Qu’est-ce qu’un agent IA ?
Du LLM qui propose un voyage au système qui recherche, compare et adapte ses actions.
Une cliente demande à notre agence de voyage : « Prépare un séjour de quatre jours à Agadir au départ de Montréal, selon mon budget et mes préférences. Ne réserve rien sans mon accord. »
Un modèle peut proposer un programme. Mais comment vérifier les vols disponibles, comparer des hôtels et modifier l’itinéraire si une option manque ? Pour cela, il faut examiner le système autour du modèle.
Le modèle propose ; le système agit
Un LLM est un modèle de langage. Il produit une réponse à partir des instructions et des informations qu’il reçoit. Sans outil de recherche ni offres récentes fournies dans son contexte, il ne peut pas vérifier les disponibilités du moment.
Dans ce cours, un agent IA fondé sur un LLM désigne un système où le modèle choisit certaines actions et les étapes suivantes, selon un objectif et les résultats obtenus. L’application fournit les outils, gère les échanges et applique les contrôles. Le modèle n’est donc pas l’agent à lui seul. Cette distinction reprend la définition formelle du cours Hugging Face.
Un outil est une fonction que l’application peut exécuter : consulter des vols, chercher des hôtels ou calculer un total. Le modèle peut demander son utilisation, mais écrire un appel n’est pas l’exécuter. L’application contrôle la demande, appelle l’outil autorisé et renvoie son résultat au modèle. Microsoft décrit cet aller-retour.
Suivre une recherche de voyage
Voici une séquence illustrative, avec des résultats simulés :
- Préciser la demande. Les dates et le budget manquent. Le système demande ces informations plutôt que de les inventer.
- Rechercher. Le modèle propose de consulter les vols ; l’application exécute la recherche autorisée.
- Adapter. Le résultat indique qu’aucun vol direct ne correspond aux dates. Le modèle peut proposer une recherche avec escale, si la cliente l’accepte.
- Présenter. Après comparaison des options, le système fournit une proposition. Il ne réserve rien.
Le résultat de la recherche change ici l’étape suivante. C’est ce retour d’information qui permet d’adapter le parcours.
Le schéma montre une boucle possible, pas un passage obligé pour chaque demande. L’agent peut aussi répondre directement, demander une précision ou s’arrêter faute d’information.
Qui choisit la prochaine étape ?
Une application peut imposer le même ordre à chaque demande : rechercher les vols, rechercher les hôtels, puis produire un résumé. C’est un workflow, un enchaînement défini à l’avance.
Dans un parcours agentique, une partie de ces choix revient au modèle. Il peut changer de recherche après un résultat incomplet. Les deux approches peuvent se combiner : laisser le modèle comparer les offres tout en imposant une validation avant toute réservation. Cette distinction est développée dans Building effective agents.
L’apparence d’un chat ne permet pas de savoir lequel de ces mécanismes fonctionne derrière l’interface. Un assistant conversationnel peut déjà contenir un agent.
Autonome ne signifie pas sans contrôle
L’autonomie porte sur les décisions déléguées, pas sur des permissions illimitées. Pour notre agence, chercher une offre et payer un billet sont deux opérations différentes. L’application doit bloquer la réservation jusqu’à l’accord requis ; une phrase dans le prompt ne remplace pas ce contrôle.
Un agent peut aussi choisir un mauvais outil ou mal interpréter un résultat. L’ajout d’outils ne garantit donc pas la réussite. Il faut vérifier les offres et leurs conditions, pas seulement lire une proposition convaincante.
Et les frameworks ?
Des logiciels comme Google ADK et LangChain Deep Agents fournissent des composants pour construire ces systèmes. Ce ne sont pas des LLM : ils organisent leur utilisation et celle des outils. Nous les retrouverons pour illustrer les mécanismes du cours.
À retenir : le modèle propose une action ; l’application l’exécute si elle est autorisée ; le résultat aide le modèle à choisir la suite.