Vous lisez un article sur l’intelligence artificielle et, dès le deuxième paragraphe, on vous parle d’agent, d’orchestration et d’humain dans la boucle. Vous hochez la tête. Pas sûr d’avoir compris pour autant. C’est normal : ce vocabulaire IA a changé en moins de deux ans, et presque personne ne l’a traduit pour celles et ceux qui font tourner une entreprise.
L’IA agentique, c’est une IA qui ne se contente plus de répondre : elle enchaîne des actions (lire un fichier, remplir un tableau, préparer un mail) jusqu’à atteindre un objectif. Pour la piloter, sept mots suffisent : agent, boucle, outils, contexte, mémoire, garde-fous et humain dans la boucle. Le reste relève de la cuisine d’ingénieur, utile à connaître mais pas indispensable pour démarrer.
Ce vocabulaire IA part des bases, puis passe aux termes propres aux agents. Chaque définition est suivie d’un exemple tiré de ce que font nos stagiaires en formation Claude : des devis, des relances, des comptes rendus. Pas de code, pas de schéma d’architecte.
Table des matières
Les bases du vocabulaire IA en huit mots
Impossible de comprendre l’IA agentique sans les termes clés de l’intelligence artificielle « classique ». Ils décrivent la façon dont un système d’IA est fabriqué. Voici ceux que vous croiserez le plus souvent.
| Terme | Ce que ça veut dire | Exemple concret |
|---|---|---|
| Intelligence artificielle | Un programme informatique qui accomplit des tâches qu’on associait à l’intelligence humaine : comprendre une phrase, reconnaître une image, résoudre des problèmes. | Le filtre antispam de votre messagerie. |
| Algorithme | Une suite d’instructions pour arriver à un résultat. Toutes les IA reposent sur des algorithmes, mais tous les algorithmes ne sont pas de l’IA. | Le calcul d’itinéraire de votre GPS. |
| Apprentissage automatique (machine learning) | Le programme apprend à partir de données au lieu d’appliquer des règles écrites à la main. | La détection de fraude sur votre carte bancaire. |
| Réseaux de neurones et deep learning | Un réseau de neurones artificiels empile des couches de calcul, inspirées de très loin du cerveau. Le deep learning utilise des réseaux de neurones à très nombreuses couches. | La vision par ordinateur qui lit une plaque d’immatriculation. |
| IA générative | Une IA qui produit un contenu nouveau : générer du texte, une image, du code. | Rédiger le premier jet d’un devis. |
| Modèle de langage (LLM) | Un grand modèle entraîné sur d’immenses volumes de texte pour prédire la suite d’une phrase. C’est le moteur de ChatGPT, de Claude ou de Mistral, issu du traitement du langage naturel comme la traduction automatique. | Répondre à des questions sur un PDF de 80 pages. |
| Prompt | La consigne que vous donnez à l’IA, écrite en langage naturel. | « Résume ce compte rendu en cinq points pour mon associé. » |
| Hallucination | Une réponse fausse présentée avec aplomb. | Un article de loi qui n’existe pas, cité avec son numéro. |
Deux précisions reviennent souvent en formation. D’abord, l’entraînement d’un modèle d’IA se fait une fois, chez l’éditeur, sur un gigantesque jeu de données ; vous ne l’entraînez pas en l’utilisant, et il n’apprend rien des nouvelles données que vous lui confiez. Ensuite, il existe plusieurs façons d’apprendre : l’apprentissage supervisé (on montre des exemples déjà étiquetés), le mode non supervisé (le modèle cherche seul des regroupements) et l’apprentissage par renforcement (il essaie, reçoit une récompense ou une pénalité, ajuste ses paramètres). Nous les détaillons dans notre article sur les trois types d’apprentissage de l’IA, et le fonctionnement d’un grand modèle de langage a aussi son guide dédié.
Ces mots décrivent la fabrication d’une IA. Ils ne disent pas ce qu’elle fait pour vous. Et c’est là que le vocabulaire de l’intelligence artificielle a basculé : les éditeurs ne vendent plus seulement des assistants virtuels qui répondent, ils vendent des agents qui agissent.
Pour un artisan, la différence se voit tout de suite. L’assistant rédige un mail de relance. L’agent retrouve la facture, vérifie qu’elle est bien impayée, prépare la relance et attend votre feu vert.
