L'IA agentique replacée dans son contexte technique
L'Agentic AI n'est pas une rupture technologique surgissant de nulle part. Elle constitue l'aboutissement logique d'un empilement de disciplines qui se succèdent depuis les premières formalisations du machine learning. Comprendre cette généalogie est indispensable avant de déployer des agents dans un environnement de production — qu'il s'agisse de Microsoft Copilot, d'Azure AI Foundry ou d'agents personnalisés construits sur Azure OpenAI Service.
Le framework présenté ici structure ce continuum en cinq couches concentriques, quatre anneaux de maturité et trois dimensions transversales. Il sert de grille de lecture commune pour les architectes, les responsables sécurité et les équipes métier qui doivent converger sur un vocabulaire partagé avant toute décision d'investissement.
Les cinq couches concentriques : de l'apprentissage à l'autonomie
Le framework organise le paysage de l'IA du centre vers la périphérie, chaque couche héritant des capacités de la précédente.
Couche 1 — AI & ML
La couche centrale regroupe les fondations du machine learning : traitement du langage naturel (NLP), raisonnement, résolution de problèmes, réseaux de neurones convolutifs (CNN) et architectures LSTM. C'est ici que les données brutes deviennent des décisions.
Couche 2 — Deep Learning
Le deep learning prolonge ces fondations avec des architectures plus profondes : Deep Belief Networks, réseaux récurrents, LSTM et CNN. La profondeur des réseaux permet de capturer des représentations hiérarchiques que les modèles superficiels ne peuvent pas atteindre.
Couche 3 — Gen AI
L'IA générative marque le passage de la prédiction à la création. On y trouve la génération augmentée par récupération (RAG), les interfaces vocales, la génération de code, de vidéo et de texte. C'est la couche sur laquelle reposent aujourd'hui la majorité des cas d'usage Copilot en entreprise.
Couche 4 — AI Agents
Les agents IA ajoutent la capacité d'agir : utilisation d'outils externes (Tool Use), raisonnement vocal, apprentissage par l'expérience et intégration du contrôle humain (Human-in-the-Loop). Un agent peut appeler une API, lire un fichier SharePoint ou déclencher un workflow Power Automate en réponse à un objectif.
Couche 5 — Agentic AI
La couche externe représente des systèmes capables de poursuivre des objectifs de manière autonome, avec une gouvernance explicite de la mémoire et des politiques de rétention. C'est à ce niveau que les enjeux de sécurité et de conformité deviennent critiques.
Attention à la progression des privilèges
Un agent Agentic AI qui dispose d'accès à des outils (Graph API, SharePoint, bases de données) peut enchaîner des actions sans validation intermédiaire. Définissez des périmètres d'autorisation stricts dès la conception, en appliquant le principe du moindre privilège sur chaque identité managée associée à l'agent.
Les quatre anneaux de maturité
Superposés aux couches concentriques, quatre anneaux décrivent le degré d'autonomie atteint par le système.
| Anneau | Capacités représentatives | Niveau d'autonomie |
|---|---|---|
| FOUNDATION | Prompt engineering, décomposition des objectifs, mitigation des biais | Faible — piloté par l'humain |
| CREATION | Génération multimodale (texte, image, audio), personnalisation, summarisation | Moyen — assisté |
| ACTION | Planification CoT / ToT, coordination multi-agents, persistance d'état | Élevé — supervisé |
| FULL AUTOMATION | Agents auto-améliorants, protocoles inter-agents, mécanismes de rollback | Très élevé — autonome |
La distinction entre ACTION et FULL AUTOMATION est celle qui importe le plus pour les équipes IT. Dans l'anneau ACTION, un humain valide les étapes clés. Dans FULL AUTOMATION, le système s'auto-corrige et se déploie sans intervention — ce qui impose des garde-fous de gouvernance robustes avant toute mise en production.
Chain-of-Thought et Tree-of-Thought
Les approches de planification CoT (Chain-of-Thought) et ToT (Tree-of-Thought) permettent à un agent de décomposer un objectif complexe en étapes intermédiaires vérifiables. Elles sont disponibles nativement dans les modèles récents exposés via Azure OpenAI Service.
Technologies clés : les briques transversales
Trois technologies structurent l'ensemble du framework, quelle que soit la couche considérée.
- Transformers : architecture centrale des grands modèles de langage (LLM), introduisant les mécanismes d'attention qui permettent au modèle de pondérer dynamiquement les relations entre tokens.
- Transfer learning : capacité à réutiliser un modèle pré-entraîné sur une tâche généraliste pour l'affiner sur un domaine spécifique — fondement du fine-tuning disponible dans Azure OpenAI Service.
