Guide · Agents IA
Formation agents IA : les mettre au travail.
Un agent IA est un programme qui reçoit un objectif, choisit lui-même ses étapes, appelle des outils pour agir, et poursuit jusqu'à ce que la tâche soit terminée ou qu'un garde-fou l'arrête. Un chatbot répond à un message et rend la main. Une automatisation classique suit un enchaînement écrit à l'avance, toujours identique. L'agent recompose son enchaînement à chaque exécution, et c'est ce qui le rend utile autant que difficile à gouverner. Se former aux agents, c'est apprendre à gouverner cette boucle.
Agent, chatbot, automatisation.
L'automatisation classique exécute une suite d'étapes qu'un humain a écrites. Ajoutez une colonne au fichier d'entrée, elle casse. Le chatbot produit du texte à la demande et laisse l'action à la personne qui lit. L'agent, lui, dispose d'outils (lire un fichier, interroger une base, appeler une API, écrire du code) et boucle : il agit, observe le résultat, décide de la suite.
Ce qui départage les projets tient à ce qu'on autorise l'agent à faire, avec quels droits, et à ce qui se passe le jour où il se trompe sur une facture. Les équipes qui traitent ces questions tôt mettent des agents en service. Les autres accumulent des démonstrations.
Le harnais, le mot que le métier a adopté.
Depuis le printemps 2026, un terme s'est installé chez les gens qui construisent des agents : le harnais, harness en anglais. Birgitta Böckeler l'a posé dans « Harness engineering for coding agent users », publié le 2 avril 2026 sur martinfowler.com, avec une équation devenue courante : Agent = Modèle + Harnais. Elle y écrit que le terme sert de raccourci pour désigner tout ce qui compose un agent hormis le modèle lui-même. La boucle d'exécution, les outils que l'agent peut appeler, la mémoire, la gestion du contexte, les permissions, les garde-fous, la reprise quand une étape échoue.
Le glossaire des agents publié par Hugging Face le 25 mai 2026, « Harness, Scaffold, and the AI Agent Terms Worth Getting Right », signé Sergio Paniego et Aritra Roy Gosthipaty, sépare deux couches que beaucoup de textes confondent. Le scaffold définit le comportement : prompt système, descriptions des outils, façon dont les réponses du modèle sont analysées, ce que l'agent retient d'une étape à la suivante. Le harnais est la couche d'exécution : il appelle le modèle, traite les appels d'outils, décide quand s'arrêter. Les auteurs notent que certains produits emploient « harnais » au sens large, pour tout ce qui n'est pas le modèle. Les deux usages circulent. Sachez lire lequel on vous sert.
Les guides et les capteurs.
La partie la plus utile à retenir pour une équipe, c'est la façon dont Böckeler range les contrôles d'un harnais. Les guides agissent en amont : ils anticipent le comportement de l'agent et l'orientent avant qu'il agisse, pour augmenter la probabilité d'un bon résultat dès la première tentative. Les capteurs agissent en aval : ils observent après l'action et aident l'agent à se corriger, avec une efficacité particulière quand leur signal est écrit pour être lu par un modèle.
Chaque famille se décline ensuite en calculatoire ou en inférentiel. Le calculatoire est déterministe et rapide, exécuté par la machine : tests, linters, vérificateurs de types, réponse en quelques millisecondes, résultat fiable. L'inférentiel passe par un modèle : analyse sémantique, relecture de code par une IA, plus lent, plus coûteux, moins déterministe. Böckeler écrit pour les agents de code. Le cadre se transporte tel quel sur un agent qui traite des commandes ou des tickets : la validation d'un schéma de données est calculatoire, le contrôle du ton d'une réponse client est inférentiel, et les deux coûtent des choses très différentes à chaque exécution.
Ce qu'il faut savoir faire.
Une formation aux agents IA se juge à ce qu'elle rend capable de faire le lundi suivant. Six gestes tiennent le métier.
- Découper la tâche. Un agent réussit sur un périmètre qu'on sait décrire en une page : ce qui entre, ce qui sort, ce qui est hors sujet.
- Choisir les outils qu'il peut appeler. Chaque outil ajouté élargit ce qu'il peut accomplir et ce qu'il peut casser. La liste courte gagne presque toujours.
- Poser les permissions. Lecture seule au départ. L'écriture arrive une fois que la lecture a tenu quelques semaines sans surprise.
- Installer des guides et des capteurs. Un contrôle avant l'action, un contrôle après. Sans le second, personne ne voit la qualité se dégrader.
- Mesurer. Part de tâches terminées sans reprise humaine, coût par tâche, délai entre une erreur et sa détection.
- Nommer la personne d'astreinte. Un agent en production a un propriétaire joignable, qui répond quand la sortie est fausse un dimanche soir.
Ce dernier point est le plus négligé, et c'est celui qui décide de la suite. Un agent sans propriétaire tourne quelques semaines, produit une erreur visible devant un client, et se fait débrancher. Le savoir-faire se loge dans le harnais et dans l'organisation autour, bien plus que dans le prompt.
