Une exploration des 4 niveaux de l’intelligence artificielle moderne, jusqu’à l’émergence de l’Agentic AI, ces systèmes autonomes capables de planifier, déléguer et apprendre par eux-mêmes.
Nous suivre
C'est la méga HYPE du moment. Tout le monde en parle. Après l'année du RAG, l'année 2025 est l'année de l'IA agentique. C'est ce qu'on titre partout depuis janvier.
Pourtant, on en parle très souvent de manière confuse et interchangée entre plusieurs termes : LLMs, RAG, AI Agents, Agentic AI...
Bien que ces termes soient intrinsèquement liés, ils représentent des niveaux différents.
Cette évolution a bouleversé le paysage de l'IA. Nous sommes passés d'un paradigme où il fallait :
• Avant :
Des mois de recherche pour développer un modèle custom, avec des équipes de data scientists, des coûts énormes, et un ROI incertain après 6-12 mois.
• Maintenant :
En quelques semaines, on peut assembler des agents intelligents, les déployer, collecter des retours utilisateurs, et itérer rapidement. Le ROI devient visible en semaines, pas en trimestres. Et si besoin, on peut toujours affiner avec un modèle spécialisé plus tard. Cette démocratisation transforme l'IA d'un projet de R&D coûteux en un outil de développement agile et accessible.
C'est pourquoi je vous propose de définir & découvrir les différents niveaux de l'intelligence artificielle dans cet article.
Imaginez l'IA « générative » comme une pyramide d'intelligence.
Chaque niveau apporte de nouvelles capacités, transformant progressivement un simple modèle de langage (ou LLM) en un système véritablement autonome.
1. LLM (Large Language Model) : Le cerveau de base
Qu'est-ce que c'est ?
Les LLMs comme GPT-4, Claude ou Mistral sont les fondations. Ce sont des modèles entraînés sur d'énormes quantités de texte qui peuvent :
• Générer du texte cohérent
• Comprendre le contexte d'une conversation
• Raisonner étape par étape (Chain-of-Thought)
• Apprendre à partir de quelques exemples (few-shot learning)
Limitations :• Connaissances figées à la date d'entraînement
• Pas d'accès à des informations en temps réel
• Passif : attend vos instructions
Les LLMs ont été entraînés sur des architectures de type Transformer en Deep Learning. En créer un de zéro nécessite de grosses compétences en data science ainsi qu’en data engineering, car cela nécessite de gros volumes de données. Mais ces derniers sont aussi tout simplement disponibles par appel API via des providers commerciaux comme OpenAI, Anthropic, Google, etc.
2. RAG (Retrieval-Augmented Generation) : La mémoire externe
L'évolution :
Le RAG ajoute une couche de recherche au LLM. Au lieu de se fier uniquement à ses connaissances internes, le système peut :
• Chercher dans des bases de données vectorielles
• Accéder à des documents spécifiques
• Fournir des réponses sourcées et actualisées
• Combiner sa compréhension avec des données externes
Je parle de RAG et j’y inclus toutes les formes de RAG telles que recherche sémantique naïve (aka recherche vectorielle), recherche par mot-clé, recherche hybride avec un reranking, GraphRAG, LightRAG ou encore Agentic RAG.
Comment ça marche ?
Si bien réalisé, cela permet également de réduire le taux d'hallucinations, ce qui est un écueil connu des LLMs.
Exemple concret : Un assistant juridique qui peut citer des articles de loi spécifiques ou un chatbot d'entreprise qui accède à votre documentation interne.
3. AI Agent : L'exécutant
Le saut qualitatif :
Un AI Agent ne se contente plus de répondre – il agit. Il peut :
• Utiliser des outils et APIs
• Exécuter des tâches
• Planifier une séquence d'actions
• S'adapter si quelque chose échoue
Les composants clés :
• Perception : Collecte d'informations (APIs, bases de données)
• Raisonnement : Planification des étapes à suivre
• Action : Exécution via outils (code, emails, commandes)
• Mémoire : Suivi de l'état et des actions passées
Exemple concret : Un agent qui agit pour réaliser un objectif.
Objectif : "Déploie la version 1.2 en staging"
Actions :
4. Agentic AI : L'orchestrateur autonome
L'intelligence ultime :
L'Agentic AI représente le niveau le plus sophistiqué. C'est un système qui :
• Délègue des tâches à d'autres agents
• Coordonne plusieurs agents spécialisés
• Planifie des objectifs à long terme
• Apprend continuellement de ses expériences
Caractéristiques distinctives :
• Multi-agents : Collaboration entre agents spécialisés
• Autonomie : Définit ses propres sous-objectifs
• Mémoire long terme : Retient et applique les leçons apprises
• Protocoles de communication : Les agents échangent via des standards comme MCP
Exemple concret :
Un système qui gère un projet complet :
• L'agent chef de projet définit les étapes
• L'agent développeur écrit le code
• L'agent testeur vérifie la qualité
• L'agent DevOps déploie
• Tous collaborent et s'adaptent en temps réel
Pour construire un agent IA moderne, vous avez besoin de :
1. Le cerveau (LLM)
• GPT-4, Claude, ou autre modèle capable
• Responsable du raisonnement et de la planification
2. La mémoire
• Court terme : Historique de conversation
• Long terme : Bases vectorielles + « Graph » (Pinecone, Weaviate, « Neo4j »)
3. Les outils
• APIs externes
• Exécuteurs de code
• Accès aux bases de données
• Interfaces système
4. L'orchestrateur
• Langchain, CrewAI, AutoGen
• Gère le workflow et les interactions
Le futur est agentique – c’est ce qu’on dit partout en tout cas.
Conclusion
Je ne pense pas que la révolution des agents IA soit uniquement un buzz.
C'est un changement fondamental dans notre approche de l'automatisation et de l'intelligence artificielle.
Comprendre ces 4 niveaux – LLM, RAG, AI Agent, et Agentic AI – vous permet de :
• Mieux évaluer les solutions existantes
• Architecturer vos propres systèmes
• Anticiper l'évolution de vos besoins
L'avenir n'est plus seulement conversationnel, il est agentique. Et maintenant, vous savez exactement ce que cela signifie.
Article par B.ERRAJI, consultant data OSSIA SONATE
Chaque fin de mois retrouvez une sélection de l'info du monde de l'IT et de la tech !
