels proviennent moins de la technologie elle-même que de la qualité de la définition des objectifs et des limites donnés à chaque agent.
- Pour une PME, l’IA agentique devient pertinente dès qu’un processus implique plusieurs étapes, des décisions conditionnelles, et un volume suffisant pour justifier l’investissement.
Ce que “agentique” veut vraiment dire
L’IA agentique n’est pas un produit. C’est une architecture. Un système agentique est un système d’IA capable de décomposer un objectif en sous-tâches, d’utiliser des outils pour les exécuter, d’observer les résultats, et d’ajuster son plan en conséquence — sans qu’un humain intervienne à chaque étape.
C’est la différence entre demander à un assistant de rédiger un email (une seule instruction, une seule sortie) et lui dire “gère les demandes entrantes de nouveaux clients et qualifie-les avant de me les transmettre” (plusieurs étapes, des branchements conditionnels, des actions sur des systèmes tiers).
Cette distinction est importante parce qu’elle change ce qu’on peut automatiser. Avec un LLM simple, on automatise une tâche. Avec un agent, on automatise un processus. Ce sont des niveaux de complexité très différents, avec des niveaux de risque différents aussi.
Glossaire : les termes à connaître
Avant d’évaluer une implémentation ou de travailler avec un prestataire, il est utile de parler le même langage. Voici les définitions qui reviennent systématiquement dans les projets d’IA agentique.
Agent Un agent IA est un programme qui perçoit un contexte, raisonne sur ce qu’il doit faire, et exécute une ou plusieurs actions pour atteindre un objectif. Un agent peut appeler des outils, lire des données, écrire dans des systèmes, ou orchestrer d’autres agents. L’autonomie est son trait distinctif.
LLM (Large Language Model) Modèle de langage de grande taille. C’est le moteur de raisonnement qui permet à un agent de comprendre des instructions en langage naturel, de générer du texte, d’analyser des documents, ou de décider quelle action entreprendre. GPT-4, Claude, Gemini sont des exemples de LLM. Un agent agentique utilise un LLM comme cerveau, mais n’est pas limité à produire du texte.
Outil (Tool) Une fonction que l’agent peut appeler pour interagir avec le monde. Un outil peut être une recherche dans une base de données, l’envoi d’un email, la création d’un événement dans un calendrier, ou un appel à une API externe. C’est la couche d’action : sans outils, un agent ne peut que raisonner, pas agir.
Orchestration La logique qui coordonne plusieurs agents ou plusieurs étapes dans un flux de travail. Un orchestrateur décide quel agent appeler, dans quel ordre, en fonction des résultats intermédiaires. Dans une architecture multi-agents, l’orchestration est souvent le point le plus délicat à concevoir correctement.
Mémoire La capacité d’un agent à retenir des informations au-delà d’une seule interaction. On distingue la mémoire à court terme (le contexte d’une conversation en cours) et la mémoire à long terme (des informations stockées dans une base de données vectorielle ou relationnelle et récupérées selon les besoins). La mémoire est ce qui permet à un agent de se souvenir qu’un client a appelé la semaine dernière.
RAG (Retrieval-Augmented Generation) Technique qui consiste à enrichir le contexte d’un LLM avec des données récupérées dynamiquement depuis une base documentaire. Concrètement : au lieu d’entraîner le modèle sur vos documents internes, vous lui fournissez les passages pertinents au moment de la requête. C’est ce qui permet à un agent de répondre à des questions sur votre catalogue de produits ou vos procédures internes.
Guardrail Une contrainte imposée à un agent pour limiter son comportement. Un guardrail peut être technique (l’agent ne peut pas supprimer de données) ou sémantique (l’agent doit toujours escalader vers un humain si le client exprime une insatisfaction). Les guardrails sont la principale réponse aux risques liés à l’autonomie.
Prompt système (System Prompt) Les instructions de base données à un agent avant toute interaction. Le prompt système définit son rôle, ses objectifs, ses contraintes, son ton, et les situations où il doit s’arrêter. C’est l’équivalent d’un brief de poste : un agent mal briefé produit un travail mal aligné.
