Agents IA, agents conversationnels ou flux de travail : que devrait automatiser une entreprise?

Trois architectures, trois modèles de contrôle

Ces catégories se chevauchent dans les produits, et le mot « agent » est employé de façon inégale. Anthropic établit une distinction architecturale pratique : les flux de travail suivent des parcours de code prédéfinis, tandis que les agents dirigent dynamiquement leurs processus et l’utilisation de leurs outils. Cette distinction est plus utile qu’une étiquette commerciale, car elle indique où se situe le pouvoir discrétionnaire.

Un agent conversationnel gagne en capacité lorsque l’application lui fournit du contexte

Un agent conversationnel de base transmet des instructions et le texte de la conversation à un modèle de langage, puis affiche sa réponse. La recherche documentaire peut ajouter des documents. La mémoire peut ajouter des préférences enregistrées. Une sortie structurée peut faciliter la validation de la réponse par un logiciel. Aucun de ces ajouts ne donne nécessairement au modèle le pouvoir d’effectuer une action externe.

Cela suffit souvent. Un membre du personnel peut réviser une ébauche, comparer un résumé avec sa source ou copier un résultat approuvé dans un autre système. Garder l’humain comme couche d’action peut être plus lent qu’une automatisation complète, mais clarifie la responsabilité et la possibilité d’annuler une action.

Les flux de travail ajoutent de la répétabilité

Un flux de travail pourrait recevoir une facture, en extraire certains champs, valider les valeurs obligatoires dans du code ordinaire, acheminer les cas à faible degré de confiance vers une personne et inscrire un dossier approuvé. Le modèle intervient lorsque sa compréhension souple du langage est utile, tandis qu’un logiciel déterministe applique les règles qui ne devraient pas dériver.

Les parcours fixes sont plus faciles à schématiser, à tester et à auditer que les boucles ouvertes. Ils constituent un excellent choix par défaut lorsque les étapes sont connues, que les sorties acceptables peuvent être validées ou que le processus modifie des données d’entreprise importantes. Un agent n’est pas automatiquement meilleur parce qu’il peut prendre davantage de décisions.

Un agent combine un modèle, un cadre d’exécution, des outils et un environnement

Le cadre d’Anthropic sur les agents dignes de confiance publié en 2026 décrit quatre couches en interaction. Le modèle fournit la capacité de raisonnement fondamentale. Un cadre d’exécution fournit les instructions et les garde-fous. Les outils donnent accès à des actions comme lire une base de données, appeler une API ou écrire un fichier. L’environnement détermine quels systèmes et quelles données sont accessibles.

L’agent fonctionne en boucle : planifier, agir, observer, s’ajuster et continuer jusqu’à l’achèvement, à une condition d’arrêt ou à une demande d’intervention humaine. Un même modèle peut être relativement sûr dans un environnement de recherche en lecture seule et dangereux s’il dispose d’un accès illimité au courriel, aux finances ou à l’interpréteur de commandes. La qualité du modèle ne peut compenser un outil trop permissif ni un environnement exposé.

Ce que MCP normalise — et ne normalise pas

Le protocole Model Context Protocol fournit aux applications une façon normalisée d’exposer aux modèles des requêtes, des ressources et des outils. Sa spécification serveur décrit les requêtes comme des gabarits contrôlés par l’utilisateur, les ressources comme du contexte contrôlé par l’application et les outils comme des fonctions contrôlées par le modèle. Cela peut réduire le travail d’intégration ponctuel et améliorer la portabilité.

MCP ne rend pas une intégration digne de confiance du seul fait qu’elle respecte un protocole. Sa spécification insiste sur le consentement explicite de l’utilisateur, la confidentialité des données et des interfaces claires permettant d’examiner et d’autoriser les activités. Un outil peut malgré tout lire des renseignements sensibles ou accomplir une action destructrice si l’hôte lui accorde cette capacité. Notre guide explicatif sur MCP présente le protocole en profondeur; pour l’approvisionnement, la question est de savoir quelle autorité l’agent reçoit réellement.

