Découvrez folk, le CRM pour les entreprises axées sur les ressources humaines
Un chatbot attend la prochaine instruction. Un agent IA continue de fonctionner. Il est capable d'interpréter un objectif, d'extraire le contexte en temps réel, de choisir un outil, d'agir, d'analyser le résultat et d'adapter son approche sans recevoir d'instructions à chaque étape.
Alors, comment fonctionnent les agents IA en 2026 ? Ils évoluent au sein d’une boucle décisionnelle itérative s’appuyant sur un modèle linguistique, des données métier, une mémoire, des outils et des garde-fous. Un assistant commercial IA, par exemple, peut rechercher dans un CRM les dossiers en suspens, examiner l’historique des interactions, identifier l’obstacle probable, préparer un plan de relance et mettre à jour les champs approuvés. Le modèle fournit le raisonnement, mais c’est l’architecture de l’agent qui transforme ce raisonnement en une exécution contrôlée.
Comment fonctionnent les agents IA ? La réponse en bref
Les agents d'IA fonctionnent selon un cycle continu de raisonnement et d'action :
Objectif → contexte → plan → utilisation de l'outil → observation → ajustement → achèvement
L'agent part d'un objectif plutôt que d'une séquence rigide de clics. Il examine les informations disponibles, décide de la suite à donner et fait appel à l'outil approprié. Cet outil peut effectuer une recherche dans un CRM, interroger une base de données, ouvrir une page Web, exécuter du code ou mettre à jour un enregistrement métier.
L'outil renvoie une observation : des données, une confirmation, une erreur ou un résultat inattendu. L'agent ajoute cette observation à son contexte de travail et choisit l'action suivante. La boucle se poursuit jusqu'à ce que la tâche remplisse ses critères d'achèvement ou nécessite une intervention humaine.
Imaginons une demande visant à identifier des opportunités commerciales négligées. Le commercial peut :
- Rechercher les opportunités en cours dans le CRM.
- Filtrer les enregistrements ne présentant aucune interaction récente.
- Récupérer les dernières notes et la liste des parties prenantes.
- identifier le facteur susceptible de constituer un obstacle.
- définir la prochaine étape pour chaque compte.
- demander une autorisation avant de mettre à jour le pipeline.
Une automatisation traditionnelle suit un parcours prédéfini et échoue lorsque les données d'entrée ne respectent pas ses règles. Un agent IA est capable d'interpréter des données d'entrée variables, de réviser son plan et de choisir une action différente tout en restant dans les limites de ses autorisations.
Comment fonctionne la boucle d'un agent IA en 7 étapes
La boucle de l'agent n'est pas un enchaînement d'étapes prédéfini. Le modèle choisit une action, observe ce qui s'est passé, puis utilise le nouvel état pour déterminer la prochaine action.
1. L'agent se voit attribuer un objectif
Une tâche peut être lancée à la suite d'une invite, d'un événement programmé, d'un déclencheur d'application, d'une alerte système ou d'un transfert provenant d'un autre agent. La demande doit définir le résultat attendu plutôt que chacune des actions intermédiaires.
« Identifiez les contrats d'entreprise à risque ce trimestre et élaborez un plan d'intervention. »
L'agent reçoit également des instructions d'utilisation : outils disponibles, limites des données, règles métier, exigences en matière d'approbation et critères d'achèvement.
2. Il extrait le contexte pertinent
Le modèle ne peut pas prendre de décision fiable en se basant uniquement sur l'objectif. Il recueille les informations nécessaires à l'étape en cours à partir de sources telles que :
- Historique des conversations
- Fiches CRM
- E-mails et comptes-rendus de réunion
- Documentation interne
- Bases de données
- Applications connectées
- Événements système en temps réel
Pour les demandes relatives aux contrats à risque, l'agent peut consulter les dates de renouvellement, les montants des contrats, les interactions récentes, les dossiers d'assistance en cours, les parties prenantes et les prochaines étapes enregistrées.
3. Cela permet de décomposer l'objectif en actions concrètes
Le modèle de raisonnement évalue la situation actuelle et élabore un plan d'action. Il peut décider de commencer par identifier les transactions éligibles, puis de récupérer le contexte du compte, ensuite de classer les risques et, enfin, de formuler des recommandations.
