Concepts Fondamentaux
Agent IA
Un système logiciel qui utilise un grand modèle de langage (LLM) comme moteur de raisonnement pour percevoir son environnement, prendre des décisions et agir de manière autonome. Contrairement à un chatbot, un agent peut planifier des tâches en plusieurs étapes, utiliser des outils externes et adapter son comportement en fonction des résultats.
Agent Autonome
Un agent IA capable de fonctionner avec une supervision humaine minimale ou nulle sur de longues périodes. Les agents autonomes définissent leurs propres sous-objectifs, se remettent des erreurs sans intervention et persistent entre les sessions — essentiel pour les charges de travail de production comme le tri du support client ou la surveillance de l’infrastructure.
Système Multi-Agents (MAS)
Une architecture où plusieurs agents IA collaborent, sont en compétition ou négocient pour résoudre des problèmes trop complexes pour un seul agent. Chaque agent peut avoir un rôle spécialisé (chercheur, codeur, relecteur) et le système inclut des protocoles de communication, de délégation de tâches et de résolution de conflits.
IA Agentique
Un terme décrivant les systèmes IA qui présentent un comportement autonome et orienté vers un objectif — la qualité d’être un agent plutôt qu’un outil passif. L’IA agentique implique la planification, l’utilisation d’outils, la mémoire et la capacité de poursuivre des objectifs sur plusieurs étapes sans incitation humaine étape par étape.
Utilisation d’Outils
La capacité d’un agent IA à invoquer des fonctions externes, des API ou des outils logiciels pour accomplir des tâches au-delà de la génération de texte. Les outils peuvent inclure la recherche web, l’exécution de code, les opérations sur le système de fichiers, les requêtes de base de données, ou toute capacité externe exposée via une interface définie.
Appel de Fonction
Un mécanisme spécifique par lequel un LLM produit des données structurées (généralement du JSON) qui déclenchent une fonction prédéfinie dans l’application hôte. L’appel de fonction est le modèle d’implémentation le plus courant pour l’utilisation d’outils — le modèle décide quelle fonction appeler et avec quels arguments en fonction de l’intention de l’utilisateur.
Raisonnement
Le processus cognitif par lequel un LLM décompose des problèmes complexes, évalue des alternatives et tire des conclusions logiques avant d’agir. Les techniques de raisonnement avancées — comme la décomposition étape par étape et l’auto-vérification — sont ce qui distingue le simple suivi d’instructions du véritable comportement agentique.
Planification
La capacité d’un agent à décomposer un objectif de haut niveau en une séquence d’étapes réalisables avant l’exécution. Une planification efficace implique d’anticiper les dépendances, d’ordonnancer correctement les tâches et de replanifier dynamiquement lorsque des étapes intermédiaires échouent ou produisent des résultats inattendus.
Mémoire (Court Terme / Long Terme)
La mémoire à court terme fait référence au contexte contenu dans la fenêtre de contexte du modèle au cours d’une seule session — la conversation en cours, les résultats récents des outils et le raisonnement en cours. La mémoire à long terme persiste entre les sessions via un stockage externe (bases de données vectorielles, graphes de connaissances ou journaux structurés), permettant aux agents de se souvenir des préférences des utilisateurs, des décisions passées et des modèles appris sur des jours ou des mois.
RAG (Génération Augmentée par Récupération)
Une technique qui ancre les réponses d’un LLM dans des connaissances externes en récupérant des documents pertinents d’une base de données avant de générer une réponse. Dans les systèmes d’agents, le RAG est souvent utilisé comme un outil — l’agent interroge une base de connaissances, récupère le contexte et utilise ce contexte pour éclairer les décisions ou les réponses, réduisant ainsi les hallucinations sur les requêtes factuelles.
Orchestration
La couche de coordination qui gère la façon dont plusieurs agents, outils et workflows interagissent au sein d’un système plus vaste. L’orchestration gère le routage des tâches, la gestion des dépendances, le suivi de l’état et la gestion des erreurs — c’est le chef d’orchestre qui empêche un système multi-agents de sombrer dans le chaos.
