Théorie fondamentale de l'IA agent selon les dernières recherches - Aperçu, fonctionnement, méthodes d'évaluation et avenir

L'AI agent (agent IA) et l'Agentic AI (IA agentique) suscitent une attention mondiale et leur utilisation est attendue dans de nombreux domaines. Sur la base de la recherche la plus récente, nous avons synthétisé la théorie des AI agents (vue d'ensemble, mécanisme, méthodes d'évaluation, avenir).

Vue d'ensemble des agents IA

Définition des agents IA

Un agent IA est un logiciel ou un système qui perçoit l'environnement, effectue un raisonnement et agit de manière autonome pour atteindre des objectifs spécifiques (Akuma et al., 2025; Bandi et al., 2025; Di Maggio, 2025; Liu et al., 2025).
Contrairement aux logiciels passifs traditionnels (programmes qui retournent simplement une sortie prédéterminée en fonction de l'entrée), les agents IA complètent les tâches sans intervention humaine continue en exécutant une boucle perception-réflexion-action.

Relation entre l'IA traditionnelle, les LLM et les agents IA

Le diagramme suivant montre la relation entre les concepts liés à l'IA (Bandi et al., 2025).

Dans le cadre de l'IA, les agents IA (IA agentique) constituent un domaine fondé sur les LLM (grands modèles de langage) et l'RL (apprentissage par renforcement). Les LLM assument le rôle de « l'intelligence » en matière de raisonnement et de planification, tandis que le RL assume celui de « l'apprentissage autonome et de l'optimisation » basés sur l'expérience, ce qui permet à l'IA de mener des actions autonomes en vue d'atteindre ses objectifs.

De plus, les agents IA sont étroitement liés aux systèmes multi-agents (MAS). En intégrant le concept de MAS, plusieurs IA peuvent collaborer et se compléter pour résoudre des problèmes complexes. Lorsque ces concepts sont combinés avec des « systèmes de mémoire » et des « algorithmes de planification », l'IA évolue d'un simple outil vers un partenaire intelligent qui élabore ses propres stratégies et agit de manière autonome.

Différence entre AI Agent et Agentic AI

L'AI Agent et l'Agentic AI sont souvent confondus, mais les recherches récentes tendent à les distinguer et les définir séparément (Bandi et al., 2025; Sapkota et al., 2025).

L'AI Agent fait référence à « un agent autonome individuel qui exécute une tâche spécifique », tandis que l'Agentic AI fait référence à « un système avancé ou un paradigme dans lequel plusieurs agents collaborent et se coordonnent pour atteindre des objectifs complexes ».

Voici un exemple avec le voyage.

• AI Agent : En réponse à l'instruction « Trouve des vols vers Chicago », il utilise un outil de recherche de vols pour présenter les options.

• Agentic AI : En réponse à l'instruction « Planifie un voyage de 3 jours à Chicago avec un budget de 1500 dollars ou moins », il décompose la tâche (vols, hôtels, itinéraire), chaque agent spécialisé recherche, compare et réserve les informations en temps réel, se synchronise avec le calendrier et crée un plan partageable.

Voici un exemple avec une maison intelligente.

• AI Agent : Comme un « thermostat intelligent » qui ajuste la température en fonction des paramètres de l'utilisateur, il contrôle autonomement une seule fonction.

• Agentic AI : Plusieurs agents qui gèrent les prévisions météorologiques, les prix de l'énergie, l'horaire de l'utilisateur, les appareils électroménagers et les systèmes de sécurité collaborent et ajustent toute la maison vers l'objectif de haut niveau que est « l'optimisation du confort, de la sécurité et de l'efficacité énergétique ».

Ainsi, l'Agentic AI est un système qui orchestre (gère intégralement) plusieurs AI Agents et fonctionne comme une intelligence distribuée. L'Agentic AI est positionné comme l'étape suivante de l'AI Agent.

Pourquoi les agents IA se sont-ils réalisés et ont-ils été si rapidement adoptés ?

