L’IA agentique, ça veut dire quoi ?
·1 min de lecture·pragma once
On entend partout parler d’« IA agentique » sans jamais bien savoir ce que le mot recouvre. L’idée tient pourtant en une phrase : au lieu de répondre d’un bloc, le modèle agit par étapes — il décide, se sert d’un outil, observe le résultat, recommence. C’est le passage du chatbot qui bavarde à l’assistant qui fait.
À retenir
- L’IA agentique, c’est un agent LLM qui boucle : il perçoit, décide, agit via un outil, observe le résultat, et recommence jusqu’au but.
- Le tool use (appel d’outils), le RAG et le protocole MCP sont les briques qui branchent le modèle sur vos données et vos systèmes.
- L’orchestration — quels outils, quels garde-fous, quand s’arrêter — est le vrai chantier, bien plus que le choix du modèle.
IA agentique : la définition simple
Un modèle de langage classique fait une chose : on lui donne un texte, il renvoie un texte. Utile, mais passif. L’IA agentique ajoute une boucle autour de ce réflexe. On confie un objectif au modèle — « réponds à ce client », « prépare ce devis » — et on l’autorise à agir pour l’atteindre : consulter une base, appeler une API, relire son travail, corriger le tir. C’est ce qu’on appelle un agent LLM.
Anthropic, l’éditeur de Claude définit d’ailleurs un agent comme un système où le modèle dirige lui-même l’enchaînement des étapes et le choix des outils, par opposition à un simple workflow où le chemin est écrit à l’avance par le développeur. La nuance est capitale : dans un agent, ce n’est plus vous qui scriptez chaque étape, c’est le modèle qui décide de la prochaine.
- Un chatbot répond à une question, puis s’arrête et attend la suivante.
- Un agent poursuit un but : il enchaîne plusieurs actions, seul, jusqu’à ce que la tâche soit finie.
- Entre les deux, la différence n’est pas la puissance du modèle mais la boucle qu’on lui donne autour.
Comment marche un agent LLM
Le cœur d’un agent, c’est une boucle. À chaque tour, le modèle perçoit l’état courant (la demande, ce qu’il a déjà fait), décide de la prochaine action, l’exécute — souvent en appelant un outil — puis observe le résultat. Si le but n’est pas atteint, il recommence avec cette nouvelle information. Tant que ça avance, ça tourne ; dès que c’est fini, ça s’arrête.
Le tool use : appeler des outils
Sans outils, un agent ne fait que raisonner dans le vide. Le tool use (l’appel d’outils) est ce qui le relie au monde réel : on décrit au modèle une liste de fonctions — « chercher un client », « créer un devis », « envoyer un mail » — et il choisit laquelle appeler, avec quels arguments. C’est la mécanique standardisée par OpenAI avec le function calling et reprise depuis par toute la profession. L’outil s’exécute côté serveur, renvoie un résultat, et le modèle repart de là.
RAG et MCP : brancher le contexte
Deux briques reviennent sans cesse. Le RAG (retrieval-augmented generation) va chercher les bons extraits dans vos documents et les glisse dans la demande, pour que le modèle réponde sur vos données plutôt que sur ses souvenirs de pré-entraînement. Le MCP (Model Context Protocol), lui, standardise la connexion entre l’agent et vos systèmes : une même prise pour brancher un modèle sur une base, un CRM ou un dépôt de fichiers, sans réécrire l’intégration à chaque fois.
Des frameworks comme LangChain et le protocole ouvert Model Context Protocol outillent précisément cette orchestration : mémoire, enchaînement des appels d’outils, reprise sur erreur. Mais un framework ne dessine pas votre boucle métier à votre place — il vous donne les briques ; le plan reste à faire.
L’IA agentique en entreprise
Faut-il un agent pour tout ? Non. Beaucoup de besoins se règlent très bien avec un simple appel de modèle, sans boucle ni outils. L’approche agentique se justifie quand la tâche est ouverte : le chemin n’est pas connu d’avance, il dépend de ce qu’on trouve en route. Pour choisir, posez-vous la question dans cet ordre :
- La tâche a-t-elle un chemin fixe ? Si oui, un workflow scripté suffit — inutile de sortir un agent.
- A-t-elle besoin d’aller chercher de l’info ou d’agir sur un système ? C’est le terrain du tool use et du RAG.
- Le nombre d’étapes varie selon les cas ? Alors la boucle d’un agent LLM prend tout son sens.
- Quels garde-fous ? Périmètre des outils, validation humaine sur les actions sensibles, limite de tours.
Ce raisonnement prolonge celui qu’on développe dans notre article sur l’intégration de l’IA en entreprise : la brique intelligente est mûre, le point dur reste l’intégration. Un agent branché sur votre métier ne sort pas d’un abonnement générique ; il se construit. Un logiciel sur-mesure pour l’industrie, comme pour tout autre secteur, expose les bons outils à l’agent, dans les bonnes limites, au bon endroit du process. C’est la conviction qui guide notre approche du logiciel sur-mesure chez pragma once.
Notre ligne : simplicité, élégance, pragmatisme. Un agent au périmètre étroit, des garde-fous clairs, et une valeur qu’on peut pointer du doigt — plutôt qu’une démo autonome bluffante qui personne n’ose brancher sur la production.
Un bon agent n’est pas celui qui en fait le plus tout seul : c’est celui qui sait exactement quand agir, quand s’arrêter, et quand vous passer la main.
L’IA agentique, au fond, ce n’est donc pas de la magie : c’est une boucle, des outils, du contexte et des garde-fous. Le tool use, le RAG et le MCP ne sont que l’outillage. Le reste — savoir quel but confier à l’agent et où poser les limites — reste un travail d’ingénierie, et c’est précisément là que tout se joue.