Boucle d’agentivité (Agentic Loop) Le cycle répétitif qu’un agent exécute : observation du contexte, raisonnement sur l’action à prendre, exécution de l’action, observation du résultat, et retour au raisonnement. Cette boucle continue jusqu’à ce que l’objectif soit atteint ou qu’un critère d’arrêt soit déclenché.
Handoff Le moment où un agent transfère le contrôle à un humain ou à un autre agent. Un bon handoff inclut un résumé du contexte, des actions déjà prises, et une indication claire de ce qui reste à faire. Dans un flux de qualification de leads, par exemple, l’agent qualifie et le commercial reçoit un dossier structuré, pas une pile de données brutes.
Émergence Comportement inattendu qui résulte de l’interaction entre composants d’un système complexe. En pratique, dans un contexte professionnel, l’émergence est surtout un signal d’alarme : si un agent fait des choses non prévues, c’est que les guardrails ou le prompt système sont insuffisants, pas que le système est “intelligent”.
La différence entre automatisation et IA agentique
Beaucoup de dirigeants confondent les deux, et c’est normal : les frontières bougent vite. Voici une façon simple de les distinguer.
| Caractéristique | Automatisation classique | IA agentique |
|---|---|---|
| Déclenchement | Événement défini | Objectif défini |
| Gestion des exceptions | Règle prévue ou erreur | Raisonnement contextuel |
| Adaptabilité | Reprogrammation manuelle | Ajustement via le raisonnement |
| Cas d’usage idéal | Processus linéaires à haute fréquence | Processus complexes avec branchements |
| Supervision requise | Vérification périodique | Monitoring des décisions critiques |
Un exemple concret : dans un cabinet de recrutement, un outil classique peut trier des CV selon des mots-clés et envoyer un email de confirmation. Un agent peut lire un CV, évaluer son adéquation avec une fiche de poste en langage naturel, rédiger un premier message de contact personnalisé, programmer un rappel si pas de réponse, et remonter les cas ambigus au recruteur avec une synthèse.
Les cas d’usage réalistes pour une PME
L’IA agentique n’est pas réservée aux grandes entreprises. Elle devient accessible pour des équipes de 10 à 100 personnes, à condition de cibler des processus adaptés. McKinsey et d’autres cabinets de recherche ont documenté des gains de productivité significatifs dans les fonctions à fort volume de traitement d’information — traitement de documents, qualification, support, reporting.
Voici les cas d’usage où l’IA agentique délivre le plus clairement dans les PME :
- Qualification de prospects entrants : l’agent lit les formulaires, enrichit les données depuis des sources publiques, score les leads selon des critères métier, et prépare un dossier pour le commercial.
- Traitement de documents : factures, contrats, dossiers clients — l’agent extrait les informations clés, les structure dans le bon système, et signale les anomalies.
- Onboarding client : l’agent envoie les bons documents au bon moment, recueille les informations manquantes, et tient l’équipe informée de l’avancement.
- Réponse aux demandes fréquentes : dans un contexte immobilier, juridique, ou comptable, un agent peut répondre aux questions répétitives avec des informations précises tirées de la documentation interne, en escaladant les cas complexes.
- Reporting automatisé : l’agent agrège les données de plusieurs sources, génère un résumé structuré, et l’envoie à la bonne personne au bon moment.
Ce qui fait échouer les implémentations
Dans notre travail avec des PME qui déploient leurs premiers agents, les points de rupture sont presque toujours les mêmes.
Un objectif trop flou. “Automatiser le service client” n’est pas un objectif d’agent. “Répondre aux questions sur l’état d’une commande sans intervention humaine” en est un. Plus l’objectif est précis, plus il est possible de définir des outils, des guardrails, et des critères d’arrêt appropriés.
