Neurau Tech

Posted on Oct 26 Originally published at neurautech.com

Agent IA : définition, fonctionnement et limites en 2026

#agentia #llm #mcp #intelligenceartificielle

L'essentiel en une minute

Un agent IA est un programme dans lequel un modèle de langage choisit lui-même les étapes et les outils pour atteindre un objectif, observe le résultat et recommence jusqu'à la fin de la tâche. C'est cette boucle qui le distingue d'un chatbot.

Cet article est une synthèse de recherche pour développeurs, fondée sur des sources primaires consultées le 26 octobre 2026. Nous n'avons mené aucun test maison.

Points clés

Un agent IA combine un modèle de langage, des outils, une mémoire et une boucle : il agit, observe, puis décide de la suite.

Anthropic distingue le workflow, dont le chemin est écrit dans le code, de l'agent, qui choisit son chemin. Le second coûte plus cher et peut cumuler les erreurs.

Deux protocoles ouverts structurent l'écosystème : MCP relie un agent à ses outils, A2A relie des agents entre eux.

L'injection de prompt et l'agentivité excessive figurent dans le Top 10 OWASP des applications LLM : limiter les permissions des outils est la première défense.

Selon une enquête Stack Overflow d'avril 2026, 59 % des répondants utilisent des agents IA, mais 63 % ne les laissent jamais ou rarement agir seuls.

Qu'est-ce qu'un agent IA ?

Un agent IA est un système où un modèle de langage dirige lui-même son travail. Anthropic parle de systèmes où les LLM « dirigent dynamiquement leurs propres processus et leur usage des outils, en gardant le contrôle sur la manière d'accomplir les tâches » (notre traduction, Anthropic, Building effective agents, 19 décembre 2024).

La même publication décrit la brique de base : un LLM « augmenté » par la recherche d'information, des outils et une mémoire. Un agent IA réunit donc quatre éléments :

Un modèle de langage qui raisonne et choisit l'action suivante.
Des outils : fonctions, API, terminal, navigateur, base de données.
Une mémoire : l'historique de la tâche, parfois une mémoire durable entre sessions.
Une boucle qui répète « décider, agir, observer » jusqu'à un critère d'arrêt.

Si l'agent doit répondre à partir de vos documents, notre guide sur le RAG explique la brique de recherche qu'il utilisera comme outil.

Agent, chatbot ou workflow : la différence

Tout tient à qui décide du chemin : l'utilisateur, votre code ou le modèle. Anthropic oppose les systèmes orchestrés « par des chemins de code prédéfinis » à ceux où le LLM dirige son propre processus (Anthropic).

Critère	Chatbot	Workflow avec LLM	Agent IA
Qui choisit l'étape suivante	L'utilisateur	Le code	Le modèle
Outils	Aucun ou très peu	Appelés à des étapes fixées	Choisis à chaque tour
Nombre d'étapes	Une réponse	Connu d'avance	Inconnu d'avance
Prévisibilité	Élevée	Élevée	Plus faible
Coût et latence	Faibles	Maîtrisés	Plus élevés, variables
Bon usage	Questions, rédaction	Tâches répétitives	Problèmes ouverts

Selon Anthropic, un agent se justifie pour des problèmes ouverts « où il est difficile ou impossible de prédire le nombre d'étapes nécessaires » (notre traduction). Sinon, un workflow suffit et se teste plus facilement.

Comment fonctionne un agent IA : la boucle en 5 étapes

Un agent IA tourne en boucle jusqu'à ce que le modèle produise une réponse sans appel d'outil. La documentation d'Anthropic décrit ce cycle : réception de la demande, évaluation, exécution des outils, répétition, renvoi du résultat (boucle d'agent du Claude Agent SDK, consultée le 26 octobre 2026). Exemple avec la demande « corrige les tests en échec dans auth.ts » :

Percevoir. Le modèle reçoit la demande, les instructions, la liste des outils et l'historique.
Planifier. Il décide de répondre ou de demander un appel d'outil : ici, lancer les tests.
Agir. Votre application exécute npm test : un outil que vous déclarez tourne dans votre code. Les outils hébergés par le fournisseur, comme sa recherche web, tournent en revanche sur ses serveurs.
Observer. Le résultat, trois tests en échec, revient au modèle.
Recommencer. Il lit le fichier, le corrige, relance les tests et s'arrête quand ils passent.

OpenAI décrit le même mécanisme, l'appel d'outils (function calling) : le modèle demande un outil, l'application l'exécute et renvoie le résultat, puis le modèle répond « ou fait d'autres appels d'outils ». Un identifiant (call_id) relie chaque résultat à sa demande (guide d'OpenAI).

