Qu'est-ce que l'appel d'outils ?

L'appel d'outils (tool calling) est la capacité d'un modèle d'AI à interagir avec des outils externes, des APIs ou des systèmes pour effectuer des actions et récupérer des informations au-delà de ce que le modèle peut faire seul. Plutôt que de s'appuyer uniquement sur les connaissances intégrées dans ses données d'entraînement, un modèle doté de capacités d'appel d'outils peut reconnaître quand la demande d'un utilisateur nécessite une aide extérieure, sélectionner l'outil approprié et structurer une requête pour accomplir la tâche.

C'est cette capacité qui sépare un chatbot statique d'un agent AI fonctionnel. Sans appel d'outils, un grand modèle de langage ne peut générer du texte qu'à partir des schémas appris lors de son entraînement. Grâce à lui, ce même modèle peut vérifier un inventaire en temps réel, interroger une base de données, envoyer un e-mail, exécuter du code ou appeler une API tierce. L'appel d'outils donne des mains aux modèles d'AI.

Pourquoi l'appel d'outils est essentiel pour les agents AI

Les agents AI sont des systèmes capables de percevoir leur environnement, de prendre des décisions et d'agir pour atteindre des objectifs. L'appel d'outils est ce qui rend possible la partie « passer à l'action ». Un agent incapable d'appeler des outils se limite à la conversation. Un agent capable d'appeler des outils devient un véritable collaborateur actif.

Le passage de l'AI générative à l'AI agentique

L'AI générative produit du texte, images et code. L'AI agentique va plus loin en planifiant des workflows multi-étapes, en utilisant des outils pour exécuter chaque étape et en s'adaptant en fonction des résultats. L'appel d'outils est le pont entre ces deux paradigmes. C'est le mécanisme par lequel un modèle d'AI cesse de décrire ce qui pourrait être fait pour commencer à le faire.

Pourquoi les entreprises s'y intéressent

L'intérêt commercial est évident. Selon Gartner, 40 % des applications d'entreprise intégreront des agents AI spécifiques à des tâches d'ici fin 2026, contre moins de 5 % en 2025. Cette croissance repose sur la fiabilité de l'appel d'outils. Si un agent ne peut pas interroger de manière fiable un CRM, mettre à jour un enregistrement ou déclencher un workflow en aval, il ne peut pas apporter de valeur en production.

L'appel d'outils change également la façon dont les équipes conçoivent l'automatisation. Au lieu de créer des intégrations rigides basées sur des règles pour chaque workflow possible, les organisations peuvent déployer des agents AI qui sélectionnent et appellent dynamiquement les bons outils en fonction du contexte. Cela rend les systèmes plus flexibles et réduit la charge d'ingénierie liée à la maintenance de connexions point à point fragiles.

Comment fonctionne l'appel d'outils par l'AI ?

L'appel d'outils suit une boucle structurée. Le modèle n'exécute pas directement les outils. À la place, il génère des requêtes structurées qu'une couche applicative exécute, puis intègre les résultats dans sa réponse. Voici comment fonctionne ce processus étape par étape.

Étape 1. Reconnaître quand un outil est nécessaire

Le processus commence lorsqu'un utilisateur envoie une demande à laquelle le modèle ne peut pas répondre uniquement à l'aide de ses données d'entraînement. Si un utilisateur demande « Quelle est la capitale de la France ? », le modèle répond directement. Si un utilisateur demande « Quels étaient nos chiffres de vente pour le Q2 ? », le modèle reconnaît qu'il doit interroger une source de données externe.

Cette reconnaissance dépend de l'entraînement du modèle. Les modèles qui prennent en charge l'appel d'outils ont été affinés pour identifier quand une requête dépasse les limites de leurs connaissances et quand un outil disponible pourrait les aider. Le modèle évalue l'intention de l'utilisateur par rapport à la liste d'outils auxquels il a accès.

Étape 2. Choisir le bon outil

Une fois que le modèle détermine qu'un outil est nécessaire, il sélectionne le plus approprié parmi l'ensemble des outils disponibles. Chaque outil est décrit au modèle à l'aide d'un schéma qui comprend le nom de l'outil, sa fonction et les paramètres qu'il accepte. Le modèle fait correspondre la demande de l'utilisateur à ces descriptions pour choisir le bon outil.

Par exemple, si un agent a accès à la fois à une API météo et à un outil de requête de base de données, et que l'utilisateur s'enquiert des prévisions pour demain, le modèle sélectionne l'API météo. Si l'utilisateur pose une question sur le chiffre d'affaires du mois dernier, il sélectionne l'outil de requête de base de données.

Étape 3. Construire et envoyer la requête

Après avoir sélectionné un outil, le modèle génère une sortie structurée, généralement au format JSON, qui spécifie quel outil appeler et quels arguments lui transmettre. Le modèle n'exécute pas cet appel lui-même. Il produit la requête, et la couche applicative gère l'exécution.

Étape 4. Recevoir et traiter la réponse

L'outil externe exécute la requête et renvoie un résultat. Il peut s'agir d'une charge utile de données provenant d'une base de données, d'une confirmation qu'une action a été effectuée, d'un message d'erreur ou de toute autre réponse structurée. La couche applicative renvoie ce résultat au modèle comme contexte pour générer sa réponse finale.

