Agents IA en 2026 : frameworks, runtimes, assistants autonomes et agents personnels

Ce mois-ci, GNU/Linux Magazine France consacre sa couverture aux agents IA, avec un tutoriel complet de Mejri Issam : écrire un agent avec le SDK Strands Agents d'AWS, puis le déployer sur Bedrock AgentCore. Le même mois, Meta lance Muse, son agent personnel, et les assistants autonomes installés sur un simple VPS, comme Hermes Agent ou OpenClaw, dépassent les cent mille étoiles sur GitHub.

Tout le monde parle d'agents, mais pas des mêmes objets. Un SDK Python, un service cloud, un logiciel à installer chez soi et une application grand public portent le même nom, alors qu'ils ne répondent ni aux mêmes besoins ni aux mêmes risques. Les comparer dans un seul classement n'aurait aucun sens.

Ce guide remet de l'ordre. La première partie s'adresse à tous : ce qu'est un agent, et la carte des quatre familles. La seconde détaille chaque famille pour les développeurs et les équipes techniques. La dernière s'adresse à la DSI et au RSSI : où partent les données, quels risques, quels coûts, et comment choisir.

1. Qu'est-ce qu'un agent IA ?

Un chatbot reçoit une question et produit un texte à partir de ce qu'il sait. L'agent reçoit un objectif et enchaîne des actions réelles (chercher, lire un fichier, appeler une API, envoyer un mail) jusqu'à l'avoir atteint.

Pour le débutant : l'image du stagiaire

Imaginez un stagiaire brillant qui n'a pas le droit de sortir de son bureau. Le chatbot, c'est ce stagiaire à qui vous posez des questions : il répond de mémoire. L'agent, c'est le même stagiaire à qui vous donnez un téléphone, un accès au classeur partagé et une liste de tâches. Il appelle, vérifie, note, rappelle, et vous rend le travail fini. Plus vous lui donnez d'accès, plus il est utile, et plus une erreur de sa part coûte cher.

Les quatre composants

1. Le modèle (LLM) : le cerveau. Il comprend la demande et décide de la prochaine action. Claude, GPT, Gemini, Llama, Qwen ou Mistral peuvent jouer ce rôle.
2. Les outils (tools) : les mains. Chaque outil est une fonction décrite au modèle (nom, rôle, paramètres). Le modèle ne l'exécute pas lui-même : il demande à l'appeler, et le programme autour exécute. Le protocole MCP (Model Context Protocol) standardise la façon de brancher ces outils.
3. La boucle (agent loop) : le moteur. Le programme envoie la demande au modèle, exécute l'outil demandé, renvoie le résultat au modèle, et recommence tant que le modèle ne déclare pas avoir fini ou qu'une limite n'est pas atteinte.
4. La mémoire et l'état : le carnet. Mémoire courte (l'historique de la tâche en cours, limité par la fenêtre de contexte) et mémoire longue (préférences, faits appris, stockés hors du modèle et relus quand c'est utile).

Pour l'expert : ReAct et ce qui a changé

Le schéma ReAct (Reasoning + Acting, Yao et al., 2022) alternait une pensée écrite, une action et une observation. Aujourd'hui, les modèles appellent les outils nativement via une sortie structurée (function calling ou tool use) et raisonnent souvent dans un espace de réflexion dédié. La boucle reste la même, mais l'appel d'outil est devenu fiable, les contextes se sont allongés et les modèles tiennent désormais des tâches de plusieurs heures.

Trois architectures reviennent partout :

• Agent unique avec beaucoup d'outils : simple à déboguer, mais le choix d'outil se dégrade quand la liste dépasse quelques dizaines d'entrées.
• Orchestrateur et sous-agents : un agent principal découpe la tâche et délègue à des agents spécialisés, chacun avec son contexte propre. Plus robuste sur les tâches longues, plus cher en tokens.
• Graphe ou workflow : les étapes et les branches sont écrites par le développeur, le modèle n'intervient qu'aux nœuds. Moins autonome, beaucoup plus prévisible, souvent le bon choix en entreprise.

Le curseur d'autonomie

L'autonomie d'un agent se règle comme un curseur. Au plus bas, il propose et l'humain valide chaque action. Au milieu, il agit seul sur les actions réversibles (lire, chercher, rédiger un brouillon) et demande avant les actions irréversibles (envoyer, payer, supprimer). Au plus haut, il tourne en continu, déclenché par des événements ou un planificateur, sans humain dans la boucle. La plupart des incidents viennent d'un agent placé trop haut sur ce curseur par rapport aux accès qu'on lui a donnés.

