Dr. Houssam KANSO
L’idée d’utiliser des systèmes comportant plusieurs agents en informatique n’est pas entièrement récente. Dès les années 1990, les recherches en intelligence artificielle exploraient déjà des architectures distribuées où plusieurs entités logicielles sont capables d’interagir pour atteindre un objectif commun [1], [2], [3]. Ces entités sont hétérogènes et possèdent une capacité de résolution de problèmes.
Aujourd’hui, l’IA agentique représente la continuité de ces travaux en bénéficiant des avancées en intelligence artificielle, notamment des modèles de langage. Depuis la fin de l’année 2024, nous remarquons que les termes « AI Agent », « AI Agents » et « Agentic AI » sont mis en avant par les grands acteurs du secteur. OpenAI a lancé le mode agent pour ChatGPT, un outil d’IA capable d’effectuer des tâches complexes en plusieurs étapes à l’aide de son « propre ordinateur virtuel » [4]. Google a également lancé un protocole d’échange pour faciliter la communication entre les agents IA [5]. Une simple recherche de ces termes sur Google Trends [6] nous confirme cette tendance (Figure 1).
Figure 1. Tendances Google pour les termes de recherche : AI Agent, AI Agents et Agentic AI
Comme OpenAI et Google, de nombreuses entreprises commencent à utiliser des agents IA et de l’IA agentique, mais le problème est que ces concepts ne sont pas toujours employés dans un contexte approprié. En réalité, certaines de ces entreprises utilisent ces termes pour désigner des automatisations de tâches simples ou de la génération de texte enrichie par des données contextuelles.
Dans cet article, nous explorons les caractéristiques et les architectures des agents IA et de l’IA agentique. Nous détaillons également les opportunités et les défis liés à l’IA agentique. L’objectif est de comprendre comment l’appliquer efficacement dans des cadres adaptés afin de résoudre des problèmes complexes de manière autonome.
Agent IA
Un agent IA est un système autonome conçu pour réaliser une tâche spécifique de manière indépendante. Il a une mémoire contextuelle qui lui permet de réagir à des conditions variables. Un agent est également capable d’utiliser des outils tels que les APIs, les bases de données et les navigateurs. À l’inverse d’un workflow statique, l’agent peut agir de manière réactive et proactive, adapter ses choix et évoluer en fonction des retours ou de l’environnement avec un certain niveau d’autonomie. On parle ici d’un agent unique ayant un objectif précis [7].
Figure 2. Architecture d’un agent IA
Un agent IA à plusieurs composants principaux pour la perception, la prise de décision, l’exécution et la mémoire [8], comme présenté dans la figure 2. Le mécanisme de perception constitue l’interface entre un agent et son environnement. Il permet la collecte, le nettoyage et le pré-traitement des données externes. Le module cognitif a une fonction principale de raisonnement et de prise de décision. Ce dernier permet à l’agent de traiter les informations, d’évaluer les alternatives et de sélectionner les meilleures décisions pour chaque situation. Il contient également une base de connaissance et une capacité basique d’adaptation. Une fois les décisions prisent, elles seront exécutées par le composant d’exécution des actions. Il joue le rôle de transformation des décisions en comportements concrets qui peuvent être appliqués dans l’environnement. Enfin, la mémoire interne à l’agent lui permet de stocker, récupérer et mettre à jour le contexte en temps réel pour améliorer sa performance.
IA Agentique
L’IA agentique ne se limite pas à la présence de plusieurs agents dans le système mais elle fait référence à une classe d’intelligence artificielle qui se concentre sur les systèmes autonomes qui sont capables de prendre des décisions et réaliser des tâches sans la nécessité d’une intervention humaine. Ce genre de système possède la capacité de prendre des décisions d’une manière autonome, de définir les objectifs, de s’adapter au contexte sans supervision continue et d’apprendre en continu. On passe ici d’un agent monolithique à un système distribué et collaboratif. Ce dernier est composé de plusieurs modules intelligents qui travaillent ensemble pour atteindre un objectif complexe. L’IA agentique ne se limite pas uniquement à ça, elle est également capable de définir ses sous-objectifs, de choisir ses outils, de créer de nouveaux plans si les anciens échouent, et de réévaluer sa stratégie d’une manière autonome [9].
La construction de ce type de système consiste l’organiser d’une manière modulaire où chaque élément a une fonction précise en collaboration avec les autres agents. Cela permet aux agents de percevoir, de raisonner, de prendre des décisions, d’apprendre et de communiquer entre eux de manière autonome.
Figure 3. Architecture de l’IA Agentique [10]
L’architecture de l’IA agentique est principalement constituée des éléments suivants : l’orchestrateur, les agents IA spécialisés et la mémoire permanente. La figure 3 illustre l’ensemble des composants qu’on trouve dans une architecture d’IA agentique. L’orchestrateur est un agent chargé de coordonner, gérer les rôles et résoudre les conflits entre les agents d’intelligence artificielle. Chacun de ces derniers effectue une fonction spécialisée pour atteindre un objectif commun. Les agents IA collaborent, contrairement à un agent seul qui agit comme une unité monolithique. Une mémoire permanente est partagée entre les différents agents pour renforcer leur efficacité. L’architecture IA agentique comporte également une couche d’entrée pour collecter les données et une couche de sortie pour effectuer les actions sur l’environnement. Une telle architecture garantit un raisonnement avancé et une capacité à évaluer les résultats intermédiaires et à replanifier les actions de manière dynamique.
