Créer un agent IA : ce qui le distingue d’une automatisation

La différence entre un agent IA et une automatisation classique tient à une seule chose : qui décide des étapes. Une automatisation suit un enchaînement fixe, écrit à l’avance — si ceci, alors cela. Un agent reçoit un objectif et décide lui-même, à chaque étape, quelle action prendre ensuite, en fonction de ce qu’il observe. C’est ce qui le rend utile pour une tâche dont le déroulement varie — et c’est exactement ce qui le rend plus difficile à encadrer qu’une simple automatisation.

L’erreur la plus fréquente : donner d’emblée à un agent l’accès à tous les outils dont il pourrait avoir besoin, « au cas où ». Un agent qui peut envoyer un e-mail, modifier un fichier et passer une commande a trois façons de se tromper au lieu d’une — et vous ne savez laquelle il choisira qu’après coup.

Ce qui distingue un agent d’une automatisation

• —Une automatisation : un enchaînement fixe, écrit à l’avance, qui produit toujours la même séquence d’actions pour la même situation d’entrée.
• —Un agent : un objectif donné en langage courant, et une liste d’outils qu’il peut utiliser — il choisit lui-même l’ordre et le nombre d’étapes pour atteindre l’objectif.
• —Le risque n’est pas le même : une automatisation qui casse s’arrête généralement net et visible. Un agent qui se trompe peut continuer à agir sur la base de sa propre erreur, plusieurs étapes de suite, avant qu’une personne ne s’en aperçoive.

Un détail souvent négligé : plus la liste d’outils donnée à un agent est longue, plus il devient difficile de prévoir ce qu’il va réellement faire pour un objectif donné — même avec des consignes précises. Un agent avec deux outils bien choisis est plus prévisible, et donc plus fiable, qu’un agent avec dix outils vaguement définis.

Une méthode pour commencer sans mauvaise surprise

Plutôt que de donner à l’agent un objectif large et tous les accès disponibles, vous réduisez d’abord son périmètre au strict nécessaire. Cela prend un peu plus de temps à préparer et évite qu’une action mal choisie ne devienne irréversible avant qu’une personne l’ait vue.

1. 01Choisissez un objectif étroit et vérifiable pour le premier essai — pas « gère mes e-mails », mais « repère les e-mails contenant une date limite et liste-les par ordre d’urgence ».
2. 02Limitez les outils accessibles au strict nécessaire pour cet objectif précis, même si l’agent pourrait techniquement en utiliser d’autres.
3. 03Placez un point de contrôle humain avant toute action qui ne peut pas être facilement annulée — un envoi, un achat, une suppression.
4. 04Faites tourner l’agent sur cinq à dix cas réels passés, dont vous connaissez déjà le résultat attendu, avant de le laisser agir sur des cas nouveaux.

Un exemple du début à la fin

Objectif faible : « crée un agent qui gère les demandes de congés de l’équipe ». Cet objectif mélange plusieurs décisions différentes — vérifier le solde, informer le responsable, mettre à jour un calendrier — sans préciser laquelle l’agent doit réellement prendre lui-même.

Objectif complet, pour un premier agent limité : « Vérifie le solde de congés restant dans le tableau partagé pour la personne qui fait la demande. Si le solde est suffisant, ajoute une ligne dans le tableau de suivi avec le statut « en attente de validation ». Si le solde est insuffisant, indique-le sans rien ajouter au tableau. Ne modifie jamais le calendrier partagé toi-même — cette étape reste manuelle. » L’agent a ici un seul outil (le tableau de suivi), une règle claire, et une limite explicite sur ce qu’il ne doit pas faire seul.

Un agent auquel vous donnez un objectif large et tous les outils disponibles est plus impressionnant en démonstration. Un agent auquel vous donnez un objectif étroit et deux outils est celui qui ne vous surprend pas en production.

Pourquoi un agent qui a bien fonctionné dix fois peut quand même dérailler

Un agent qui a correctement traité dix cas réels n’a pas pour autant rencontré tous les cas possibles. La différence avec un script classique : un agent improvise sa réponse à une situation qu’il n’a jamais vue, plutôt que de s’arrêter faute d’instruction prévue pour ce cas — et cette improvisation peut sembler tout à fait cohérente tout en étant fondée sur une mauvaise lecture de la situation.

Les lignes directrices de l’OCDE sur l’IA rappellent qu’une supervision humaine effective reste une condition d’un usage responsable, pas une option — pour un agent qui agit de façon autonome, cela veut dire un point de contrôle réel, pas seulement une vérification au moment de la mise en place. La CNIL a publié une note spécifique sur l’IA agentique qui souligne le même point : plus un système agit seul, plus la vérification de ce qu’il fait réellement doit être organisée à l’avance, pas improvisée après coup. Les recommandations de sécurité de l’ANSSI vont dans le même sens côté outils : limiter les accès d’un système d’IA au strict nécessaire n’est pas une prudence excessive, c’est une recommandation officielle.

Le Stanford AI Index suit chaque année la fiabilité des systèmes sur des tâches à plusieurs étapes — elle progresse, mais reste nettement inférieure à celle d’une tâche unique, ce qui explique pourquoi un agent limité à un objectif étroit se comporte mieux qu’un agent à qui l’on confie un objectif large d’un coup. Le PwC AI Jobs Barometer constate par ailleurs une prime salariale nette pour les personnes qui savent cadrer ce genre de système — pas simplement l’activer.

Ce que vous essayez cette semaine

1. 01Choisissez un objectif étroit et vérifiable pour un premier agent, pas une tâche complète de bout en bout.
2. 02Limitez les outils accessibles au strict nécessaire pour cet objectif précis.
3. 03Placez un point de contrôle humain avant toute action irréversible.
4. 04Testez sur des cas réels passés dont vous connaissez déjà le résultat, avant de laisser l’agent traiter des cas nouveaux.

Si le besoin réel est un enchaînement fixe plutôt qu’une décision variable à chaque étape, Automatisation IA est le point de départ le plus simple — et souvent suffisant. Formuler l’objectif de façon assez précise pour qu’un agent ne l’interprète pas de travers suit la même logique qu’un bon prompt, détaillée dans Formation prompt IA. Dans le cas particulier d’un agent qui écrit ou modifie du code, Muse Code montre à quoi ressemblent ces mêmes garde-fous appliqués à un agent de développement.

Si vous préférez un parcours complet plutôt que d’apprendre au fil des tâches, Formation IA générative part de zéro et couvre cette même prudence face à un système qui agit à votre place.

Cette compétence — cadrer un objectif étroitement et garder un point de contrôle avant toute action qui compte — est ce que Coursium fait pratiquer par petites leçons sur votre téléphone, sur des exemples réels plutôt que sur une démonstration. Gardez une longueur d’avance sur l’IA en commençant ici — ou lisez d’abord à propos de Coursium.