1. Livres & vidéos
  2. L’intelligence artificielle expliquée
  3. Les agents IA et MCP
Extrait - L’intelligence artificielle expliquée Des concepts de base aux applications avancées de l’IA (2e édition)
Extraits du livre
L’intelligence artificielle expliquée Des concepts de base aux applications avancées de l’IA (2e édition) Revenir à la page d'achat du livre

Les agents IA et MCP

Introduction

Après avoir exploré l’univers créatif de l’intelligence artificielle, nous franchissons une nouvelle étape dans l’évolution des usages de l’IA : celle des agents autonomes.

Jusqu’ici, les modèles que nous avons rencontrés partagent une caractéristique commune : ils attendent.

Vous posez la question, ils produisent la réponse, puis ils s’arrêtent. Aussi impressionnante soit-elle, la réponse reste du texte, une image, une vidéo, de la musique ou bien encore du code informatique. Dans les faits, rien ne change tant que vous n’avez pas transmis d’instruction à votre intelligence artificielle favorite.

Ce que nous appellerons dans ce chapitre agent IA va renverser cette logique. Un agent perçoit son environnement, se fixe un plan d’exécution, observe le résultat de ses actions et recommence seul, jusqu’à atteindre les objectifs que vous lui avez fixés.

La différence tient en un mot : il AGIT.

C’est là où se joue la vraie rupture. Entre 2023 et 2026, la question n’a pas été de savoir si le modèle savait réellement répondre mais plutôt s’il savait faire l’action demandée convenablement. C’est précisément l’objet de ce chapitre.

Nous commencerons par comprendre...

Introduction aux agents autonomes

L’intelligence artificielle telle que nous la connaissons aujourd’hui ne se limite plus à générer du texte, des images ou bien encore de la musique à partir d’une simple requête. Une nouvelle étape se présente : celle des agents autonomes.

Contrairement aux IA génératives traditionnelles qui restent réactives dans l’attente d’instructions, un agent IA est lui proactif et autonome. On peut le voir comme une application capable de mener à bien un objectif en observant son environnement et en agissant en fonction des outils à sa disposition.

Prenons un exemple concret : vous pouvez demander à un modèle conversationnel de vous aider à concevoir un itinéraire de voyage. Il vous produira un excellent programme, toutefois vous devrez l’exécuter vous-même : ouvrir le site, réaliser la recherche, saisir vos informations, payer… Un agent IA, quant à lui, sera en capacité d’enchaîner ces mêmes étapes, sans intervention humaine, et vous soumettre le tout pour validation finale.

Mais la nuance est de taille et mérite d’être précisée : la frontière s’est quelque peu brouillée. Les grands assistants du marché intègrent désormais des capacités agentiques natives : ChatGPT, Claude, DeepSeek et Gemini savent tous naviguer sur le Web, exécuter du code et piloter des outils tiers sans intervention humaine. Ce ne sont plus de simples boîtes de dialogue. De façon plus pertinente, la question n’est plus : est-ce un agent ou un assistant ? Mais, quel est le degré d’autonomie réellement accordé et qui garde la main sur les décisions engageantes ?

Retenez cette formulation, nous y reviendrons : un agent se caractérise moins par sa technologie que par le périmètre de délégation qu’on lui consent.

Et si l’humain pouvait tout bonnement devenir l’assistant de sa propre IA ?

1. Ce qui s’est joué entre 2023 et 2026

2023 fut une année incroyable : l’arrivée d’AutoGPT (https://agpt.co/) et de BabyAGI (https://www.ibm.com/fr-fr/think/topics/babyagi) déclencha...

MCP : le protocole qui a débloqué les agents

1. La problématique à résoudre

Nous savons désormais qu’un agent a besoin d’outils pour agir, et que sans eux il reste, certes, un excellent compagnon, mais enfermé dans une fenêtre de dialogue.

Reste donc une question de plomberie, apparemment triviale, qui a pourtant bloqué toute l’industrie agentique pendant deux ans : comment brancher un agent sur un outil ?

Imaginons un agent d’entreprise assez banal. Il doit lire des documents dans un espace Google Drive, écrire des comptes rendus dans Notion, interroger une base de données clients et poster des alertes dans Slack. Quatre outils, donc quatre connecteurs à développer. Chacun avec son mode d’authentification, son format de données, sa gestion des erreurs et sa documentation.

Jusque-là, c’est le quotidien de n’importe quel projet informatique. Le problème arrive quand vous voulez tester un autre modèle. Vos quatre connecteurs ont été écrits pour un moteur précis, avec sa manière propre de déclarer les fonctions dans le code informatique. Dans les faits, vous changez de modèle, et il faut tout réécrire.

Trois modèles et quatre outils, cela fait douze intégrations. Dix modèles et vingt outils, deux cents. Les architectes informatiques appellent cela le problème N × M, et il ne se résout pas en travaillant plus dur : il grossit tout seul.

L’expérience acquise lors de plusieurs projets accompagnés en 2024 faisait ressortir un constat récurrent. Nous passions bien plus de temps à écrire et à maintenir les connecteurs qu’à améliorer la qualité des réponses de l’agent. Le rapport était de l’ordre de trois pour un. Ce n’était pas un problème d’intelligence artificielle, c’était un problème de branchements. Et l’histoire de l’informatique nous apprend que ce genre de problème se règle toujours de la même façon : en se mettant d’accord sur une prise commune, comme on l’a fait pour l’électricité ou pour l’USB.

2. La prise unique

C’est exactement ce qu’a...

Les différents types d’agents IA

Les agents d’intelligence artificielle ne constituent pas une catégorie unique et homogène.