La rapide adoption des agents IA s'explique par les progrès spectaculaires des LLM. Alors que l'IA traditionnelle était limitée à des tâches spécifiques (comme les simulations multi-agents) (Akuma et al., 2025), l'acquisition d'un LLM en tant que « cerveau » polyvalent a permis à l'IA d'évoluer vers une entité capable de réfléchir et d'agir de manière autonome (Liu et al., 2025).

Les quatre points clés qui ont rendu cette réalisation possible sont principalement les suivants.

• Raisonnement et adaptation : Les LLM fonctionnent comme des moteurs de raisonnement avancés, permettant une adaptation flexible à des situations inconnues et des instructions ambiguës.

• Capacité de planification : Grâce à des techniques telles que « Chain-of-Thought (chaîne de pensée) », les objectifs complexes peuvent être décomposés en petites étapes et des plans exécutables peuvent être établis.

• Utilisation d'outils : La capacité à sélectionner et utiliser soi-même des API externes ou des moteurs de recherche (Tool Use) a permis le travail pratique au-delà des frontières numériques.

• Mémoire et autonomie : Dotés d'une « mémoire » qui conserve les antécédents, un changement de paradigme s'opère : de l'« IA générative » qui attend les instructions de l'utilisateur vers l'« IA agentique » qui poursuit ses propres objectifs de manière autonome.

Ainsi, la principale raison de la réalisation des agents IA est que les LLM fonctionnent comme un « moteur de raisonnement » avancé et peuvent intégrer et contrôler les composants clés des agents : la planification (Planning), l'action (Action) et la mémoire (Memory).

Mécanisme des agents IA

Quatre composantes (architecture) d'un agent IA

Les agents IA modernes (notamment ceux basés sur les LLM) sont généralement définis comme des systèmes composés des quatre composantes principales suivantes (Bandi et al., 2025; Di Maggio, 2025; Liu et al., 2025).

① Cerveau (Brain)
Le centre du raisonnement et de la prise de décision, dont le rôle est assumé par le LLM. Il comprend les instructions de l'utilisateur et les informations de l'environnement, recherche les connaissances, élabore un plan (planification) pour accomplir la tâche et prend une décision finale. L'évolution du LLM a permis bien plus que la simple génération de texte : le raisonnement logique et la décomposition de tâches complexes sont maintenant possibles (Akuma et al., 2025; Di Maggio, 2025).

② Perception (Perception)
Collecte les informations environnementales et correspond aux organes sensoriels humains (yeux et oreilles). Elle collecte les informations de l'environnement externe et les convertit dans un format que l'agent (cerveau) puisse comprendre.
Au-delà du texte seul, la capacité à traiter diverses modalités (formats) d'information, telles que les images, l'audio et les données de capteurs, s'est améliorée (multimodalité). Cela permet aux agents de lire les informations affichées à l'écran ou de reconnaître l'environnement en tant que robot physique (J. Gao et al., 2024).

③ Action et utilisation d'outils (Action & Tools)
Intervenir dans le monde extérieur, correspondant aux mains et aux pieds humains. Il exécute le plan décidé par le cerveau et apporte des changements à l'environnement. Pour faire ce que le LLM seul ne peut pas faire, l'agent utilise des « outils ». Cela inclut la recherche sur le web, l'exécution de code (Code Interpreter), l'appel d'API (manipulation de calendrier, envoi d'e-mail, requêtes de base de données, etc.). À travers des protocoles standards comme le Model Context Protocol (MCP), il se connecte à diverses données et outils externes, améliorant ainsi l'extensibilité (Di Maggio, 2025; Ganesh et al., 2025).

④ Mémoire (Memory)
Elle stocke les actions passées, les préférences de l'utilisateur, les procédures, et les récupère au besoin.

Elle est classée en mémoire à court terme (Short-term Memory) et en mémoire à long terme (Long-term Memory), jouant chacune les rôles suivants.

• Mémoire à court terme : Elle préserve le contexte de la tâche ou de la conversation actuelle et l'utilise pour le raisonnement immédiat.

