LLM, agent IA, workflow et MCP : comprendre les différences

LLM signifie Large Language Model, ou « grand modèle de langage ». C’est un modèle d’intelligence artificielle entraîné sur de grandes quantités de données, capable notamment d’analyser, de résumer et de générer du texte.

Il construit sa réponse progressivement, par fragments appelés tokens : des mots, des parties de mots ou des signes de ponctuation. La réponse dépend de son entraînement et du contexte disponible au moment de la demande : consignes, conversation, documents et informations récupérées.

Source : Microsoft — Fonctionnement des LLM.

Dans notre exemple, la demande pourrait être :

« Voici le message d’un client et les informations sur sa commande. Prépare une réponse claire et concise. »

Si le statut de la commande ne lui est pas transmis, le modèle seul ne va pas ouvrir votre logiciel de commandes. L’application doit lui donner un moyen de récupérer cette information.

Une réponse bien écrite n’est pas une garantie d’exactitude. Le modèle peut produire une information plausible mais incorrecte. Les informations importantes doivent pouvoir être vérifiées.

Source : Microsoft — Du LLM à l’agent.

Un agent IA est un système qui s’appuie sur un LLM pour poursuivre un objectif, en choisissant certaines actions et en utilisant les outils mis à sa disposition.

Ces outils sont comme des « clés vers l’extérieur » : ils permettent de consulter des informations absentes de la conversation et d’agir dans d’autres logiciels. Le terme « agent » est utilisé assez largement. Ici, nous retenons la possibilité de choisir une partie des prochaines étapes en fonction de l’objectif et des résultats obtenus.

Source : Anthropic — Agents et workflows.

De la demande à une suite d’actions

« Prépare une réponse au client en vérifiant sa commande et les informations utiles. »

Voici un parcours possible :

1. Identifier la commande concernée.
2. Demander à consulter son statut.
3. Lire le résultat renvoyé par l’outil.
4. Constater qu’il manque une information de livraison et choisir une recherche complémentaire.
5. Préparer une réponse, ou signaler qu’une intervention humaine est nécessaire.

Le modèle propose l’action ; l’application l’exécute. Le résultat peut alimenter une nouvelle décision. Donner des outils à un LLM ne suffit donc pas à caractériser un agent IA : il faut aussi regarder la liberté donnée au modèle pour choisir leur utilisation.

Source : Microsoft — Du LLM à l’agent.

Nous pourrions autoriser la lecture des commandes et la préparation de brouillons, tout en réservant l’envoi des messages et les remboursements à une personne.

Un workflow est un processus composé d’étapes et de règles. Cette notion existe indépendamment de l’IA. Recevoir un formulaire, vérifier ses champs, enregistrer les informations et prévenir une personne constitue déjà un workflow.

Dans un workflow prédéfini, les parcours possibles et les conditions de passage sont organisés à l’avance. Il peut contenir des branches, des boucles et des validations humaines.

Source : Microsoft — Principes des workflows.

Un workflow peut fonctionner sans IA, utiliser un LLM à certaines étapes, confier une tâche à un agent IA ou être déclenché à partir d’un résultat produit par une IA. Une analyse par IA peut, par exemple, détecter une réclamation et déclencher son traitement. Ce déclenchement ne transforme pas tout le processus en agent IA.

Un parcours plus prévisible, des résultats à vérifier

Le workflow précise les informations attendues, les contrôles et la conduite à tenir lorsqu’une étape échoue. Il rend le déroulement plus prévisible et contrôlable, sans rendre les réponses du LLM elles-mêmes déterministes.

Des tâches plus délimitées et des vérifications intermédiaires peuvent améliorer la fiabilité. Le gain doit se mesurer sur des cas réels : résultats corrects, erreurs détectées et interventions nécessaires. Le cadrage, les itérations et les taux de réussite méritent un article à part entière.

La différence porte sur la façon dont le parcours est décidé. Les deux approches peuvent se combiner.

Un workflow peut confier une recherche à un agent IA, puis reprendre la main pour contrôler le résultat. Plus d’autonomie n’est pas systématiquement préférable : elle peut augmenter les coûts, les délais et les besoins de contrôle.

Source : Anthropic — Agents et workflows.

Un outil est une opération utilisable par le système : rechercher un document, effectuer un calcul ou créer un ticket. Un connecteur est une intégration qui permet à une application de communiquer avec un autre logiciel.

Le connecteur au logiciel de commandes donne accès au service. L’outil « consulter une commande » réalise une opération précise. Son résultat indique, par exemple, le statut enregistré pour cette commande.

Selon ses capacités et les autorisations accordées, un connecteur peut donner accès à des données, des actions ou des événements déclencheurs. Pouvoir lire une information et pouvoir la modifier sont deux capacités distinctes.

Source : Microsoft — Présentation des connecteurs.

Ces échanges passent souvent par une API, une interface prévue pour que des logiciels communiquent. Elle définit comment formuler une demande et recevoir une réponse : par exemple, demander le statut d’une commande à partir de son numéro.

Source : AWS — Qu’est-ce qu’une API ?.

MCP signifie Model Context Protocol. C’est un standard ouvert qui permet aux applications d’IA de communiquer avec des outils et des sources de données externes.

Il fournit une manière commune de présenter des capacités et d’échanger avec elles. L’application d’IA utilise un client MCP, qui communique avec un serveur MCP.

Source : MCP — Présentation du protocole.

Un serveur MCP est un programme, local ou distant, qui expose des capacités. Il peut proposer des outils, des ressources à consulter ou des modèles de consignes.

Connecteur et MCP ne sont pas synonymes. Le connecteur désigne l’intégration ; MCP désigne un standard qu’elle peut utiliser. Un agent IA peut aussi accéder à ses outils directement par des API, sans MCP.

Quand on parle d’« ajouter un MCP », on veut généralement dire connecter l’application à un serveur MCP.

Source : MCP — Architecture officielle.

Avant de construire, précisez quel résultat votre équipe attend, quelles sources font référence, quelles actions sont autorisées et qui valide la réponse. Vous pourrez alors choisir ce qui relève d’une règle, d’un appel au modèle ou d’un agent IA.

Un chatbot est-il forcément un agent IA ?

Une interface de conversation ne suffit pas à le déterminer. Derrière le chat, il peut y avoir un simple appel à un modèle, un workflow prédéfini ou un agent IA capable de choisir des actions.

Un workflow qui utilise de l’IA devient-il un agent IA ?

L’utilisation d’un LLM dans une étape ne suffit pas. La distinction dépend de la liberté donnée au modèle pour choisir la suite du travail.

Un agent IA doit-il utiliser MCP ?

Il peut utiliser MCP, des API directes ou d’autres intégrations pour accéder à ses outils. MCP est une possibilité de connexion.

Fournir des documents à une IA revient-il à l’entraîner ?

Ajouter des documents dans son contexte lui donne des informations pour répondre. Cela ne modifie pas, en soi, les paramètres du modèle. L’entraînement est une autre opération.

Source : Microsoft — Fonctionnement des LLM.