L’IA agentique : Le monde de demain

Introduction aux systèmes agentiques

On nous le râbache depuis fin 2024 : l'année 2025 sera l'année de l'IA agentique. Promesse de tous les possibles, de toutes les automatisations, de la prise en charge de nos tâches répétitives de façon autonome afin que nous, les humains, nous concentrions sur ce qui apporte vraiment de la valeur, les systèmes agentiques sont censés élever l'intelligence artificielle à un niveau supérieur : celui de simple jouet créatif à vraie décisionnaire. Mais qu'entend-on exactement par IA agentique ? Que peut-elle vraiment apporter aux professionnels du SEO et experts du marketing digital ?

Au fil de cet article, je vous propose d'explorer ce concept ou architecture en m'appuyant principalement sur les travaux de Google, notamment le whitepaper "Agents" publié en septembre 2024, et ceux de son rival Anthropic, dont l'article "Building effective agents" nous donne un éclairage particulièrement intéressant sur les cas d'usage et les précautions à prendre avant de se lancer dans une telle aventure. Prêt à plonger dans le futur, ici et maintenant ?

Qu’est-ce que l’IA agentique ?

Contrairement à l’IA générative, dont la principale force réside dans la production de textes, d’images ou de code, l’IA agentique ne se contente pas de créer : elle agit. Comme le définit Google dans son livre blanc, un agent IA est essentiellement une application visant à atteindre un objectif donné en observant son environnement et en exécutant des actions concrètes grâce aux outils mis à sa disposition.

L'entreprise Anthropic, quant à elle, définit un système agentique comme une application où une IA (le plus souvent un LLM) interagit avec des outils pour accomplir une tâche. La clé est donc l'action finalisée grâce à des outils que choisissent de prendre ou non des agents pour atteindre le but fixé.

Mais pour mieux préciser ce qu'est un système agentique, Anthropic propose une distinction architecturale importante :

• Les workflows IA : Systèmes où les LLM et les outils dont ils se servent sont orchestrés via des chemins de code prédéfinis. La séquence des actions est largement déterminée à l'avance par le développeur et l'automonie des agents pratiquement nulle ;
• Les agents autonomes : Systèmes où le ou les LLM dirigent dynamiquement son propre processus et l'utilisation des outils. Le LLM conserve le contrôle sur comment accomplir la tâche et atteindre le but, adaptant sa stratégie en cours de route.

Ainsi, pour comprendre ce qu'est un vrai système agentique, il faut imaginer un système doté d’une intelligence artificielle capable de percevoir son environnement numérique, de prendre des décisions de manière autonome et de réaliser des actions bien définies pour répondre à un objectif. Cette combinaison d’un raisonnement complexe, d’une logique structurée et d’un accès aux données externes fait toute la différence. Là où un assistant classique se contente de réagir à vos commandes, un agent peut analyser un problème SEO ou marketing, planifier la suite d’actions nécessaires (en utilisant les données de la Google Search Console par exemple, ou celle de Semrush, ou celle d'un CRM, etc.) et effectuer concrètement ces tâches.

Quand utiliser ou non un système agentique ? Le conseil d'Anthropic : commencer simple

Avant de se lancer dans des systèmes agentiques complexes, la règle d'or selon Anthropic, est de trouver la solution la plus simple possible. N'ajoutez de la complexité que si nécessaire et si cela améliore démontrablement les résultats.

Quant utiliser un simple appel LLM bien optimisé ?

Si un unique appel LLM bien optimisé (éventuellement avec l'accès à une base de données externes via du RAG pour enrichir la base de connaissance du modèle et quelques exemples via des techniques de few-shot prompting) suffit à accomplir la tâche, alors pourquoi se compliquer la vie ? En plus de cela, les systèmes agentiques introduisent une latence et un coût supplémentaires (plus d'appels LLM = plus de jetons) qui peut ne pas être négligeable.

Quand utiliser un workflow IA ?

Il est préférable d'utiliser un workflow plutôt qu'un véritable système agentique ou un simple appel LLM dans les cas suivants :

• Lorsque la tâche est bien définie et qu'elle peut être décomposée en étapes claires et prévisibles ;
• Lorsque la prédictibilité, la cohérence et la fiabilité sont primordiales. Avec un workflow, vous contrôlez le flux ;
• Lorsque vous souhaitez améliorer la précision sur des tâches complexes en les divisant en sous-tâches plus simples pour le LLM.

Quand utiliser une architecture composée d'un agent autonome ?

Les systèmes agentiques ont de nombreux cas d'usage, mais attention ! Ils impliquent des coûts plus élevés, une latence accrue et un risque d'erreurs cumulées. Des tests rigoureux et des garde-fous sont essentiels. Si au début de la chaîne, l'IA prend une mauvaise décision, c'est tout le système qui plante !