Ce plan est susceptible d'évoluer. Si une transaction ne comporte aucune note récente, l'agent peut consulter l'historique des e-mails. Si le compte n'a pas de titulaire, le système peut signaler le champ manquant plutôt que de tenter une attribution non autorisée.
4. Il sélectionne et appelle un outil
L'agent ne peut pas accéder aux systèmes d'entreprise par le seul biais du raisonnement. Il envoie une requête structurée à un outil agréé, tel que :
- Rechercher des fiches dans le CRM
- Interroger une base de données
- Lire un document
- Parcourir une page Web
- Exécuter le code
- Créer une tâche
- Mettre à jour un champ du pipeline
Un appel vers un outil CRM peut inclure, en tant qu'arguments structurés, un pipeline, le statut d'une opportunité, une valeur minimale, une période de renouvellement et un seuil d'inactivité.
5. Il observe le résultat
Chaque appel d'outil renvoie de nouvelles informations. La réponse peut contenir les enregistrements demandés, des données partielles, une erreur d'autorisation, un résultat vide ou la confirmation que l'action a abouti.
Le modèle intègre cette observation dans son contexte de travail et l'évalue par rapport à l'objectif. Si la requête renvoie trop de transactions, l'agent peut affiner les critères. Si un champ obligatoire est manquant, il peut effectuer une recherche dans une autre source validée ou signaler cette lacune.
6. Le système met en place des mesures de sécurité et demande une validation
Les garde-fous permettent de vérifier si l'action proposée respecte les règles définies. Ils peuvent valider les arguments des outils, restreindre l'accès aux enregistrements, imposer des formats de sortie structurés, masquer les données sensibles ou marquer une pause avant une action ayant des conséquences importantes.
L'agent peut analyser chaque transaction en cours de manière autonome, mais doit obtenir une confirmation avant de :
- Envoie un message externe
- Changements concernant la propriété de l'accord
- Modifie les enregistrements en masse
- Supprime des informations
- Engagements de dépenses
- Partage des données confidentielles
L'approbation établit une distinction entre la préparation autonome et l'exécution autorisée.
7. Il finalise, transmet à un niveau supérieur ou délègue
La boucle prend fin lorsque l'agent remplit ses critères d'achèvement. Il renvoie alors les résultats de l'analyse, met à jour le système approuvé et consigne ce qui s'est passé.
Si la tâche dépasse le cadre de ses outils ou de ses autorisations, l'agent peut la transmettre à un niveau supérieur en conservant le contexte déjà recueilli. Dans un système multi-agents, il peut également confier la tâche à un agent spécialisé tout en conservant l'état pertinent.
Il en résulte une autonomie contrôlée : l'agent choisit comment atteindre l'objectif, mais les instructions, les autorisations, les limites et les critères de réussite définissent le cadre d'action.
Tous les composants d'un agent d'intelligence artificielle
Un agent d'IA n'est pas un simple modèle linguistique fonctionnant de manière autonome. Il associe un moteur de raisonnement à des instructions, un contexte métier, des outils, une mémoire, des mécanismes d'orchestration et des garde-fous. Chaque composant résout un aspect différent du problème d'exécution.
Comment les agents IA utilisent des outils pour agir
Un modèle linguistique est capable de raisonner sur une tâche, mais il ne peut pas inspecter un pipeline en cours d'exécution, modifier un enregistrement ou effectuer un calcul sans outils. Les outils mettent à disposition des fonctionnalités externes spécifiques que l'agent peut solliciter par le biais de requêtes structurées.
Le processus se déroule en quatre étapes :
- Le modèle identifie les mesures à prendre.
- Il sélectionne un outil disponible.
- Il génère les arguments attendus par cet outil.
- Il analyse le résultat et décide de la suite à donner.
Par exemple, un commercial chargée d'étudier les opportunités inactives pourrait interroger un outil de recherche CRM à l'aide de critères structurés tels que :
{
« pipeline » : « Nouvelles affaires »,
"status" : "Ouvert",
« minimum_value » : 20000,
« days_since_last_interaction » : 30
}
Le CRM renvoie les opportunités correspondantes. Le modèle évalue ensuite ces enregistrements et peut faire appel à un autre outil pour récupérer des notes, identifier les parties prenantes ou mettre à jour un champ approuvé.