2. La carte : quatre familles, deux questions

Pour classer n'importe quel agent, deux questions suffisent. Faut-il le construire (du code) ou est-il prêt à l'emploi ? Et qui l'héberge : vous, ou un éditeur ?

Les familles se combinent. L'agent présenté dans GNU/Linux Magazine France en est un bon exemple : il est écrit avec un framework (Strands Agents) puis déployé sur un runtime managé (Bedrock AgentCore). À l'inverse, Hermes Agent ou Meta Muse s'utilisent sans écrire une ligne de code.

3. Famille 1 : les frameworks et SDK

Un framework d'agent est une bibliothèque qui écrit la boucle à votre place : vous déclarez le modèle et les outils, il gère les appels, les erreurs, le contexte et les traces. Il ne fournit ni serveur, ni interface, ni hébergement.

Pour le débutant

C'est l'équivalent d'un kit de meuble en pièces détachées. Vous obtenez exactement le meuble voulu, mais il faut savoir visser. Si vous ne codez pas, passez directement aux sections 5 et 6.

Voici l'agent minimal avec Strands Agents, tiré du dépôt officiel. Trois lignes suffisent : l'agent reçoit un outil de calcul et décide seul de l'utiliser.

from strands import Agent
from strands_tools import calculator
agent = Agent(tools=[calculator])
agent("What is the square root of 1764")

Les sept frameworks qui comptent en 2026

Pour l'expert : ce qui les sépare vraiment

• Autonomie ou contrôle. Strands, OpenAI Agents SDK et Claude Agent SDK laissent le modèle piloter la boucle. LangGraph, les workflows de Microsoft Agent Framework et les Flows de CrewAI écrivent le chemin et ne confient au modèle que les décisions locales. En production réglementée, la seconde approche s'audite beaucoup mieux.
• Reprise sur incident. Une tâche de 40 minutes qui plante à la minute 38 doit reprendre là où elle en était. LangGraph et Microsoft Agent Framework gèrent nativement les points de reprise ; ailleurs, persister l'état reste à votre charge.
• Verrouillage fournisseur. Le Claude Agent SDK ne parle qu'à Claude, avec un outillage fichiers et terminal très abouti. Les autres sont multi-modèles, ce qui compte si vous routez entre un modèle local et un modèle premium via une passerelle comme LiteLLM.
• Interopérabilité. MCP est désormais pris en charge par les sept pour brancher des outils. Le protocole A2A (Agent-to-Agent), qui fait dialoguer des agents issus de frameworks différents, est porté surtout par Google et Microsoft.
• Écosystème cloud. Le choix du framework suit souvent le cloud : Strands vers AgentCore, ADK vers Vertex, Agent Framework vers Foundry. Rien ne l'impose techniquement (tous tournent dans un conteneur), mais l'intégration y est la plus simple.

4. Famille 2 : les runtimes managés

Un runtime managé héberge et exploite l'agent que vous avez codé : il l'isole, lui donne une identité, stocke sa mémoire, trace ses actions et le fait monter en charge. Vous apportez le code, le cloud s'occupe du reste.

Pour le débutant

Si le framework est le kit de meuble, le runtime est le magasin qui l'expose, l'assure et le surveille la nuit. Pour passer de votre portable à la production, un agent a besoin d'authentification, de journaux, de reprise après panne et de séparation entre utilisateurs. Le runtime fournit précisément ces briques.

Amazon Bedrock AgentCore, en détail

AgentCore est un ensemble de services modulaires, utilisables ensemble ou séparément :

• Runtime : exécution serverless avec isolation par session, démarrage rapide pour l'interactif et exécutions longues pour l'asynchrone. Il accepte n'importe quel framework (Strands, LangGraph, CrewAI, LlamaIndex, Google ADK, OpenAI Agents SDK) et n'importe quel modèle, y compris hors Bedrock, ainsi que les protocoles MCP et A2A.
• Harness : une boucle d'agent gérée, appelée en une seule requête API. Vous donnez le modèle, le prompt système et les outils ; chaque session tourne dans une micro-VM isolée avec système de fichiers et terminal.
• Memory : mémoire courte (conversation) et longue (entre sessions), partageable entre agents.
• Gateway : transforme des API, bases de données ou fonctions Lambda existantes en outils utilisables par l'agent, notamment via MCP.
• Identity : gère l'identité de l'agent et ses accès délégués aux services tiers.
• Browser et Code Interpreter : un navigateur et un bac à sable d'exécution de code gérés.
• Observability et Policy : métriques, traces et journaux dans CloudWatch, et règles qui encadrent ce que l'agent a le droit d'appeler.

