IA agentique vs IA classique

Qu'est-ce que l'IA agentique, et que n'est-elle pas ?

L'IA agentique est un paradigme de l'IA dans lequel des systèmes logiciels fondés sur des modèles de fondation poursuivent des objectifs de manière autonome ou semi-autonome. Ils perçoivent leur environnement, planifient des étapes, utilisent des outils et des données externes, exécutent des actions et tirent des enseignements du résultat, avec une intervention humaine continue minimale. C'est IBM Think (2026) qui formule le plus clairement la distinction de référence : « L'IA agentique est le concept plus large qui consiste à résoudre des problèmes avec une supervision limitée, tandis qu'un agent IA est un composant spécifique au sein de ce système. » Autrement dit : l'IA agentique est le paradigme, l'agent IA est l'artefact.

Cette distinction dépasse la simple rigueur terminologique. Dans les comités d'achat en Europe, le marketing des fournisseurs emploie régulièrement « IA agentique », « agent IA » et « système multi-agents » comme synonymes ; c'est inexact sur le fond et c'est l'une des principales raisons pour lesquelles des projets échouent face à des attentes démesurées. Un agent IA isolé est une implémentation concrète (modèle + outils + mémoire + boucle). Un système multi-agents est un modèle d'architecture qui comprend au moins deux agents coordonnés. L'IA agentique englobe les deux en tant que classe supérieure.

Une précision importante d'emblée : à la mi-2026, le terme « IA agentique » n'est toujours pas définitivement stabilisé. Il n'existe aucune norme ISO/IEC. Les travaux universitaires (Sapkota et al. 2025 ; Schmitt et al. 2025 ; Schneider 2025) introduisent leurs propres taxonomies, et les fournisseurs divergent sur certains détails, par exemple sur la question de savoir si des workflows déterministes sont « agentiques » (Anthropic : oui ; Databricks : non). Ce flou définitionnel n'est pas un détail secondaire : c'est précisément la raison pour laquelle une délimitation rigoureuse s'impose.

Les quatre axes de distinction : autonomie, orientation vers un objectif, utilisation d'outils, décisions en plusieurs étapes

Qu'est-ce qui distingue concrètement l'IA agentique de l'IA classique et de l'IA générative ? Quatre propriétés en constituent le cœur (IBM, 2024 ; NVIDIA, 2024–2026).

Autonomie. Le machine learning classique (par exemple le scoring de fraude ou la prévision de l'attrition) et l'IA symbolique (systèmes experts à base de règles) n'ont aucune autonomie au sens de la théorie de l'action ; ils fournissent des scores ou des inférences. L'IA générative est réactive : à un prompt succède une réponse. L'IA agentique agit d'elle-même en direction d'un objectif et décide à l'exécution des étapes nécessaires. Gartner (2025) y inclut expressément les systèmes semi-autonomes. C'est un point important pour les secteurs réglementés en Europe, où une autonomie totale n'est ni souhaitée ni autorisée.

Orientation vers un objectif. L'IA générative complète des motifs (pattern completion). L'IA agentique poursuit un objectif donné et en déduit des sous-objectifs. IBM fait du « goal-driven behavior » sa propriété centrale ; OpenAI définit les agents de façon minimaliste comme des systèmes qui accomplissent des tâches de manière autonome pour le compte des utilisateurs (2025).

Utilisation d'outils. L'IA générative fonctionne pour l'essentiel en lecture seule : elle produit du texte, des images, de l'audio ou du code, mais ne déclenche aucune action dans des systèmes externes. L'IA agentique appelle des outils, utilise des API et peut agir directement sur des systèmes grâce au computer use. C'est précisément cette étape qui fait passer le profil de risque de l'informationnel (hallucinations, biais) à l'opérationnel (actions autonomes sur des systèmes en production).

Décisions en plusieurs étapes. L'IA classique et l'IA générative fonctionnent généralement en un seul tour (single-turn). L'IA agentique opère sur un horizon long et en plusieurs étapes, selon le schéma Plan → Execute → Reflect → Replan. NVIDIA le résume en une boucle en quatre temps : Perceive → Reason → Act → Learn.

Matrice comparative : du ML classique à l'IA agentique

La matrice suivante situe les paradigmes selon les dimensions clés (sources : IBM ; Databricks ; Russell & Norvig 2020 ; Sapkota et al. 2025).

