Systèmes de décision agentique
Les systèmes agents font plus que répondre. Ils décident quoi faire ensuite, s'il faut recueillir plus d'informations ou agir, quel outil utiliser, quel état conserver, comment inspecter le résultat et s'il faut continuer, réparer, demander une révision ou arrêter.
Chez inAi, Systèmes de décision agentiques est l’axe de recherche consacré à cette couche de décision. Il étudie comment la capacité d’un modèle devient une action continue au sein d’un système, et ce qui rend cette action utile, adaptable, susceptible de reprise et compréhensible dans un environnement donné.
Cet axe ne part pas de l’hypothèse selon laquelle davantage d’autonomie est toujours préférable. Il examine quelles décisions peuvent être déléguées, lesquelles exigent des contraintes ou une revue, et comment un agent doit se comporter lorsque les informations, les outils ou les résultats sont incertains.
Pourquoi les décisions sont la partie la plus difficile
Un chatbot peut s'arrêter après avoir produit une réponse. Un système agentique doit gérer une séquence de décisions dont les conséquences persistent. Appeler le mauvais outil peut changer l’environnement. Conserver une mauvaise mémoire peut fausser le travail ultérieur. Un résultat apparemment réussi peut cacher des étapes inutiles, des violations des politiques, des efforts inutiles ou un échec qui réapparaîtra lorsque les conditions changeront.
C’est pourquoi la question centrale n’est pas simplement de savoir si un agent a accompli une tâche. Nous devons également comprendre comment il a interprété l’objectif, quelles preuves il a rassemblées, pourquoi il a choisi une action particulière, comment il a répondu aux commentaires, s’il a reconnu l’incertitude et s’il a pu se rétablir sans perdre sa responsabilité.
La prise de décision agentique est donc un problème systémique. Cela dépend du modèle, mais aussi des outils disponibles, de l'état de l'environnement, de la qualité de la mémoire, de la structure des autorisations, du processus de vérification et des règles qui déterminent quand le système peut continuer tout seul.
La boucle de décision agentique
Après vérification, le système doit choisir entre quatre trajectoires :
Le résultat de chaque trajectoire modifie l’état du système et fait partie de la décision suivante. Un système de décision agentique n’est donc pas un pipeline figé : c’est une boucle d’interprétation, d’action, d’observation, de correction et de poursuite.
Ce que cette direction étudie
La direction a une portée stable, même si les questions et publications individuelles changent. Six domaines organisent le travail.
Objectifs et planification
Comment les agents traduisent un objectif en une séquence d'étapes, tiennent compte des contraintes, révisent les plans à mesure que les conditions changent et reconnaissent lorsqu'une tâche est sous-spécifiée ou irréalisable.
Sélection d'outils et d'actions
Comment les agents décident s’ils doivent rechercher des informations, appeler un outil, utiliser un logiciel, poser une question, attendre ou ne rien faire, et comment ils choisissent parmi des outils aux capacités, coûts, autorisations et modes de défaillance différents.
État et mémoire
Comment les systèmes préservent les parties importantes du travail antérieur : observations, décisions, questions non résolues, changements d'environnement, résultats des outils, engagements et progrès récupérables sur des tâches plus longues.
Vérification et récupération
Comment les agents inspectent les résultats, testent si une action a produit l'état souhaité, détectent les échecs, réessayent en toute sécurité, annulent une action lorsque cela est possible et récupèrent sans répéter la même erreur.
Autonomie, revue et arrêt
Comment un système décide ce qu’il peut faire de manière autonome, ce qui requiert une approbation, quand il doit transmettre une décision à un niveau supérieur, et quand poursuivre créerait davantage de risque ou de coût que de valeur.
Coordination
Comment les outils, les agents spécialisés, les réviseurs humains et les environnements changeants s'intègrent dans un seul processus décisionnel sans obscurcir les responsabilités ni fragmenter l'état du travail.
