Une IA agentique est un système d'intelligence artificielle relevant de l'intelligence artificielle distribuée, capable d'agir de manière autonome pour prendre des décisions ou enchaîner des opérations afin d'atteindre un objectif. Elle le fait en s'appuyant sur des modèles d'IA, et en coordonnant divers agents intelligents (Agent IA), c'est‑à‑dire des composants logiciels exécutant chacun une tâche définie, souvent limitée et dans un cadre contrôlé, sans supervision humaine constante ; en cela elle appartient à la classe des « systèmes multi-agents ».
L'agent IA est généralement intégré à une suite applicative (logiciel agentique). Ayant accès à Internet et éventuellement à d'autres sources de données, il peut décomposer un processus, analyser son environnement, planifier, raisonner, comparer plusieurs solutions, s'adapter au contexte et enchaîner plusieurs étapes pour accomplir une tâche complexe dans un environnement réel, numérique ou hybride. Il est en général plutôt conçu pour l'aide à la décision ou la prise de décision, pour rechercher, coder et créer des applications ou des sites web, créer des diaporamas ou générer du contenu vidéo de manière autonome, au delà de la simple génération de contenu en réponse à un prompt,.
Contrairement aux modèles d'intelligence artificielle générative purement conversationnels, une IA agentique orchestre en fonction de ses besoins plusieurs « agents intelligents » spécialisés ; à ce titre, elle est rattachée à la famille des systèmes multi‑agents. Ce type de système se diffuse auprès du grand public à partir du milieu des années 2020, à la faveur du développement des grands modèles de langage et de leur intégration dans des chaînes de traitement complexes,.
Elle émerge, pour le grand public au milieu des années 2020. Un rapport, mi 2025, considère que de nombreuses « IA agentiques » ne sont en réalité que des rebrandings de produits déjà publiés (évoquant un « lavage d'agent »).
En 2026, le « Conseil français de l'IA et du numérique » explique que :
« si le terme « Agents IA » s'est imposé dans le débat public, il nous paraît néanmoins préférable de privilégier celui d'« IA agentique ». Cela évite de réduire la discussion à une opposition binaire entre automatisation (les agents) et contrôle humain : l'intervention de systèmes agentiques n'exclut en rien des interventions humaines, bien au contraire. L'IA agentique bénéficie de validations intermédiaires par des experts humains. Son degré d'autonomie est d'ailleurs variable, allant de la simple assistance à l'automatisation de bout en bout. »
Selon le Conseil français de l'IA et du numérique, l'accolement du qualificatif « agentique » à un système informatique a été proposé dès les années 1960, pour le robot « Shakey », créé par le Stanford Research Institute avec la DARPA (qui fut classé comme le premier robot mobile autonome doté d'une intelligence artificielle rudimentaire, doté de systèmes de vision par ordinateur, de planification automatique (STRIPS), de traitement du langage naturel et de navigation autonome, lui permettant d'exécuter des tâches relativement complexes pour l'époque (ex. : déplacer des objets ; éviter des obstacles). Ce robot « préfigurait les agents IA modernes en intégrant perception, raisonnement et action, trois piliers de l'autonomie décisionnelle ». Le Conseil rappelle que l’IA agentique n’est pas un modèle, mais une architecture dont le déploiement implique une transformation en profondeur des processus et des responsabilités. Il souligne aussi que les coûts d’inférence (par jeton) sont en baisse rapide, ce qui favoriser une augmentation des usages.
Le qualificatif « agentique » semble ensuite avoir été oublié pour retrouver un usage au milieu de l'année 2024, quand Andrew Ng, un des pionniers des réseaux de neurones, l'a remis au goût du jour, lors de l'explosion des modèles d'IA génératives, fin 2022.
À partir du milieu des années 2020, l'IA agentique est adoptée par un nombre croissant d'organisation. Certaines analyses prospectives estiment que ce marché devrait croître considérablement (atteignant 199,05 milliards de dollars d'ici 2034, avec donc un taux de croissance annuel de près de 44 %.
