Un agent IA est un système dans lequel un modèle de langage choisit ses propres étapes suivantes et agit au moyen d'outils jusqu'à ce que la tâche soit accomplie ou qu'une limite l'arrête. L'IA agentique est une étiquette plus lâche, employée pour des systèmes composés de plusieurs agents, pour tout système LLM doté d'une certaine autonomie, ou pour la catégorie de produits dans son ensemble. En novembre 2026, nous n'avons trouvé aucun organisme de normalisation ni régulateur qui définisse ces deux termes l'un par rapport à l'autre : traitez donc la différence comme une convention qui change d'un auteur à l'autre.
Pour un acheteur, la question utile est plus étroite : quelles décisions le modèle prend-il à l'exécution, et que peut-il modifier quand il les prend ? Ci-dessous : qui emploie quelle définition, les six types de systèmes que l'on confond et ce que l'étiquette devrait changer dans un achat. Très peu de chose, à l'examen.
Qui définit quoi, et où les définitions s'opposent
Les fournisseurs ont rédigé la plupart des définitions en circulation, et leur désaccord dépasse la formulation.
« Building effective agents » d'Anthropic (décembre 2024) trace sa ligne à l'intérieur du système. Les agents sont des LLM qui dirigent eux-mêmes leur processus et leur usage des outils ; les workflows suivent des chemins de code fixés à l'avance par un développeur. Les « systèmes agentiques » (agentic systems) sont le terme d'Anthropic qui englobe les deux : dans ce vocabulaire, une chaîne fixe de prompts est agentique sans être un agent.
« A practical guide to building agents » d'OpenAI (avril 2025) est plus ferme sur ce qui reste à l'extérieur : « Les agents sont des systèmes qui accomplissent des tâches de manière indépendante en votre nom. » Les applications qui utilisent un LLM sans lui laisser le contrôle de l'exécution du workflow « ne sont pas des agents », et le guide cite en exemple « les chatbots simples, les LLM à un seul tour ou les classificateurs de sentiment ».
IBM traite les termes comme les parties et le tout. Ses articles explicatifs Think décrivent un agent IA comme un système qui exécute des tâches de façon autonome en concevant des workflows avec les outils disponibles, et l'IA agentique comme un système qui atteint un objectif précis avec une supervision limitée et qui se compose d'agents IA.
La présentation AI Agent Ecosystem de Google Cloud est bien plus lâche. Elle décrit les agents IA comme des applications dotées d'IA qui comprennent des requêtes en langage naturel et y répondent, et une légende de figure ajoute des modèles génératifs qui pensent et agissent en direction d'objectifs. Prise à la lettre, la première moitié couvre bon nombre de chatbots.
La source qui fait de ce contraste tout son sujet est un article de Sapkota, Roumeliotis et Karkee, « AI Agents vs. Agentic AI » (arXiv 2505.10468, 2025, avec une référence de revue à Information Fusion). Ils réservent « agents IA » à l'automatisation modulaire, propre à une tâche, et « IA agentique » à la collaboration multi-agent avec décomposition dynamique des tâches, mémoire persistante et autonomie coordonnée. C'est la version la plus nette de la distinction, et c'est la proposition de trois auteurs universitaires.
Les organismes de normalisation ne tranchent pas non plus. La page AI Agent Standards Initiative du NIST, mise à jour le 14 août 2026, décrit les agents comme capables d'actions autonomes et ne donne aucune définition formelle. Les mots servent aussi de noms de catégorie : l'Agentic AI Foundation de la Linux Foundation, annoncée en décembre 2025, héberge MCP, goose et AGENTS.md, et l'OWASP publie un Top 10 for Agentic Applications. Aucun de ces noms ne sépare les agents de l'IA agentique.
Un système, trois étiquettes
Prenons un exemple général. Un flux de support classe chaque e-mail entrant, récupère la politique concernée par un appel de recherche, et un appel au modèle rédige la réponse. Un développeur a fixé chaque étape.
Dans le vocabulaire d'Anthropic, c'est un système agentique et un workflow, mais pas un agent. Chez OpenAI, ce n'est pas un agent, car le modèle ne contrôle jamais l'exécution. La formulation d'IBM s'y applique mal, puisqu'aucun agent ne s'y trouve. Sapkota et al. ne le rangeraient dans aucune des deux catégories.
