L'IA agentique désigne les systèmes d'intelligence artificielle capables de poursuivre un objectif en plusieurs étapes : percevoir un contexte, planifier, agir via des outils, puis corriger. Elle se distingue de l'IA générative, qui produit une réponse et s'arrête. Gartner prévoit l'abandon de plus de 40 % des projets d'agents d'ici fin 2027, faute de pilotage.
IA agentique : définition et périmètre
Le terme s'est imposé en quelques mois. En France, la requête « IA agentique » est passée de 1 300 recherches mensuelles à l'été 2025 à 6 600 en juin 2026, et sa version anglaise, agentic AI, fait presque aussi bien chez les francophones. Derrière la mode, une bascule réelle : on ne demande plus à l'IA de produire un texte, on lui confie un résultat.
La distinction tient en une phrase. Un système génératif répond, un système agentique agit. Donnez à un modèle génératif une réclamation client, il rédige une réponse. Donnez le même dossier à un système agentique, il consulte l'historique de commande, vérifie la politique de retour, prépare le remboursement et rédige la réponse. Quatre actions, un objectif, des décisions en cours de route.
Précision de vocabulaire qui évite bien des confusions : l'agent est l'objet, l'agentique est le paradigme. Un agent IA est le programme qu'on déploie ; l'IA agentique est la façon de concevoir des systèmes où un ou plusieurs de ces agents poursuivent des objectifs. On peut avoir un agent sans agentique (un chatbot qui répond aux questions) et de l'agentique sans agent visible (un traitement de dossiers qui tourne la nuit).
Ce que l'IA agentique n'est pas
Trois contresens circulent, et ils coûtent cher. L'IA agentique n'est pas un chatbot amélioré : un assistant qui répond mieux reste un système génératif, tant qu'il n'agit sur rien. Elle n'est pas un synonyme d'intelligence artificielle générale : un système agentique excelle sur un périmètre étroit et défini, il ne comprend pas votre entreprise, il exécute ce qu'on lui a appris. Elle n'est pas non plus une couche magique qu'on ajoute à un logiciel : sans accès réel aux outils, sans données propres et sans personne pour corriger, un « agent » n'est qu'une démonstration. Le mot est nouveau, les conditions de réussite ne le sont pas.
Agentique, générative, automatisation : trois mots à ne plus confondre
| Automatisation classique | IA générative | IA agentique | |
|---|---|---|---|
| Déclencheur | Une règle prédéfinie | Une demande | Un objectif |
| Périmètre | Un scénario figé | Une réponse, puis arrêt | Plusieurs étapes, avec des outils |
| Décision en cours de route | Aucune | Aucune | Oui, dans un cadre défini |
| Échec typique | Le cas non prévu bloque tout | L'hallucination plausible | La dérive d'objectif, sans trace si rien n'est journalisé |
| Exemple | Une facture déclenche un e-mail | Rédiger une proposition | Traiter la réclamation de bout en bout |
Chaque colonne a sa place. Le tort des projets qui échouent n'est pas d'avoir choisi l'une des trois, c'est de les confondre.
Comment fonctionne un système agentique
Percevoir, planifier, agir, corriger : la boucle
Tout système agentique répète le même cycle. Il perçoit un état (une boîte mail, un CRM, un appel entrant). Il planifie une séquence d'étapes vers l'objectif. Il agit à travers des outils : requête dans une base, écriture dans un agenda, envoi d'un message. Puis il observe le résultat et corrige. C'est cette boucle, et non la taille du modèle, qui fait l'agentique.
Déroulez-la sur un cas réel. Une réclamation arrive un samedi soir : « produit reçu cassé, je veux un remboursement ». Le système lit le message et identifie la commande (perception). Il établit sa séquence : vérifier la date d'achat, la politique de retour, le montant, préparer l'avoir, répondre (planification). Il interroge l'outil de commande et le CRM, prépare l'avoir en statut « à valider » (action). Il constate que le montant dépasse le seuil qu'on lui a fixé : il s'arrête et transfère à un humain avec le dossier complet (correction et escalade). Lundi matin, quelqu'un valide en trente secondes une décision au lieu de reconstituer un dossier en vingt minutes. Voilà l'agentique utile : pas spectaculaire, borné, traçable.