• Mémoire à long terme : Utilisant des bases de données vectorielles (Vector DB), elle stocke de façon permanente une vaste expérience et connaissance passées. En utilisant la technologie RAG (Retrieval-Augmented Generation), elle récupère et obtient les informations appropriées (Retrieve) au moment où elles sont nécessaires, réalisant ainsi l'apprentissage sur une longue période et un comportement cohérent (Liu et al., 2025).

Processus d'exécution d'un agent IA

Un agent IA complète une tâche en répétant le cycle suivant. Ce processus est également appelé ReAct (Reason + Act) ou boucle OODA (Observe-Orient-Decide-Act) (Akuma et al., 2025; Bandi et al., 2025; Karim, Khan, et al., 2025; Karim, Van, et al., 2025).

1. Définition des objectifs
   Il reçoit de l'utilisateur un objectif de haut niveau, tel que « Planifie un voyage à Chicago ».

2. Planification (Planning)
   Décomposition et raisonnement des tâches.
   ・Décomposition des tâches : Le cerveau (LLM) décompose un objectif complexe en petites sous-tâches telles que « recherche de vols », « réservation d'hôtel » et « création d'itinéraire ».
   ・Raisonnement : Il élabore logiquement l'ordre dans lequel les outils doivent être utilisés.

3. Exécution (Execution/Action)
   Sur la base du plan, il appelle des outils concrets (par exemple, une API de recherche de vols).

4. Observation et correction (Observation & Reflection)

   • Observation : Il observe les résultats de l'exécution de l'outil (par exemple, une liste de vols ou un message d'erreur).

   • Correction : Si le résultat n'est pas comme prévu, il modifie le plan ou essaie des termes de recherche différents.

5. Achèvement : Une fois que toutes les sous-tâches sont terminées et que l'objectif est jugé atteint, il présente la réponse finale à l'utilisateur.

Agent unique et agents multiples (Agentic AI)

Le mécanisme d'un agent diffère selon qu'il fonctionne seul (agent unique) ou en groupe (agents multiples) (Bandi et al., 2025).

Les différences entre agent unique et agents multiples sont les suivantes.

• Agent unique : Un seul LLM assume tous les rôles (planification, exécution, évaluation). Il convient aux tâches simples, mais peut être confus s'il y a trop de complexité.

• Agents multiples : Des agents multiples spécialisés, tels que « agent de planification », « agent de recherche » et « agent de création de code », collaborent. Il constitue le mécanisme de l'Agentic AI.

Les agents multiples sont réalisés par orchestration et protocole.

• Orchestration : L'agent principal (orchestrateur) alloue les tâches aux autres agents et intègre les résultats.

• Protocole : Les agents communiquent entre eux en utilisant des moyens de communication standardisés tels que le protocole Agent-to-Agent (A2A), résolvant les problèmes par la conversation et la coopération entre agents sans intervention humaine.

Méthodes d'évaluation des agents IA

L'évaluation des agents IA peut être organisée selon trois points : les indicateurs quantitatifs (performance) et les indicateurs qualitatifs (qualité et comportement), ainsi que les méthodes d'évaluation, comme suit.

Indicateurs quantitatifs

Ils sont utilisés pour mesurer la performance objective de l'agent (Akuma et al., 2025; Bandi et al., 2025; Liu et al., 2025).

• Taux de succès des tâches et exactitude (Success Rate & Accuracy) : Taux de succès (Success Rate) : la proportion de fois où l'agent a atteint son objectif. Par exemple, dans les tâches de navigation web ou d'opération d'API, on mesure si l'objectif final a pu être atteint.

• Exactitude (Accuracy) : le degré de correspondance entre la sortie et la bonne réponse. Elle est utilisée dans les tâches où la bonne réponse est clairement définie, comme le diagnostic médical ou la prévision financière.

• Précision et Rappel (Recall) : Mesurent la capacité d'un agent à récupérer les informations pertinentes avec exactitude et exhaustivité lors de recherches ou d'extractions d'informations.

