--- title: "L'histoire des agents IA" description: "L'histoire des agents IA va de la notion classique d'agent issue de la recherche en IA (un système qui perçoit son environnement et y réagit par des actions) aux agents actuels fondés sur des LLM d…" locale: "fr" canonical: "https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-agent-ia/lhistoire-des-agents-ia" category: "Agents IA" topic: "Qu'est-ce qu'un agent IA ?" updated: "2026-10-28T13:25:49.014Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # L'histoire des agents IA L'histoire des agents IA va de la notion classique d'agent issue de la recherche en IA (un système qui perçoit son environnement et y réagit par des actions) aux agents actuels fondés sur des LLM de pointe, en passant par le schéma ReAct (2022), qui réunit raisonnement et action dans une même boucle LLM. Des standards ouverts comme MCP (publié par Anthropic en novembre 2024) et A2A (2025) relient les agents aux outils et entre eux. ## L’essentiel - La notion classique d'agent, avec sa boucle perception-action, existe depuis des décennies ; le robot Shakey (de 1966 à 1972) en est un exemple précoce. Ce qui est nouveau, c'est la planification en plusieurs étapes appuyée sur un LLM comme cœur du pilotage. - ReAct (Yao et al. 2022, arXiv:2210.03629) a réuni pour la première fois raisonnement et action dans une même boucle LLM et a posé les fondations conceptuelles des agents modernes. - Les agents fondés sur des LLM de pointe pilotent dynamiquement l'ordre des étapes et le choix des outils (niveau de maturité L4) et se coordonnent en systèmes multi-agents (L5). - MCP (spécification 2025-11-25, >10 000 serveurs MCP) standardise la connexion agent-outil ; A2A (à la Linux Foundation depuis juin 2025, 150+ organisations), la connexion agent-agent. - Malgré l'engouement, la maturité reste faible : selon McKinsey, seules 23 % des entreprises déploient à grande échelle au moins un cas d'usage agentique en 2025, et Gartner s'attend à ce que plus de 40 % des projets soient abandonnés d'ici fin 2027. - Standardisation et réalisme plutôt qu'« agent washing » : voilà ce qui marque la phase actuelle. Les protocoles ouverts et les KPI de résultat décident du déploiement en production. L'histoire des agents IA va de la notion classique d'[agent](https://blckalpaca.at/fr/glossaire/agent) issue de la recherche en IA (un système qui perçoit son environnement et y réagit par des actions) aux agents actuels fondés sur des [LLM](https://blckalpaca.at/fr/glossaire/llm) de pointe, en passant par le [schéma ReAct](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/architectures-dagents-ia-vue-densemble/agent-react-le-pattern-thought-action-observation) (2022), qui réunit raisonnement et action dans une même boucle LLM. Des standards ouverts comme [MCP](https://www.anthropic.com/news/model-context-protocol) (2024) et A2A (2025) relient les agents aux outils et entre eux. ## Chronologie des agents IA de 1966 à 2025 - **De 1966 à 1972, Shakey :** au SRI naît [Shakey](https://www.sri.com/hoi/shakey-the-robot/), le premier robot mobile qui perçoit son environnement et raisonne à son sujet. Il planifie des itinéraires et déplace des objets simples. - **1995, la définition de référence :** Stuart Russell et Peter Norvig publient « [Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach) ». La [préface de la première édition](https://people.eecs.berkeley.edu/~russell/aima1e/preface.html) fait de l'agent intelligent le fil conducteur du livre : un système qui reçoit des perceptions de son environnement et exécute des actions. - **Octobre 2022, ReAct :** Shunyu Yao et ses collègues publient [ReAct](https://arxiv.org/abs/2210.03629). Raisonnement et action fusionnent dans une même boucle LLM, et le schéma Perceive-Reason-Act-Observe devient le plan de base des agents modernes. - **Mars 