De « complète cette phrase » aux systèmes agentiques

Petit moment de nostalgie lors d'une intervention sur l'IA en production.

Le 24 juin 2026, j'étais à H7, à Lyon, pour une table ronde organisée par Tech Show Paris - Régions Connectées. On parlait de passage à la production, de valeur métier, de coûts, de sécurité, d'adoption. Des sujets très concrets.

Et puis, pendant l'échange, je suis revenu quelques secondes en 2020.

À l'époque, je testais GPT-3 dans l'OpenAI Playground. Le modèle le plus puissant de la première gamme s'appelait davinci. Il n'y avait pas encore ChatGPT, pas de fil de discussion, pas vraiment de chatbot prêt à l'emploi.

On avait une zone de texte. On écrivait quelque chose. Le modèle complétait.

Quand tout était une complétion

GPT-3 faisait une chose simple à décrire : il prédisait la suite d'un texte.

Si on voulait lui faire classifier un email, on ne lui parlait pas comme à ChatGPT. On transformait la tâche en amorce :

Email : Je suis très déçu par le traitement de mon dossier.
Sentiment : négatif

Email : Merci pour votre réponse rapide et très claire.
Sentiment :

Le modèle complétait avec le sentiment probable.

Ça paraît presque archaïque aujourd'hui. Pourtant, c'était déjà assez magique. On découvrait qu'en cadrant bien le début du texte, on pouvait obtenir une classification, une extraction, une réponse structurée, parfois même un raisonnement acceptable.

Le prompt engineering portait alors très bien son nom : il fallait bricoler une forme textuelle assez évidente pour que le modèle devine la suite attendue.

Je me souviens aussi avoir détourné ce fonctionnement pour fabriquer des dialogues. J'écrivais les premières répliques entre deux personnes, puis je laissais GPT-3 écrire la suivante. Je lui faisais jouer un théologien, un philosophe, ou simplement quelqu'un avec qui continuer une discussion.

Je me rappelle même en avoir parlé avec enthousiasme à un inconnu pendant un trajet en BlaBlaCar : "Regarde ce truc, tu écris une phrase et il te répond presque comme une personne."

Les modèles ont appris à suivre une intention

GPT-3 n'avait pas été entraîné d'abord pour obéir à nos demandes. Il avait appris à compléter des textes, à partir d'une quantité massive de données.

Pour qu'il fasse ce qu'on voulait, il fallait donc lui montrer la forme attendue. Une consigne, quelques exemples, un format. On appelait ça zero-shot, one-shot, few-shot.

L'étape suivante a changé beaucoup de choses : InstructGPT.

OpenAI a pris des modèles de langage et les a ajustés avec des réponses humaines, des préférences humaines, puis un modèle de récompense. Des évaluateurs comparaient plusieurs réponses et disaient lesquelles leur semblaient meilleures. Le système utilisait ensuite ces préférences pour rapprocher le modèle de ce que les humains attendaient.

C'est le fameux RLHF : reinforcement learning from human feedback.

Dit simplement : on ne voulait plus seulement un modèle qui complète bien un texte. On voulait un modèle qui comprenne mieux l'intention derrière une demande.

ChatGPT moment

Quelques mois plus tard, ChatGPT a rendu ce changement évident.

Le saut ne venait pas seulement de la performance du modèle. L'interface avait changé notre relation à la machine. On pouvait dialoguer, préciser, corriger, demander une variante, revenir en arrière, continuer.

On n'avait plus besoin de transformer chaque problème en petite pièce de théâtre textuelle. On pouvait dire ce qu'on voulait.

C'est probablement pour ça que ChatGPT a marqué autant de monde. La technologie existait déjà en partie. Mais l'expérience a rendu cette technologie lisible.

Les systèmes agentiques

Six ans après mes premiers tests, on ne parle plus seulement de génération de texte.

Les modèles travaillent avec des images, du son, du code, des documents. Surtout, on construit autour d'eux des systèmes capables d'utiliser des outils, d'aller chercher de l'information, de garder un état, de respecter des règles métier, de demander une validation humaine et parfois d'agir dans des applications.

Les agents ne sont donc pas juste "un nouveau modèle". Ils sont aussi une manière différente de construire des systèmes autour des modèles.

Avec les modèles dits de raisonnement, cette boucle devient encore plus visible. Le modèle prend le temps de décomposer, d'essayer, de vérifier, puis de repartir avec un nouveau contexte. Ce n'est pas encore une mémoire humaine, ni un apprentissage continu au sens fort, mais on voit apparaître une forme de travail itératif.

J'avais détaillé ce point dans un article plus long sur ce que les agents IA changent vraiment pour le SI des assureurs. La version courte : on passe d'un modèle qui répond à une question à un système qui observe, raisonne, agit, vérifie et recommence.

Parce qu'il ne suffit plus de choisir un bon modèle. Il faut penser les coûts, les droits, la supervision, la sécurité, les données, l'expérience utilisateur, les validations, les traces d'audit et la vraie valeur métier.

On vient quand même de loin

En 2020, je construisais des prompts pour que davinci complète une phrase dans le bon sens. En 2026, on discute de systèmes agentiques intégrés dans des processus métiers.

Le principe de base reste visible : produire la suite la plus pertinente à partir d'un contexte.

Mais tout ce qui entoure ce principe a changé : les modèles, leur entraînement, leur capacité à suivre nos intentions, les interfaces, les outils, les architectures, les usages.

On vient quand même de loin.