Laissez maintenant le modèle décider lequel de quatre outils appeler, et combien de fois, avant de rédiger. Anthropic, OpenAI et IBM appelleraient tous cela un agent. Quant à savoir si c'est aussi de l'IA agentique, cela dépend de l'auteur : la définition d'IBM peut l'inclure, comme système orienté objectif construit sur un agent, et celle de Sapkota l'exclut, car rien ne collabore avec rien.
Un fournisseur pourrait vendre l'une ou l'autre version comme « plateforme d'IA agentique » et défendre l'expression en montrant une définition publiée.
Les six systèmes que l'on confond
Ce tableau est notre vocabulaire de travail. Il suit Anthropic et OpenAI sur l'emplacement de la ligne qui sépare les agents du reste. Aucune des sources ci-dessus ne donne de définition formelle d'« assistant » : cette ligne décrit donc l'usage courant, et rien de plus solide.
| Système | Ce que c'est | Qui choisit l'étape suivante | Peut-il modifier d'autres systèmes ? | Exemple général | Première question à tester |
|---|---|---|---|---|---|
| LLM | Un modèle qui transforme un texte d'entrée en texte de sortie ; ni outils ni boucle propres | Personne : un appel, une réponse | Non | Un appel d'API qui classe le sentiment d'un avis | La sortie est-elle correcte ? |
| Chatbot | Un LLM ou un jeu de règles derrière une conversation, souvent avec recherche documentaire | L'utilisateur, tour après tour | En général non ; il lit et répond | Questions de politique interne traitées à partir de documents internes | Les réponses sont-elles justes et rattachables à une source ? |
| Assistant | Une aide dans un outil ou un chat, qui rédige et suggère pendant qu'une personne décide | L'utilisateur, le modèle proposant | Seulement si l'utilisateur confirme | Rédiger une réponse dans un centre de services | Les gens relisent-ils vraiment ce qu'il propose ? |
| Workflow | Des chemins de code fixes contenant des étapes LLM | Le développeur, à l'avance | Oui, le long des chemins définis | Extraire les champs d'une facture, les valider, préparer une écriture dans l'ERP | Chaque chemin passe-t-il ses tests ? |
| Agent | Un modèle dans une boucle, qui choisit des outils et lit les résultats jusqu'à la fin ou à l'arrêt | Le modèle, dans des limites fixées par le code | Oui, par les outils qu'il détient | Instruire un ticket à travers trois systèmes et proposer un correctif | Atteint-il le bon état final, et que se passe-t-il sinon ? |
| Système agentique | Anthropic : l'une ou l'autre des deux lignes ci-dessus. Sapkota et al. : plusieurs agents coordonnés | Dépend de l'auteur, donc demandez | Oui, souvent avec plusieurs jeux de permissions | Un planificateur qui confie des sous-tâches à des agents spécialisés | Qui vérifie le résultat final par rapport à la tâche d'origine ? |
Agent IA vs LLM
Le LLM est un composant et l'agent est le logiciel qui l'entoure : la boucle, les outils, l'état, les limites. Changez de modèle et vous avez toujours le même agent. Retirez la boucle et les outils et il vous reste un appel d'API. Notre référence sur l'architecture des agents IA passe ces composants en revue un par un.
Agent IA vs chatbot
L'interface ne décide de rien. Une fenêtre de chat peut se trouver devant un agent, et un agent peut tourner sans aucune fenêtre de chat, déclenché par une facture entrante. Le test d'OpenAI est le bon : le modèle contrôle-t-il l'exécution du workflow ?
Deux exemples connus se situent du côté des chatbots. Klarna a décrit son système de 2024 comme un assistant IA, et la décision Air Canada concernait un chatbot. Aucun des deux ne prouve quoi que ce soit sur ce que font les agents autonomes. Si une recherche documentaire et une bonne réponse règlent le problème, un chatbot a moins de chemins à tester et moins de choses qu'il puisse abîmer.
Agent IA vs assistant IA
C'est la plus faible des trois lignes, et les produits la franchissent en changeant un réglage. Dans l'usage courant, un assistant laisse la décision à une personne, et c'est aussi là que le guide de la BaFin sur les risques TIC liés à l'IA place son exigence la plus basse : l'IA dans des fonctions critiques ou importantes demande plus de contrôles que des assistants en libre-service sous supervision humaine complète. Ce guide est explicitement non contraignant et ne fixe aucune attente de supervision, mais la logique reste valable. La supervision et la fonction déterminent les contrôles.
