Les limites et les échecs des agents IA aujourd'hui

Les agents IA échouent encore souvent pour cinq raisons : les erreurs qui s’enchaînent d’une étape à l’autre, les informations inventées, les pièges cachés dans les pages qu’ils lisent, un coût qui grimpe vite et des sites qui leur ferment la porte. Ces limites n’empêchent pas de les utiliser, mais elles imposent de choisir ce qu’on leur confie et de garder la main sur les actions qui comptent.

Pourquoi un agent échoue plus souvent qu’un chatbot

Un chatbot répond à une question : s’il se trompe, vous lisez une mauvaise réponse. Un agent IA, lui, reçoit un objectif et enchaîne seul plusieurs actions pour l’atteindre : chercher, cliquer, remplir, envoyer. Chaque étape ajoute une occasion de se tromper, et l’erreur ne reste plus sur l’écran : elle peut devenir une action.

Si vous découvrez le sujet, notre guide complet sur les agents IA explique d’abord leur fonctionnement. Ici, on regarde ce qui casse.

Limite	Ce qui se passe	Votre parade
Erreurs en chaîne	Une petite erreur au début fausse tout le reste	Découper la tâche, vérifier les étapes clés
Hallucinations	L’agent invente une donnée ou dit avoir fini	Contrôler le résultat, pas le compte rendu
Injection de prompt	Une page piégée détourne l’agent	Limiter ses accès, valider les actions sensibles
Coût	Une tâche consomme beaucoup d’appels au modèle	Estimer avant, fixer des limites
Sites qui bloquent	Connexion refusée, captcha, compte suspendu	Prévoir un plan B manuel

Les erreurs en chaîne

Un agent avance par boucles : il observe, décide, agit, puis observe le résultat. Notre article sur la façon dont un agent IA prend ses décisions détaille ce cycle. Son point faible est simple : chaque décision s’appuie sur la précédente. Si l’agent lit mal une date au départ, il réserve le mauvais jour, puis prévient la mauvaise personne, et tout s’enchaîne avec une parfaite cohérence apparente.

On observe aussi des boucles (l’agent recommence sans fin la même action), des abandons silencieux et des erreurs de lecture d’une page mal construite. Plus la tâche est longue, plus ces accidents ont de chances de se produire.

La leçon vaut pour tous les usages : un agent peut réussir la tâche demandée et casser autre chose au passage. Contrôlez le résultat final, pas seulement le message « c’est fait ».

Les hallucinations, version agent

Une hallucination, c’est une information fausse affirmée avec assurance. Chez un agent, elle prend des formes particulières : inventer un numéro de commande pour remplir un champ obligatoire, citer une page qu’il n’a pas réellement ouverte, ou annoncer qu’un courriel est parti alors qu’il est resté en brouillon.

Ce dernier cas est le plus traître. Le compte rendu de l’agent est lui-même produit par le modèle : il peut être aussi faux que le reste. Ouvrez le dossier, la boîte d’envoi ou le panier pour vérifier ce qui s’est réellement passé.

Vérifiez-vous Un agent vous annonce : « Votre rendez-vous est confirmé pour jeudi 10 h. » Que faites-vous avant de le noter ?

Vous vérifiez la preuve à la source : le courriel de confirmation du cabinet, l’espace client du site ou votre agenda. Le message de l’agent est un résumé produit par un modèle de langage, pas une preuve que l’action a abouti.

L’injection de prompt : quand une page donne des ordres

C’est le risque le plus spécifique aux agents. Un modèle de langage distingue mal les consignes de son utilisateur et le texte qu’il est en train de lire. Une phrase cachée dans une page web ou un courriel, par exemple écrite en blanc sur fond blanc, peut lui ordonner autre chose que ce que vous avez demandé. C’est l’injection de prompt.

Pour un chatbot, le résultat est une réponse bizarre. Pour un agent connecté à votre messagerie ou à vos comptes, ce peut être un transfert de courriels ou un achat. Les agents navigateurs comme Comet sont particulièrement exposés, car ils lisent des pages écrites par n’importe qui avec vos sessions ouvertes. Notre guide des agents navigateurs détaille les bons réflexes.

La meilleure défense reste structurelle : un humain dans la boucle pour tout paiement, envoi ou suppression, et un bac à sable, c’est-à-dire un espace isolé où l’agent n’a accès qu’au strict nécessaire.

Le coût : une tâche, des dizaines d’appels

Une question à un chatbot, c’est un aller-retour avec le modèle. Une tâche d’agent, c’est une succession d’appels : à chaque étape, l’agent renvoie au modèle les consignes, l’historique et ce qu’il vient de voir. Le volume de tokens, ces morceaux de mots qui servent d’unité de facturation, grimpe donc vite, et le coût suit.

Les écarts de prix entre modèles sont considérables. Au 22 octobre 2026, selon models.dev, le prix par million de tokens va de 0,10 $ en entrée pour Claude Haiku 5.5 ou GPT-6 Luna à 10 $ pour GPT-6 Astra :

Prix en entrée ($ par million de tokens)

• Claude Haiku 5.50,10 $US
• GPT-6 Luna0,10 $US
• Claude Sonnet 5.52 $US
• Claude Opus 5.54 $US
• GPT-6 Astra10 $US

Pour le grand public, ce coût se traduit autrement : fonctions agent réservées aux abonnements, crédits qui fondent ou quotas mensuels. Chez Perplexity, par exemple, l’assistant qui agit dans Comet n’est pas inclus dans l’offre gratuite. Avant de lancer un projet, le calculateur de coût d’un agent vous donne un ordre de grandeur.

Les sites qui ferment la porte aux agents

Dernière limite, et non des moindres : une partie du web ne veut pas des agents. Le 4 novembre 2025, Perplexity a publié un billet, « Bullying is not innovation » (consulté le 22 octobre 2026), où elle dénonce une mise en demeure d’Amazon exigeant que les utilisateurs de Comet ne puissent plus faire leurs achats sur Amazon avec leur agent.

Le sujet a pris de l’ampleur à l’automne 2026. Dans un billet du 6 octobre 2026 (consulté le 22 octobre 2026), Meta admet qu’un propriétaire de site peut légitimement s’inquiéter des agents personnels, comme son propre agent Muse : « pics de charge, abus, responsabilité ». L’entreprise y répond que refuser un agent personnel, c’est refuser le client qui est derrière, et propose un protocole ouvert, le Personal Agent Protocol, pour encadrer ces échanges.

Même sans interdiction explicite, un agent peut buter sur les systèmes anti-robots : captchas, vérifications d’identité, comptes signalés pour activité suspecte. Ces protections visent les programmes malveillants, mais un agent ressemble beaucoup à un programme.

Mémoire courte et tâches longues

Un agent ne retient que ce qui tient dans sa fenêtre de contexte, la quantité de texte que le modèle peut traiter d’un coup. Sur une tâche longue, les consignes du début, une contrainte donnée en passant ou une préférence exprimée la veille peuvent sortir de son champ. L’agent continue alors avec assurance, mais sur une base incomplète. Mieux vaut redonner les contraintes importantes à chaque nouvelle étape, ou les écrire dans un document que l’agent relit.

Ce qui reste incertain

Ces limites expliquent pourquoi l’autonomie complète reste rare, comme nous l’expliquons dans les agents IA autonomes peuvent-ils vraiment travailler seuls ?. Avant de déléguer, passez votre tâche au crible :