Agent IA : comprendre les types pour mieux déléguer

Choisissez un agent IA en fonction du travail qu’il peut mener à terme et des actions que vous l’autorisez à effectuer. Pour distinguer les types d’agents IA, deux grilles de lecture sont utiles : 5 architectures classiques, qui expliquent comment ils prennent leurs décisions, et 7 catégories métier, qui précisent ce que vous pouvez leur déléguer. Les permissions d’un produit en disent davantage sur ses risques que son étiquette.

Un agent de recherche et un agent de développement se distinguent par leur mission. Un agent fondé sur des objectifs se définit par sa manière de décider. Un agent autonome, lui, se caractérise par ce qu’il peut accomplir sans nouvelle intervention humaine. Ces qualificatifs peuvent tous s’appliquer au même système.

Imaginez un théâtre : le rôle d’un comédien, le texte qu’il suit et les portes que sa clé lui permet d’ouvrir sont trois choses distinctes. Choisir un agent sur son seul rôle revient à confier toutes les clés des coulisses à quelqu’un parce qu’il connaît son texte.

Dans un logiciel d’entreprise, le mécanisme à comprendre est une boucle : recevoir une tâche, choisir une action, utiliser un outil, examiner le résultat, puis continuer ou s’arrêter. Un outil est une connexion qui permet au logiciel de récupérer des informations ou de modifier quelque chose en dehors de la conversation. Le guide sur la boucle d’exécution d’un agent détaille ce cycle ; celui sur l’IA agentique présente l’approche dans son ensemble.

Les types d’agent IA : comprendre les architectures classiques

La classification classique décrit des modes de décision, pas des catégories de produits. Dans Artificial Intelligence: A Modern Approach, Stuart Russell et Peter Norvig distinguent les architectures réflexes, avec état interne, fondées sur des objectifs et fondées sur l’utilité. L’apprentissage peut s’appliquer à chacune. Les cinq catégories habituelles restent utiles à condition de garder cette nuance à l’esprit. Diapositives du chapitre de Russell et Norvig

L’agent réflexe simple

Il réagit à l’entrée du moment à l’aide de règles condition-action. Pensez à un thermostat élémentaire qui allume le chauffage quand la pièce est froide. Il ne conserve aucun historique pour lever une ambiguïté.

L’agent réflexe fondé sur un modèle

Il maintient une représentation interne de son environnement et l’actualise au fil des observations. Un agent de nettoyage pourrait ainsi mémoriser les pièces déjà visitées. Ici, « modèle » désigne un modèle du monde, pas nécessairement un grand modèle de langage.

L’agent fondé sur des objectifs

Il choisit ses actions en fonction du résultat visé. Un planificateur d’itinéraire peut envisager plusieurs chemins pour rejoindre une destination. Ce qui le distingue, c’est la planification en vue d’un résultat, plutôt qu’une simple réaction à l’entrée du moment.

L’agent fondé sur l’utilité

Il compare l’intérêt de différents résultats possibles. Un planificateur de livraisons pourrait arbitrer entre l’heure d’arrivée et la distance parcourue. La qualité de son choix dépend de ce que sa règle de notation favorise.

L’agent apprenant

Il modifie son comportement à partir de l’expérience ou de retours reçus. L’apprentissage peut améliorer chacune des architectures précédentes ; il ne correspond pas automatiquement à un degré d’autonomie supérieur. Mémoriser une conversation ne prouve pas non plus, à lui seul, qu’un système apprend une meilleure stratégie d’action.

Ces descriptions expliquent des principes de conception. Elles ne prétendent pas décrire l’architecture interne des produits présentés ci-dessous.

Les catégories d’agents IA, avec des exemples

Pour les responsables opérationnels, la classification utile part du travail à déléguer. Les sept groupes suivants couvrent les catégories de ce guide : ils ne constituent ni une norme du secteur ni des cases étanches. Un agent de recherche peut utiliser un navigateur, et un agent vocal peut faire partie d’un système multi-agents.