Notre conseil : quand un assistant dispose d'une option pour agir sans confirmation, évaluez-le comme un agent pour chaque action couverte par cette option.
Ce que l'étiquette change pour un acheteur
En elle-même, rien de juridique ni de technique. Les entrées de l'annexe III du règlement européen sur l'IA (AI Act) sont rédigées autour de finalités, comme l'évaluation de la solvabilité de personnes physiques ou l'évaluation des risques et la tarification en assurance vie et en assurance maladie. Un agent, un workflow et un modèle de scoring classique qui font le même travail relèvent de la même entrée.
La responsabilité se comporte de la même façon. Dans Moffatt v. Air Canada (2024 BCCRT 149, résumé par McCarthy Tétrault), la compagnie aérienne a été tenue responsable d'une déclaration inexacte faite par négligence par son chatbot, et son argument selon lequel le bot était une entité distincte a été rejeté. Un tribunal des petites créances ne fait pas précédent dans l'UE. L'affaire ne concernait pourtant aucun agent : une entreprise ne doit donc pas compter sur une étiquette moins autonome pour la protéger.
L'étiquette change bien une chose : le degré de scepticisme à adopter. Gartner prévoyait en juin 2025, selon Reuters, que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027 en raison des coûts et d'une valeur mal établie, et estimait à environ 130 sur plusieurs milliers le nombre de véritables fournisseurs d'agents, en employant le terme d'agent washing pour cet écart. C'est une prédiction et l'estimation d'un analyste, vieille désormais de plus d'un an. Elle suffit à justifier de demander ce qui se cache derrière le mot.
Ce qui diffère vraiment quand le système est un agent
Les tests changent en premier. Un workflow a un ensemble connu de chemins, et vous pouvez tester chacun. Le chemin d'un agent se décide à l'exécution : vous jugez donc les résultats sur des exécutions répétées. « Demystifying evals for AI agents » d'Anthropic (janvier 2026) conseille de commencer par 20 à 50 tâches simples tirées d'échecs réels.
Le risque croît avec ce que le modèle peut faire de sa propre initiative. Le LLM Top 10 de l'OWASP pour 2026 classe Excessive Agency en LLM03, et notre article sur la sécurité des agents IA traite ce modèle de menace en détail. Le guide d'OpenAI cite deux déclencheurs pour faire intervenir une personne : le dépassement de seuils d'échec et les actions « sensibles, irréversibles ou à forts enjeux ».
Les capacités sont aussi plus faibles que ne le suggèrent les démos. Dans le benchmark TheAgentCompany de Xu et al., le meilleur agent a accompli de façon autonome environ 30 % des tâches dans une entreprise simulée. C'est un benchmark, et sa dernière version date de septembre 2025 : lisez-le comme un ordre de grandeur approximatif.
Reste la simple question du besoin. La documentation de Microsoft Agent Framework dit que si une fonction suffit à la tâche, il faut écrire la fonction, et son guide des patrons d'orchestration conseille le niveau de complexité le plus bas qui satisfait l'exigence de façon fiable. Les deux viennent d'une entreprise qui a des outils d'agents à promouvoir, ce qui rend le conseil plus crédible. Une conception multi-agent ajoute son propre coût, et les pratiques de production sont couvertes dans notre article sur le développement d'agents IA.
Six questions qui remplacent l'étiquette
- Quelles décisions le modèle prend-il à l'exécution, et lesquelles sont fixées dans le code ?
- Quels outils peut-il appeler, avec quels identifiants, et lesquels de ces outils écrivent ?
- Quelles actions s'arrêtent pour attendre une personne, et est-ce imposé dans le code ou seulement demandé dans un prompt ?
- Qu'est-ce qui met fin à une exécution, à part le modèle qui déclare avoir terminé ?
- Pouvons-nous voir une trace complète d'une exécution, avec chaque appel d'outil et son résultat ?
- S'il y a plusieurs agents, pourquoi ? Qu'est-ce qui casserait avec un seul ?
Si la réponse à la première question est « aucune », vous achetez un workflow, et c'est peut-être le bon achat. Demandez qu'il soit testé et encadré comme tel.