Les fondements de l’IA agentique

Pour mieux comprendre le fonctionnement de cette architecture, penchons-nous sur les éléments-clés décrits par Google :

• Le modèle (ou « cerveau ») : un modèle de langage qui suit des instructions, raisonne et planifie. Il peut être généraliste ou spécialisé, selon l’objectif fixé et l’entraînement reçu ;

• Les outils (ou « mains et yeux ») : Ils comblent l’écart entre la puissance du modèle et le monde réel, en permettant à l’agent de communiquer avec des bases de données, des plateformes web, des CRM ou des applications via des API. Sans ces outils, l’agent resterait cantonné à son « savoir » initial ;

• La couche d’orchestration (ou « chef d’orchestre ») : Elle régit la boucle d’information de l’agent : perception, raisonnement et prise de décision, puis action. Cette dynamique se poursuit jusqu’à l’atteinte de l’objectif, ou jusqu’à ce qu’un point d’arrêt soit fixé.

D’autres caractéristiques renforcent l’efficacité de l’IA agentique : elle peut fonctionner de manière autonome (avec très peu d’intervention humaine), faire preuve de proactivité (en anticipant des actions), apprendre de ses erreurs grâce à des feedbacks qu'elle aura elle-même générée, ou encore adapter ses décisions en fonction des informations recueillies en temps réel.

Le cycle « percevoir, raisonner et agir »

Selon le whitepaper de Google, la plupart des agents suivent une boucle en trois étapes : percevoir, penser et agir.

1. Percevoir : L’agent récolte des informations depuis des sources externes (API, bases de données, documents en ligne, etc.) ;

2. Penser (raisonner/planifier) : C'est là que le "cerveau" entre en jeu, guidé par la couche d'orchestration. Il analyse l'information reçue, la compare à l'objectif final, et décide de la prochaine étape. Des frameworks spécifiques aident à structurer cette pensée :

   1. ReAct (Reason+Act) : Très populaire, il décompose l'action en étapes : Pensée (Que devrais-je faire ?), Action (Quel outil utiliser ? Avec quels paramètres ?), Observation (Quel est le résult de l'action entreprise ?). Cette boucle peut se répéter plusieurs fois avant d'arriver à la réponse finale ;

   2. Chain-of-Thought (CoT) : Encourage le modèle à détailler son raisonnement étape par étape pour arriver à une conclusion. De nombreuses études montrent que le modèle génère de meilleurs résultats lorsqu'il décompose le problème en étape successive avant de le résoudre ;

   3. Tree-of-Thoughts (ToT) : Permet au modèle d'explorer différentes pistes de raisonnement en parallèle, utile pour des problèmes complexes.

3. Agir : L’agent mobilise les bons outils pour agir sur son environnement (envoi d’emails, requêtes API, mises à jour en base de données). Le résultat de ces actions retourne ensuite à l’agent, bouclant la boucle de perception.

L’un des atouts majeurs de cette démarche est la possibilité de « chaîner » plusieurs agents spécialisés. Chacun peut ainsi gérer une partie spécifique d’un objectif plus vaste : un agent chargé des audits techniques, un autre dédié à l’analyse concurrentielle, etc.

Le rôle essentiel des outils

Un LLM, en tant que modèle, reste limité par ses données d’entraînement et son incapacité à interagir directement avec le monde extérieur. Pour surmonter ces freins, il s’appuie sur différents outils. Google identifie trois grands types d’outils, transposables dans d’autres écosystèmes :

• Extensions (exécution côté Agent) : Elles créent un pont entre l’agent et des API externes. L’agent décide lui-même de l’appel à effectuer, en temps réel.

• Fonctions (exécution côté Client) : Le modèle génère une description de la fonction à appeler, mais c’est une application tierce (backend, middleware, etc.) qui valide l’exécution de l’appel API.

• Data Stores (accès aux données dynamiques) : Ils donnent accès à des informations qui dépassent le simple cadre de l’entraînement initial, via des bases de données vectorielles, des documents, des sites web, etc.

Selon les besoins, un seul ou plusieurs de ces outils peuvent être utilisés en parallèle. Dans le cadre d’un projet SEO, un agent peut à la fois consulter des API tierces (Extensions), mettre à jour un outil de suivi de projet (Fonction) et piocher dans un Data Store contenant des historiques de reporting de crawl par exemple.

Exemples d’applications en SEO et marketing

L’IA agentique peut changer la donne pour nombre de tâches répétitives ou complexes pour les consultants SEO. Voici quelques idées qui illustrent son potentiel :

1. Audits SEO sur pilote automatique (ou presque) : Un agent utilisant des Extensions pour interroger les API de Google Search Console, PageSpeed Insights, et des outils tiers (Semrush, Ahrefs), couplées à un Data Store contenant les crawls précédents de votre site. Il pourrait corréler les données techniques, sémantiques, de popularité, identifier les problèmes prioritaires, et même utiliser une Fonction pour créer une tâche dans votre outil de gestion de projet.