Boucle d’Agent
Le cycle d’exécution central d’un agent IA : observer (recueillir des informations de l’environnement ou des sorties d’outils), raisonner (analyser et décider quoi faire ensuite), agir (exécuter un appel d’outil ou produire une sortie), et observer à nouveau. La boucle se répète jusqu’à ce que l’agent détermine que la tâche est terminée ou qu’une condition de terminaison est remplie.
ReAct (Raisonnement + Action)
Un modèle d’incitation et d’exécution où l’agent entrelace des traces de raisonnement avec des actions concrètes. Au lieu de penser complètement puis d’agir, lagent pense une étape, agit, observe le résultat, réfléchit au résultat et agit à nouveau — produisant un comportement plus ancré et plus facile à corriger que les approches pures de chaîne de pensée.
Chaîne de Pensée (CoT)
Une technique d’incitation qui demande au LLM de produire des étapes de raisonnement intermédiaires avant de donner une réponse finale. En verbalisant sa réflexion, le modèle atteint souvent une plus grande précision sur les tâches de raisonnement complexes — et rend son processus de décision interprétable pour les observateurs humains.
Arbre de Pensée (ToT)
Une extension de la chaîne de pensée où le LLM explore plusieurs chemins de raisonnement simultanément, les évalue et élimine les branches peu prometteuses — un peu comme un algorithme de recherche. L’arbre de pensée est particulièrement puissant pour les tâches de planification et de résolution de problèmes où l’agent doit envisager plusieurs stratégies possibles avant de s’engager.
Frameworks & Plateformes
LangChain
Un framework open-source pour créer des applications alimentées par LLM avec un accent sur la composabilité. LangChain fournit des abstractions pour les chaînes, les agents, les outils et la mémoire, ainsi qu’un écosystème croissant d’intégrations — ce qui en fait l’un des points de départ les plus largement adoptés pour le développement d’agents.
AutoGen
Le framework de conversation multi-agents open-source de Microsoft. AutoGen permet aux développeurs de définir des agents spécialisés qui communiquent via des conversations structurées, avec une prise en charge intégrée des modèles d’intervention humaine, des environnements d’exécution de code et des topologies de chat de groupe.
CrewAI
Un framework Python pour orchestrer des agents IA basés sur des rôles qui travaillent ensemble en tant qu’« équipage ». CrewAI attribue à chaque agent un rôle, un objectif et un historique définis, puis gère l’exécution séquentielle ou hiérarchique des tâches — populaire pour le prototypage rapide de workflows multi-agents.
OpenAI Agents SDK
Le kit de développement logiciel officiel d’OpenAI pour créer, tester et déployer des agents IA. Le SDK fournit des primitives pour les définitions d’outils, les garde-fous, les transferts entre agents et le traçage — conçu pour fonctionner nativement avec les modèles OpenAI et l’API Responses.
Claude (Anthropic)
La famille de LLM de pointe d’Anthropic, largement utilisée comme moteur de raisonnement dans les systèmes d’agents. Les modèles Claude sont connus pour leur fort suivi des instructions, leurs longues fenêtres de contexte (jusqu’à 200 000 tokens), leurs capacités natives d’utilisation d’outils et leurs principes de conception axés sur la sécurité qui les rendent populaires pour les déploiements d’agents en production.
Hermes Agent
Un runtime d’agent IA open-source et un framework d’assistant personnel de Nous Research, conçu pour donner aux utilisateurs un contrôle total sur les compétences, les plugins, la mémoire et le backend de modèle de leur agent. Hermes Agent met l’accent sur le fonctionnement en local, la prise en charge multiplateforme et un écosystème communautaire de compétences et de profils partageables.
Openclaw
Une plateforme d’agent IA personnel open-source axée sur la communication multicanal (Telegram, Discord, WhatsApp, Slack, email, voix) avec une architecture de plugins. Openclaw met l’accent sur la gestion multi-profils, les plugins de politique pour la conformité et la possibilité de fonctionner entièrement sur une infrastructure appartenant à l’utilisateur.
Haystack
Un framework NLP open-source de deepset pour créer des pipelines de recherche et de récupération. Dans l’écosystème des agents, Haystack est couramment utilisé pour implémenter des backends RAG, le traitement de documents et la récupération de connaissances — souvent comme un outil invoqué par des frameworks d’agents de plus haut niveau.