Exemples de produits vérifiés sur les pages de leurs éditeurs le 25 octobre 2026. La colonne consacrée au contrôle décrit la responsabilité de la personne qui exploite le système ; elle ne garantit pas que tous les produits disposent des mêmes garde-fous. Les erreurs types illustrent des risques à tester. Il ne s’agit ni de taux d’échec mesurés ni d’incidents signalés concernant les produits cités.

Le risque peut changer radicalement sans que la catégorie change. Un assistant qui prépare une réponse client et un assistant qui l’envoie automatiquement peuvent utiliser le même modèle et les mêmes outils. Dans le second cas, le client peut être affecté avant que quiconque ait vérifié le résultat.

Une interface conversationnelle ne suffit pas à trancher cette distinction. Le comparatif entre agent IA et chatbot porte sur ce qui se passe au-delà de la réponse affichée.

Quels usages pour les agents IA en entreprise ?

Associez chaque catégorie à un livrable précis : une page mise à jour, une modification de code relue, une fiche vérifiée, une conversation menée à terme ou un rapport étayé par des sources. Les exemples ci-dessous présentent des capacités documentées ; les scénarios et les limites de déploiement sont des recommandations.

Assistants intégrés : travailler là où se trouve déjà le contexte

Notion Agent est un assistant intégré à Notion. Il peut créer et modifier des pages et des bases de données à partir du contexte de l’espace de travail et des applications connectées. Notion précise qu’il hérite des permissions de l’utilisateur et ne peut pas modifier de lui-même les niveaux d’accès aux pages. Ces limites sont utiles, mais l’accès au bon espace de travail ne garantit pas le choix de la bonne source. Documentation de Notion Agent

Pour un fondateur qui prépare son point opérationnel hebdomadaire, une première mission raisonnable consiste à transformer des notes de projet validées en brouillon de page de suivi. L’assistant dispose alors d’une entrée claire, d’une destination et d’un résultat qu’une personne peut examiner.

Le risque augmente quand « rédiger une synthèse » devient « mettre à jour les engagements de toute l’équipe ». Même une page soignée peut reprendre une échéance périmée ou attribuer une tâche à la mauvaise personne. Demandez à l’assistant de conserver les liens vers les sources et relisez les modifications partagées avant d’en faire le nouveau plan de travail.

Adoptez ce type d’assistant quand le travail et ses sources se trouvent déjà dans l’application. Attendez de pouvoir définir ce qui peut être modifié avant de lancer un grand ménage dans l’espace de travail. Les permissions héritées peuvent largement dépasser les besoins d’une tâche donnée.

Agents de workflow : intégrer du discernement dans un processus défini

n8n AI Agent est un nœud, autrement dit une étape, que l’on peut insérer dans un workflow n8n. Sa documentation décrit la connexion d’un modèle conversationnel et d’outils, puis le choix par l’agent des outils à appeler pour accomplir la tâche. C’est un bon exemple de processus métier qui intègre une étape de décision flexible. Documentation de n8n AI Agent

Un responsable des opérations pourrait faire passer les messages de fournisseurs par un processus de réception fixe, laisser un agent interpréter la demande, puis placer la mise à jour proposée dans une file de validation. Le workflow qui l’entoure détermine le point d’entrée de la demande et la destination du résultat.

Cette distinction compte. Anthropic décrit les workflows comme des chemins prédéfinis, tandis que les agents laissent le modèle choisir les étapes suivantes. Une automatisation métier peut combiner les deux. Distinction architecturale proposée par Anthropic

Un cas à tester relève d’une erreur système ordinaire : une réponse tarde, une nouvelle tentative est lancée, et la même fiche est créée une seconde fois. Conservez un identifiant unique pour la demande et vérifiez si l’écriture a déjà réussi avant de la répéter.

Utilisez un agent lorsque l’interprétation d’entrées peu structurées le justifie. Gardez l’acheminement prévisible, la validation et les mises à jour de fiches sous le contrôle de règles explicites du workflow. Remplacer un processus fixe et fiable par des décisions ouvertes ajoute du travail sans nécessairement améliorer le résultat.