- LLM (Large Language Models) : modèles comme GPT-4o ou o3, accessibles via Azure OpenAI Service, qui servent de moteur de raisonnement aux agents.
CNN et LSTM restent pertinents pour les modalités non textuelles (vision, séries temporelles), notamment dans des scénarios d'analyse de données industrielles ou médicales.
Capacités et gestion des agents
Le framework distingue trois dimensions opérationnelles pour les agents.
Agent Capabilities :
- Présentation d'intention (l'agent explicite son plan avant d'agir)
- Auto-amélioration à partir des retours d'exécution
- Planification multi-étapes avec gestion des dépendances
Agent Management :
- Planification et ordonnancement des tâches
- Mécanismes de rollback en cas d'échec ou de sortie hors périmètre
- Boucles de rétroaction avec évaluateurs intégrés
Outputs & Interfaces :
- Génération de code, de voix, de vidéo
- Déploiement d'outils et appels d'API
- Interfaces conversationnelles et tableaux de bord
Astuce d'architecture
Dans Azure AI Foundry, la fonctionnalité d'évaluation intégrée permet de mesurer automatiquement la qualité des sorties d'un agent (pertinence, cohérence, sécurité). Intégrez ces évaluateurs dans votre pipeline CI/CD avant tout déploiement en production.
Gouvernance et sécurité : le pilier non négociable
À mesure que les agents progressent vers FULL AUTOMATION, la gouvernance cesse d'être une option pour devenir un prérequis architectural.
Les points de contrôle à intégrer dès la conception :
- Gestion de la mémoire et politiques de rétention : définir ce que l'agent mémorise entre deux sessions et pendant combien de temps — en conformité avec le RGPD et les politiques de données internes.
- Journalisation des actions : chaque appel d'outil, chaque décision et chaque sortie doivent être tracés dans Microsoft Purview ou un équivalent pour les audits.
- Contrôle des identités : les agents doivent utiliser des identités managées (Managed Identity) plutôt que des secrets statiques. Sur Azure, privilégiez les identités managées assignées par l'utilisateur pour les scénarios multi-ressources.
- Human-in-the-Loop obligatoire pour les actions irréversibles : suppression de données, transactions financières, modifications de configuration réseau.
- Conformité réglementaire : évaluer l'exposition au règlement européen sur l'IA (AI Act) selon le niveau de risque du cas d'usage déployé.
Actions irréversibles
Un agent en mode FULL AUTOMATION peut exécuter des suppressions ou des modifications de configuration sans demander de confirmation. Imposez un mécanisme de rollback et une validation humaine explicite pour toute action classée irréversible dans votre matrice de risques.
Positionner Copilot et Azure AI Foundry dans ce framework
Ce cadre conceptuel aide à situer les produits Microsoft dans le continuum.
- Microsoft Copilot (M365 Copilot, Copilot Studio) opère principalement dans les anneaux CREATION et ACTION : il génère du contenu, synthétise des données et peut déclencher des actions via des connecteurs, mais reste sous supervision humaine explicite.
- Azure AI Foundry fournit l'infrastructure pour construire des agents positionnés dans les anneaux ACTION et FULL AUTOMATION, avec des outils d'évaluation, d'orchestration et de déploiement.
- Les agents personnalisés construits sur Azure OpenAI Service avec des frameworks comme Semantic Kernel ou AutoGen peuvent atteindre le niveau FULL AUTOMATION — avec toutes les exigences de gouvernance que cela implique.
Pour approfondir, les ressources de référence suivantes sont utiles : la documentation Azure AI Foundry, le guide Semantic Kernel et le référentiel AutoGen sur GitHub.
Ce que ce framework change pour les équipes IT
Adopter une grille de lecture commune présente des avantages concrets.
- Elle permet de qualifier précisément un besoin : s'agit-il d'un cas d'usage Gen AI (anneau CREATION) ou d'un véritable agent autonome (anneau ACTION / FULL AUTOMATION) ?
- Elle guide les décisions de licence : Copilot Studio, Azure OpenAI Service et Azure AI Foundry n'ont pas les mêmes modèles tarifaires ni les mêmes plafonds de capacité.
- Elle structure les conversations de gouvernance avec les équipes juridiques et conformité, en associant chaque niveau d'autonomie à un niveau de risque documenté.
L'Agentic AI n'efface pas les couches inférieures du framework : elle les orchestre. Les équipes qui maîtrisent les fondations — prompt engineering, RAG, gestion des identités — seront les mieux placées pour déployer des agents robustes et conformes.
