Un agent IA est un logiciel qui poursuit un objectif, choisit des actions et utilise des outils pour produire un résultat. Il peut lire un dossier, chercher une information, appeler un logiciel métier, préparer un document puis vérifier ce qu’il vient de faire.
Le modèle d’IA propose le prochain pas. Le cadre autour de lui fournit les outils, la mémoire, les droits et les règles de contrôle. Le travail livré vient de cet ensemble. Un modèle seul répond à une demande sans avoir de prise sur vos logiciels.
Ce qu’il y a dans un agent IA
Je ramène un agent à des pièces assez ordinaires. La première est une mission écrite : préparer les factures de juin, trier les demandes reçues ou produire un audit. Une consigne comme « aide-moi dans mon entreprise » ne suffit pas pour savoir si le travail est terminé.
Il lui faut ensuite un modèle capable de choisir le prochain acte, un espace de travail, des outils et des données de référence. L’agent avance dans une boucle simple : il observe, choisit une action, l’exécute et lit le résultat avant de continuer.
La mémoire conserve ce qui doit survivre à la conversation. Les règles fixent ce qu’il peut faire seul et ce qu’il doit vous présenter. La qualité du modèle compte, mais elle ne rattrape pas une mauvaise donnée ou un droit d’accès donné trop largement.
C’est la différence avec une automatisation n8n. Une automatisation suit un enchaînement prévu. Un agent choisit son prochain pas à partir du contexte qu’il rencontre. Quand la règle est fixe, je préfère l’automatisation. Elle coûte moins cher et se teste plus facilement.
Le test le plus simple : que livre l’agent ?
Le mot « agent » est posé sur beaucoup de démonstrations. Je regarde le livrable. Une analyse enregistrée, une facture préparée, une liste de prospects qualifiés ou une modification de code sont des résultats qu’on peut ouvrir et contrôler.
La question suivante est celle de l’autorité. L’agent peut-il seulement proposer une facture ? Peut-il la créer dans le logiciel ? Peut-il l’envoyer au client ? Ce sont trois niveaux de risque différents. Le même modèle peut être raisonnable dans le premier cas et dangereux dans le dernier.
SvL pose une définition plus exigeante
J’ai créé SvL pour auditer les descriptions de systèmes à agents avant leur mise en route. Sa définition est volontairement stricte : un agent est une entité qui détient une autorité observable et auditable. L’usage d’un modèle d’IA ne suffit pas à le définir.
SvL pose quatre questions à chaque autorité déclarée :
- Qui en est responsable ?
- Quel livrable concret produit-elle ?
- Que peut voir ou appeler une personne extérieure ?
- Quelle trace permet de comprendre après coup ce qui s’est passé ?
Un prompt, un outil ou une compétence reste une pièce du système tant qu’il ne porte pas cette autorité. Cette distinction évite d’inventer dix agents là où il y a un agent, trois outils et une procédure.
L’adresse du dépôt de SvL est disponible sur le dépôt GitHub du projet. Le paquet svl-cli est aussi disponible sur PyPI. SvL n’exécute pas les agents. Il lit leur description et signale les trous de responsabilité, de livrable ou de trace.
Hermes Agent, un exemple qu’on peut installer
Hermes Agent, publié en open source par Nous Research, montre à quoi ressemble le cadre d’exécution autour d’un modèle. Il dispose d’un terminal, d’outils pour les fichiers, d’une mémoire, de compétences et de règles d’approbation. Le modèle peut changer sans réécrire tout l’agent.
Hermes peut tourner sur une machine distante, mais aussi directement sur votre ordinateur. Dans ce cas, vous pouvez lui brancher un modèle local et éviter les frais d’API. J’ai détaillé ce montage dans le guide Agent IA gratuit : comment en créer un sur son PC.
Hermes est un exemple de logiciel agent. SvL sert à vérifier la façon dont on lui délègue une autorité dans un système donné. Les deux ne font pas le même travail.
Deux agents qui travaillent déjà dans mes entreprises
Chez Les Gaspard, un agent prépare les factures à partir d’un tableau de référence. Il crée les brouillons, compare les champs et s’arrête avant l’envoi. Je garde la décision sur le prix et la signature. Le récit complet de l’automatisation de la facturation montre aussi les ratés et les corrections.
Pour The Granges, quatre agents se partagent la veille, l’audit, la production et la mesure SEO/GEO. Chacun a son livrable. L’article sur cette équipe d’agents SEO/GEO donne les chiffres des premiers essais.
Dans les deux cas, le travail livré compte davantage que le personnage donné à l’agent. La mémoire d’entreprise lui apporte le contexte qui doit durer. Les outils lui donnent une prise sur le réel. Les validations limitent les dégâts possibles.
Jusqu’où laisser agir un agent IA ?
Je commence avec des droits réduits et un dossier de test. L’agent prépare, vous relisez, puis vous ouvrez un droit supplémentaire si les sorties tiennent sur des cas réels. L’envoi d’un e-mail client, un paiement, une publication ou une suppression restent soumis à validation tant que leur erreur coûte plus cher que le temps gagné.
Une réponse brillante ne prouve pas qu’un agent est prêt. Demandez-lui un livrable borné, rejouez dix cas connus et regardez ses traces. Vous verrez vite si le problème vient du modèle, de la règle ou de la donnée.
Par où commencer ?
Prenez une tâche qui revient chaque semaine. Écrivez le résultat attendu, la source qui fait foi et le moment où une personne doit reprendre la main. Vous avez déjà le noyau de votre premier agent.
Pour comparer avec un agent centré sur la messagerie, lisez la page agent conversationnel. Pour voir les manière de chiffrer un mandat, consultez le chiffrage d’un mandat agentique.
Agent de découverte · En formation