"Agent" veut dire 4 choses différentes — et presque personne ne sait laquelle il lui faut

#Le mot le plus flou de l'industrie

Demande à dix développeurs ce qu'est un "agent IA" et tu obtiendras onze réponses. Pour certains, c'est un chatbot un peu amélioré. Pour d'autres, c'est un système autonome capable de gérer un département entier d'une entreprise. Les deux ont raison — et c'est exactement le problème.

Le mot "agent" recouvre en réalité un spectre d'autonomie allant du simple appel LLM intégré dans une app jusqu'au worker digital qui opère sans supervision. La confusion vient du fait que l'industrie utilise le même terme pour désigner quatre choses fondamentalement différentes.

Résultat : des équipes qui construisent un workflow là où un simple appel API suffirait, ou qui tentent de déployer un agent autonome alors qu'un pipeline structuré ferait le travail plus fiablement.

Cet article décortique les quatre niveaux, avec des exemples concrets et des critères pour choisir le bon.

#Niveau 1 : la feature IA

C'est le niveau le plus simple et le plus courant. Tu intègres un appel LLM dans ton produit existant pour enrichir une fonctionnalité. Le LLM reçoit un input, retourne un output. Pas de boucle, pas de décision multi-étapes, pas d'outils.

Exemples concrets :

Un champ de recherche qui reformule la requête de l'utilisateur en langage naturel
Un bouton "Résumer" qui condense un long document
Une API météo dont le résultat brut est reformulé en texte lisible
Un système de tags automatique sur des tickets de support

Caractéristiques :

Appel unique (un prompt, une réponse)
Pas de mémoire entre les appels
Le LLM ne choisit pas ses actions — il transforme un input en output
Prédictible et facile à déboguer

C'est souvent ce que les gens appellent "notre feature agent" en marketing. Techniquement, ce n'est pas un agent au sens strict — il n'y a ni autonomie ni prise de décision. Mais c'est aussi là que se trouve la majorité de la valeur business immédiate. Pas besoin de complexité pour générer de l'impact.

Si ton problème peut être résolu par un seul appel LLM bien prompté, ne cherche pas plus compliqué. La feature IA est le point de départ recommandé par Anthropic dans son guide "Building Effective Agents".

#Niveau 2 : le workflow automatisé

Ici, on passe de l'appel unique à une séquence d'étapes orchestrées par du code. Le LLM intervient à certains points du pipeline, mais c'est le développeur qui décide de l'ordre et de la logique. Les chemins d'exécution sont définis à l'avance.

Anthropic identifie cinq patterns de workflows dans son guide technique :

Pattern	Principe	Cas d'usage
Chaînage de prompts	Chaque appel LLM traite le résultat du précédent, avec des vérifications entre chaque étape	Générer un texte puis le traduire, extraire des données puis les valider
Routage	Un LLM initial classifie l'input et l'envoie vers le bon traitement	Trier les requêtes client : questions simples vers un petit modèle, cas complexes vers un modèle puissant
Parallélisation	Plusieurs appels LLM simultanés, résultats agrégés ensuite	Revue de code par trois perspectives en parallèle (sécurité, performance, lisibilité)
Orchestrateur-workers	Un LLM central décompose la tâche et délègue à des workers spécialisés	Refactoring multi-fichiers où le nombre de fichiers à modifier dépend du contexte
Évaluateur-optimiseur	Un LLM génère, un autre évalue, boucle jusqu'à satisfaction	Traduction littéraire avec raffinement itératif

Ce qui distingue le workflow de la feature IA :

Plusieurs étapes séquentielles ou parallèles
Des "gates" de vérification entre les étapes (validation, scoring, classification)
Le code orchestre le flux — le LLM ne décide pas de ce qu'il fait ensuite
Résultat reproductible pour un même input

Les workflows sont le socle de l'automatisation en entreprise. Ils sont auditables (tu peux tracer chaque étape), fiables (le chemin est connu d'avance), et souvent suffisants pour des processus structurés comme le traitement de factures, la catégorisation de documents ou la modération de contenu.

La distinction clé : dans un workflow, c'est ton code qui décide du prochain pas. Dans un agent (niveau 3), c'est le LLM lui-même qui décide.

#Niveau 3 : l'agent dynamique

C'est ici que commence la vraie "agentivité". Le LLM ne se contente plus de traiter des inputs — il dirige lui-même son exécution. Il choisit quels outils utiliser, dans quel ordre, et décide quand il a terminé.

L'agent dynamique fonctionne selon une boucle :

Observer — lire l'état actuel (fichiers, résultats précédents, environnement)
Réfléchir — analyser la situation et planifier la prochaine action
Agir — exécuter une action (appeler un outil, écrire du code, lancer une commande)
Évaluer — vérifier le résultat et décider si l'objectif est atteint

Cette boucle tourne jusqu'à ce que l'agent considère la tâche terminée — ou qu'il atteigne une limite définie par le développeur (budget de tokens, nombre d'itérations, timeout).