Agents de développement : déléguer la modification, garder la décision de mise en production

Anthropic Claude Code travaille avec les fichiers du projet et les outils de développement. Anthropic documente la modification de plusieurs fichiers, l’exécution de commandes ainsi que l’écriture et l’exécution de tests. Ses règles et ses modes de permissions déterminent quelles actions exigent une validation humaine : « assistant de développement » ne désigne donc pas un niveau d’accès unique. Présentation de Claude Code, contrôle des permissions

Pour un développeur indépendant, une mission délimitée pourrait être : reproduire un bug signalé, corriger le comportement concerné et livrer un correctif à relire, accompagné des résultats des tests. Un correctif est un ensemble de modifications proposées sur les fichiers. Il donne au développeur un élément concret à examiner avant la mise en production.

La question essentielle lors de la revue est de savoir si le comportement est correct. Un agent peut écrire un test qui confirme sa propre interprétation erronée. La réussite de ce test ne dit pas si un client dont le compte se trouve dans un état inhabituel obtiendra le résultat attendu.

Limitez l’environnement de travail et les identifiants d’accès aux besoins de la tâche. Relisez le code modifié, testez les cas limites pertinents et faites du déploiement en production une décision distincte.

Adoptez ces agents lorsqu’une personne peut évaluer la modification. Si personne ne peut juger le code ou son comportement, une session de développement autonome confie trop de responsabilités à un résultat que vous ne pouvez pas vérifier correctement.

Agents de navigation et de pilotage d’ordinateur : passer par l’interface quand l’intégration ne suffit pas

Browserbase Director transforme des instructions en langage naturel en agents de navigation dont vous pouvez observer et corriger les actions. Browserbase cite le remplissage de formulaires et la vérification de fiches parmi les exemples d’usage, et documente l’export du code d’automatisation sous-jacent. C’est un exemple centré sur le navigateur au sein de la catégorie plus large du pilotage d’ordinateur ; il ne démontre pas un contrôle illimité du bureau. Page de présentation de Director par son éditeur

Un responsable opérationnel expérimenté peut avoir besoin de vérifier l’état de commandes sur un portail fournisseur qui ne propose aucune connexion de données adaptée. Un agent de navigation peut convenir à cette tâche qui exige de passer par l’interface. Commencez par la consultation et un compte rendu des informations trouvées.

L’erreur à tester est une action plausible sur la mauvaise cible : une mise en page modifiée, un client au nom similaire ou une boîte de dialogue inattendue peuvent détourner un clic. Une session de navigateur authentifiée dispose aussi des permissions de son compte. Un prompt demandant de la prudence ne retire pas ces permissions.

Préférez une intégration logicielle directe lorsqu’elle permet clairement l’opération requise. Utilisez le pilotage de l’interface lorsque l’écran est la voie d’accès praticable, avec des comptes restreints et une vérification avant toute validation ayant des conséquences. Le guide des agents de pilotage d’ordinateur approfondit cette limite.

Agents vocaux : vérifier séparément la conversation et l’action

ElevenLabs ElevenAgents est une plateforme d’agents accessibles notamment par téléphone et sur le web. Sa documentation couvre les appels d’outils, les interruptions et la gestion des tours de parole, ainsi que les transferts vers des numéros configurés pour joindre une personne. Les conditions de transfert doivent être paramétrées ; la possibilité de passer la main à un humain fait partie du déploiement. Présentation d’ElevenAgents, configuration du transfert vers un humain

Pour une entreprise de services, recueillir des demandes de rendez-vous est un point de départ mieux délimité que résoudre tous les litiges clients. L’agent peut collecter une demande ; c’est au système de planification et à vos règles de déterminer si la réservation est autorisée.

Une voix naturelle peut masquer l’incertitude. Un nom ou une date mal compris prend de l’importance dès qu’il entraîne la modification d’une fiche. Concevez le parcours pour que l’agent répète les détails essentiels et distingue une modification demandée d’une modification confirmée. Testez les interruptions, les silences et les demandes de mise en relation avec une personne, y compris lorsque personne n’est disponible pour recevoir le transfert.

