Quelle est la différence entre un chatbot et un agent IA ?

Un chatbot répond. Un agent IA agit. Le chatbot génère du texte à partir de ta question et s'arrête là. L'agent IA décompose un objectif, choisit des outils, exécute des actions (chercher, appeler une API, écrire un fichier) et boucle jusqu'au résultat. Dit autrement : le chatbot conseille, l'agent fait le travail.

Qu'est-ce qu'un chatbot ?

Un chatbot est une interface de conversation posée sur un LLM (un grand modèle de langage). Tu écris, il prédit le texte le plus probable mot après mot (token après token) et te le renvoie. C'est tout son périmètre : un tour de question, un tour de réponse.

Concrètement, un chatbot sait :

• répondre à une question à partir de ce qu'il a appris,
• reformuler, résumer, traduire, rédiger un brouillon,
• tenir une conversation sur plusieurs tours en gardant le fil (le context window).

Ce qu'un chatbot ne fait pas seul : aller chercher une info à jour, cliquer quelque part, envoyer un mail, modifier une base. Il produit du texte. L'action reste à ta charge. ChatGPT, Claude ou Gemini en mode conversation classique sont des chatbots tant qu'on ne leur branche pas d'outils.

Qu'est-ce qu'un agent IA ?

Un agent IA utilise le même cerveau (un LLM), mais on lui donne un objectif au lieu d'une question, et on lui branche des outils. À partir de là, il tourne en boucle : il décide quoi faire, fait une action, regarde le résultat, recommence, jusqu'à atteindre l'objectif ou se faire arrêter.

La boucle d'un agent, en clair :

1. Comprendre l'objectif que tu lui donnes (« trie ces 200 emails par urgence »).
2. Planifier les étapes.
3. Agir via des outils (chercher sur le web, appeler une API, lire un fichier, écrire dans une base).
4. Observer le résultat de chaque action.
5. Boucler : recommencer tant que l'objectif n'est pas atteint.

Ce qui rend un agent possible techniquement : le tool use (le LLM peut appeler des fonctions externes) et des standards comme le MCP (Model Context Protocol), un protocole ouvert publié par Anthropic le 25 novembre 2024 pour brancher un modèle sur des outils et des données de façon standardisée. Avant ça, chaque intégration était bricolée à la main.

Une petite précision : « agent » ne veut pas dire « autonome sans surveillance ». Les bons agents tournent avec un périmètre défini (moindre privilège) et des points de validation par des humains (human in the loop) sur les actions sensibles. Plus l'agent agit seul, plus tu cadres ce qu'il a le droit de faire.

Tableau des différences

Critère	Chatbot	Agent IA
Ce que tu lui donnes	Une question	Un objectif
Ce qu'il rend	Du texte	Un résultat (action faite)
Outils	Aucun (texte seul)	Oui : web, API, fichiers, bases (via tool use / MCP)
Nombre de tours	1 question, 1 réponse	Boucle multi-étapes jusqu'au résultat
Mémoire de tâche	Le fil de conversation	Suit un plan, garde l'état entre les étapes
Qui exécute l'action	Toi, après la réponse	L'agent, dans son périmètre
Risque	Réponse fausse (hallucination)	Réponse fausse plus action fausse (d'où le human in the loop)
Coût	1 appel modèle	Plusieurs appels modèle par tâche (chaque tour se paie)

Mémo : si ça te répond, c'est un chatbot. Si ça fait quelque chose à ta place et t'en rend compte, c'est un agent.

Exemple concret : Maisons&Mobilia

Maisons&Mobilia (M&M), enseigne de meubles, veut aider ses clients en ligne. Deux approches.

Avec un chatbot. Un client demande « Est-ce que le canapé Lutèce existe en velours bleu et sous quel délai ? ». Le chatbot répond à partir de ce qu'on lui a fourni dans le fil : « Le velours bleu existe, comptez 3 semaines. » Utile, mais s'il n'a pas la donnée à jour, il devine ou se trompe. Et il ne réserve rien : Sophie, la cliente, doit aller commander elle-même.

Avec un agent IA. Même question, mais l'agent a des outils branchés. Il interroge le catalogue (le velours bleu est dispo), vérifie le stock de l'entrepôt via une API, calcule le délai réel, et propose à Sophie de bloquer la pièce. Avec un point de validation humaine avant tout paiement. Il n'a pas répondu, il a avancé la commande.

La différence n'est pas la qualité de la phrase. C'est qu'à la fin, le chatbot a parlé et l'agent a fait. Et chaque tour de l'agent (interroger le catalogue, vérifier le stock, calculer) est un appel modèle de plus : un agent coûte mécaniquement plus cher qu'un chatbot pour la même question, parce qu'il agit au lieu de juste répondre.

Aller plus loin, en manipulant

Lire une définition, c'est bien. La manipuler, c'est ce qui fait retenir. Sur saisir.ai, le parcours Concepts te fait construire la différence à la main : anatomie d'un LLM (tokens, context window), puis anatomie d'un agent (tool use, MCP, mémoire), avec des démos métier rejouées (dont un concierge d'hôtellerie : 14 fiches, 107 chunks, coût illustratif ~0,004 EUR par réponse). 5 min par jour, en français, sans coder.