Les atouts de l’IA agentique
L’IA agentique est sans doute prometteuse, elle ouvre de nouvelles opportunités et domaines plus avancés que celles proposées par des approches LLM workflow, RAG et agent IA.
L’IA agentique permet l’automatisation des tâches complexes, la gestion des workflows longs et complexes. Les tâches complexes sont découpées en tâches plus simples à accomplir. Elles sont ensuite planifiées et exécutées. Ce système peut également s’adapter aux changements pour améliorer sa performance en continu.
Une autre caractéristique de l’IA agentique est sa mémoire permanente et partagée entre les différents agents qui a pour but de garantir la cohérence dans les décisions et les actions sur le long terme.
Les agents peuvent se souvenir de ce qui a été fait, ainsi de ce qui a réussi ou échoué. Chacun des agents joue un rôle défini et sur lequel il est spécialisé (par exemple, un agent planificateur, vérificateur…).
Ces agents collaborent comme pour un comportement humain collaboratif entre différentes personnes pour accomplir des tâches complexes, ce qui permet d’avoir des décisions plus robustes et des actions plus pertinentes. Cette collaboration entre les agents permet également à ces systèmes de travailler de manière autonome pendant de longues périodes sans besoin de supervision humaine.
Les défis et limites de l’IA agentique
Malgré les nombreuses opportunités qu’offre l’IA agentique, elle vient avec son propre ensemble de limites et défis à surmonter pour profiter pleinement de cette technologie.
L’une des limites à surmonter est les erreurs en cascades qui peuvent se produire pour plusieurs raisons. Comme dans une chaine de montage, une pièce défectueuse donne un produit défectueux. Si un agent se trompe ou hallucine, la réponse finale risque d’être incorrecte. Des comportements imprévisibles peuvent se produire quand plusieurs agents interagissent.
Un autre défi de l’IA agentique est la communication et la coordination entre les agents. En théorie, c’est facile de mettre en place en utilisant un agent orchestrateur, une base de connaissance et une mémoire partagée. Mais en pratique c’est plus complexe à cause de la latence dans l’accès à la mémoire partagée, l’incohérence et les conflits entre agents et les protocoles de communication qui ne sont pas toujours compatibles.
Il y a aussi la problématique de la scalabilité : plus il y a d’agents, plus le système est complexe à gérer et à surveiller, en particulier si les agents sont distribués. Converger entre un grand nombre d’agents pour prendre une décision commune présente une complexité technique majeure.
Enfin, il ne faut pas négliger les considérations de fiabilité et d’explicabilité des actions et des décisions des agents. Comprendre pourquoi une décision a été prise par une IA agentique est souvent impossible. Il est aussi difficile de retracer précisément la chaîne de décisions qui a conduit à cette décision parce que chaque agent à sa mémoire, sa logique et son rôle qui est indépendant des autres agents.
Conclusion
L’IA agentique est aujourd’hui un sujet très à la mode, souvent mis en avant comme une révolution, mais il est important de prendre du recul en abordant ce sujet. Ces systèmes multi-agents capables de raisonner, planifier, apprendre et collaborer ouvrent de nouvelles possibilités et vont plus loin que les automatisations de tâches simples ou de la génération de texte enrichie par des données contextuelles. L’IA agentique est une technologie qui comporte des défis à surmonter dans le futur tels que les problématiques de coordination, d’efficacité, d’explicabilité et de scalabilité. Elle offre de nouvelles opportunités pour des systèmes intelligents mais nécessite une bonne compréhension de ses atouts et ses limitations pour l’utiliser dans un cadre approprié.
Références
[1] J. Ferber, Multi-agent systems: an introduction to distributed artificial intelligence. Harlow: Addison-Wesley, 1999.
[2] E. Oliveira, K. Fischer, and O. Stepankova, ‘Multi-agent systems: which research for which applications’, Robot. Auton. Syst., vol. 27, no. 1–2, pp. 91–106, Apr. 1999, doi: 10.1016/S0921-8890(98)00085-2.
[3] B. Chaib-Draa, B. Moulin, R. Mandiau, and P. Millot, ‘Trends in distributed artificial intelligence’, Artif. Intell. Rev., vol. 6, no. 1, pp. 35–66, 1992, doi: 10.1007/BF00155579.
[4] ‘Introducing ChatGPT agent: bridging research and action’. Accessed: July 30, 2025. [Online]. Available: https://openai.com/index/introducing-chatgpt-agent/
[5] ‘Announcing the Agent2Agent Protocol (A2A)- Google Developers Blog’. Accessed: Aug. 11, 2025. [Online]. Available: https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/
[6] ‘Google Trends’. Accessed: July 23, 2025. [Online]. Available: https://trends.google.com/trends/
[7] N. Krishnan, ‘AI Agents: Evolution, Architecture, and Real-World Applications’, 2025, arXiv. doi: 10.48550/ARXIV.2503.12687.
[8] ‘AI Agent Architecture: Core Principles & Tools in 2025’. Accessed: July 31, 2025. [Online]. Available: https://orq.ai/blog/ai-agent-architecture
[9] R. Sapkota, K. I. Roumeliotis, and M. Karkee, ‘AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges’, May 28, 2025, arXiv: arXiv:2505.10468. doi: 10.48550/arXiv.2505.10468.
[10] R. Sharma, ‘Agentic AI Architecture: A Deep Dive’, Markovate. Accessed: July 30, 2025. [Online]. Available: https://markovate.com/blog/agentic-ai-architecture/