L’évaluation touche les six domaines. Une évaluation utile doit examiner non seulement si la tâche finale a réussi, mais également la qualité du plan, les mesures prises, le respect de la politique, les étapes inutiles, le comportement de rétablissement, l'utilisation des ressources, ainsi que l'ampleur et le calendrier de la surveillance humaine.
Questions qui guident le travail actuel
L’agenda actuel ne prétend pas que ces questions soient résolues. Il identifie les domaines dans lesquels cette direction est approfondie.
Quand un agent doit-il agir, demander ou s’arrêter ?
Comment un système doit-il décider entre entreprendre une action, rechercher davantage d’informations, poser une question de clarification, demander une approbation, refuser une instruction dangereuse ou mettre fin à une tâche qui ne peut pas être accomplie de manière fiable ?
Comment la planification doit-elle fonctionner lorsque les outils sont imparfaits ?
Les agents fonctionnent avec des outils qui peuvent être non pertinents, indisponibles, défectueux, coûteux, incohérents ou incapables d'effectuer l'action demandée. Comment les plans devraient-ils s’adapter sans produire d’appels inutiles ou sans prétendre qu’une tâche impossible reste réalisable ?
De quoi un agent doit-il se souvenir au cours d’un long travail ?
Quelles observations, décisions, dépendances et changements d'environnement doivent persister pour qu'un agent puisse reprendre son activité de manière cohérente sans reporter d'hypothèses périmées, de résumés avec perte ou d'historique non pertinent ?
Comment les agents doivent-ils vérifier et réparer leur propre travail ?
Quels contrôles sont appropriés avant et après une action ? Quand une nouvelle tentative est-elle justifiée ? Quand le système doit-il choisir un autre itinéraire, annuler une modification ou escalader plutôt que de continuer la réparation indéfiniment ?
Comment la qualité des décisions doit-elle être évaluée au-delà de la réussite des tâches ?
Un résultat final correct peut encore provenir d’une mauvaise trajectoire. Que faut-il mesurer concernant la qualité de la planification, le choix des outils, le respect des politiques, la récupérabilité, la sécurité, le coût, la latence, les actions inutiles et la surveillance ?
Comment les agents doivent-ils gérer les informations non fiables et le partage des responsabilités ?
Les résultats d’outils, pages web, documents, messages et autres agents peuvent contenir des instructions erronées, contradictoires ou adversariales. Comment un système doit-il séparer les données de l’autorité tout en maintenant une responsabilité visible entre agents, outils et relecteurs humains ?
Notre position de travail actuelle
La position actuelle d’inAi est provisoire : une autonomie utile ne vient pas de la seule autonomie. Elle repose sur un processus de décision capable de relier les objectifs aux actions, d’observer les conséquences, de préserver l’état pertinent, de s’auto-vérifier, de se rétablir et d’exposer les bons points de revue humaine ou système.
Le degré d’autonomie approprié est donc contextuel plutôt qu’universel. Une tâche réversible et à faible impact peut justifier une plus grande liberté. Une action conséquente, ambiguë ou difficile à annuler peut nécessiter des contraintes plus fortes, des preuves plus claires ou une approbation avant son exécution.
La recherche devrait pouvoir remettre en question cette position. Les faits peuvent montrer que certaines tâches nécessitent des architectures différentes, que certaines étapes d’examen ajoutent peu de valeur ou que des mécanismes de rétablissement apparemment solides échouent à plus long terme. La position est un cadre à tester, pas une conclusion à protéger.
Comment nous abordons le travail
Cette direction combine recherche conceptuelle et appliquée.
Revue de la littérature et des benchmarks
Nous examinons les travaux publiés sur la planification, l'utilisation des outils, la mémoire, la rétroaction, l'évaluation, l'interaction agent-environnement, la surveillance humaine et la sécurité des systèmes d'appel d'outils.
Architecture et analyse des défaillances
Nous comparons la manière dont les systèmes d'agents représentent les objectifs, l'état, les outils, les autorisations, la vérification et la récupération, et les cas où ces structures échouent sous un travail plus long, plus bruyant ou plus conséquent.