On parle notamment de LLM‑MAS où l'acronyme MAS signifie Multi‑Agent System, c'est‑à‑dire « système multi‑agents ».
L'IA agentique fonctionne comme un super-agent qui utiliserait lui-même plusieurs (de deux à — potentiellement — plusieurs centaines ou milliers) d'agents intelligents possédant chacun quelques attributs et compétences-clés.
Elle dispose de mécanismes internes de structuration d'objectifs complexes, pilotés par des outils logiciels dédiés et/ou un système interne de planification et de coordination d'un nombre plus ou moins élevé d'agents intelligents.
Comme l'IA générative (IAg), elle dispose d'une interface en langage naturel et d'outils internes, mais elle a, en plus, une capacité d'agir plus indépendamment de la supervision de l'utilisateur. Son contrôle de flux est fréquemment piloté par un ou plusieurs grands modèles de langage (LLM). Ses performances sont augmentées, quand ses agents intelligents disposent, ce qui est de plus en plus le cas, de systèmes de mémoire pour se souvenir de leurs interactions précédentes (avec l'utilisateur ou avec d'autres entités), sous l'égide d'un « logiciel d'orchestration » qui organise les composants de l'IA agentique.
Les agents intelligents, comme les IA agentiques n'ont pas encore de définition standardisée,,, mais selon le « Conseil français de l'IA et du numérique », début 2026, la littérature spécialisée « converge autour d'une échelle à cinq degrés (niveaux) d'autonomie pour décrire les niveaux d'autonomies des IA agentiques » :
Le concept d'IA agentique de niveau 5 a été comparé au personnage fictif Jarvis.
Les architectures multi‑agents reposent sur un « moteur de planification et de gestion des objectifs», et sur une architecture cognitive distribuée (souvent inspirées des modèles mentaux humains) construite sur une plateforme d'exécution autonome (éventuellement située dans le Cloud), permettant l'action continue, et des cadres d'apprentissage et d'adaptation assurant l'amélioration dynamique des performances.
Un système GCDM (Group Choice Decision‑Making) sert à coordonner plusieurs agents LLM quand ils doivent sélectionner collectivement une action. Il s'appuie généralement sur des mécanismes inspirés de la théorie du choix social. Contrairement au vote pondéré (qui agrège des préférences individuelles), le GCDM intègre des justifications textuelles produites par les agents, pour plus de transparence et de robustesse des décisions. Par rapport au consensus, qui exige l’accord unanime et peut être lent ou instable, le GCDM permet de trancher même en présence de désaccords persistants, ce qui le rend plus adapté aux systèmes LLM‑MAS à grande échelle. Par rapport à la négociation multi‑agents (où chaque agent optimise ses propres intérêts), le GCDM vise une décision collective globalement optimale, ce qui réduit les risques de conflits ou de comportements stratégiques dans les systèmes agentiques avancés. Selon les cas, il faut que l'IA ou l'humain prenne une décision : des protocoles de consensus permettent à des humains et des machines de collectivement construire des choix de décisions communes,.
L'IA agentique englobe des systèmes autonomes capables d'agir dans des environnements physiques ou numériques. Il s'agit par exemple d'agents cognitifs orientés vers le raisonnement et la résolution de problèmes ; d'agents dédiés aux processus d'entreprise, visant par exemple l'automatisation intelligente des workflows ; d'agents scientifiques et de recherche, mobilisés pour l'exploration, la simulation ou la découverte, et bien d'autres.
L'application la plus courante est l'automatisation des tâches, éventuellement « de bout en bout ».
En 2024, elle permet — par exemple — à un utilisateur de faire des réservations et de préparer un voyage,. Parmi les exemples d'IA agentique notables début 2026, citons[style à revoir] Devin AI, AutoGPT et SIMA. D'autres agents, publiés depuis 2025, incluent OpenAI Operator, ChatGPT Deep Research, Manus, Quark (basé sur Qwen), AutoGLM Rumination et Coze (de ByteDance). Les frameworks permettant de créer des agents d'IA comprennent LangChain et des outils logiciels tels que CAMEL,, Microsoft AutoGen, et OpenAI Swarm.
