Types d’IA : guide complet

Si vous avez l’impression que l’intelligence artificielle (IA) est soudainement partout, c’est parce que c’est le cas. D’après de récentes études de McKinsey, l’adoption mondiale de l’IA est passée d’environ 50–60 % des organisations en 2020–2021 à 88 % en 2025.

Cette croissance fulgurante a toutefois créé un flou linguistique. « IA » est devenue une étiquette fourre-tout qui recouvre des technologies très différentes, employée indistinctement pour désigner de simples chatbots à règles, des générateurs d’images ou encore des robots dignes de la science‑fiction.

Pour les professionnels de la donnée, cette ambiguïté est un vrai frein. Quand un décideur demande une « solution IA », faut‑il comprendre : un modèle de régression simple, un agent génératif ou un système de vision par ordinateur ?

Dans ce guide complet, nous allons clarifier cette terminologie. Plutôt que d’empiler des définitions, nous l’examinerons sous quatre angles distincts : comment c’est construit, ce que ça peut faire, comment ça décide et comment ça s’intègre dans des workflows réels.

Si vous débutez, nous vous recommandons le cours Understanding Artificial Intelligence.

Qu’est‑ce que l’IA ?

L’intelligence artificielle (IA) est un sous‑domaine de l’informatique qui vise à créer des agents intelligents capables d’accomplir des tâches qui requièrent habituellement l’intelligence humaine, comme la résolution de problèmes, la reconnaissance vocale ou la prise de décision.

L’IA est une discipline interdisciplinaire aux approches multiples. Elle peut être à base de règles (fonctionnant selon des conditions prédéfinies) ou recourir à l’apprentissage automatique pour apprendre à partir de données, ce qui permet aux systèmes de s’adapter à des scénarios imprévus.

La définir précisément est toutefois étonnamment difficile, en raison de ce que les chercheurs appellent « l’effet IA ». Ce phénomène décrit l’évolution du regard de la société au fur et à mesure que les technologies mûrissent : dès qu’une capacité devient courante, on cesse de l’appeler « IA » pour la considérer comme un simple logiciel.

Compte tenu de cette définition mouvante et de l’ampleur du champ, une seule classification ne suffit pas. Il faut multiplier les angles d’analyse pour en saisir toute la portée :

• Technologie : les algorithmes et architectures sous‑jacents.
• Capacité : le niveau d’« intelligence », du ciblé au surintelligent.
• Fonctionnalité : comment les systèmes traitent l’information et gèrent la mémoire.

Par exemple, une voiture autonome peut être classée simultanément de trois façons :

• IA étroite (selon l’étendue de sa capacité spécifique).
• Deep learning (selon la technologie qui la sous‑tend).
• Mémoire limitée (selon sa fonctionnalité).

Dans les sections suivantes, nous allons explorer ces typologies en détail.

Pour un aperçu strictement non technique des bases, consultez notre guide de l’IA pour débutants.

Types d’IA selon la technologie

La façon la plus rigoureuse de classifier l’IA est d’observer la technologie sous‑jacente, le « moteur » du système. Cette classification distingue les systèmes selon la manière dont ils traitent et apprennent des données. Voyons ces différents types.

Apprentissage automatique

Le machine learning (ML) est un sous‑ensemble de l’IA consacré aux systèmes qui apprennent à partir des données et s’améliorent sans être explicitement programmés pour chaque règle. Au lieu d’écrire du code du type « si ceci, alors cela », on alimente l’algorithme en données pour qu’il en découvre les motifs.

On distingue trois grands paradigmes d’apprentissage, adaptés à des problématiques différentes :

• Apprentissage supervisé : le plus courant en entreprise. Il utilise des données étiquetées (paires entrée‑sortie) pour entraîner les algorithmes. Par exemple, on montre au modèle 1 000 e‑mails annotés « spam » ou « non spam », et il apprend à classer le suivant. Parmi les algorithmes courants : régression linéaire, k plus proches voisins (KNN) et arbres de décision.
• Apprentissage non supervisé : l’algorithme reçoit des données non étiquetées et doit y découvrir seul des structures ou des motifs cachés. Très utilisé pour la segmentation client (clustering). On y trouve k‑means et l’analyse en composantes principales (ACP).
• Apprentissage par renforcement (RL) : approche différente, où l’agent apprend par essais‑erreurs via un système de récompenses et de pénalités. En interagissant avec son environnement, il reçoit des retours et apprend progressivement les comportements qui maximisent la récompense cumulée. Cette méthode entraîne des robots et des IA expertes en jeu, comme AlphaGo.