• Efficacité (Efficiency) : Temps d'exécution des tâches (Task Completion Time, TCT) : Temps écoulé de la planification à l'exécution. Indique la rapidité avec laquelle un agent peut traiter des workflows complexes par rapport aux IA traditionnelles.

• Nombre d'étapes (Number of Steps) : Nombre d'actions (pensée, utilisation d'outils, etc.) requises pour atteindre l'objectif. Moins il y a d'étapes, plus l'agent est considéré comme efficace.

• Coût (Cost) : Évaluation du coût financier et informatique pour accomplir une tâche, basée sur le nombre d'appels API et l'utilisation de tokens.

• Indicateurs structurels et logiques : Distance d'édition de graphe (Graph Edit Distance, GED) : Mesure la similarité structurelle entre le plan de tâche généré par l'agent (structure de graphe) et la solution de référence (plan créé par un humain, etc.). Utilisé pour évaluer la capacité de planification.

• Fidélité aux règles (Rule Fidelity) : Mesure le degré auquel un agent respecte rigoureusement les règles logiques et les contraintes.

Indicateurs qualitatifs

Ce sont des indicateurs relatifs au comportement de l'agent, à sa fiabilité et à l'expérience utilisateur (Akuma et al., 2025; Bandi et al., 2025; Zhou et al., 2025).

• Confiance et sécurité (Trust & Safety) : Absence d'hallucinations (Faithfulness/Hallucination) : Les réponses sont-elles entièrement fondées sur les sources et les faits fournis ? Dans les systèmes RAG (génération augmentée par recherche), la fidélité aux documents de référence est essentielle.

• Robustesse (Robustness) : Capacité de l'agent à continuer de fonctionner face aux entrées erronées, aux situations inattendues ou aux attaques adversariales.

• Équité et biais (Fairness & Bias) : L'agent ne prend-il pas de décisions injustes envers certains groupes ? Les résultats sont-ils exempts de parti pris ?

• Transparence et explicabilité (Transparency & Explainability) : L'agent peut-il expliquer « pourquoi il a pris cette décision » de manière compréhensible pour les humains ? Cela est particulièrement crucial dans les domaines à haut risque comme la santé et la finance.

• Autonomie (Autonomy) : Degré auquel un agent peut accomplir des tâches sans intervention humaine.

• Comportement coopératif (Cooperative Behavior) : Dans les systèmes multi-agents, efficacité de la coordination et de la collaboration entre agents.

• Autoréflexion (Self-Reflection) : Capacité à détecter ses propres erreurs et à les corriger.

Méthodes d'évaluation et benchmarks

Plusieurs cadres d'évaluation ont été proposés pour mesurer ces indicateurs (Akuma et al., 2025; Bandi et al., 2025; Ferrag et al., 2025).

Ensembles de données de référence :

• AgentBench : Benchmark complet pour évaluer les agents LLM dans plusieurs environnements (OS, DB, Knowledge Graph, etc.).

• GAIA (General AI Assistants benchmark) : Ensemble de questions du monde réel nécessitant du raisonnement, l'utilisation d'outils et la multimodalité. Inclut des tâches faciles pour les humains mais difficiles pour l'IA.

• SWE-bench : Évalue la capacité à résoudre des problèmes réels de GitHub (codage, débogage).

• MMLU (Massive Multitask Language Understanding) : Teste les connaissances générales étendues et la capacité à résoudre des problèmes.

Évaluation par IA (LLM-as-a-Judge / Agent-as-a-Judge) :
L'évaluation humaine étant coûteuse, la méthode « utiliser un LLM puissant (comme GPT-4) comme arbitre pour noter les résultats d'autres agents » s'est généralisée. Plus loin encore, un cadre « Agent-as-a-Judge » a été proposé, où un agent évalue les processus de pensée et les générations intermédiaires d'autres agents, avec un taux d'accord élevé avec les humains.