2023, AutoGPT :** le projet open source [AutoGPT](https://en.wikipedia.org/wiki/AutoGPT) décompose de lui-même un objectif donné en sous-tâches et les traite à l'aide d'outils comme la navigation web et l'accès aux fichiers. - **Juin 2023, Function Calling :** [OpenAI](https://blckalpaca.at/fr/glossaire/openai) introduit le [Function Calling](https://openai.com/index/function-calling-and-other-api-updates/) dans son [API](https://blckalpaca.at/fr/glossaire/api). Les modèles génèrent ainsi des appels structurés à des fonctions externes. - **Octobre 2024, Computer Use :** Anthropic présente [Computer Use](https://www.anthropic.com/news/3-5-models-and-computer-use). Dans une bêta publique, la version mise à jour de Claude 3.5 Sonnet utilise un ordinateur : elle lit l'écran, déplace le curseur, clique et tape du texte. - **Novembre 2024, [MCP](https://blckalpaca.at/fr/glossaire/mcp) :** Anthropic publie le [Model Context Protocol](https://www.anthropic.com/news/model-context-protocol) comme standard ouvert pour la connexion entre agent et outil. - **Avril et juin 2025, A2A :** Google présente le [protocole Agent2Agent](https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/), que la [Linux Foundation](https://www.linuxfoundation.org/press/linux-foundation-launches-the-agent2agent-protocol-project-to-enable-secure-intelligent-communication-between-ai-agents) reprend en juin. - **Décembre 2025, Agentic AI Foundation :** Anthropic confie MCP à la toute nouvelle [Agentic AI Foundation](https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation), placée sous l'égide de la Linux Foundation. Ses cofondateurs sont Anthropic, Block et OpenAI. ## La notion classique d'agent : perception et action Le concept d'agent est bien plus ancien que la vague actuelle des LLM. En [IA](https://blckalpaca.at/fr/glossaire/ia) classique, un agent désigne un système qui perçoit son environnement et y réagit par des actions afin de poursuivre un but. La forme la plus simple est l'agent réflexe : à base de règles, réactif, sans véritable modèle du monde. Dans la classification de maturité actuelle, cela correspond au niveau L1 (réflexe), par exemple un bot FAQ ou un thermostat. Ces premiers agents possédaient déjà, en germe, deux des quatre propriétés des agents IA modernes : la perception de l'environnement et l'action orientée vers un but. Il leur manquait un cœur de raisonnement performant, capable de planifier en plusieurs étapes et de choisir des outils de façon dynamique. C'est précisément ce manque que comblent les grands modèles de langage. ## Le tournant : ReAct (2022) La rupture conceptuelle est venue avec le schéma ReAct (Yao et al. 2022, arXiv:2210.03629). ReAct signifie [Reasoning et Acting (raisonner et agir) dans une même boucle LLM](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-agent-ia/ai-agent-planning-raisonnement-et-planification-des-agents-ia) : le modèle entremêle directement ses réflexions sur une tâche avec des actions, par exemple des appels d'outils, et observe les résultats avant de poursuivre sa planification. C'est ainsi que naît la boucle de raisonnement qui constitue aujourd'hui encore le cœur d'un agent : **Perceive → Reason → Act → Observe**, répétée de manière itérative jusqu'à ce que l'objectif soit atteint ou l'exécution interrompue. ReAct a fourni le chaînon manquant entre l'ancienne notion d'agent (perception-action) et le nouveau monde des modèles de langage. Ce n'est qu'à partir de là que les [quatre propriétés indispensables d'un agent IA](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-agent-ia/les-5-composants-dun-agent-ia-expliques) se trouvaient réunies : pilotage par LLM, planification en plusieurs étapes, utilisation d'outils et autonomie orientée objectif dans le cadre de garde-fous. ## Classification actuelle : cinq niveaux de maturité des agents Le modèle