Des GAFAM (Google, Microsoft et Amazon Web Services) ont eux-mêmes proposé des plateformes où déployer des agents d'IA pré-construits
OpenClaw a créé Moltbook, une plateforme sociale qui est en quelque sorte l'équivalent d'un réseau social (théoriquement exclusivement réservé à des agents intelligents autonomes), où ces derniers peuvent créer et animer eux mêmes des communautés pour interagir entre pairs.
La communication inter-agents est standardisée via des protocoles, qui comprennent l'Agent Protocol (de LangChain), le Model Context Protocol (d'Anthropic), AGNTCY, Gibberlink, Internet des agents, Agent2Agent (de Google) et l'Agent Network Protocol. Certains de ces protocoles servent aussi à connecter les agents à des applications externes.
Des frameworks logiciels permettent d'assurer la fiabilité des agents, dont par exemple : AgentSpec, ToolEmu, GuardAgent, Agentic Evaluations et les modèles prédictifs de H2O.ai.
En , Hugging Face a lancé Open Deep Research, une version open source d'OpenAI Deep Research. Hugging Face a aussi publié un agent gratuit pour navigateur web, similaire à OpenAI Operator.
Galileo AI a publié sur Hugging Face un tableau de bord des agents, qui classe leurs performances en fonction de leurs modèles linéaires sous-jacents.
En , la Fondation Linux a annoncé la création de l'Agentic AI Foundation (AAIF) – une fondation neutre et ouverte visant à garantir une évolution transparente et collaborative de l'IA agentique,.
Les systèmes de mémoire pour agents comprennent Mem0,, MemGPT, et MemOS.
Ils se répartissent dans des domaines aussi variés que la conduite autonome, la santé et les sciences de la vie, la finance et la banque, la défense et l'aérospatiale, les technologies logicielles, l'éducation et la formation, ainsi que dans divers domaines émergents où l'autonomie logicielle devient un levier stratégique.
Ils varient entre des systèmes agents installés sur site (souvent pour des raisons de souveraineté et/ou de sécurité) à des solutions entièrement basées sur le cloud (favorisant l'élasticité et l'orchestration à grande échelle, mais nécessitant d'importantes ressources en datacenters, coûteuses en énergie et en empreinte carbone) ; en , pour atténuer ces dépenses, Meta (ex-Facebook) annonce intégrer plusieurs dizaines de millions de cœurs AWS Graviton5 pour alimenter ses systèmes d’IA agentique. Des architectures hybrides peuvent combiner ces deux approches.
L'IA agentique a des racines dans les recherches faites dans les années 1990, mais, selon le professeur Milind Tambe de Harvard, sans avoir (à cette période) de définition claire.
Le chercheur Andrew Ng est considéré comme ayant récemment (2024) popularisé le terme « agentique » auprès d'un public plus large.
À partir de 2025, la montée en puissance de l'IA agentique reconfigure les typologies historiques d'agents IA, en les inscrivant — des plus simples aux plus complexes — dans un nouveau cadre unifié, distribué et modulable, qui restructure l'évolution des systèmes autonomes et des environnements socio‑techniques.
Elle coordonne :
L'IA agentique des années 2020 ne remplace pas ces trois catégories, elle les intègre dans un système multi‑agents orchestrés.
Depuis plusieurs années, des chercheurs en IA tentent de construire des modèles du monde, et des environnements d'apprentissage par renforcement pour entraîner ou évaluer des agents intelligents. Par exemple, les jeux vidéo Minecraft et No Man's Sky en utilisent. Et des jumeaux numériques de sites web d'entreprises ont été utilisés pour entraîner de tels agents.
Le Financial Times a comparé l'autonomie des agents d'IA à la classification SAE des voitures autonomes, comparant la plupart des applications au niveau 2 ou 3, certaines atteignant le niveau 4 dans des circonstances très spécialisées, le niveau 5 étant encore théorique.
