Quelle différence entre un LLM, le RAG et un agent IA?
Un LLM (grand modèle de langage) prédit du texte, le RAG (génération augmentée par récupération) colle des extraits trouvés dans son prompt, et un agent IA est une boucle où le modèle choisit chaque étape et le logiciel autour de lui agit.

LLM, RAG ou agent IA
Un grand modèle de langage (LLM) est un programme entraîné à prédire le morceau de texte suivant, appelé token. C’est le moteur qui tourne sous un chatbot et sous un agent d’intelligence artificielle (IA). Quand un chatbot devient un agent, le modèle ne change pas. Il ne fait toujours qu’écrire du texte, et c’est le logiciel autour de lui qui agit.
Le plus simple pour distinguer ces termes, c’est d’imaginer cinq couches. Le LLM est tout en bas. Au-dessus se trouvent le prompt, le RAG (génération augmentée par récupération), l’agent et l’automatisation IA. Cet empilement sert à expliquer, et les vrais produits mélangent les couches. L’automatisation IA n’a pas non plus de définition standard officielle. Chaque couche répond quand même à une question différente: que lit le modèle, que peut-il aller chercher, et qui choisit l’étape suivante?
Ce que fait vraiment chaque couche
Le prompt, c’est ce que lit le modèle: les instructions de l’application, votre question et la conversation jusque-là. Le RAG ajoute une recherche. Les documents sont découpés en extraits, et chez OpenAI la taille maximale par défaut d’un extrait dans un vector store est de 800 tokens. Chaque extrait devient une liste de nombres appelée embedding. Votre question devient aussi des nombres, et les extraits les plus proches sont collés dans le prompt.
Les deux couches du haut se distinguent par qui choisit le chemin. Dans un agent, le modèle choisit chaque étape. Dans l’automatisation IA, le chemin est fixé à l’avance: nouvel e-mail, résumé par l’IA, SMS. La frontière peut devenir floue, car Zapier indique qu’une étape d’IA dotée d’outils peut agir de façon autonome.
Comment un agent IA fonctionne en boucle
- L’application liste les outils. Le logiciel indique au modèle quels outils il peut demander. Le modèle n’exécute jamais rien lui-même.
- Le modèle fait une demande. Dans la documentation d’Anthropic, la réponse du modèle contient
stop_reasonréglé surtool_use, avec une requête JSON (JavaScript Object Notation). - L’application exécute la demande. Le logiciel fait le travail et renvoie le résultat au modèle sous forme de
tool_result. - La boucle recommence ou s’arrête. La fin normale est
end_turn. La règle exacte, c’est que la boucle s’arrête sur toute raison d’arrêt autre quetool_use, y comprismax_tokens,stop_sequenceetrefusal.
Le résultat ressemble à un modèle qui agit tout seul. En réalité, le modèle ne fait que demander, et les autorisations décident de ce qui se passe.
Un agent IA n’est pas un modèle plus intelligent
Un agent, c’est le même genre de modèle placé dans une boucle, avec un logiciel qui exécute ses demandes. Cela a un revers. Le modèle reçoit une seule suite de tokens, donc un texte caché peut agir comme des instructions. C’est l’injection de prompt. Dans une preuve de concept que Brave a publiée le 20 août 2025, un commentaire Reddit caché a poussé le navigateur Comet de Perplexity à prendre l’adresse e-mail sur la page du compte Perplexity, à lire un mot de passe à usage unique dans Gmail, où l’utilisateur était connecté, et à publier les deux dans une réponse. Ce n’était pas une attaque contre de vrais utilisateurs. Le RAG n’est pas non plus le remède, car l’OWASP (Open Worldwide Application Security Project) indique qu’il ne bloque pas complètement l’injection de prompt.
Que faire
- Ouvrez
myaccount.google.com/linkedapps, choisissez l’accès des agents et arrêtez ce que vous n’utilisez pas. Google précise que l’arrêt ne concerne que l’agent. - Avant de relier un agent à un compte, vérifiez ce qu’il aurait le droit de faire. Les autorisations décident de ce qui se passe.
- Gardez en tête qu’un texte lu par un agent peut agir comme des instructions, même un commentaire caché sur une page web.
- Demandez comment un outil fonctionne: suit-il un chemin fixé à l’avance, ou est-ce le modèle qui choisit chaque étape?
À voir en 60 secondes