Pour acquérir de solides bases en machine learning, suivez le parcours Machine Learning Fundamentals with Python.

Deep learning

Le deep learning (DL) est un sous‑ensemble spécialisé du ML, inspiré de la structure du cerveau humain. Il utilise des réseaux de neurones artificiels profonds (à nombreuses couches) pour modéliser des relations complexes et non linéaires dans de vastes jeux de données. Là où le ML « classique » peut plafonner en ajoutant des données, le DL continue souvent de progresser.

Parmi les architectures clés :

• Réseaux de neurones convolutionnels (CNN) : la référence pour le traitement d’images. Ils utilisent des « filtres » pour analyser les images et détecter des hiérarchies spatiales comme les bords, formes et textures.
• Réseaux de neurones récurrents (RNN) : conçus pour les données séquentielles (séries temporelles, parole). Ils conservent une « mémoire » des entrées précédentes pour influencer la sortie actuelle.
• Transformers : l’architecture derrière les grands modèles de langage (LLM) modernes, comme GPT 5.2 et Gemini 3. Elle exploite un mécanisme d’attention pour traiter des séquences entières en parallèle, en pondérant l’importance relative des mots plutôt qu’en les parcourant un à un.
• GAN (générative adversarial networks) : un cadre où deux réseaux s’affrontent : un « générateur » qui produit des données synthétiques et un « discriminateur » qui cherche à détecter les faux. Cette compétition aboutit à des sorties synthétiques très réalistes.
• Modèles de diffusion : le moteur derrière des outils comme Midjourney. Ils génèrent des images haute qualité en apprenant à remonter systématiquement du bruit aléatoire vers des visuels nets et distincts.

Si vous souhaitez construire vous‑même ces modèles, commencez par le cours Introduction to Deep Learning with PyTorch.

Traitement du langage naturel

Le traitement du langage naturel (NLP) vise à permettre aux ordinateurs de comprendre, d’interpréter et de générer le langage humain de manière pertinente. Le NLP comble le fossé entre communication humaine et compréhension machine, en gérant l’ambiguïté, la dépendance au contexte et la complexité propres au langage naturel.

Parmi les techniques :

• Analyse de sentiment : analyser la tonalité d’une phrase, par exemple déterminer si un avis est positif ou négatif
• Reconnaissance d’entités nommées (NER) : identifier des personnes ou des lieux dans un texte
• Tokenisation : découper un texte en unités plus petites, comme des mots, des syllabes ou même des caractères

Voici un exemple d’analyse de sentiment avec transformers en Python :

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Vision par ordinateur

La vision par ordinateur permet aux machines d’extraire des informations pertinentes d’images et de vidéos, afin de percevoir et comprendre les données visuelles d’une manière proche de la perception humaine. Le domaine couvre l’identification d’objets, la mesure de distances ou la détection de motifs invisibles à l’œil humain.

Les systèmes de vision combinent traitement d’images et apprentissage automatique, en particulier deep learning, pour extraire des représentations de plus en plus abstraites à partir des données brutes. Tâches clés :

• Classification d’images : identifier le contenu d’une image (par ex. : « c’est un chat »).
• Détection d’objets : localiser où se trouve un objet (par ex. : « un piéton aux coordonnées x,y »).
• Reconnaissance faciale : vérifier une identité à partir de traits du visage.

L’imagerie médicale est l’un des champs d’application les plus impactants : des systèmes d’IA détectent des tumeurs sur des radiographies, scanners et IRM avec une précision comparable, voire supérieure, à celle des radiologues. Ils ne remplacent pas les professionnels, mais les assistent, par exemple en signalant des anomalies potentielles pour examen.

Traitement audio

Le traitement audio se concentre sur la reconnaissance, l’interprétation et la synthèse de signaux sonores, qu’il s’agisse de parole humaine ou de sons environnementaux. L’objectif est de permettre aux machines d’écouter, comprendre et générer du contenu audio, en reliant ondes acoustiques et sens.

La reconnaissance vocale automatique (ASR) convertit la parole en texte et alimente assistants vocaux, services de transcription et outils d’accessibilité. Les systèmes modernes s’appuient sur des architectures de type transformer pour mapper directement les formes d’onde aux séquences de texte, atteignant une précision quasi humaine dans des conditions propres et progressant sur le bruit de fond ou les accents.