Conception d’évaluation et de protocole
Nous développons des questions, des taxonomies et des cadres de protocoles qui aident à séparer le résultat final de la qualité de la décision, de la qualité de la trajectoire, de la récupérabilité et de la surveillance.
Observation appliquée
Lorsqu'un produit, un prototype ou un outil Open Source crée une véritable surface de test, le comportement pratique peut révéler des hypothèses qui restent invisibles dans les discussions abstraites : instructions peu claires, état obsolète, pannes d'outils, coûts de révision et chemins de récupération difficiles.
Chaque résultat substantiel doit distinguer les preuves externes de l’interprétation inAi. Il doit indiquer son type de publication, sa date, sa version, sa portée, ses limites et son statut de révision. Les observations de produits peuvent générer des questions de recherche, mais un produit n'est pas traité comme une preuve qu'une affirmation de recherche est réglée.
Travaux publics
Cette collection est volontairement restreinte. Elle présente aujourd’hui une publication d’inAi et ne s’élargira que lorsque de nouveaux travaux seront réellement prêts.
Systèmes de décision agentique — de l’assistance à l’exécution autonome
L’aperçu d’octobre 2025 présente le premier cadre public pour cette orientation. Il se concentre sur les boucles planifier-agir-vérifier-réparer-reprendre, les portes d'autonomie, les mesures de surveillance, les pistes d'audit, le retour en arrière, la dérive et l'application de systèmes de décision agentiques au travail opérationnel limité.
- Type de publication
- Aperçu fondamental
- Statut de publication
- Publié
- Publié
- 1 octobre 2025
- Période des données
- octobre 2025
- Statut de l'évaluation
- publié par inAi ; non présenté comme évalué par des pairs en externe
- Cadre inclus
- audit initial de décision agentique ADA-1
Il enregistre la direction telle qu’elle était en octobre 2025. L’agenda vivant sur cette page peut évoluer sans réécrire cette publication historique.
Lire l'aperçu fondamentalLa synthèse comprend le cadre initial d’audit de décision agentique ADA-1.
Des travaux supplémentaires seront ajoutés ici lors de leur publication. Selon le travail, la collection peut comprendre des articles de synthèse, des notes de recherche, des protocoles d'évaluation, des études appliquées ou des essais. Chaque élément doit être étiqueté en fonction de son type réel et de son statut d'évaluation.
Où se situe cette orientation dans le programme de recherche
Systèmes de décision agentiques est la couche d’action et de contrôle de la carte de recherche d’inAi. Cet axe se relie verticalement à la conception systémique de l’intelligence et horizontalement aux trois autres axes de recherche.
AGI en tant que système
Les agents sont importants car un modèle performant n’est qu’une partie d’un système intelligent. La poursuite du travail dépend également des outils, de la mémoire, de l'état, de l'exécution, des commentaires, de la coordination, des autorisations et d'un environnement dans lequel les actions ont des conséquences.
Limites de l'intelligence
Le travail de longue durée des agents expose aux limites de la planification, du contexte, de l'utilisation des outils, de la mémoire, de la vérification et de la récupération. L’étude de ces échecs permet de distinguer l’autonomie apparente de la capacité fiable.
L'IA pour la création de connaissances
Les agents axés sur la connaissance doivent décider quelles preuves rassembler, à quelle source faire confiance, quelle hypothèse tester, si une contradiction a été résolue et quand une conclusion est suffisamment justifiée pour être présentée.
IA et opérations d’entreprise
Les environnements opérationnels imposent aux agents de réelles contraintes dans les décisions : autorisations, transferts, politiques, délais, coûts, révision, travail sensible à la conformité et conséquences pour les personnes et les organisations.
De la recherche aux logiciels exploitables par des agents, et inversement
La recherche ne sert pas de décoration aux allégations de produits, et les produits ne prouvent pas la recherche. La relation est itérative.