API pour les opérations système structurées
Les API mettent à disposition des fonctions applicatives prédéfinies, telles que la récupération d'enregistrements, la création de tâches, la mise à jour de champs ou le traitement de transactions. Elles fonctionnent bien lorsque la requête et la réponse respectent un schéma stable.
L'agent n'utilise pas l'interface de l'application. Il envoie une requête lisible par machine directement au système et reçoit en retour des données structurées.
Serveurs MCP pour un accès normalisé aux outils et aux données
Le protocole MCP (Model Context Protocol ) offre aux clients IA compatibles un moyen cohérent de se connecter à des outils et des données externes. Au lieu de développer une intégration distincte pour chaque combinaison de modèle et d'application, un serveur MCP publie les fonctionnalités auxquelles un agent peut accéder.
folk MCP, par exemple, permet à ChatGPT, Claude, Cursor, VS Code et d’autres clients compatibles d’effectuer des recherches et de mettre à jour un espace de travail folk via un serveur hébergé. L’agent peut gérer les personnes, les entreprises, les transactions, les notes, les groupes et l’historique des interactions en fonction des autorisations de l’utilisateur authentifié.
Navigateurs pour le travail basé sur l'interface
Certains systèmes ne mettent pas à disposition l'API ou l'outil MCP requis. Un agent de navigation peut parcourir les pages, lire les éléments de l'interface, saisir des données, cliquer sur des contrôles et examiner l'état qui en résulte.
L'utilisation d'un navigateur offre un large accès, mais introduit davantage de variabilité. Les changements de mise en page, les fenêtres contextuelles, les exigences de connexion et les commandes ambiguës peuvent perturber le déroulement du travail. Les actions sensibles ou irréversibles nécessitent généralement une confirmation avant le clic final.
Exécution de code à des fins d'analyse et de transformation
L'exécution de code aide les agents à traiter des données, à tester des hypothèses, à transformer des fichiers, à effectuer des simulations ou à valider des calculs. Un agent chargé des données peut par exemple écrire un programme en Python pour fusionner des fichiers CSV et identifier des valeurs aberrantes. Un agent chargé du codage peut quant à lui exécuter une suite de tests après avoir modifié le référentiel.
Le résultat est renvoyé à l'agent sous la forme d'une nouvelle observation. Un test échoué, une requête vide ou une erreur de validation ne met pas automatiquement fin à la tâche. Cela fournit au modèle un nouveau contexte pour l'étape suivante de la boucle.
Comment fonctionnent la mémoire et le contexte chez les agents d'IA ?
Un agent a besoin d'un état suffisant pour comprendre ce qui s'est déjà passé, ce qui reste en suspens et quelles informations sont pertinentes pour l'action suivante. Cet état peut être conservé dans la fenêtre de contexte actuelle, dans une mémoire externe ou dans le système métier où s'effectue le travail.
Contexte de travail pour la tâche en cours
Le contexte d'exécution contient les informations disponibles pendant l'exécution en cours :
- Objectif initial
- Instructions relatives au système
- Messages récents
- Définitions des outils
- Enregistrements récupérés
- Résultats de l'outil
- Plan actuel
- Actions déjà menées à bien
La fenêtre de contexte dispose d'une capacité limitée. Les agents fonctionnant sur le long terme ne peuvent pas conserver indéfiniment tous les documents bruts, messages et résultats d'outils. Ils peuvent résumer les étapes terminées, supprimer les détails non pertinents ou récupérer des informations uniquement lorsque cela est nécessaire.
Mémoire conservée d'une session à l'autre
La mémoire persistante conserve certaines informations après la fin de la session en cours. Il peut s'agir des préférences de l'utilisateur, de décisions antérieures, d'informations spécifiques au compte, de tâches en suspens ou de résumés de travaux antérieurs.
Une mémoire utile reste sélective. Le stockage de chaque interaction rend la récupération des informations difficile et augmente le risque que des informations obsolètes influencent une décision future. Les systèmes de production ont donc besoin de règles pour déterminer ce qu’il faut conserver, mettre à jour, faire expirer ou supprimer.
