Le développement de l’IA ces dernières années a connu différentes vagues d’applications concrètes, la plus récente d’entre elle étant l’émergence des Agents IA. Ces-derniers ne se contentent plus d’analyser ou de répondre : ils interagissent avec leur environnement !
Avec Tribes, nous avons lancé l’IAcadémie, une formation gratuite et bénévole composée de 4 webinars d’une heure chacun sur les bases de l’IA : compréhension du Machine Learning, du Deep Learning, des LLM, Transformers, GPU, etc. A retrouver directement sur Youtube en suivant ce lien !
Mais avec l’arrivée des Agents IA, nous avons décidé de lancer une nouvelle série de 4 webinars sur ce vaste sujet. Cet article reprend quelques concepts du premier webinar dédié à la définition des agents IA et une meilleure comprehension des agents agentiques (Agentic Agents).
* * * *
I) Les cinq vagues de l’IA
L’évolution de l’IA peut être segmentée en cinq grandes phases !
L’IA prédictive (années 2000-2010)
Il s’agit de l’ère du machine learning et de la modélisation prédictive. Cette vague a permis d’automatiser des tâches comme la détection de spam ou la publicité ciblée. Facebook, Google et TikTok en sont devenus les champions, en utilisant notamment des algorithmes d’intelligence artificielle pour prédire les comportements des internautes.
Les copilotes (2020-2023)
Cette deuxième phase a vu émerger des IA conversationnelles comme ChatGPT ou Gemini capable d’interagir avec les humains en langage naturel et de répondre à tout un tas de questions plus ou moins complexes.
Les agents IA (2024 – aujourd’hui)
À la différence des copilotes, les agents IA ne se contentent pas de répondre en langage naturel : ils sont autonomes et peuvent interagir avec leur environnement, notamment en opérant des actions pour le compte des utilisateurs – comme réserver un billet, gérer un service client ou interagir avec d’autres agents. Bon nombre d’acteurs comme Salesforce, OpenAI ou Microsoft investissent massivement dans cette révolution dont les applications business apparaissent très prometteuses.
La robotique
La quatrième phase concernera la convergence entre l’IA et la robotique. Des robots comme Optimus, développé par Tesla, commencent à émerger, intégrant l’IA pour interagir physiquement avec leur environnement.
L’AGI (Intelligence Artificielle Générale)
La cinquième et dernière vague sera sans doute celle de l’AGI : une intelligence artificielle capable de raisonner et d’apprendre de manière autonome, à l’image d’un humain. Nous en sommes encore loin, mais les avancées actuelles sur les agents IA représentent, selon certains experts, une étape importante dans cette direction.
II) Les composants clés d’un agent IA
Qu’est-ce qu’un agent IA ?
Marc Benioff, CEO de Salesforce, déclarait lors de Dreamforce 2024 : “Nous entrons dans une ère où chaque entreprise devra non seulement manager des humains, mais aussi des agents IA.”
Pour bien comprendre l’impact des agents IA dans notre quotidien et celui des entreprises, il est essentiel de comprendre leurs trois caractéristiques fondamentales :
- Un objectif clair : un agent IA est conçu pour accomplir une tâche précise, comme répondre aux clients, analyser des données ou exécuter des actions spécifiques.
- Une autonomie : un agent IA est capable de fonctionner de manière indépendante sans intervention humaine continue.
- Une interaction avec son environnement : il peut prendre des décisions, exécuter des actions et interagir avec des systèmes externes.
C’est cette capacité à agir qui différencie les agents IA des chatbots conversationnels de première génération comme la version 2023 de ChatGPT. Tous deux s’appuient cependant sur des LLM pour fonctionner.
Jim, l’agent IA de Partoo
Chez Partoo, nous avons développé Jim, un agent IA destiné aux retailers et aux réseaux de points de vente. Il permet de répondre à certaines questions de clients de grandes enseignes françaises, sur leur site web ou depuis WhatsApp, Facebook Messenger, Instagram ou par SMS. Grâce à Jim, des entreprises comme Dentego ou Cash Converters peuvent ainsi automatiser une partie de leur service client tout en offrant une expérience fluide et personnalisée.
