root@fr:~$ man agentique
L'ère agentique a commencé.
En deux ans, l'IA est passée de la conversation à l'action. Voici ce qui change, ce qu'est vraiment un agent, et pourquoi un agent sans gouvernance ne sort jamais du prototype.
Dit simplement
C'est quoi, un agent ?
Un agent, c'est un logiciel à qui vous confiez une tâche, pas une question. Vous lui donnez un objectif : il lit les documents concernés, se sert de vos outils, avance étape par étape et vous présente le résultat pour validation. Un assistant conversationnel vous répond ; un agent vous rend le travail fait.
Exemple : "prépare la synthèse de ce dossier de quarante pièces". L'agent lit les pièces, rédige la synthèse, cite la page d'où vient chaque affirmation, et attend votre relecture.
La bascule
De répondre à agir.
En 2023 et 2024, l'IA générative répondait : on l'interrogeait, elle générait du texte ou du contenu, sous une supervision humaine forte. Depuis 2025, l'IA agentique observe, planifie et agit : elle enchaîne plusieurs étapes, appelle des outils, se sert d'une mémoire, se corrige et poursuit un objectif avec moins de supervision. Forbes le résumait fin 2025 : place aux agents, prochaine étape après les chatbots.
2023 - 2024
Chatbots et IA générative
Réactif : converser et générer
- On interroge, le modèle répond
- Conversation et production de contenu
- Un échange à la fois, sans mémoire durable
- Supervision humaine forte à chaque étape
2025 - 2026
IA agentique
Autonome : observer, planifier, agir
- L'agent observe, planifie puis exécute
- Flux de travail en plusieurs étapes
- Usage d'outils, mémoire et auto-correction
- Poursuite d'un objectif, supervision allégée
La même question, deux postures : l'une attend une consigne, l'autre poursuit un but.
Trois mots, pas un de plus
Agent, agentique, harness.
Le vocabulaire de l'ère agentique tient en trois termes. Les confondre, c'est confondre un moteur, un comportement et la voiture autour.
Un agent
Un logiciel, souvent fondé sur un modèle de langage, qui poursuit un objectif : il perçoit, planifie, appelle des outils et des API, agit, puis recommence en s'appuyant sur une mémoire.
L'agentique
Le comportement autonome lui-même : décider, planifier plusieurs étapes, exécuter et s'adapter avec peu d'intervention humaine, par opposition à un chatbot purement réactif.
Le harness
L'infrastructure qui enveloppe le modèle : orchestration, mémoire, interfaces d'outils, garde-fous et runtime. C'est elle qui transforme un modèle brut en agent fiable et auditable.
Agent = Modèle + Harness
La formule est reprise par LangChain, par Martin Fowler sous le nom de harness engineering, et par Salesforce. Le modèle apporte la puissance brute ; le harness apporte la fiabilité, la mémoire et le contrôle. Sans harness, un modèle reste une démonstration.
Le fossé de maturité
La plupart des pilotes n'atteignent jamais la production.
L'adoption avance, mais de façon très inégale. Le passage du pilote à la production est le mur où la majorité des projets s'arrêtent.
Explorer
Environ 30 % des organisations en sont à explorer l'IA agentique, selon Deloitte. On teste, on cadre, on apprend.
Piloter
Environ 38 % sont en phase de pilote selon Deloitte. Une preuve de concept tourne, mais hors des contraintes réelles de production.
Mettre en production
Seulement 11 à 14 % atteignent la production selon Deloitte. C'est ici que les projets tombent : fiabilité, supervision, gouvernance.
Gartner prévoit qu'environ 40 % des applications d'entreprise embarqueront des agents IA dédiés à une tâche d'ici fin 2026, contre moins de 5 % en 2025. La même analyse place l'IA agentique au pic des attentes exagérées. Une prévision n'est pas un fait : c'est une raison de viser d'emblée la production.
C'est notre exigence depuis le premier jour : prêt pour la production, pas des prototypes. Fiabilité, supervision et dégradation maîtrisée, dès le départ.
La vague des harness ouverts
L'agentique tourne déjà sur des modèles ouverts, auto-hébergeables.
Deux projets open-source illustrent la maturité des harness auto-hébergeables. Nous les décrivons factuellement, avec leurs forces et leurs faiblesses.
OpenClaw
Open-source, auto-hébergeableAgent autonome open-source, publié en novembre 2025 sous le nom Warelay. Il exécute de vraies tâches via des modèles de langage accessibles depuis des applications de messagerie. Créé par le développeur Peter Steinberger, qui a rejoint OpenAI début 2026, il est aujourd'hui porté par la fondation à but non lucratif OpenClaw Foundation. Devenu viral, il dépasse 100 000 étoiles sur GitHub. Il présente des faiblesses de sécurité documentées.
Hermes
Open-source (MIT), auto-améliorantHarness d'agent auto-améliorant publié sous licence MIT par Nous Research, vers février 2026. Il conserve une mémoire persistante d'une session à l'autre, réutilise des documents de compétences, gère des sous-agents et tourne en local ou dans le cloud.
Ces deux projets prouvent une chose : l'agentique peut tourner sur votre propre infrastructure, sur des modèles ouverts. La souveraineté est donc possible. Mais leurs failles de sécurité, qui les réservent à l'expérimentation, prouvent l'autre moitié de la même vérité : il vous faut un harness gouverné et souverain. Le root Workspace est exactement cela, un harness d'agent souverain et gouverné. Un agent peut y travailler la nuit, sans personne au clavier ; rien ne s'écrit pour autant dans vos outils sans validation humaine. Mycroft est l'un des agents qui y tournent.
Un agent vaut son harness.
Dans l'ère agentique, l'avantage va à qui maîtrise l'infrastructure autour du modèle, pas seulement le modèle. Construisez sur un harness souverain, gouverné et auditable.