Semantic Kernel
Le SDK open-source de Microsoft pour intégrer les LLM dans les applications avec un accent sur les scénarios d’entreprise. Semantic Kernel fournit un modèle de plugins, des modèles d’orchestration et une intégration native avec l’écosystème Microsoft (Azure, Copilot, Teams).
Microsoft Copilot Studio
Une plateforme low-code pour créer des copilotes et agents IA personnalisés au sein de l’écosystème Microsoft 365. Copilot Studio permet aux organisations de créer des agents qui fonctionnent sur Teams, SharePoint, Dynamics 365 et Power Platform — avec des connecteurs intégrés aux sources de données d’entreprise.
Technique
MCP (Protocole de Contexte de Modèle)
Un protocole ouvert développé par Anthropic qui standardise la façon dont les modèles IA se connectent aux outils externes, sources de données et services. MCP définit une architecture client-serveur où les agents (clients) découvrent et invoquent les capacités exposées par les serveurs MCP — analogue à la façon dont USB a standardisé les connexions périphériques, mais pour l’intégration d’outils IA.
ACP (Protocole de Communication entre Agents)
Une norme émergente pour la façon dont les agents IA communiquent entre eux à travers différents frameworks et plateformes. ACP vise à résoudre l’interopérabilité agent-à-agent — permettant à un agent LangChain de déléguer du travail à un agent AutoGen en utilisant un format de message commun, un mécanisme de découverte de capacités et un modèle de sécurité.
GGUF
Un format de fichier pour stocker les poids de LLM quantifiés, largement utilisé dans l’écosystème des modèles locaux et open-source. GGUF permet d’exécuter de grands modèles sur du matériel grand public en regroupant les métadonnées d’architecture du modèle avec des poids compressés que des outils comme llama.cpp peuvent charger efficacement.
LoRA (Adaptation de Bas Rang)
Une technique de fine-tuning efficace en termes de paramètres qui ajoute de petites couches d’adaptateur entraînables à un modèle pré-entraîné plutôt que de modifier tous les poids. LoRA rend pratique la personnalisation des modèles de base pour des tâches d’agent spécifiques — comme l’appel d’outils ou le raisonnement spécifique à un domaine — à une fraction du coût et du stockage d’un fine-tuning complet.
Quantification
Le processus de réduction de la précision numérique des poids d’un modèle (par exemple, de 16 bits à 4 bits) pour diminuer l’utilisation de la mémoire et la latence d’inférence. La quantification est essentielle pour exécuter des modèles d’agents capables sur des appareils de périphérie, des ordinateurs portables et des instances cloud à coût limité.
Fine-tuning
Le processus de formation supplémentaire d’un LLM pré-entraîné sur un ensemble de données organisé pour améliorer les performances sur une tâche ou un domaine spécifique. Dans le développement d’agents, le fine-tuning est utilisé pour améliorer la précision de l’appel d’outils, enseigner le raisonnement spécifique à un domaine ou aligner le comportement du modèle avec les politiques de l’entreprise.
Sortie Structurée
Une capacité où le LLM génère des réponses dans un format garanti (généralement du JSON conforme à un schéma) plutôt que du texte libre. La sortie structurée est essentielle pour les systèmes d’agents car les appels d’outils, l’extraction de données et les messages agent-à-agent doivent être analysables par machine avec une tolérance zéro pour la syntaxe malformée.
Mode JSON
Une fonctionnalité spécifique du LLM qui contraint la sortie du modèle à du JSON valide. Bien que moins rigoureux que la sortie structurée complète avec validation de schéma, le mode JSON est largement pris en charge et suffisant pour de nombreuses implémentations d’appel d’outils d’agents.
Limitation de Débit
Un mécanisme qui restreint le nombre de requêtes qu’un agent peut faire à une API ou un service dans une fenêtre de temps donnée. Une gestion appropriée de la limitation de débit — avec backoff exponentiel, mise en file d’attente et dégradation gracieuse — est essentielle pour les agents de production qui appellent des API externes sans les submerger ni épuiser les budgets.
