Niveaux d'autonomie des agents IA (L1–L5)

Définition : que sont les niveaux d'autonomie des agents IA ?

Les niveaux d'autonomie des agents IA décrivent, en cinq niveaux de maturité (L1–L5), le degré d'indépendance avec lequel un système d'IA prend ses décisions et accomplit ses tâches. Ils vont du bot réflexe fondé sur des règles (L1) à l'agent entièrement autonome (L4) et au système multi-agents coordonné (L5), en passant par un LLM avec un appel d'outil unique (L2) et un agent de workflow dans un pipeline déterministe (L3). Il n'existe pas de modèle standard unifié en la matière. Les cinq niveaux sont notre propre classification et s'inspirent de la distinction d'Anthropic entre workflows et agents.

Le critère de distinction décisif n'est pas la technologie utilisée, mais une seule question : quelle part du pilotage du déroulement le LLM prend-il en charge de manière dynamique, et quelle part est fixée dans du code ? À chaque niveau, le contrôle se déplace du code déterministe vers le modèle de langage. Cela augmente l'utilité potentielle, mais aussi la complexité, les coûts et la charge de gouvernance.

Trois points clés pour commencer :

• Les vrais agents commencent à partir de L4. C'est seulement à ce niveau que le LLM pilote dynamiquement l'ordre des étapes et le choix des outils, et parcourt la boucle de raisonnement complète. Les niveaux L1 à L3 sont des stades préliminaires, avec une autonomie croissante mais limitée.
• Plus haut ne veut pas dire automatiquement mieux. Le niveau adapté dépend du cas d'usage. Si un déroulement peut être planifié à l'avance, un niveau de maturité plus bas est moins coûteux et plus robuste.
• Pour la plupart des applications B2B, le juste milieu se situe entre L3 et L4 : assez d'autonomie pour une réelle utilité, tout en restant maîtrisable.

Un exemple concret : la même tâche sur cinq niveaux

Prenons une tâche récurrente (le traitement d'une demande client reçue par e-mail) et voyons comment elle serait résolue à chaque niveau :

• L1 : un bot FAQ reconnaît le mot-clé « facture » et envoie une réponse standard prédéfinie. Aucune adaptation, aucun contexte.
• L2 : un LLM lit l'e-mail, appelle une seule fois un outil (par exemple une recherche par numéro de commande) et formule une réponse à partir du résultat. Réactif, une seule étape.
• L3 : le LLM suit un pipeline défini de manière fixe : d'abord la classification (routage selon le type de demande), puis la récupération des données, ensuite le brouillon de réponse et enfin la validation. Le chemin est prédéfini, le LLM remplit les étapes.
• L4 : l'agent décide lui-même des étapes nécessaires. Il vérifie peut-être d'abord le statut de la commande, constate qu'il faut interroger la logistique, appelle pour cela un deuxième outil, vérifie le résultat et ne rédige qu'ensuite la réponse. L'ordre des étapes et le choix des outils ne sont pas préprogrammés.
• L5 : un orchestrateur répartit la demande entre des agents spécialisés, par exemple un agent de recherche, un agent de conformité et un agent rédacteur, qui se coordonnent entre eux et assemblent leurs résultats partiels.

La même tâche, cinq architectures radicalement différentes. L'effort augmente nettement de gauche à droite, tout comme l'utilité potentielle pour les cas complexes et difficiles à planifier à l'avance.

Les cinq niveaux d'autonomie en détail

L1 : agent réflexe

Des systèmes fondés sur des règles, sans véritable raisonnement. Ils réagissent à des déclencheurs selon des règles fixes de type si-alors. Exemples typiques : un bot FAQ classique avec reconnaissance d'intentions, ou un thermostat. Il n'y a ni planification ni décision pilotée par un LLM ; le comportement est entièrement prédéfini.

L2 : Augmented LLM

Un modèle de langage complété par un appel d'outil unique, qui fonctionne de manière purement réactive. Le LLM répond à une requête et peut, pour cela, utiliser un outil une seule fois, par exemple une recherche web. Exemple : un chatbot de support qui interroge une fois le statut de la commande via un appel d'outil. Le raisonnement du LLM est déjà là, mais pas de boucle autonome en plusieurs étapes.

L3 : agent de workflow

Le LLM agit au sein d'un pipeline déterministe. Des techniques comme le chaînage de prompts (étapes successives) ou le routage (aiguillage selon le type de demande) structurent le déroulement. Le LLM prend des décisions aux différentes étapes, mais le chemin lui-même est fixé dans le code. C'est précisément cette distinction que souligne aussi Anthropic : les workflows suivent des chemins de code prédéfinis, tandis que chez les agents, le LLM pilote le déroulement de manière dynamique.

L4 : agent autonome

C'est ici que commence l'agent au sens strict. Le LLM pilote dynamiquement l'ordre des étapes et le choix des outils et parcourt la boucle de raisonnement complète : Perceive → Reason → Act → Observe, de manière itérative, jusqu'à ce que l'objectif soit atteint ou que le processus soit interrompu. Parmi les exemples figurent des agents de programmation comme Claude Code ou des systèmes de Deep Research, qui mènent leurs recherches de façon autonome, évaluent des résultats intermédiaires et adaptent leur plan.