Les équivalents chez Google et Microsoft

Chez Google, Sessions et Memory Bank sont passés en disponibilité générale en décembre 2025 et sont facturés à l'usage depuis le 28 janvier 2026. Memory Bank isole les mémoires par identité, permet une durée de vie configurable et des droits IAM par périmètre.

Pour l'expert : ce qu'il faut vérifier

• La région. Toutes les briques ne sont pas ouvertes partout. D'après la page des régions d'AWS, Francfort propose l'ensemble d'AgentCore alors que Paris n'offre qu'une partie des services (Gateway, Identity, Memory) : un agent destiné à la France tourne donc souvent à Francfort ou en Irlande. Vérifiez chaque brique, pas seulement le runtime, dans votre région cible.
• Le modèle est un sous-traitant distinct. Un runtime en Europe qui appelle un modèle hébergé ailleurs fait sortir les données. Le runtime et l'inférence s'évaluent séparément dans votre registre RGPD.
• Le coût caché de la mémoire. Sessions, mémoire longue et exécution de code sont facturés à part du calcul. Un agent bavard qui mémorise tout coûte davantage en stockage et en extraction qu'en tokens.
• La réversibilité. Un agent écrit avec un framework open source se redéploie ailleurs ; un agent qui dépend de Harness, Gateway ou Memory Bank est lié à son cloud. Isolez ces appels derrière une couche d'abstraction si la réversibilité compte pour vous.

5. Famille 3 : les assistants autonomes auto-hébergés

Un assistant autonome est un agent complet, déjà écrit, que vous installez sur votre machine, un mini-PC ou un VPS. Il tourne en continu, vous lui parlez depuis Telegram, WhatsApp ou un terminal, et il agit avec le modèle de votre choix. C'est la famille qui a explosé en 2026, et celle qui pose le plus de questions de sécurité.

Pour le débutant

Pensez à un majordome numérique qui habite chez vous. Il peut lire vos fichiers, lancer des commandes, naviguer sur le web, vous envoyer un résumé chaque matin. Il vous appartient : pas d'abonnement obligatoire, pas de données envoyées à un éditeur d'agent. En contrepartie, la porte d'entrée est sous votre responsabilité. Si vous ne savez pas ce qu'est un pare-feu ou un utilisateur non administrateur, faites-vous accompagner avant de l'installer.

Hermes Agent (Nous Research)

Hermes Agent est le projet open source (licence MIT) de Nous Research, connu jusque-là pour ses modèles Hermes. Sa promesse est un agent qui apprend :

• Boucle d'apprentissage. Après une tâche complexe, il écrit lui-même un skill réutilisable, l'améliore à l'usage et entretient sa mémoire. Il retrouve ses anciennes conversations par recherche plein texte et peut modéliser l'utilisateur via Honcho. Ses skills suivent le standard ouvert agentskills.io.
• N'importe quel modèle. Nous Portal, OpenRouter, OpenAI ou votre propre point d'accès, et l'on change de modèle sans toucher au code. Il peut donc passer par une passerelle comme LiteLLM, qui répartit les tâches entre un modèle local (Ollama), une API économique et une API premium.
• Partout. Une seule passerelle pour Telegram, Discord, Slack, WhatsApp, Signal et la ligne de commande. Plusieurs environnements d'exécution : local, Docker, SSH, Singularity, Modal ou Daytona.
• Tâches planifiées et sous-agents. Un planificateur intégré lance des rapports quotidiens ou des audits hebdomadaires décrits en langage naturel. Des sous-agents isolés traitent des travaux en parallèle.
• Migration. Il importe automatiquement les réglages, mémoires, skills et clés d'API d'OpenClaw.

OpenClaw

OpenClaw (d'abord appelé Clawdbot puis Moltbot) est l'agent personnel open source devenu viral début 2026. Il s'étend par des skills publiés sur ClawHub, sa place de marché communautaire. Bitdefender le décrivait en février 2026 comme l'un des projets IA les plus populaires de l'année, avec plus de 160 000 étoiles GitHub et environ 5 000 skills tiers.