Des guardrails inexistants. Un agent sans contraintes explicites va prendre des décisions que personne n’a anticipées. Pas parce qu’il est malveillant, mais parce qu’il optimise pour l’objectif donné sans tenir compte de ce qu’on n’a pas pensé à lui dire. Les guardrails ne sont pas une option — ils font partie de l’architecture.
Une intégration data insuffisante. Un agent ne peut travailler qu’avec les informations auxquelles il a accès. Si votre CRM est mal tenu, vos documents non structurés, et vos systèmes non connectés, l’agent reproduit ces problèmes à grande vitesse. La qualité des données conditionne la qualité des sorties.
L’absence de handoff clair. Les agents ne doivent pas tout traiter. Dans les cas ambigus, ou à fort enjeu, un transfert vers un humain avec un contexte bien documenté est souvent le meilleur résultat possible. Définir ces moments à l’avance évite les mauvaises surprises.
Éthique et gouvernance : ce qu’il faut prévoir
L’autonomie d’un agent IA soulève des questions de responsabilité. Si un agent envoie un email incorrect à un client, prend une décision biaisée dans la qualification de candidats, ou accède à des données qu’il ne devrait pas voir, qui est responsable ?
La réponse pratique est que la responsabilité reste chez l’entreprise qui déploie l’agent. Cela implique de documenter les décisions prises par les agents (journaux d’audit), de définir les limites de leur autonomie (guardrails), de respecter les régulations applicables comme le RGPD, et de former les équipes à intervenir quand nécessaire.
L’IA Act européen, qui entre progressivement en vigueur, impose des obligations de transparence et de documentation pour les systèmes à risque. Pour la plupart des PME, les cas d’usage courants ne tombent pas dans les catégories à haut risque — mais il vaut mieux le vérifier au moment de concevoir l’architecture.
Les outils qui sous-tendent les agents
Sans entrer dans les détails techniques, voici les catégories d’outils qui composent une stack agentique typique pour une PME :
- Modèle de raisonnement : l’API d’un LLM (Claude d’Anthropic, modèles GPT, etc.) via un routeur comme OpenRouter qui permet de sélectionner le modèle selon le coût et les besoins.
- Orchestration : un framework comme n8n pour les flux visuels, ou du code TypeScript pour les architectures plus complexes.
- Mémoire et données : une base vectorielle pour le RAG, un CRM ou une base relationnelle pour les données structurées.
- Interface : une application web construite avec Next.js, ou une intégration dans un outil existant via API.
Ce qui compte n’est pas l’outil lui-même, mais la cohérence de l’architecture et la qualité de l’intégration avec les processus existants.
Par où commencer
Avant d’implémenter quoi que ce soit, l’étape utile est un audit de processus : identifier les flux de travail qui sont à la fois répétitifs, basés sur de l’information (pas de la main-d’œuvre physique), et suffisamment volumeux pour justifier le travail de déploiement.
Un bon premier agent est souvent petit, très bien délimité, et instrumenté dès le départ pour mesurer son impact. On peut l’étendre ensuite. L’inverse — déployer large d’emblée — produit des systèmes difficiles à déboguer et à faire adopter par les équipes.
La formation des équipes est aussi importante que le déploiement technique. Les collaborateurs qui travaillent avec des agents doivent comprendre ce que l’agent peut faire, ce qu’il ne peut pas faire, et comment intervenir. Une adoption faible efface les gains opérationnels.
Maîtriser le vocabulaire de l’IA agentique n’est pas une fin en soi — c’est ce qui permet d’avoir des conversations honnêtes avec des prestataires, d’évaluer des architectures proposées, et de prendre des décisions éclairées sur ce qu’il est raisonnable d’automatiser dans votre contexte.
Si vous êtes dirigeant d’une PME et que vous voulez évaluer concrètement ce que l’IA agentique peut apporter à vos processus, vous pouvez réserver un appel stratégie IA avec l’équipe de Basalt Studio : https://cal.com/eliott-ardisson-kzq7zs/ai-strategy-call