Adoptez ces agents pour une conversation ciblée, avec une condition de fin claire et une solution de repli. Attendez si l’entreprise ne sait pas définir quand et comment passer la main. Le guide des plateformes d’agents vocaux IA détaille les options de déploiement.

Agents de recherche : déléguer la collecte, garder le jugement sur les preuves

Google Gemini Deep Research permet de choisir les sources et de modifier le plan de recherche proposé avant de lancer le travail. La documentation de Google décrit la production de rapports à partir de sources telles que la recherche web, une sélection de contenus connectés et des fichiers importés. L’unité de travail que l’on peut ainsi encadrer est une mission de recherche au périmètre convenu. Page officielle de Deep Research par Google

Un fondateur qui évalue un partenaire d’intégration potentiel pourrait demander un rapport sur les interfaces prises en charge, les restrictions annoncées et les questions en suspens. Précisez quelles affirmations exigent une documentation de première main et demandez que les preuves manquantes restent clairement signalées.

Le risque à surveiller est la synthèse non étayée : plusieurs faits exacts peuvent être assemblés en une conclusion qu’aucune source ne démontre. Un lien peut aussi être pertinent pour le sujet sans pour autant justifier la phrase voisine.

Utilisez les agents de recherche pour préparer une décision, avec une personne chargée de vérifier les preuves décisives. Consultez la source de chaque affirmation susceptible de modifier votre choix. Distinguez bien « le fournisseur affirme », « le document confirme » et « nous en déduisons ». Un long rapport ne compense pas une question essentielle restée sans réponse.

Systèmes multi-agents : répartir les responsabilités si les relais sont utiles

CrewAI fournit un framework pour organiser les agents en équipes, appelées « crews ». Son éditeur documente des processus séquentiels et des processus hiérarchiques dans lesquels un responsable planifie, délègue et vérifie le travail. Il s’agit d’un moyen d’assembler un système, pas d’un employé prêt à l’emploi pour chaque tâche de l’entreprise. Documentation des processus de CrewAI

Le directeur technique d’une entreprise de taille intermédiaire pourrait séparer la recherche documentaire, l’analyse technique et la vérification, parce que chacune exige des outils ou des accès différents. C’est une raison d’envisager plusieurs agents. Donner les mêmes outils sans restriction à plusieurs prompts portant des noms différents en est une moins convaincante.

La couche de coordination, souvent appelée orchestrateur, détermine quel agent agit ensuite et quelles informations il reçoit. Un superviseur est une version hiérarchique de cette organisation. Aucun des deux ne remplace un responsable métier qui répond du résultat.

L’erreur à tester est la perte de contexte : un spécialiste transmet une synthèse assurée, mais laisse de côté les preuves, les incertitudes ou la restriction de départ. Un autre agent reprend alors la conclusion comme un fait établi. Exigez que les passages de relais préservent les sources et les questions non résolues, et définissez explicitement qui peut déclencher l’action finale et dans quelles limites.

Commencez avec un seul agent et ajoutez-en d’autres lorsque des responsabilités distinctes le justifient. Le guide de l’orchestration des agents IA présente les schémas de coordination. Un système multi-agents peut réunir n’importe laquelle des autres catégories ; il ne constitue pas un échelon supérieur.

Quel type d’agent IA choisir ?

Choisissez la délégation la plus limitée qui aboutit à un résultat utile et achevé. Le choix dépend de la personne qui vérifiera ce résultat et de ce qu’une erreur pourrait modifier.

Pour les responsables opérationnels : commencez dans l’application qui héberge déjà le travail. Si la tâche traverse plusieurs systèmes, séparez l’interprétation de l’écriture finale. Dans un processus de réception des demandes, l’agent peut proposer une catégorie et une destination, tandis que des règles fixes rejettent les dossiers incomplets ou les mises à jour non autorisées. Un brouillon relu est déjà un résultat utile.

