Intelligence artificielle10 min de lecture

Un agent IA, c'est quoi ? La différence avec un chatbot

Un chatbot répond, un agent IA agit : LLM, outils et boucle d'itération. Ce qui marche déjà, ce qui coince encore, et ce que ça change pour vous.

Par Jean Weber

Petit robot rond manipulant plusieurs cartes de tâches translucides au-dessus d'un bureau la nuit, près d'une tasse de café fumante
Sommaire

En 2026, tout le monde vend de l'« agent IA » : OpenAI, Anthropic, Google, Salesforce, et la moitié des startups de votre fil LinkedIn. Derrière le buzzword, il y a pourtant une vraie bascule : un chatbot répond, un agent agit. Voilà ce que ça veut dire concrètement, ce qui fonctionne déjà, et ce qui reste fragile.

Chatbot ou agent IA : quelle différence concrète ?

Un agent IA est un programme qui confie un objectif à un modèle de langage et le laisse enchaîner lui-même les étapes pour l'atteindre : chercher sur le web, lire des fichiers, appeler des API, exécuter du code, puis vérifier le résultat et recommencer si besoin. Un chatbot, lui, s'arrête à la réponse : il reçoit une question, produit un texte, et attend votre prochain message. Toute la différence tient en deux verbes : le chatbot répond, l'agent agit.

Prenez un exemple trivial. Vous demandez « trouve-moi un vol Paris-Lisbonne pas cher pour mi-octobre ». Un chatbot vous donne des conseils : comparez les dates, regardez tel comparateur. Un agent ouvre le comparateur, teste plusieurs dates, filtre les escales, et revient avec trois options concrètes. Si vous l'y autorisez, il remplit même le formulaire de réservation.

Anthropic, qui a publié fin 2024 le guide le plus cité sur le sujet, résume la définition en une formule : un agent, c'est un LLM qui utilise des outils en boucle, de façon autonome. Retenez quand même que la frontière est un spectre, pas un mur. ChatGPT en mode navigation ou recherche approfondie se comporte déjà en agent, et beaucoup d'« agents » du marché sont en réalité des chatbots avec deux ou trois outils branchés.

Comment marche un agent IA sous le capot ?

Un agent IA repose sur trois briques : un LLM qui raisonne et décide, des outils qu'il a le droit d'appeler (recherche web, lecture de fichiers, terminal, API métier), et une boucle qui enchaîne les tours jusqu'à l'objectif. À chaque tour, le modèle observe l'état de la tâche, choisit une action, lit le résultat, puis décide de la suite. Rien de magique là-dedans : c'est un moteur de texte placé dans une boucle, avec des outils au bout des doigts.

Si le terme LLM reste flou pour vous, on a détaillé ce qu'est un LLM, expliqué simplement : l'essentiel à savoir ici, c'est qu'il ne « clique » nulle part. Quand un agent utilise un outil, le modèle émet en réalité un appel structuré (« appelle l'outil recherche avec ces paramètres »), le programme qui l'héberge exécute l'action, puis renvoie le résultat au modèle sous forme de texte. Le modèle lit, et choisit l'étape suivante. C'est ce qu'on appelle le tool calling, et c'est la brique technique qui a transformé les chatbots en agents.

Dernière distinction utile, empruntée au même guide d'Anthropic : ne confondez pas agent et workflow. Dans un workflow, le chemin est codé d'avance (étape 1, puis 2, puis 3) et le LLM remplit des cases. Dans un agent, c'est le modèle qui décide du chemin. Un workflow est plus prévisible et moins cher ; un agent encaisse l'imprévu. Les systèmes sérieux combinent souvent les deux.

Quels agents IA fonctionnent déjà en 2026 ?

Trois familles d'agents IA ont dépassé le stade de la démo : les agents de programmation, les agents de support client, et les agents qui pilotent un ordinateur. Les premiers sont les plus matures : vous assignez un ticket, l'agent revient avec du code prêt à relire.

Côté code, GitHub a lancé en mai 2025 son Copilot coding agent : vous lui assignez une issue comme à un collègue, il travaille dans une machine isolée et pousse ses commits dans une pull request en brouillon, que vous relisez et commentez. Claude Code, l'agent en terminal d'Anthropic, suit la même logique sur votre propre machine, et on retrouve ce fonctionnement jusque dans les outils du quotidien, comme Claude qui répond et agit directement dans Slack. Sur SWE-bench Verified, un banc d'essai de 500 bugs réels tirés de projets open source, les meilleurs modèles dépassent 80 % de tickets résolus d'après les leaderboards indépendants comme celui de Vals AI. Un chiffre à lire avec recul (les benchmarks publics finissent par fuiter dans les données d'entraînement), mais la tendance, elle, se vérifie dans les équipes qui les utilisent tous les jours.

Côté support, Klarna a fait la démonstration la plus spectaculaire : en février 2024, son assistant construit avec OpenAI a absorbé les deux tiers des conversations clients dès le premier mois, soit 2,3 millions d'échanges, l'équivalent du travail de 700 agents à temps plein, avec un temps de résolution passé de 11 à moins de 2 minutes. Intercom revendique de son côté 76 % de résolution moyenne pour son agent Fin (chiffre maison, à vérifier sur vos propres tickets). Gardez la suite de l'histoire Klarna en tête, on y revient juste après.

