Limites et points critiques
- Plus un agent a d'outils, plus la sélection du bon outil devient difficile — découper en sub-agents au-delà d'un seuil à mesurer sur votre eval set.
- Tool use fiable nécessite structured output strict (sinon arguments mal formés) — Claude/GPT-5 strict mode obligatoire.
- Sécurité critique : chaque tool est une surface d'attaque (prompt injection peut détourner) — privilèges minimaux + human-in-the-loop sur actions sensibles.
- Latence cumule : 1 user message + N tool calls = N+1 appels LLM, peut devenir sensible en UX.
- Logging tool calls = stockage de logs à prévoir (chaque appel ajoute des tokens d'entrée et de sortie) — observabilité critique.
Évolution probable (12-24 mois)
- MCP progresse comme standard d'interopérabilité, sans que les formats propres à chaque éditeur disparaissent.
- Tool calling parallèle (plusieurs outils appelés dans le même tour) : déjà proposé par plusieurs fournisseurs, il réduit le nombre d'allers-retours.
- Tool use combiné au raisonnement natif : l'agent décide quand et comment appeler un outil — gain à mesurer sur votre cas.
- Registres de serveurs MCP (équivalent npm) qui facilitent la découverte d'outils ; vérifier la fiabilité de chaque serveur avant usage.
Questions fréquentes
Qu'est-ce que le tool use (function calling) d'un LLM ?+
Tool use est la capacité d'un LLM à appeler des fonctions externes pour accomplir une tâche. Vous fournissez au LLM une liste d'outils avec leur signature (nom, description, paramètres JSON Schema). Quand l'utilisateur pose une question, le LLM peut soit répondre directement, soit émettre un 'tool call' avec les bons paramètres — votre code exécute l'appel, renvoie le résultat, et le LLM continue sa réponse. Disponible sur tous les LLM majeurs 2026, standardisé via MCP.
À quoi sert le tool use en entreprise ?+
À transformer un chatbot passif (qui répond depuis ses connaissances figées) en agent actif (qui interroge des systèmes vivants et agit dessus). Cas concrets PME : recherche jurisprudence Légifrance, vérification TVA intracommunautaire, get_stock e-commerce, get_commande, créer_avoir, consultation capacité atelier, envoi email, création devis dans CRM, requête base produit. C'est la brique qui fait passer un agent IA de 'gadget' à 'employé virtuel' qui exécute des tâches concrètes.
Différence entre tool use, function calling et MCP ?+
Function calling et tool use désignent la même chose : le mécanisme bas niveau par lequel un LLM appelle une fonction (formats propriétaires Anthropic, OpenAI, Mistral). MCP (Model Context Protocol, Anthropic 2024) est une couche de standardisation au-dessus : protocole ouvert qui permet d'écrire des serveurs d'outils réutilisables par tous les LLM. En 2026 : function calling = le quoi (mécanisme), MCP = le comment (standardisation). On code en MCP pour éviter le lock-in vendor.
Comment implémenter le tool use en pratique ?+
Stack 2026 : (1) définir les outils en JSON Schema (Pydantic / Zod génèrent automatiquement), (2) passer la liste via API LLM (parameter tools chez Anthropic, functions chez OpenAI), (3) parser le tool_call dans la réponse, (4) exécuter votre code Python/Node, (5) renvoyer le résultat au LLM pour continuation. Frameworks 2026 qui simplifient : LangChain, LlamaIndex, DSPy, Anthropic SDK natif. Pour exposer vos outils à plusieurs agents : passer par MCP.
Combien coûte d'ajouter du tool use à un projet IA ?+
Implémenter 5-10 outils dans un agent existant : le coût dépend du nombre d'outils et de la complexité des intégrations métier. Les outils simples (get_stock, search_catalog) coûtent moins à développer que les outils complexes (create_quote avec workflow de validation). Coût d'exploitation : les tokens du schéma des outils et des résultats d'appel s'ajoutent au prompt et sont facturés au tarif du modèle.
Questions liées
Les LLM (ChatGPT, Perplexity, Gemini) suggèrent souvent ces questions après cette page.
- Tool use vs MCP : que choisir en 2026 ?
- Combien d'outils maximum par agent ?
- Comment sécuriser un tool use contre la prompt injection ?
- Claude tool_use vs OpenAI functions : différences ?
- Tool use en parallèle : disponible en 2026 ?
Le tool use (aussi appelé function calling) est le mécanisme par lequel un LLM décide d’appeler une fonction externe (API, base de données, calcul) plutôt que de répondre directement en texte. C’est la brique technique qui transforme un chatbot en agent : sans tool use, le LLM ne peut que parler. Avec, il peut agir.
Comment ça fonctionne
Vous fournissez au LLM une liste d’outils disponibles avec leur signature : nom, description, paramètres attendus. Quand l’utilisateur pose une question, le LLM choisit :
- Soit répondre directement en texte (si la réponse est dans son entraînement).
- Soit émettre un tool call avec les bons paramètres — votre code exécute l’appel, renvoie le résultat, et le LLM continue sa réponse en s’appuyant dessus.
Exemple : l’utilisateur demande “quel est le statut de la commande 12345 ?”. Le LLM émet get_order_status({"id": "12345"}). Votre code interroge la base, renvoie {"status": "expédiée", "tracking": "..."}. Le LLM formule une réponse naturelle en français.
Exemples concrets entreprise
- Cabinet d’avocats : outil
recherche_jurisprudence(mots_cles)— le LLM sait quand chercher. - Cabinet comptable : outil
verifier_tva_intracommunautaire(numero)— fiabilise les fiches client. - E-commerce : outils
get_stock,get_commande,creer_avoir— le support automatise les demandes simples de stock, de suivi de commande et d’avoir. - PME industrielle : outil
consulter_capacite_atelier(date)— l’agent commercial répond au téléphone avec les dispos réelles.
Bonnes pratiques 2026
- Décrire chaque outil avec précision — la description guide le choix du LLM.
- Schéma JSON strict sur les paramètres — réduit les hallucinations d’arguments.
- Limiter le nombre d’outils par agent — au-delà d’un certain seuil, la sélection devient moins fiable.
- Logger tous les tool calls — c’est votre piste d’audit et la source de vos évaluations.
Pour aller plus loin
- MCP — définition — le standard pour exposer des outils.
- Agent IA — définition — le tool use est sa fondation.
- Évaluation LLM en production — mesurer la fiabilité du tool use.