Les différents types d'IA : prédictive, générative, agentique

« On voudrait mettre de l’IA agentique sur le support. » La phrase est de plus en plus courante en réunion, et elle mérite qu’on s’arrête sur les mots.

Le problème, c’est que l’expression « type d’IA » recouvre en réalité trois classifications qui n’ont rien à voir entre elles : ce que le système fait, ce dont il est capable, et le risque qu’il représente au sens de la réglementation. Une même solution appartient donc simultanément à trois catégories.

Voici les trois axes, en commençant par le plus utile au quotidien.

Axe 1 : ce que le système fait

C’est la classification la plus parlante, et celle qui structure le marché aujourd’hui. Elle distingue trois familles qui se sont empilées dans le temps.

L’IA prédictive

La plus ancienne et, de loin, la plus déployée. Elle classe, prédit, détecte. On lui donne des données historiques, elle en tire un modèle, et elle applique ce modèle à des cas nouveaux.

C’est ce qui trie vos spams, détecte une transaction bancaire suspecte, anticipe la panne d’un équipement, ou attribue automatiquement une catégorie à un ticket entrant. Elle ne produit rien de nouveau : elle range, elle note, elle signale.

Discrète, éprouvée, souvent invisible. La majorité de l’IA réellement en production dans les entreprises relève de cette famille.

L’IA générative

Elle crée du contenu. La CNIL la définit comme la classe des systèmes capables de produire du texte, du code, des images, de l’audio ou de la vidéo. Quand ces systèmes couvrent un large éventail de tâches, on parle de systèmes d’IA à usage général, ce qui est le cas des grands modèles de langage.

C’est la famille qui a rendu l’IA populaire fin 2022, et elle a une propriété qu’il faut avoir en tête en permanence : elle est probabiliste. La CNIL le formule sans détour dans ses recommandations - ces systèmes peuvent produire des résultats inexacts qui paraissent pourtant plausibles.

Retenez la nuance : une IA générative produit ce qui ressemble à une bonne réponse. Ce n’est pas la même chose que produire une bonne réponse.

L’IA agentique

La plus récente, et celle qui change la nature du problème. Elle ne se contente pas de répondre : elle agit.

Le NIST la décrit comme des systèmes fonctionnant en agents autonomes, capables de décider par eux-mêmes, d’apprendre de leurs interactions et de s’adapter à un environnement changeant. IBM insiste de son côté sur le point qui compte : ces systèmes atteignent un objectif avec une supervision limitée, là où une IA classique reste dans des contraintes prédéfinies et attend une intervention humaine.

Concrètement, un système agentique décompose un objectif en sous-tâches, appelle des outils extérieurs (une API, une base de connaissances, un logiciel métier), conserve un état entre les étapes, et recommence en cas d’échec. Une architecture multi-agents ajoute une couche d’orchestration où un modèle chef d’orchestre coordonne des agents spécialisés.

Un point important, souvent perdu dans le marketing : l’agentivité est un curseur, pas une case à cocher. Un système est plus ou moins agentique selon son degré d’autonomie, la complexité de l’objectif et sa capacité à exécuter sans intervention.

Résumé de l’axe 1

Famille	Ce qu’elle fait	Exemple
Prédictive	Classe, note, anticipe	Tri automatique des tickets, maintenance prédictive
Générative	Produit du contenu	Rédaction d’un compte rendu, résumé d’un incident
Agentique	Planifie et exécute	Qualifier un ticket, chercher la solution, l’appliquer

Ces familles ne se remplacent pas, elles s’empilent. Un système agentique s’appuie généralement sur un modèle génératif pour raisonner, et peut appeler des modèles prédictifs comme outils.

Et Claude, ChatGPT ou Gemini, alors ?

C’est la question qui vient immédiatement, et elle demande de distinguer trois choses qu’on confond en permanence.

Le modèle est le moteur. Il prend du texte en entrée, il produit du texte en sortie. C’est de l’IA générative, rien de plus.

Le produit est ce qu’on construit autour : une interface de conversation, une mémoire, la possibilité de déposer des documents. Utilisé dans une fenêtre de chat, un assistant de ce type reste génératif : il répond, vous lisez, vous décidez.

Le système devient agentique quand on donne au même modèle des outils et le droit de s’en servir sans validation à chaque étape : lire des fichiers, appeler une API, exécuter du code, enchaîner plusieurs actions vers un objectif. C’est le cas des assistants de développement en ligne de commande ou des modes de recherche autonome.