IA générative et IA agentique : ce qui change vraiment
Un chatbot fonctionne en ping-pong. Vous posez une question, il répond, et c’est à vous de faire quelque chose de la réponse. Une IA agentique reçoit un objectif et s’organise pour l’atteindre : elle ouvre le fichier, repère ce qui manque, va chercher l’information, rédige, vérifie, recommence si le résultat ne tient pas.
Anthropic, l’entreprise d’intelligence artificielle qui développe Claude, propose une distinction utile dans un article de référence publié fin 2024, « Building effective agents ». D’un côté les workflows, où l’enchaînement des étapes est écrit à l’avance. De l’autre les agents, où le modèle décide lui-même des étapes et des outils. La plupart des usages rentables en TPE restent des workflows. Ce n’est pas un défaut : c’est souvent plus fiable.
L’IA agentique n’est pas une nouvelle technologie de fond. Le moteur reste un modèle de langage, le même que celui qui vous répond dans une conversation. Ce qui change, c’est tout ce qu’on branche autour : des outils, des fichiers, des autorisations et une boucle de travail.
Le lexique de l’IA agentique, mot par mot
Voici les termes à connaître, dans l’ordre où vous les rencontrerez en pratique. Pour une vue d’ensemble plus longue, notre guide de l’agent IA autonome reprend le fonctionnement complet.
Agent IA
Un agent est un système d’IA qui poursuit un objectif en choisissant ses actions. Le cours d’Hugging Face consacré aux agents le décrit comme un système qui s’appuie sur un modèle d’IA pour agir sur son environnement et atteindre l’objectif fixé par l’utilisateur, en combinant raisonnement, planification et actions. Pour une TPE, retenez ceci : on confie à un agent une mission, pas une question. Exemple : « Range les 40 factures de ce dossier par client et signale celles qui n’ont pas de numéro de commande. »
Boucle d’agent
C’est le cycle que suit l’agent jusqu’à ce que l’objectif soit atteint, ou qu’il bloque.
1. Observer
Il lit la situation : la consigne, les fichiers, le résultat de l’action précédente.
2. Décider
La prochaine action utile est choisie en fonction de l’objectif.
3. Agir
Il utilise un outil : écrire, calculer, chercher, déplacer un fichier.
4. Vérifier
Contrôle du résultat, puis nouveau tour si quelque chose cloche.
Quand vous voyez Claude afficher « je vérifie le fichier, je corrige la colonne B, je relance le calcul », vous regardez la boucle tourner.
Outils, connecteurs et MCP
Un modèle seul sait écrire du texte, rien de plus. Les outils lui donnent des mains : lire un fichier, chercher sur le web, remplir un tableur, créer un brouillon de mail. Les connecteurs relient l’agent à vos logiciels (messagerie, agenda, Drive). Le MCP, pour Model Context Protocol, est la norme ouverte qui standardise ces branchements, un peu comme une prise USB. Côté technique, la plupart passent par une interface de programmation (API). Côté utilisateur, c’est exactement ce que fait Claude Cowork sur votre ordinateur : il lit vos dossiers et agit dans vos applications.
Harness : l’environnement de travail de l’agent
Le mot anglais désigne un harnais. Dans un article publié en avril 2026 sur le site de Martin Fowler, Birgitta Böckeler (Thoughtworks) résume l’idée en une formule : agent = modèle + harness. Le harness, c’est tout ce qui entoure le modèle : les instructions permanentes, les outils autorisés, les fichiers accessibles, les contrôles automatiques. En français, parlez d’environnement de travail de l’agent. C’est la partie que vous maîtrisez vraiment, puisque le modèle, lui, vous ne le modifierez pas.
Chez une commerçante, cet environnement tient souvent dans un dossier de travail, une fiche d’instructions (« nos tarifs, notre ton, ce qu’on ne promet jamais ») et deux connecteurs. Deux boutiques qui utilisent le même modèle n’obtiennent pas du tout les mêmes résultats.
La différence se joue là, pas dans le choix de l’abonnement.
Contexte et fenêtre de contexte
Le contexte, c’est tout ce que l’agent a sous les yeux au moment de travailler : votre consigne, les documents, l’historique de l’échange. La fenêtre de contexte en fixe la taille maximale, mesurée en tokens (un token vaut environ trois quarts de mot en français). Les équipes techniques parlent de context engineering : choisir ce qu’on met dans cette fenêtre, et surtout ce qu’on n’y met pas. Un agent noyé sous 200 pages inutiles travaille moins bien qu’un agent qui reçoit les trois bonnes.
