L’IA agentique associe un modèle, des outils et une boucle de contrôle pour poursuivre un objectif en plusieurs étapes. Elle peut examiner les résultats et choisir une autre action ; sa fiabilité dépend de l’implémentation, des autorisations et des vérifications.
Les agents IA autonomes étendent leurs capacités en appelant des outils externes pendant l’exécution. Parmi les outils courants figurent la recherche web, les interpréteurs de code, les opérations de lecture et d’écriture de fichiers, l’accès au calendrier et les appels d’API vers des services externes. Le modèle décide quand utiliser un outil et quelles données lui transmettre, puis intègre le résultat à l’étape de raisonnement suivante.
Après chaque appel d’outil ou action, un système agentique observe ce qui s’est passé et s’ajuste. Si une recherche web renvoie des résultats insuffisants, il essaie d’autres termes. Si le code qu’il a généré produit une erreur, il lit le message d’erreur et corrige le code. Ce cycle d’action, d’observation et de révision permet d’accomplir des tâches complexes sans intervention humaine à chaque étape.
Un utilisateur fournit un objectif de haut niveau : « résume toutes les réclamations clients du mois dernier », « réserve le vol le moins cher pour Berlin avant jeudi » ou « identifie les contrats qui contiennent des clauses de responsabilité non standard ». Le système reçoit l’objectif en entrée, mais aucune instruction sur la manière de l’accomplir.
Le modèle de langage au cœur du système génère un plan. Il raisonne sur les étapes nécessaires, les outils disponibles et l’ordre dans lequel procéder. Le modèle ReAct, introduit par Yao et ses coauteurs en 2022, constitue un cadre courant pour cela : il entrelace des traces de raisonnement et des actions concrètes. Le modèle réfléchit à ce qu’il doit faire, le fait, observe le résultat, réfléchit à la suite et continue.
Le plan n’est pas fixe. Si les premières étapes produisent des résultats inattendus, le modèle révise son approche au lieu de suivre un script prédéterminé.
L’exécution exige d’aller au-delà des connaissances internes du modèle. Le système appelle des outils : une recherche web pour obtenir des informations récentes, un interpréteur de code pour exécuter des calculs, une requête de base de données pour extraire des enregistrements structurés ou un appel d’API pour réaliser une action dans un système externe. Chaque appel d’outil est choisi par le modèle en fonction des besoins de l’étape en cours.
La sortie de chaque outil devient l’entrée de l’étape de raisonnement suivante. Le modèle lit ce que l’outil a renvoyé et décide s’il doit poursuivre, répéter ou changer de direction.
Si l’écriture d’un fichier échoue, le système lit l’erreur. Si une recherche renvoie des résultats non pertinents, il reformule la requête. Si un bloc de code produit une sortie incorrecte, il le débogue. La boucle continue jusqu’à ce que l’objectif soit atteint ou que le système détermine être bloqué.