Entre IA agentique et IA générative, la différence est celle qui sépare produire et agir : l’IA générative crée des contenus, textes, images ou code, quand vous le lui demandez, tandis que l’IA agentique poursuit un objectif en planifiant des étapes, en utilisant des outils et en agissant dans vos systèmes avec une supervision limitée. La plupart des systèmes agentiques reposent sur des modèles génératifs : le vrai choix pour une entreprise porte donc sur le degré d’autonomie à accorder au logiciel, pas sur la technologie à acheter. Ce guide donne des définitions simples, une comparaison point par point, les usages de chacune en entreprise, les risques et les garde-fous qui les encadrent, ce que change l’AI Act européen et comment démarrer.
Dernière mise à jour : 21 octobre 2026.
Qu’est-ce que l’IA générative ?
L’IA générative est un logiciel qui produit un contenu nouveau à partir d’une instruction. Vous écrivez une demande (un prompt) et un modèle renvoie une première version : un e-mail, une fiche produit, le résumé d’un contrat, une image, quelques lignes de code. Le modèle a appris des régularités dans de grandes quantités de données et prédit une réponse plausible.
Son trait distinctif : elle répond. Elle ne fait rien tant qu’on ne lui demande rien, elle rend son résultat à une personne, et c’est cette personne qui décide de la suite. Un assistant conversationnel, un outil d’écriture intégré à un traitement de texte et un générateur d’images relèvent tous de l’IA générative.
Sa force, c’est la vitesse sur les premières versions et la capacité à transformer une matière brute en quelque chose d’utilisable. Sa faiblesse, c’est qu’elle peut affirmer des choses fausses avec aplomb, et qu’elle ne sait rien de votre entreprise si vous ne lui donnez pas ce contexte.
Qu’est-ce que l’IA agentique ?
L’IA agentique est un système auquel on confie un objectif plutôt qu’une demande ponctuelle, et qui s’en approche par lui-même. Il découpe l’objectif en étapes, choisit les outils à utiliser (recherche, base de données, votre CRM, une boîte e-mail, un système de paiement), exécute des actions, vérifie les résultats et décide de l’étape suivante, en boucle, jusqu’à ce que la tâche soit terminée ou qu’il ait besoin d’aide.
Un agent IA comporte généralement quatre éléments : un modèle génératif qui raisonne et rédige, un ensemble d’outils qu’il a le droit d’appeler, une forme de mémoire de ce qu’il a fait, et des règles qui fixent quand il doit s’arrêter et demander à une personne. Retirez les outils et la boucle, et vous revenez à l’IA générative.
Son trait distinctif : elle agit. C’est ce qui la rend utile, et aussi plus risquée : une phrase fausse dans un brouillon est repérée par le lecteur, une action fausse dans un système en production peut passer inaperçue.
En bref : l’IA générative rédige le brouillon, l’IA agentique fait le travail. Les agents sont construits à partir de modèles génératifs, auxquels s’ajoutent des outils, une mémoire et des autorisations. Plus un agent peut agir sans demander, plus il peut créer de valeur, et plus il lui faut de garde-fous. Pour la plupart des entreprises, la bonne voie est l’IA générative d’abord, puis des agents sur des tâches étroites et bien comprises.
Chez Odduel, agence créative et technologique à Barcelone et São Paulo, nous construisons les deux dans le cadre de notre offre de développement IA : des fonctions génératives dans des produits et des sites web, et des agents qui exécutent des tâches définies dans les outils de l’entreprise. Ce qui suit est le point de vue que nous partageons avec nos clients avant de construire l’un ou l’autre.