Les systèmes externes en tant que mémoire opérationnelle
La source d'informations la plus fiable se trouve souvent déjà dans une application métier. Un CRM conserve l'historique des relations. Un service d'assistance stocke les incidents passés. Un outil de suivi de projet recense les responsables, les obstacles et les changements de statut. Un dépôt de code conserve l'implémentation actuelle.
Un assistant commercial basé sur l'IA et connecté à folk n'a pas besoin de mémoriser l'intégralité de la relation client au sein du modèle. Il peut récupérer les derniers contacts, notes, interactions et l'état des opportunités au début de la tâche, puis répertorier les modifications approuvées dans le CRM. folk reste la source de référence fiable.
La mémoire ne signifie pas un apprentissage continu du modèle
La plupart des agents d'IA ne mettent pas à jour les poids de leur modèle sous-jacent après chaque tâche. Ils semblent se souvenir parce que le système enregistre les informations en externe et les récupère lors d'une exécution ultérieure.
Le retour d'information peut améliorer le comportement futur grâce à des enregistrements corrigés, des instructions révisées, de meilleures descriptions des outils, des exemples validés ou une mémoire mise à jour. L'entraînement proprement dit du modèle reste un processus distinct. Cette distinction est importante car le contexte stocké peut être inspecté, corrigé et supprimé plus facilement que les connaissances intégrées dans les poids du modèle.
Comment un assistant commercial basé sur l'IA fonctionne avec le CRM d'folk
Un assistant commercial basé sur l'IA devient opérationnel lorsqu'il peut accéder en temps réel aux données relationnelles et enregistrer les résultats validés dans le CRM. folk assure cette connexion grâce à un serveur MCP hébergé, compatible avec ChatGPT, Claude, Cursor, VS Code et d'autres clients MCP.
Considérons l'exercice suivant :
« Repérez les dossiers en cours d'un montant supérieur à 20 000 dollars pour lesquels aucune interaction n'a eu lieu au cours des 30 derniers jours, identifiez l'obstacle probable et préparez un plan de relance. »
1. Authentifier le client IA
L'utilisateur connecte le client IA à folk via un protocole OAuth sécurisé. L'agent bénéficie des mêmes droits d'accès à l'espace de travail que le compte folk authentifié, en fonction de son rôle et de ses autorisations existants.
2. Traduire l'objectif en critères de recherche
L'agent extrait les conditions d'exploitation de la requête :
- Statut de la transaction : en cours
- Montant minimum : 20 000 $
- Période d'inactivité : 30 jours
- Résultats attendus : identification des obstacles et plan de reprise
Il sélectionne ensuite les outils de recherche pertinents sur folk .
3. Récupérer les données en temps réel sur les transactions
Grâce à la fonctionnalité « folk » (MCP), l'agent recherche dans l'espace de travail les opportunités correspondantes. Les résultats peuvent inclure le nom de l'opportunité, le nom de l'entreprise, le responsable, la valeur, le stade actuel et la date de la dernière interaction.
Ce premier résultat permet d'identifier les enregistrements concernés, mais ne fournit pas suffisamment de contexte pour diagnostiquer le problème.
4. Reconstituer chaque relation
L'agent récupère les personnes, les entreprises, les notes, les champs personnalisés et l'historique des interactions associés à chaque opportunité. Il recherche des indicateurs tels que :
- Relances restées sans réponse
- Objections liées au prix
- Des décideurs manquants
- Retards dans les marchés publics
- Exigences relatives au produit
- En l'absence de mesures à prendre
- Baisse de l'engagement
Le CRM fait office de mémoire opérationnelle. L'agent s'appuie sur l'historique des relations déjà enregistré dans folk plutôt que sur le contexte copié dans la fenêtre de dialogue.
5. Classer le « Blocker »
Le modèle de raisonnement compare les éléments de preuve et attribue une cause probable à chaque opportunité qui n'a pas abouti. Il doit faire la distinction entre les faits avérés et les déductions.
Par exemple :
- C'est confirmé : l'acheteur a demandé un audit de sécurité SSO.
- Obstacle présumé : la transaction est au point mort car aucun détenteur de titre n'a été ajouté à la suite de cette demande.