2. Recherche de mots-clés stratégique : Un agent utilisant une Extension pour l'API Google Ads Keyword Planner, un Data Store contenant les SERPs récentes, et une capacité de raisonnement (CoT) pour analyser l'intention, identifier les "content gaps", et générer des briefs de contenu via une Fonction qui appelle un modèle IAG.

3. Production et optimisation de contenu augmentée : Un workflow orchestré : recherche d'idées (via Data Stores de tendances de recherche et Extensions d'outils SEO), génération de plans, rédaction assistée (IAG), optimisation on-page (analyse via Data Store des contenus concurrents), puis publication et suivi via des Extensions connectées à votre CMS et vos outils d'analyse.

4. Veille concurrentielle proactive : Un agent programmé pour surveiller périodiquement les sites concurrents (via scraping ou Extensions d'outils de veille) et les Data Stores de backlinks, alertant via une Fonction qui envoie un message Slack avec des suggestions de contre-attaques.

5. Optimisation prédictive : Plus complexe, mais un agent pourrait utiliser des Data Stores historiques et des modèles prédictifs (via une Extension ou Fonction) pour simuler l'impact de changements SEO avant leur déploiement.

6. Expérience client augmentée : Des chatbots agentiques utilisant des Data Stores pour accéder à l'historique client et à la base de connaissances, et des Fonctions pour interagir avec le système de commande ou de support, résolvant des problèmes de manière proactive.

Dans l'idéal, le temps gagné peut être très important. En tant qu'expert SEO, vous vous concentrez sur les décisions stratégiques et la créativité, tandis que l’agent s’occupe des tâches opérationnelles.

Comment construire son propre système agentique ?

Il n’existe pas de solution unique « clé en main », mais de nombreux outils facilitent la mise en place d’un agent SEO ou marketing de pointe. Voici quelques jalons à considérer :

1. Définir l’objectif : Quelles tâches précises l’agent devra-t-il accomplir ? ;

2. Choisir le modèle (LLM) : GPT-4o, Gemini, Claude, etc., en fonction de votre budget, de la complexité du projet et de la précision requise ;

3. Sélectionner les outils : Identifiez les API, les bases de données, les CRM, les Data Stores, et décidez du type d’intégration (Extensions, Fonctions, Data Stores) ;

4. Mettre en place l’orchestration : Des frameworks comme LangChain, LlamaIndex ou des plateformes comme Vertex AI Agent Builder et Microsoft Copilot Studio aident à piloter le raisonnement et la mémoire de l’agent ;

5. Former ou affiner le modèle : Via des exemples (prompts few-shot), du retrieval-based (récupération dynamique d’exemples pertinents) ou même un fine-tuning complet ;

6. Tester et itérer : Évaluez ses performances, repérez d’éventuelles hallucinations et affinez son comportement.

Limites et précautions

Evidemment, comme toute technologie, l’IA agentique n’est pas exempte de limites et dangers. En voici quelques exemples :

• Complexité et coût : Les appels aux LLM peuvent rapidement faire grimper la facture ;

• Fiabilité : Les modèles peuvent se tromper ou halluciner. Une supervision humaine reste souvent nécessaire ;

• Sécurité : Donner à un agent le contrôle d’API sensibles suppose une gestion stricte des droits et une vigilance particulière quant à la confidentialité ;

• Réglementation : Les questions de RGPD, d’AI Act et de conformité légale sont évidemment importantes ;

• Impacts sur l’emploi : Certaines tâches risquent d’être automatisées, mais de nouvelles opportunités émergent aussi pour encadrer et superviser ces systèmes.

Conclusion : un avenir agentique

Tous les indicateurs laissent penser que l’IA agentique est une évolution majeure, et naturelle, de l’IA générative. Dans le secteur du SEO et du marketing, la capacité d’un agent à combiner raisonnement et action ouvre la voie à des optimisations plus rapides, plus précises et plus intelligentes.

Il est donc nécessaire de s'y intéresser dès maintenant. Comprendre le fonctionnement des systèmes agentiques, tester des plateformes et apprendre à mettre en place un écosystème d’agents autonomes constituent d'ores et déjà un avantage concurrentiel. Les agents autonomes ne remplacent pas (encore ?) notre stratégie ou notre créativité, mais ils s'annoncent comme des collaborateurs surpuissants. Ne ratez pas le train !

Sources :

Agents, par Google, publié en septembre 2024

Building effective agents, par Anthropic, publié le 19 décembre 2024