Systèmes de décision agentiques peut éclairer la manière dont les logiciels destinés aux agents représentent les outils, l’état, les autorisations, la revue, la reprise et la poursuite du travail. Les produits, prototypes et implémentations Open Source peuvent alors révéler les points où ces hypothèses échouent : documentation peu claire, état périmé, résultat ambigu renvoyé par un outil, reprise trop coûteuse ou supervision humaine trop tardive pour être utile.
Products for Agents est la catégorie de produits d’inAi pour cette couche applicative. Software for the agent era exprime la thèse produit plus large : les agents deviennent des opérateurs de logiciels et ont besoin de produits conçus pour la manière dont ils découvrent, appellent, inspectent et poursuivent le travail.
Recherches externes sélectionnées
Il ne s’agit pas d’une liste de publications inAi ni d’une revue complète de la littérature. Il s’agit d’un ensemble compact de travaux externes qui contribuent à définir le paysage de la recherche. La liste doit être revue à mesure que le champ change.
ReAct: Synergizing Reasoning and Acting in Language Models
Un cadre fondamental de raisonnement et d'action qui entrelace le raisonnement modèle avec des actions dans un environnement externe.
Réflexion : Agents linguistiques avec apprentissage par renforcement verbal
Recherche sur la rétroaction basée sur le langage et la mémoire épisodique comme moyen permettant aux agents d'améliorer la prise de décision lors de tentatives répétées.
OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments
Un benchmark fondé sur l’exécution, pour des agents qui opèrent de véritables applications informatiques dans des tâches ouvertes.
τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains
Une référence pour les agents qui doivent interagir avec les utilisateurs et les outils de programmation tout en respectant les règles et politiques du domaine.
AgentDojo: A Dynamic Environment to Evaluate Prompt Injection Attacks and Defenses for LLM Agents
Une référence pour mesurer à la fois l’utilité des tâches et la sécurité lorsque les agents appelant des outils opèrent avec des données non fiables.
Agent Planning Benchmark: A Diagnostic Framework for Planning Capabilities in LLM Agents
Une préimpression de juin 2026 qui sépare la qualité de la planification de l'exécution et teste la planification sous des outils non pertinents, des outils défectueux, des contraintes et des tâches irréalisables.
AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications
Une préimpression de 2026 axée sur la mémoire à travers de longues trajectoires agent-environnement impliquant des états, des actions, des observations et des résultats d'outils.
Collaboration de recherche
Les systèmes de décision agentique progressent grâce à la critique, à la comparaison et aux essais pratiques. inAi est ouvert aux propositions sérieuses d’universités, de laboratoires, de chercheurs indépendants, de partenaires techniques et d’institutions travaillant sur la planification, l’usage d’outils, la mémoire, l’évaluation, la sécurité des agents, la coordination humain–agent ou les logiciels exploitables par les agents.
Une collaboration pertinente peut inclure une revue de littérature conjointe, une critique externe d’un cadre d’inAi, la conception d’une évaluation, l’élaboration d’un protocole, l’analyse d’un benchmark, une étude appliquée d’un processus agentique délimité ou un travail étudiant autour d’une question clairement définie.
Une proposition initiale utile doit expliquer la question de recherche, pourquoi elle s'inscrit dans cette direction, la forme de collaboration proposée, les personnes impliquées, le résultat attendu et toutes les exigences en matière de données, de publication, de confidentialité ou de financement.
Des modèles performants à une action responsable
Les systèmes agentiques seront importants non seulement parce qu’ils peuvent produire de meilleures réponses, mais aussi parce qu’ils peuvent prendre et appliquer des décisions dans le temps. Le problème de la recherche est de comprendre ce qui rend ce processus cohérent : comment les agents planifient, utilisent les outils, préservent leur état, vérifient les résultats, se remettent d'un échec, se coordonnent avec les autres et s'arrêtent lorsque la poursuite n'est plus justifiée.
C’est l’objet d’Systèmes de décision agentiques chez inAi.