Voici un échange simplifié. Cet exemple est illustratif : le format exact varie selon le fournisseur.

// 1. Le modèle demande un appel d'outil
{ "type": "tool_call", "call_id": "call_1", "name": "run_command", "arguments": { "cmd": "npm test" } }

// 2. L'application exécute l'outil et renvoie le résultat
{ "type": "tool_result", "call_id": "call_1", "content": "3 tests en échec dans auth.test.ts" }

// 3. Le modèle décide de l'étape suivante
{ "type": "tool_call", "call_id": "call_2", "name": "read_file", "arguments": { "path": "src/auth.ts" } }

Le point sensible est le critère d'arrêt. Sans limite, la boucle tourne tant que le modèle n'est pas satisfait. Le SDK d'Anthropic propose donc un nombre maximal de tours (max_turns) et un budget maximal (max_budget_usd). Sa documentation juge que fixer un budget est « un bon réglage par défaut pour les agents en production » (notre traduction).

Les quatre patterns à connaître

1. ReAct. Proposé par Shunyu Yao et ses coauteurs en octobre 2022 et présenté à ICLR 2023, ReAct fait alterner raisonnement et actions, pour que le modèle aille chercher l'information au lieu de tout déduire seul (ReAct sur arXiv).

2. L'appel d'outils. Toolformer, de Timo Schick et ses coauteurs, a montré en février 2023 qu'un modèle peut apprendre quand appeler une calculatrice, un moteur de recherche ou un traducteur (Toolformer sur arXiv). C'est un précurseur de recherche : dans les API actuelles, vous déclarez chaque fonction par un schéma JSON.

3. Le multi-agents. Un agent chef découpe la tâche et la confie à des sous-agents. Anthropic rapporte que son système de recherche multi-agents a dépassé un agent unique de 90,2 % sur son évaluation interne de recherche, et qu'un agent consomme environ 4 fois plus de tokens qu'une conversation, un système multi-agents environ 15 fois plus (Anthropic, 13 juin 2025). L'éditeur prévient que les tâches très interdépendantes s'y prêtent mal, et que la plupart des tâches de code offrent moins de parallélisme que la recherche.

4. L'humain dans la boucle. L'agent s'arrête et demande une validation avant une action risquée. LangGraph permet d'inspecter et de modifier l'état de l'agent à tout moment (documentation de LangGraph, consultée le 26 octobre 2026).

MCP, A2A et frameworks en octobre 2026

MCP relie un agent à ses outils. La version courante du Model Context Protocol est la 2026-07-28 (page des versions de MCP). Son billet de lancement annonce un cœur sans état et une autorisation alignée sur OAuth, et précise que le protocole est maintenu sous l'égide de la Linux Foundation et que ses SDK officiels approchent le demi-milliard de téléchargements par mois, un chiffre du projet (blog de MCP, 28 juillet 2026).

A2A relie des agents entre eux. Le protocole Agent2Agent, créé par Google puis confié à la Linux Foundation, est en version 1.0 et se présente comme complémentaire de MCP (documentation A2A, consultée le 26 octobre 2026).

Outil	Éditeur	Version (PyPI)	Présentation de l'éditeur
OpenAI Agents SDK	OpenAI	0.24.0	Agents, transferts, garde-fous, traçage
Claude Agent SDK	Anthropic	0.2.174	Boucle et outils de Claude Code
ADK	Google	2.13.0	Cinq langages, prise en charge d'A2A
LangGraph	LangChain	1.2.18	Exécution durable, humain dans la boucle
Microsoft Agent Framework	Microsoft	1.23.0	Successeur de Semantic Kernel et AutoGen
CrewAI	CrewAI	1.15.30	Équipes d'agents et flux
Pydantic AI	Pydantic	2.61.0	Boucle typée, multi-fournisseur

Versions des paquets openai-agents, claude-agent-sdk, google-adk, langgraph, agent-framework, crewai et pydantic-ai, lues sur PyPI le 26 octobre 2026.

Le choix dépend surtout de votre fournisseur de modèle : les SDK d'OpenAI, d'Anthropic et de Google sont pensés pour leurs modèles. Celui de Microsoft accepte aussi Anthropic, OpenAI ou Ollama, mais ses exemples s'appuient sur Microsoft Foundry. LangGraph et Pydantic AI se veulent neutres. Pour comparer les modèles, voyez notre comparatif ChatGPT, Claude et Gemini et nos articles sur GPT-6 et Gemini 4 Argon.

