Il existe différents types d'agents IA. Certains se contentent de réagir à l'entrée en cours. D'autres mémorisent le contexte, comparent des options, apprennent du retour d'expérience ou se coordonnent avec d'autres agents. Choisir le bon type permet d'adapter l'agent au workflow. Ce guide explique les principaux types d'agents IA et illustre leurs capacités à travers l'exemple de Kimi AI Agent.
Pourquoi les types d'agents IA comptent en pratique
De la prédiction à l'exécution
Les systèmes d'IA traditionnels s'arrêtent souvent à l'analyse ou à la recommandation de la prochaine meilleure action. Les agents IA vont plus loin. Ils perçoivent la situation actuelle, choisissent une action, utilisent des outils si besoin, jusqu'à ce que la tâche soit terminée ou que le système atteigne une condition d'arrêt.
Ce changement rend les choix de conception plus importants, car différents types de travaux nécessitent différents workflows. Comprendre les différents types d'agents IA aide les équipes à éviter de surdimensionner des workflows simples et de sous-dimensionner les workflows complexes.
Comment le type d'agent influence les décisions de conception
Le type d'agent influence presque toutes les décisions d'implémentation : quelles informations l'agent stocke, s'il planifie avant d'agir, comment il gère l'incertitude, comment il choisit entre plusieurs résultats acceptables, et s'il s'améliore grâce au retour d'expérience. Il influence aussi la gouvernance. Un agent réflexe simple peut être audité via ses règles, tandis qu'un système apprenant ou multi-agent nécessite une évaluation, une journalisation et des garde-fous plus solides.
Les différents types d'agents IA
Il existe cinq types classiques d'agents intelligents en intelligence artificielle : les agents réflexes simples, les agents réflexes à base de modèle, les agents orientés objectifs, les agents à base d'utilité et les agents apprenants. Les systèmes multi-agents sont souvent considérés comme un modèle d'orchestration plus large, car ils peuvent combiner plusieurs types d'agents au sein d'un workflow coordonné. Les six catégories ci-dessous vont de la logique de décision la plus simple aux conceptions les plus collaboratives et adaptatives.
| Type | Mémoire | Planifie à l'avance | Apprend | Idéal pour |
|---|---|---|---|---|
| Réflexe simple | Non | Non | Non | Tâches restreintes basées sur des règles |
| Réflexe à base de modèle | Oui (état) | Non | Non | Tâches partiellement observables |
| Orienté objectifs | Oui | Oui | Parfois | Flux de travail à objectif clair |
| Basé sur l'utilité | Oui | Oui | Parfois | Décisions impliquant de nombreux compromis |
| Apprentissage | Oui | Variable | Oui | Tâches changeantes et riches en retours d'information |
| Multi-agents | Par agent | Par agent | Variable | Travail parallèle et spécialisé |
1. Agents réflexes simples
Un agent réflexe simple est le type d'agent d'IA le plus basique. Il observe l'état actuel de l'environnement et choisit une action en appliquant des règles condition-action prédéfinies. Il est capable de réagir immédiatement à la perception actuelle sans tenir compte des perceptions passées ni des conséquences futures.
Cette conception fonctionne bien lorsque l'environnement est entièrement observable et que la bonne réponse est évidente. Elle est rapide, prévisible et facile à auditer, mais elle montre ses limites dès que le contexte compte. Si l'entrée est incomplète ou si aucune règle ne couvre une nouvelle situation, l'agent ne dispose d'aucune couche de raisonnement plus profonde pour s'en sortir.
Caractéristiques clés
Action basée sur des règles : l'agent associe les entrées actuelles à des actions prédéfinies.
Aucune mémoire : les états précédents n'influencent pas la décision suivante.
Grande prévisibilité : le comportement est facile à tester lorsque les règles et les entrées sont connues.
Faible flexibilité : l'agent a du mal à gérer l'ambiguïté, les informations partielles ou les conditions changeantes.
Exemples
Un filtre e-mail basé sur des règles qui redirige les messages lorsqu'un mot-clé apparaît.
Un chatbot de site web basique qui renvoie des réponses scriptées à des intentions fixes.
2. Agents réflexes basés sur un modèle
Un agent réflexe basé sur un modèle améliore l'agent réflexe simple en conservant un modèle interne de l'environnement. Il suit l'état pertinent et utilise ce modèle pour interpréter la signification de l'entrée actuelle.
Cela est utile lorsque l'agent ne peut pas tout voir en même temps. Par exemple, un robot se déplaçant dans un entrepôt doit se souvenir de l'endroit où des obstacles sont apparus, des zones où il s'est déjà déplacé, et de la façon dont l'environnement a tendance à évoluer. L'agent peut toujours utiliser des règles condition-action, mais celles-ci s'appliquent à une vision plus riche du monde.
Caractéristiques clés
État interne : l'agent stocke des informations sur l'environnement.
Meilleure gestion du contexte : les observations passées aident à interpréter les entrées actuelles.
Utile en cas de visibilité partielle : l'agent peut agir même lorsque toutes les informations ne sont pas immédiatement observables.
