Qu'est-ce qu'un LMS agentique, et la question qui les sépare
Les plateformes agentiques laissent des agents IA travailler seuls. La question qui décide de l'achat : l'agent applique-t-il son travail, ou le confie-t-il ?
Toutes les plateformes d'apprentissage se diront agentiques d'ici un an, si bien que le mot ne veut déjà presque plus rien dire seul. Une question rétablit le signal, et elle ne porte pas sur la capacité des agents. La voici : quand un agent termine un travail, l'applique-t-il lui-même, ou le confie-t-il à une personne ? Tout ce qu'une institution doit valider découle de la réponse.
LMS agentique
Une plateforme d'apprentissage où des agents IA mènent seuls un travail en plusieurs étapes — rédiger un cours à partir de sources, corriger une copie selon une grille, assembler un rapport — au lieu de répondre à une invite à la fois. Le terme décrit l'ampleur de la tâche que le système prend en charge sans qu'on le lui redemande. Il ne dit rien, en soi, de qui répond du résultat.
La catégorie est arrivée vite et par le haut du marché. Docebo a annoncé AgentHub lors de son événement Inspire le 21 avril 2026, décrivant des agents qui « raisonnent, décident et agissent » sur le savoir et les compétences de l'entreprise, avec une disponibilité complète prévue pour l'automne. Absorb a publié le 5 juin 2026 une définition du système d'apprentissage agentique — des agents qui « agissent au sein des flux de formation » — et a indiqué que, dans la bêta d'Aura, l'architecture résolvait 40 à 60 % des tickets d'assistance administrative courants « sans qu'aucun humain n'ouvre une file ». Une série de guides d'achat 2026 classe désormais les plateformes agentiques comme une catégorie à part.
Quelle différence entre un LMS doté d'IA et un LMS agentique ?
« Doté d'IA » décrit des fonctions greffées sur un produit existant : un bouton de synthèse, un générateur de questions, un panneau de discussion. Chacune fait une chose quand on la sollicite. « Agentique » décrit l'ampleur : le système prend en charge une tâche entière sur plusieurs étapes, décide de la suite à l'intérieur de cette tâche, et poursuit sans qu'on le relance à chaque tour. Le passage de l'un à l'autre est réel. C'est aussi le moment où la question de savoir qui applique le résultat cesse d'être théorique.
La séparation à l'intérieur de la catégorie
Ce chiffre d'Absorb mérite qu'on s'y arrête, car il contredit une version paresseuse de cet article. Absorber les questions courantes d'inscription et de certification est exactement là où l'autonomie est rentable : les questions se répètent, les réponses viennent de contenus validés, et une erreur coûte un second courriel à quelqu'un. Personne n'a besoin d'une personne devant cela. Les enjeux ne sont pas répartis uniformément dans une plateforme d'apprentissage, et une règle « un humain valide tout » appliquée partout ne donne qu'un produit plus lent. L'argument est plus étroit : il porte sur la poignée de surfaces où se tromper coûte cher.
Deux conceptions sont vendues sous le même mot, et elles se comportent très différemment la première fois que quelque chose tourne mal.
- Des agents qui agissent. L'agent termine la tâche et applique le résultat. Un cours est publié, une inscription est attribuée, un rapport est déposé. Vous l'apprenez après coup, en général par une notification. C'est ce que la plupart de la catégorie entend par agentique, et c'est ce que les démonstrations sont faites pour montrer.
- Des agents qui proposent. L'agent termine la même tâche et s'arrête. Ce qu'il a produit arrive sous forme de brouillon, d'élément en attente, de note suggérée — et une personne nommée l'applique ou non. Le travail est identique ; la dernière étape appartient à quelqu'un à qui l'on peut demander pourquoi.
La seconde est plus lente. C'est un coût réel et il faut le dire franchement : si ce que vous voulez est un assistant qui fait simplement la chose, une étape de validation vous agacera. Ce que vous achetez avec ce délai, c'est qu'une erreur du modèle devienne un brouillon refusé plutôt qu'un incident — une distinction qui ne compte qu'occasionnellement, et qui compte énormément quand elle compte.
L'agent produit le travail et le transmet. Une personne l'applique, et la trace conserve ce qui a été proposé à côté de ce qui a été accepté — y compris ce qui a été refusé, l'entrée qui prouve que le contrôle servait à quelque chose.
L'agent reçoit pour consigne de demander confirmation avant les actions importantes, l'importance étant jugée par le modèle, dans la même fenêtre de contexte que le texte qu'on lui a demandé de lire.
Ce second schéma mérite d'être nommé parce qu'il est courant et qu'il ressemble au premier. Un système où l'on dit au modèle de demander la permission n'est pas un système où le modèle n'a aucun moyen d'avancer sans elle. Le premier est une consigne que le modèle peut suivre. Le second est un mur. Demandez lequel on vous montre, et demandez à voir le mur.
Pourquoi c'est une question d'achat et non de préférence
Pour une entreprise qui automatise des rappels de conformité internes, l'autonomie est surtout une décision d'efficacité. Pour une école, une université ou un employeur régulé, c'est une question de gouvernance, et de plus en plus de droit. Les législateurs ont commencé à écrire des règles sur la place de l'IA dans l'évaluation — plusieurs États américains se sont prononcés sur la possibilité pour l'IA de fonder une note, et la situation évolue encore. Le suivi législatif de FutureEd est l'endroit pratique pour vérifier ce qui s'applique à vous ce trimestre-ci plutôt que le précédent.
