L'« IA agentique » est aujourd'hui le terme le plus en vogue et le plus déroutant de l'intelligence artificielle. On l'emploie pour désigner trois choses différentes, les éditeurs la présentent comme une solution miracle, et la plupart des articles qui lui sont consacrés en font discrètement un éloge exagéré.
Ce guide va droit au but. En clair : qu'est-ce que l'IA agentique exactement, comment fonctionnent les agents IA, en quoi elle diffère de l'IA générative, et ce que presque personne n'explique : son impact sur la capacité de l'IA à repérer et à recommander votre marque.
Pour faire court : l'IA agentique existe bel et bien, elle est réellement utile sur les bonnes tâches, et elle est bien plus éloignée du « configurez-la et oubliez-la » que ne le laissent croire les gros titres.
Qu'est-ce que l'IA agentique ?
L'IA agentique est une intelligence artificielle capable de poursuivre un objectif de manière autonome : elle le décompose en étapes, utilise des outils, mène des actions et s'ajuste au fur et à mesure, avec une supervision humaine limitée. Au lieu de répondre à un prompt à la fois, un système agentique se voit confier un objectif et travaille à l'atteindre.
Le mot qui compte, c'est l'agentivité : la capacité d'agir de façon indépendante et délibérée. Un chatbot classique attend que vous lui posiez une question. Un système agentique, lui, décide de la suite à donner.
Prenons un exemple simple. Demandez à un assistant IA classique de « rédiger cinq titres publicitaires » et vous obtenez cinq titres. Donnez à un système agentique l'objectif « améliorer le taux de conversion de cette campagne ce mois-ci » et il peut extraire les données de performance, repérer les groupes d'annonces les plus faibles, rédiger des variantes, lancer celles qui ont été approuvées, surveiller les résultats et signaler ce sur quoi il ne peut pas trancher seul.
Ce basculement (passer d'un outil que l'on actionne à un système qui œuvre vers un objectif) est au cœur même du concept. C'est aussi une question que beaucoup se posent soudainement. La technologie est assez récente pour que le vocabulaire ne soit pas encore stabilisé, et dans le langage courant on emploie souvent « agent IA » et « IA agentique » de manière interchangeable.
Une définition pratique qui fait l'unanimité parmi les sources sérieuses : l'intelligence artificielle agentique est un système orienté vers un objectif qui combine raisonnement, planification, mémoire, utilisation d'outils et action, avec un degré variable d'autonomie et de supervision humaine.
Une chose à bien fixer avant que l'engouement ne prenne le dessus : ici, l'autonomie est un curseur, pas un interrupteur. La plupart des systèmes agentiques qui valent la peine d'être utilisés aujourd'hui fonctionnent sous l'œil d'un humain, et non en « mains libres », et nous verrons plus loin pourquoi cela compte.
IA agentique, IA générative et agents IA : les différences
Trois termes sont souvent employés comme s'ils étaient synonymes, alors qu'ils ne le sont pas. Les distinguer est le moyen le plus rapide de comprendre tout le sujet.
La façon la plus claire de s'en souvenir tient en une chaîne. L'IA générative crée. Un agent IA agit. L'IA agentique orchestre.
L'IA générative, c'est le moteur. Elle produit du texte, des images, du code ou de l'audio en réponse à un prompt. Elle est réactive : vous demandez, elle répond, et elle ne fait rien d'autre. ChatGPT qui rédige un e-mail ou Midjourney qui crée une image, c'est l'IA générative à l'œuvre.
Un agent IA, c'est ce moteur doté d'un « corps ». Prenez un modèle génératif, donnez-lui des outils (un navigateur web, une API, un accès à votre CRM) et une tâche, et il peut passer à l'action, pas seulement produire des mots. Un agent peut rechercher un prix, ouvrir un ticket ou envoyer un brouillon. Un agent se concentre en général sur une seule mission.