Des cas d'usage pour les développeurs

Un agent IA sert là où les étapes ne sont pas connues d'avance.

Le code. Lire un dépôt, lancer les tests, corriger, relancer. Notre guide pour coder plus vite avec l'IA couvre les outils du quotidien.
Le support. Lire le ticket, chercher dans la base de connaissances, consulter une commande par API, puis répondre ou escalader vers un humain.
La donnée. Traduire une question en SQL, l'exécuter en lecture seule, vérifier et résumer, en gardant la requête visible.
L'exploitation. Lire des journaux, corréler des alertes, proposer un diagnostic.

La production reste un terrain prudent. Selon l'enquête Stack Overflow 2026, 20 % des répondants utilisent l'IA pour déployer, exploiter ou dépanner la production, contre 67 % pour écrire du code dans un domaine familier (Stack Overflow, 6 octobre 2026).

Vos outils seront souvent vos propres API REST, et un agent se teste dans un conteneur isolé, comme l'explique notre guide Docker pour débutants.

Ce que disent les enquêtes

L'usage des agents IA par les développeurs a nettement progressé, mais sous surveillance, selon des enquêtes déclaratives de Stack Overflow.

Dans une enquête éclair de fin avril 2026 auprès de 1 100 répondants, 59 % utilisent des agents IA, contre 31 % dans l'enquête annuelle 2025. L'usage quotidien passe de 14 % à 37 %, et la part de ceux qui prévoient de les adopter tombe de 17 % à 4 %. Et 63 % ne laissent jamais ou rarement un agent fonctionner en pilote automatique (Stack Overflow, Agents on a leash, 27 mai 2026). Les échantillons diffèrent : c'est une tendance, pas une mesure exacte.

L'enquête annuelle 2026, plus de 30 000 répondants, va dans le même sens : parmi ceux qui utilisent des assistants ou agents de code, 73 % s'en servent chaque jour, Claude Code (66 %) et GitHub Copilot (59 %) sont les agents de code les plus cités, et 48 % font confiance à l'IA quand ils peuvent facilement vérifier sa réponse (section IA de l'enquête 2026, consultée le 26 octobre 2026).

Limites et risques

Un agent IA cumule les risques d'un modèle de langage et ceux d'un programme qui agit.

Les erreurs se cumulent. Une erreur au troisième tour fausse les suivants. Anthropic écrit que l'autonomie des agents implique « des coûts plus élevés et un risque d'erreurs cumulées », et recommande des tests poussés en bac à sable avec des garde-fous (notre traduction, Anthropic).

Le coût varie. Chaque tour renvoie au modèle tout l'historique : plafonnez tours et budget dès le prototype.

L'injection de prompt. C'est le premier risque du Top 10 OWASP pour les applications LLM, version 2025. Elle est indirecte quand l'instruction malveillante vient d'un contenu externe lu par le modèle, page web ou fichier (OWASP LLM01). Un agent qui navigue ou lit des tickets y est exposé par construction. Parade de l'OWASP : séparer et signaler clairement le contenu externe non fiable.

Les permissions des outils. L'OWASP appelle « Excessive Agency » le risque d'actions dommageables déclenchées par une sortie inattendue ou manipulée du modèle. Trois causes : trop de fonctions, trop de permissions, trop d'autonomie (OWASP LLM06). Les parades :

des outils précis plutôt qu'un accès générique, « lire une commande » plutôt qu'un shell ;
le moindre privilège, avec les droits de l'utilisateur et non d'un administrateur ;
une validation humaine pour les actions à fort impact ;
journalisation, surveillance et limitation du débit.

L'OWASP a aussi publié le 9 décembre 2025 un Top 10 propre aux applications agentiques. Pour les attaques classiques, voir notre panorama des cyberattaques les plus fréquentes.

AI Act : ce qui concerne ceux qui déploient

Le règlement européen sur l'IA vise des usages et des rôles, pas les agents en tant que tels. Si vous intégrez un agent IA dans un produit, vous êtes au moins « déployeur », parfois « fournisseur ». Le calendrier a été modifié par l'omnibus IA, entré en vigueur le 27 juillet 2026 (Commission européenne, page AI Act, mise à jour le 19 octobre 2026).