Même là où rien n'est encore écrit, la question arrive au même moment dans chaque achat institutionnel. Quelqu'un signe un document disant ce que le système a le droit de faire sans surveillance. Cette personne a besoin d'une réponse plus courte qu'une description des consignes données au modèle.
L'IA peut-elle corriger les copies ?
Cela dépend de ce que l'on entend par corriger. Produire une note suggérée selon une grille, avec le raisonnement écrit, est tout à fait à portée et fait gagner un temps réel. Publier cette note à un élève comme son résultat est un autre acte, aux conséquences différentes, et c'est celui sur lequel des règles s'écrivent. Demandez à un fournisseur de séparer les deux pendant l'appel. Si la réponse les traite comme une seule chose, c'est déjà la réponse.
Les systèmes d'IA agentique remplacent-ils les enseignants ?
Dans aucune des deux conceptions, même si elles échouent différemment sur la question. Un agent qui agit a toujours besoin de quelqu'un qui réponde de ce qu'il a fait — le travail se déplace, la responsabilité non, et la personne l'apprend après. Un agent qui propose garde cette personne devant la décision plutôt que derrière. Ce qui disparaît dans les deux cas, c'est la part du métier que personne ne défend : produire un premier jet, corriger la quarantième copie avec la même grille, refaire le même rapport chaque mois. Le jugement — ce brouillon est-il juste, cette note est-elle équitable, ce chiffre veut-il dire ce qu'il semble dire — est la part protégée, et c'est celle que les institutions paient.
Six questions à poser à un fournisseur agentique
Elles sont classées par ce qu'elles révèlent, et la première vaut à elle seule tout l'appel.
- Listez toutes les actions qu'un agent peut mener sans personne. Demandez-le par écrit, pas sur une diapositive. La longueur du silence avant la réponse est une donnée.
- La confirmation est-elle une consigne ou un contrôle ? Si le modèle décide quand demander la permission, la permission est indicative. Si l'agent n'a aucun chemin vers l'objet réel, c'est un contrôle.
- Qui publie une note ? Pas qui peut la corriger après — qui la publie. Ce sont deux systèmes différents.
- Que montre la trace ? Un journal de ce que l'agent a fait vaut moins qu'une trace conservant ce qui a été proposé, ce qui a été appliqué, par qui, et ce qui a été refusé.
- Peut-on désactiver les agents ? Par organisation, pas par client. Un groupe a souvent besoin qu'une école les utilise et qu'une autre non.
- Que se passe-t-il un mauvais jour ? Demandez ce que coûte une mauvaise réponse et qui l'apprend. « Vous corrigez après » et « cela n'a atteint personne » sont deux produits différents.
Où se situe Lurno, et ce que cela nous coûte
Lurno est la deuxième colonne. Ses agents rédigent des leçons et des questions à partir des documents que vous déposez, avec la source affichée à côté de chaque point, proposent des notes selon votre grille sur une copie anonymisée, accompagnent les apprenants par modes successifs, et transforment une question en langage courant en rapport. Aucun ne peut appliquer son propre travail, et ce n'est pas un réglage : il n'existe aucun chemin d'un agent vers une note publiée ou un cours publié. Les actions les plus lourdes de conséquences demandent deux personnes différentes, et aucune ne peut être celle qui a proposé le changement.
L'agent de reporting est le cas le plus clair. Il écrit la définition du rapport et ne lit jamais vos données. Ce qu'il propose repasse par les mêmes contrôles d'autorisation qu'un rapport construit à la main : il ne peut donc pas inventer un chiffre, ni montrer une organisation que la personne qui demande n'avait pas déjà le droit de voir.
- Le délai est réel. Il n'existe aucun mode où nos agents écrivent dans un programme en production ou publient une note tout seuls. Si vous voulez de l'autonomie, nous sommes la mauvaise entrée de votre liste et il vaut mieux le savoir maintenant.
- SCORM, xAPI et LTI sont en cours de développement. Modélisés dans le produit, le moteur d'exécution se construit encore. Un contenu enfermé dans des paquets SCORM n'est pas une source sur laquelle nous pouvons ancrer un agent aujourd'hui.
- Les agents peuvent être désactivés entièrement, par organisation. Tout le reste continue de fonctionner — ils s'ajoutent, ils ne portent pas la structure.
Est-ce la même chose que l'IA avec humain dans la boucle ?
Presque, même si l'expression est réductrice. « Humain dans la boucle » décrit d'ordinaire une étape de contrôle ajoutée par-dessus un système qui pourrait tourner seul : l'autonomie existe et l'on place un point de contrôle devant. Ici l'approbation est l'architecture : rien de ce qu'un agent produit n'atteint un apprenant, une note ou un rapport sans que quelqu'un l'ait accepté, donc il n'y a pas de chemin autonome en dessous à contrôler. La différence pratique apparaît quand l'étape de contrôle est sous pression. Un point de contrôle peut être sauté. Un chemin absent, non.
Une étape de validation ne ruine-t-elle pas l'intérêt de l'IA agentique ?
Seulement si l'intérêt était de retirer les personnes. La partie coûteuse du travail n'est pas le clic qui accepte un brouillon — c'est produire le brouillon, corriger selon la grille, assembler le rapport. Un agent qui fait cela et s'arrête a pris les heures et laissé le jugement. Pour la plupart des institutions c'est l'échange qu'elles voulaient, et plusieurs n'ont le droit de faire que celui-là.
Si vous évaluez des plateformes agentiques, posez la première question à toutes et comparez les réponses écrites. Nous vous donnerons la nôtre avant l'appel plutôt que pendant, et si elle nous élimine, c'est une heure utilement économisée. Réservez une démo, ou lisez ce que chacun de nos agents peut faire seul sur la page IA.