Nous laisserions aussi le mot « agentique » hors des cahiers des charges. Écrivez les décisions que le système peut prendre et les systèmes qu'il peut toucher. Deux équipes qui lisent « IA agentique » peuvent imaginer des architectures différentes. Deux équipes qui lisent « peut créer des tickets, ne peut pas les clore », non. Pour la suite une fois ce point réglé, voyez comment créer un agent IA, et pour les déploiements par fonction de l'entreprise, agents IA pour les entreprises.
Questions fréquentes
Quelle est la différence entre agents IA et IA agentique ?
Un agent IA est un système dans lequel un modèle choisit ses étapes suivantes et utilise des outils. L'IA agentique n'a pas de sens établi : IBM l'emploie pour un système composé d'agents, les « systèmes agentiques » d'Anthropic incluent aussi des workflows fixes, et Sapkota et al. la réservent à la collaboration multi-agent.
L'IA agentique signifie-t-elle multi-agent ?
Dans la taxonomie de Sapkota et al., oui. Dans le vocabulaire d'Anthropic, non, car les systèmes agentiques incluent des workflows sans aucun agent. Si un fournisseur emploie l'expression, demandez combien d'agents fait tourner le produit et ce que chacun a le droit de faire.
Quelle est la différence entre un agent IA et un chatbot ?
Le contrôle de l'exécution. Un chatbot répond dans le cadre d'une conversation, et l'utilisateur pilote chaque tour. Un agent décide quel outil appeler ensuite et peut agir dans d'autres systèmes. Une interface de chat peut se trouver devant l'un comme l'autre : l'interface ne vous apprend donc rien.
Un LLM est-il un agent IA ?
Non. Un LLM produit une sortie à partir d'une entrée. Il devient une partie d'un agent quand un logiciel l'enveloppe dans une boucle avec des outils, un état et des limites. Le guide d'OpenAI précise que les applications LLM à un seul tour ne sont pas des agents.
Cadrer le bon système avec AI Superior
AI Superior est une entreprise d'ingénierie IA basée à Darmstadt, en Allemagne, fondée en 2019 par des scientifiques de l'IA. Nous développons des applications LLM, des chatbots, des systèmes RAG et des agents IA pour des clients B2B, et la première partie de ce travail consiste souvent à établir à quelle ligne du tableau ci-dessus une tâche appartient. Nos services de développement d'agents IA couvrent cette décision et la réalisation qui suit.
Sources et lectures complémentaires
- Anthropic : « Building effective agents », décembre 2024.
- Grace, Hadfield, Olivares, De Jonghe (Anthropic) : « Demystifying evals for AI agents », janvier 2026.
- OpenAI : « A practical guide to building agents », avril 2025.
- Google Cloud : AI Agent Ecosystem overview, non daté, consulté en novembre 2026.
- Gutowska, A. (IBM Think) : article explicatif sur les agents IA, non daté, consulté en novembre 2026.
- Stryker, C. (IBM Think) : article explicatif sur l'IA agentique, non daté, consulté en novembre 2026.
- Sapkota, Roumeliotis, Karkee : « AI Agents vs. Agentic AI », arXiv 2505.10468, 2025 (référence de revue : Information Fusion).
- NIST CAISI : AI Agent Standards Initiative, page mise à jour le 14 août 2026.
- Linux Foundation : annonce de l'Agentic AI Foundation, 9 décembre 2025.
- OWASP : GenAI LLM Top 10 2026 ; Top 10 for Agentic Applications for 2026.
- Xu et al. : « TheAgentCompany », arXiv 2412.14161, version de septembre 2025.
- Microsoft : Agent Framework overview, mis à jour en octobre 2026 ; « AI Agent Orchestration Patterns », 12 février 2026.
- BaFin : Guidance on ICT Risks in the Use of AI at Financial Entities, version anglaise du 23 janvier 2026.
- Regulation (EU) 2024/1689 (AI Act), Annex III.
- Moffatt v. Air Canada, 2024 BCCRT 149 ; résumé de McCarthy Tétrault, 19 février 2024.
- Reuters via The Star : article sur la prévision de Gartner concernant l'IA agentique, 25 juin 2025.
- Klarna : communiqué de presse sur son assistant IA, 27 février 2024.