La synthèse vocale (TTS) comme Amazon Polly réalise l’opération inverse, en générant une voix naturelle à partir de texte grâce à des vocodeurs neuronaux qui reproduisent prosodie, intonation et expressivité. Les systèmes TTS récents peuvent cloner une voix à partir de quelques minutes d’audio, ouvrant des possibilités créatives et des questions éthiques.

Les usages dépassent la parole et touchent des domaines créatifs et pratiques. Le clonage de voix permet des assistants personnalisés, la narration d’audiolivres avec une voix homogène, et des audios deepfakes controversés.

Robotique et IA incarnée

Ici, l’IA rencontre l’ingénierie. L’IA incarnée consiste à doter des robots physiques de « cerveaux » avancés (comme des modèles vision‑langage). Alors que beaucoup d’IA restent numériques, l’IA incarnée doit composer avec la gravité, le frottement et la complexité imprévisible du monde physique.

Cet ancrage dans le réel pose des défis absents des IA purement computationnelles, mais permet une interaction directe avec le monde. Les robots traditionnels exigeaient un codage explicite pour chaque tâche, avec des mouvements et arbres de décision programmés à la main.

Les systèmes modernes comprennent des consignes en langage naturel, comme « prends la pomme » ou « ouvre cette porte », utilisent la perception visuelle pour identifier les objets et planifier les actions, sans programmation spécifique à la tâche.

Cette avancée répond au paradoxe de Moravec : les tâches triviales pour l’humain (plier du linge, ouvrir une porte, naviguer dans une pièce encombrée) sont extrêmement ardues pour les robots, alors que d’autres difficiles pour nous (échecs, calcul) sont relativement simples pour l’IA.

Grâce aux foundation models, l’IA incarnée comble peu à peu cet écart en offrant aux robots une perception et une planification adaptative proches de l’humain. Des aspirateurs robots aux cobots industriels, jusqu’aux humanoïdes avancés comme Atlas de Boston Dynamics.

Types d’IA selon la capacité

La technologie décrit comment l’IA est construite, la capacité décrit ce qu’elle peut faire par rapport à l’intelligence humaine. Cette classification retrace l’évolution, des limites actuelles aux futurs théoriques.

IA étroite (ANI)

L’Artificial Narrow Intelligence (ANI), ou IA « faible », correspond à l’IA d’aujourd’hui : des systèmes conçus pour exceller dans des tâches précises et échouer dès qu’on sort de leur périmètre d’entraînement. Un bot d’échecs ne sait pas conduire, un outil de diagnostic médical n’écrit pas de poésie.

Cependant, la notion d’« étroite » s’élargit. L’état de l’art repose sur des LLM multimodaux avancés. Des modèles comme GPT‑5.2 et Gemini 3 traitent simultanément texte, audio et images.

S’ils miment le raisonnement, ils n’ont pas encore de compréhension authentique du monde. Les développeurs interagissent avec ces systèmes ANI via des API pour les intégrer aux applications.

La prochaine étape au sein de l’ANI est l’IA agentique. Ces systèmes dépassent la simple conversation : ils réalisent de façon autonome des actions multi‑étapes, comme réserver un vol après avoir parcouru le web, amorçant une transition vers une intelligence plus générale.

IA générale (AGI)

L’Artificial General Intelligence (AGI) est le graal de la recherche. Il s’agirait d’une machine capable d’apprendre, raisonner et résoudre des problèmes dans des domaines sans rapport, avec une flexibilité cognitive comparable à l’humain.

La différence clé est la généralisation. Un système ANI entraîné au portugais n’exploite pas cela pour apprendre l’espagnol plus vite. Une AGI pourrait transférer sa logique d’un domaine à l’autre sans réentraînement manuel.

Le calendrier de l’AGI fait débat. Les plus optimistes l’annoncent entre 2026 et 2029. Les sceptiques estiment que nous manquons encore d’architectures fondamentales (notamment des « modèles du monde » fiables) et repoussent l’échéance à 2040 ou au‑delà.

Superintelligence artificielle (ASI)

La superintelligence artificielle (ASI) serait un stade hypothétique où l’IA dépasserait les esprits humains les plus brillants dans quasiment tous les domaines : créativité scientifique, sagesse générale, compétences sociales et résolution de problèmes. L’ASI n’égalerait pas seulement Einstein ou Léonard de Vinci ; elle les surpasserait autant qu’ils dépassent l’humain moyen.

