Ce que la CNIL reproche vraiment à l'IA agentique

Depuis un an, le terme revient dans toutes les présentations d'entreprise et toutes les notes de régulateurs : l'IA agentique serait la prochaine rupture après les chatbots génératifs. Mais derrière le mot, que recouvre réellement cette technologie, et en quoi diffère-t-elle d'un assistant conversationnel classique comme on en utilise déjà au quotidien ? La Commission nationale de l'informatique et des libertés (CNIL) la définit comme "un ensemble de systèmes qui reposent sur la coordination de plusieurs sous-systèmes appelés agents IA", capables d'agir sur un environnement numérique et d'en modifier l'état, avec des niveaux variables d'autonomie.

Qu'est-ce qu'un agent IA, concrètement

Un agent IA n'est pas un modèle de langage de plus. C'est un programme informatique qui prend des décisions ou réalise des actions en s'appuyant sur un modèle d'intelligence artificielle, selon la définition retenue par le Conseil de l'intelligence artificielle et du numérique (CIANum) dans une note publiée en février 2026. Intégré à une suite logicielle, on parle alors de "logiciel agentique", il est doté d'une capacité d'action propre : il peut décomposer un processus, analyser son environnement, proposer une solution, la comparer à d'autres, et parfois enchaîner des opérations sans validation humaine à chaque étape.

La différence avec un chatbot classique tient à un mot : l'objectif. Un chatbot répond à une requête ponctuelle. Un agent poursuit un but, décompose ce but en étapes, mobilise des outils externes, observe le résultat de chaque action, et ajuste sa stratégie si besoin. C'est cette boucle qui change la nature du système.

La boucle perception-raisonnement-action

Les architectes de ces systèmes décrivent un cycle itératif, parfois appelé boucle "Perception-Raisonnement-Action-Rétroaction", selon une analyse publiée par Swisscom fin décembre 2025. Concrètement :

• la perception : l'agent ingère des données structurées (bases de données, API) ou non structurées (emails, images) ;
• le raisonnement : un modèle de langage détermine la meilleure action possible compte tenu de l'objectif fixé ;
• l'action : l'agent exécute cette action, par exemple en appelant une API externe ou un serveur Model Context Protocol (MCP) ;
• la rétroaction : le résultat de l'action nourrit l'étape de raisonnement suivante ;
• l'humain peut intervenir à n'importe quelle étape, selon un principe dit "human-in-the-loop".

Cette mécanique permet à l'agent d'enchaîner plusieurs tâches sans qu'un humain valide chaque micro-décision, contrairement à un chatbot qui attend systématiquement une nouvelle instruction.

Les quatre couches d'une architecture agentique

D'après la note du CIANum relayée par Vie publique en mars 2026, une architecture logicielle agentique s'organise en quatre couches fonctionnant en synergie, un détail de conception qui explique pourquoi ces systèmes sont plus complexes à auditer qu'un simple chatbot :

• la couche applicative, l'interface avec laquelle l'utilisateur interagit, souvent un chatbot qui sert de porte d'entrée conversationnelle ;
• la couche d'orchestration, qui séquence les actions nécessaires à l'accomplissement d'une tâche et sollicite différents micro-services ;
• la couche logique, ou de raisonnement, qui connaît des scénarios types d'enchaînement d'actions et calcule le coût de chaque alternative ;
• la couche d'évaluation, qui vérifie la qualité du résultat et le corrige si nécessaire.

Agent IA ou chatbot : la différence qui change tout

Autonomie et prise de décision

La CNIL insiste, dans une note publiée en juillet 2026, sur le fait que les IA agentiques "constituent une rupture dans le traitement et la circulation des données personnelles", précisément parce qu'elles réalisent de multiples tâches successives et interconnectent plusieurs agents au système orchestrateur. Un chatbot génératif, lui, reste enfermé dans un modèle d'entrée-sortie : on pose une question, il répond, selon la description qu'en donne Oracle France. L'IA agentique, à l'inverse, vérifie ses propres progrès, décide d'ajouter une étape ou de demander de l'aide, et poursuit l'exécution jusqu'au résultat ou jusqu'à l'intervention humaine.

« L'IA agentique bénéficie de validations intermédiaires par des experts humains. », Conseil de l'intelligence artificielle et du numérique, note sur l'IA agentique, février 2026.

Tableau comparatif

Le Conseil de l'intelligence artificielle et du numérique a formalisé cette distinction dans un tableau repris par Vie publique :

Cette distinction n'est pas qu'académique. Elle détermine qui, de l'utilisateur ou du système, déclenche réellement une action sur une messagerie, un compte bancaire ou un dossier administratif.