III) Les composants d’un agent IA
Comme tous les agents IA, notre agent Jim repose sur cinq éléments essentiels :
1. Le moteur de raisonnement (LLM)
Le moteur de raisonnement est concrètement le “cerveau” de l’agent : il s’appuie généralement sur des modèles d’IA comme les LLMs, pour traiter les données entrantes et prendre des décisions. Chez Partoo nous utilisons ceux d’OpenAI hébergés sur Azure. Pour mieux comprendre le lien entre les modèles et les opérateurs de Cloud, n’hésitez pas à vous référer à cet article dédié.
2. Les instructions (prompts)
Les instructions fournissent au modèle ses objectifs et directives (“prompt”). Les capacités de planification quant à elles, lui permettent de décomposer des objectifs complexes en étapes concrètes, pour être autonome – c’est le propre des agents agentiques, comme nous le verrons plus bas.
3. La base de connaissances
Pour répondre aux demandes qui lui sont faites, l‘agent va aussi s’appuyer sur une base de connaissances. Dans le cas de Jim, l’agent IA de Partoo, la base de connaissances est à la fois composée de FAQ (questions & réponses) et de données externes structurées ou non structurées.
4. La mémoire à court et long terme
Pour être efficace, un agent doit retenir des informations dans le temps.
Il existe deux types de mémoire :
- Mémoire à court terme : permet de gérer une conversation en cours sans perdre le fil.
- Mémoire à long terme : stocke des informations utiles sur le long terme, permettant d’améliorer la personnalisation des interactions.
5. Les outils et actions
L’agent IA peut enfin opérer des actions dans d’autres systèmes informatiques : on parle d’outils. Il peut s’agir d’API externes ou des logiciels que les agents utilisent pour répondre à certaines demandes, comme programmer un rendez-vous chez le coiffeur ou poser un jour de congé.
Rentrons un peu plus dans le détail des aspects qui caractérisent un agent IA.
IV) Les spécificité des agents IA
Les Agent IA s’appuient sur le concept de Grounded LLMs, ces LMM “ancrés” dans la réalité et capables de se connecter à des bases de connaissances et d’accéder à des outils mis à jour en temps réel.
Dans un super épisode du podcast Underscore, Arthur Mensch, fondateur de Mistral explique cette révolution :
« On utilise généralement les modèles pour générer du texte mais ce qui est intéressant c’est lorsqu’ils génèrent des appels à des outils et qu’on les utilise comme des orchestrateurs, comme des « operating systems ».
Chez Mistral, on travaille beaucoup pour avoir des modèles qui puissent être connectés à plein d’outils différents, auxquels on peut poser des questions et donner des tâches, et qui vont réfléchir eux-mêmes aux outils qu’ils vont appeler. »
Un agent IA performant s’appuie généralement sur une base de connaissances solide et diversifiée. Prenons l’exemple de Jim, l’agent développé chez Partoo : il doit répondre aux utilisateurs en s’appuyant sur plusieurs sources d’informations.
Des bases de données internes…
La plateforme de Partoo stock des données utiles pour Jim, notamment :
- Les informations locales des points de vente (horaires, adresses…)
- Une FAQ, alimentée manuellement, qui permet à Jim de répondre aux questions les plus fréquentes.
Ces données permettent déjà de couvrir une grande partie des interactions, mais elles restent limitées aux informations disponibles au sein de la plateforme.
… aux bases de données externes
L’enjeu principal réside dans la capacité des agents à aller chercher des informations au-delà de leur propre système. Un assistant comme Jim pourrait ainsi se connecter à :
- Un CRM pour récupérer des informations clients,
- Une base de données produits pour répondre aux questions sur des références spécifiques,
- Un système de gestion des stocks pour donner des informations en temps réel sur la disponibilité des produits.
L’accès à ces données externes utilise généralement un process de Retrieval-Augmented Generation (RAG), qui permet à l’IA de récupérer des informations pertinentes sans qu’elle soient intégrées à la context window. Pour en savoir plus, je vous invite à vous inscrire au webinar (gratuit) dédié au RAG et à l’Agentic RAG que nous organisons le 29 avril à 10h : lien d’inscription !
Pourquoi connecter des bases de données externes ?
Prenons un cas concret : les clients de Partoo disposent de catalogues produits vastes et évolutifs. Si un internaute demande des détails sur un produit ou sa disponibilité, Jim doit pouvoir aller chercher cette information directement à la source, plutôt que de se limiter aux données enregistrées en interne.
