Agent IA vs chatbot : où se situe la différence

Un chatbot réagit au message d'un utilisateur par une réponse textuelle, et s'arrête là. Un agent IA poursuit de manière autonome un objectif donné : il planifie en plusieurs étapes, choisit et utilise de lui-même des outils externes (API, sources de données, code), observe les résultats et ajuste son plan de manière itérative jusqu'à ce que l'objectif soit atteint ou que la tâche soit interrompue. La différence est structurelle : un agent agit, un chatbot répond.

Les trois réponses essentielles, d'emblée :

• Ce qu'ils font : chatbot = réponse textuelle à un message. Agent = action en plusieurs étapes pour atteindre un objectif.
• Qui pilote le chemin : avec le chatbot, la logique est prédéfinie (reconnaissance d'intention ou LLM simple). Avec l'agent, le LLM décide dynamiquement de l'étape et de l'outil suivants.
• Ce qu'ils savent faire : en général, les chatbots n'ont pas accès à des outils et ne disposent que d'une mémoire de session. Les agents combinent outils, mémoire (court et long terme/RAG) et planificateur.

Un exemple concret

La demande est la suivante : « Annule ma dernière commande et rembourse le montant. »

Un chatbot reconnaît l'intention (intent « annulation ») et répond par du texte : « Pour annuler ta commande, va dans ton compte client, rubrique “Mes commandes”. » Il informe, mais c'est à l'utilisateur d'agir lui-même.

Un agent IA décompose l'objectif : il récupère la dernière commande via une API (outil 1), vérifie à partir des données de livraison si elle peut encore être annulée (raisonnement), déclenche l'annulation dans le système de commandes (outil 2), lance le remboursement dans le système de paiement (outil 3) et confirme le résultat. Si une étape échoue, il replanifie, par exemple en transmettant le cas à un humain lorsque le remboursement dépasse un seuil (garde-fou / human-in-the-loop).

La checklist des quatre propriétés

Pour savoir si un système est un véritable agent, il suffit de vérifier quatre propriétés indispensables. Les quatre doivent être réunies, sinon il s'agit d'un chatbot, d'un workflow ou d'un assistant :

1. Pilotage par LLM : c'est le (grand) modèle de langage qui prend les décisions de contrôle, et non du code déterministe.
2. Planification en plusieurs étapes : la boucle de raisonnement classique Perceive → Reason → Act → Observe, souvent itérative.
3. Utilisation d'outils : appel autonome de fonctions externes, d'API, de bases de données ou de serveurs MCP.
4. Autonomie orientée objectif : dans le cadre de garde-fous définis, le système travaille de lui-même vers un objectif.

Anthropic résume bien la distinction d'architecture : avec les agents, le LLM pilote dynamiquement le chemin et l'utilisation des outils ; avec les workflows, les LLM suivent des chemins de code prédéfinis. OpenAI définit les agents comme des « systems that independently accomplish tasks on behalf of users ». En règle générale, un chatbot ne remplit entièrement aucune de ces conditions.

La matrice comparative : agent IA vs chatbot vs RPA vs workflow vs assistant

La matrice fait apparaître l'essentiel : l'agent offre la plus grande autonomie, mais aussi la charge de maintenance et de conformité la plus lourde. Un chatbot est bon marché et stable parce qu'il sait faire peu de choses ; un agent est puissant, mais coûteux à exploiter et à gouverner.

« Agent washing » : pourquoi la distinction pèse dans la décision

Le marché regorge de solutions vendues comme des « agents » qui, à y regarder de plus près, sont des chatbots à base de règles, des scripts RPA ou des assistants LLM à étape unique. Cet « agent washing » est l'un des pièges les plus fréquents lors des achats. Résultat : tu paies le prix d'un agent et tu supportes, le cas échéant, la charge de conformité d'un agent pour une fonctionnalité qu'un simple workflow aurait tout aussi bien assurée.

L'erreur inverse coûte cher, elle aussi : si l'on utilise un agent pour une simple recherche d'informations ou pour un processus planifiable à l'avance, on paie inutilement en coûts de tokens, en maintenance et en conformité. Gartner prévoit (juin 2025) que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027. Gartner cite comme raisons la hausse des coûts, une valeur métier floue et des contrôles des risques insuffisants. Selon Gartner, beaucoup de cas d'usage présentés aujourd'hui comme agentiques n'ont même pas besoin d'une mise en œuvre agentique. Parallèlement, l'étude de McKinsey State of AI 2025 montre que seules 23 % des entreprises déploient à grande échelle au moins un cas d'usage agentique, tandis que 39 % en sont au stade de l'expérimentation. L'écart entre le battage médiatique et l'exploitation en production est bien réel.

La règle empirique : un agent n'est rentable que si le chemin vers la solution ne peut pas être planifié à l'avance et qu'une décision dynamique du LLM sur l'ordre des étapes et le choix des outils est réellement nécessaire. Si le chemin est connu, l'automatisation de workflows ou un copilote coûte moins cher, est plus stable et moins exigeant en matière de conformité.

Quelle solution choisir, et quand

• Chatbot : FAQ, renseignements simples, qualification de leads par le dialogue : intentions fixes, aucune action nécessaire en arrière-plan.
• Workflow / RPA : chemin clairement défini et reproductible, avec des étapes connues (par ex. la synchronisation nocturne des données).
• Assistant / copilote : l'humain garde la main, l'IA l'aide ponctuellement (brouillons, résumés), sans autonomie pour des actions irréversibles.
• Agent IA : tâches ouvertes en plusieurs étapes, au chemin de résolution incertain, dans lesquelles le LLM doit planifier dynamiquement et orchestrer des outils, avec des garde-fous et un human-in-the-loop pour les étapes critiques.

Remarque : les informations relatives à la conformité sont fournies à titre indicatif et ne constituent pas un conseil juridique.