Les risques et limites identifiés par les régulateurs

Ce que dit la CNIL

Dans sa note sur IA agentique et protection des données personnelles, la CNIL détaille une architecture typique en trois niveaux : un agent "orchestrateur" qui sert d'interface en langage naturel, des agents "spécialisés" qui accomplissent des tâches précises comme la génération de code, le traitement de texte ou les paiements en ligne, et des connexions à des services externes (applications, bases de données, outils de recherche web). Chacune de ces connexions est un point d'entrée supplémentaire pour une fuite ou un détournement de données, ce qui explique l'attention particulière portée par le régulateur français.

Ce que dit le Conseil de l'IA et du numérique

La note du CIANum, publiée en février 2026 et relayée par Vie publique, liste plusieurs limites techniques propres à ces systèmes :

• des effets de cascade, chaque étape d'un processus pouvant générer des erreurs qui se cumulent ;
• une "dérive de l'orchestration" lorsque plusieurs agents interagissent sans cadre commun ;
• un "désalignement sémantique", quand des agents interprètent différemment une même consigne ;
• des risques accrus pour la cybersécurité, liés au nombre de connexions externes mobilisées ;
• l'héritage des risques déjà connus de l'IA générative : inexactitude, biais, hallucinations, limites d'explicabilité, selon un guide publié par le gouvernement du Québec.

Ces risques expliquent pourquoi le CIANum préfère parler d'"IA agentique" plutôt que d'"agents IA" tout court : l'expression évite de réduire le débat à une opposition binaire entre automatisation totale et contrôle humain. Dans les faits, les validations intermédiaires par des experts humains restent la norme dans la plupart des déploiements actuels.

Où l'IA agentique s'utilise déjà

Dans les entreprises, les cas d'usage se multiplient autour de tâches répétitives à forte valeur ajoutée : génération de code, traitement automatisé de documents, orchestration de paiements, ou encore analyse de données techniques. TotalEnergies a ainsi annoncé un partenariat de trois ans avec Mistral, doté de 100 millions d'euros, pour appliquer ce type de système à l'exploration pétrolière. Mais les retours de terrain restent contrastés : de nombreux pilotes d'agents IA en entreprise n'aboutissent jamais, faute de cadrage suffisant sur les objectifs, les garde-fous ou la gouvernance des données.

Les chercheurs rappellent par ailleurs que le concept n'est pas né avec les grands modèles de langage. The Conversation souligne, dans une analyse publiée en mars 2026, que les systèmes multi-agents existent depuis plusieurs décennies dans la recherche en intelligence artificielle, et que ce qui change aujourd'hui, ce sont surtout les outils, notamment la capacité des grands modèles de langage à interagir plus naturellement avec les humains et entre eux.

Questions frequentes

Un agent IA peut-il agir sans aucune supervision humaine ?

Non, en théorie. Les définitions retenues par la CNIL et le CIANum précisent que l'autonomie des agents est "variable" et s'exerce généralement dans un périmètre défini, avec des garde-fous posés par l'humain. Le principe de validation intermédiaire ("human-in-the-loop") reste recommandé, en particulier pour les actions sensibles comme les paiements.

Quelle est la différence avec un simple chatbot ?

Un chatbot répond à une requête et s'arrête. Un agent IA poursuit un objectif, décompose ce dernier en étapes, utilise des outils externes (API, bases de données) et ajuste son plan selon les résultats obtenus, sans attendre systématiquement une nouvelle instruction humaine.

Pourquoi la CNIL s'inquiète-t-elle de ces systèmes ?

Parce que l'IA agentique multiplie les points de contact avec des données personnelles : chaque connexion à un service tiers, chaque agent spécialisé, chaque orchestration entre agents est un nouveau canal de circulation de données, selon la note de la CNIL publiée en juillet 2026.

Les erreurs d'un agent IA se corrigent-elles toutes seules ?

Une "couche d'évaluation" est censée vérifier la qualité du résultat et le corriger si nécessaire, selon l'architecture décrite par le CIANum. Mais les régulateurs signalent des "effets de cascade" : une erreur commise à une étape peut se propager et s'amplifier avant d'être détectée.

L'IA agentique remplace-t-elle l'IA générative ?

Non, elle s'appuie dessus. Un agent orchestrateur repose généralement sur un modèle d'IA générative pour l'interface en langage naturel avec l'utilisateur, avant de coordonner des agents spécialisés pour exécuter les tâches concrètes, selon la description qu'en donne la CNIL.