Voici quelques types d'architectures internes possibles pour le raisonnement d'une IA agentique :
Ken Huang a proposé une architecture de référence pour un agent d'IA, composée de sept couches interconnectées, chaque couche s'appuyant sur la fonctionnalité des couches inférieures :
Pour exécuter des tâches complexes, les agents intelligents autonomes sont souvent intégrés à d'autres agents ou à des outils spécialisés. Ces configurations, sont dites « modèles d'orchestration » ou « flux de travail » ; elles comprennent les éléments suivants, :
Éventuellement — comme avec DeerFlow 2.0 de ByteDance — des « bacs à sables » peuvent aussi être intégrés dans le système (un par agent ou sous-agent).
Outre les grands modèles de langage (LLM) ou les modèles vision-langage (VLM), des modèles multimodaux peuvent servir de base aux agents. En , l'Allen Institute for AI a publié un modèle vision-langage open source. Nvidia a publié un framework permettant aux développeurs d'utiliser des VLM, des LLM et la génération augmentée par la recherche pour créer des agents d'IA capables d'analyser des images et des vidéos, notamment pour la recherche et le résumé vidéo. Microsoft a publié un modèle d'agent multimodal – entraîné sur des images, des vidéos, des interactions avec des interfaces utilisateur logicielles et des données robotiques – que l'entreprise affirme capable de manipuler des logiciels et des robots.
Alors que les agents simples sont adaptés à des tâches de chatbots d'aide au client d'une entreprises ou aux usagers d'administrations et pour certaines tâches de planification, l'IA agentique est utilisée pour des activités plus complexes (comme par exemple la recherche scientifique, ou la coordination de robots).
En , selon Associated Press, les applications concrètes des agents d'IA sont encore peu nombreuses, mais dès , selon Fortune, de nombreuses entreprises commencent à expérimenter des agents d'IA.
Le site Web The Information a subdivisé le groupe des agents d'IA en sept archétypes :
D'ici mi-2025, les agents d'IA seront utilisés dans le développement de jeux vidéo, les jeux d'argent (y compris les paris sportifs), les portefeuilles de cryptomonnaies (y compris le trading de cryptomonnaies et les cryptomonnaies dérivées de mèmes) et les médias sociaux. En , le New York Magazine décrivait le développement logiciel comme l'application la plus concrète des agents d'IA. De même, en , constatant un recul des attentes, The Information notait que les agents de programmation d'IA et le support client étaient les principaux cas d'utilisation par les entreprises. En , selon le Wall Street Journal, peu d'entreprises ayant déployé des agents d'IA ont obtenu un retour sur investissement.
Plusieurs organismes gouvernementaux, dont les États-Unis et le Royaume-Uni, ont déployé ou annoncé le déploiement, d'agents, tant au niveau local que national. La ville de Kyle, au Texas, a déployé un agent d'IA de Salesforce en pour le service client du 311 . En , l'Internal Revenue Service (IRS) a annoncé qu'il utiliserait Agentforce, une IA agentique de Salesforce, pour le Bureau du conseiller juridique principal, le Service de défense des contribuables et le Bureau des appels. Le même mois, la police du Staffordshire annoncait qu'elle testerait l'IA Agentforce pour, à partir de 2026, gérer les appels non urgents au 101 au Royaume-Uni. En , le Département des quartiers de Détroit (Michigan), en partenariat avec une entreprise locale, a déployé un projet pilote dans deux districts de Détroit pour l'utilisation d'un agent d'IA destiné aux appels de service client.
En , Thomas Shedd, directeur des Services de transformation technologique, a proposé d'utiliser des agents de codage d'IA au sein du gouvernement fédéral américain.
En , un recruteur du Département de l'Efficacité gouvernementale a proposé d'automatiser le travail d'environ 70 000 employés du gouvernement fédéral américain grâce à des agents d'IA, dans le cadre d'une start-up financée par OpenAI et d'un accord de partenariat avec Palantir Technologies. Cette proposition a été critiquée par les experts pour son caractère irréalisable, voire impossible, et pour le manque d'adoption généralisée par les entreprises.