L'IA agentique, c'est le système qui englobe les agents. C'est le dispositif orienté objectif qui planifie sur plusieurs étapes et coordonne souvent plusieurs agents vers un but commun. IBM le résume bien : l'IA agentique est le cadre, et les agents IA en sont les briques de base. Imaginez une maison connectée où un seul système gère votre consommation d'énergie en pilotant des agents distincts pour le thermostat, l'éclairage et l'électroménager.
| IA générative | Agent IA | IA agentique | |
|---|---|---|---|
| Ce qu'elle fait | Crée du contenu à partir d'un prompt | Mène des actions à l'aide d'outils | Poursuit un objectif sur plusieurs étapes |
| Posture | Réactive (attend qu'on lui demande) | Axé sur la tâche (fait un seul travail) | Proactive (travaille vers un objectif) |
| A besoin d'un humain pour | Demander chaque résultat | Définir la tâche et les garde-fous | Superviser et approuver les actions clés |
| Exemple marketing | Rédiger une landing page | Publier la page et poster le lien | Tester des variantes, suivre les résultats, réallouer le budget |
ChatGPT est-il donc une IA agentique ? En soi, non. Le modèle de base est une IA générative. Activez son mode « agent » et connectez-le à des outils, et ce même modèle se met à se comporter de façon agentique. L'étiquette dépend de ce que le système sait faire, pas de son nom de marque. Pour les mécanismes sous-jacents, notre entrée de glossaire sur l'agent IA en détaille les composants.
Comment fonctionnent réellement les agents IA ?
En coulisses, un agent exécute une boucle. C'est plus simple que ne le laisse croire le discours marketing.
- Percevoir. L'agent recueille des informations de son environnement : la requête d'un utilisateur, des données d'une API, le contenu d'une page web ou d'une base de données.
- Raisonner et planifier. Un grand modèle de langage (LLM), le moteur qui prédit le token suivant, interprète ces informations, déduit ce qu'exige l'objectif et décide de l'étape suivante.
- Agir. L'agent utilise un outil pour faire quelque chose dans le monde réel : appeler une API, lancer une recherche, mettre à jour un enregistrement, envoyer un message.
- Apprendre. Il vérifie le résultat et réinjecte ce qui s'est passé dans la boucle suivante.
Le modèle de langage est le moteur de raisonnement, mais un modèle seul ne fait pas un agent. Ce qui le transforme en agent, ce sont les outils et la mémoire. Anthropic distingue le workflow, où les développeurs codent les étapes à l'avance, et l'agent, où les modèles « dirigent dynamiquement leurs propres processus et leur usage des outils ». Plus le système décide par lui-même, plus il est agentique.
Certaines tâches ne réclament qu'un seul agent. Les plus lourdes en mobilisent plusieurs, coordonnés par un orchestrateur, parfois appelé « modèle chef d'orchestre », qui confie des sous-tâches à des agents spécialisés et recompose les résultats. Vous croiserez aussi de vieilles catégories de manuel, comme les agents réflexes simples et les agents orientés objectif, mais pour un public de marques, c'est la boucle ci-dessus qui compte.
Dans notre propre travail, cette boucle n'a rien de théorique. Nous faisons tourner des agents en parallèle pour étudier un sujet : l'un lit les pages des concurrents pendant qu'un autre extrait les données de mots-clés, puis nous réunissons les résultats. La méthode est réellement plus rapide qu'à la main. C'est aussi là que les limites apparaissent, ce qu'il faut aborder en toute honnêteté.
L'IA agentique dans le monde réel : exemples concrets
La meilleure façon de saisir l'IA agentique, c'est de regarder ce qu'elle fait vraiment aujourd'hui, pas ce qu'un éditeur promet pour l'an prochain.
Les exemples grand public sont ceux que la plupart des gens ont déjà rencontrés. Un agent de recherche réserve un voyage en comparant les options puis en réservant le vol et l'hôtel. Un agent de programmation écrit, exécute et corrige son propre code. Un agent d'achat compare des produits sur plusieurs sites et ajoute le gagnant au panier. Un agent de service client lit un ticket, vérifie une commande et accorde un petit remboursement dans des limites fixées.
Les grands produits d'IA intègrent désormais des modes « agent ». Google Gemini et ChatGPT disposent tous deux de modes qui naviguent et agissent. Claude, d'Anthropic, sait piloter un ordinateur et écrire du code à l'échelle d'un projet. Microsoft Copilot, Salesforce Agentforce et Perplexity font tourner des agents qui exécutent des tâches, et des plateformes comme Microsoft Copilot Studio permettent aux entreprises de créer les leurs. Même Apple s'y est mis : en 2026, la marque a doté son assistant de la capacité d'agir pour le compte de l'utilisateur et d'enchaîner des tâches à sa place, au lieu de seulement répondre.
