Qu’est-ce que l’IA agentique ?
Un système d’IA agentique reçoit un objectif, décide des étapes, appelle des outils pour les exécuter et vérifie le résultat. Il lit l’état d’un dossier avant d’agir, et il écrit dans le logiciel après.
La différence avec l’IA générative classique tient en une question : qu’est-ce qui sort du système ? Un assistant produit du texte, que quelqu’un lit et applique. Un agent produit un effet : une écriture créée, un champ rempli, un message envoyé. L’erreur d’un assistant coûte une relecture. L’erreur d’un agent coûte une correction dans la base.
C’est pour cette raison que l’IA agentique se juge sur d’autres critères. On ne mesure plus la qualité d’une réponse, on mesure la justesse d’une action, et le coût d’une action fausse. Le détail de cette bascule est dans la page agent IA.
Qu’est-ce qui change par rapport à un chatbot ou au RAG ?
Le chatbot répond à partir de ce qu’il sait. Le RAG lui ajoute une recherche dans vos documents : il répond à partir de vos sources, et il peut les citer. Les deux restent des systèmes qui parlent.
L’agent réutilise ces briques et en ajoute trois :
- des outils, c’est-à-dire les fonctions de votre logiciel qu’il a le droit d’appeler, avec des paramètres validés avant exécution ;
- un état, ce qu’il sait du dossier en cours, avant et après son action ;
- un chemin, les étapes qu’il suit, avec les vérifications obligatoires et les points où un humain reprend la main.
Le RAG ne disparaît pas. Chez Archipelia, l’agent cherche d’abord dans la documentation de l’ERP pour répondre, puis ouvre un ticket quand il n’a pas l’information. La recherche documentaire est une étape du chemin, pas le système entier. Le fonctionnement du RAG est détaillé ici.
Quels sont les niveaux d’autonomie d’un agent ?
L’autonomie se monte, elle ne se donne pas. Quatre modes couvrent l’essentiel des cas que nous mettons en production :
| Mode | Ce que fait l’agent |
|---|---|
| À la demande | L’utilisateur demande, l’agent exécute et montre ce qu’il a fait |
| Déclenché | Sur un événement ou un horaire : un document arrive, l’agent le traite |
| Déterministe | Un chemin figé, sans interprétation, pour ce qui touche à la conformité |
| Autonome | L’agent lit l’état du métier et agit, sous supervision |
Un même agent peut combiner plusieurs modes selon l’étape. Ce qui ne change pas : chaque passage vers plus d’autonomie se décide sur des mesures, pas sur une démonstration réussie.
Pourquoi un agent a-t-il besoin de garde-fous ?
Parce qu’un modèle libre trouve un chemin correct sur les cas courants et en invente un sur les cas rares. Or les cas rares sont précisément ceux où un métier a des règles.
Les garde-fous qui comptent sont structurels, pas des consignes ajoutées dans un prompt :
- un graphe de workflow qui dit quelles étapes sont permises, dans quel ordre, avec quels contrôles ;
- les droits de l’utilisateur : l’agent agit sous les droits de la personne qui l’utilise, jamais au-delà ;
- un seuil de confiance sous lequel l’agent passe la main à un humain, avec le contexte rassemblé ;
- un journal de chaque action : question d’origine, outils appelés, résultat.
Notre approche du graphe vient de notre recherche, publiée à ICMLC 2026. La page sécuriser un agent IA détaille les protections une par une.
Qu’est-ce que l’IA agentique change pour un éditeur de logiciel ?
Votre logiciel enregistre le travail de vos utilisateurs. Avec des agents, il peut en faire une partie. C’est une fonction que vos clients voient, qu’ils utilisent chaque jour, et que vous pouvez facturer.
Un exemple public : Lemon Learning aide les entreprises à adopter leurs logiciels avec des guides intégrés. Son agent navigue seul dans un logiciel d’entreprise, comprend l’interface et crée des guides complets, étape par étape. Lemon Learning a généré son premier revenu IA trois mois après la première discussion. Le détail est sur la fiche client.
Trois conditions reviennent sur tous les projets que nous livrons :
- l’agent travaille dans votre écran, sous votre marque, là où sont vos utilisateurs ;
- il passe par vos API, sous vos rôles et vos droits, sans réécrire votre produit ;
- chaque action réussie se compte, ce qui permet de la facturer à l’usage. Le modèle à crédits explique comment.
Par où commencer ?
Par une activité, pas par un modèle. Choisissez un travail que vos utilisateurs font souvent dans le logiciel, dont le résultat se vérifie, et dont l’erreur se rattrape. Construisez le jeu d’évaluation avant le reste : c’est lui qui dira si l’agent est prêt.
Sur une activité connue et avec un accès API, comptez six à huit semaines de l’atelier à la production. Les étapes sont décrites dans intégrer un agent IA dans un SaaS, et la façon dont nous les menons avec vous dans comment on travaille.
