Planning en IA agentique — formuler, exécuter, adapter

En bref

Le planning agentique est la capacité d’un système à formuler une séquence d’actions pour passer d’un état initial à un objectif défini. Contrairement à un workflow figé, un agent planificateur peut réviser son plan en cours d’exécution lorsqu’il découvre de nouvelles contraintes. Ce pattern s’applique quand le chemin vers l’objectif est inconnu à l’avance — si ce chemin est déjà connu, un workflow fixe reste plus fiable.

Deux régimes fondamentaux

Imaginez un GPS classique : il calcule la route optimale du point A au point B avant le départ et la suit sans déviation. Imaginez maintenant un explorateur qui doit traverser une jungle inconnue — il ne peut pas tout planifier à l’avance, il avance, observe, ajuste. Le workflow fixe est le GPS ; la planification dynamique est l’explorateur. Choisir l’un ou l’autre dépend du terrain.

Avant d’implémenter un agent planificateur, la question à trancher est la suivante : le chemin vers l’objectif doit-il être découvert ou est-il déjà défini ?

Workflow fixe : la séquence d’actions est prédéterminée. L’agent suit un script. Ce régime convient quand la solution est bien comprise, répétable et documentée — l’onboarding d’un nouvel employé, la génération d’un rapport hebdomadaire, la validation d’un formulaire. La fiabilité est élevée, les erreurs sont prévisibles et traçables.

Planification dynamique : l’agent formule son plan à partir de l’état courant, l’exécute, observe les résultats, puis ajuste. Ce régime convient quand les sous-tâches émergent en cours d’exécution — une recherche ouverte, la coordination d’un projet aux paramètres changeants, la résolution d’un problème mal défini.

Gulli (2025) formule la distinction ainsi : “La planification dynamique est un outil spécifique, pas une solution universelle. Quand la solution d’un problème est déjà bien comprise et répétable, contraindre l’agent à un workflow fixe prédéterminé est plus efficace.”

Le choix entre les deux régimes est une décision d’architecture — pas un jugement de valeur. Opter pour la planification dynamique sur un problème répétable ajoute de la complexité sans bénéfice.

En clair : la planification dynamique n’est pas “supérieure” au workflow fixe — elle est adaptée à une autre classe de problèmes. Sur 100 demandes typiques en entreprise, environ 80 % ont un chemin connu (workflow fixe), 15 % nécessitent du routage conditionnel, 5 % seulement justifient un agent planificateur.

Le pattern Plan-Execute-Adapt

Le pattern plan-execute-adapt structure l’exécution agentique en trois phases itératives :

1. Formuler : l’agent décompose l’objectif de haut niveau en sous-tâches discrètes et ordonnées. Il identifie les dépendances entre étapes et les ressources nécessaires.
2. Exécuter : chaque sous-tâche est lancée via les outils disponibles — appels API, recherches web, génération de code, délégation à d’autres agents.
3. Adapter : l’agent analyse les résultats de chaque étape. Si un obstacle surgit (source inaccessible, résultat contradictoire, gap de connaissance), il révise le plan en conséquence plutôt que d’échouer ou de s’arrêter.

La révision peut être partielle (ajuster une sous-tâche) ou totale (reformuler l’objectif intermédiaire). L’agent ne traite pas les obstacles comme des erreurs fatales mais comme des informations qui alimentent la prochaine itération.

La boucle de replanning

La boucle de replanning est le mécanisme clé qui distingue un agent planificateur d’un exécuteur séquentiel. Elle comprend :

• Détection de gap : l’agent identifie ce qui manque dans ses connaissances actuelles pour progresser vers l’objectif.
• Reformulation des requêtes : sur la base du gap détecté, l’agent génère de nouvelles actions ciblées.
• Corroboration : l’agent confronte les nouvelles informations avec celles déjà collectées, résout les contradictions.
• Décision de continuation : l’agent évalue si la saturation informelle est atteinte ou si une nouvelle itération est nécessaire.

Ce processus peut se dérouler sans intervention humaine, mais nécessite des critères d’arrêt explicites pour éviter les boucles infinies.

En clair : la boucle plan-execute-adapt ressemble à un cycle de recherche scientifique compressé : hypothèse, expérience, observation, ajustement. La différence avec un workflow fixe est l’autonomie de la phase d’ajustement — l’agent ne demande pas l’autorisation pour réviser son plan, il le fait. C’est puissant et risqué simultanément.

Google DeepResearch : illustration concrète

Google DeepResearch est l’implémentation publique la plus documentée du pattern plan-execute-adapt appliqué à la recherche d’information.

Son fonctionnement :

1. L’utilisateur soumet une question ouverte.
2. L’agent formule un plan de recherche initial — un ensemble de requêtes ciblées.
3. Il exécute les recherches, analyse les résultats et identifie les gaps de connaissance.
4. Il reformule dynamiquement ses requêtes en fonction des lacunes détectées, corrobore les données contradictoires.
5. Il itère jusqu’à saturation, puis produit une synthèse structurée.

Gulli décrit le comportement ainsi : “L’agent formule et affine dynamiquement ses requêtes en fonction des informations collectées, identifiant activement les lacunes de connaissance, corroborant les points de données et résolvant les divergences.”

Ce qui distingue DeepResearch d’une recherche web classique : l’ordre des requêtes n’est pas fixé à l’avance. Il émerge des découvertes successives. Une information trouvée à l’étape 3 peut rediriger l’ensemble du plan — c’est la re-priorisation dynamique en action.

L’API OpenAI Deep Research expose les étapes intermédiaires (requêtes exécutées, code appliqué, raisonnements), ce qui permet le débogage et la validation du processus par l’utilisateur.

Forces et limites

Forces

• Adaptabilité : le plan s’ajuste aux contraintes découvertes en cours d’exécution, sans intervention externe.
• Couverture : les gaps de connaissance sont explicitement traités plutôt qu’ignorés.
• Résilience : un obstacle partiel ne bloque pas l’ensemble — l’agent cherche une voie alternative.

Limites

• Imprévisibilité : le comportement est moins déterministe qu’un workflow fixe. Le plan final peut diverger du plan initial de façon difficile à anticiper.
• Coût computationnel : chaque itération de replanning consomme des tokens et du temps. Sans critères d’arrêt rigoureux, les coûts peuvent exploser.
• Traçabilité réduite : auditer un plan dynamique est plus complexe qu’un workflow séquentiel. L’exposition des étapes intermédiaires (comme dans Deep Research API) atténue ce problème sans le résoudre complètement.
• Inadapté aux tâches répétables : sur des processus bien définis, la planification dynamique ajoute de la variance sans valeur ajoutée.

Quand choisir la planification dynamique

La planification dynamique n’est pas une version améliorée du workflow fixe — c’est un outil différent, adapté à une classe différente de problèmes.

Ce qu’il faut retenir

• Le planning agentique permet de formuler, exécuter et adapter un plan d’action face à un objectif complexe dont le chemin n’est pas connu à l’avance.
• La distinction fondamentale est entre workflow fixe (chemin connu, fiabilité maximale) et planification dynamique (chemin à découvrir, flexibilité maximale).
• Le pattern plan-execute-adapt repose sur une boucle : formuler, exécuter, détecter les gaps, reformuler, itérer.
• Google DeepResearch illustre ce pattern : les requêtes sont reformulées dynamiquement selon les lacunes détectées, sans ordre prédéfini.
• Les limites sont réelles : imprévisibilité, coût computationnel, traçabilité réduite. Des critères d’arrêt explicites sont indispensables.