Les quatre patterns d'Andrew Ng
Andrew Ng, cofondateur de Google Brain et figure de l'enseignement du deep learning, a posé dès 2024 les quatre motifs de conception que l'industrie a adoptés depuis, au point d'en faire un cours dédié.
- La réflexion. Le système critique sa propre sortie et la retravaille, au lieu de livrer son premier jet.
- L'usage d'outils. Il interroge des bases, appelle des services, écrit dans vos logiciels. Sans outils, pas d'action.
- La planification. Il découpe l'objectif en étapes et s'adapte quand une étape échoue.
- La collaboration multi-agents. Plusieurs agents spécialisés se répartissent le travail, comme une équipe.
Workflow ou agent : la grille de lecture d'Anthropic
Le guide d'ingénierie « Building Effective Agents » d'Anthropic, publié fin 2024, a posé la distinction la plus utile du domaine. Un workflow suit des rails écrits à l'avance : le modèle intervient à des endroits précis d'un chemin connu. Un agent décide lui-même de son chemin. Le premier est prévisible, le second est flexible, et la flexibilité se paie en latence, en coût et en contrôle.
La recommandation d'Anthropic mérite d'être affichée dans chaque comité de direction : chercher la solution la plus simple, et n'ajouter de l'autonomie que lorsqu'elle rapporte davantage qu'elle ne coûte. Une bonne partie des « agents » vendus en 2026 sont des workflows déguisés, et c'est très bien ainsi : un workflow qui marche vaut mieux qu'un agent qui improvise.
De l'agent seul au système multi-agents
Ce que l'orchestration change
Un agent seul traite une file de tâches. Plusieurs agents traitent un métier : l'un répond au téléphone, l'autre relance les devis, un troisième prépare les rapports. La question qui décide de tout n'est pas leur nombre, c'est qui les coordonne. Qui arbitre quand deux agents se contredisent, qui maintient une seule vérité sur le client, qui escalade vers l'humain.
Deloitte en a fait l'un des axes de ses prédictions technologiques 2026 : la valeur ne vient pas de l'accumulation d'agents mais de leur orchestration. C'est le rôle qu'on nomme chef d'orchestre : apprendre le métier de l'entreprise, entraîner chaque agent dessus, superviser l'ensemble, et rendre chaque action traçable. Un orchestre ne se télécharge pas, il se répète.
Avant de multiplier les agents, trois questions font le tri. Qui détient la vérité sur le client quand deux agents en ont chacun une version ? Que se passe-t-il quand un agent échoue au milieu d'une chaîne dont un autre attend le résultat ? Et qui a le droit de tout arrêter, périmètre par périmètre, sans casser le reste ? Une organisation qui ne sait pas répondre n'a pas besoin de plus d'agents, elle a besoin d'un pupitre de commande.
Workflow agentique : le terme qui vient de naître
Un workflow agentique est un processus métier dont certaines étapes sont confiées à des agents IA capables de décision locale, tandis que la structure du processus et les points de contrôle restent définis par l'humain. Le terme est si récent que sa recherche en France n'existe que depuis janvier 2026. Il décrit pourtant la forme que prendront la plupart des déploiements sérieux : des rails humains, de l'initiative machine entre les rails.
