1. Introduction#
L’Agentic AI (IA agentique) désigne une approche dans laquelle un système d’intelligence artificielle peut prendre des décisions, utiliser des outils et enchaîner des actions pour atteindre un objectif.
Contrairement à un LLM conversationnel classique, qui fournit principalement des réponses, un agent peut agir sur son environnement et adapter son comportement aux résultats obtenus.
Exemple : correction d’un programme Python
- LLM classique : analyse le problème et propose une correction.
- Agent IA : examine les fichiers, modifie le code, exécute les tests et vérifie le résultat.
Un agent IA n’est donc pas simplement un LLM plus performant, mais un système logiciel construit autour d’un modèle.
2. LLM, Workflow et Agent#
Ces trois notions doivent être distinguées.
| Concept | Définition | Exemple |
|---|---|---|
| LLM | Modèle générant des réponses à partir d’un contexte | GPT, Claude, Llama |
| Workflow | Enchaînement d’étapes définies à l’avance | Pipeline ETL |
| Workflow avec LLM | Workflow intégrant un modèle sans lui confier le contrôle du processus | Classification automatique de documents |
| Agent IA | Système utilisant un modèle pour décider des actions à effectuer | Codex, agent de recherche |
La différence essentielle entre un workflow classique et un agent réside dans le contrôle du déroulement des opérations.
- Workflow : les étapes sont principalement définies par le développeur.
- Agent : le modèle peut déterminer les actions à entreprendre en fonction du contexte et des résultats.
Ces approches ne sont pas exclusives : un système peut combiner des étapes déterministes et agentiques.
3. Les composants d’un agent IA#
Un système agentique repose généralement sur plusieurs composants.
| Composant | Rôle |
|---|---|
| Model (LLM) | Comprendre, raisonner et décider |
| Instructions | Définir les objectifs, règles et contraintes |
| Tools | Interagir avec l’environnement (API, fichiers, terminal) |
| Context | Fournir les informations nécessaires aux décisions |
| Memory | Conserver certaines informations entre les interactions |
| Harness | Orchestrer les appels au modèle, les outils et l’exécution |
Le Harness#
Le harness constitue l’infrastructure logicielle encadrant le fonctionnement d’un agent.
Il peut notamment gérer :
- la transmission du contexte et des instructions ;
- les appels aux outils ;
- les permissions et l’environnement d’exécution (sandbox) ;
- les itérations et les conditions d’arrêt ;
- la gestion des erreurs et des résultats.
Le modèle propose des décisions, tandis que le harness organise et contrôle leur exécution.
Son périmètre exact dépend de l’implémentation.
Voir : Architecture et Harness.
4. La boucle agentique (Agent Loop)#
Un agent fonctionne généralement selon une boucle itérative de décision et d’action.
Cette boucle comprend cinq étapes :
- Observation : analyser l’objectif et le contexte.
- Décision : choisir la prochaine action.
- Action : exécuter un outil ou produire une réponse.
- Évaluation : analyser le résultat et détecter les erreurs.
- Continuation ou arrêt : poursuivre si nécessaire.
Exemple : un agent modifie un script Python, exécute les tests, observe un échec, corrige son code et relance les tests.
Le nombre d’itérations peut varier selon la complexité du problème.
Des limites doivent toutefois être prévues : budget, nombre d’itérations, durée ou validation humaine.
Voir : Boucles agentiques.
5. Les niveaux d’autonomie#
L’autonomie d’un agent dépend principalement des outils accessibles et des permissions accordées.
| Niveau | Fonctionnement | Exemple |
|---|---|---|
| Assistance | Le modèle conseille sans agir | Chatbot |
| Supervisé | Les actions nécessitent une approbation | Modification de code validée par l’utilisateur |
| Semi-autonome | Certaines actions sont exécutées librement dans un périmètre défini | Codage et tests dans un dépôt |
| Autonome encadré | L’agent pilote un processus avec des contrôles ciblés | Traitement d’un ticket de développement |
Classification illustrative, non normalisée.
L’autonomie dépend du système complet, et non uniquement des capacités du modèle.
6. Agent unique et Multi-agents#
Un système peut utiliser un seul agent ou plusieurs agents spécialisés.
| Architecture | Principe | Avantages | Limites |
|---|---|---|---|
| Agent unique | Un agent gère plusieurs tâches et outils | Simplicité, maintenance | Contexte et responsabilités potentiellement complexes |
| Multi-agents | Plusieurs agents se répartissent les responsabilités | Spécialisation, parallélisation possible | Coordination, coûts, partage du contexte |
Exemple en Data Science :
- Agent superviseur : coordonne les travaux.
- Agent Data : prépare et contrôle les données.
- Agent ML : entraîne et évalue les modèles.
- Agent QA : vérifie les tests et les livrables.
La multiplication des agents n’améliore pas systématiquement les résultats.
Il est généralement préférable de commencer par un agent unique, puis de spécialiser certains travaux lorsque cela apporte un bénéfice mesurable.
Voir : Architectures multi-agents.
7. Applications pratiques#
L’Agentic AI peut intervenir dans plusieurs domaines.
| Domaine | Applications |
|---|---|
| Développement | Génération de code, refactoring, tests, correction de bugs |
| Data Engineering | Développement de pipelines, contrôles qualité, documentation |
| Data Science | EDA, expérimentation, comparaison de modèles |
| MLOps | Tests, surveillance, diagnostic, assistance au déploiement |
| Recherche | Recherche documentaire, synthèse, analyse de sources |
Un agent peut automatiser certaines étapes techniques, mais ne garantit pas la validité méthodologique des résultats.
En Data Science, les risques de fuite de données, de mauvaise validation ou d’interprétation erronée restent présents.
8. Limites et bonnes pratiques#
| Risque | Bonne pratique |
|---|---|
| Erreurs du modèle | Vérifier les résultats avec des tests indépendants |
| Propagation des erreurs | Prévoir des points de contrôle |
| Coûts et latence | Limiter les itérations et surveiller la consommation |
| Sécurité | Appliquer le principe des permissions minimales |
| Gestion du contexte | Conserver uniquement les informations pertinentes |
| Reproductibilité | Journaliser les actions et versionner les artefacts |
Principes à retenir#
- Privilégier un workflow déterministe lorsqu’il suffit.
- Définir clairement les objectifs et critères de réussite.
- Encadrer l’autonomie avec des permissions et des limites.
- Vérifier les résultats indépendamment du modèle.
- Introduire progressivement la complexité et les architectures multi-agents.
9. Synthèse#
L’Agentic AI repose sur l’association d’un LLM, d’instructions, d’outils et d’un environnement d’exécution.
Les trois notions centrales sont :
- Agent : système capable de décider et d’agir pour atteindre un objectif.
- Harness : infrastructure qui organise et contrôle l’exécution.
- Agent Loop : mécanisme itératif reliant décisions, actions et observations.
L’intérêt principal réside dans la capacité à déléguer des tâches dont les étapes ne sont pas entièrement prédéfinies, tout en conservant des mécanismes de supervision et de validation.