Pour les concepteurs : déterminez si le chemin est connu. Si c’est le cas, utilisez un workflow. Si l’action suivante dépend de ce que le système découvre, un agent peut se justifier. N’ajoutez l’accès au navigateur que lorsque l’interface est nécessaire, et plusieurs agents que si leur séparation améliore le contrôle des accès, la spécialisation ou la vérification.

Pour les acheteurs et les fondateurs : demandez une démonstration des limites, pas seulement d’une tâche réussie. Faites tester une fiche ambiguë, une action refusée et un appel d’outil en échec. Cherchez à voir l’action réellement proposée, sa cible et l’explication de ce qui s’est passé. Demandez qui peut arrêter l’exécution et qui prend en charge la remise en état.

Il n’existe pas de classement permanent des catégories par niveau de risque. Un agent de recherche limité à certaines sources et privé de droits d’écriture n’a pas la même exposition qu’un agent connecté à des documents confidentiels. Un petit assistant intégré autorisé à envoyer des messages peut avoir un effet externe plus immédiat qu’un agent de développement cantonné à une copie isolée d’un projet.

Agents autonomes : que faut-il relativiser ?

Le mot « autonome » reste incomplet tant que la tâche, les permissions et les conditions d’arrêt ne sont pas précisées. Un agent peut travailler seul sur une mission étroite tout en devant obtenir une validation avant une action externe. Demandez ce qu’il peut mener à terme sans surveillance et ce qui provoque son arrêt.

Les termes « copilote » et « agentique » ne suffisent pas davantage à décrire les mécanismes de contrôle. Examinez les outils et les permissions derrière l’interface. Une fenêtre de discussion accueillante peut donner accès aussi bien à un assistant de rédaction qu’à un système qui modifie les données de l’entreprise.

L’« apprentissage » doit correspondre à un mécanisme précis. Enregistrer une préférence, retrouver une conversation passée et modifier un modèle entraîné sont des opérations différentes. Pour prendre un exemple concret, Notion indique que les retours sur Notion Agent sont transmis à son équipe et ne servent pas à entraîner votre agent individuel. La présence d’un bouton de retour ne permet pas de conclure à une amélioration continue de l’agent par lui-même. Explication de Notion sur les retours utilisateurs

« Plusieurs agents l’ont vérifié » mérite aussi un examen. Si tous ont reçu la même synthèse non étayée, leur accord apporte peu de preuves supplémentaires. Une vérification utile porte sur la source originale, une contrainte indépendante ou le résultat réel d’une action.

Le meilleur motif d’adoption reste une tâche ciblée, un résultat visible et un responsable capable de l’évaluer. Les promesses d’autonomie générale ne suffisent pas à réunir ces conditions.

Dès lundi : poser par écrit les limites de la délégation

Choisissez une tâche récurrente et définissez ses limites par écrit avant de prévoir une démonstration fournisseur ou de construire un prototype. Un responsable des opérations pourrait commencer par : « transformer les e-mails des fournisseurs en propositions de mise à jour dans une file de validation interne ».

1. 1

   Définir le résultat attendu

   Précisez le livrable qu’une personne recevra : un brouillon de page, une proposition de mise à jour de fiche, un correctif de code ou un rapport sourcé. Remplacez « gérer les opérations » par un résultat que vous pouvez accepter ou refuser.

2. 2

   Limiter les entrées et les actions

   Énumérez les sources qu’il peut lire et les destinations qu’il peut modifier. Dans l’exemple des e-mails fournisseurs, le pilote lit les messages sélectionnés et écrit ses propositions de mise à jour uniquement dans la file de validation.

3. 3

   Faire valider les actions qui ont des conséquences

   Précisez l’action exacte qui doit être vérifiée, par exemple la mise à jour de la fiche fournisseur en production ou l’envoi d’une réponse. La personne chargée de valider doit voir la cible et la modification proposée avant de donner son accord.

4. 4

   Prévoir les échecs et désigner un responsable

   Incluez un nom de fournisseur ambigu, des instructions contradictoires et une action dont le résultat est incertain. Décidez quand l’agent doit s’arrêter, ce qu’il doit consigner et quelle personne traite l’exception.