L5 : système multi-agents

Plusieurs agents autonomes se coordonnent, généralement via un protocole A2A (Agent-to-Agent). Un orchestrateur répartit des sous-tâches entre des agents spécialisés et assemble leurs résultats. Les systèmes L5 constituent le niveau le plus puissant, mais aussi le plus fragile : ils sont sujets aux Compounding Errors, c'est-à-dire à de petites erreurs d'agents individuels qui s'amplifient tout au long de la chaîne de coordination. À strictement parler, L5 est un niveau d'architecture. Le système global répartit les décisions entre plusieurs agents, mais chaque agent qui le compose n'a pas forcément plus d'autonomie qu'un agent L4.

Matrice comparative des cinq niveaux

Le tableau suivant résume les niveaux selon les critères décisifs. Dans la pratique, les frontières sont floues.

La ligne de partage la plus importante passe entre L3 et L4 : jusqu'à L3, le chemin est câblé en dur ; à partir de L4, c'est le LLM qui le décide au moment de l'exécution. C'est précisément ce saut qui définit le passage de l'automatisation au véritable agent.

Comment les entreprises situent leur niveau de maturité

Pour déterminer sa propre position sur l'échelle, trois questions clés sont utiles, et plus parlantes que n'importe quelle appellation marketing d'un fournisseur :

1. Qui décide de l'ordre des étapes ? Le déroulement est-il fixé dans le code (→ jusqu'à L3) ou est-ce le LLM qui le détermine au moment de l'exécution (→ à partir de L4) ?
2. Combien d'outils le système utilise-t-il de manière autonome ? Aucun (L1), exactement un (L2), un ensemble fixe et prédéfini (L3) ou des outils sélectionnés dynamiquement (L4/L5) ?
3. Quel est le degré réel d'autonomie ? Le système se contente-t-il de réagir, ou poursuit-il un objectif sur plusieurs étapes qu'il choisit lui-même ?

Cette classification protège aussi de l'« agent washing » : beaucoup de produits commercialisés comme « agents » n'atteignent en réalité que L2 ou L3. Selon Gartner (juin 2025), seuls quelque 130 fournisseurs disposent de véritables capacités d'agent ; l'appellation seule en dit donc peu sur le niveau de maturité réel.

Deuxième enseignement : un niveau de maturité plus élevé n'est pas une fin en soi. La règle de décision centrale veut qu'un agent (L4/L5) ne soit rentable que si le chemin vers la solution ne peut pas être planifié à l'avance. Si le déroulement peut être entièrement modélisé, un workflow L3 est moins coûteux, plus rapide et plus robuste. Choisir L4/L5 là où L3 aurait suffi, c'est payer des coûts en tokens plus élevés, davantage de maintenance et une charge de conformité plus lourde, sans bénéfice supplémentaire.

Les données du marché confirment cette prudence : selon Gartner (juin 2025), plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts croissants, d'une valeur business floue ou de contrôles des risques insuffisants. D'après notre expérience, trop d'autonomie fait surtout grimper les coûts et les risques. Par ailleurs, selon le McKinsey State of AI 2025, seuls 23 % des répondants indiquent que leur entreprise déploie à grande échelle au moins un système d'IA agentique, et 39 % expérimentent avec des agents. Aucune fonction métier prise isolément ne compte plus de 10 % de répondants indiquant que leur entreprise y déploie des agents à grande échelle. Le marché se situe donc encore majoritairement aux niveaux de maturité bas à intermédiaires.

Recommandation : partir du bon niveau de maturité

Pour les décideurs en Europe, il en découle une voie pragmatique : choisir le niveau de maturité le plus bas qui résout le cas d'usage. Un pilote en lecture seule au niveau L3 ou un agent L4 étroitement délimité, avec humain dans la boucle pour toutes les actions irréversibles, constitue une base bien plus solide qu'un ambitieux système L5 sans gouvernance.

Les obligations réglementaires dépendent de la finalité d'utilisation et du risque, pas du niveau d'autonomie. L'obligation de transparence prévue à l'art. 50 du règlement européen sur l'IA s'applique depuis le 2 août 2026 et concerne déjà un chatbot LLM de niveau L2 : les utilisateurs doivent être informés qu'ils interagissent avec une IA, sauf si cela est évident. Les niveaux supérieurs rendent plus probables les décisions individuelles automatisées au sens de l'art. 22 du RGPD, et donc aussi une analyse d'impact relative à la protection des données au titre de l'art. 35 du RGPD. Si un fournisseur de LLM externe traite des données personnelles pour ton compte, tu as besoin, à chaque niveau, d'un contrat de sous-traitance conforme à l'art. 28 du RGPD. Si un agent peut surveiller le comportement ou les performances des salariés, un comité d'entreprise existant dispose en Allemagne d'un droit de codécision en vertu du § 87 Abs. 1 Nr. 6 BetrVG. En Autriche, un système de contrôle qui touche à la dignité humaine requiert l'accord du comité d'entreprise en vertu du § 96 Abs. 1 Z 3 ArbVG. Si un système traite des données de salariés qui vont au-delà des informations personnelles générales et des qualifications professionnelles, c'est en règle générale le § 96a ArbVG qui s'applique ; l'accord peut alors être remplacé par une décision de la commission de conciliation. En Suisse, c'est la loi fédérale révisée sur la protection des données (LPD) qui s'applique ; le règlement sur l'IA et le RGPD ne s'y appliquent qu'en cas de lien avec l'UE, par exemple lorsqu'un système s'adresse à des personnes dans l'UE ou que ses résultats sont utilisés dans l'UE. Ces informations sont fournies à titre purement indicatif et ne constituent pas un conseil juridique.

Situer correctement son propre niveau de maturité, plutôt que de courir après le niveau le plus élevé, permet d'éviter le « Pilot Purgatory » et de poser les bases pour passer réellement à l'échelle lors du prochain saut de maturité.