Mémoire
Par défaut, un modèle d’intelligence artificielle ne se souvient de rien d’une conversation à l’autre. La mémoire est un mécanisme ajouté : des notes que l’agent relit à chaque session, un fichier de préférences, un projet qui conserve vos documents de référence. Sur Claude, les Projets et la fonction Mémoire jouent ce rôle. Ce n’est pas un nouvel entraînement : le modèle ne change pas, il relit ses notes avant de commencer.
Planification et mode plan
Avant d’agir, un bon agent découpe la mission en étapes. Plusieurs outils affichent ce plan et attendent votre accord avant d’exécuter quoi que ce soit. Lisez-le vraiment : c’est à ce moment-là que vous repérez un contresens, avant la moindre modification de vos fichiers.
Orchestration multi-agents
Pour une tâche longue, un agent principal, l’orchestrateur, confie des morceaux à des sous-agents spécialisés : l’un lit les documents, un autre rédige, un troisième relit. Chacun travaille dans son propre contexte, ce qui évite de tout mélanger. Utile pour analyser un appel d’offres de 150 pages. Inutile, et plus coûteux, pour répondre à un mail.
Garde-fous
Les garde-fous (guardrails) sont les limites posées à l’agent : dossiers accessibles en lecture seule, actions qui demandent une confirmation, interdiction d’envoyer quoi que ce soit sans validation. Dans Claude Code et Cowork, cela passe par les permissions. Réglez-les avant la première mission, pas après la première bêtise.
Évaluation
Évaluer un agent, c’est vérifier sur des cas réels qu’il fait bien son travail, et pas seulement sur l’exemple de la démonstration. Les développeurs parlent d’evals : une série de tâches types dont on connaît la bonne réponse, rejouée à chaque changement pour mesurer si l’on a pu améliorer les choses ou tout casser. À votre échelle, gardez cinq dossiers déjà traités à la main et comparez le travail de l’agent au vôtre.
Depuis 2025, le terme est collé sur à peu près tout, y compris sur de simples chatbots dotés d’un bouton de plus. Avant de payer un outil vendu comme agent IA, demandez quelles actions il réalise seul, sur quels logiciels, qui valide avant l’envoi et ce qui se passe quand il se trompe. Sans réponse nette, vous avez affaire à un assistant classique. Pas forcément mauvais, mais pas le même prix.
Humain dans, sur ou hors de la boucle : le réglage qui compte
C’est l’expression la plus utile de tout ce vocabulaire IA, parce qu’elle décide de votre niveau de risque. Avec l’humain dans la boucle (human in the loop), l’agent propose et vous validez chaque action importante. Avec l’humain sur la boucle, l’agent agit seul et vous gardez la main pour superviser et l’arrêter. Hors de la boucle, il travaille sans surveillance.
| Tâche | Position conseillée | Pourquoi |
|---|---|---|
| Trier et renommer des fichiers | Sur la boucle | Faible risque, facile à défaire |
| Compte rendu de réunion interne | Sur la boucle | Deux minutes de relecture suffisent |
| Relance d’une facture impayée | Dans la boucle | Un ton mal calibré peut coûter un client |
| Réponse à un client mécontent | Dans la boucle | Le message engage l’entreprise |
| Veille sur les concurrents | Hors de la boucle, avec un rapport | Lecture seule, aucune action vers l’extérieur |
| Modifier les prix du site | Dans la boucle | Visible immédiatement par les clients |
Notre règle en formation tient en une phrase : tout ce qui sort de l’entreprise passe par un humain, tout ce qui reste à l’intérieur et se défait facilement peut être délégué.
Un exemple complet : de la réunion au devis
Voici le fil rouge que suivent nos stagiaires, avec chaque mot de ce vocabulaire IA à l’endroit où il intervient.
- Le contexte. Vous déposez la transcription de la réunion client et votre grille tarifaire dans le dossier de travail de l’agent.
- La mission et le plan. « Prépare le compte rendu et un devis à partir de notre grille. » L’agent affiche son plan en cinq étapes, vous corrigez la troisième et validez.
- Les outils. Il lit la grille, reprend le modèle de devis indiqué dans sa fiche d’instructions, remplit les lignes.