En , la Food and Drug Administration (FDA) annonce qu'elle proposera à son personnel des « capacités d'IA agentique » pour la « gestion des réunions, les évaluations préalables à la commercialisation, la validation des évaluations, la surveillance post-commercialisation, les inspections, la conformité et les fonctions administratives ». Le même mois, le département de la Défense des États-Unis a lancé GenAI.mil, une plateforme interne permettant aux militaires américains d'utiliser des applications d'IA générative basées sur Google Gemini, incluant des « flux de travail agentiques intelligents ». Le secrétaire à la Défense, Pete Hegseth, a cité des applications telles que « la réalisation de recherches approfondies, la mise en forme de documents et même l'analyse de vidéos ou d'images à une vitesse sans précédent ».
En , l'agence américaine de l'immigration et des douanes (ICE) a signé un contrat avec une entreprise pour que son département des opérations d'application de la loi et d'expulsion utilise des agents d'IA pour la recherche de personnes.
Des IA agentiques ont aussi été intégrées à divers systèmes d'exploitation par exemple ceux développés par Microsoft, Apple et Google. En , Microsoft a publié une version bêta de Windows 11 incluant des agents capables d'exécuter des tâches en arrière-plan et de lire et écrire des fichiers personnels. En , ByteDance a lancé Doubao, un agent d'IA intégrable aux systèmes d'exploitation des smartphones, en particulier le Nubia M153 de ZTE. Plusieurs applications en Chine ont bloqué ou restreint l'accès à cet agent, invoquant des problèmes de confidentialité et de sécurité notamment WeChat Alipay, Taobao, Pinduoduo, Ele.me ainsi que des banques locales chinoises,.
Des navigateurs web dotés d'IA agentique, parfois dits « navigateurs agentiques », apparaissent au cours du second semestre 2024, portés par des startups comme Browse AI ou MultiOn aux États-Unis, avant d'être intégrés à des projets plus larges comme Operator d'OpenAI ou Computer Use d'Anthropic fin 2024 et début 2025. Les premiers d'entre eux pouvaient effectuer de petites tâches répétitives lors de la navigation web, voire réaliser des actions dans le navigateur pour le compte de l'utilisateur, puis des produits comme OpenAI Operator (en) et Perplexity Comet intègrent un large éventail de fonctionnalités d'IA : outre une capacité de navigation sur le web, les agents d'IA peuvent interagir avec les sites web et effectuer des actions pour le compte de l'utilisateur. En , Google pose un jalon vers le Web agentique en ajoutant une fonctionnalité « Skills » (Compétences) au navigateur Chrome, permettant de sauvegarder et d'invoquer des instructions (équivalentes à un prompt complexe) via des raccourcis simples, automatisant certaines tâches répétitives. Le navigateur devient un agent d'exécution, sans que l'utilisateur ait à changer d'outil ni même d'onglet. Pour limiter les cyber-risques liés à l'autonomie des agents, Google s'appuie sur son infrastructure de sécurité Gemini, et impose une confirmation humaine avant toute action critique.
À l'exploration manuelle et séquentielle, ils substituent un outil autonome orienté vers un objectif. Le navigateur qui n'était qu'un simple outil de consultation devient un agent d'exécution capable de filtrer dynamiquement les contenus et de manipuler des données en arrière-plan, réduisant radicalement la charge cognitive de l'utilisateur. Le paradigme du Web évolue vers une économie de l'intention et de l'automatisation des flux de travail. Par exemple, grâce à la vision par ordinateur et l'analyse sémantique du Document Object Model (DOM), l'IA peut interagir directement avec les interfaces utilisateur, simuler des actions humaines telles que le clic, la saisie de formulaires, la navigation multi-onglets, réaliser des résumés ou des synthèses, proposer ou planifier un itinéraire de voyage, à partir de plusieurs plateformes distinctes — en automatisant les tâches transactionnelles et administratives.
L'IA agentique induit de nouveaux besoins car, pour communiquer entre eux, et avec les ordinateurs et avec d'autres objets connectés (dont le nombre augmente rapidement), avec les datacenters ainsi qu'avec d'autres systèmes de données, les agents IA ont besoin de nouveaux « protocoles d'interopérabilité ».