Token
L’unité atomique de texte qu’un LLM traite — correspondant approximativement à un fragment de mot (~4 caractères en anglais). Le nombre de tokens détermine l’utilisation de la fenêtre de contexte, la tarification de l’API et la latence, ce qui rend la conception tenant compte des tokens essentielle pour les agents rentables qui gèrent de longues conversations ou de grands documents.
Fenêtre de Contexte
Le nombre maximum de tokens qu’un LLM peut traiter en un seul passage avant, englobant l’invite système, l’historique de la conversation, les sorties des outils et la requête en cours. Les agents modernes s’appuient sur de grandes fenêtres de contexte (128 000 à 200 000 tokens) pour maintenir la cohérence sur de longues interactions à plusieurs tours — mais doivent toujours gérer le contexte de manière stratégique pour éviter d’atteindre les limites.
Embedding
Une représentation vectorielle numérique de texte, d’images ou d’autres données qui capture la signification sémantique dans un espace de grande dimension. Les embeddings permettent aux agents d’effectuer des recherches de similarité, du clustering et de la récupération — le fondement mathématique derrière la mémoire sémantique et les systèmes RAG.
Base de Données Vectorielle
Une base de données spécialisée optimisée pour le stockage et l’interrogation de vecteurs de grande dimension (embeddings). Les bases de données vectorielles alimentent la moitié « récupération » du RAG en permettant une recherche rapide du plus proche voisin sur des millions de documents — permettant aux agents de trouver des informations sémantiquement pertinentes même lorsque les mots-clés ne correspondent pas.
Communication Agent-à-Agent
Les mécanismes par lesquels les agents IA échangent des informations, délèguent des tâches et coordonnent des actions. Cela peut aller du simple passage de messages structurés à des protocoles sophistiqués impliquant la découverte de capacités, la négociation et la mémoire partagée — et constitue un défi central dans la conception de systèmes multi-agents.
Sécurité & Alignement
Alignement
Le domaine qui consiste à garantir que les systèmes IA se comportent conformément aux valeurs humaines, aux intentions et aux contraintes de sécurité. Dans les systèmes d’agents, l’alignement signifie que l’agent poursuit ses objectifs sans causer de dommages involontaires — même lorsque le chemin le plus court vers l’objectif violerait les limites éthiques ou opérationnelles.
RLHF (Apprentissage par Renforcement à partir du Feedback Humain)
Une technique d’entraînement où des évaluateurs humains classent les sorties du modèle et ces classements sont utilisés pour entraîner un modèle de récompense qui affine le LLM via l’apprentissage par renforcement. Le RLHF a été l’approche dominante pour apprendre aux modèles à être utiles, inoffensifs et alignés sur l’intention de l’utilisateur.
IA Constitutionnelle
La méthodologie d’alignement d’Anthropic où une IA est entraînée à suivre une « constitution » écrite de principes plutôt que de se fier uniquement au feedback humain. Le modèle s’auto-critique et révise ses sorties par rapport à ces principes, permettant une supervision à grande échelle sans exiger que les humains examinent chaque sortie.
Red Teaming
La pratique antagoniste consistant à sonder un système IA à la recherche de vulnérabilités, de comportements nuisibles ou d’échecs d’alignement avant le déploiement. Les red teams simulent des attaques — de l’injection d’invites à l’ingénierie sociale — pour identifier les faiblesses qui doivent être traitées via des garde-fous, du fine-tuning ou des changements architecturaux.
Injection d’Invites
Une attaque de sécurité où des instructions malveillantes sont intégrées dans des données qu’un agent traite (par exemple, une page web, un e-mail ou un document), amenant l’agent à ignorer ses instructions d’origine et à suivre les commandes de l’attaquant. L’injection d’invites est l’un des problèmes de sécurité non résolus les plus difficiles dans les systèmes d’agents.
Garde-fous
Des contraintes de protection placées autour du comportement d’un agent — implémentées comme des filtres d’entrée, des validateurs de sortie ou des moniteurs d’exécution. Les garde-fous peuvent appliquer des politiques de contenu, empêcher des actions nuisibles, valider les appels d’outils par rapport à des schémas et garantir que l’agent reste dans ses limites opérationnelles définies.