Pour l'expert : durcir un assistant autonome

1. Machine ou VM dédiée, utilisateur non administrateur, aucun accès à vos clés SSH ou à votre trousseau personnel.
2. Pas d'exposition réseau. Passerelle en écoute sur 127.0.0.1, accès distant par VPN ou tunnel, liste blanche des expéditeurs sur les messageries.
3. Skills vérifiés un par un. Lisez le SKILL.md et les scripts avant installation, refusez tout « prérequis » qui demande de lancer une commande ou un binaire, épinglez les versions.
4. Clés d'API à portée réduite. Une clé par agent, avec quota et liste des modèles autorisés, derrière une passerelle (LiteLLM) qui journalise chaque appel.
5. Validation humaine sur l'irréversible : envoi, paiement, suppression, commande sudo.
6. Veille CVE sur l'agent lui-même, avec mise à jour mensuelle au minimum.
7. Données sensibles en local uniquement. Une règle de routage qui force le modèle local et interdit le repli vers une API externe pour ce qui ne doit pas sortir.

6. Famille 4 : les agents personnels grand public

Un agent personnel est un service clé en main : vous créez un compte, vous connectez vos applications, et l'agent agit pour vous chez l'éditeur. Aucune installation, aucun code, mais tout passe par les serveurs de l'éditeur.

Pour le débutant

C'est l'assistant de direction d'une grande agence. Très compétent, disponible partout, mais il travaille dans les locaux de l'agence et garde une copie de votre agenda, de vos mails et parfois de votre carte bancaire. Avant de l'embaucher, demandez-vous ce que vous accepteriez de confier à l'entreprise qui l'emploie.

Meta Muse, le nouveau venu

Annoncé le 8 septembre 2026, Muse est l'agent personnel de Meta. Il est bâti sur les modèles développés sous la direction d'Alexandr Wang et s'appuie sur Muse Spark, un modèle multimodal conçu pour le travail agentique.

• Ce qu'il fait. Il se connecte à vos applications (mails, agenda, paiements, santé, maison connectée, achats, musique) pour exécuter des tâches en plusieurs étapes. Il tourne dans une machine virtuelle dédiée, Muse Secure VM, continue à travailler après la fermeture de l'application et demande votre accord avant un achat ou un envoi de message. On l'utilise dans une application dédiée ou dans WhatsApp.
• Sur ordinateur. Une version Mac demande une activation explicite et une approbation avant de supprimer ou d'envoyer des données ; elle travaille dans les fichiers, mails, messages, agenda et notes.
• Ce qui arrive. À la conférence Connect du 23 septembre, Meta a annoncé un avatar vidéo en temps réel, l'arrivée dans ses lunettes connectées, une adresse mail propre à l'agent et des partenariats marchands (Shopify, Stripe, PayPal, Walmart, Sephora…).
• Le modèle économique. Selon Mark Zuckerberg, Muse est gratuit pour un grand volume de tokens et Meta compte se rémunérer par une petite commission sur les transactions. L'agent a donc intérêt à vous faire acheter.
• La disponibilité. Au lancement, Muse est réservé aux États-Unis et aux plus de 18 ans. Aucune date d'ouverture en Europe n'était annoncée à la rédaction de ce guide.

La presse américaine pose elle-même la question de la confiance : TechCrunch souligne que Muse réclame plus de données personnelles que n'importe quel service Meta auparavant, quelques jours après un accord de 18 milliards de dollars sur les préjudices des réseaux sociaux.

Les autres agents personnels

• ChatGPT Work (OpenAI) : lancé le 9 juillet 2026 avec GPT-5.6, il prend la suite de ChatGPT Agent, qui regroupait déjà Operator et deep research. Il travaille des heures en arrière-plan dans vos applications et vos fichiers, vous fait valider les actions clés, puis livre un document, un tableur ou une présentation.
• Claude Cowork (Anthropic) : une application de bureau où Claude travaille dans vos fichiers et vos applications, avec des connecteurs vers vos outils de travail.
• Gemini (Google) : l'assistant intègre des capacités d'agent reliées à Gmail, Agenda, Drive et Chrome.

