Qu'est-ce qu'un agent IA ?

La question qui sépare un agent d'un chatbot

Qui décide de ce qui se passe ensuite ?

Dans un chatbot, personne. Vous envoyez un message, le modèle produit une réponse, et le tour est terminé. Si la réponse nécessite un suivi, c'est vous qui l'écrivez. Le modèle n'agit jamais sur le monde, il se contente d'écrire du texte.

Dans un agent, c'est le modèle qui décide. Face à un objectif, il choisit une action, comme chercher sur le web, exécuter un bout de code, ouvrir une page ou modifier un fichier, récupère le résultat sous forme de texte, le lit et choisit l'action suivante. Il continue jusqu'à juger l'objectif atteint ou jusqu'à ce qu'une limite d'étapes l'arrête. Le modèle est le contrôleur de la boucle.

Le guide technique d'Anthropic « Building effective agents », publié en décembre 2024, trace la même limite : les workflows sont des systèmes où le modèle s'exécute dans un code qui fixe le chemin, et les agents sont des systèmes où le modèle dirige lui-même son processus et l'usage des outils. Ce guide est aussi très clair sur lequel des deux construire en premier, et sa réponse est le workflow.

Chatbot, workflow, agent : le même modèle, trois boucles différentes

Les trois peuvent tourner sur le même modèle de langage. Ce qui change, c'est ce qui l'entoure.

La colonne workflow est là où vit la plupart de l'automatisation utile. Un pipeline qui résume un document, puis en extrait les dates, puis rédige une réponse, ce sont trois appels au modèle dans un ordre fixe. C'est fiable parce que le développeur a décidé du chemin. Ce n'est pas un agent, quoi qu'en dise la page d'accueil, et l'appeler ainsi masque le vrai compromis : un chemin fixe est prévisible et bon marché, un chemin choisi par le modèle est flexible et n'est ni l'un ni l'autre.

À quoi ressemble la boucle, étape par étape

Un run concret. L'objectif : « Vérifier si notre concurrent a changé ses prix ce mois-ci et rédiger un résumé de deux paragraphes. »

1. Le modèle lit l'objectif et décide de la première action : une recherche web sur la page de tarifs du concurrent.
2. L'outil de recherche renvoie une liste de résultats sous forme de texte. Le modèle la lit et choisit d'en ouvrir un.
3. L'outil de navigation renvoie la page. Le modèle en extrait les prix actuels.
4. Le modèle décide qu'il a besoin des anciens prix, cherche une copie archivée, et l'ouvre.
5. Il compare les deux, juge qu'il en sait assez, et rédige le résumé.

Cinq étapes, quatre appels d'outils, six appels au modèle. Chaque étape est une réponse complète du modèle, avec tout l'historique jusqu'ici en entrée. Ce dernier détail est le facteur de coût : à l'étape cinq, le modèle relit à chaque appel quatre pages de résultats de recherche et de texte de page. Que sont les tokens en IA explique pourquoi une entrée qui grossit à chaque tour est la forme la plus coûteuse.

Et chaque étape est un endroit où ça peut mal tourner. Si la recherche de l'étape 1 renvoie la mauvaise entreprise, les étapes 2 à 5 résument avec assurance les mauvais prix. La boucle amplifie les erreurs de la même façon qu'elle amplifie les progrès. Un plafond d'étapes et un point de contrôle humain avant tout envoi ne sont pas optionnels.

Ce que coûte un run d'agent face à une seule réponse

L'arithmétique est simple et les gens la sautent. Une réponse standard, 1 000 tokens en entrée et 500 en sortie, a un prix public par modèle dans l'index des coûts de modèles IA, avec des tarifs OpenRouter récupérés le 2026-08-20. Un run d'agent de 20 étapes équivaut à au moins 20 réponses de ce type, et en pratique plus, parce que l'entrée grossit à chaque étape.

Vingt étapes sur Claude Sonnet 5 coûtent $0.14 au plancher, contre $0.007 pour une seule réponse ; sur Claude Opus 5 c'est $0.35, et à raison d'un run toutes les heures, cela fait environ $250 par mois avant le multiplicateur d'entrée croissante. En crédits Whizi, la même arithmétique se lit sur l'échelle Auto ci-dessus : 100 crédits, c'est 100 questions rapides sur le modèle maison ou 5 tours de raisonnement sur GPT-5.6 Sol, donc une boucle de 20 étapes au niveau raisonnement coûte 400 crédits, environ un sixième d'un mois Pro à 2 500 crédits, et la même boucle sur le modèle maison en coûte 20. C'est pourquoi la bonne conception oriente les étapes de planification vers un modèle puissant et les étapes routinières vers un modèle bon marché, et pourquoi un espace de travail multi-modèles est le foyer naturel du travail agentique plutôt qu'un abonnement à un seul modèle.

Quels produits sont vraiment des agents

Les assistants de code qui modifient des fichiers et exécutent des tests sont des agents au sens strict : face à un rapport de bug, ils lisent le code, apportent un changement, exécutent la suite de tests, lisent l'échec, et réessaient. La boucle est réelle et le modèle la pilote.

Les modes Deep Research de ChatGPT, Gemini et Perplexity sont des agents : ils cherchent, lisent, cherchent à nouveau selon ce qu'ils ont trouvé, et s'arrêtent quand ils jugent la question couverte. Le nombre d'étapes varie selon la question, ce qui est le signe révélateur.

La plupart des « agents » dans les menus de produits sont des personas ou des workflows. Une ligne dans un sélecteur de modèle étiquetée agent fiscal ou mentor d'étude est généralement un prompt système fixe plus un ou deux outils. La section Agents de Whizi elle-même est honnête à ce sujet : la ligne CPA canadien est un préréglage qui force une recherche web à chaque tour, plafonnée à sept recherches, avec un budget de tokens plus grand de 55 000 en entrée et 40 000 en sortie. C'est une persona avec un outil rattaché et un budget plus large, et c'est utile précisément parce que le chemin est fixe. Ce n'est pas une boucle pilotée par le modèle, et le guide du routage automatique explique ce qui choisit réellement le modèle derrière chaque message.

Le vocabulaire dérive vers l'appellation « agent » pour tout. La question à poser à un produit est celle en haut de cette page : qui décide de la prochaine étape ? Si la réponse est « un script » ou « personne », vous achetez un workflow ou un chatbot, et c'est peut-être exactement ce que vous voulez.

Quand un agent est le bon outil, et quand il ne l'est pas

Un agent justifie son coût quand le chemin ne peut pas être connu à l'avance : une recherche où la deuxième requête dépend du premier résultat, un débogage où la correction dépend du résultat du test, une navigation où le prochain clic dépend de la page. La flexibilité est le produit.

Un agent est le mauvais outil quand le chemin est connu. Résumer, extraire, traduire, reformater, classer : ce sont un appel ou une séquence fixe d'appels, et les enfermer dans une boucle ajoute du coût, de la latence et une nouvelle façon d'échouer sans ajouter de capacité. Le conseil du guide d'Anthropic reste valable : commencez par un seul appel, passez à un workflow quand un appel ne suffit pas, et n'ayez recours à un agent que lorsque le workflow réclame sans cesse une branche que vous ne pouvez pas prévoir.

La règle de décision : si vous pouvez dessiner les étapes sur un tableau blanc avant de commencer, ne construisez pas un agent.