Quatre niveaux de maturité des systèmes agentiques

Tous les systèmes « agentiques » ne sont pas autonomes au même degré. Une logique de maturité utile distingue quatre niveaux (Sapkota et al. 2025 ; NVIDIA) :

1. Agent réactif : réagit à une entrée sans état persistant ; un LLM plus un seul appel d'outil.
2. Agent utilisant des outils : planifie une séquence d'outils et conserve une mémoire à court terme ; le schéma ReAct classique.
3. Agent orienté objectif : fixe des sous-objectifs, se corrige lui-même et planifie sur plusieurs étapes (Chain-of-Thought plus réflexion).
4. Agent auto-améliorant : apprend de ses résultats et met à jour sa mémoire ou ses compétences (le « Data Flywheel » de NVIDIA).

Le débat allemand (Bitkom 2026) traduit cette évolution en une échelle d'adoption pragmatique : RPA → assistants réactifs d'IA générative → IA agentique autonome. Cette gradation aide les décideurs à situer leur propre niveau de maturité de façon réaliste, sans qualifier chaque appel d'outil d'« agent autonome ».

Réalité du marché 2025/2026 : entre engouement et désillusion

Les chiffres dessinent un tableau sobre, entre élan et désillusion. Selon le State of AI de McKinsey (5 novembre 2025, n = 1 993, 105 pays), 88 % des organisations utilisent l'IA, mais seulement 31 % la déploient à l'échelle de l'entreprise. Côté IA agentique, 39 % expérimentent et 23 % supplémentaires la déploient déjà à grande échelle dans au moins une fonction métier (soit 62 % d'engagement au total). Tout est dans la mise en perspective : dans aucune fonction métier prise isolément, le taux de passage à l'échelle ne dépasse 10 %. Une large envie d'expérimenter se heurte à un ancrage encore étroit en production.

Gartner livre l'avertissement le plus cité : plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts qui s'envolent, d'une valeur métier mal établie et de contrôles des risques insuffisants (communiqué de presse, 25 juin 2025). Dans le Gartner Hype Cycle 2025, les agents IA se trouvaient au « Peak of Inflated Expectations », tandis que l'IA générative glissait vers le « Trough of Disillusionment ». En 2026, un Hype Cycle dédié à l'IA agentique a été publié pour la première fois.

Remarque de mise en perspective : les prévisions de Gartner peuvent être révisées, et la position dans le Hype Cycle est mise à jour chaque année. Ces chiffres sont à lire comme des prévisions d'analystes, et non comme une réalité mesurée.

Agent washing : le filtre anti-bullshit du comité d'achat

Le principal risque pratique en 2026 s'appelle l'agent washing : rebaptiser « IA agentique » des chatbots, des outils de RPA ou des workflows figés existants, sans véritable composante de raisonnement autonome. Gartner estime que, sur des milliers de fournisseurs, seuls 130 environ disposent de réelles capacités agentiques (2025). Ce chiffre est une estimation d'analyste, non reproductible, mais il illustre l'ampleur du problème.

Pour évaluer un fournisseur, trois questions de contrôle sont utiles : le système prend-il ses propres décisions sur la manière de résoudre le problème au moment de l'exécution, ou suit-il un déroulé programmé à l'avance (auquel cas il s'agit de RPA) ? Choisit-il ses outils de manière dynamique, ou appelle-t-il une séquence d'API prédéfinie ? Planifie-t-il sur plus de trois étapes avec des boucles de correction, ou s'agit-il d'un simple appel LLM avec RAG ? Gartner reconnaît lui-même que les modèles actuels n'ont pas encore la maturité nécessaire pour poursuivre en toute autonomie des objectifs métier complexes dans la durée ; « agentique » n'est donc pas synonyme d'AGI.

Le cas DACH : souveraineté, scepticisme, réglementation

Il n'existe pas d'indicateur distinct d'adoption de l'IA agentique pour la zone DACH (Allemagne, Autriche, Suisse). Bitkom Research 2025 mesure l'IA de manière globale : 36 % des entreprises allemandes de 20 salariés ou plus utilisent l'IA, soit presque le double des 20 % de l'année précédente (enquête téléphonique, n = 604). Les valeurs mondiales de McKinsey (23 % de passage à l'échelle) servent d'indicateur indirect de l'adoption agentique, ce qu'il convient de signaler explicitement.