Pour l'expert : lire les conditions avant la démo

• Base légale et transferts. Un agent qui lit vos mails traite aussi les données de vos correspondants. En Europe, cela suppose une base légale, une information et, pour un service américain, un mécanisme de transfert valable.
• Données de santé. Brancher une application de santé fait entrer des données sensibles au sens de l'article 9 du RGPD. En entreprise, c'est exclu sans analyse d'impact.
• Incitation commerciale. Un agent rémunéré à la transaction n'est pas neutre dans ses recommandations d'achat. Vérifiez qui il privilégie.
• Usage professionnel. Ces services sont conçus pour des particuliers. Leur usage sur des données d'entreprise relève de l'IA fantôme tant qu'une offre entreprise avec contrat, DPA et journalisation n'a pas été validée.

7. Cas à part : les agents de code

Les agents de code sont aujourd'hui les agents les plus utilisés et les plus aboutis, parce que le code offre ce qui manque ailleurs : un résultat vérifiable. Les tests passent ou échouent, et l'agent peut corriger seul.

Ils chevauchent les familles. Claude Code, Codex (OpenAI) ou Gemini CLI tournent sur votre machine, dans votre terminal ou votre éditeur, comme un assistant auto-hébergé ; ils existent aussi en version cloud qui travaille sur une copie du dépôt. Cursor et les extensions VS Code ou JetBrains les intègrent à l'éditeur. OpenCode et Goose en sont des alternatives open source qui acceptent n'importe quel modèle.

• Pour le débutant : si vous voulez comprendre les agents par la pratique, commencez ici. Demandez à un agent de code d'écrire un petit script, regardez-le lire les fichiers, lancer les tests, se tromper et corriger. Vous verrez la boucle de la section 1 en direct.
• Pour l'expert : ces outils sont aussi des plateformes d'agents généralistes. Les mêmes briques (fichiers d'instructions comme CLAUDE.md ou AGENTS.md, skills, sous-agents, serveurs MCP, hooks) servent à automatiser de la veille, de la rédaction ou de l'administration système. Le Claude Agent SDK de la section 3 est le moteur de Claude Code mis à disposition des développeurs.

Les règles de durcissement de la section 5 s'appliquent : un agent de code a accès au terminal. Mode de permission restrictif par défaut, liste des commandes autorisées, et jamais de mode « tout accepter » sur une machine qui contient des secrets de production.

8. Le comparatif : où ça tourne, qui voit quoi, qui décide

Ce tableau indique, pour chaque agent, où partent vos données et qui garde la main, sans établir de classement. Pour un framework, les colonnes décrivent le déploiement le plus courant ; tout dépend ensuite de vos choix.

Comment lire ce tableau

• « Où il tourne » et « vos données partent chez » sont deux colonnes différentes. Un assistant installé sur votre serveur envoie tout de même chaque requête au fournisseur d'API si vous n'utilisez pas de modèle local. La souveraineté se joue sur l'inférence autant que sur l'hébergement.
• Plus l'autonomie est élevée, plus les accès doivent être étroits. Un agent qui tourne la nuit avec vos mails et un terminal est un compte à privilèges, à traiter comme tel.
• Le niveau requis est celui qu'il faut pour l'utiliser en sécurité. OpenClaw s'installe en une commande ; le sécuriser demande un administrateur.

9. Sécurité et gouvernance

Un agent se comporte comme un compte de service qui décide en lisant des textes de provenance variable, et la plupart des risques viennent de là.

Pour le débutant : la règle des trois ingrédients

Un agent devient dangereux quand il réunit trois choses à la fois : l'accès à vos données privées, la lecture de contenus extérieurs (pages web, mails reçus, documents), et un moyen d'envoyer quelque chose vers l'extérieur (mail, requête web, publication). Avec les trois, une simple page piégée peut lui ordonner d'envoyer vos données ailleurs, et il risque d'obéir.

Les menaces propres aux agents

Pour l'expert : le socle de gouvernance

1. Inventaire. Chaque agent a une fiche : propriétaire, finalité, modèle, outils, données accessibles, niveau d'autonomie. Un agent absent de l'inventaire relève de l'IA fantôme.
2. Identité et moindre privilège. Un compte ou une identité par agent, jamais celle d'un humain. Des jetons courts, à portée réduite, renouvelés automatiquement.
3. Journalisation complète. Chaque appel de modèle et chaque appel d'outil sont tracés avec leurs paramètres. Sans traces, pas d'enquête après incident et pas de preuve de conformité.
4. Validation humaine graduée. Lecture libre, écriture réversible surveillée, action irréversible validée. Le seuil se règle par outil, pas par agent.
5. Tests adverses. Avant la mise en production, essayez de piéger l'agent avec des injections dans les documents qu'il lira. Recommencez à chaque nouvel outil.
6. Plan de coupure. Un moyen de révoquer tous les accès d'un agent en une action.