Évaluation participative avec l'humain (Human-in-the-Loop) :
Les évaluations basées sur l'expérience utilisateur finale, comme la satisfaction des utilisateurs (User Satisfaction) ou les tests d'acceptation (UAT), restent essentielles.

Avenir des agents IA

Les agents IA évoluent rapidement, passant de simples outils d'exécution de tâches à des systèmes d'IA agentive (Agentic AI) qui apprennent et évoluent de manière autonome, et qui coopèrent avec d'autres agents et humains pour former des systèmes sociaux complexes, ainsi que des systèmes auto-évolutifs (Self-Evolving Systems).
Les évolutions futures sont organisées selon quatre perspectives.

Évolution des agents IA vers l'IA agentive

À l'avenir, l'IA passera d'un paradigme où les « agents IA » exécutent des tâches individuelles à celui où « l'IA agentive » possède une autonomie organisationnelle (Bandi et al., 2025).

• Expansion de la définition : Alors que les agents IA actuels sont des « entités autonomes exécutant des tâches spécifiques », l'IA agentive future sera un système où plusieurs agents spécialisés coopèrent, se coordonnent et planifient pour atteindre des objectifs complexes et de haut niveau.

• Normalisation des systèmes multi-agents (MAS) : À l'avenir, au lieu d'un seul LLM (grand modèle de langage), une architecture où des groupes d'agents aux rôles distincts (par exemple, planification, exécution, critique) travaillent ensemble deviendra la norme. Cela permettra de résoudre des problèmes complexes qui seraient insolublesindividuellement, grâce à une division sociale du travail.

• Croissance rapide du marché : L'intérêt pour l'IA agentive dans l'industrie augmente rapidement. La taille du marché devrait croître de 3,66 milliards de dollars environ en 2023 à 139,12 milliards de dollars en 2033, avec un taux de croissance annuel composé de plus de 43 % (Market. us, 2025).

Auto-évolution (Self-Evolving) et apprentissage continu (Lifelong Learning)

• Le développement de l'IA jusqu'à présent s'est appuyé sur « l'apprentissage préalable des modèles (MOP) », mais les futurs agents acquerront la capacité d'apprendre en continu pendant leur fonctionnement (Bandi et al., 2025; Hettiarachchi, 2025).

• Agents IA auto-évolutifs : Des systèmes qui optimisent et mettent à jour de manière autonome leurs prompts, leurs stratégies d'utilisation d'outils, leur mémoire, voire même la topologie (structure de connexion) entre agents à travers l'interaction avec l'environnement.

• Apprentissage continu (Lifelong Learning) : Au lieu de se limiter à l'apprentissage sur des ensembles de données statiques, une transition vers des systèmes d'« apprentissage continu » qui accumulent l'expérience pour s'adapter à de nouvelles tâches et environnements. Cela élimine le besoin d'intervention humaine répétée et permet une amélioration continue de la performance.

Normalisation des infrastructures et protocoles

Une « langue commune » et une infrastructure seront mises en place pour permettre à des agents de collaborer au-delà des frontières des entreprises et des plateformes (Di Maggio, 2025).
Des protocoles de normalisation seront mis en place pour l'interopérabilité et la négociation entre agents, comme MCP (Model Context Protocol) et A2A (Agent-to-Agent), et un écosystème Internet des Agents sera construit où les agents créés par différents développeurs peuvent communiquer et coopérer en toute sécurité.

Défis et risques à relever

Malgré ces perspectives positives, de graves problèmes restent à résoudre (Ganesh et al., 2025; S. Gao et al., 2024; Karim, Van, et al., 2025).
• Inférence causale et fiabilité : Les agents actuels excellent pour établir des corrélations statistiques mais manquent de compréhension des relations causales (Pourquoi ?), ce qui les rend sujets à échouer dans le raisonnement et la planification en situation inconnue. De plus, le problème des hallucinations (mensonges plausibles) présente un risque de dommages réels pour des agents agissant de manière autonome.
• Sécurité et protection : Les systèmes multi-agents ont une large surface d'attaque et sont vulnérables aux injections de prompts et aux attaques exploitant les interactions entre agents (par exemple, la propagation d'empoisonnement de données).
• Éthique et gouvernance : Lorsque des agents concluent des contrats de manière autonome ou entreprennent des actions pour lesquelles ils pourraient être légalement responsables, la question de la responsabilité (Liability), ainsi que le problème d'« alignement » (où le comportement s'écarte de l'intention humaine), nécessitent de nouveaux cadres réglementaires et de gouvernance.