Côté européen, un acteur manque souvent à l'appel : Le Chat de Mistral propose lui aussi un mode agentique (« Work mode »), qui enchaîne des actions via des connecteurs (Gmail, Drive, GitHub, Notion…) en demandant une validation humaine pour les opérations sensibles. L'argument n'est pas seulement technique : l'État français a retenu Le Chat pour son administration (d'une expérimentation interministérielle vers une généralisation à ses agents publics), hébergé en France, explicitement au nom de la souveraineté numérique. Pour une marque européenne, une option agentique souveraine existe donc : pas forcément « la meilleure », mais une vraie alternative.
Siri est-elle donc une IA agentique ? De plus en plus, oui. Dès qu'un assistant cesse de répondre à des questions et se met à accomplir pour vous des tâches en plusieurs étapes, il passe du génératif à l'agentique.
Ces démonstrations impressionnantes sont réelles, mais ce sont des démonstrations. Le même agent qui réserve un vol sans accroc sur scène peut caler sur un compte client en désordre dans la vraie vie. L'écart entre une démo et un système de production fiable est à l'origine de la plupart des déceptions liées à l'IA agentique, et il vaut mieux le comprendre avant d'acheter.
Le revers du battage médiatique : « agent washing » et échecs de projets
L'IA agentique est réelle, et elle est aussi survendue. Les deux sont vrais en même temps, et un responsable de marque doit tenir les deux bouts.
L'adoption est bien réelle. Une enquête de PwC auprès de dirigeants américains a montré que 79 % d'entre eux déclaraient que leur entreprise utilisait déjà des agents IA, et que les deux tiers des entreprises ayant franchi le pas faisaient état d'une valeur mesurable. Andrew Ng, qui a aidé à populariser le mot « agentique », met aujourd'hui en garde : le terme a été récupéré par les services marketing et collé sur à peu près tout.
C'est là qu'entre en scène l'« agent washing » : rebaptiser « agents » des chatbots, des scripts et de l'automatisation ordinaires pour surfer sur la tendance. Gartner l'a pointé directement et estime qu'une infime fraction des milliers d'éditeurs se disant agentiques le sont vraiment. Le même cabinet prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en invoquant la hausse des coûts, une valeur floue et des contrôles insuffisants. Un rapport du MIT de 2025 a constaté que 95 % des projets pilotes d'IA générative en entreprise n'avaient produit que peu, voire aucun, retour mesurable sur les résultats.
Voici ce que ces statistiques d'échec passent souvent sous silence : les projets meurent rarement parce que les modèles sont mauvais. Ils meurent sur les parties ingrates. Les données sont en désordre, les systèmes ne communiquent pas, personne ne porte la gouvernance, et l'agent se voit confier une mission trop large pour être menée de façon fiable.
Pour un acheteur non technique, un test rapide sépare le vrai agent du chatbot repeint. Demandez si le système peut prendre un objectif, choisir lui-même ses étapes et utiliser des outils pour agir sur plusieurs d'entre elles. S'il se contente de suivre un script figé et de répondre à ce qu'on lui demande, c'est de l'automatisation sous un nouveau nom, pas de l'IA agentique. Cette seule question vous fera économiser beaucoup d'argent.
L'agent autonome face à l'AI Act
En Europe, l'enjeu de gouvernance a aussi une dimension réglementaire. Un agent autonome qui touche au recrutement, à la santé ou au juridique risque de relever des systèmes « à haut risque » de l'AI Act (Annexe III), qui impose légalement supervision humaine, transparence et traçabilité, sous peine d'amendes pouvant atteindre 15 M€ ou 3 % du chiffre d'affaires mondial (et jusqu'à 35 M€ ou 7 % pour les usages purement interdits). Les obligations sur le haut risque s'appliquent à partir de décembre 2027 (accord « Digital Omnibus » de mai 2026). C'est exactement la discipline que recommande cet article, mais transformée en obligation.
Pourquoi les agents ne sont pas magiques : fiabilité et coût
La chose la plus utile à comprendre sur l'IA agentique, c'est que les erreurs se cumulent. Un modèle génératif n'a besoin de réussir qu'une seule réponse. Un agent doit réussir chaque étape d'une chaîne, et de petits taux d'échec s'accumulent vite.
