7 min de lectureUn chatbot répond. Un agent agit.
La distinction n’est pas absolue, mais elle est utile.
Un chatbot reçoit une demande et produit, en général, une réponse. Un agent peut recevoir un objectif, examiner un contexte, choisir une action, utiliser un outil, observer le résultat, puis décider de la suite.
OpenAI décrit les agents comme des systèmes capables d’accomplir des tâches au nom d’un utilisateur avec un haut degré d’indépendance, en pilotant eux-mêmes l’exécution du workflow et en s’appuyant sur des outils externes. Les applications qui se contentent d’intégrer un modèle sans lui confier le contrôle du déroulement (chatbot simple, classification ponctuelle, réponse unique) n’entrent pas forcément dans cette catégorie. Le guide pratique d’OpenAI détaille cette distinction.
La différence fondamentale, ce n’est donc pas que l’agent parle mieux. C’est qu’il peut faire quelque chose après avoir parlé.
Et c’est précisément là que le sujet devient intéressant.
« Il a accès au CRM » n’est pas une permission suffisamment précise
Que peut-il y lire ? Tous les clients, ou seulement ceux concernés par sa mission ? Peut-il modifier une fiche, créer une opportunité, changer une adresse, supprimer une information ? Envoyer un email depuis le compte d’un commercial ? Déclencher un remboursement ?
Dire qu’un agent « a accès au CRM », c’est un peu comme remettre un trousseau complet à quelqu’un en précisant qu’il doit seulement ouvrir la salle de réunion. La mission peut être raisonnable. La gestion des clés l’est beaucoup moins.
Un agent utile ne se définit pas seulement par ce qu’il sait faire, mais aussi par ce qu’il lui est impossible de faire.
Le principe de moindre privilège, très répandu en cybersécurité, consiste justement à limiter les accès aux seules ressources nécessaires. L’architecture Zero Trust du NIST rappelle qu’on ne doit accorder aucune confiance implicite à un utilisateur ou à un système sous prétexte qu’il se trouve déjà « à l’intérieur » du réseau. La publication du NIST présente ce modèle centré sur les ressources et sur des contrôles d’accès explicites.
Avec les agents, cette vieille idée connaît un remarquable regain de jeunesse.
Commencer petit n’est pas manquer d’ambition
Supposons qu’on veuille créer un agent commercial.
Version enthousiaste : il lit le CRM et les emails, recherche des informations sur les prospects, décide qui relancer, écrit les messages, les envoie, change les statuts et programme les rendez-vous.
Formidable. Nous venons surtout de créer beaucoup de choses à comprendre en même temps.
Une approche plus raisonnable pourrait commencer ainsi :
- L’agent repère chaque matin les opportunités dont le suivi semble en retard.
- Il rassemble le contexte.
- Il prépare une synthèse et une suggestion d’action.
- Le commercial décide quoi faire.
- L’agent met éventuellement à jour le suivi après validation.
Cette première version produit déjà de la valeur. Elle permet d’observer les erreurs, les cas particuliers et le niveau de confiance réel avant d’élargir les permissions.
Les retours d’expérience publiés par OpenAI recommandent de monter en complexité progressivement. Anthropic formule une recommandation proche : partir de la solution la plus simple, puis n’augmenter l’autonomie que si elle améliore réellement le résultat. Le guide d’Anthropic distingue notamment les workflows prédéfinis des agents plus autonomes.
On peut donc construire quelque chose d’utile avant d’avoir créé Skynet Gestion Commerciale.
Un agent a besoin d’une mission plus que d’une personnalité
On passe parfois beaucoup de temps à lui choisir un nom, une icône, une petite biographie. Ce n’est pas inutile : les robots aussi ont droit à un minimum de dignité graphique.
Mais les vrais éléments structurants sont ailleurs :
- Quel résultat doit-il produire ?
- Sur quelles informations peut-il s’appuyer ?
- Quels outils peut-il utiliser ?
- Quelles actions peut-il exécuter seul ?
- Quand doit-il demander une validation ?
- Quand doit-il s’arrêter ?
- Comment sait-on qu’il a bien travaillé ?
Les agents reposent généralement sur trois éléments : un modèle, des outils et des instructions. Ces dernières doivent définir des actions claires, des conditions de sortie et les cas limites. Le guide d’OpenAI insiste notamment sur la nécessité de capturer les variations réelles du workflow et les situations où le contrôle doit revenir à l’utilisateur.
Une mission floue donne rarement un bon agent. C’est aussi vrai dans les organisations humaines, mais évitons d’ouvrir ce dossier aujourd’hui.
L’autonomie change la nature du risque
Un modèle qui invente une information dans une fenêtre de chat peut produire une mauvaise réponse. Un agent qui invente la même information et dispose d’un outil d’action peut produire une mauvaise réalité : modifier une donnée, envoyer un message, lancer un traitement ou exposer une information à la mauvaise personne.
