Ce qu’est un agent d’IA (et ce qui le distingue d’un chatbot)

Ces deux dernières années, le mot « agent » est passé des articles universitaires aux brochures commerciales, et il a perdu son sens en chemin. Aujourd’hui, à peu près tout ce qui répond à des messages se vend comme un agent d’IA : des menus à boutons vieux de dix ans, des formulaires déguisés, des chatbots à arbre de décision.

La différence compte pour le prix et, surtout, pour la responsabilité. Un chatbot qui se trompe donne une réponse étrange. Un agent qui se trompe annule un rendez-vous, envoie un courriel ou modifie un enregistrement.

Ce qu’est un agent d’IA

Un agent d’IA est un programme qui utilise un modèle de langage pour décider quoi faire face à une demande formulée en langage naturel, et qui peut en outre exécuter des actions réelles — consulter un agenda, écrire dans une base de données, envoyer un message — et vérifier le résultat avant de répondre. Un chatbot, lui, ne produit que du texte.

Le mot clé est exécuter. Un chatbot dit au client « vous pouvez prendre rendez-vous jeudi à 15 h ». Un agent consulte le calendrier, voit que jeudi 15 h est occupé, propose 16 h, et quand le client accepte, inscrit le rendez-vous. Le premier informe ; le second agit, et peut donc se tromper d’une manière qui coûte de l’argent.

Les quatre différences que l’on peut vraiment vérifier

« C’est plus intelligent » n’est pas une différence vérifiable. Ces quatre-là le sont, et se demandent en quinze minutes de démonstration.

1 · Outils : peut-il toucher quelque chose en dehors de la conversation ?

Un modèle de langage, seul, ne fait que produire du texte. Pour faire quoi que ce soit d’autre, il lui faut des outils : des fonctions que le programme lui expose et dont le modèle peut demander l’exécution — « consulte les disponibilités de jeudi », « enregistre ce rendez-vous », « retrouve ce client » —. Le programme les exécute et lui renvoie le résultat.

Sans outils, il n’y a pas d’agent. Il y a un générateur de texte très convaincant, ce qui est exactement ce qui produit les réponses inventées : si le modèle ne peut pas consulter l’agenda, il l’imagine.

Comment le vérifier : demandez qu’on vous montre, pendant la démonstration, ce qui se passe quand le système externe ne répond pas. Un vrai agent a une réponse prévue pour cela. Un chatbot déguisé continuera de répondre avec assurance et avec des données fausses.

2 · Mémoire : se souvient-il de qui vous êtes ?

Les modèles de langage ne retiennent rien d’une conversation à l’autre. Ce qui ressemble à de la mémoire, c’est le programme qui conserve l’historique et le repasse au modèle à chaque tour.

Cela a deux conséquences pratiques. La première : la mémoire se construit exprès, et il faut décider où elle vit, combien de temps elle dure et ce qui s’efface. La seconde : chaque tour de conversation coûte un peu plus que le précédent, parce que l’historique grossit ; c’est pourquoi les systèmes sérieux résument les longues conversations au lieu de les traîner entières.

3 · Autonomie : décide-t-il ou suit-il un script ?

Un chatbot à arbre parcourt un script que quelqu’un a dessiné : si le client dit A, aller en B. Cela fonctionne parfaitement tant que le client dit A, et cela casse sur « pardon, vous ouvrez toujours le samedi ou les horaires ont changé ? ».

Un agent n’a pas de script : il a un objectif, un ensemble d’outils et des règles. Devant la même question, il décide quoi consulter et dans quel ordre. C’est ce qui lui permet de gérer ce que personne n’avait prévu, et c’est aussi ce qui le rend plus difficile à tester : il n’y a pas de diagramme à auditer, il y a un comportement à mettre à l’épreuve.

4 · Vérification : qui lui dit non ?

C’est celle que presque personne ne pose et celle qui coûte le plus cher.

