2025¶

Agent IA : définition, fonctionnement et exemples concrets

Les agents IA, de la hype de 2025 à la réalité de 2026

Vous vous êtes peut-être dit : « Encore un nouveau terme ». Et franchement, je vous comprends.

Il y a quelques mois, on parlait de RAG, cette IA qui révolutionne tout et qui allait soi-disant remplacer tous les employés du monde grâce aux bases de connaissance. Aujourd'hui, on vous parle d'agents IA, comme si c'était l'étape suivante et indispensable.

En réalité, voici encore une nouvelle technologie IA, et on essaie de vous faire croire que vous en avez absolument besoin. Rassurez-vous, je vis très bien sans agent IA qui me fait le café, me prépare à manger et nettoie mon appartement. Mais, car il y a toujours un "mais", ces agents IA ont vraiment une vraie utilité et sont là pour répondre un réel besoin.

Mise à jour de septembre 2026. Le terme n'a plus rien de nouveau pour personne. Entre les assistants de code que les développeurs lancent tous les jours et les modes agent des applications grand public, à peu près tout le monde en a manipulé un. La question a changé avec le décor. Elle n'est plus de savoir ce qu'est un agent, mais de savoir lesquels tiennent en production. Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés avant fin 2027, pour cause de coûts qui dérapent, de valeur métier floue ou de contrôles de risque insuffisants. C'est une prévision d'analyste, pas une mesure, mais elle colle à ce que je vois en mission.

La définition, elle, n'a pas bougé d'un pouce. Et c'est justement elle qui permet de faire le tri.

Mais alors, c'est quoi un agent IA ? C'est quoi une IA agentic ? Pour comprendre ça, il faut d'abord comprendre ce qu'est ChatGPT... et surtout quelles sont ses limites. Car les agents IA sont là pour répondre (ou contourner) les limites des modèles de langage comme ChatGPT, Gemini ou encore Claude.

RAG en production : analyser et corriger les erreurs

Introduction : Démystifier le RAG en entreprise

Le RAG n'est pas une solution magique

Le RAG (Retrieval-Augmented Generation), c'est un peu LE projet à la mode depuis le début de l'IA générative. Tout le monde veut son assistant intelligent boosté à l'IA, capable de répondre à n'importe quelle question sur ses données internes. On trouve des tutos "RAG en deux lignes", des frameworks no-code, et ça donne l'impression que c'est simple. Si vous voulez comprendre en profondeur ce qu'est vraiment le RAG et comment il fonctionne, je vous invite à lire mon article dédié.

Mais la réalité terrain ? Une fois le projet en place, les tests sont rarement aussi magiques qu'espéré. L'intelligence artificielle ne répond pas à tout, hallucine parfois, ou passe complètement à côté d'une question basique que même un stagiaire aurait comprise. Et là, grosse frustration chez les équipes métier.

C'est quoi le RAG ? Définition, fonctionnement, limites

Introduction au RAG (Retrieval-Augmented Generation)

Tout le monde a plus ou moins entendu parler du RAG (Retrieval-Augmented Generation). Mais c'est quoi le RAG exactement ? Beaucoup l'ont même déjà implémenté, parfois avec des outils "no-code" ou des librairies Python comme LangChain ou LlamaIndex. C'est simple à mettre en place, mais je vois aussi pas mal de gens déçus du résultat. En réalité, il faut surtout comprendre à quoi ça sert et comment ça fonctionne pour savoir si c'est adapté à votre besoin.

Au début, je ne comptais pas réexpliquer le RAG ici, il existe déjà plein de ressources sur le sujet. Mais en discutant avec des personnes qui veulent l'utiliser en entreprise, je me rends compte qu'on passe souvent à côté de l'essentiel : à quoi ça sert vraiment un RAG, et comment ça marche concrètement.

Je vais donc essayer de revenir sur les points que j'ai l'habitude d'éclaircir quand on me pose la question.

