1. Qu’est-ce qu’un agent IA ? Généalogie d’un concept

Le terme agent remonte aux travaux de Turing (1950) et à la formalisation par Russell & Norvig dans Artificial Intelligence: A Modern Approach (1995, 4e éd. 2021) : un agent perçoit son environnement via des capteurs et agit en conséquence via des effecteurs.

Chronologie des agents LLM

• 2020 — GPT-3 ouvre la voie aux agents basés sur le langage naturel
• 2022 — ReAct (Yao et al.) propose Reasoning + Acting
• 2023 — AutoGPT popularise le concept ; Wang et al. publient la première revue systématique
• 2024 — Agents spécialisés pour la recherche : Coscientist, ChemCrow
• 2025 — Anthropic lance les Managed Agents et la fonctionnalité Research

→ Introduction sans jargon aux agents IA — Emma, l’agente IA entrepreneuse

2. Pourquoi les doctorants ne peuvent plus ignorer les agents IA

Le nombre de publications en sciences de gestion a augmenté de 34 % entre 2019 et 2024 (OpenAlex). Une revue PRISMA mobilise 200 à 400 heures. Un agent bien configuré prend en charge 30 à 60 % des étapes mécaniques (Wang et al., 2023).

Scherbakov et al. (2025) dans JAMIA : LLMs utilisés en recherche documentaire (41 %), screening (38 %) et extraction (30 %). Un système multi-agents surpasse un agent unique de 90,2 % sur les tâches multi-sources (Anthropic, 2025).

→ Infobésité et décision managériale — Marché de l’édition scientifique

3. Comment fonctionne un agent IA Claude : cerveau / mains / session

• Le cerveau (harness) : Claude décide, n’exécute pas directement.
• Les mains (sandbox) : environnement d’exécution isolé pour la sécurité.
• La mémoire (session log) : journal immuable permettant de reprendre une session.

Paradigme ReAct (Yao et al., 2022) : alternance raisonnement explicite / action concrète. Cette transparence permet de vérifier les décisions et d’identifier les biais de sélection.

→ MCP : connecter les agents à vos outils — RAG

4. Exemple : le système multi-agents d’Anthropic

Anthropic a documenté son système Research interne : sans description précise des sous-tâches, les agents dupliquent le travail. Solution : frontières de tâche explicites (objectif + format + sources + limites).

Application pour un doctorant : un agent décompose votre requête en sous-tâches parallèles (Google Scholar, SSRN, OpenAlex) puis consolide les résultats. Opérationnel avec l’API Anthropic.

5. Guide pas à pas : créer votre premier agent Claude

Prérequis

• claude.ai (plan Pro) ou clé API Anthropic
• pip install anthropic requests beautifulsoup4
• export ANTHROPIC_API_KEY="votre_cle"

Étape 1 — Définir l’objectif

Trois questions : quelle tâche répétitive ? quel livrable ? quelles sources ?

Étape 2 — Définition de l’outil

tool_search = {
 "name": "search_openalex",
 "description": "Recherche articles dans OpenAlex.",
 "input_schema": {
  "type": "object",
  "properties": {
   "query": {"type": "string"},
   "year_from": {"type": "integer"},
   "max_results": {"type": "integer"}
  },
  "required": ["query"]
 }
}

Étape 3 — Fonction d’exécution

import requests

def search_openalex(query, year_from=2015, max_results=10):
 url = "https://api.openalex.org/works"
 params = {
  "search": query,
  "filter": f"publication_year:>{year_from}",
  "per-page": max_results,
  "sort": "cited_by_count:desc"
 }
 resp = requests.get(url, params=params,
  headers={"User-Agent": "these/1.0"})
 return resp.json().get("results", [])

Étape 4 — Boucle agent

import anthropic, json
client = anthropic.Anthropic()

def run_agent(question):
 messages = [{"role": "user",
  "content": f"Question : {question}"}]
 while True:
  resp = client.messages.create(
   model="claude-sonnet-4-20250514",
   max_tokens=4096,
   tools=[tool_search],
   messages=messages
  )
  if resp.stop_reason == "end_turn":
   return next(b.text for b in resp.content
    if hasattr(b, "text"))
  messages.append(
   {"role": "assistant", "content": resp.content})
  results = []
  for b in resp.content:
   if b.type == "tool_use":
    r = search_openalex(**b.input)
    results.append({"type": "tool_result",
     "tool_use_id": b.id,
     "content": json.dumps(r)})
  messages.append(
   {"role": "user", "content": results})

Étape 5 — Tester et affiner

Lisez le raisonnement avant les résultats. Ajustez le prompt si les mots-clés sont trop génériques.