Toujours limité : il peut manquer de profondeur de planification ou ne pas optimiser sur de nombreux futurs possibles.
Exemples
Un système de suivi de chaîne d'approvisionnement qui surveille l'état des stocks avant de déclencher un réapprovisionnement.
Un agent de tri du support client qui se souvient des messages précédents dans le même ticket.
Un système de navigation qui met à jour son modèle d'itinéraire à mesure que les conditions de circulation changent.
3. Les agents orientés objectif
Un agent orienté objectif choisit ses actions en se demandant si elles rapprochent le système d'un objectif défini. Plutôt que de simplement réagir, il recherche ou planifie une séquence d'actions capable d'atteindre ce but. L'agent peut aussi évaluer les prochaines étapes possibles, sélectionner un plan, en exécuter une partie, observer les progrès et s'adapter lorsque l'environnement change. Cela le rend plus proactif que les conceptions basées sur les réflexes.
Caractéristiques principales
Objectif explicite : l'agent agit par rapport à un état cible ou un résultat de tâche.
Planification : il peut comparer des séquences d'actions avant d'agir.
Suivi des progrès : l'agent peut vérifier s'il se rapproche de l'objectif.
Besoins accrus en calcul et en contrôle : la planification peut être plus lente et exige des conditions d'arrêt claires.
Exemples
Un agent de recherche qui rassemble des sources, extrait des preuves et rédige un rapport.
Un agent d'automatisation de projet qui découpe une demande en tâches et les exécute dans l'ordre.
Un agent de codage qui planifie des modifications, exécute des tests et itère jusqu'à ce que le comportement voulu fonctionne.
4. Les agents basés sur l'utilité
Un agent basé sur l'utilité va au-delà de la simple réalisation d'un objectif en attribuant un score aux résultats possibles et en choisissant l'action ayant la valeur attendue la plus élevée. Cela compte lorsqu'il existe plusieurs réponses acceptables, des contraintes concurrentes, ou des compromis entre rapidité, coût, précision, préférence utilisateur et risque.
Par exemple, un agent de voyage orienté objectif ne peut que trouver un itinéraire d'une ville à une autre. Un agent de voyage basé sur l'utilité peut comparer des itinéraires selon le prix, le temps de trajet, le risque de correspondance manquée, les règles de bagages et les compagnies aériennes préférées. Il ne se demande pas seulement si l'objectif peut être atteint ; il détermine quelle option est la meilleure selon les critères choisis.
Caractéristiques principales
Fonction d'utilité : l'agent attribue une valeur aux résultats possibles.
Gestion des compromis : il équilibre des objectifs et des contraintes concurrentes.
Meilleure qualité de décision : il peut choisir parmi plusieurs solutions valides.
Conception plus difficile : la fonction d'utilité doit refléter les priorités réelles des utilisateurs et de l'entreprise.
Exemples
Un assistant de gestion de portefeuille qui équilibre rendement, volatilité et contraintes de liquidité.
Un planificateur logistique qui choisit des itinéraires en fonction du délai de livraison, du coût du carburant et de la fiabilité.
Un agent de service client qui priorise l'escalade en fonction du ressenti, de l'urgence et de la valeur du compte.
5. Les agents apprenants
Un agent apprenant améliore son comportement au fil du temps en s'appuyant sur les retours de l'expérience. Il peut ajuster une politique, affiner un modèle, mettre à jour des préférences ou améliorer ses performances après avoir observé ce qui a fonctionné et ce qui a échoué. L'apprentissage peut provenir de données supervisées, de signaux de renforcement, de retours humains, de résultats d'évaluation ou de schémas d'utilisation.
Caractéristiques principales
Boucle de rétroaction : l'agent mesure ses performances et utilise les résultats pour s'améliorer.
Adaptabilité : il peut mieux gérer de nouveaux schémas qu'un ensemble de règles statique.
Dépendance à l'évaluation : un bon apprentissage nécessite des signaux de qualité clairs.
Besoins de gouvernance : les équipes doivent surveiller la dérive, les comportements imprévus et la qualité des données.
Exemples
Un agent de recommandation qui apprend à partir des clics, des achats et des évaluations explicites.
Un agent de détection de fraude qui s'adapte à mesure que les attaquants changent de comportement.
Un agent de tutorat qui ajuste ses explications en fonction des erreurs de l'apprenant.
6. Systèmes multi-agents
Un système multi-agents fait appel à plusieurs agents qui collaborent, entrent en concurrence, se délèguent des tâches ou se spécialisent. Chaque agent peut avoir un rôle, un ensemble d'outils, une portée de mémoire ou un objectif propre. Un coordinateur peut répartir les tâches et synthétiser les résultats, ou bien les agents peuvent interagir plus directement selon l'architecture retenue.
Les systèmes multi-agents sont utiles lorsqu'un agent unique serait trop lent ou risquerait de passer à côté de perspectives importantes. Ils permettent de paralléliser la recherche, de répartir un vaste ensemble de documents, de simuler une revue par des experts, ou de mener des chantiers séparés avant d'en combiner les résultats. Le défi de conception réside dans la coordination : le système doit pouvoir répartir le travail, éviter les doublons, arbitrer les désaccords et produire un résultat final cohérent.