Rester à jour en IA générative : mes sources de veille

Introduction

Aborder l'IA en général est déjà assez complexe. D’un point de vue externe, on n’a pas idée à quel point le domaine est vaste. Et une fois qu’on est dedans, c’est infini. On peut passer toute une carrière sur une petite spécialité de l’IA, comme par exemple les séries temporelles, ou encore travailler sur le traitement du langage (NLP), sans forcément savoir ce qui se passe dans les autres catégories d’IA comme les systèmes de recommandation, la vision par ordinateur, etc.

Vous vous dites que c’est déjà compliqué, mais imaginez maintenant qu’il y ait des nouveautés toutes les semaines. C’est exactement ce qu’on vit depuis 2-3 ans avec l’IA générative, une catégorie de l’IA qui évolue extrêmement vite, avec de nombreux acteurs : OpenAI, Anthropic, Deepseek, Alibaba, XAi, HuggingFace, Pleias, Mistral... Bref, je pense que cela pourrait faire l’objet d’un article de blog à part entière.

Suivre tout cela est donc très complexe : des modèles sortent presque tous les jours, de nouvelles techniques, des produits... 24 heures ne suffisent clairement pas pour tout voir.

Comme c’est mon métier et que je suis passionné par le sujet, j’ai pris l’habitude de suivre tout ça au quotidien, en essayant de ne pas trop en faire et en gardant du plaisir. Je me suis donc dit qu'il serait intéressant d’écrire un article sur les sources qui me permettent de rester à jour.

Mon RAG ne marche pas : l'analyse d'erreur change tout

Introduction

J'ai déjà écrit un article sur comment améliorer le RAG avec des métriques et des outils d'évaluation, mais le sujet est tellement vaste qu'il y a toujours de nouvelles choses à partager. D'autant plus que j'entends souvent des remarques comme : "Je ne comprends pas, pourtant j'ai ajouté [la techno à la mode], mais le résultat n'est pas bon."

Comprendre l'IA générative : LLM, exemples et limites

Introduction

Dans la première partie de cette exploration de l'intelligence artificielle, j'ai cherché à rendre accessibles des notions souvent floues comme le machine learning et le deep learning. Dans cet article, je vous propose de plonger ensemble dans un domaine dont tout le monde parle depuis deux ans : l'IA générative.

Avec l'essor impressionnant d'outils comme ChatGPT, Perplexity ou Midjourney, l'IA générative s'est imposée sur le devant de la scène. Contrairement aux autres formes d'IA qui se contentent d'analyser ou de classer des données (vision, séries temporelles, données tabulaires, NLP classique...), cette technologie est capable de créer de nouvelles données. Que ce soit pour générer du texte, des images, ou même de l'audio. En gros, tout réside dans le mot "Générative" : pour faire simple c'est une forme ou domaine d'IA qui va permettre de générer un nouveau contenu.

Dans cette partie, je vais simplement expliquer ce qu'est l'IA générative, comment ça marche, donner des exemples concrets, et montrer à quoi ça sert vraiment. L'idée, c'est de voir comment les machines ne se contentent plus de comprendre ce qu'on leur donne, mais arrivent carrément à créer du nouveau contenu.

Comprendre l'intelligence artificielle simplement

Introduction

L'intelligence artificielle séduit de plus en plus de curieux et de professionnels, grâce à des outils comme ChatGPT. Ces avancées ont transformé notre manière d'interagir avec la technologie et placé l'IA au centre des discussions. Avec l'IA générative, nous pouvons désormais produire du texte, des images et bien d'autres contenus grâce à des modèles d'apprentissage.

Améliorer un RAG, avant et après la mise en production

On améliore un RAG en mesurant, pas en empilant des outils. La bonne démarche tient dans une boucle. On construit un jeu d'évaluation avant la mise en production, on mesure séparément le retrieval et la génération, on analyse les erreurs une par une, puis on corrige le composant fautif et on recommence. En production, on prolonge cette même boucle sur les vraies requêtes. Le reste de cet article détaille chaque étape, avant et après la prod, de façon scalable.