RGPD et AI Act

• RGPD. Un agent qui traite des données personnelles est un traitement comme un autre : registre, base légale, minimisation, durée de conservation de sa mémoire, sous-traitants (hébergeur du runtime, fournisseur du modèle, chacun avec son DPA). Un agent qui lit des mails ou des données de santé justifie en pratique une analyse d'impact (AIPD).
• AI Act. Le règlement classe les usages, quelle que soit la technologie employée. Un agent de veille interne relève du risque minimal ; le même moteur utilisé pour trier des candidatures ou évaluer la solvabilité devient un système à haut risque. L'entreprise qui déploie l'agent est « déployeur », et « fournisseur » si elle le met sur le marché sous son nom. Les obligations de transparence (informer qu'on échange avec une IA) s'appliquent aux agents qui dialoguent avec le public. Le « Digital Omnibus » sur l'IA, publié au Journal officiel le 24 juillet 2026, a reporté les obligations des systèmes à haut risque au 2 décembre 2027 pour ceux de l'annexe III (recrutement, crédit, éducation…) et au 2 août 2028 pour l'IA intégrée à des produits réglementés. Les obligations de transparence et celles des modèles à usage général ne sont pas repoussées.

10. Les coûts réels d'un agent

Un agent coûte bien plus cher qu'un chatbot pour la même question, parce qu'à chaque tour de boucle il renvoie au modèle tout ce qu'il a déjà lu. Le coût augmente donc plus vite que le nombre d'étapes.

Pour le débutant

Imaginez que vous payez un traducteur au mot lu. Le chatbot lit votre question une fois. L'agent relit toute la conversation, les résultats de recherche et les fichiers ouverts à chaque nouvelle action. Au bout de dix actions, il a relu dix fois un dossier qui grossit.

Le calcul

Pour une tâche de n tours, le coût total est la somme, tour par tour, des tokens envoyés multipliés par le prix d'entrée et des tokens reçus multipliés par le prix de sortie.

Exemple chiffré en tokens, sans prix : une tâche de 10 tours dont le contexte passe de 5 000 à 50 000 tokens (5 000 de plus par tour, 27 500 en moyenne) envoie environ 275 000 tokens en entrée au total. La même question posée à un chatbot en envoie 5 000. Le rapport est de 55 pour 1, avant même de compter les sorties. Multipliez ensuite par le prix du modèle choisi ; le Cost Engine de nAIvigate fait ce calcul modèle par modèle.

Les autres postes

• Le runtime. Temps de calcul, sessions, mémoire longue, bac à sable de code et navigateur sont souvent facturés séparément dans les runtimes managés.
• L'hébergement. Pour un assistant auto-hébergé, un VPS modeste suffit si le modèle est appelé par API ; faire tourner le modèle en local demande un GPU ou beaucoup de mémoire unifiée (voir Hardware Match).
• L'humain. Relire, valider, corriger et maintenir les skills et les outils. C'est souvent le premier poste réel en entreprise.

Pour l'expert : sept leviers

1. Cache de prompt sur la partie stable du contexte (instructions, descriptions d'outils), facturée à prix réduit par la plupart des fournisseurs.
2. Routage par difficulté : modèle local ou économique pour l'extraction et le classement, modèle premium seulement pour le raisonnement difficile ou après un échec, via une passerelle comme LiteLLM.
3. Sous-agents à contexte propre qui ne renvoient qu'un résumé à l'orchestrateur.
4. Compactage de l'historique au-delà d'un seuil.
5. Sorties d'outils bornées : une recherche qui renvoie 50 pages complètes coûte 50 fois plus qu'une recherche qui renvoie 5 extraits.
6. Plafonds : nombre de tours maximal, budget par tâche et par jour, alerte au dépassement.
7. Mesure au coût par tâche réussie. Un modèle deux fois plus cher qui réussit en trois tours au lieu de dix revient moins cher.