Caractéristiques principales
Spécialisation : différents agents peuvent se concentrer sur des sous-tâches, des outils ou des points de vue distincts.
Exécution parallèle : le travail peut être réparti pour réduire le délai de traitement.
Couche de coordination : le système a besoin d'une répartition des tâches, d'un suivi des dépendances et d'une synthèse.
Complexité accrue : l'évaluation et la gouvernance doivent porter à la fois sur chaque agent et sur le résultat final combiné.
Exemples
Un essaim de recherche qui affecte différents sous-agents à différentes catégories de sources.
Une équipe logicielle composée d'agents où l'un modifie le code, l'autre écrit les tests, et un troisième examine les risques de sécurité.
Un système d'analyse de marché avec des agents distincts pour les concurrents, les clients, les prix et la réglementation.
Un flux de production de contenu où des agents chercheur, plan, rédacteur, éditeur et vérificateur de faits collaborent.
Kimi AI Agent combine plusieurs types d'agents
Kimi est un assistant IA développé par Moonshot AI. Kimi prend en charge la recherche web, la réflexion approfondie, le raisonnement multimodal, les conversations à long contexte, et l'exécution de tâches agentiques. Il s'apparente à une véritable surface d'agent complète : l'utilisateur énonce un objectif, et Kimi planifie et effectue le travail dans les domaines de la recherche, la création de contenu, les documents, les présentations, les feuilles de calcul, les sites web et les flux de travail associés.
Fonctionnalités clés
Planification autonome des tâches : Kimi AI Agent peut transformer une demande large en une série d'étapes, puis travailler vers le livrable demandé.
Recherche web en temps réel : Kimi peut utiliser la recherche web pour récupérer des informations actuelles lorsqu'une tâche dépend de faits récents, de sources ou d'un contexte de marché.
Flux de Recherche approfondie : pour les tâches à forte composante de recherche, Kimi peut rassembler, comparer et synthétiser des informations en rapports plus riches et en sorties multi-formats.
Création de documents, présentations, feuilles de calcul et sites web : Kimi comprend des surfaces dédiées pour Docs, Slides, Sheets et Websites, afin que le travail de l'agent puisse aboutir à des livrables exploitables plutôt qu'à du simple texte.
Traitement de fichiers : selon le centre d'aide de Kimi, l'outil prend en charge des fichiers courants tels que PDF, Word, Excel, PPT, images, TXT et vidéo, avec des limites documentées concernant la taille et le nombre de fichiers.
Raisonnement multimodal : Kimi peut raisonner sur du texte, des images, des graphiques, des documents et d'autres contenus téléversés lorsque le flux de travail exige une compréhension visuelle ou documentaire.
Orchestration Agent Swarm : pour les tâches larges ou parallélisables, K2.6 Agent Swarm [Beta] peut coordonner de nombreux sous-agents afin que différentes parties d'une tâche avancent simultanément.
Pour les utilisateurs qui hésitent entre les différents types d'agents IA, le principe pratique est simple : privilégiez une conception de type réflexe pour une automatisation étroite, une conception basée sur des objectifs ou l'utilité pour des flux de travail impliquant planification et arbitrages, et une conception multi-agents lorsque la tâche est suffisamment large pour bénéficier de la spécialisation et du travail parallèle. Kimi AI Agent traduit ces idées dans un espace de travail destiné à l'utilisateur, où l'objectif n'est pas seulement de répondre, mais d'accomplir un travail réel.
Comment choisir le bon type d'agent IA
Partez de l'environnement de la tâche, pas de l'étiquette technologique. Utilisez un agent réflexe simple lorsque la tâche est étroite, que les règles sont stables et que le coût d'une action erronée est faible. Choisissez un agent basé sur des modèles lorsque vous avez besoin d'état ou de mémoire, un agent basé sur des objectifs lorsque vous avez une cible claire, et un agent basé sur l'utilité lorsque vous devez arbitrer entre priorités concurrentes.
Utilisez un agent apprenant lorsque la performance doit s'améliorer grâce aux retours et que vous pouvez définir des signaux de qualité fiables. Utilisez un système multi-agents lorsque votre flux de travail se divise naturellement en chantiers parallèles, en rôles d'experts ou en perspectives indépendantes. Si vous avez besoin de toutes ces capacités à la fois, combinez-les de manière délibérée plutôt que de forcer un seul type d'agent à tout faire.
Conclusion
Les principaux types d'agents IA représentent différents niveaux de contexte, d'autonomie et d'adaptabilité. Pour l'automatisation des flux de travail, le meilleur agent n'est pas toujours le plus complexe. C'est celui qui correspond le mieux à l'incertitude de la tâche, au risque encouru et au résultat souhaité. Des outils comme Kimi AI Agent montrent comment ces concepts deviennent des interfaces de flux de travail du quotidien : l'utilisateur décrit un objectif, et l'agent l'aide à le transformer en recherches, fichiers, sites web, présentations, feuilles de calcul, code ou tout autre travail abouti.