IA agentique et IA générative côte à côte
Le tableau présente les différences qu’un décideur ressentira en pratique, de ce que fait le système à qui porte le risque.
| IA générative | IA agentique | |
|---|---|---|
| Son rôle | Produit du contenu sur demande | Poursuit un objectif en plusieurs étapes |
| Point de départ | Une personne écrit un prompt | Un objectif, un déclencheur ou un calendrier |
| Livrable | Un brouillon qu’une personne utilise | Des actions réalisées dans vos systèmes |
| Accès nécessaires | En général aucun, au-delà du texte fourni | Outils, données et comptes, avec autorisations |
| Rôle humain | Relit chaque résultat | Fixe l’objectif, valide les étapes clés, contrôle |
| Erreur typique | Une affirmation fausse ou inventée | Une action fausse, répétée ou enchaînée |
| Effort pour bien la construire | Léger à modéré | Modéré à lourd : intégrations, tests, garde-fous |
| Profil du coût d’exploitation | Par requête, prévisible | Plusieurs appels au modèle et aux outils par tâche, plus variable |
| Idéal pour | Rédaction, synthèse, traduction, idées | Travail répétitif en plusieurs étapes, aux règles claires |
Notez que les colonnes ne sont pas concurrentes. Presque tout agent contient un modèle génératif, et beaucoup de projets commencent comme un outil génératif avant de devenir un agent, une fois que l’entreprise fait confiance aux résultats.
L’IA agentique n’est-elle qu’une IA générative avec des étapes en plus ?
En partie, et la réponse honnête vous évite de payer pour une étiquette. Le raisonnement et le langage d’un agent viennent du même type de modèle que celui d’un assistant conversationnel. Ce qui s’ajoute, c’est de l’ingénierie : des connexions à vos systèmes, une boucle qui planifie et vérifie, une mémoire, des autorisations et des journaux.
C’est dans cette ingénierie que se trouvent l’essentiel du travail et l’essentiel de la valeur. Un agent capable de lire votre système de commandes, de rédiger une réponse à un client dont la livraison est en retard, de proposer le bon bon d’achat et de mettre à jour le ticket est avant tout un projet d’intégration et de contrôle, avec un modèle au milieu.
Méfiez-vous du mot « agentique » appliqué à ce qui n’est en réalité qu’un prompt derrière un bouton. Posez trois questions à tout fournisseur : quels outils peut-il appeler, que peut-il faire sans validation, et où chaque action est-elle enregistrée ? Si les réponses sont floues, ce n’est pas un agent, ou ce n’est pas un agent sûr.
Que peut faire l’IA générative pour une entreprise ?
L’IA générative est rentable partout où des personnes passent du temps à produire des premières versions ou à digérer de longs documents. Parmi les usages que nous voyons bien fonctionner dans les entreprises européennes :
- Contenus et marketing : premières versions de fiches produits, d’articles, de variantes d’annonces et de légendes pour les réseaux sociaux, retravaillées par une personne qui connaît la voix de la marque.
- Service client : des réponses suggérées qu’un conseiller vérifie et envoie, et des résumés de longs historiques de tickets.
- Travail intellectuel : synthèses de contrats, de rapports et de comptes rendus de réunion ; réponses tirées de vos propres documents (on parle souvent de RAG, quand le modèle reçoit vos fichiers pour les citer).
- Traduction : premières traductions dans les langues de vos marchés, relues par une personne qui maîtrise la langue avant toute publication.
- Logiciel et design : suggestions de code, cas de test, textes d’interface et préparation des images, qui raccourcissent un développement. Notre article IA, design et développement web explique ce que cela change pour le budget et le calendrier d’un client.
Le schéma est toujours le même : le modèle rédige, une personne décide. Le risque reste faible, et le gain se mesure facilement en heures économisées.
Que peut faire l’IA agentique pour une entreprise ?
Les agents trouvent leur place sur un travail qui comporte plusieurs étapes, touche plus d’un système et suit des règles qu’une personne pourrait écrire. Les candidats typiques :
- Commandes et service : vérifier l’état d’une commande dans plusieurs systèmes, répondre au client, rembourser dans une limite fixée et faire remonter tout ce qui la dépasse.
- Traitement des leads : lire une demande arrivée par le formulaire de votre site, l’enrichir avec des données publiques sur l’entreprise, la noter selon vos critères, rédiger une réponse et créer la fiche dans votre CRM pour validation par un commercial.
