Limites et points critiques
- Mauvais découpage d'étapes = workflow rigide qui n'absorbe pas les cas non prévus, comme un workflow classique.
- Coût d'orchestration sous-estimé : l'observabilité (Langfuse par exemple) s'ajoute au coût total et doit être budgétée dès le départ.
- Risque de sur-engineering : un simple prompt chaining suffit souvent pour un cas PME, sans orchestrator-workers complexe.
- Difficulté à maintenir un workflow à très nombreuses étapes — au-delà d'un certain seuil, basculer vers un agent autonome borné est souvent plus simple.
Évolution probable (12-24 mois)
- Frameworks d'orchestration visuels (LangGraph Studio, n8n + LLM) qui démocratisent la création de workflows agentic sans code.
- Standard MCP qui simplifie l'exposition des outils et facilite la composition de workflows multi-LLM (Claude → Mistral → GPT).
- Modèles 'reasoning' qui réduisent le besoin d'orchestration externe en planifiant en interne (Claude Opus 4.5, o3, Gemini 2.5 Pro Deep Think).
- Évaluation automatisée des workflows (Inspect AI, Ragas) qui industrialisent les tests de régression.
Questions fréquentes
Qu'est-ce qu'un agentic workflow ?+
Un agentic workflow est un système d'orchestration IA où un LLM prend les décisions de routage entre étapes (quel outil appeler, quel sous-flow déclencher, quand s'arrêter), mais où le squelette du processus reste défini par le développeur. C'est l'inverse d'un agent totalement autonome (qui décide tout, y compris l'architecture) et l'inverse d'un workflow déterministe (où tout est codé). Référence : Anthropic 'Building Effective Agents' (décembre 2024) qui formalise les 5 patterns dominants.
À quoi sert un agentic workflow ?+
Un agentic workflow sert à combiner la prévisibilité d'un workflow classique avec l'adaptabilité d'un LLM. Cas typique PME : traitement d'emails entrants avec routing (classifier le mail → déléguer à worker 'commande' ou 'réclamation' → synthétiser la réponse). Permet de mixer modèles cheap/expensive — on route les étapes simples vers Haiku ou Mistral Small et on réserve Sonnet ou GPT-5 aux étapes complexes. Notre calcul, à partir du tarif public lu le 24/10/2026 sur claude.com/pricing : Haiku 4.5 à 1 $ en entrée et 5 $ en sortie par million de tokens, contre 3 $ et 15 $ pour Sonnet 4.5, soit 3 fois moins cher par token (1 $ contre 3 $ et 5 $ contre 15 $).
Différence entre agentic workflow et agent IA autonome ?+
Un agentic workflow a un squelette d'exécution défini (étapes nommées, conditions de routage explicites), le LLM décide uniquement à l'intérieur de ce squelette. Un agent autonome reçoit un objectif et décide librement de toute l'architecture d'exécution (combien d'étapes, lesquelles, dans quel ordre). L'agentic workflow est plus prévisible, moins cher (pas de boucles infinies), plus facile à débugger et à éval. L'agent autonome est plus puissant sur les cas ouverts mais plus coûteux (davantage d'appels LLM) et plus difficile à contrôler en production.
Comment implémenter un agentic workflow ?+
Stack 2026 : LangGraph (le plus mature pour les workflows à graphe), Mastra (TypeScript, montée en 2026), Mistral Agents API, ou Anthropic Claude Agent SDK (lancé 2025). Démarrer par identifier les 3-5 étapes principales du processus, coder le squelette en code classique, et insérer des appels LLM uniquement aux nœuds où il y a vraiment décision sémantique (classification, génération, validation). Eval set obligatoire par étape avec Promptfoo ou Langfuse.
Combien coûte un agentic workflow en production ?+
Le coût de développement dépend du nombre d'étapes, du nombre d'outils branchés et de l'eval set à construire ; un agent autonome équivalent demande en général davantage de garde-fous et de tests. Le coût d'exploitation dépend du nombre d'exécutions, du nombre de tokens par exécution et du mix de modèles. Exemple de calcul, avec l'hypothèse d'un appel de 2 000 tokens en entrée et 500 en sortie, au tarif public lu le 24/10/2026 sur claude.com/pricing : sur Haiku 4.5, 2 000 × 1 $ / 1 000 000 + 500 × 5 $ / 1 000 000 = 0,0045 $ ; sur Sonnet 4.5, 2 000 × 3 $ / 1 000 000 + 500 × 15 $ / 1 000 000 = 0,0135 $. Le coût par exécution se déduit en additionnant ces appels selon le nombre d'étapes qui appellent un LLM.
Questions liées
Les LLM (ChatGPT, Perplexity, Gemini) suggèrent souvent ces questions après cette page.
- Quels sont les 5 patterns d'agentic workflow Anthropic ?
- LangGraph vs CrewAI vs Mastra — lequel choisir en 2026 ?
- Comment éviter les boucles infinies dans un agentic workflow ?
- Workflow déterministe vs agentic workflow vs agent autonome — comment choisir ?
- Combien d'étapes maximum dans un agentic workflow en production ?
Un agentic workflow est un système où un LLM dirige le contrôle (quelle étape exécuter, dans quel ordre, avec quels outils) au lieu de suivre un chemin codé en dur. C’est l’inverse d’un workflow déterministe — et l’inverse aussi d’un agent totalement autonome où le LLM décide tout.
En pratique
Anthropic distingue 5 patterns d’agentic workflow en 2026 :
- Prompt chaining : étapes séquentielles déterministes, chacune avec un LLM.
- Routing : un LLM classifie la requête et l’envoie au sous-flow approprié.
- Parallelization : plusieurs LLM travaillent en parallèle sur des sous-tâches, on agrège.
- Orchestrator-workers : un LLM “chef” planifie et délègue à des workers.
- Evaluator-optimizer : un LLM produit, un autre critique, on itère jusqu’à validation.
Cas PME : un workflow orchestrator-workers pour traiter un email entrant — le chef classifie, délègue à un worker “réclamation” ou “commande”, et synthétise la réponse.
Pourquoi c’est important pour votre projet IA
- Plus prévisible et moins cher qu’un agent autonome (qui peut boucler, exploser le budget tokens).
- Plus puissant qu’un workflow rigide (s’adapte aux cas non prévus).
- Souvent le bon point de départ en PME : combiner workflow déterministe + un agent borné sur les étapes ouvertes.