→ Chunking en prompt engineering

6. Limites critiques

1. Hallucination bibliographique. Règle : jamais de référence sans avoir ouvert le PDF source. → Le RAG comme réponse architecturale

2. Biais de sélection transféré. Bonne sensibilité mais spécificité parfois faible. À documenter dans la section méthode.

3. Interprétation qualitative irremplaçable. La théorie institutionnelle (DiMaggio & Powell, 1983) ou le sensemaking (Weick, 1995) demandent une expertise disciplinaire que l’agent ne possède pas.

Scherbakov et al. (2025) : seule la moitié des études trouvent les LLMs prometteurs.

7. Questions fréquentes

Faut-il savoir coder ?
Non. Research sur claude.ai (plan Pro) fonctionne sans code.

Les références sont-elles fiables ?
OpenAlex retourne des DOIs vérifiables. Règle : ouvrir chaque PDF avant de citer.

Mon directeur peut-il contester ?
Oui si non déclaré. Documentez dans la section méthode.

Quel coût ?
10 à 40 €/mois avec Claude Sonnet pour un usage doctoral courant.

Codage d’entretiens ?
Oui en premier passage : accord inter-codeur 70–85 % sur grilles prédéfinies.

8. Ressources pédagogiques

Prompt — séminaire méthodologique

Tu es un assistant en sciences de gestion.
Question : [INSERER]
Cadre : [positiviste/interpretativiste/constructiviste]

ETAPE 1 - Cartographie theorique
5 courants : auteur, article, annee, mots-cles.

ETAPE 2 - Operateurs de recherche
3 requetes EN (booleens) + 2 requetes FR (CAIRN).

ETAPE 3 - Grille PRISMA
5 criteres inclusion/exclusion.

→ Pourquoi prompter par morceaux

Question socratique pour séminaire doctoral

« Si un agent IA avait conduit votre revue, comment sauriez-vous qu’il n’a pas reproduit les biais dominants plutôt que de les avoir identifiés ? »

Benchmark — veille bibliographique

Autres cas d’usage en recherche académique

9. Pistes de recherche ouvertes

1. Reproductibilité : les résultats de screening sont-ils reproductibles entre sessions ?
2. Cognitive offloading : que perd un doctorant qui délègue le premier tri ? (Risko & Gilbert, 2016)
3. Biais disciplinaires : quelle représentation des traditions francophones (EGOS, AIMS) ?
4. Gouvernance académique : quels cadres pour l’usage des agents en thèse ? Voir marché de l’édition scientifique.

Ressources pour aller plus loin

• Managed Agents : platform.claude.com/docs/en/managed-agents/overview
• Anthropic Engineering : anthropic.com/engineering/managed-agents
• Building effective agents : anthropic.com/engineering/building-effective-agents
• OpenAlex : openalex.org
• Semantic Scholar API : api.semanticscholar.org

10. Références

Boiko et al. (2023). Emergent autonomous research capabilities of LLMs. arXiv:2304.05332. ✅

Brown et al. (2020). Language models are few-shot learners. NeurIPS 33. ✅

Martin, Cemaj & Cohen (2025). Scaling managed agents. Anthropic Engineering Blog. ✅

Anthropic (2025). How we built our multi-agent research system. ✅

Mukherjee & Chang (2025). Agentic AI. arXiv:2502.00289. ⚠️ préprint

Russell & Norvig (2021). AI: A Modern Approach, 4e éd. Pearson. ✅

Scherbakov et al. (2025). LLMs as tools in literature reviews. JAMIA 32(6). ✅

Wang et al. (2024). Survey on LLM-based autonomous agents. Frontiers of CS 18(6). ✅

Yao et al. (2022). ReAct. arXiv:2210.03629. ✅

Rédigé avec l’assistance de Claude (Anthropic). Références vérifiées avant publication.