À retenir
- Le hype des agents repose sur une base technique : des contextes plus longs, une meilleure utilisation des outils, une inférence moins chère et des workflows plus fiables.
- Un modèle seul ne fait que chatter. Les agents deviennent utiles lorsque des outils, une mémoire, de la recherche d’information et des actions sont ajoutés autour du modèle.
- La bonne question n’est pas de savoir si les agents sont réels. C’est de savoir quelles tâches possèdent maintenant assez d’infrastructure pour les justifier.
Regardez la vidéo!
Avez-vous remarqué que chaque présentation, keynote, publication LinkedIn et podcast de cette année souligne la même chose : 2025 est l’année des agents IA.
Ça ressemble au hype habituel de l’IA, mais je voulais comprendre les fondations derrière toute cette nouvelle utilisation d’un buzzword, alors j’ai creusé. Ce que j’ai découvert, c’est que cet enthousiasme, qui est d’ailleurs partagé par les personnalités les plus reconnues de l’industrie, repose en fait sur huit changements très pratiques. La meilleure façon de les comprendre est de partir du tout début, avec un modèle de langage solitaire qui ne peut rien faire d’autre que prédire le prochain token.
Seul, un modèle ne fait que chatter. On lui donne un prompt, il nous renvoie du texte et l’histoire se termine là. Il ne peut pas prendre une calculatrice, naviguer sur le web, se souvenir de qui vous êtes et encore moins cliquer sur un bouton de téléchargement lorsque vous lui demandez d’installer Word.
Pendant des années, nous avons donc continué à lui greffer des éléments : de la recherche d’information pour les connaissances récentes, des interpréteurs de code pour les mathématiques et les données, et des mémoires à long terme pour le contexte utilisateur. Ces ajouts sont ce que nous regroupons habituellement sous le nom d’« outils » dans un « workflow ». Un workflow, c’est simplement vous ou moi qui codons en dur une chaîne d’étapes : nous récupérons peut-être des documents, laissons peut-être le modèle écrire du SQL, puis lui renvoyons peut-être le résultat pour qu’il le résume. Ça peut devenir incroyablement élaboré. Des routeurs comme notdiamond qui décident quel modèle appeler, des ensembles à vote majoritaire qui négocient la meilleure réponse, c’est-à-dire poser la même question à quelques modèles ou plusieurs fois au même modèle, puis regrouper les réponses pour obtenir la meilleure, ou encore des boucles de feedback où un deuxième modèle agit comme juge. Mais chaque branche possible est toujours tracée à l’avance par un développeur avec des prompts ou des conditions claires que le système doit suivre.
Cette rigidité convient tant que le problème reste prévisible. Mais dès que le système doit choisir lui-même ses outils, ajuster son plan en cours de route ou gérer des surprises dans son environnement, il nous faut quelque chose de plus autonome.
C’est là que les agents entrent en scène.
L’industrie s’entend pour dire qu’un workflow devient un agent lorsqu’il respecte trois principes fondamentaux : c’est quelque chose qui (1) décide de manière autonome ce qu’il doit faire (2) (avec un plan!), (3) selon son environnement.
Donnez à un agent un objectif général et une boîte à outils. Au lieu d’acheminer chaque requête à la main, l’agent ébauche son propre plan, appelle les outils dont il PENSE avoir besoin, réécrit le plan lorsqu’une fenêtre surgissante bloque une page web ou lorsqu’un événement inattendu se produit, puis conserve une mémoire de ce qui vient d’arriver pour que l’étape suivante ait du sens. Par exemple, vous voulez qu’il se souvienne des identifiants d’une plateforme utilisée hier. Il doit donc les stocker et les récupérer quelque part, tout en sachant qu’il possède une mémoire et qu’il peut y chercher lorsqu’on lui demande une connexion. Vous voyez à quel point tout ça est beaucoup plus autonome, ou pourrait-on dire « humain »?