- Back-office : rapprocher les factures des bons de commande, signaler les écarts, préparer les paiements pour validation.
- Opérations de contenu : prendre une fiche produit validée et la publier sur la boutique, les marketplaces et la newsletter, dans les bons formats.
- Surveillance : surveiller un site web pour repérer pages cassées, lenteurs ou formulaires en panne, ouvrir un ticket avec les preuves et proposer la correction.
- Recherche : rassembler et comparer les informations publiques sur des fournisseurs ou des appels d’offres dans une note structurée.
Leur point commun : une définition claire de ce qu’est une tâche terminée et une limite claire. Plus l’objectif est ouvert (« augmenter nos ventes »), moins un agent peut agir en sécurité ; plus il est étroit (« répondre aux questions sur les dates de livraison et mettre à jour le ticket »), mieux il fonctionne.
Des exemples d’IA agentique concrets
Prenons une boutique qui vend des meubles en ligne. Un outil génératif aide l’équipe à rédiger les descriptions des nouvelles pièces. Un agent va plus loin : quand une livraison est retardée, il lit la mise à jour du transporteur, trouve les commandes concernées, écrit à chaque client dans sa langue, propose le geste commercial convenu et consigne chaque message. Une personne relit un échantillon chaque jour et traite tout ce qui sort de l’ordinaire.
Ou une entreprise de services dont le formulaire de contact est très sollicité. L’IA générative rédige une réponse à chaque demande. Un agent trie les demandes par type, réserve un créneau d’appel dans l’agenda pour les demandes qualifiées et laisse les autres dans une file avec un résumé d’une ligne.
Par laquelle votre entreprise doit-elle commencer ?
Pour la plupart des entreprises, l’IA générative d’abord. Elle demande peu d’intégration, le risque est contenu par la relecture humaine, et elle apprend à l’équipe comment se comportent les modèles, où ils sont forts et où ils inventent. C’est cette expérience qu’il vous faut avant de laisser un logiciel agir.
Passez à un agent quand trois conditions sont réunies :
- La tâche est fréquente, comporte plusieurs étapes et se fait aujourd’hui à la main, selon une procédure écrite ou que l’on pourrait écrire.
- Les systèmes concernés sont accessibles en toute sécurité, par de vraies connexions aux autorisations limitées plutôt que par un mot de passe partagé.
- Quelqu’un chez vous est responsable du processus et relira le travail de l’agent, surtout les premières semaines.
Si une tâche ne remplit pas l’une de ces conditions, un assistant génératif qui prépare le travail pour une personne est généralement le meilleur investissement. Vous pourrez toujours ajouter de l’autonomie plus tard ; la retirer après un incident est plus difficile.
Quels sont les risques, et comment les maîtriser ?
Les deux types d’IA partagent certains risques : faits inventés, biais hérités des données d’entraînement, fuites d’informations confidentielles via les prompts, dépendance à un fournisseur. Les agents ajoutent les risques de l’action : un remboursement erroné, un message envoyé au mauvais client, une boucle qui répète une erreur de nombreuses fois, ou une instruction cachée dans un e-mail ou une page web qui pousse l’agent à faire ce qu’il ne devrait pas (on parle d’injection de prompt).
Les garde-fous sont bien connus et doivent figurer dans tout devis que vous recevez.
Supervision humaine
Décidez par écrit quelles actions un agent peut mener seul, lesquelles exigent une validation et lesquelles lui sont interdites. Les paiements, les suppressions, les messages envoyés à de nombreuses personnes et tout ce qui touche au juridique doivent commencer dans la colonne validation. Donnez à l’agent un moyen clair de s’arrêter et de passer la main à une personne, et donnez aux personnes un moyen simple de le mettre en pause.
Journalisation et audit
Chaque étape doit être enregistrée : l’objectif, les informations lues par l’agent, les outils appelés, ce qu’il a décidé et ce qu’il a modifié. Les journaux permettent d’examiner une réclamation, de prouver ce qui s’est passé et d’améliorer l’agent. Sans eux, impossible de distinguer une erreur rare d’un problème récurrent.
