La vague de hype pour l’IA générative est désormais dépassée par l’émergence de l’IA agentique, présentée comme une réponse aux limites des grands modèles de langage. Là où l’IA générative est utilisée pour créer du contenu, l’IA agentique est conçue pour résoudre des tâches complexes de manière autonome ou semi-autonome.
Mais l’arbre du buzz marketing cache souvent la forêt de la réalité opérationnelle. Les effets du hype tendent à concentrer les discours sur les promesses de nouveauté tout en minimisant, voire en ignorant, des contraintes structurelles pourtant inchangées, ainsi que des coûts de développement et de maintenance souvent élevés.
L’IA agentique, indique IBM, fait référence à un système d’intelligence artificielle nécessitant une supervision humaine limitée, composé de modèles d’apprentissage capables d’imiter certains mécanismes de prise de décision humaine afin de résoudre des problèmes en temps réel.
Un système multi agents désigne quant à lui une architecture dans laquelle plusieurs agents interagissent au sein d’un même environnement. Chaque agent est conçu pour exécuter une tâche spécifique, comme la recherche, l’analyse ou la planification, sous la coordination d’un système d’orchestration chargé d’organiser les interactions et d’assurer la cohérence globale du processus.
En fragmentant les tâches entre plusieurs agents spécialisés, ces architectures ambitionnent de dépasser certaines limites des grands modèles de langage, notamment en matière de fiabilité, de cohérence et de réduction du bruit sémantique, qui fait référence à l’ensemble des perturbations dans la production, la transmission ou l’interprétation du sens. Les hallucinations artificielles, qui désignent la production de contenus cohérents en apparence mais ne reposant sur aucune réalité factuelle vérifiable, constituent l’un des aspects les plus visibles et les plus documentés de ce phénomène.
Les promesses de systèmes complètement autonomes
Les promesses de l’IA agentique s’inscrivent dans un contexte plus large d’enthousiasme pour des systèmes présentés comme plus autonomes et plus robustes, bien que cette autonomie repose encore largement sur des hypothèses théoriques et des conditions de supervision rarement mises en avant dans les discours marketing. Car en y regardant de plus près, beaucoup de ces agents sont en réalité des systèmes d’automatisation classiques qui ont été « augmentés » par un grand modèle de langage. Néanmoins, l’usage du terme « agent » induit une certaine ambiguïté quant à l’agentivité réelle de ces systèmes. Si les architectures récentes simulent des étapes de planification, leur capacité de raisonnement reste un processus statistique de résolution de problèmes sans compréhension sémantique profonde ni intentionnalité réelle.
La plupart des systèmes qualifiés d’agentiques reposent sur des enchaînements de règles, de scripts et de déclencheurs prédéfinis, le modèle de langage intervenant principalement comme interface ou moteur de génération. De plus, une supervision humaine étroite reste nécessaire pour prévenir les erreurs, corriger les dérives et garantir un fonctionnement conforme aux objectifs initiaux, ce qui relativise fortement l’autonomie revendiquée de ces architectures. A ce jour, pour des tâches de haute précision, le coût opérationnel cumulé (inférence et vérification humaine) peut s’avérer bien plus élevé que celui des experts humains qu’ils ambitionnent de seconder ou de remplacer.
A cela s’ajoute une responsabilité opérationnelle qui incombe toujours à l’humain. Il n’y a donc pas de déplacement de responsabilité en cas d’erreur, l’IA agentique restant un outil dont l’usage et les effets demeurent sous contrôle humain.
Une continuité, pas une rupture
Les systèmes multi‑agents ne rompent pas avec les fondements probabilistes des modèles de langage, mais ils les redistribuent à l’échelle de chaînes de traitement plus complexes. Les nombreuses limites observées dans les grands modèles de langage ne disparaissent pas. Elles se reconfigurent, se fragmentent et, dans certains cas, se renforcent. Comme pour les désordres informationnels à l’ère numérique, ce qui mérite d’être interrogé, ce n’est pas uniquement la technologie, mais les dynamiques systémiques qu’elle introduit : propagation en cascade, perte de traçabilité, et illusion de validation collective.
L’un des arguments centraux en faveur des systèmes multi-agents repose sur la spécialisation fonctionnelle. Chaque agent se voit attribuer un périmètre d’action restreint : recherche d’information, analyse, synthèse, reformulation, planification. Cette approche vise à limiter la dérive sémantique en contraignant le rôle de chaque entité. En pratique, cette compartimentation peut effectivement réduire certaines formes d’erreurs locales, notamment lorsque les agents sont strictement encadrés par des règles métier ou des outils déterministes. Toutefois, cette réduction du bruit est relative. Elle dépend moins du nombre d’agents que du degré de contrainte externe imposé au raisonnement.
Lorsque ces contraintes font défaut, la spécialisation ne supprime pas l’incertitude inhérente aux modèles probabilistes. Elle la répartit simplement sur plusieurs niveaux du système.