Conclusion

Nous avons organisé les contenus relatifs à la théorie fondamentale des agents IA, domaine en rapide évolution ces dernières années. À l'avenir, il sera nécessaire de développer et d'utiliser ces systèmes en gardant à l'esprit les progrès possibles de l'IA et les risques auxquels nous devons faire face.

Références bibliographiques

• Akuma, C. F., Hewage, P., Garg, A., & Amaechi, C. V. (2025). AI agents: A comprehensive review of evolution, architectures, applications, and future directions. 2025 12th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), 1–5.

• Bandi, A., Kongari, B., Naguru, R., Pasnoor, S., & Vilipala, S. V. (2025). The rise of agentic AI: A review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet, 17(9), 404.

• Di Maggio, L. G. (2025). Toward autonomous LLM-based AI agents for Predictive Maintenance: State of the art, challenges, and future perspectives. Applied Sciences (Basel, Switzerland), 15(21), 11515.

• Ferrag, M. A., Tihanyi, N., Hamouda, D., Maglaras, L., Lakas, A., & Debbah, M. (2025). From prompt injections to protocol exploits: Threats in LLM-powered AI agents workflows. ICT Express. https://doi.org/10.1016/j.icte.2025.12.001

• Ganesh, S., Ardon, L., Borrajo, D., Garg, D., Sehwag, U. M., Narayanan, A. L., Canonaco, G., & Veloso, M. M. (2025). Generative AI agents for knowledge work augmentation in finance. Annual Review of Control, Robotics, and Autonomous Systems, 8(1), 189–210.

• Gao, J., Qiao, H., & Zhang, Y. (2024). Intelligent recognition of tool wear with artificial intelligence agent. Coatings, 14(7), 827.

• Gao, S., Fang, A., Huang, Y., Giunchiglia, V., Noori, A., Schwarz, J. R., Ektefaie, Y., Kondic, J., & Zitnik, M. (2024). Empowering biomedical discovery with AI agents. Cell, 187(22), 6125–6151.

• Hettiarachchi, I. (2025). Exploring Generative AI Agents: Architecture, Applications, and Challenges. Journal of Artificial Intelligence General Science (JAIGS) ISSN:3006-4023, 8(1), 105–127.

• Karim, M. M., Khan, S., Van, D. H., Liu, X., Wang, C., & Qu, Q. (2025). Transforming data annotation with AI agents: A review of architectures, reasoning, applications, and impact. Future Internet, 17(8), 353.

• Karim, M. M., Van, D. H., Khan, S., Qu, Q., & Kholodov, Y. (2025). AI agents meet blockchain: A survey on secure and scalable collaboration for multi-agents. Future Internet, 17(2), 57.

• Liu, F., Niu, Y., Zhang, Q., Wang, K., Dong, Z., Wong, I. N., Cheng, L., Li, T., Duan, L., Li, K., Li, G., Hou, T. W., Fok, M., Luo, H., Chen, X., Zhang, K., & Yin, Y. (2025). A foundational architecture for AI agents in healthcare. Cell Reports. Medicine, 6(10), 102374.

• Market. us. (2025). AI Agents Market size, share, trends | CAGR of 43.8% [Dataset]. https://market.us/report/ai-agents-market/

• Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. In arXiv [cs.AI]. arXiv. http://arxiv.org/abs/2505.10468

• Zhou, Z., Zhang, H., Song, C., Ming, C., & Sun, Y.-Y. (2025). Construction of an artificial-intelligence agent for the discovery of next-generation white-LED phosphors. Physical Chemistry Chemical Physics, 27(43), 22885–22893.