Cette approche ouvre la voie à de nouvelles expériences utilisateur. Imaginez interagir avec l’assistant d’un concessionnaire auto et obtenir instantanément des recommandations de modèles de voitures, avec leurs fonctionnalités et options détaillées.
D’ailleurs, des plateformes comme WhatsApp, Facebook et Instagram travaillent déjà sur ces expériences conversationnelles enrichies. Demain, commander un plat sur Deliveroo pourrait se faire entièrement via un échange avec un agent IA, capable de comprendre vos préférences, votre budget et votre localisation, et de vous proposer des suggestions personnalisées en temps réel.
Chez Partoo, nous travaillons sur ce sujets comme vous pouvez le voir dans le visuel ci-dessous.
Les agents IA : bien plus que de simples chatbots
Comme nous l’avons déjà dit, là où les agents IA se différencient réellement des chatbots traditionnels, c’est dans leur capacité à exécuter des actions en plus de répondre aux questions.
Chez Partoo, nous avons déjà développé un outil permettant à notre agent IA de collecter des leads au sein de conversations par message et d’envoyer ces leads à d’autres outils CRM comme Salesforce, HubSpot ou Pipedrive !
L’avenir des agents IA ne se limite donc pas à une simple assistance conversationnelle. Demain, ces intelligences seront capables de :
✅ Gérer des commandes et synchroniser les bases de données en temps réel,
✅ Accéder à des informations complexes issues de multiples sources,
✅ Orchestrer des actions dans des systèmes d’entreprise (CRM, ERP, gestion logistique…),
✅ Personnaliser l’expérience utilisateur en fonction du contexte et des préférences individuelles.
V) Les Agents Agentiques : quelle différence ?
On entend souvent parler d’agents agentiques (“Agentic Agents”), mais qu’est-ce que cela signifie exactement ? Comment se distinguent-ils des agents IA plus traditionnels ?
La distinction clé : exécution vs autonomie
Un agent IA classique suit un modèle simple : il exécute une tâche spécifique en fonction d’une instruction donnée. En d’autres termes, il répond de manière réactive, sans chercher à anticiper ou organiser une suite d’actions.
Un agent IA agentique, en revanche, est capable de planifier une série d’actions pour atteindre un objectif donné. Il ne se contente pas d’exécuter une demande immédiate : il analyse la situation, identifie les étapes nécessaires et construit une réponse plus élaborée.
Prenons des exemples concrets !
✅ Agent IA classique
Vous lui demandez :
“Quelle tenue dois-je mettre demain ?”
Il vérifie la météo et répond simplement :
“Mets un t-shirt, il fait beau.”
L’agent exécute une action unique et directe.
✅ Agent IA agentique
Vous lui demandez :
“Je vais monter la Sainte-Victoire par l’est demain. Combien de litres d’eau dois-je prendre ?”
L’agent ne connaît pas la réponse immédiate et on ne lui a jamais posé ce type de question ! Pourtant, il est capable de décomposer la tâche en plusieurs étapes :
- Identifier les parkings de départ à l’est de la Sainte-Victoire.
- Estimer le temps de montée (~2h).
- Vérifier la température prévue.
- Croiser ces informations pour calculer le besoin en eau.
En plus de ces étapes, un agent agentique peut poser des questions complémentaires :
“Combien de personnes vous accompagnent ?”
Ce type d’interaction dynamique, où l’agent implique l’utilisateur pour affiner ses décisions, est appelé Human-in-the-Loop (HITL). Il permet à l’IA de corriger ses hypothèses et d’améliorer la pertinence de ses réponses.
Pourquoi est-ce une évolution majeure ?
Les agents agentiques ouvrent la voie à des IA plus autonomes et plus intelligentes, capables de :
✅ Mener des projets complexes en autonomie.
✅ Gérer des problèmes inédits sans réponse préprogrammée.
✅ S’adapter aux situations évolutives en interagissant avec l’humain.
À terme, ces agents pourraient jouer un rôle clé dans de nombreux domaines, de la gestion de tâches professionnelles à l’optimisation de décisions stratégiques.
Si ces sujets vous intéressent, n’hésitez pas à regarder le webinar 1 de l’IAcadémie 2 car cet article (rédigé en partie par IA & transcript) n’en résume que le premiers tiers.