Le calcul est brutal. Un agent fiable à 95 % sur une étape n'est plus fiable qu'à environ 60 % sur une tâche en dix étapes, parce qu'on multiplie les probabilités à chaque étape. Tombez à 85 % par étape et une tâche en dix étapes réussit environ une fois sur cinq.
| Précision par étape | Réussite sur une tâche en 10 étapes |
|---|---|
| 95 % | environ 60 % |
| 90 % | environ 35 % |
| 85 % | environ 20 % |
C'est pourquoi « il suffit d'attendre un meilleur modèle » n'est pas la solution espérée. Un modèle plus performant relève le taux de réussite de chaque étape, mais une longue chaîne fuit toujours. Les vraies solutions sont dans la conception, pas dans le modèle : découper le travail en étapes plus petites, laisser l'agent vérifier et réessayer son propre travail, et confier à un humain tout ce qui est irréversible. Ajouter un contrôle à chaque étape récupère une bonne part de la fiabilité perdue : c'est précisément pour cela que les systèmes qui tiennent reposent sur la vérification plutôt que sur la puissance brute du modèle.
La règle pratique : l'autonomie sous contrôle
Laissez un agent agir librement sur les étapes peu coûteuses et réversibles, et placez un point de contrôle humain devant tout ce qu'il ne peut pas annuler : un paiement, une suppression, un e-mail à un client. L'autonomie totale est réservée aux tâches à faible enjeu. Tout ce qui touche à l'argent ou à votre marque garde un humain dans la boucle.
Le coût suit la même logique : il grossit à chaque étape. Un agent relit son contexte cumulé avant chaque action ; une tâche longue peut donc consommer bien plus de tokens qu'une simple conversation, et la facture est difficile à prévoir. La règle pratique : fixer des plafonds d'usage stricts et pointer les agents vers des tâches étroites, répétables et à forte valeur, plutôt que d'en lâcher un sur tout.
Vient ensuite la responsabilité, qui n'a rien d'hypothétique. Quand le chatbot d'Air Canada a donné à un client de fausses informations sur ses tarifs de deuil, un tribunal a tenu la compagnie pour responsable des propos de son bot et a rejeté l'argument selon lequel le chatbot serait une entité distincte. « C'est l'agent qui a décidé » n'est pas une défense juridique. Tout ce que votre agent dit ou fait, c'est votre entreprise qui parle. En Europe, le cadre est encore plus direct : l'article 22 du RGPD encadre les décisions « fondées exclusivement sur un traitement automatisé » produisant des effets juridiques, et la CNIL attend un point de contrôle humain réel (pas une validation symbolique) ainsi que la traçabilité des décisions à fort impact. Un risque plus récent : l'injection de prompt, que l'OWASP classe première menace de sécurité de ces systèmes. Des instructions cachées dans une page web ou un document lu par l'agent peuvent discrètement détourner ses actions.
Cela façonne notre propre usage des agents, et la leçon vaut largement. La vérification n'est jamais confiée à l'agent qui a fait le travail, car les modèles repèrent mal leurs propres erreurs : priés de relire leur production, ils ont tendance à la valider d'office ou à répéter l'erreur avec plus d'assurance encore. C'est donc un agent distinct, au regard neuf et sans intérêt dans la première réponse, qui se charge de la relecture ; nous passons ensuite le travail à différents modèles, dont Codex d'OpenAI et quelques modèles open-weight moins coûteux, parce que chacun a ses angles morts.
Nous traitons ces modèles open-weight comme des contre-avis contradictoires, jamais comme une source de vérité. Ils coûtent moins cher mais hallucinent davantage que les modèles de pointe, et leur entraînement a souvent plusieurs mois de retard : ils « corrigeront » donc avec aplomb un fait vrai et actuel en une erreur. Chaque signalement est recoupé avec une source primaire, et l'accord entre modèles est un signal faible plutôt qu'une preuve, car des modèles entraînés sur des données voisines partagent les mêmes angles morts.
Ce qui s'améliore vraiment, c'est ce qui se passe après une exécution. Les agents ne progressent pas tout seuls, en silence. Le progrès vient d'une habitude délibérée : noter ce qui a déraillé à chaque exécution et le réintégrer dans les règles que suivra la suivante. C'est cette boucle de relecture, tenue par des humains, qui s'affine avec le temps, pas le modèle. C'est la même leçon que martèlent les statistiques d'échec : la fiabilité est affaire de conception et de discipline, pas d'attente d'un modèle plus malin.
Ce que l'IA agentique change pour la visibilité IA de votre marque
Voici la partie que les présentations d'éditeurs sautent, et celle qui devrait le plus compter pour une marque. Les agents ne sont pas qu'un outil que vous pourriez utiliser. Ils sont de plus en plus le client.