L’inquiétude majeure porte sur l’auto‑amélioration récursive : une ASI qui redessine sa propre architecture pour devenir plus intelligente, puis utilise ce gain pour s’améliorer encore, déclenchant une boucle d’intelligence exponentielle.

Cette explosion pourrait produire des systèmes si au‑delà de notre compréhension qu’il deviendrait impossible de prévoir leur comportement, soulevant des questions cruciales d’alignement et de contrôle. Si les objectifs d’une ASI s’écartent ne serait‑ce que légèrement des valeurs humaines, son intelligence supérieure pourrait les poursuivre de manière néfaste.

Il n’existe aucune feuille de route crédible pour construire une ASI, et nombre de chercheurs s’interrogent sur sa faisabilité ou même sa cohérence conceptuelle. Sa simple possibilité théorique motive toutefois des travaux sérieux sur l’alignement pour garantir que des systèmes toujours plus capables restent bénéfiques et contrôlables.

Types d’IA selon la fonctionnalité

La capacité mesure la puissance, la fonctionnalité mesure la façon dont le système interagit avec le monde et traite les données. Cette classification distingue un ordinateur d’échecs des années 1990 des robots sociaux du futur. Passons en revue chaque type.

Machines réactives

Les machines réactives sont la forme la plus basique et ancienne de l’IA. Elles n’ont aucune notion du passé ou du futur et fonctionnent uniquement sur les entrées immédiates, selon des règles préprogrammées.

Leur caractéristique : elles sont sans état et déterministes. Dix fois le même input, dix fois la même sortie. Elles n’apprennent pas de l’expérience, car elles ne stockent pas de mémoire.

Un bon exemple est Deep Blue d’IBM, l’ordinateur qui a battu Garry Kasparov. Il n’a pas « appris » la psychologie de Kasparov : il a simplement calculé le meilleur coup à partir de l’état du plateau. Des filtres antispam standards qui se limitent à des mots‑clés, sans analyser votre historique, entrent aussi dans cette catégorie.

IA à mémoire limitée

L’IA à mémoire limitée domine les applications modernes. En stockant temporairement des données ou un contexte récents pour décider, ces systèmes adoptent un comportement dynamique. Contrairement aux machines réactives, ils se réfèrent à des informations historiques dans une fenêtre de contexte bornée.

La quasi‑totalité des outils d’IA prédictive et générative actuels appartiennent à cette catégorie. Les LLM comme Claude Opus 4.5 conservent l’historique de conversation, se souvenant de vos messages pour offrir des réponses cohérentes qui s’y appuient. La fenêtre de contexte détermine la quantité d’historique consultable.

Les voitures autonomes suivent vitesse et trajectoire des véhicules voisins sur plusieurs secondes, pour prédire leurs positions futures plutôt que de réagir à leur seule position actuelle.

IA « théorie de l’esprit »

La théorie de l’esprit en IA occupe une zone grise entre prototypes de recherche et capacité pratique. Ces systèmes modélisent états mentaux, croyances, intentions, émotions et désirs humains afin de mieux prédire les comportements.

Cette capacité est essentielle à des interactions sociales naturelles, permettant d’interpréter des signaux implicites, de détecter la tromperie ou d’adapter les réponses à l’humeur d’un utilisateur.

Des modèles de pointe antérieurs comme GPT‑4 d’OpenAI ont déjà obtenu des résultats au niveau humain sur des tâches de fausse croyance, comme l’a montré l’étude PNAS 2024 de Michal Kosinski (Stanford).

Cependant, les experts débattent : peut‑on vraiment classer les LLM modernes comme dotés d’une théorie de l’esprit, ou ne font‑ils qu’appliquer des motifs appris dans le langage ? Parmi les prototypes, citons ToMnet de DeepMind, conçu pour inférer les croyances d’autres agents en environnements simulés.

IA consciente d’elle‑même

L’IA consciente d’elle‑même renvoie à l’idée de machines dotées de conscience, de sensibilité et d’une perception claire de leur propre existence distincte du monde extérieur.

Il s’agirait non seulement d’intelligence, mais d’expérience subjective. Une telle machine ne se contenterait pas de traiter des informations sur elle‑même : elle « ressentirait » son existence, avec émotions, besoins et désirs.

