Qu’est-ce que l’IA agentique ?
L’IA agentique (agentic AI en anglais) désigne une évolution des systèmes d’intelligence artificielle, désormais capables de dépasser la simple exécution d’instructions isolées. Plutôt que de se limiter à répondre à une requête ou un prompt, ces systèmes peuvent poursuivre un objectif de manière autonome.
Face à un objectif complexe, ils élaborent une stratégie, planifient une succession de tâches et les exécutent de façon cohérente. Ils ont également la capacité d’utiliser des outils, et d’interagir avec leur environnement.
Les domaines d’application sont nombreux et variés, parmi lesquels :
- Des assistants capables de gérer de bout en bout un projet (réservation, organisation, suivi…) ;
- Des agents de cybersécurité qui détectent et corrigent des anomalies ;
- Des agents financiers autonomes ;
- Des systèmes d’automatisation avancée pour les entreprises ;
- Des robots ou drones indépendants dans certaines tâches.
Si les IA agentiques s’appuient aujourd’hui largement sur les modèles génératifs (notamment les LLM), elles s’en distinguent par leur caractère plus général et orienté action, au-delà de la simple génération de texte, d’images ou de code.
L’IA agentique représente-t-elle une nouvelle étape dans l’évolution de l’IA ?
L’IA agentique représente moins une rupture scientifique fondamentale qu’une rupture fonctionnelle et systémique.
En effet, l’IA agentique permet à un utilisateur de demander la résolution de tâches de “haut niveau”, sans avoir à spécifier des étapes ou sous-étapes plus ou moins complexes. Il s’agit donc d’une nouvelle étape fonctionnelle de l’IA.
Par exemple, au lieu de demander “rédige un mail”, l’utilisateur peut désormais dire “gère mes mails cette semaine”.
C’est cette notion d’autonomie dans l’action (et non seulement d’accès à l’information) qui caractérise l’IA agentique.
Quel impact pour la recherche ?
Dans le monde scientifique, il existe déjà des outils très récents qui se proposent de réaliser de bout en bout des tâches très complexes : piste de recherche, programmation, mise en forme des résultats, rédaction au format d’une conférence.
À ce titre, une avancée significative a été réalisée en avril dernier par l’outil AI Scientist v2.
Les conséquences sur le monde scientifique sont donc déjà présentes avec la multiplication des publications automatisées, mais encore incertaines sur les points les plus centraux en recherche : l’augmentation réelle de la connaissance scientifique.
L’IA agentique transforme l’éthique de la recherche en introduisant des systèmes capables d’agir de manière autonome. Elle soulève des enjeux majeurs de responsabilité, de transparence et de consentement, ainsi que des difficultés de traçabilité et de reproductibilité scientifique.
En intégrant des valeurs et des objectifs implicites, ces agents peuvent amplifier biais et usages détournés. Elle impose donc de repenser la gouvernance éthique, afin de maintenir un contrôle humain sur l’action scientifique déléguée
Quels défis l’IA agentique soulève-t-elle ?
L’impact sociétal est potentiellement significatif et probablement déjà enclenché, car de nombreuses tâches professionnelles peuvent dès maintenant être effectuées par des IA.
La diminution des recrutements de programmeurs juniors en est un exemple emblématique.
Toutefois, le manque de recul ne permet pas encore de trancher entre un remplacement direct de certains emplois et une mutation des métiers avec l’émergence de profils AI ready.
Au-delà de l’emploi, les défis posés par l’IA agentique sont identiques à ceux de l’IA générative, mais amplifiés du fait de l’autonomie plus prononcée de l’IA agentique : protection de la vie privée, biais et équité, impact environnemental, éthique, sécurité des systèmes, etc.
Quels sont les travaux de recherche en cours, chez Inria, qui concernent ou pourraient concerner l’IA agentique ?
De nombreuses équipes-projets Inria sont impliquées dans la recherche en IA agentique et ses applications, car ses facettes thématiques sont variées.
Ainsi, les domaines de recherche concernés incluent la théorie des jeux, les systèmes distribués, les LLM (soit comme agents, soit comme orchestrateurs), les bases de données et leurs liens avec les agents IA, la standardisation des communications, les interactions entre robots et/ou humains (notamment la dimension psychologique et sociologique des organisations, les aspects dynamiques également), l’efficacité énergétique, ou encore l’évaluation et la sécurité des agents IA.
Les champs d’applications sont tout aussi variés, incluant les véhicules autonomes, le développement logiciel, la santé, ou bien l’industrie 4.0/5.0.