Sandboxing
La pratique consistant à exécuter l’exécution de code d’agent, les invocations d’outils ou des instances d’agent entières dans des environnements isolés avec des autorisations restreintes. Le sandboxing empêche un agent de causer des dommages s’il commet une erreur ou est compromis — essentiel pour les agents qui exécutent du code arbitraire ou accèdent à des systèmes de fichiers.
Sécurité des Agents
Le domaine interdisciplinaire qui vise à garantir que les agents IA autonomes fonctionnent de manière fiable, prévisible et sans causer de dommages — même dans des situations inattendues. La sécurité des agents englobe l’alignement, la robustesse, la surveillance et la conception de mécanismes « d’arrêt d’urgence » qui restent sous contrôle humain.
Interprétabilité
L’étude de la compréhension pourquoi un modèle IA a pris une décision spécifique, en examinant ses représentations internes, ses modèles d’attention ou ses traces de raisonnement. Dans les systèmes d’agents, l’interprétabilité est essentielle pour déboguer les échecs, établir la confiance avec les utilisateurs et satisfaire aux exigences réglementaires pour une IA explicable.
Jailbreaking
La pratique consistant à contourner les restrictions de sécurité d’un système IA par le biais d’invites conçues, de scénarios de jeu de rôle ou d’astuces de codage. Les systèmes d’agents sont confrontés à un risque accru de jailbreaking car leurs capacités d’utilisation d’outils et de raisonnement en plusieurs étapes créent des surfaces d’attaque plus grandes pour contourner les garde-fous.
Entreprise & Industrie
SLA (Accord de Niveau de Service)
Un engagement contractuel définissant les performances, la disponibilité et la fiabilité attendues d’un service d’agent IA. Pour les agents de production, les SLA couvrent la disponibilité (par exemple, 99,9 %), la latence de réponse, les seuils de précision et les procédures d’escalade — essentiels pour l’approvisionnement en entreprise et l’évaluation des fournisseurs.
RPA (Automatisation Robotique des Processus)
Une technologie pour automatiser des processus métier structurés et basés sur des règles — tels que la saisie de données, le traitement des factures ou la soumission de formulaires. Alors que le RPA traditionnel suit des scripts fixes, l’industrie converge avec les agents IA pour créer une « automatisation intelligente » qui gère les exceptions et les données non structurées.
Agent ERP
Un agent IA intégré aux systèmes de planification des ressources d’entreprise (SAP, Oracle, Microsoft Dynamics) pour automatiser les workflows tels que la commande-à-encaissement, les achats et la clôture financière. Les agents ERP représentent l’un des plus grands vecteurs d’adoption en entreprise pour l’IA agentique, avec SAP déployant plus de 200 agents de production en 2026.
Entreprise Autonome
Une vision de l’organisation future où les agents IA gèrent la majorité des tâches opérationnelles, analytiques et d’aide à la décision — les humains se tournant vers la supervision stratégique, la gestion des exceptions et l’orientation créative. L’entreprise autonome est le point d’arrivée de la courbe d’adoption des agents qui a commencé avec le RPA et s’accélère grâce aux agents alimentés par LLM.
Travailleur Numérique
Un terme utilisé dans les contextes d’entreprise pour décrire un agent IA qui remplit une fonction de travail spécifique — analogue à un employé humain. Les travailleurs numériques ont des rôles définis, des mesures de performance, des autorisations d’accès et des chemins d’escalade, et sont de plus en plus gérés aux côtés des équipes humaines dans les plateformes d’orchestration de la main-d’œuvre.
Conformité
L’exigence que les systèmes d’agents IA adhèrent aux cadres réglementaires (RGPD, SOC 2, HIPAA, EU AI Act), aux normes de l’industrie et aux politiques de gouvernance internes. La conformité couvre le traitement des données, l’auditabilité des décisions, la surveillance des biais et la capacité d’expliquer les actions des agents aux régulateurs et aux auditeurs.
Observabilité
La pratique consistant à instrumenter les systèmes d’agents pour comprendre leur état interne via des journaux, des métriques, des traces et des tableaux de bord. Dans les contextes d’agents, l’observabilité va au-delà de l’APM traditionnel — elle doit capturer les chaînes de raisonnement, les séquences d’appels d’outils, les modèles d’accès à la mémoire et les interactions multi-agents pour permettre le débogage et l’optimisation.