Multiplier les agents ne rend pas intrinsèquement un système plus déterministe, bien que certaines méthodes de débat contradictoire entre agents permettent de réduire statistiquement les hallucinations. Cependant, chaque unité du système repose sur le même principe de génération probabiliste : sans ancrage dans un moteur de règles logiques ou une base de connaissances vérifiée, la multiplication des acteurs ne fait que déplacer le risque d’erreur vers la couche de coordination. Cette dynamique pose un problème classique des systèmes complexes : celui de la propagation d’erreurs en cascade.
Un effet boule de neige
Dans un système agentique, les sorties produites par un agent sont rarement traitées comme des hypothèses à vérifier. Elles sont le plus souvent considérées comme des entrées valides pour l’agent suivant. Cette confiance implicite constitue le point de départ d’un mécanisme bien documenté dans l’ingénierie des systèmes distribués.
Les IA agentiques ne sont pas exemptes d’erreurs et, lorsqu’une erreur apparaît, elle ne reste que rarement circonscrite à un seul agent. Elle tend au contraire à se propager à travers la chaîne de traitement.
Aussi, une information, même légèrement erronée, issue d’un agent de recherche, peut servir de base à un agent d’analyse, puis être intégrée dans une synthèse finale. A chaque étape, l’erreur est reformulée, contextualisée, argumentée. Elle gagne en apparence de légitimité, non parce qu’elle est correcte, mais parce qu’elle a traversé plusieurs couches de traitement. Ce phénomène transforme une défaillance locale en un échec systémique, souvent difficile à diagnostiquer.
A cela s’ajoutent les problèmes liés à la coordination du réseau d’agents. Les architectures agentiques reposent généralement sur un agent orchestrateur chargé de répartir les tâches, d’évaluer les productions intermédiaires et de décider de leur enchaînement. Lorsque cet orchestrateur est lui-même fondé sur un LLM, il introduit un niveau supplémentaire d’incertitude.
L’orchestrateur n’évalue pas la vérité des sorties qu’il reçoit. Il en évalue la cohérence apparente, la conformité à une intention ou à un objectif formulé en langage naturel. Cela peut conduire à des biais de coordination, des boucles de rétroaction ou à l’élimination involontaire de signaux faibles critiques.
Ainsi, la gouvernance du système repose sur un composant qui partage les mêmes limites épistémiques que les agents qu’il supervise. Et puisque les échanges entre agents s’effectuent principalement via des messages en langage naturel ou des formats semi-structurés, chaque passage de relais constitue une nouvelle occasion d’introduire du bruit : ambiguïtés, interprétations divergentes, pertes de contexte.
Contrairement à un pipeline informatique classique, fondé sur des types stricts et des règles explicites, le système agentique repose sur des interprétations successives. Cela rend son comportement global plus difficile à prédire, à auditer et à reproduire.
Vers des systèmes hybrides
Les techniques distribuées de traitement de l’information ne sont pas nouvelles. Depuis longtemps déjà, les systèmes informatiques reposent sur des architectures modulaires, dans lesquelles des composants spécialisés accomplissent des tâches distinctes au sein de chaînes de traitement structurées. Ce qui change aujourd’hui, ce n’est pas le principe de la décomposition fonctionnelle, mais son application à des systèmes fondés sur des grands modèles de langage.
Dans l’IA agentique, le problème fondamental n’est donc pas architectural. Il est lié à l’absence de fondement déterministe interne. Les agents ne manipulent ni des faits établis, ni des règles logiques stables, sauf lorsqu’ils sont explicitement contraints par des couches de code non-IA.
C’est pour cette raison que la recherche et l’ingénierie s’orientent aujourd’hui vers des systèmes hybrides, où les LLMs sont utilisés comme des composants d’assistance tandis que la validation, la décision et la structuration finale reposent sur des mécanismes déterministes.
Pour aller plus loin
Dwivedi, Y. K., Helal, M. Y., Elgendy, I. A., Alahmad, R., Walton, P., Suh, A., … & Jeon, I. (2026). Agentic AI Systems: What It Is and Isn’t. Global Business and Organizational Excellence, 45(3), 253-263. https://doi.org/10.1002/joe.70018
Hosseini, S., & Seilani, H. (2025). The role of agentic ai in shaping a smart future: A systematic review. Array, 26, 100399. https://doi.org/10.1016/j.array.2025.100399
Kodikara, K. A. S. N. (2025). Agentic AI Systems: Evolution, Efficiency, and Ethical Implementation. AI Systems Engineering, 1(2), 23-29. https://doi.org/10.64229/gq9z0p28
Leonardi, P. M. (2025). Homo agenticus in the age of agentic AI: Agency loops, power displacement, and the circulation of responsibility. Information and Organization, 35(3), 100582. https://doi.org/10.1016/j.infoandorg.2025.100582
Raheem, T., & Hossain, G. (2025, May). Agentic ai systems: Opportunities, challenges, and trustworthiness. In 2025 IEEE International Conference on Electro Information Technology (eIT) (pp. 618-624). IEEE. https://doi.org/10.1109/eIT64391.2025.11103638