Quand quelqu'un demande à un assistant de « trouver le meilleur CRM à moins de 100 $ par mois et de lancer un essai », un agent de recherche fait la recherche, lit les options et en recommande une, souvent sans que la personne ne visite le moindre site. La découverte, la comparaison et parfois l'achat se passent à l'intérieur de l'assistant. La marque citée gagne. Les autres sont invisibles. Ce n'est pas une hypothèse : des moteurs comme Perplexity répondent déjà aux questions d'achat en nommant des produits précis, et ChatGPT oriente la découverte et la comparaison (après une tentative d'achat intégré au chat abandonnée début 2026, l'achat se finalise désormais sur le site du marchand).
Le phénomène redessine déjà le trafic web. Cloudflare a indiqué en 2026 que les bots représentent désormais environ 57,5 % des requêtes web, dépassant pour la première fois le trafic humain, un basculement que Cloudflare attribue à l'explosion des agents IA naviguant pour le compte d'assistants comme ChatGPT et Gemini. Ces agents sont un nouveau public qui frappe à votre site, distinct du robot d'exploration de Google. Notre propre liste de robots IA montre combien d'entre eux toquent déjà à la porte.
Le constat dérange tous ceux qui ont investi dans le référencement naturel (SEO) classique : être premier sur Google ne garantit pas qu'un agent vous trouvera ou vous citera. Nous voyons l'écart dans nos propres statistiques. Certaines de nos pages sont reprises et citées par des assistants IA tout en apparaissant à peine dans les classements Google sur les mêmes termes. La mesure des renvois venus de l'IA reste grossière, mais la direction est claire : être cité par le modèle et être classé dans la recherche sont deux jeux différents.
Les agents ne naviguent pas non plus comme des humains. Ils privilégient l'information propre et lisible par une machine : des titres clairs, des attributs produits structurés, des spécifications, et des faits cohérents répétés à travers le web. Une description vague comme « torréfaction moyenne, caramel » ne donne presque rien à un agent pour répondre à une requête. Pire, beaucoup d'agents pèsent la cohérence de vos faits sur le web : si votre prix ou vos arguments diffèrent d'une page à l'autre, l'agent peut discrètement préférer un concurrent qu'il juge plus fiable. En pratique, cela tient à trois choses que vous maîtrisez : publier des informations claires et structurées qu'une machine peut analyser ; garder vos faits, prix et arguments cohérents partout où ils apparaissent, et en français si c'est votre marché ; et vous assurer que les robots IA ne sont pas bloqués à l'entrée.
C'est le métier pour lequel nous avons bâti Geotoolbox. Être choisi par un agent commence par deux vérifications concrètes : les robots et agents IA peuvent-ils accéder à votre site, et les moteurs citent-ils réellement votre marque quand ils répondent à des questions de votre domaine. C'est la discipline qui sous-tend le generative engine optimization, étroitement liée à l'essor du commerce agentique, où c'est un agent, et non une personne, qui fait l'essentiel des choix.
Comment se lancer sans se brûler les ailes
Pas besoin d'être technique, ni d'acheter une plateforme, pour démarrer avec l'IA agentique. Vous pouvez commencer dans un outil que vous utilisez déjà, puisque ChatGPT comme Claude font désormais tourner des agents simples directement.
L'approche qui marche est volontairement étroite. Choisissez une tâche répétable que vous maîtrisez bien : router les prospects entrants, rédiger les premières réponses à un type de demande courant, transformer un rapport de campagne en résumé clair, ou générer des variantes de premier jet à tester. Gardez-la assez petite pour pouvoir en vérifier le résultat, et assurez-vous qu'un humain approuve tout ce que l'agent ne peut pas annuler : un envoi, un paiement, une suppression. Mesurez si elle fait vraiment gagner du temps avant de l'élargir.
Ce conseil vaut doublement pour une PME ou une TPE, profil bien plus fréquent que celui de la multinationale américaine : faire développer un agent sur mesure pour un seul processus se chiffre vite en milliers d'euros, et le premier frein reste le plus souvent les compétences internes, pas la technologie. Commencer petit dans un outil que l'on a déjà reste la porte d'entrée la moins coûteuse, et la plus sûre pour apprendre avant d'investir.