Exemples concrets :

Claude Code qui analyse un bug, lit les fichiers concernés, propose un fix, le teste et itère si les tests échouent
Un agent de support client qui interroge dynamiquement la base de connaissances, consulte l'historique du client et choisit la bonne action selon le contexte
Un agent de recherche qui formule des requêtes, lit les résultats, affine sa recherche et synthétise ses trouvailles

Ce qui change par rapport au workflow :

Les étapes ne sont pas scriptées — le LLM décide du chemin
Le nombre d'itérations est imprévisible (entre 3 et 50 selon la complexité)
L'agent peut se corriger quand quelque chose échoue
Les coûts sont variables et potentiellement élevés

C'est le niveau où les erreurs en cascade deviennent un vrai risque. Un agent qui prend une mauvaise décision tôt dans sa boucle peut s'enfoncer dans une direction erronée pendant de nombreuses itérations avant de réaliser son erreur — ou pire, sans jamais la réaliser.

Anthropic recommande de n'utiliser des agents dynamiques que lorsque les workflows ne suffisent pas. Un workflow bien conçu est plus fiable, moins coûteux et plus facile à déboguer qu'un agent autonome. L'autonomie a un coût.

#Niveau 4 : le worker autonome

Le dernier niveau pousse l'autonomie encore plus loin. Le worker autonome ne gère pas une tâche ponctuelle — il opère sur des horizons longs, sur plusieurs sessions, et gère des objectifs stratégiques plutôt que des instructions atomiques.

C'est l'équivalent d'un employé digital qui reçoit une mission de haut niveau et la mène à bien de manière autonome, en gérant lui-même sa planification, sa coordination avec d'autres systèmes, et son suivi de progression.

Exemples émergents :

Un agent qui gère un backlog de bugs : trie par priorité, corrige les plus simples automatiquement, prépare des PR pour les plus complexes
Un système de monitoring qui détecte des anomalies, investigue la cause racine et déploie un correctif en production
Claude Code en mode "long-running" avec un harness qui maintient sa mémoire entre les sessions via des fichiers de progression

Ce qui différencie le worker du simple agent :

Multi-session : il maintient un état et une mémoire entre des exécutions séparées
Multi-système : il coordonne des actions sur plusieurs outils, APIs, et services
Auto-planification : il décompose lui-même des objectifs larges en sous-tâches
Conscience du temps : il gère des deadlines, des priorités, et des dépendances

Ce niveau est encore largement aspirationnel en 2026. Les expérimentations existent — Anthropic documente des architectures avec des agents initializer/coder qui travaillent en quarts avec des fichiers de progression — mais la fiabilité reste un défi majeur. Un worker autonome qui déraille pendant la nuit peut faire des dégâts considérables avant qu'un humain s'en aperçoive.

#Comment choisir le bon niveau

La règle directrice est simple : utilise le niveau d'autonomie minimum qui résout ton problème de manière fiable.

Critère	Feature IA	Workflow	Agent	Worker
Prévisibilité	Haute	Haute	Moyenne	Basse
Coût par exécution	Faible	Modéré	Variable	Élevé
Facilité de debug	Simple	Traçable	Complexe	Très complexe
Supervision requise	Aucune	Minimale	Modérée	Forte (pour l'instant)
Flexibilité	Rigide	Semi-flexible	Adaptative	Très adaptative
Maturité (2026)	Production	Production	Production précoce	Expérimental

Quelques questions pour orienter ton choix :

Le problème peut-il se résoudre en un seul appel ? Reste au niveau 1.
Les étapes sont-elles connues d'avance ? Un workflow (niveau 2) est plus fiable qu'un agent.
Le nombre d'étapes dépend-il du contexte ? Un agent dynamique (niveau 3) est probablement nécessaire.
La tâche s'étend sur plusieurs heures ou jours ? Tu es dans le territoire du worker autonome (niveau 4).

Anthropic le formule ainsi : "Commencez par les solutions les plus simples et ajoutez de la complexité uniquement lorsque c'est nécessaire." Un prompt bien écrit avec retrieval est souvent le meilleur point de départ, même quand la tâche semble demander un agent.

#Les données d'Anthropic sur l'autonomie en pratique

Anthropic a publié des données empiriques sur la façon dont les utilisateurs de Claude Code gèrent l'autonomie au quotidien. Leur échelle va de 1 (l'agent suit des instructions explicites) à 10 (l'agent opère de manière indépendante).

Les résultats sont révélateurs :

Les utilisateurs débutants activent l'auto-approve (mode où Claude agit sans demander confirmation) environ 20 % du temps
Les utilisateurs expérimentés (plus de 750 sessions) l'activent 40 %+ du temps

L'autonomie n'est pas un état binaire — c'est un curseur que les utilisateurs ajustent progressivement à mesure qu'ils développent la confiance dans le système. Et cette confiance se construit par l'expérience, pas par la théorie.

C'est une leçon applicable à n'importe quel déploiement d'agent : commence avec une supervision étroite, mesure les résultats, et relâche les contrôles graduellement.

#Ce qu'il faut retenir

Le mot "agent" n'est pas inutile — il est simplement trop large. Quand quelqu'un te parle d'un "agent IA", la première question à poser est : quel niveau d'autonomie ?

Feature IA : un appel LLM dans ton code. Simple, fiable, souvent suffisant.
Workflow : une séquence orchestrée avec des décisions LLM aux points clés. Le standard industriel.
Agent dynamique : le LLM décide de ses propres actions dans une boucle. Puissant mais coûteux.
Worker autonome : un système qui opère sur la durée avec sa propre planification. L'avenir, encore en construction.

La plupart des problèmes se résolvent aux niveaux 1 et 2. Les niveaux 3 et 4 ne se justifient que quand la complexité du problème l'exige vraiment. Commencer simple n'est pas un manque d'ambition — c'est une preuve de maturité technique.