Ce qui s'apprend seul, ce qui s'apprend en situation.
Beaucoup se travaille en autonomie, et gratuitement. La documentation des éditeurs de modèles reste la meilleure source sur les appels d'outils et la gestion du contexte : elle bouge vite, et elle est écrite par ceux qui construisent la chose. Hugging Face publie un cours agents gratuit, traduit en français par Kim Noel et Loïck Bourdois du CATIE, qui va de la théorie aux bibliothèques smolagents, LlamaIndex et LangGraph, avec un certificat sans frais à la clé. Leur propre estimation : trois à quatre heures de travail par semaine et par chapitre. C'est un vrai point de départ.
Le jugement sur ce qu'on autorise demande autre chose. Décider si un agent peut écrire dans le CRM, placer la validation humaine au bon endroit, expliquer à une direction juridique ce que l'agent voit des données personnelles, arbitrer entre un contrôle calculatoire bon marché et un contrôle inférentiel qui coûte à chaque exécution : ces décisions se prennent avec un contexte réel devant soi, et se corrigent en regardant ce qui casse. Un cours les décrit bien. Les prendre pour de bon reste un autre exercice, et il se fait avec ses propres processus sous les yeux.
D'où nous écrivons.
Nous faisons tourner plus de 100 agents IA pour construire plus vite, et cette page vient de là. Notre parcours IA en entreprise, dans la ligne de formation Atelier 34, couvre la mise au travail des agents dans une organisation, garde-fous et mesure compris. Quand le sujet dépasse la montée en compétence des équipes, L'IA en production le prend en charge avec vous. Et pour se faire une idée sans budget, nous avons rassemblé ce qui existe en accès libre sur la page formation IA gratuite.
Des questions, des réponses franches.
Quelle différence entre un agent IA et un chatbot ?
Un chatbot produit une réponse et rend la main. Un agent poursuit un objectif : il choisit ses étapes, appelle des outils, lit le résultat de chaque action et recommence jusqu'à ce que la tâche soit finie ou qu'un garde-fou l'arrête. Un chatbot vous rédige une relance de facture. Un agent repère les factures en retard, rédige la relance, l'envoie et consigne ce qu'il a fait. La seconde situation demande des permissions, une trace et quelqu'un qui la surveille.
Faut-il savoir coder pour travailler avec des agents IA ?
Pour cadrer et piloter, non. Définir la tâche, choisir les outils autorisés, décider où passe une validation humaine, lire les mesures : tout cela se fait sans écrire une ligne. Savoir lire du code devient utile dès qu'il faut comprendre pourquoi un appel d'outil échoue en boucle. Les équipes qui avancent le mieux mettent un profil métier et un profil technique sur le même agent, au même moment.
Quels outils faut-il apprendre ?
Commencez par la mécanique, les produits changent de nom tous les six mois. Un environnement d'agent de code pour sentir la boucle d'exécution, une bibliothèque d'orchestration pour voir les étapes et les appels d'outils, et une façon standard de brancher l'agent sur vos systèmes. Le cours agents gratuit de Hugging Face fait travailler smolagents, LlamaIndex et LangGraph, ce qui donne trois angles sur la même mécanique. La documentation de l'éditeur du modèle que vous employez reste la source la plus à jour.
Combien de temps faut-il pour être opérationnel ?
Quelques jours suffisent pour faire tourner un premier agent utile sur une tâche étroite. Le tenir en service relève d'un autre calendrier : il faut plusieurs semaines d'exécutions réelles pour connaître ses modes d'échec, ajuster les contrôles et savoir ce qu'il coûte par tâche. Comptez en cycles observés plutôt qu'en heures de cours.
Comment sait-on qu'un agent IA est fiable ?
Par la mesure de ses propres sorties, sur une durée. Trois signaux se suivent sans grand outillage : la part de tâches terminées sans reprise humaine, le délai entre une erreur et sa détection, et le coût par tâche. Ajoutez un jeu de cas de référence, cas tordus compris, que vous rejouez à chaque changement de modèle, de prompt ou d'outil. Sans ce jeu, rien ne permet de savoir si l'agent s'est dégradé la semaine dernière.
Par où commencer en entreprise ?
Par une tâche répétitive, à fort volume, dont l'erreur se rattrape. Le tri et la qualification des demandes entrantes, la préparation de dossiers avant une revue humaine, l'extraction de données depuis des documents. Donnez à l'agent un accès en lecture, gardez la décision finale chez une personne pendant les premières semaines, et regardez ce qui casse. Ce premier agent sert surtout à apprendre le harnais dont votre maison a besoin.
Apportez la tâche, nous regardons le harnais.
Si vous avez déjà une tâche en tête et une équipe pour la porter, parlons-en. Trente minutes avec les gens qui exploitent ces agents au quotidien, et un avis franc en sortie, y compris quand la bonne réponse est de commencer par une automatisation classique.