Le sujet ne se limite donc pas à la qualité du texte généré. Il concerne aussi :
- l’authentification ;
- les permissions ;
- la protection contre les instructions malveillantes ;
- la validation des entrées et des sorties ;
- la traçabilité des actions ;
- la capacité à interrompre le système ;
- la limitation de l’impact d’une erreur.
L’OWASP a consacré un travail spécifique aux menaces des systèmes agentiques, justement parce que la planification, l’usage d’outils et la capacité d’agir créent des risques différents de ceux d’un simple assistant conversationnel. Son document sur les menaces et les mesures d’atténuation est disponible ici.
La sécurité ne peut donc pas reposer seulement sur :
Nous lui avons écrit dans le prompt de ne pas faire de bêtises.
C’est une intention touchante. Il faut aussi des barrières techniques.
Les outils doivent être classés selon leur risque
Toutes les actions ne se valent pas. Lire une fiche client n’a pas le même impact que la supprimer. Préparer un email n’a pas le même impact que l’envoyer. Calculer une proposition de remboursement n’a pas le même impact que déclencher le paiement.
On peut donc classer les outils accessibles à l’agent :
Faible risque
- lire une donnée non sensible ;
- rechercher une documentation ;
- préparer une synthèse ;
- créer un brouillon.
Risque modéré
- mettre à jour un statut ;
- créer une tâche ;
- envoyer une notification interne ;
- modifier une donnée réversible.
Risque élevé
- envoyer une communication externe ;
- modifier un contrat ;
- effectuer une opération financière ;
- supprimer une donnée ;
- accorder un accès.
Les actions à risque élevé peuvent exiger une validation humaine, une double vérification ou des permissions beaucoup plus restreintes.
Le guide d’OpenAI propose lui aussi d’évaluer les outils selon leur accès, leur réversibilité, leurs permissions et leur impact financier, afin d’adapter les garde-fous ou l’escalade. Cette logique est détaillée dans la section consacrée aux guardrails.
L’humain n’a pas besoin d’être partout
À l’inverse, surveiller chaque micro-action peut rendre l’ensemble parfaitement inutile. Si une personne doit approuver :
- la lecture du dossier ;
- l’analyse ;
- le choix de l’outil ;
- l’ouverture du fichier ;
- la préparation du message ;
- puis son enregistrement ;
elle peut raisonnablement se mettre à soupçonner qu’on lui a offert une automatisation pour remplir davantage ses journées.
Il s’agit de placer des points de contrôle là où ils ont une vraie valeur :
- avant une action irréversible ;
- quand un seuil financier est dépassé ;
- quand le niveau de confiance est faible ;
- quand une situation inhabituelle apparaît ;
- quand une relation humaine sensible est en jeu.
La bonne autonomie n’est pas maximale. Elle est proportionnée au risque et à la capacité de récupération.
Le meilleur agent est parfois un workflow classique
C’est probablement la phrase la moins vendeuse de cet article. Elle mérite donc de rester.
Si la tâche consiste toujours à :
- recevoir un fichier ;
- extraire trois champs ;
- appliquer deux règles ;
- transmettre le résultat ;
vous n’avez peut-être pas besoin d’un agent. Un workflow déterministe sera sans doute moins cher, plus rapide, plus facile à tester et bien plus prévisible.
Anthropic distingue justement les workflows, dont les étapes sont en grande partie fixées à l’avance, des agents, qui choisissent dynamiquement leur trajectoire. L’entreprise recommande de ne retenir l’approche agentique que lorsque cette flexibilité apporte réellement quelque chose. Cette distinction est au cœur de son guide sur les agents efficaces.
L’intelligence consiste parfois à savoir quand ne pas utiliser davantage d’intelligence. Cela simplifie beaucoup les réunions d’architecture.
Un agent est un contributeur logiciel, pas un collègue magique
Le vocabulaire du travail nous pousse facilement à anthropomorphiser les agents. Ils « réfléchissent », « comprennent », « collaborent », et ils portent souvent un prénom. Cette métaphore peut aider à imaginer leur place dans l’équipe. Elle devient trompeuse quand elle fait oublier leur nature : un système logiciel probabiliste, doté d’outils, et capable de se tromper avec beaucoup d’aplomb.
Un agent professionnel devrait donc avoir :
- une mission définie ;
- des données accessibles clairement identifiées ;
- des permissions limitées ;
- des résultats vérifiables ;
- un journal d’actions ;
- des conditions d’arrêt ;
- une personne ou une équipe responsable.
L’agent peut accomplir une partie du travail. L’organisation reste propriétaire de la décision, du contrôle et des conséquences.
Ce n’est pas un chatbot à qui l’on a donné les clés du bureau. C’est un système à qui l’on confie une mission, quelques clés soigneusement choisies et l’obligation de les rendre.