Pensez à Devin, l’ingénieur logiciel IA qui résout de vraies issues GitHub de bout en bout. Il construit, teste, débogue et révise le code dans une boucle de terminal comme le ferait un développeur junior. Pas parce que quelqu’un lui a décrit chaque frappe de clavier, mais parce que l’agent raisonne lui-même sur la tâche. On peut presque voir un agent comme le remplacement d’une personne plutôt que comme un simple outil, comme c’est le cas avec un workflow.
Il y a aussi Julius, l’analyste de données IA, un parfait exemple concret de ce que nous venons de définir. Julius combine quatre capacités principales qui correspondent exactement à la théorie agentique : la perception, le raisonnement et la planification, l’action et le feedback. Il perçoit tous les types d’inputs que vous lui envoyez, comme du texte, du code, des tableaux, une base de données, des feuilles de calcul et même des images, puis les transforme en données structurées sur lesquelles il peut raisonner. Il planifie ensuite les prochaines étapes avec de la logique symbolique et de la modélisation du langage à grande échelle, en se souvenant de chaque détail de la conversation pour ne pas perdre le fil. Lorsqu’il doit agir, Julius ne vous demande pas de le microgérer. Il appelle simplement le bon outil, que ce soit pour exécuter du Python, installer une librairie, scraper un site web ou générer une visualisation. Après chaque étape, il vérifie son propre travail, détermine ce qui a bien ou mal fonctionné et s’ajuste, refermant automatiquement la boucle. Par exemple, j’ai téléversé un export des données de mes utilisateurs pour chaque landing page de notre plateforme Towards AI Academy et je lui ai simplement demandé de m’aider à comprendre quelles pages fonctionnaient et lesquelles ne fonctionnaient pas. Il a ensuite étudié tout le fichier, mené lui-même des expériences pour digérer les données et m’a rendu des détails très utiles sur les landing pages. Mais ce qui est encore plus cool, ce sont les conclusions finales que je pouvais appliquer directement pour améliorer la conversion de notre plateforme. Ce cycle perception-planification-action-feedback est précisément ce qui distingue un agent autonome d’un chatbot sophistiqué, et Julius l’offre directement.
Bien sûr, l’autonomie coûte cher. Les agents lisent et écrivent beaucoup plus de tokens, exécutent davantage de sous-modèles et ont besoin de filets de sécurité plus solides. Avant d’essayer d’en implémenter un, vous voudrez donc peut-être utiliser cette checklist :
Premièrement, la tâche est-elle assez complexe pour que sa variabilité justifie le coût? Un mauvais détour serait-il catastrophique ou seulement un peu agaçant? Parce que même si vos modèles atteignent une précision de 99 %, les systèmes agentiques vont boucler encore et encore et multiplier les interactions, ce qui finira par provoquer des erreurs.
Deuxièmement, le problème est-il assez complexe? Habituellement, un workflow suffit et le terme agent sert seulement à propager le hype. Par exemple, l’agent a-t-il besoin de plusieurs outils dont vous ne pouvez pas savoir à l’avance quand il devrait ou non les utiliser?
Troisièmement, si vous ne connaissez pas exactement le processus à suivre étape par étape ou le style précis que l’utilisateur veut recevoir, l’autonomie offerte par les agents peut devenir très intéressante.
Et finalement, avez-vous le budget nécessaire pour laisser cette chose réfléchir? Les agents utilisent effectivement beaucoup plus de tokens simplement pour créer un plan, itérer dessus, essayer différents chemins, etc. C’est beaucoup plus coûteux et aléatoire que de simples appels de LLM dans un workflow clair.
Anthropic a partagé une belle diapositive à ce sujet. Elle explique que si la tâche est assez complexe, ajoute de la valeur, est réalisable et présente un faible coût d’erreur, elle pourrait convenir à une solution agentique.