de maturité ci-dessous classe les systèmes actuels selon leur degré d'autonomie. Il s'agit d'une classification, pas d'une chronologie : les agents réflexes de niveau L1 existaient bien avant ReAct. | Niveau | Désignation | Caractéristiques | Exemple | | --- | --- | --- | --- | | L1 | Réflexe | À base de règles, réactif | Bot FAQ, thermostat | | L2 | LLM augmenté | LLM plus un seul appel d'outil, réactif | ChatGPT avec recherche web | | L3 | Agent de workflow | LLM dans un pipeline déterministe ([prompt](https://blckalpaca.at/fr/glossaire/prompt) chaining, routing) | Chaîne de traitement structurée | | L4 | Agent autonome | Le LLM pilote dynamiquement l'ordre et le choix des outils, boucle complète | Claude Code, Deep Research | | L5 | [Système multi-agents](https://blckalpaca.at/fr/glossaire/systeme-multi-agents) | Plusieurs agents autonomes se coordonnent via A2A | Orchestrateur plus spécialistes | Le saut décisif se situe entre L3 et L4. Dans un agent de workflow, le chemin est défini à l'avance ; le LLM ne fait que combler les vides dans un pipeline déterministe. Un agent autonome (L4) décide en revanche lui-même quels outils il utilise et dans quel ordre, et ajuste son plan de manière itérative. C'est précisément là qu'un agent devient rentable : quand le chemin vers la solution ne peut pas être planifié à l'avance. Un exemple concret de L4 est un agent de code comme Claude Code. Il reçoit un objectif (par exemple corriger un bug), lit de lui-même les fichiers nécessaires, exécute des tests, observe les résultats et décide sur cette base quel fichier il modifie ensuite. L'ordre des étapes ne figure dans aucun script, il naît dans la boucle. C'est la différence pratique entre un workflow classique et un véritable agent. ## Les LLM de pointe, nouveau cœur des agents Avec la dernière génération de LLM de pointe, la boucle de raisonnement est devenue assez fiable pour des tâches en production. Function Calling et Computer Use ont intégré l'utilisation d'outils directement dans les API des fournisseurs de modèles. L'article sur les [composants d'un agent IA](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-agent-ia/les-5-composants-dun-agent-ia-expliques) détaille les cinq briques qui constituent aujourd'hui un agent. Un agent n'a pas besoin d'un modèle propre, entraîné en interne : les LLM accessibles par API fournissent le cœur de raisonnement, et la logique de l'agent se construit dans la couche au-dessus. ## 2024 et 2025 : la standardisation avec MCP et A2A Jusqu'à la publication de MCP en novembre 2024, chaque connexion à un outil était en grande partie propriétaire : chaque nouvelle source de données exigeait sa propre intégration. L'année 2025 a apporté l'adoption à grande échelle, A2A et le transfert des deux protocoles à la Linux Foundation. La standardisation concerne deux connexions : agent-outil et agent-agent. [**MCP (Model Context Protocol)**](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/protocole-agent-to-agent-a2a/a2a-vs-mcp-comparatif-agent-outil-et-agent-agent) standardise la connexion entre agent et outil. La spécification porte le numéro de version 2025-11-25 ; en décembre 2025, MCP a été confié à l'Agentic AI Foundation, sous l'égide de la Linux Foundation. Il existe désormais plus de 10 000 serveurs MCP. MCP répond ainsi à la question de savoir comment un agent accède à des outils externes sans dépendre d'un éditeur. **A2A (Agent-to-Agent)** standardise la connexion des agents entre eux et constitue ainsi la base technique des [systèmes multi-agents](https://blckalpaca.at/fr/glossaire/systemes-multi-agents) (L5). A2A est hébergé par la Linux Foundation depuis juin 2025 et soutenu par plus de 150 organisations. La coordination de plusieurs agents spécialisés, par exemple un orchestrateur et des agents métier, devient ainsi possible par-delà les frontières