C'est exactement la leçon que notre propre travail sur les agents nous répète. Commencer étroit, garder un humain sur les étapes qui comptent, vérifier le résultat, et n'élargir le périmètre que lorsque l'agent l'a mérité. Les équipes qui tirent de la valeur de l'IA agentique ne sont pas celles qui lui laissent le plus de liberté. Ce sont celles qui la visent avec soin.
L'essentiel pour les marques
L'IA agentique, c'est le passage d'une IA qui répond à une IA qui agit. Le battage est assourdissant et les échecs sont réels, mais la tendance est régulière : une part croissante de ce que font vos clients (y compris la façon dont ils trouvent et choisissent une marque) passera par des agents qui cherchent, comparent et décident à leur place.
Cela rend une question utile dès maintenant. Quand un agent IA explore votre catégorie, vous trouve-t-il, vous fait-il confiance et vous recommande-t-il, ou choisit-il discrètement un concurrent ? Les marques qui gagnent le virage agentique sont celles qui sont accessibles, cohérentes et citables.
Pour savoir où vous en êtes, vous pouvez lancer un rapide test de préparation à l'IA (AI Readiness) afin de vérifier si les agents et robots IA peuvent réellement atteindre et lire votre site, puis regarder si les moteurs citent votre marque quand ils répondent à des questions de votre domaine. Ensemble, ils font la différence entre être recommandé par l'agent et lui être invisible.
Questions fréquentes
ChatGPT est-il une IA agentique ?
Pas par défaut. Le modèle de base de ChatGPT est une IA générative : il crée du contenu en réponse à un prompt. Activez son mode « agent » et connectez-le à des outils, et ce même modèle peut planifier et agir sur plusieurs étapes : cette configuration-là devient agentique. Le caractère agentique tient à ce que le système sait faire, pas à son nom de marque.
Quelle est la différence entre les agents IA et l'IA agentique ?
Un agent IA est une brique unique : un modèle doté d'outils, capable d'accomplir une tâche. L'IA agentique est le système plus large qui poursuit un objectif et coordonne souvent plusieurs agents pour y parvenir. En bref, les agents IA sont les pièces, et l'IA agentique est le cadre qui les met au travail.
Siri est-elle une IA agentique ?
De plus en plus, oui. En 2026, Apple a doté Siri de la capacité d'agir en votre nom et d'accomplir des tâches à votre place, au lieu de seulement répondre à vos questions. Dès qu'un assistant se met à accomplir des tâches en plusieurs étapes pour vous, il bascule du génératif vers l'agentique.
L'IA agentique n'est-elle qu'un effet de mode ?
Elle est à la fois réelle et survendue. L'adoption est bien là, mais Gartner prévoit que plus de 40 % des projets agentiques seront abandonnés d'ici 2027, et beaucoup d'« agents » ne sont que des chatbots rebaptisés, un travers appelé « agent washing ». La technologie fonctionne le mieux sur des tâches étroites et répétables, avec un humain qui vérifie les étapes importantes.
Qu'est-ce que l'IA agentique change pour le SEO ?
Elle ajoute un nouveau jeu de visibilité par-dessus le classement dans la recherche. Les agents lisent et recommandent à partir d'informations structurées et lisibles par machine, et cherchent la cohérence sur le web : être classé sur Google ne garantit donc plus qu'un agent IA vous trouvera ou vous citera. L'objectif glisse d'« être indexé » à « être choisi ».
Faut-il savoir coder pour utiliser l'IA agentique ?
Non. Vous pouvez commencer avec des agents simples directement dans des outils comme ChatGPT ou Claude, et de nombreuses plateformes « no-code » permettent d'assembler des agents en enchaînant des étapes. Commencez par une petite tâche réversible avant de passer à l'échelle.
Sources
- Wikipédia, Intelligence artificielle agentique
- Inria, L'IA agentique, prochain tournant de l'intelligence artificielle
- CNIL, Décision individuelle automatisée (article 22 du RGPD)
- Direction générale des Entreprises (gouv.fr), Le règlement européen sur l'intelligence artificielle
- Mistral AI / État, Lancement de l'expérimentation Mistral AI dans l'Assistant IA interministériel
- Anthropic, Building Effective Agents
- PwC, AI Agent Survey
- Gartner, Plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027
- MIT NANDA via Fortune, 95 % des projets pilotes d'IA générative échouent
- OWASP, GenAI Top 10 : injection de prompt (LLM01)
- Cloudflare via Tom's Hardware, Les bots dépassent désormais le trafic humain en ligne