Agent IA — Définition IT

Un agent IA (AI agent) est un système logiciel qui combine un LLM avec une capacité à planifier des étapes, appeler des outils et exécuter des actions pour atteindre un objectif fixé par l'utilisateur. Contrairement à un simple chatbot qui se contente de répondre, un agent agit : il consulte un calendrier, met à jour un ticket, requête une base de données, déclenche un workflow, négocie avec un autre agent.

Les agents IA sont l'évolution naturelle des LLM en 2025-2026. Selon le Gartner Hype Cycle 2024, plus de 33 % des applications d'entreprise intégreront des agents IA d'ici 2028, contre moins de 1 % en 2024. Et selon Salesforce, 70 % des décideurs IT déclarent vouloir intégrer des agents IA dans leurs processus métiers en 2026.

Anatomie d'un agent IA

Un agent IA s'appuie sur cinq briques :

• •Le modèle (LLM): : GPT-4, Claude, Gemini, Mistral, Llama. Il fournit le raisonnement.
• •Les outils (tools): : API, fonctions, bases de données, navigateurs, exécution de code. C'est ce qui permet à l'agent d'agir sur le monde.
• •La mémoire: : court terme (le contexte de la conversation) et long terme (vector store, fichiers, RAG).
• •L'orchestrateur: : la logique qui boucle entre raisonnement, appel d'outils, observation du résultat, replanification (patterns ReAct, Plan-and-Execute, Reflexion).
• •Le contexte: : les données du SI, des applications et de l'organisation que l'agent doit comprendre pour bien agir — souvent via MCP.

Agents IA vs chatbots vs RPA

• •Chatbot LLM: : génère du texte en réponse à un prompt. Pas d'action externe.
• •Agent IA: : raisonne sur un objectif, choisit des outils, exécute, observe et replanifie.
• •RPA classique: : automatise des étapes pré-définies, sans compréhension du contexte ni adaptation.

L'agent combine la flexibilité du LLM (compréhension du langage, raisonnement) avec la capacité d'exécution du RPA.

Les principaux patterns d'agents

• •Agent ReAct: : alternance Reason / Act — l'agent raisonne, agit, observe le résultat, raisonne à nouveau.
• •Plan-and-Execute: : un plan complet est élaboré d'abord, puis exécuté pas à pas.
• •Multi-agent: : plusieurs agents spécialisés collaborent (un planificateur, un exécutant, un critique). Frameworks : AutoGen, CrewAI, LangGraph.
• •Agent autonome: : boucle long terme, peut tourner pendant des heures (AutoGPT, BabyAGI).

Cas d'usage en entreprise

• •Support client: : agents conversationnels qui résolvent eux-mêmes les tickets simples, escaladent les complexes.
• •Ventes: : agents qui qualifient des leads, rédigent des e-mails personnalisés, mettent à jour le CRM.
• •IT / DSI: : agents qui diagnostiquent un incident, proposent un fix, ouvrent un ticket, exécutent une procédure.
• •Finance: : agents qui rapprochent des factures, génèrent des relances, détectent des anomalies.
• •Développement: : copilotes qui codent, testent, déploient (Devin, Cursor, Cline).

Pourquoi le contexte applicatif est critique

Un agent IA n'est utile que s'il comprend le SI de l'entreprise : « quelles applications sont utilisées par quelles équipes ? », « qui possède ce service ? », « quelle est la criticité de cet outil ? ». Sans ce contexte, l'agent généralise sur un savoir d'Internet — ce qui produit des hallucinations et des décisions erronées.

C'est précisément le rôle d'une plateforme comme Kabeen : exposer le contexte vivant du SI (applications, usages, coûts, propriétaires, risques) à la fois aux équipes IT et aux agents IA, via une interface unifiée — par exemple un serveur MCP.

Sécurité et gouvernance des agents

Les agents IA introduisent de nouveaux risques :

• •Sur-permissions: : un agent avec trop de droits peut faire des dégâts à grande échelle.
• •Prompt injection: : un attaquant peut détourner l'agent via une instruction cachée dans un document.
• •Coût incontrôlé: : un agent qui boucle peut consommer des milliers de tokens en quelques minutes.
• •Audit et traçabilité: : chaque action de l'agent doit être loggée pour reconstituer une décision.
• •[Shadow IA](/fr/glossary/shadow-ai): : les collaborateurs déploient leurs propres agents sans validation IT.

Les bonnes pratiques : principe de moindre privilège (IAM), human-in-the-loop sur les actions sensibles, sandboxing, monitoring, journaux d'audit, et politique de gouvernance IA conforme à ISO 42001.