De la même manière, l’entreprise avait une autre diapositive qui démontrait ces points avec son produit agentique Claude Code, qui est essentiellement Claude avec un accès au terminal. Elle y expliquait que la complexité est suffisante, puisque résoudre des issues GitHub et créer des PRs est plutôt complexe, que l’outil ajoute de la valeur (pensez seulement aux salaires des ingénieurs), qu’il possède du potentiel, puisque des modèles comme Claude sont entraînés sur beaucoup de code, et surtout que le coût d’une erreur est faible, puisqu’il existe des tests unitaires et des approbations pour s’assurer que rien de trop dramatique ne se produise.
Dès que ces réponses penchent vers « oui », comme dans le cas de Claude Code, un agent devient intéressant. Et 2025 représente le point de bascule parce que huit tendances de fond sont finalement arrivées à maturité en même temps. Gardez simplement en tête qu’à moins de savoir que votre problème est trop complexe, tout en sachant aussi que les LLMs sont assez puissants pour finalement accomplir la tâche, un équilibre très étroit et compliqué à atteindre, vous voulez habituellement commencer avec des workflows simples et grandir à partir de là! Sinon, la création d’agents devient pratiquement une entreprise en soi, pas seulement un petit projet secondaire!
D’accord, maintenant que nous avons vu ce que sont les agents et pourquoi ils existent, plongeons dans les 8 raisons promises qui expliquent pourquoi ils commencent à apparaître maintenant :
Premièrement, l’amélioration de la qualité des modèles obtenue seulement par le pré-entraînement plafonne. Des benchmarks comme MMLU continuent d’avancer, mais pas au rythme effréné de 2023 et du début de 2024. Ce plateau pousse les chercheurs à extraire plus de performance au moment de l’inférence, lorsque le modèle échange avec les utilisateurs, grâce à la planification et à l’utilisation d’outils, du territoire agentique classique.
Deuxièmement, tous les modèles deviennent assez semblables : Gemini, Claude 4, GPT, DeepSeek, Mixtral. Leurs scores convergent, ce qui signifie que vous pouvez les remplacer dans un système agentique sans réécrire la moitié de votre stack et de vos prompts.
Troisièmement, les fenêtres de contexte ont explosé jusqu’à atteindre le million de tokens. Un agent peut donc conserver en même temps sa mémoire en évolution, le contenu extrait d’un navigateur et une partie des politiques de l’entreprise, plutôt que de les faire constamment entrer et sortir de sa mémoire à court terme.
Quatrièmement, le prix des tokens continue de baisser, tandis que, cinquièmement, la vitesse de génération continue d’augmenter. Ça réduit le supplément payé pour ces longues conversations riches en outils.
Sixièmement, nous avons maintenant des modèles optimisés pour le raisonnement, des architectures qui dépensent délibérément plus de compute pendant l’inférence. Ils sont maintenant des offres standards plutôt que des jouets de recherche. Les agents peuvent donc inspecter, critiquer et raffiner leurs propres brouillons sans tuer la latence. J’ai créé une vidéo sur les modèles de raisonnement si vous voulez en apprendre plus sur leur création et leur fonctionnement!
Septièmement, l’écosystème des outils grandit de manière exponentielle. Les outputs structurés d’OpenAI atteignent une fiabilité parfaite. Le protocole Agent-to-Agent de Google est arrivé en avril pour permettre aux agents de différents fournisseurs de communiquer selon une norme commune. Et le Model Context Protocol open source d’Anthropic, ou MCP, nous a offert une façon plug-and-play de donner aux modèles accès aux systèmes de fichiers, aux disques cloud et aux applications d’entreprise. Brancher de nouveaux outils devient donc soudainement un projet de fin de semaine plutôt qu’un mois de code de liaison. Nous avons aussi récemment couvert les protocoles MCP et Agent-to-Agent dans une autre vidéo si vous voulez en apprendre davantage.
Et huitièmement, le changement discret, mais essentiel : les outils de sécurité qui représentent les bonnes pratiques ont mûri. Des juges automatisés, des révisions human-in-the-loop, des simulateurs de red team. Le coût d’une erreur n’est plus un obstacle insurmontable, parce que nous disposons de méthodes systématiques pour intercepter les pires échecs pendant l’exécution.