Troisième famille, la plus jeune : les agents qui pilotent un ordinateur comme vous, en regardant l'écran et en déplaçant le curseur. Au lancement du « computer use » d'Anthropic en octobre 2024, Claude ne réussissait que 14,9 % des tâches du benchmark OSWorld (installer un logiciel, remplir un tableur, enchaîner plusieurs applications). En février 2026, Claude Sonnet 4.6 atteint 72,5 % sur la version vérifiée du même banc d'essai, soit à peu près le niveau des humains mesurés par les auteurs du benchmark (72 %). OpenAI a suivi le même chemin avec Operator, devenu depuis le mode agent de ChatGPT.

Où ça coince encore : fiabilité, coûts, sécurité

Les agents IA butent sur trois murs : une fiabilité qui s'effondre sur les tâches longues, des coûts qui grimpent à chaque itération, et une faille structurelle, l'injection de prompt. Aucun des trois n'est réglé en 2026, et c'est ce qui sépare les démos impressionnantes des déploiements sérieux.

La fiabilité d'abord, parce que les erreurs se multiplient entre elles. Une étape réussie à 95 %, c'est excellent pour un modèle ; sur une chaîne de 20 étapes, ça ne donne plus que 36 % de réussite de bout en bout (0,95 puissance 20). C'est exactement le mur que Klarna a touché : en mai 2025, son CEO Sebastian Siemiatkowski a reconnu publiquement que l'entreprise avait obtenu « une qualité inférieure » en poussant l'automatisation trop loin, et a réembauché des humains. Le modèle qui en est sorti est hybride : l'IA traite le simple, l'humain reprend les cas sensibles.

Les coûts ensuite. À chaque tour de boucle, l'agent renvoie au modèle l'historique de tout ce qu'il a déjà fait : plus la tâche est longue, plus chaque étape coûte cher en tokens. Une question posée à un chatbot consomme quelques milliers de tokens ; un agent qui travaille une heure sur un dossier en brûle des centaines de milliers. À l'échelle d'une équipe, la différence se lit sur la facture.

La sécurité enfin, et c'est le point le plus sérieux. L'injection de prompt consiste à cacher des instructions malveillantes dans un contenu que l'agent va lire (une page web, un mail, un document), instructions qu'il risque de prendre pour des ordres légitimes. Anthropic a publié des chiffres rares sur le sujet lors du pilote de son extension Chrome en août 2025 : 23,6 % d'attaques réussies sans défenses spécifiques, encore 11,2 % après mitigations. Pas zéro. Un agent qui lit vos mails et navigue avec vos sessions ouvertes est une surface d'attaque bien réelle.

Ce que ça change pour un indé ou une PME

Pas besoin d'un labo IA pour profiter des agents : les cas gagnants en 2026 sont petits, cadrés et supervisés. Un agent de support branché sur votre documentation qui absorbe les questions répétitives, un agent de code qui corrige des bugs mineurs pendant que vous faites autre chose, un agent qui prépare des brouillons que vous validez : c'est là que le retour est concret.

Quatre règles tirées des retours du terrain. Un, commencez par une tâche courte, vérifiable et à faible enjeu : plus la chaîne est courte, plus le taux de réussite reste haut. Deux, gardez un humain dans la boucle : l'agent propose, vous validez, et l'histoire Klarna montre ce qui arrive quand on saute cette étape trop tôt. Trois, mesurez votre taux de résolution réel plutôt que celui de la brochure : entre le chiffre vendeur et vos tickets à vous, l'écart peut être large. Quatre, appliquez le principe du moindre privilège : un agent qui lit du contenu externe ne doit jamais avoir accès à vos paiements, votre production ou vos données sensibles sans validation.

La bonne nouvelle, c'est que le ticket d'entrée est bas : un abonnement entre 20 et 200 dollars par mois suffit pour tester un agent de code ou un mode agent grand public, et un après-midi suffit pour savoir si ça tient sur vos cas réels. Pour creuser le sujet, nos articles Intelligence artificielle suivent l'évolution de ces outils de près.

FAQ

Un agent IA, c'est quoi en une phrase ?

C'est un programme où un modèle de langage poursuit un objectif en utilisant des outils en boucle : il agit, observe le résultat, et recommence jusqu'à ce que la tâche soit faite.

ChatGPT est-il un agent IA ?

En conversation classique, non : il répond, c'est un chatbot. Mais ses modes navigation, recherche approfondie et agent le font basculer côté agent, puisqu'il enchaîne alors des actions de lui-même.

Quelle différence entre un agent IA et une automatisation type Zapier ou n8n ?

Une automatisation suit un chemin défini à l'avance par un humain : si X, alors Y. Un agent décide lui-même des étapes selon la situation, ce qui le rend plus souple mais moins prévisible.

Peut-on laisser un agent IA travailler sans supervision ?

Pas sur des tâches critiques : la fiabilité chute avec la longueur de la chaîne d'actions, et l'injection de prompt reste une faille ouverte. Gardez une validation humaine sur tout ce qui engage de l'argent, des données ou vos clients.

Combien coûte un agent IA ?

Pour tester, un abonnement grand public entre 20 et 200 dollars par mois suffit (ChatGPT, Claude). En usage intensif facturé aux tokens, un agent coûte nettement plus cher qu'un chatbot, car chaque étape de la boucle relit tout le contexte accumulé.

Sources

À lire aussi