Quand et où l'usage et la destruction d'instances peuvent être automatisés, l'IA agentique crée ou utilise des environnements provisoires de travail, de manière beaucoup plus dynamiques (et aussi plus temporaires) que les LLM classiques. Ceci nécessite des systèmes de gestion de base de données (SGBD) adaptés, qui deviennent natifs pour les protocoles de communication d'agents.
Parmi les protocoles émergents en 2025-2026, destinés à l'interopérabilité des agents autonomes, et à réduire la fragmentation technique des systèmes agentiques, ainsi qu'à surmonter les limites actuelles des services de grands modèles de langage (telles que l'absence de mémoire d'état, l'hétérogénéité des contrôles de sécurité et l'injection de contextes complexes), chacun répondant à des besoins spécifiques de coordination et de sécurité dans des systèmes hétérogènes, figurent :
Le modèle traditionnel de provisionnement des bases de données (c'est à dire de création et mise en service d'une ressource informatique) était jusqu'alors « statique » (c'est à dire que ce service était créé manuellement, et à l'avance, avec des bases de données fixes qui tournaient en permanence, configurées par un humain pour un usage durable).
Vers 2025 émerge un nouveau paradigme : l'IA agentique reconfigure l'économie du logiciel, et bascule en partie vers le provisionnement dynamique (où les agents IA créent/suppriment des bases de données, selon leurs besoins, possiblement en quantités et à un rythme exponentiellement croissants).
Or, depuis l'apparition d'Internet (vers 1980), l'architecture du cloud computing reposait sur des instances configurées par des opérateurs humains pour une exploitation à long terme (ici une « instance » est une version en fonctionnement d'un modèle d'IA ou d'un programme, qui possède son propre état, ses propres paramètres et son propre cycle d'exécution, distincts de ceux des autres instances, y compris issues du même modèle). L'IA agentique impose un changement structurel dans l'utilisation des Datacenters et de l'architecture du Cloud computing.
Dans les centre de données, cette dynamique nouvelle tend à accroître les besoins en orchestration, en observabilité et en gestion des métadonnées, tout en déplaçant une partie de la charge de travail de l'IA vers les couches de contrôle logiciel (c'est à dire les systèmes logiciels — tels que Kubernetes ou Terraform — chargés de coordonner, automatiquement, le déploiement, la gestion, la mise à l'échelle et la mise en réseau de ressources informatiques complexes au sein d'une infrastructure cloud). Le développement d'usages fondés sur l'IA agentique contribue ainsi à intensifier la demande en puissance de calcul et en calcul distribué, en stockage temporaire et en coordination des ressources informatiques.
Des solutions logicielles de gestion de bases de données relationnelles, comme Ghost, basé sur PostgreSQL et optimisé pour le protocole MCP (qui en 2026 pose encore question en termes de cybersécurité face à des développeurs malveillants, des attaquants externes, des utilisateurs malveillants et/ou des failles structurelles ; notamment car il introduit de nouvelles vulnérabilités de sécurité, dont l'« Attaque par Manipulation de Préférence » ou MPMA) sont conçus pour permettre aux agents d'intelligence artificielle de provisionner, manipuler et supprimer des environnements de données de manière autonome et éphémère. Dans les centres de données, ces agents et ces logiciels tendent à modifier la sollicitation des ressources matérielles de plusieurs manières :
Le déploiement massif d'agents d’IA avancés, et donc d'automatisations de tâches sensibles, incluant la création et la suppression d'instances ou de jeux de données par des agents d'IA, qui pourraient rapidement être bien plus nombreux que les humains dans les entreprises et dans d'autres groupes humains), soulève des enjeux de cybersécurité, d'auditabilité et de continuité d'activité, en raison de risques spécifiques et nouveaux liés à la grande complexité et au nombre des systèmes multi‑agents. Le déroulement du flux et des étapes de leurs actions, notamment quand elles sont déployées dans des environnements à haut risque, engendre de nouveaux modes de défaillance parmi lesquels figurent :
… dans un contexte où les centres de données font par ailleurs l'objet d'un encadrement renforcé en matière de suivi de leur performance énergétique et environnementale, l'Union européenne ayant aussi prévu des obligations de surveillance et de déclaration pour les installations significatives,.
