Agent IA : définition pour les équipes produit
Un agent IA est un système dans lequel un modèle de langage choisit, étape par étape, les actions à mener pour atteindre un objectif : il appelle des outils, lit les résultats, puis décide de l'action suivante jusqu'à juger la tâche terminée ou atteindre une limite. Contrairement à un workflow fixe, l'enchaînement des étapes n'est pas écrit à l'avance. Anthropic, entre autres, sépare les workflows, où le code orchestre le modèle, des agents, où le modèle pilote lui-même le déroulé.
Définition rédigée par Alex Dionisio, Senior Product Manager. Mis à jour le 13 novembre 2026.
Pourquoi c’est important pour un PM
L'autonomie a un prix : un coût par tâche plus élevé, plus de latence, des résultats moins prévisibles et des dégâts potentiels plus étendus quand quelque chose tourne mal. Le PM décide si la tâche a vraiment besoin de cette souplesse, quels outils l'agent peut utiliser, quand un humain doit valider une action et comment la réussite sera mesurée avant le lancement.
Exemple
Un agent d'administration des ventes reçoit la consigne « prépare le renouvellement d'Acme ». Il consulte le contrat dans le CRM, récupère les données d'usage, rédige une proposition de renouvellement et s'arrête avant l'envoi, parce qu'un e-mail à un client exige l'accord du responsable du compte.
Comment fonctionne un agent IA, concrètement ?
Un agent tourne en boucle. Le modèle reçoit l'objectif, la liste des outils disponibles avec leur description et l'historique de ce qui a déjà été fait. Il choisit la prochaine action, par exemple appeler tel outil avec tels paramètres. L'application exécute l'appel, renvoie le résultat au modèle, et le cycle reprend jusqu'à ce que le modèle estime l'objectif atteint ou qu'une limite l'interrompe.
Le modèle n'agit donc jamais lui-même : il propose des actions, et c'est le code qui l'entoure, parfois appelé harnais, qui les exécute, les autorise ou les bloque. C'est dans ce code que vivent les permissions, les validations humaines et les journaux d'exécution.
Agent, workflow ou assistant : quelle différence ?
Un assistant conversationnel traite une demande, éventuellement avec un outil, puis rend la main. Un workflow suit une séquence d'étapes décidée par l'équipe, dont certaines font appel à un modèle : le chemin ne varie pas, ce qui le rend prévisible et simple à tester. Un agent décide lui-même de ses étapes et de leur ordre en fonction de ce qu'il découvre en route.
Le bon réflexe consiste à partir du plus simple. Si vous pouvez dessiner le processus sur un tableau blanc et qu'il bouge peu d'un cas à l'autre, un workflow fera le travail pour moins cher. L'agent devient intéressant quand la diversité des situations rend ce schéma impossible à tracer.
Comment évaluer un agent avant de le lancer ?
Constituez un ensemble de tâches réalistes avec, pour chacune, un état final vérifiable : le brouillon existe dans le bon dossier, le champ est à jour, aucune action interdite n'a été tentée. Lancez l'agent plusieurs fois sur chaque tâche, puisque deux exécutions peuvent emprunter des chemins différents, et mesurez le taux de réussite, le nombre d'étapes, la durée et le coût.
Relisez aussi des trajectoires entières. Un agent peut atteindre le bon résultat par un chemin risqué, ou échouer à cause d'un outil mal décrit plutôt que du modèle. Ces lectures orientent les corrections : réécrire la description d'un outil apporte souvent davantage qu'un changement de modèle.
Quelles questions poser à l'équipe technique ?
Quels outils l'agent peut-il appeler, avec quels droits, et lesquels écrivent dans un système ? Quelles actions exigent une validation, et sous quelle forme ? Comment l'agent réagit-il si un outil échoue ou renvoie un résultat inattendu ? Peut-on rejouer une exécution pour comprendre un échec ? Les réponses dessinent le niveau de risque réel bien mieux que le nom du modèle utilisé.
Points clés
- Beaucoup de cas d'usage sont mieux servis par un workflow simple ou un appel unique au modèle ; un agent se justifie quand le chemin vers l'objectif change d'un cas à l'autre.
- Un agent ne vaut que ce que valent ses outils : descriptions claires, erreurs explicites, nouvelles tentatives sans danger.
- Toute boucle d'agent a besoin de conditions d'arrêt : nombre maximal d'étapes, budget, durée.
- Les actions irréversibles ou sensibles (paiement, e-mail, suppression) appellent une validation humaine.
- Un agent s'évalue sur des tâches complètes et sur sa trajectoire, pas seulement sur sa réponse finale.
Erreurs fréquentes
- Appeler agent n'importe quel chatbot, ce qui brouille la discussion sur les risques.
- Accorder de larges permissions « pour voir ce qu'il sait faire » dans un environnement de production.
- Oublier que les messages, sites et tickets consultés par l'agent peuvent contenir une injection de prompt.
- Lancer sans trace de chaque exécution, ce qui rend les échecs impossibles à diagnostiquer.
Pour aller plus loin dans Module
Les formations et les leçons qui traitent cette notion :
Guides sur ce thème
- Écrire une spec pour agent IA
Les sections d’une spec qu’un agent de code exécute sans deviner, avec un modèle SPEC.md.
- Claude Skills : créer et tester une skill
Anatomie d’un SKILL.md, installation, déclenchement, tests et sécurité, avec un modèle.
- MCP pour Product Manager
Connecter l’IA à vos outils et cadrer un serveur MCP : outils, permissions, sécurité, avec un modèle de spec.