D’où le point à retenir : l’agentivité n’est pas une caractéristique du modèle, mais du système construit autour de lui. Le même moteur peut alimenter un assistant sagement génératif ou un agent qui modifie votre système d’information. Ce qui change, c’est ce qu’on l’autorise à faire.

Quant aux noms de modèles, ils encodent généralement deux informations : une gamme et une génération. La gamme situe le modèle sur l’arbitrage entre rapidité, coût et capacité de raisonnement - les éditeurs proposent tous des modèles légers pour les tâches à fort volume et des modèles lourds pour le raisonnement complexe. Le numéro indique la génération. C’est une logique de gamme automobile : même marque, cylindrées différentes selon l’usage.

Inutile de retenir les versions du moment, elles changent tous les trimestres. La bonne question n’est pas « quel modèle ? » mais « quelle autonomie lui donne-t-on, et sur quel périmètre ? »

Axe 2 : ce dont le système est capable

Deuxième classification, beaucoup plus théorique, mais qu’on croise partout.

L’IA faible ou IA étroite (narrow AI) désigne les systèmes conçus pour une tâche ou un ensemble de tâches précis. IBM y range les assistants vocaux, les chatbots, les véhicules autonomes.
L’IA forte ou intelligence artificielle générale (AGI) désigne un système hypothétique, capable de comprendre, apprendre et appliquer des connaissances sur un large éventail de tâches à un niveau au moins égal à l’humain.
La superintelligence (ASI) désigne un système, hypothétique lui aussi, qui dépasserait l’humain dans tous les domaines.

Le point à retenir tient en une phrase : tout ce qui existe aujourd’hui relève de l’IA faible, y compris ChatGPT. IBM est explicite là-dessus : l’IA forte reste théorique et aucun système connu n’en approche.

Autrement dit, quand un fournisseur vous parle d’IA « qui comprend » votre métier, il vend une métaphore, pas une catégorie technique.

Axe 3 : le risque, au sens de la loi

Troisième classification, et la seule qui ait des conséquences juridiques. Le règlement européen sur l’IA, entré en vigueur en août 2024, classe les systèmes en quatre niveaux selon leur risque, indépendamment de leur technologie :

Risque inacceptable : interdits. Notation sociale par les États, manipulation subliminale, surveillance biométrique de masse.
Haut risque : autorisés sous conditions strictes. Recrutement, accès au crédit, dispositifs médicaux, infrastructures critiques, éducation.
Risque limité : obligations de transparence. Un utilisateur doit savoir qu’il parle à une machine. C’est ici que tombent la plupart des chatbots.
Risque minimal : aucune obligation spécifique.

Un même modèle de langage peut donc relever du risque limité dans un assistant interne, et du haut risque s’il sert à présélectionner des candidatures. Ce n’est pas la technologie qui détermine la catégorie, c’est l’usage. C’est probablement la chose la plus importante à comprendre de cet article.

Pourquoi la distinction compte vraiment

Passer du génératif à l’agentique n’est pas un incrément, c’est un changement de nature du risque.

Un modèle génératif qui se trompe produit un texte faux. Quelqu’un le lit, le corrige ou le jette. L’erreur reste contenue.

Un système agentique qui se trompe exécute. Il crée un compte, ferme un ticket, modifie une configuration, envoie un message. L’erreur est déjà dans le système d’information au moment où on la découvre.

Cela déplace toutes les questions habituelles. Qui est le demandeur d’un changement décidé par un agent ? Comment tracer une décision prise à trois heures du matin sans humain dans la boucle ? Que devient une procédure d’escalade quand personne n’a été sollicité ? Comment mesurer la qualité d’un service dont une partie s’exécute toute seule ?

Ce sont des questions de gouvernance, pas de technologie. Et ce sont exactement celles auxquelles il faut répondre avant de déployer, pas après.

Pour résumer

Trois axes, trois questions à poser devant n’importe quelle solution présentée comme « de l’IA » :

Qu’est-ce qu’elle fait ? Elle prédit, elle génère, ou elle agit ?
Jusqu’où va son autonomie ? Est-ce qu’un humain valide, et à quel moment ?
Dans quel usage la place-t-on ? C’est cet usage, et non la technologie, qui détermine le régime réglementaire applicable.

Trois questions simples, mais qui suffisent à faire retomber une bonne partie du brouillard commercial.