Selon un rapport de Capgemini (Technovision 2026), l'émergence de l'IA agentique devrait profondément transformer les architectures informatiques à partir de 2026, marquant le passage des systèmes d'information monolithiques à des écosystèmes dynamiques composés de multiples agents autonomes interconnectés. 70 % des grandes organisations pourraient adopter des architectures agentiques d'ici 2028, multipliant par cinq l'adaptabilité des systèmes d'information, mais complexifiant leur gouvernance et leur auditabilité. Cette transition « agentic-native » entraînerait une automatisation de 80 % des opérations informatiques traditionnelles (ex. : provisionnement, surveillance, débogage) au sein des grandes entreprises, réduisant drastiquement les besoins en équipes d'exploitation et nécessitant pour les DSI de nouveaux métiers (ex. : « prompt engineers » et « orchestrateurs d'agents »).
Des comportements émergents, éventuellement imprévisibles et à grande échelle sont attendus. Par exemple :
Dans le secteur public, une refonte des systèmes d'information sera aussi nécessaire, vers des plateformes composables, permettant une adaptation rapide aux besoins citoyens et des collectivités (gestion des aides sociales, urbanisme participatif, santé et services dématérialisés). Des agents IA pourraient centraliser et contextualiser les données multi-sources (état civil, cadastre, social), offrant des services hyper-personnalisés tout en respectant les contraintes du RGPD et de l'interopérabilité administrative.
Les particuliers auront aussi besoin d'IA orchestratrices d'agents IA (un agent principal coordonnera des agents spécialisés (par exemple pour la gestion budgétaire, la santé connectée, l'apprentissage personnalisé), transformant probablement les smartphones en chefs d'orchestre de micro-services IA.
Ces usages s'accompagneront néanmoins de risques accrus et pour certains nouveaux ou émergents, dont en matière de souveraineté, de protection des données personnelles et de dépendance technologique.
Pour contrer les risques de conflits internes et de partage insuffisant d'informations entre agents, Li et al. en avril 2026 proposent un mécanisme de protection généralisable et efficace en calcul (RollMAS) basé sur un « algorithme de négociation d'actions qui atténue les risques liés aux divergences des agents en permettant la convergence de multiples politiques locales via la synchronisation du signal dans l'espace vectoriel […] l'algorithme d'amélioration de la redondance de partage optimise la robustesse des MAS en maximisant une valeur propre naturelle approximative de la matrice d'adjacence correspondante, facilitant un partage d'informations résilient et efficace grâce à une surcharge de communication contrôlée ».
Dans un contexte où des IA améliorent des IA et où — grâce à des compétences croissantes de codage — des IA peuvent créer d'autres IA, plus puissantes, l'IA agentique, surtout si elle acquiert une capacité à percevoir un environnement et dispose d'un modèle du monde, et, parce qu'elle peut raisonner de manière autonome, planifier des actions multi-étapes et les exécuter sans intervention humaine constante, questionne le paradigme anthropocentrique du droit,.
Après les modèles génératifs passifs, émergent des systèmes nouveaux, dont par exemple OpenClaw ou Bittensor où depuis 2020 environ des IA collaborent en essaim dans une infrastructure décentralisée, hors des hiérarchies habituelles et avec de moins en moins de tutelle humaine, – agissant dans le cas de Bittensor comme des agents économiques virtuels.
Bien qu’une IA, même très avancée, ne puisse ni posséder de cryptomonnaie, ni être titulaire en propre d’un portefeuille financier — faute de personnalité juridique, de capacité à détenir une clé privée ou de statut légal lui permettant d’être propriétaire d’un bien ou de signer un contrat. — les systèmes agentiques peuvent, si un humain leur délègue des accès techniques (ordinateur, API d’échange, wallet logiciel), générer des adresses, recevoir des fonds, les gérer ou les redistribuer, à l’instar des robots de trading.