On dépasse ici l’ingénierie pour toucher à la philosophie de la conscience. Une IA consciente ressentirait‑elle douleur, plaisir, ou la peur d’être désactivée ? Devrait‑elle bénéficier de considérations morales ou de droits ? Ces questions déplacent le débat vers l’éthique.

Aucun système existant ne s’en approche. Des fictions comme HAL 9000 dans 2001, l’Odyssée de l’espace ou Data dans Star Trek illustrent le concept, qui reste spéculatif quant à sa réalisation.

Principaux types de modèles d’IA

Au‑delà de la théorie, les praticiens doivent maîtriser les architectures qu’ils rencontreront en production. Globalement, les modèles d’IA utilisés aujourd’hui se répartissent entre créateurs et analystes. Pour approfondir, lisez notre article sur génératif versus discriminant.

IA générative : les créateurs

Les modèles génératifs produisent de nouvelles données qui ressemblent aux données d’entraînement. Ils apprennent la distribution de probabilité sous‑jacente pour générer texte, images, code ou audio originaux. Ce passage de l’analyse à la création ouvre des perspectives en génération de contenu à l’échelle, en soutien à la créativité et en simulation.

Parmi les exemples populaires : des LLM comme Claude pour la rédaction et le code, des modèles de diffusion comme Midjourney ou Nano Banana Pro pour la synthèse d’images, et des modèles vidéo comme Sora capables de simuler des scènes complexes. À noter : tous les générateurs d’images ne reposent pas sur la diffusion ; GPT Image 1.5 utilise par exemple une architecture auto‑régressive.

L’IA générative constitue une avancée majeure pour les workflows agentiques, où les modèles ne se contentent pas de répondre, mais créent activement des ressources ou des plans. Nous reviendrons plus loin sur les agents d’IA.

IA discriminante : les analystes

Si l’IA générative occupe la scène, l’IA discriminante, aussi appelée IA prédictive, reste l’épine dorsale des opérations en entreprise. Ces modèles ne créent pas de nouvelles données : ils apprennent la frontière entre classes pour classer des entrées ou prédire des valeurs futures.

La valeur métier de l’IA discriminante réside dans sa capacité à éclairer les décisions et évaluer les risques. Les organisations l’utilisent pour automatiser des jugements selon des critères appris et appliqués de manière constante.

À la différence des modèles génératifs, elle privilégie l’exactitude et la fiabilité plutôt que la créativité, souvent dans des contextes à forts enjeux où l’erreur coûte cher.

Exemples :

• Modèles de scoring crédit pour prédire le risque de défaut.
• Filtres antispam classant les e‑mails.
• Outils de diagnostic médical identifiant des anomalies sur des radios.
• Systèmes de surveillance financière détectant des fraudes.

Foundation models

Les foundation models sont entraînés sur des jeux de données vastes et hétérogènes (textes, images, code, données structurées) pour apprendre des motifs généraux réutilisables. Ils ne se limitent pas à classer des images ou générer du texte : ils développent une compréhension large du langage, du raisonnement et de connaissances du monde, transférable à de nouvelles tâches avec peu d’entraînement supplémentaire.

Cette approche réduit fortement le temps et les données nécessaires pour déployer l’IA sur de nouveaux cas. Plutôt que de construire un modèle par problème, les organisations affinent un même foundation model pour des tâches variées, de l’analyse de documents juridiques à la génération de code en passant par la traduction.

On assiste à la montée des Small Language Models (SLM) : des versions efficaces et distillées de foundation models, conçues pour fonctionner en local (PC, smartphone), offrant confidentialité et rapidité sans les coûts massifs du cloud.

Types d’agents d’IA

L’IA évolue d’outils passifs vers des agents autonomes capables d’exécuter des workflows complexes. Là où un modèle standard attend une entrée pour produire une sortie, un agent d’IA peut percevoir son environnement, raisonner pour atteindre un objectif et agir pour l’exécuter. Pour comprendre leur architecture et apprendre à les construire, commencez par le cours Introduction to AI Agents.

On classe généralement les agents selon leur complexité et leur autonomie. Passons‑les en revue.

Agents réflexes simples

Les agents réflexes sont la forme la plus simple. Ils suivent strictement des règles « condition‑action », réagissant à la perception courante et ignorant l’historique. Un thermostat intelligent illustre cela : si la température descend sous 68 °F, allumer le chauffage ; si elle dépasse 72 °F, activer la climatisation.