Limites et autorisations
Donnez à chaque agent son propre compte avec le minimum d’accès nécessaire à la tâche, des plafonds de dépense et de volume, et un environnement de test avant la production. Traitez les contenus venus de l’extérieur (e-mails, pages web, fichiers déposés) comme non fiables : ils peuvent informer l’agent, jamais lui donner des ordres.
Protection des données
Dès que des données personnelles sont en jeu, le RGPD s’applique à un système d’IA comme à tout autre traitement : une base légale, une finalité claire, des données minimales, des accords avec le fournisseur du modèle et une attention au lieu de stockage et de traitement des données. Vérifiez si le fournisseur utilise vos données pour entraîner ses modèles, et choisissez des paramètres ou des contrats qui l’en empêchent si nécessaire.
Tester avant de faire confiance
Constituez un jeu de cas réels passés, y compris les plus délicats, et faites-les traiter par l’agent avant sa mise en production et après chaque changement de modèle ou d’instructions. Commencez par un agent qui propose des actions que des personnes exécutent, puis passez étape par étape à la validation, et enfin à l’autonomie pour les actions les plus sûres.
Ce que l’AI Act européen change pour les agents et l’IA générative
L’AI Act européen, le règlement (UE) 2024/1689, est entré en vigueur le 1er août 2024 et s’applique par étapes. Il encadre l’IA selon l’usage et le risque, pas selon qu’un système est dit génératif ou agentique : les mêmes règles s’appliquent donc à un agent et à un outil conversationnel qui font le même travail.
Quelques points sont acquis et concernent la plupart des entreprises :
- Certaines pratiques sont interdites depuis le 2 février 2025, comme les techniques de manipulation causant un préjudice important et certains usages de la reconnaissance des émotions au travail.
- Les obligations des fournisseurs de modèles d’IA à usage général s’appliquent depuis le 2 août 2025. Elles pèsent surtout sur les entreprises qui construisent les grands modèles, pas sur une entreprise qui les utilise.
- Des obligations de transparence s’appliquent à partir du 2 août 2026 : les personnes doivent être informées qu’elles interagissent avec un système d’IA, sauf si c’est évident, et certains contenus générés par l’IA doivent être signalés comme tels.
- Les usages classés à haut risque, comme le tri des candidats à un emploi ou les décisions d’accès à des services essentiels, entraînent des obligations plus lourdes, dont la supervision humaine et la tenue de registres.
Pour un agent marketing, de service ou de back-office classique, la conséquence pratique est d’informer les gens quand ils ont affaire à une IA, de conserver la supervision et les journaux décrits plus haut, et de vérifier tôt si votre usage relève d’une catégorie à haut risque. Si c’est possible, prenez un avis juridique avant de construire ; cet article ne constitue pas un conseil juridique.
Comment lancer un projet d’IA ?
Que vous commenciez par une fonction générative ou par un agent, les étapes sont semblables, et elles limitent la première dépense.
- Choisissez une tâche, pas une stratégie. Prenez quelque chose de fréquent, de mesurable et de pénible, et décrivez comment c’est fait aujourd’hui.
- Définissez la réussite en termes simples : heures économisées, délai de réponse, taux d’erreur, ou part des cas traités sans intervention humaine.
- Cartographiez les données et les systèmes que la tâche touche, leurs responsables et les accès qu’il est sûr d’accorder.
- Construisez une petite version qui rédige ou propose, sans jamais agir, et testez-la sur des cas réels passés.
- Ajoutez des garde-fous (étapes de validation, journaux, limites) avant toute autonomie, et convenez de qui relit les résultats.
- Faites-la tourner en parallèle des équipes pendant quelques semaines, comparez les résultats et corrigez ce qui échoue.
- Élargissez avec prudence : plus d’autonomie pour les actions les plus sûres, ou une deuxième tâche, seulement quand la première fonctionne.