L’inférence locale contrôle une seule couche d’un agent

Exécuter le modèle localement peut garder les requêtes et les calculs du modèle dans l’environnement choisi. Cela peut aussi permettre de continuer à fonctionner lorsqu’une API de modèle étrangère est indisponible. Cela ne signifie pas que l’agent est hors ligne ni que les données ne peuvent pas sortir. Un outil de recherche, une base de données distante, un connecteur de courriel ou un service de surveillance peut transmettre des renseignements de façon indépendante.

Retracez le parcours de chaque outil et de chaque ressource, de l’entrée à la destination. Séparez l’exécution du modèle de celle des actions dans les schémas d’architecture. Si un agent local peut appeler un service étranger, dites-le clairement. La souveraineté dépend de l’ensemble du flux de travail et de la capacité de révoquer ou de remplacer les dépendances, pas seulement de l’endroit où les poids sont chargés.

Les contrôles doivent croître avec les conséquences

• Privilège minimal : n’exposez que les données et les actions nécessaires à la tâche définie.
• Lire avant d’écrire : commencez par la recherche et les recommandations avant d’autoriser les modifications d’état.
• Approbation humaine : exigez une confirmation pour les paiements, la publication, la suppression, les messages externes et les autres actions lourdes de conséquences.
• Limites structurées : validez dans le code les entrées et les sorties des outils plutôt que de vous fier au texte libre.
• Auditabilité : consignez la version du modèle, les requêtes, les appels d’outils, les approbations et les résultats conformément à une politique de conservation appropriée.
• Conditions d’arrêt : plafonnez le nombre d’itérations, la durée, les dépenses et la portée; prévoyez un moyen fiable d’annuler l’exécution.
• Évaluation : testez l’accomplissement réussi, les actions dangereuses, l’injection de requêtes, les limites des permissions et la récupération.

Le Centre canadien pour la cybersécurité recommande des contrôles fondamentaux, la minimisation des données, le contrôle d’accès, le chiffrement, l’inventaire des modèles autorisés et une gouvernance de l’IA fantôme. Le déploiement d’agents devrait s’appuyer sur ces pratiques, et non les contourner au nom de l’autonomie.

Quand une entreprise devrait-elle choisir chaque modèle?

Choisissez un agent conversationnel lorsqu’une personne peut évaluer le résultat et agir en conséquence. Choisissez un flux de travail lorsque le parcours est connu et que l’uniformité compte. Évaluez le recours à un agent lorsque la tâche est véritablement ouverte, que l’environnement fournit une rétroaction fiable et que la valeur d’une planification adaptative justifie le surcroît de latence, d’évaluation et de risque.

Commencez par une tâche limitée et réversible. Un agent en lecture seule qui assemble un dossier de recherche constitue un banc d’essai plus sûr qu’un agent capable d’envoyer des messages ou de modifier les dossiers des clients. L’autonomie doit se mériter par des preuves.

Foire aux questions

Tout agent conversationnel qui utilise des outils est-il un agent?

La terminologie varie. Un bon critère consiste à déterminer si le logiciel suit un parcours prédéterminé ou si le modèle choisit dynamiquement les actions et leur séquence.

MCP donne-t-il un accès illimité à un modèle?

Non. MCP décrit la façon dont les capacités sont exposées. L’hôte et l’exploitant demeurent responsables du choix des serveurs, de l’octroi des permissions, de l’obtention du consentement et de l’approbation des actions.

Un agent peut-il fonctionner avec un grand modèle de langage local?

Oui, si le modèle, l’environnement d’exécution et l’application prennent en charge le mode d’utilisation des outils requis. La fiabilité doit être évaluée sur la tâche précise, et les permissions des outils comptent, peu importe où le modèle est exécuté.

Sources primaires consultées le 24 août 2026 : Anthropic, Building effective agents; Anthropic, Trustworthy agents in practice; spécification serveur du Model Context Protocol; principes de sécurité et de confiance de MCP; Centre canadien pour la cybersécurité, Les 10 mesures de sécurité à prendre pour utiliser l’IA.