entre éditeurs. Ces deux protocoles marquent le passage d'agents isolés à un écosystème ouvert. ## Où en est-on aujourd'hui : l'engouement à l'épreuve de la réalité Pour l'instant, ce parcours historique aboutit à une phase de désillusion et de consolidation. La diffusion progresse nettement, mais la maturité en production reste faible. Selon le McKinsey State of AI 2025, seules 23 % des entreprises déploient à grande échelle au moins un cas d'usage agentique, et 39 % supplémentaires expérimentent ; dans aucune fonction de l'entreprise, la part de cas d'usage déployés à grande échelle ne dépasse 10 %. Gartner s'attend (données de juin 2025) à ce que plus de 40 % des projets d'[IA agentique](https://blckalpaca.at/fr/glossaire/ia-agentique) soient abandonnés d'ici fin 2027. S'y ajoute l'« agent washing » : selon Gartner, seuls 130 fournisseurs environ disposent de véritables capacités d'agent. La leçon de cette histoire récente est pragmatique : c'est le cas d'usage qui décide, le framework passe au second plan. Un agent est rentable là où le chemin vers la solution ne peut pas être planifié à l'avance ; partout ailleurs, un workflow ou une RPA classique coûtent moins cher et sont plus fiables. Les standards ouverts comme MCP et A2A réduisent en outre la dépendance à un seul éditeur et rendent les architectures plus pérennes. ## Questions fréquentes ### Quand commence l'histoire des agents IA ? La notion d'agent elle-même est ancienne : en IA classique, un agent est un système qui perçoit son environnement et agit en fonction d'un but. Un premier jalon est le robot Shakey, développé par le SRI de 1966 à 1972. La génération moderne, fondée sur les LLM, commence conceptuellement en 2022 avec le schéma ReAct (Yao et al., arXiv:2210.03629). ### Qu'est-ce que le schéma ReAct et pourquoi marque-t-il une étape clé ? ReAct (2022) réunit raisonnement et action dans une même boucle LLM. Le modèle entremêle directement ses réflexions avec des actions comme les appels d'outils et observe les résultats. Il en résulte la boucle Perceive-Reason-Act-Observe, qui constitue aujourd'hui encore le cœur des agents modernes. ### Qu'est-ce qui distingue un agent autonome d'un workflow ? Un workflow suit un chemin déterministe défini à l'avance ; le LLM ne fait que combler les vides. Un agent autonome (niveau de maturité L4) décide en revanche lui-même de l'ordre des étapes et du choix des outils, et ajuste son plan de manière itérative. Un agent n'est rentable que si le chemin vers la solution ne peut pas être planifié à l'avance. ### Que sont MCP et A2A, et pourquoi ont-ils été si importants en 2025 ? MCP (Model Context Protocol, publié par Anthropic en novembre 2024, spécification 2025-11-25, plus de 10 000 serveurs) standardise la connexion agent-outil. A2A (Agent-to-Agent, à la Linux Foundation depuis juin 2025, plus de 150 organisations) standardise la connexion agent-agent. Tous deux marquent le passage d'agents isolés à un écosystème ouvert. ### Ai-je besoin de mon propre LLM, entraîné par moi-même, pour un agent ? Non. Les LLM accessibles par API fournissent le cœur de raisonnement (le cœur LLM). La logique de l'agent (mémoire, outils, planificateur, exécuteur) se construit dans la couche au-dessus. Entraîner son propre modèle n'est pas nécessaire pour faire fonctionner un agent. ### Quel est aujourd'hui le niveau de maturité réel des agents IA ? La diffusion progresse, mais la maturité en production reste faible. Selon le McKinsey State of AI 2025, seules 23 % des entreprises déploient à grande échelle au moins un cas d'usage agentique. Gartner s'attend (données de juin 2025) à ce que plus de 40 % des projets d'IA agentique soient abandonnés d'ici fin 2027. --- Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-agent-ia/lhistoire-des-agents-ia). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.