Selon leur niveau de sophistication, ils peuvent se contenter de réagir à des règles simples ou au contraire raisonner, planifier, apprendre et coopérer avec d’autres agents. Cette diversité reflète l’évolution progressive de l’IA : des premiers systèmes automatisés jusqu’aux architectures multi-agents modernes.

Comprendre les différents types d’agents permet de mieux appréhender ce que l’on peut ou non attendre d’un système si intelligent. Cela aide également à choisir la bonne approche en fonction de la problématique à résoudre, en évitant de mobiliser un système complexe là où une solution plus simple suffit.

1. Types d’agents IA (réactifs, cognitifs, hybrides)

Avant d’entrer dans le détail, une précision utile. Il existe deux manières de classer les agents, et elles ne se contredisent pas. La première s’intéresse à la façon dont l’agent est construit : traite-t-il l’information dans l’instant, se représente-t-il le monde ou combine-t-il les deux ? La seconde s’intéresse à la façon dont il prend ses décisions : réagit-il à une règle, poursuit-il un objectif, calcule-t-il une utilité, apprend-il de ses erreurs ? Nous allons parcourir ces deux grilles l’une après l’autre. La première vous servira à comprendre pourquoi un agent est rapide ou lent, économique ou coûteux. La seconde consiste à comprendre ce qu’il sait faire. En conception de projet, on a besoin des deux.

L’intelligence artificielle ne se limite pas à créer des systèmes capables de reconnaître une image, traduire un texte ou générer une œuvre d’art. Derrière ces performances se cache une question plus fondamentale : comment un agent IA se comporte-t-il dans un environnement réel ou simulé ? Autrement dit, quelle est la nature de son intelligence opérationnelle ? C’est cette réflexion qui...

Des pionniers de 2023 aux outils de 2026

Venons-en aux outils d’aujourd’hui, ceux que vous croiserez si vous rejoignez une équipe qui exploite des agents en production. Ils se répartissent en trois familles, et savoir à laquelle on a affaire évite bien des malentendus.

Les bibliothèques d’orchestration, d’abord, dont LangGraph est aujourd’hui la plus répandue. Elles permettent de décrire un agent comme un graphe d’étapes, avec des points de reprise, des conditions d’arrêt et la possibilité d’insérer une validation humaine à un endroit précis. La prise en main peut paraître austère, et c’est ce qu’il faut dès lors qu’un agent touche à des données réelles.

Les kits de développement des éditeurs, ensuite. Anthropic, OpenAI et Google proposent chacun leurs boîtes à outils pour construire des agents adossés à leurs propres modèles. L’avantage est la simplicité ; l’inconvénient est l’adhérence à un fournisseur, et c’est très exactement l’arbitrage qu’il était recommandé de ne pas faire à la légère quelques pages plus haut.

Les plateformes visuelles, enfin, dont n8n. Elles ne demandent pas d’écrire de code et rendent visible ce que fait l’agent, ce qui en fait d’excellents outils d’apprentissage et de prototypage, accessibles à tous. Elles trouvent leur limite lorsque la logique devient complexe : à partir d’une certaine taille, un graphe visuel devient moins lisible qu’une centaine de lignes de code.

1. n8n : l’automatisation au service des agents IA

images/05RI04.png

Logo n8n

n8n (prononcé n-eight-n) n’est pas, à proprement parler, un agent conversationnel autonome. Il s’agit d’un outil d’orchestration open source, conçu pour automatiser des flux de travail en connectant différents services et API. Son intérêt dans le domaine des agents IA réside dans sa capacité à servir de squelette opérationnel.

Concrètement, un utilisateur peut...

Applications concrètes des agents IA

Les agents autonomes ne sont pas seulement un concept technique séduisant. Ils sont déjà utilisés dans de nombreux secteurs, parfois de manière invisible, pour transformer notre quotidien et améliorer l’efficacité des organisations. Leur particularité réside dans leur capacité à interagir avec leur environnement, à apprendre de leurs actions et à coordonner des tâches sans supervision humaine constante.

Dans cette section, nous allons explorer les applications concrètes des agents IA à travers plusieurs domaines clés : la santé, la finance, l’assurance, l’industrie, l’éducation et la vie quotidienne.

1. Agents IA dans le domaine de la santé

Dans certains hôpitaux, des systèmes d’IA aident déjà à piloter les flux de patients. L’exemple le plus cité est le centre de commandement de l’hôpital Johns Hopkins, à Baltimore, ouvert en 2016 avec GE Healthcare : il anticipe les admissions, l’occupation des lits et les transferts. D’autres outils organisent les rendez-vous ou automatisent une partie du suivi administratif. Dans tous les cas, ils recommandent et ce sont les équipes soignantes qui arbitrent. De même, des dispositifs de télésurveillance savent repérer en temps réel une variation inquiétante du rythme cardiaque chez un patient équipé ; leur rôle est d’alerter le soignant, pas de décider à sa place.

2. Agents IA dans la finance

Le monde de la finance a toujours été à la pointe de l’adoption technologique. Les agents IA y jouent déjà un rôle majeur, notamment dans le trading algorithmique et la gestion des risques.

Un agent autonome peut analyser des millions de transactions en temps réel, identifier des tendances de marché et prendre des décisions d’achat ou de vente en quelques millisecondes. Là où un humain analyserait des données pendant des heures, l’agent agit en continu, 24 h/24, sans fatigue.

Les banques utilisent également des agents IA pour la détection de fraude. Ces agents apprennent à reconnaître des schémas suspects (paiements...