- Preuve manquante : aucune interaction ne permet de confirmer que l'approbation du budget est terminée.
Cette distinction empêche qu'une interprétation plausible soit présentée comme un fait avéré.
6. Élaborer le plan de reprise
L'agent recommande une action suivante spécifique au dossier plutôt que d'appliquer une séquence de suivi générique :
- Présenter un intervenant technique
- Veuillez envoyer les documents de sécurité demandés
- Rétablir le lien avec l'acheteur économique
- Confirmer le calendrier des achats
- Prendre rendez-vous pour un entretien de décision
- Close une opportunité sans perspective d'avenir crédible
Il peut également rédiger un message adapté au contexte, en fonction de la conversation enregistrée et de l'état d'avancement actuel de la transaction.
7. Demander une autorisation
La recherche, l'analyse et la rédaction peuvent s'effectuer sans changer d'espace de travail. Avant de modifier une transaction, d'envoyer un message ou de créer plusieurs tâches, l'agent soumet les actions proposées pour validation.
L'étape de validation peut afficher :
« Transférer Northstar vers l'étape « Examen de sécurité », ajouter « Présentation de l'ingénieur solutions » comme prochaine étape, puis enregistrer le résumé de la reprise dans les notes de la transaction ? »
8. Renvoyer le résultat validé à folk
Une fois la confirmation effectuée, l'agent interroge les outils d'folk s concernés pour mettre à jour l'opportunité, ajouter une note, modifier un champ ou enregistrer l'action suivante. Il vérifie ensuite la réponse de l'outil pour s'assurer que la mise à jour a bien été effectuée.
La boucle reste entièrement connectée : folk fournit le contexte relationnel, l'assistant IA l'interprète, et folk stocke le résultat approuvé. Aucune base de données distincte ni aucun middleware personnalisé ne doit s'interposer entre l'analyse et l'exécution.
Conclusion
Les agents IA fonctionnent selon une boucle simple : interpréter un objectif, récupérer le contexte, choisir un outil, passer à l'action et évaluer le résultat. Les modèles fournissent le raisonnement, tandis que les outils, la mémoire, l'orchestration et les garde-fous transforment ce raisonnement en une exécution opérationnelle fiable.
Pour les équipes commerciales, le CRM «folk » fournit aux agents IA le contexte relationnel en temps réel nécessaire pour agir de manière pertinente. Grâce au MCP, un assistant commercial IA peut analyser les opportunités, préparer les prochaines étapes et mettre à jour les dossiers approuvés sans dissocier la prise de décision du flux de travail.
Foire aux questions
Comment fonctionnent les agents d'IA, en termes simples ?
Les agents IA se voient attribuer un objectif, recueillent les informations contextuelles pertinentes, planifient l'action suivante, utilisent un outil, vérifient le résultat, puis répètent le processus jusqu'à ce que la tâche soit terminée ou qu'une intervention humaine soit nécessaire.
Quels outils un agent IA peut-il utiliser ?
Les agents IA peuvent utiliser des API, des serveurs MCP, des bases de données, des navigateurs, des environnements d'exécution de code, des CRM, des services d'assistance, des agendas, des plateformes de messagerie électronique et d'autres systèmes d'entreprise autorisés.
Les agents d'IA tirent-ils des enseignements de chaque tâche ?
La plupart des agents ne réentraînent pas leur modèle sous-jacent après chaque tâche. Ils conservent les informations utiles grâce à l'état de la conversation, à la mémoire externe, aux bases de données, aux fichiers et aux systèmes d'entreprise tels qu'un CRM.
Quelle est la différence entre un agent unique et un système multi-agents ?
Un seul agent gère l'ensemble du flux de travail et fait appel à plusieurs outils. Un système multi-agents répartit le travail entre des spécialistes coordonnés par un agent gestionnaire ou procède à des transferts directs.
Comment un assistant commercial basé sur l'IA s'intègre-t-il à un logiciel CRM ?
Un assistant commercial basé sur l'IA récupère en temps réel les informations relatives aux clients et au pipeline, analyse le compte, recommande la prochaine action à entreprendre, demande une validation si nécessaire, puis enregistre le résultat validé dans le CRM.
Découvrez folk, votre CRM sur pilote automatique