Votre premier livrable est un court cahier des charges de délégation et un résultat que l’on peut vérifier. L’autonomie pourra s’élargir une fois que vous saurez expliquer comment cette mission délimitée se comporte en cas de problème.

Questions fréquentes

Quels sont les 5 types d’agents ?

Les catégories classiques sont les agents réflexes simples, les agents réflexes fondés sur un modèle, les agents fondés sur des objectifs, les agents fondés sur l’utilité et les agents apprenants. L’apprentissage peut s’ajouter aux autres architectures ; il ne désigne pas nécessairement un niveau d’autonomie distinct.

Quels autres types d’IA sont proches de l’IA agentique ?

L’IA générative produit du contenu, tandis que l’IA prédictive estime des résultats à partir de données. Ces capacités peuvent entrer dans la composition d’un agent. Le terme « agentique » décrit l’organisation d’ensemble qui permet de choisir et d’exécuter des actions pour accomplir une tâche, plutôt qu’une catégorie de modèle exclusive des autres.

Quelle différence entre un agent fondé sur un modèle et un agent fondé sur des objectifs ?

Un agent fondé sur un modèle conserve une représentation interne de son environnement. Un agent fondé sur des objectifs se sert du résultat visé pour orienter le choix de ses actions. Ces principes peuvent coexister : maintenir un état interne aide l’agent à planifier pour atteindre son objectif.

ChatGPT est-il un agent intelligent ?

La définition théorique large d’un agent intelligent diffère du sens opérationnel utilisé pour déléguer des actions métier. Pour une session ChatGPT, demandez-vous si elle se contente de renvoyer une réponse ou si elle est configurée pour utiliser des outils et agir en vue d’une tâche. Le seul nom du produit ne précise pas cette limite.

Quels sont les 6 composants d’un agent IA ?

Il n’existe pas de norme universelle à six composants. Une grille de vérification pratique comprend : l’objectif, les entrées, la logique de décision, l’état interne, les outils et les contrôles d’exécution. Elle permet de demander ce que l’agent cherche à faire, ce qu’il sait, comment il agit et ce qui peut l’arrêter.

Quels sont les 7 types d’agents IA ?

Cet article répartit les agents métier en assistants intégrés aux applications, agents de workflow et d’automatisation, agents de développement, agents de navigation web et de pilotage d’ordinateur, agents vocaux, agents de recherche et systèmes multi-agents. C’est une grille pratique, pas une taxonomie universelle ; les catégories se recoupent.

Quels sont les 4 grands types d’agents IA ?

Il n’existe pas de classement de référence des « quatre grands » produits. Dans la classification des architectures classiques, les quatre conceptions de base pour choisir une action sont les agents réflexes simples, réflexes fondés sur un modèle, fondés sur des objectifs et fondés sur l’utilité. L’apprentissage peut s’appliquer à chacune.

Quel est l’agent IA le plus populaire ?

Pour répondre, il faut définir le marché et disposer de données d’usage comparables. Les utilisateurs d’un assistant intégré, les agents vocaux déployés et les sessions de développement sont des mesures différentes. Une affirmation de popularité qui compare des catégories sans mesure commune ne devrait pas déterminer votre choix.

Quels sont les 5 métiers qui résisteront à l’IA ?

Une classification des agents ne permet pas d’établir une liste de métiers dont la survie serait garantie. Pour prendre une décision d’entreprise, détaillez plutôt les tâches d’un poste : ce qui peut être délégué, ce qui exige une vérification et qui reste responsable du résultat.

Quelle est l’IA la plus puissante ?

Il n’existe pas de vainqueur universel pour l’ensemble de ces missions. Évaluez si le système configuré accomplit correctement votre tâche, respecte les actions autorisées et produit un résultat vérifiable. La capacité du modèle ne suffit pas à déterminer la qualité de l’ensemble du déploiement.

Pour recevoir des guides pratiques sur l’utilisation de l’IA dans votre entreprise, abonnez-vous à la newsletter.