- La boucle. Le total ne correspond pas à la remise négociée : il le détecte, corrige la ligne, recalcule.
- Le garde-fou. Il s’arrête avant l’envoi. Vous relisez, ajustez une formule, envoyez vous-même.
Ce même enchaînement s’applique à la préparation d’une réunion d’équipe, à un tableau de suivi de chantier ou à la relance d’un prospect. Les mots ne changent pas, seule la mission change.
Pour d’autres idées, nous avons rassemblé douze exemples d’agents IA en entreprise, classés par métier.
Vos questions sur le vocabulaire IA
Quelle différence entre un chatbot et un agent IA ?
Un chatbot répond à des questions, puis c’est à vous d’agir. Un agent reçoit un objectif et enchaîne lui-même les actions pour l’atteindre : ouvrir un fichier, chercher une information, remplir un tableau, vérifier le résultat. Le moteur peut être le même modèle de langage, c’est l’environnement de travail qui change.
L’IA agentique remplace-t-elle l’IA générative ?
Non, elle s’appuie dessus. L’agent utilise un modèle génératif pour réfléchir et rédiger, puis des outils pour agir. Sans IA générative, pas d’agent ; sans outils ni boucle, l’IA générative reste un assistant qui écrit.
Faut-il savoir coder pour utiliser un agent IA ?
Non. Des outils comme Claude Cowork se pilotent en français, depuis une application de bureau. Il faut surtout savoir décrire une mission, préparer les bons documents et régler les autorisations. C’est une compétence d’organisation plus qu’une compétence technique.
Un agent IA apprend-il de mes données ?
Pas au sens de l’entraînement. Le modèle ne change pas quand vous l’utilisez : il relit le contexte et la mémoire que vous lui fournissez. En revanche, vérifiez dans les réglages de confidentialité de votre abonnement si vos conversations peuvent servir à améliorer les futurs modèles, et désactivez l’option si vous traitez des données clients.
Que veut dire « humain dans la boucle » ?
Cela signifie qu’une personne valide les actions importantes de l’agent avant qu’elles ne partent : un mail, un devis, une publication. On parle d’humain sur la boucle quand la personne surveille sans valider chaque étape, et d’humain hors de la boucle quand l’agent travaille seul.
Qu’est-ce que le MCP ?
Le Model Context Protocol est une norme ouverte, publiée par Anthropic fin 2024, qui permet de brancher un agent sur des logiciels (messagerie, agenda, stockage de fichiers, CRM) de manière standard. Pour l’utilisateur, cela se traduit par des connecteurs à activer en quelques clics.
Combien de mots faut-il vraiment connaître pour débuter ?
Pour comprendre l’intelligence artificielle agentique au quotidien, sept suffisent : agent, boucle, outils, contexte, mémoire, garde-fous et humain dans la boucle. Les autres (orchestration, évaluation, harness) deviennent utiles quand vous confiez des tâches plus longues ou que vous comparez des outils avant de les acheter.
Ce qu’il faut faire maintenant
Un vocabulaire IA ne sert à rien s’il reste théorique. La meilleure façon de comprendre l’intelligence artificielle, c’est de confier une première mission à un agent, sur une tâche qui ne peut rien casser.
- Choisissez une tâche interne, répétitive et réversible. Le tri des pièces comptables du mois ou le compte rendu de la réunion du lundi font de bons candidats.
- Écrivez sa fiche d’instructions sur une page. Ce que l’agent doit faire, avec quels documents, ce qu’il ne doit jamais faire. C’est votre premier environnement de travail.
- Restez dans la boucle pendant deux semaines, puis passez sur la boucle pour les tâches où l’agent n’a plus commis d’erreur.
Relire avant d’envoyer reste la meilleure habitude à prendre avec les IA, agentiques ou non. Pour approfondir ce sujet et les suivants, retrouvez nos autres articles sur l’intelligence artificielle au travail.
Passer du vocabulaire à la pratique, avec un formateur
BienveNum est un organisme de formation certifié Qualiopi. Nos formations Claude partent de vos tâches réelles, se suivent à distance et peuvent être financées selon votre statut. Un conseiller vous aide à choisir la bonne.
À propos de l'auteur
Hugo Vasseur
Hugo Vasseur est chef de projet à l'Agence SW. Spécialiste du SEO, du content marketing et de la stratégie digitale, il forme les indépendants et TPE à développer leur visibilité…
Voir tous les articles →