Voici le résumé :
Ensemble, ces changements font de l’autonomie la prochaine voie plausible que tous les développeurs peuvent essayer d’implémenter. Les workflows dominent encore pour les tâches simples, et ils le devraient. Choisissez toujours la solution la plus simple qui peut fonctionner. Mais lorsque l’arbre de décision est trop entremêlé pour être codé en dur, lorsque votre liste d’outils change à chaque sprint, lorsque vos utilisateurs attendent des réponses personnalisées et que le système se souvient de la manière dont vous leur avez parlé hier, un agent brille. Donnez-lui un objectif, une mémoire et les clés de votre boîte à outils, puis laissez-le décider s’il doit appeler une API de recherche, lancer une requête SQL ou préparer un email en votre nom. Validez d’abord son plan avec des vérifications automatisées et une révision humaine pour les étapes risquées. Ensuite, lancez l’exécution et regardez-le boucler jusqu’à ce que le travail soit terminé.
Cette autonomie en boucle explique pourquoi 2025 semble différente. Il y a un an, les agents étaient des démos tape-à-l’œil qui ne fonctionnaient pas très bien, comme lorsque Devin a explosé en popularité avant de décevoir tout le monde. Aujourd’hui, ils entrent dans de vrais backends de produits. Devin livre des correctifs dans des pipelines de CI en entreprise, même s’il est trop complexe pour fonctionner chaque fois. Nous voyons de nouveaux systèmes comme Manus toutes les quelques semaines, et les agents de Claude propulsés par MCP apparaissent partout.
La réalité est simple : les primitives, comme les tokens bon marché, les grands contextes et les outils interopérables, ont finalement rattrapé la vision. Ça signifie que le buzzword « agent » va bientôt disparaître en arrière-plan comme « LLMs » l’ont fait. Nous allons simplement supposer que les logiciels peuvent percevoir, planifier et agir. Donc, lorsque la prochaine présentation déclarera qu’il s’agit de l’année des agents, sachez que ce n’est pas seulement du hype. Même s’il y en a toujours un peu trop dans ce domaine. C’est un rappel que l’infrastructure est prête et que, dorénavant, l’autonomie devient une option de plus en plus viable.
J’espère que vous avez aimé cet article! Si vous voulez en apprendre davantage sur les agents et créer le vôtre, regardez notre cours sur les agents dans la Towards AI Academy, créé en partenariat avec mon ami de Decoding ML. Nous vous apprenons à créer des agents à partir de zéro! Découvrez-le avec le premier lien ci-dessous.
Si vous voulez qu’un agent fasse toutes vos analyses, essayez-le avec le premier lien ci-dessous! Et merci d’avoir lu. On se revoit dans le prochain!
FAQ
Pourquoi appelle-t-on 2025 l’année des agents IA?
Plusieurs éléments se sont améliorés en même temps : les fenêtres de contexte, l’utilisation d’outils, les capacités des modèles, le coût, la mémoire et les workflows des développeurs.
Qu’est-ce qui rend les agents plus pratiques maintenant?
Ils peuvent utiliser des outils, conserver plus de contexte, appeler des systèmes externes et travailler dans de meilleurs harnesses que les anciens flux de chatbots.
Quel est le piège du hype autour des agents IA?
Le piège consiste à supposer que chaque tâche a besoin d’autonomie. Beaucoup de produits fonctionnent encore mieux avec des workflows plus simples.
Quand un workflow a-t-il besoin de l’autonomie d’un agent?
L’autonomie aide lorsque le système doit choisir parmi des outils, réagir à de nouvelles observations ou réviser un plan pendant son exécution.
Quelle question les équipes devraient-elles poser avant d’ajouter un agent?
Demandez si le choix ou la séquence des outils ne peut réellement pas être défini à l’avance dans un workflow plus simple et testable.
Pourquoi les agents IA coûtent-ils habituellement plus cher que les workflows fixes?
Ils dépensent des tokens pour planifier, choisir des outils, observer les résultats et réessayer des étapes qu’un workflow prédéfini peut exécuter directement.