IA, IA générative, IA agentique : quelle différence ?

En réunion, quelqu'un lâche « on va mettre de l'IA là-dessus » et tout le monde hoche la tête. Sauf que chaque personne autour de la table a en tête un objet différent, et ces objets n'ont ni le même coût, ni les mêmes risques, ni les mêmes garde-fous. La confusion ne vient pas d'un déficit de culture technique : elle vient de ce qu'un seul mot recouvre trois familles qui n'ont presque rien en commun.

L'IA au sens large regroupe des techniques qui classent, prédisent ou détectent sans rien produire de neuf ; l'IA générative fabrique du contenu nouveau à partir d'une consigne, puis s'arrête ; l'IA agentique ajoute des outils et une boucle qui lui permettent d'agir jusqu'à atteindre un objectif. L'écart entre les trois n'est pas une question de puissance du modèle, c'est une différence de nature, et c'est elle qui détermine comment vous devez les évaluer.

L'IA faisait déjà tourner votre entreprise avant 2023

C'est le niveau dont plus personne ne parle, et il est pourtant partout. Le filtre qui écarte le spam de votre boîte, le score qui décide si un dossier de crédit part en instruction manuelle, l'algorithme qui repère une transaction anormale sur une carte bancaire, la reconnaissance de caractères qui transforme vos factures scannées en lignes comptables : tout cela relève de l'intelligence artificielle, et une bonne partie de ces techniques ont vingt ou trente ans. Elles partagent un trait commun : elles ne créent rien. On leur donne une entrée, elles la rangent dans une case ou elles rendent un nombre. Rien de plus.

Cette précision n'est pas de la pédanterie de vocabulaire, elle a un effet direct sur vos arbitrages. Quand une équipe vous remonte un besoin formulé en « il nous faudrait de l'IA pour prioriser les tickets », il s'agit le plus souvent d'un problème de classification, et c'est une excellente nouvelle : ces systèmes rendent un résultat mesurable avec une métrique simple, et personne n'a besoin de réfléchir à ce qui se passe si le modèle décide d'agir de lui-même. Il ne le peut pas.

L'IA générative produit, puis elle s'arrête

Le basculement de 2023 porte sur une capacité précise : produire du contenu qui n'existait pas. Un texte, une image, un résumé, du code, une traduction. Vous écrivez une consigne, le modèle rend une sortie, et la transaction s'arrête là. C'est un objet fondamentalement passif, et ce mot est celui que je vous demanderais de retenir si vous ne deviez en garder qu'un. Le modèle ne vérifie pas son résultat, ne consulte rien pour se corriger, et ne sait pas lui-même s'il a eu raison.

Comprendre pourquoi demande de savoir ce qui tourne dessous : le modèle prédit le mot suivant le plus probable compte tenu de ce qui précède, et il le fait très bien, mais la vraisemblance n'est pas la vérité. J'ai détaillé cette mécanique pour un lecteur non technique, parce qu'elle explique à la fois les résultats spectaculaires et les erreurs confiantes. Un dirigeant qui a saisi ce point cesse de se demander pourquoi « l'IA a menti » et commence à se demander où, dans son organisation, une sortie plausible mais fausse coûte cher. C'est une question bien plus utile.

L'IA agentique agit, observe, recommence

Le troisième niveau ajoute deux choses à l'IA générative, et ces deux choses changent tout. D'abord des outils : la possibilité de lire un fichier, d'interroger une base, de lancer une commande, d'appeler une API, d'envoyer un message. Ensuite une boucle : le système tente quelque chose, lit ce qui s'est réellement passé, en tire une correction, et recommence jusqu'à atteindre l'objectif qu'on lui a fixé ou jusqu'à épuiser la limite qu'on lui a posée.

Il y a un troisième trait, moins visible, qui change pourtant la nature de l'objet : ce n'est pas forcément un humain qui déclenche un agent. Une horloge, une alerte, un événement dans votre système ou un autre agent peuvent le réveiller. Vous ne pilotez plus une conversation, vous exploitez un dispositif qui tourne. Ce qu'il y a exactement dans le capot d'un agent mérite un détour si le sujet arrive dans vos décisions à court terme, parce que les garde-fous y comptent plus que la performance brute du modèle.

	Ce qu'elle fait	Qui la déclenche	Ce qu'on surveille
IA classique	Classe, prédit, détecte	Un flux de données	La précision des prédictions
IA générative	Produit du contenu sur consigne	Un humain, à chaque fois	La qualité et la justesse des sorties
IA agentique	Agit en boucle jusqu'à un objectif	Un humain, une horloge, un événement	Les permissions, les traces, les coûts

Le même moteur, branché différemment

Voilà le point que je martèle chez mes clients, parce qu'il est contre-intuitif et qu'il évite les mauvais achats. Passer de l'IA générative à l'IA agentique n'est pas une montée en gamme du modèle. Un assistant conversationnel et un agent autonome peuvent tourner sur exactement le même moteur, la même version, le même fournisseur. Ce qui diffère, c'est ce qu'on a branché autour : les outils qu'on lui a ouverts, la boucle qu'on a refermée sur lui, les droits qu'on lui a donnés sur vos systèmes.

Ce n'est pas le modèle qui rend un agent puissant ou dangereux, c'est la liste des portes qu'on lui a ouvertes.

La conséquence commerciale est immédiate. Quand un éditeur vous vend « une IA plus puissante » pour passer d'un chatbot à un agent, il vous vend en réalité une intégration et des permissions, pas de l'intelligence supplémentaire. Et quand vos équipes affirment utiliser déjà de l'IA générative au quotidien, cela ne veut pas dire qu'elles sont à mi-chemin de l'agentique : les deux usages ne se suivent pas sur une même échelle. J'ai décrit ailleurs les trois niveaux d'usage que je rencontre en entreprise.

Un outil génératif s'évalue comme un logiciel, un agent comme un processus

C'est la traduction opérationnelle de tout ce qui précède, et celle que je vous conseille d'emporter en réunion. Face à un outil génératif, les questions sont celles de n'importe quel logiciel : qui s'en sert, pour quelles tâches, quel gain de temps mesuré, où partent les données, quelle qualité de sortie sur vos cas réels. Une adoption se pilote, un budget se compare à un existant, un essai se mène sur quelques semaines avec un périmètre limité.

Face à un agent, ces questions ne suffisent plus et poser les mauvaises coûte cher. Il faut savoir ce qui le déclenche, à quoi il accède en lecture et surtout en écriture, ce qu'il a le droit de faire sans validation humaine, ce qu'il laisse comme trace et qui lit ces traces. Autrement dit, un vocabulaire de processus et de contrôle interne, pas un vocabulaire d'outillage. Si cette grille vous paraît lourde, c'est normal : c'est la même qu'on applique à un collaborateur qui prend des décisions, et c'est bien le sujet.

Ce que vous pouvez répondre, maintenant

La prochaine fois que la phrase tombe en réunion, vous avez une question à poser avant toute autre : est-ce qu'on parle d'un système qui range, d'un système qui produit, ou d'un système qui agit ? Les trois réponses n'engagent pas les mêmes équipes, pas les mêmes budgets, pas les mêmes garanties à donner à votre direction juridique. Et il reste parfaitement légitime de conclure que votre besoin relève du premier niveau, celui dont plus personne ne parle, parce qu'il est robuste et peu coûteux à exploiter.

Ce découpage ne dit rien de ce qu'il faut faire chez vous, et je me méfie des recommandations qui prétendent le contraire sans connaître le contexte. Il vous donne de quoi tenir la conversation sans vous faire vendre un niveau pour un autre, ce qui est déjà beaucoup.