La sensibilité réglementaire est caractéristique : 56 % des entreprises interrogées voient le règlement européen sur l'IA comme un désavantage, et 93 % préféreraient un fournisseur d'IA basé en Allemagne. Les principaux obstacles sont l'insécurité juridique (53 %), le manque de savoir-faire (53 %) et le manque de ressources humaines (51 %). D'où la forte demande des entreprises allemandes pour des stacks souverains et des approches human-in-the-loop.

Cadre réglementaire (à titre informatif, sans valeur de conseil juridique)

Les indications suivantes sont fournies à titre informatif et ne remplacent pas un examen juridique.

Le règlement européen sur l'IA ne prévoit aucune catégorie spécifique « agent IA ». Les capacités agentiques sont couvertes par des mécanismes existants. L'article 50 (obligations de transparence) s'applique depuis le 2 août 2026 et intervient en cas d'interaction directe entre l'humain et la machine. Si un agent prend des décisions autonomes dans des domaines sensibles comme l'emploi, l'éducation, la solvabilité ou les infrastructures critiques, le système peut relever de l'annexe III (haut risque).

L'omnibus numérique est désormais du droit en vigueur. Le règlement (UE) 2026/1744 a été publié au Journal officiel de l'UE le 24 juillet 2026 et est en vigueur depuis le 27 juillet 2026. Les obligations relatives au haut risque sont donc reportées : pour les systèmes relevant de l'annexe III, elles s'appliquent, selon le calendrier de la Commission européenne, à partir du 2 décembre 2027 au lieu du 2 août 2026, et pour l'IA intégrée à des produits relevant de l'annexe I, à partir du 2 août 2028. Les obligations GPAI applicables aux modèles de fondation qui servent de socle aux agents sont en vigueur depuis le 2 août 2025.

Sont également pertinents : l'article 22 du RGPD (interdiction des décisions individuelles fondées exclusivement sur un traitement automatisé et produisant des effets juridiques ou significatifs), l'obligation de maîtrise de l'IA prévue à l'article 4 du règlement sur l'IA (depuis le 2 février 2025) ainsi que les droits de codécision du comité d'entreprise au titre du BetrVG (DE) ou de l'ArbVG (AT) lors de l'utilisation de systèmes agentiques sur le lieu de travail. L'omnibus a assoupli l'article 4 : fournisseurs et déployeurs doivent toujours prendre des mesures pour assurer la maîtrise de l'IA de leur personnel, mais selon la Commission européenne, la loi n'impose plus de niveau de compétence déterminé. Avant tout déploiement, un examen juridique est recommandé.

Perspectives et conseils pratiques

L'IA agentique est l'étape suivante plausible après l'IA générative, mais ce n'est pas la bonne architecture pour tous les cas d'usage. La règle empirique la plus solide vient d'Anthropic (2024) : « nous recommandons de chercher la solution la plus simple possible et de n'augmenter la complexité que lorsque c'est nécessaire. Cela peut signifier ne pas construire de systèmes agentiques du tout. » Le simple Q&A ou la génération de contenus relèvent de l'IA générative avec RAG ; les processus déterministes ont leur place dans un moteur de workflows ou une RPA. L'IA agentique ne se justifie que lorsqu'une tâche comporte plusieurs étapes, exige une planification dynamique et déclenche des actions externes.

Trois conseils pratiques pour les décideurs : premièrement, l'architecture des données d'abord ; des agents posés sur des silos de données sont une source d'erreurs bien connue. Deuxièmement, prévoir systématiquement un human-in-the-loop pour les actions irréversibles ; les tests de sécurité ne sont pas facultatifs (en 2025, un test de red teaming universitaire a jugé vulnérables les 22 LLM examinés, cité par Bitkom). Troisièmement, miser sur des standards ouverts comme MCP (spécification 2025-11-25, confiée à la Linux Foundation) et A2A pour éviter la dépendance à un fournisseur. Le ROI ne devrait pas se mesurer à la réduction des effectifs, mais à la latence de décision, à la qualité et au débit. En procédant ainsi, on sépare l'apport agentique réel du terme marketing, et c'est exactement l'enjeu de 2026.