Ce que disent les chiffres de 2026
L'écart entre le discours et les déploiements se mesure, et les grands cabinets convergent.
| Source | Constat | Lecture |
|---|---|---|
| Gartner, juin 2025 | Plus de 40 % des projets d'IA agentique abandonnés d'ici fin 2027 | Coûts, valeur floue, contrôle des risques insuffisant |
| McKinsey, « The State of AI », 2025 | 62 % des organisations expérimentent au moins les agents IA ; 23 % les passent à l'échelle dans au moins une fonction (1 993 répondants, 105 pays) | L'expérimentation est massive, l'industrialisation reste minoritaire |
| Deloitte, prédictions 2026 | 25 % des entreprises utilisatrices d'IA générative ont lancé des pilotes d'agents en 2025, 50 % attendus d'ici fin 2027 | La vague arrive, la sélection aussi |
| MIT, « GenAI Divide » | 95 % des pilotes d'IA générative sans retour mesurable | Le problème est l'intégration, pas les modèles |
La lecture d'ensemble tient en deux lignes. Tout le monde essaie. Presque personne n'industrialise, parce que l'autonomie sans orchestration produit des démonstrations, pas des résultats. Les échecs ne condamnent pas l'agentique : ils condamnent une façon de l'acheter, celle du logiciel qu'on branche et qu'on oublie.
Pour une PME française, ces chiffres sont une bonne nouvelle déguisée. Les grands groupes essuient les plâtres et documentent les causes d'échec : gouvernance absente, données inaccessibles, personne pour entraîner les systèmes. Une structure de cinquante personnes n'a ni comité IA ni douze outils à réconcilier : elle peut poser le cadre dès le premier agent, là où le grand compte doit le retrofitter sur trente. L'avantage du dernier entrant existe, à condition d'entrer correctement.
Les risques, du concret au vertigineux
Le débat public saute volontiers au scénario extrême. Yoshua Bengio, l'un des trois lauréats du prix Turing pour le deep learning, soutient dans un article scientifique de 2025 que doter l'IA d'une agentivité de type humain amplifie les risques jusqu'à la perte de contrôle, et propose de développer en parallèle des IA non agentiques comme garde-fous. Le contrepoint mérite d'être lu : il vient d'un des fondateurs du domaine, pas d'un éditorialiste.
À l'échelle d'une entreprise, les risques sont plus prosaïques et plus immédiats. Un agent qui dérive de son objectif sans laisser de trace. Une décision prise par une machine que personne ne peut expliquer au client. Une équipe qui perd la main sur un processus qu'elle ne comprend plus, la dette cognitive ne touchant pas que les individus. Le régulateur européen a d'ailleurs posé sa ligne : l'AI Act exige une supervision humaine effective des systèmes à haut risque. Effective, c'est-à-dire outillée : des journaux lisibles, des périmètres débranchables, des décisions réservées à l'humain par conception.
Par où commencer dans une PME
Trois gestes séparent les déploiements qui tiennent de ceux qui finiront dans les 40 % de Gartner.
Commencer étroit, sur ce qui déshumanise. Le téléphone hors horaires, les relances d'impayés, la ressaisie entre outils. Un périmètre borné, un volume réel, un résultat mesurable en semaines. La méthode complète pour PME détaille ce séquencement.
Écrire la ligne décision-exécution avant de brancher quoi que ce soit. L'agent exécute et propose : répondre, trier, relancer, préparer. L'humain décide : accorder un geste commercial, fixer un prix, trancher un litige, signer. Tant que cette frontière n'est pas écrite, elle bouge sans qu'on la voie bouger.
Nommer qui corrige. Un agent qu'on ne corrige jamais reste générique ou dérive. La correction n'est pas une corvée de lancement, c'est le mécanisme d'apprentissage permanent, et c'est précisément le travail d'un chef d'orchestre : faire répéter les agents sur la réalité du métier jusqu'à ce qu'ils la connaissent, puis continuer.
L'IA agentique n'est ni une promesse magique ni une menace abstraite. C'est une capacité nouvelle, l'action, qui ne vaut que par le cadre qu'on lui donne. Les entreprises qui gagneront ne seront pas celles qui auront le plus d'agents, mais celles qui sauront encore expliquer, dans deux ans, pourquoi chacun agit comme il agit. Savoir où vous en êtes prend 48 heures : c'est l'objet du Diagnostic IA.