Dans un système bien construit, le modèle propose et le code dispose. Les règles dures du métier — horaires, jours de fermeture, durée de chaque prestation, combien de personnes tiennent à la même heure — se valident dans le code, en dehors du modèle. Si le modèle propose un rendez-vous à 20 h un dimanche, le code le refuse et lui renvoie le motif pour qu’il reformule.

Un système où le modèle décide seul de l’agenda fonctionnera très bien en démonstration et vous inscrira un rendez-vous impossible le deuxième mois. Nous le traitons comme une règle de construction et non comme une préférence : dans l’anatomie d’un assistant de prise de rendez-vous, c’est décrit pièce par pièce.

Chatbot, automatisation et agent, côte à côte

Les trois colonnes résolvent des problèmes différents ; la question utile n’est donc pas laquelle est la meilleure, mais laquelle est la meilleure pour votre cas précis. Une bonne part du travail d’un conseil honnête consiste à vous dire que votre cas se règle avec une automatisation classique ou, au contraire, que la complexité de la tâche appelle un agent élaboré. Ce critère est le sujet de outil ou développement sur mesure.

Quand un agent est la mauvaise réponse

• Quand le processus ne varie pas. S’il se passe toujours la même chose, un flux automatisé le fait moins cher, plus vite et sans surprise.
• Quand l’erreur n’est pas tolérable. Encaissements, dosages, calculs juridiques ou fiscaux. Un agent peut préparer le travail ; la décision, c’est une personne qui la signe.
• Quand il n’y a nulle part où consulter la vérité. Si l’information vit dans la tête de quelqu’un et non dans un système, l’agent n’a rien à consulter. On met d’abord la donnée en ordre, on automatise ensuite.
• Quand le volume ne le justifie pas. Douze messages par jour, une personne y répond mieux et pour moins cher.

Ce qu’il vaut mieux demander avant de signer

1. Quels outils précis peut-il utiliser, et que se passe-t-il si l’un d’eux tombe ?
2. Qu’est-ce que le modèle décide et qu’est-ce qui est validé dans le code ?
3. Où est conservé l’historique de conversation, combien de temps, et qui peut le lire ?
4. Comment passe-t-il la main à une personne, et comment lui rend-on le contrôle ensuite ?
5. Que se passe-t-il le jour où le fournisseur du modèle change ses prix ou retire une version ?

Les douze questions complètes, avec la réponse qui devrait vous rassurer et celle qui devrait vous inquiéter, sont dans le guide d’achat.

Questions fréquentes

Un agent d’IA, est-ce la même chose que ChatGPT ?

Non. ChatGPT est un produit de conversation à usage général ; un agent d’IA est un système construit pour une tâche précise d’une entreprise, qui utilise un modèle de langage — celui qui est derrière ChatGPT ou un autre — comme une pièce parmi d’autres, aux côtés d’outils, de règles et d’une mémoire qui lui sont propres.

Un agent d’IA peut-il inventer des données ?

Le modèle qui l’anime, oui. C’est pourquoi un agent bien construit ne laisse pas le dernier mot au modèle : il consulte l’information réelle au moyen d’outils et valide les règles du métier dans le code. Si on vous propose un agent qui « ne se trompe jamais », on vous vend une démonstration, pas un système.

Combien coûte l’entretien d’un agent d’IA ?

Il a trois coûts distincts : la consommation du modèle, qui se paie à l’usage et croît avec le nombre de conversations et leur longueur ; l’infrastructure sur laquelle il tourne ; et la maintenance, celle que l’on sous-estime le plus, parce que les modèles changent de version et les règles du métier aussi. Tout devis qui ne mentionne que le premier est incomplet.

Ai-je besoin d’un agent d’IA ou une automatisation suffit-elle ?

Si le processus se déroule toujours de la même façon et que l’entrée est un formulaire ou un événement venu d’un autre système, une automatisation suffit : elle est moins chère et plus prévisible. L’agent se justifie quand l’entrée est du langage humain libre et qu’il faut décider quoi en faire.