11. Comment choisir selon votre profil

Trois questions orientent vers la bonne famille : allez-vous coder, vos données doivent-elles rester chez vous, et avez-vous une équipe pour exploiter un cloud ?

• Particulier curieux. Commencez par un agent personnel sur des tâches sans enjeu (organiser un voyage, trier des idées), sans connecter vos comptes bancaires ni de santé. Pour comprendre les rouages, un agent de code sur un petit projet reste la meilleure école.
• Particulier technique. Un assistant autonome sur un mini-PC ou un VPS dédié, avec modèle local pour le sensible et API pour le reste. Appliquez les sept règles de durcissement de la section 5 avant de brancher la moindre messagerie.
• Développeur. Choisissez le framework selon votre cloud et votre besoin de contrôle : Strands ou OpenAI Agents SDK pour aller vite, LangGraph pour un chemin maîtrisé et repris après panne, Claude Agent SDK si le travail porte sur des fichiers et du code.
• PME sans équipe IA. Les offres entreprise des agents personnels ou d'un assistant de code, avec contrat et DPA, plutôt qu'un assistant autonome installé par un salarié. Interdisez explicitement l'usage des versions grand public sur des données clients.
• DSI ou RSSI. Framework open source et runtime managé dans une région européenne pour les cas métier, inventaire obligatoire, identité par agent, journalisation, et règle de routage qui garde les données sensibles sur un modèle hébergé en Europe ou en interne. Évaluez chaque modèle avec le Trust Index avant de l'autoriser.

Questions fréquentes

Un agent IA remplace-t-il un chatbot ? Pour répondre à une question, un chatbot suffit et coûte beaucoup moins cher. L'agent se justifie quand la tâche exige d'agir dans plusieurs outils ou de vérifier son propre travail.

Faut-il savoir coder pour utiliser un agent ? Non pour les agents personnels. Un peu d'administration système pour les assistants autonomes. Oui pour les frameworks et les runtimes managés.

Un agent installé sur mon serveur garde-t-il mes données chez moi ? Seulement si le modèle tourne aussi en local. Sinon, chaque requête part chez le fournisseur d'API, avec le contexte que l'agent lui envoie.

Meta Muse est-il utilisable en France ? Pas à la date de rédaction : il est réservé aux États-Unis et aux plus de 18 ans, sans date d'ouverture annoncée en Europe.

Peut-on laisser un agent tourner la nuit sans surveillance ? Oui, à condition que ses accès se limitent à des actions réversibles, qu'il ait un budget plafonné et que chaque action soit journalisée. Tout ce qui est irréversible attend une validation humaine.

Quel framework choisir pour débuter ? Celui qui correspond à votre cloud et à votre langage. Pour un premier essai, Strands Agents ou l'OpenAI Agents SDK permettent un agent fonctionnel en quelques lignes ; LangGraph demande plus d'effort mais offre plus de contrôle.

Pour aller plus loin

Le Trust Index nAIvigate documente, éditeur par éditeur, ce que chaque fournisseur de modèle fait des données qu'il reçoit : c'est le complément direct de la section 8 pour choisir le modèle qui animera votre agent. Le Cost Engine chiffre le coût d'un agent selon le modèle et le volume, et Hardware Match indique quel modèle local tient sur votre machine. Dans le Finder outils, la rubrique « Assistants autonomes » détaille Hermes Agent et OpenClaw.

Si vous devez cadrer les agents dans votre organisation (inventaire, politique d'usage, choix des modèles et des hébergements), c'est le type de constat que produit un Radar IA.

Sources

• Mejri Issam, « Construire et déployer un agent IA autonome sur AWS avec Strands Agents SDK et Bedrock AgentCore », GNU/Linux Magazine France, dossier « Agents IA ».
• Strands Agents, dépôt officiel
• Amazon Bedrock AgentCore, présentation des services et régions prises en charge
• Vertex AI Agent Builder, notes de version et Memory Bank
• Microsoft Agent Framework 1.0, annonce officielle
• Claude Agent SDK, présentation
• Hermes Agent, dépôt Nous Research
• Bitdefender, exploitation d'OpenClaw en entreprise, Conscia, la crise de sécurité OpenClaw et Unit 42, chaîne d'approvisionnement des skills
• TechCrunch, lancement de Meta Muse et annonces de Connect, Axios
• Reuters via The News, lancement de ChatGPT Work
• Software Improvement Group, synthèse de l'AI Act et du Digital Omnibus