C’est la logique du produit minimum viable appliquée à l’IA ; notre guide du développement MVP présente la même discipline pour les produits en général. Des cycles de développement courts conviennent aussi mieux à l’IA qu’un plan figé, pour les raisons exposées dans méthode agile ou en cascade : le comportement du modèle sur vos cas réels s’apprend en testant, pas en spécifiant.
Côté coût, ce qui fait le prix, c’est le nombre de systèmes à connecter, les garde-fous nécessaires, le volume de tests qu’exigent vos cas, et le coût d’exploitation des appels au modèle, généralement plus élevé et moins prévisible pour les agents puisque chaque tâche implique plusieurs appels. Un devis fixe suit un brief court, une fois la tâche et les systèmes connus.
Questions fréquentes
Quelle est la principale différence entre IA agentique et IA générative ?
L’IA générative produit des contenus, textes, images ou code, quand une personne le lui demande, et lui rend le résultat pour qu’elle l’utilise. L’IA agentique reçoit un objectif et s’en approche par elle-même, en planifiant des étapes, en appelant des outils et en agissant dans de vrais systèmes. La plupart des agents contiennent un modèle génératif.
ChatGPT, c’est de l’IA générative ou de l’IA agentique ?
Un assistant conversationnel qui répond à des questions relève de l’IA générative : il répond à chaque prompt et vous laisse la décision. Beaucoup d’assistants intègrent désormais des fonctions d’agent, comme la navigation sur le web, l’exécution de code ou l’action dans des applications connectées. Quand l’assistant enchaîne plusieurs étapes et agit avec des outils pour atteindre un objectif, cette partie se comporte comme de l’IA agentique.
L’IA agentique coûte-t-elle plus cher que l’IA générative ?
En général oui, à construire comme à faire tourner. Un agent a besoin de connexions à vos systèmes, d’autorisations, de journaux, d’étapes de validation et de tests approfondis, et chaque tâche mobilise plusieurs appels au modèle et aux outils plutôt qu’un seul. Le surcoût se justifie quand l’agent accomplit un travail fréquent, en plusieurs étapes, qui prend aujourd’hui beaucoup de temps à vos équipes.
Un agent IA peut-il fonctionner sans supervision humaine ?
Il peut être construit pour cela, mais pour la plupart des tâches d’entreprise, il ne le devrait pas au début. La bonne pratique consiste à laisser l’agent proposer des actions, puis agir avec validation, et seulement ensuite agir seul sur les étapes les moins risquées, avec des limites et des journaux complets. Pour les usages à haut risque, l’AI Act européen impose une supervision humaine prévue dès la conception.
L’AI Act européen traite-t-il les agents différemment de l’IA générative ?
Non. Le règlement encadre l’IA selon son usage et le risque de cet usage, pas selon qu’elle est dite générative ou agentique. Un agent qui trie des candidatures à un emploi relève des obligations à haut risque ; un agent qui répond aux questions de livraison relève surtout des obligations de transparence, comme informer les gens qu’ils échangent avec un système d’IA.
Quelles tâches d’entreprise conviennent le mieux à l’IA agentique ?
Les tâches fréquentes, qui suivent des règles qu’une personne pourrait écrire, comportent plusieurs étapes dans plus d’un système et ont un point d’arrivée clair. Bons exemples : les questions sur les commandes et les livraisons, le tri et l’orientation des demandes, le rapprochement des factures, la publication de contenus validés sur plusieurs canaux, et la surveillance d’un site web avec ouverture de tickets en cas de panne.
Si vous avez une tâche en tête, commencez par écrire comment elle est faite aujourd’hui et à quoi ressemblerait un bon résultat : cette page constitue l’essentiel d’un brief. Nous pouvons vous aider à juger si elle appelle un assistant génératif ou un agent, construire une petite version avec les bons garde-fous, puis la faire grandir une fois qu’elle a fait ses preuves, grâce à notre offre de développement IA. Parlez-nous de votre projet.
À lire aussi : L’IA dans le design UX : ce qu’elle change, et ce qu’elle ne change pas, Coût de développement d’un agent IA et déroulement d’un projet.