Trois obligations comptent pour un développeur :

La maîtrise de l'IA, applicable depuis le 2 février 2025. Modifié par l'omnibus, l'article 4 demande aux fournisseurs et déployeurs de prendre des mesures pour « soutenir le développement » de la maîtrise de l'IA de leur personnel (notre traduction). Ce n'est pas une obligation de formation.
La transparence, depuis août 2026. Selon l'article 50, le fournisseur d'un système qui dialogue avec des personnes doit les informer qu'il s'agit d'une IA, et marquer les contenus générés de façon lisible par machine. Le déployeur doit signaler les hypertrucages et les textes générés publiés pour informer le public sur des questions d'intérêt public, sauf relecture humaine sous la responsabilité éditoriale d'une personne.
Le haut risque, à partir du 2 décembre 2027 pour l'emploi, l'éducation ou la biométrie. L'article 26 impose alors au déployeur de suivre la notice, de confier la surveillance à des personnes compétentes, de veiller à la pertinence des données d'entrée qu'il contrôle, de conserver les journaux au moins six mois, et d'informer les salariés comme les personnes visées par une décision, par exemple des candidats.

Un agent qui trie des candidatures relève du haut risque, un agent qui corrige vos tests non. Ceci n'est pas un avis juridique.

Par où commencer

Commencez par un workflow, et ne passez à un agent IA que si le chemin est vraiment imprévisible.

Écrivez la tâche et son critère de fin. Si vous pouvez lister les étapes, codez un workflow.
Donnez deux ou trois outils précis, en lecture seule au départ, exposés si possible par un serveur MCP.
Plafonnez la boucle : tours, budget, délai.
Exigez une validation humaine avant toute écriture, tout envoi ou tout paiement.
Journalisez chaque appel d'outil et relisez les traces avant d'élargir les permissions.

Voir aussi nos outils IA gratuits pour développeurs et, à votre compte, notre article freelance et IA.

Ce que nous n'avons pas pu vérifier

Les prévisions de Gartner sur les agents, très reprises : les communiqués n'étaient pas accessibles le 26 octobre 2026. Nous ne les citons pas.
L'enquête State of AI de McKinsey : le rapport n'a pas pu être téléchargé, nous n'en reprenons aucun chiffre.
Le contenu du Top 10 OWASP agentique : seule sa publication a été vérifiée.
La version initiale de l'article 4 : EUR-Lex ne répondait pas, nous citons la version modifiée affichée par le service d'assistance de la Commission.
Les chiffres d'Anthropic sur le multi-agents : tests internes de l'éditeur, en juin 2025, avec les modèles de l'époque.
Les qualités des frameworks : nous reprenons la présentation des éditeurs, sans test.

Questions fréquentes

Quelle est la différence entre un agent IA et ChatGPT ?

Utilisé en conversation simple, ChatGPT répond et s'arrête. Un agent IA reçoit un objectif, choisit les outils à appeler, observe les résultats et recommence jusqu'à la fin de la tâche.

Qu'est-ce que le protocole MCP ?

Le Model Context Protocol est un standard ouvert qui définit comment un agent se connecte à des outils et à des données. Sa version courante est la 2026-07-28, selon la documentation officielle.

Un agent IA peut-il travailler sans supervision ?

Techniquement oui, mais c'est déconseillé pour toute action irréversible. L'OWASP recommande une validation humaine pour les actions à fort impact, et selon Stack Overflow, 63 % des répondants ne laissent jamais ou rarement un agent agir seul.

Quel framework choisir pour un premier agent IA ?

Le SDK de votre fournisseur de modèle si vous n'en utilisez qu'un : OpenAI Agents SDK, Claude Agent SDK ou ADK. LangGraph convient pour rester indépendant ou pour l'exécution durable. Dans tous les cas, limitez tours et budget.

À propos de l'auteur

Abdelilah Ourti est ingénieur IA et architecte logiciel. Il conçoit et déploie des applications web et des systèmes d'IA, et publie sur NeurauTech des guides et des comparatifs destinés aux développeurs francophones. Ses autres articles sont réunis sur sa page auteur.

Méthode. Synthèse de recherche fondée exclusivement sur des sources publiques : documentation des éditeurs, arXiv, MCP, OWASP, Commission européenne, Stack Overflow et PyPI, consultés le 26 octobre 2026. Les chiffres des éditeurs sont signalés comme tels. Les citations en anglais sont traduites par nos soins. Aucun test n'a été mené, aucun lien n'est affilié et aucune relation commerciale ne lie l'auteur aux éditeurs mentionnés.

Une erreur ou une version périmée ? Écrivez à contact@neurautech.com : l'article sera corrigé et la date de mise à jour modifiée.

Dernière mise à jour : 26 octobre 2026.

Image : Mithu Saif (Unsplash License). Graphiques : NeurauTech.

DEV Community