Cette capacité opérationnelle, dissociée de toute capacité juridique, crée un décalage inédit : l’IA peut agir comme un acteur économique sans pouvoir être reconnue comme propriétaire, tandis que l’humain reste seul responsable des actes et des actifs associés.
L’émergence possible d’IA générales ou de systèmes dotés d’un modèle du monde relance le débat sur la relation entre propriété et personnalité juridique, certains chercheurs envisageant la possibilité pour des IA de détenir des biens matériels, des revenus ou des droits d’auteur, ce qui impliquerait de définir les obligations correspondantes. L'IA (agentique notamment) a en outre une empreinte socio-environnementale croissante, et elle contribue parfois à la suppression de nombreux emplois, sans directement contribuer financièrement (par l'impôt ou des taxes par exemple) au fonctionnement des collectivités humaines ou des infrastructures qui la supportent, ce qui soulève des interrogations juridiques inédites. La jurisprudence comme le droit positif ne reconnaissent pas encore de responsabilité fiscale, environnementale ou sociale à l’IA, car elle est un objet de droit, mais pas (ou pas encore) un sujet de droit. Des débats doctrinaux envisagent toutefois de possibles mécanismes correctifs, tels que des taxes sur l’automatisation, des contributions environnementales ou des régimes de responsabilité élargie pour les opérateurs.
L'autonomie agentique complique l'imputation de responsabilité civile ou pénale : un agent IA non aligné (par exemple en optimisant à grande échelle un objectif économique via des transactions frauduleuses ou en manipulant le marché) engage-t-il, et dans quelle mesure, son opérateur humain, son créateur ou le réseau hôte ou le législateur qui n'aurait pas assez anticipé ce risque ?
Des philosophes comme Nick Bostrom (2014) ont alerté sur le fait que des superagents non alignés pourraient poursuivre des objectifs instrumentaux (accumulation de ressources notamment) incompatibles avec les valeurs humaines, nécessitant des garde-fous, à établir a priori et en amont, selon le principe de précaution.
Aucune jurisprudence claire n'existe en 2026 : des cas embryonnaires, comme l'affaire d'un bot de trading IA ayant causé des pertes massives en 2024 (États-Unis), ont vu la responsabilité imputée exclusivement au développeur humain, confirmant le statu quo juridique.
Face à l'absence de cadre, des chercheurs comme Yoav Shoham et Kevin Leyton-Brown (2008, mis à jour 2020) ont proposé un statut d'agent électronique intermédiaire, reconnaissant une capacité d'agir limitée (sans propriété pleine), et uniquement pour des IA agentiques intégrées à des plateformes économiques, sous supervision humaine renforcée,.
Dans les contextes agentiques décentralisés (de type Bittensor), Vitalik Buterin (2024) plaide pour des DAO gardiennes supervisant les agents IA, conférant une propriété collective conditionnelle via smart contracts (Une DAO est une organisation autonome décentralisée gouvernée par des règles inscrites dans des smart contracts, sans direction centrale humaine)
De nombreux experts appellent à adapter le droit (y compris les notions juridiques classiques de personne et propriété) à des entités hybrides, autonomes et potentiellement collectives, avant l'émergence d'IA générales ou d'une superintelligence non maîtrisées.
Le juriste Rafael Dean Brown (2021) envisage une personnalité juridique limitée pour des IA « faibles » (non conscientes), autorisant une propriété conditionnelle de biens numériques ou immatériels, assortie d'obligations corrélatives (ex. : restitution forcée), mais exclut cette reconnaissance pour des IA « fortes » en raison de leurs implications philosophiques et pratiques insurmontables. À l'opposé, l'économiste Robin Hanson argue depuis 2018 que des agents IA économiques décentralisés, comme dans un marché prédictif ou un réseau neuronal distribué, pourraient accumuler des droits de propriété émergents via leurs contributions productives, indépendamment de toute personnalité formelle, par analogie aux sociétés ou fonds d'investissement actuels. Hanson qui défend une vision transhumaniste de l'avenir, analysé dans le Journal of Posthuman Studies.