Pendant des années, l’IA a été une boîte à questions-réponses. Vous posiez, elle répondait. Vous demandiez, elle proposait. L’humain restait dans la boucle à chaque étape. C’était rassurant. C’était aussi profondément limité.

Depuis 2024, quelque chose a changé fondamentalement.

L’IA commence à prendre des initiatives.

Qu’est-ce qu’un agent IA, exactement ?

Un agent n’est pas un chatbot sophistiqué. La différence est fondamentale : là où un LLM classique produit du texte en réponse à un prompt, un agent planifie, exécute des actions, observe les résultats, et s’adapte — en boucle, de manière autonome.

[Objectif] → [Planification] → [Action] → [Observation] → [Raisonnement] → [Action suivante]
                                                                    ↑__________________________|

Ce pattern — qu’on appelle ReAct (Reasoning + Acting) — est en production dans des dizaines d’entreprises. Pas en démo. En production.

Trois exemples concrets qui se passent maintenant

1. Les agents de monitoring qui se réparent eux-mêmes

Un client dans le secteur financier a déployé un agent qui surveille ses pipelines de données. Quand une anomalie est détectée, l’agent ne génère pas une alerte. Il analyse les logs, identifie la cause probable, tente une remédiation (redémarrage du service, réallocation de ressources, rollback de configuration), et ensuite alerte un humain — en lui disant ce qu’il a déjà essayé.

Résultat : 60% des incidents sont résolus avant qu’un humain ne soit notifié.

2. Les agents de prospection commerciale

Dans le secteur SaaS, des équipes commerciales déploient des agents qui qualifient automatiquement les leads entrants. L’agent consulte LinkedIn, le site web de la société, les actualités récentes, les offres d’emploi publiées (signal d’intérêt pour certaines techno), et produit une fiche de qualification avec un score de priorité et les arguments personnalisés.

Ce qui prenait 45 minutes par lead en prend maintenant 90 secondes.

3. Les agents de génération de code en boucle fermée

C’est peut-être le plus impressionnant. Des agents qui écrivent du code, exécutent les tests, analysent les erreurs, corrigent, re-testent — jusqu’à ce que les tests passent. Sans intervention humaine dans la boucle de correction.

Voilà comment ça se structure avec une approche minimaliste :

// Agent de correction de code en boucle fermée
interface AgentState {
  code: string;
  testResults: TestResult[];
  iterations: number;
  maxIterations: number;
}

async function codeFixingAgent(
  initialCode: string,
  testCommand: string,
  maxIterations = 5
): Promise<AgentState> {
  const client = new Anthropic();
  let state: AgentState = {
    code: initialCode,
    testResults: [],
    iterations: 0,
    maxIterations,
  };

  while (state.iterations < state.maxIterations) {
    // 1. Exécution des tests
    const testOutput = await runTests(testCommand, state.code);
    
    if (testOutput.allPassed) {
      console.log(`✅ Tests passés en ${state.iterations} itération(s)`);
      break;
    }

    // 2. Raisonnement sur les erreurs
    const response = await client.messages.create({
      model: "claude-opus-4-5",
      max_tokens: 4096,
      system: `Tu es un expert en débogage. 
      Analyse les erreurs de test et corrige le code.
      Réponds UNIQUEMENT avec le code corrigé complet, sans explication, sans markdown.`,
      messages: [{
        role: "user",
        content: `Code actuel :
\`\`\`typescript
${state.code}
\`\`\`

Erreurs de test :
${testOutput.errors.join('\n')}

Corrige le code pour faire passer tous les tests.`
      }]
    });

    // 3. Mise à jour de l'état
    state.code = response.content[0].text;
    state.iterations++;
    
    console.log(`Itération ${state.iterations} : ${testOutput.errors.length} erreur(s) restante(s)`);
  }

  return state;
}

Le vrai enjeu : la confiance et le contrôle

Voici ce que les déploiements production nous ont appris en 2024-2025 : les agents échouent de façon non-linéaire.

Un LLM classique qui se trompe, vous corrigez. Un agent qui se trompe à l’étape 2 d’un workflow à 10 étapes peut produire des dégâts à l’étape 8 qui n’ont aucun lien apparent avec l’erreur initiale. L’effet cascade est réel.

Les patterns qui fonctionnent en production :

Human-in-the-loop aux points de décision critiques. Pas à chaque étape — ça annule le bénéfice. Mais pour les actions irréversibles (envoi d’email, modification de base de données, appel d’API externe), une validation humaine s’impose.

Dry-run systématique. Tout agent doit pouvoir s’exécuter en mode simulation, en loguant ce qu’il aurait fait sans le faire. Indispensable pour la phase de validation et le debugging.

Observabilité native. Chaque décision de l’agent doit être tracée : pourquoi cette action ? quelles alternatives ont été considérées ? quel était le niveau de confiance ? Sans ça, vous ne pouvez pas améliorer ce que vous ne comprenez pas.

Ce que 2026 va accélérer

Les agents multimodaux — qui voient, lisent, et agissent — commencent à sortir des labs. Des agents qui peuvent naviguer une interface graphique, lire un PDF scanné, interagir avec des outils legacy qui n’ont pas d’API.

Pour les entreprises suisses, ça signifie une chose concrète : les processus qui n’ont pas pu être automatisés faute d’API ou d’intégration vont tomber. Les systèmes legacy ne sont plus une barrière.

La question n’est pas si vos processus vont être automatisés. La question est si vous allez le choisir ou le subir.

Vous explorez les agents IA pour votre organisation ? Discutons de votre cas d’usage.