Un hub thématique sur les agents IA, les workflows, l’usage d’outils, l’orchestration, les permissions et les risques de gouvernance créés par l’action semi-autonome.
30
Termes
10
Comparaisons
8
Questions
L’IA agentique couvre les systèmes qui font plus que produire une réponse unique : ils peuvent planifier, appeler des outils, déléguer des tâches et agir à travers des workflows. Cela élargit la frontière de contrôle par rapport aux chatbots ordinaires.
Lorsqu’un système d’IA peut utiliser des outils ou automatiser des actions, la compliance doit prendre en compte les permissions, les logs, l’escalade, les tests et les usages abusifs raisonnablement prévisibles.
Utile pour les revues de déploiement d’agents, la gouvernance de l’automatisation, l’intégration sécurisée d’outils, la classification dans l’inventaire IA et la planification de la réponse aux incidents.
Termes clés pour comprendre les agents, le comportement agentique et les boucles répétées observer-planifier-agir.
Concepts pour connecter les agents aux outils, workflows, API et délégations de tâches.
Termes de risque permettant de limiter ce qu’un agent peut voir, décider et exécuter.
Comparaison côte à côte entre l’IA agentique et l’agent IA. Comprendre comment l’IA agentique décrit une classe de systèmes autonomes poursuivant des objectifs, tandis qu’un agent IA est l’entité ou le système logiciel qui agit.
Comparaison côte à côte entre flux de travail agentique et boucle agentique. Elle explique la différence entre un processus dans lequel un agent d’IA planifie et exécute plusieurs étapes vers un objectif défini et le cycle répété d’observation, de raisonnement, d’action et de feedback.
Comparaison côte à côte de l’IA agentique et des systèmes autonomes. Elle explique en quoi les systèmes d’IA qui planifient et agissent vers des objectifs diffèrent de la catégorie plus large des systèmes qui fonctionnent sans intervention humaine continue.
Comparaison côte à côte entre agent d’IA et bot. Elle explique comment un système qui perçoit un environnement et agit pour atteindre des objectifs diffère d’une application automatisée conçue pour exécuter des tâches, parfois en interaction avec des humains.
Comparaison côte à côte entre protocole de contexte du modèle et plugins. Elle explique comment une interface standardisée de connexion aux outils, données et services diffère de modules ou extensions attachés à un système d’IA.
Comparaison côte à côte de l’appel de fonctions et des plugins. Comprenez en quoi l’invocation structurée d’outils diffère des extensions modulaires attachées à un système IA ou à un agent.
Comparaison côte à côte de l’espace d’action et des permissions de gestion des identités et des accès. Comprenez en quoi les actions disponibles pour un agent diffèrent des contrôles d’accès qui autorisent les actions sur les ressources.
Comparaison côte à côte de l’orchestration IA et du workflow agentique. Comprenez en quoi la coordination au niveau du système diffère d’un agent qui planifie et réalise plusieurs étapes vers un objectif.
Comparaison côte à côte de l’automatisation et de l’automatisation de processus agentique. Comprenez en quoi l’exécution de tâches activée par la technologie en général diffère de l’exécution de workflows par agents IA autonomes ou semi-autonomes.
Comparaison côte à côte de la surface d’attaque et de l’espace d’action. Comprenez en quoi l’exposition d’un système aux abus diffère de l’ensemble des actions disponibles pour un agent IA.
L’orchestration de l’IA est la coordination et le routage des tâches d’IA, des flux de travail, des appels de modèles, des outils et des agents au sein d’un système. Elle aide à décomposer les processus complexes en étapes gérables et à les attribuer aux modèles, sous-agents ou composants d’automatisation appropriés.
L’appel de fonctions est une capacité qui permet à un modèle de langage d’invoquer des outils externes, des API ou des fonctions prédéfinies. Il étend le comportement du modèle au-delà de la génération de texte en permettant des actions structurées, la récupération d’informations, le calcul ou l’intégration système.
Le Model Context Protocol (MCP) est un protocole permettant de connecter des modèles ou assistants d’IA à des outils, sources de données et services externes via une interface standardisée. Il aide à séparer le comportement du modèle de l’intégration des outils et peut améliorer la portabilité, la gouvernance et la gestion du contexte.
L’espace d’action est l’ensemble des outils, opérations, permissions ou mouvements disponibles pour un agent lorsqu’il exécute une tâche. Un espace d’action bien délimité doit être suffisant pour la tâche tout en limitant les capacités inutiles susceptibles d’augmenter les erreurs ou les risques de gouvernance.
Les permissions IAM, ou gestion des identités et des accès, sont des contrôles d’accès granulaires qui définissent quels principaux peuvent effectuer quelles actions sur quelles ressources. Elles sont généralement attribuées via des rôles à des utilisateurs, groupes, comptes de service ou applications afin d’appliquer l’accès selon le principe du moindre privilège.
Un agent routeur est un agent qui classe une demande utilisateur ou une tâche et la dirige vers l’agent spécialisé, l’outil ou le flux de travail le plus approprié. Il est utilisé dans les systèmes multi-agents pour coordonner les responsabilités et améliorer le traitement des tâches.
Les systèmes multi-agents sont des systèmes composés de plusieurs agents en interaction, capables de percevoir, décider, communiquer et agir dans un environnement. Ils sont utilisés pour modéliser la résolution distribuée de problèmes, la coordination, la négociation, la compétition et le comportement collectif.
La gouvernance de l’IA est le cadre de politiques, processus, rôles, contrôles et supervision utilisé pour orienter le développement et l’usage de l’IA tout au long de son cycle de vie. Elle vise à garantir une pratique de l’IA responsable, licite, sécurisée, transparente et responsable au sein d’une organisation ou d’une juridiction.