Les robots de chaîne de montage en sont un autre exemple : ils agissent quand des capteurs détectent que des pièces sont en position. Excellents pour des tâches répétitives en environnement stable, ils peinent dès que les conditions évoluent, faute de compréhension contextuelle.

Agents réflexes à modèle

Ces agents maintiennent un modèle interne du monde, suivent l’état dans le temps et gèrent les environnements partiellement observables. Ils réagissent et se souviennent des informations critiques nécessaires au bon fonctionnement.

Le freinage d’urgence autonome en est un exemple : il fusionne radar et caméras pour suivre les trajectoires dans le temps, plutôt que de réagir aux seules menaces immédiates. Il conserve des estimations d’état malgré des informations incomplètes, comme la position supposée d’une voiture cachée derrière un camion.

Agents orientés objectifs

Ces agents agissent pour atteindre des objectifs donnés, au‑delà de la simple réaction. Face à « organiser des vacances en Italie », ils envisagent plusieurs séquences d’actions et évaluent celles qui satisfont le but. C’est l’avant‑garde de l’IA agentique.

Des outils comme Roo Code pour l’ingénierie logicielle ou des assistants de réservation autonomes exécutent des workflows multi‑étapes : rechercher, comparer, vérifier des contraintes, puis décider pour mener la tâche à terme. Des plateformes comme n8n permettent de bâtir des processus complexes où des agents gèrent les points de décision et la logique adaptative.

Pour consolider vos bases, suivez le parcours AI Agent Fundamentals.

Agents basés sur l’utilité

Ces agents vont plus loin : ils optimisent le meilleur chemin vers l’objectif, et pas seulement un chemin valide. Ils utilisent des fonctions d’utilité attribuant des scores numériques aux résultats pour les comparer quantitativement.

Là où un agent orienté objectif réserve n’importe quel vol pour Rome, un agent à utilité prend en compte coût, durée, escales, horaires afin de maximiser l’utilité globale.

Exemples : systèmes de trading algorithmique qui arbitrent profit et risque, ou applications de navigation comme Waze qui optimisent selon les préférences (temps le plus court, distance la plus courte, éviter les péages).

Agents apprenants

Ces agents opèrent dans des environnements inconnus ou changeants et s’améliorent en continu par l’expérience, sans intervention humaine. Leur architecture inclut un « critique » qui fournit un retour de performance et un module d’apprentissage qui ajuste la politique de l’agent.

Les rovers martiens apprennent à reconnaître les terrains sûrs face à des formations inédites. L’algorithme de recommandation de Netflix affine en continu sa compréhension des préférences à partir de l’historique de visionnage pour améliorer ses suggestions.

Cadres agentiques : construire les agents

Les frameworks agentiques servent de système d’exploitation aux agents complexes, reliant le noyau de raisonnement (souvent un LLM) à la mémoire, aux outils et à la coordination multi‑agents. Ils gèrent :

• Orchestration : décider quel agent traite chaque sous‑tâche et piloter le flux entre composants
• Planification : découper des objectifs complexes en étapes exécutables et s’adapter quand les circonstances changent
• Utilisation d’outils : donner accès à des moteurs de recherche, bases de données, API ou exécution de code
• Mémoire : maintenir l’historique et le contexte au‑delà des interactions immédiates

Parmi les frameworks populaires :

• LangChain/LangGraph : standard du secteur pour connecter des LLM aux sources de données, avec de nombreuses intégrations.
• Google ADK : framework open source pour construire des agents sophistiqués sur Vertex AI.
• CrewAI : orchestre plusieurs agents jouant des rôles complémentaires sur des tâches complexes.

Pour un aide‑mémoire rapide sur ces architectures, consultez la cheat sheet AI Agents.

Conclusion

Nous avons couvert beaucoup de terrain : récapitulons.

Plutôt que de voir l’IA comme une technologie monolithique, considérez‑la comme un écosystème de démarches spécialisées, chacune adaptée à des problèmes précis. Pour bien la comprendre, il faut l’examiner sous les trois angles de la technologie, de la capacité et de la fonctionnalité.

Nous vivons une transition : de l’IA étroite centrée tâche par tâche vers les premiers agents capables d’exécuter de manière autonome des workflows complexes. C’est un point d’inflexion majeur pour l’adoption dans tous les secteurs.

Faites le premier pas vers l’expertise en IA en vous inscrivant au parcours de compétences AI Fundamentals.