Étape 5. Fournir la réponse ou exécuter une action

Une fois la réponse de l'outil obtenue, le modèle synthétise une réponse en langage naturel pour l'utilisateur. Si l'utilisateur a demandé les chiffres de vente du Q2, le modèle pourrait répondre : « Les ventes du Q2 2026 en Amérique du Nord ont totalisé 14,3 millions de dollars, soit une hausse de 12 % par rapport au Q1. » Le modèle combine les données brutes de l'outil avec ses capacités linguistiques pour produire une réponse claire et contextuelle.

Dans certains cas, le résultat n'est pas une réponse conversationnelle mais une action exécutée, comme un e-mail envoyé, un enregistrement de base de données mis à jour ou un workflow déclenché. Le modèle confirme l'action à l'utilisateur.

Étape 6. Itérer et affiner le résultat

L'appel d'outils ne se fait pas toujours en une seule étape. Les requêtes complexes peuvent nécessiter plusieurs appels d'outils successifs. Un agent à qui l'on demande de « préparer un résumé des performances du trimestre dernier et de l'envoyer par e-mail à l'équipe de direction » peut d'abord interroger une base de données pour obtenir les indicateurs de performance, puis appeler un outil d'exécution de code pour générer un graphique, et enfin appeler une API de messagerie pour envoyer le résumé.

À chaque étape, le modèle évalue s'il dispose de suffisamment d'informations pour continuer ou si des appels d'outils supplémentaires sont nécessaires. C'est cette boucle itérative qui rend les systèmes d'AI agentiques capables de gérer des workflows multi-étapes.

Types courants d'appels d'outils

L'appel d'outils ne se limite pas à un seul modèle de fonctionnement. Différents cas d'usage nécessitent différents types d'outils, chacun ayant un rôle distinct dans le workflow d'un agent.

Recherche et récupération d'informations

Le type d'appel d'outils le plus courant consiste à récupérer des données que le modèle ne possède pas. Cela inclut l'interrogation de bases de données, la recherche dans des référentiels de documents, l'appel d'APIs de recherche ou la récupération d'informations en temps réel comme les cours des actions, les données météo ou les actualités. La génération augmentée de récupération (RAG) est une forme spécifique de ce modèle, dans laquelle le modèle interroge une base de connaissances pour ancrer ses réponses dans des données vérifiées.

Exécution de code

Certaines tâches exigent que le modèle écrive et exécute du code plutôt que de simplement générer du texte. Les outils d'exécution de code permettent aux agents d'effectuer des calculs, de transformer des données, de générer des visualisations ou d'exécuter des scripts analytiques. Un agent de codage AI peut écrire une fonction Python, l'exécuter dans un environnement sandbox et renvoyer le résultat à l'utilisateur.

Automatisation des processus

L'appel d'outils permet aux agents de déclencher des actions dans des systèmes externes. Cela inclut l'envoi d'e-mails, la création de tickets dans des outils de gestion de projet, la mise à jour d'enregistrements CRM, le lancement de workflows d'approbation ou la publication de messages sur des plateformes de communication. Ces outils transforment les agents en participants actifs aux processus métier plutôt qu'en simples observateurs passifs.

Appareils intelligents et surveillance IoT

Dans les contextes industriels et opérationnels, l'appel d'outils connecte les agents AI à des systèmes physiques. Un agent peut interroger les données des capteurs d'équipements de fabrication, ajuster les paramètres d'un thermostat dans un bâtiment intelligent ou surveiller la télémétrie d'une flotte de véhicules. Ces intégrations étendent les capacités de l'AI du monde numérique vers le monde physique.

Appel d'outils vs. appel de fonctions

Ces deux termes sont étroitement liés et souvent utilisés de manière interchangeable, mais il existe une distinction importante qu'il convient de comprendre.

L'appel de fonctions est à l'origine de l'appel d'outils. Lorsque OpenAI a introduit cette fonctionnalité pour la première fois, elle a été présentée comme un moyen pour les modèles de générer des arguments structurés pour des fonctions définies par les développeurs. À mesure que l'écosystème a mûri et que les agents ont commencé à orchestrer des flux de travail plus complexes impliquant plusieurs systèmes externes, le terme plus large d'« appel d'outils » (tool calling) est devenu la norme.

En pratique, si vous lisez de la documentation qui mentionne « l'appel de fonctions », elle décrit le même mécanisme sous-jacent. Databricks prend en charge les deux termes dans sa documentation et les fonctionnalités de sa plateforme. Pour analyser de plus près comment l'appel de fonctions est évalué en pratique, consultez les benchmarks d'appel de fonctions de Databricks.

Exemples concrets d'appel d'outils par l'AI en action

L'appel d'outils est déjà opérationnel en production dans de nombreux secteurs. Voici des exemples concrets de la manière dont les entreprises l'utilisent.

Agents de support client

Un agent de support reçoit un message d'un client demandant le statut d'une commande. L'agent appelle un outil pour interroger le système de gestion des commandes, récupère les informations de suivi et répond avec une estimation de livraison. Si le client souhaite modifier l'adresse de livraison, l'agent appelle un outil de mise à jour pour modifier l'enregistrement. Chaque interaction avec un outil est gouvernée et auditable via des plateformes comme Unity Catalog, qui applique des contrôles d'accès et maintient la traçabilité (lineage) depuis les actions de l'agent jusqu'aux données sources.

Flux de travail d'analyse de données

Un analyste demande à un agent AI de comparer le chiffre d'affaires de ce trimestre entre les régions. L'agent appelle un outil de requête SQL pour extraire les données du lakehouse, appelle un outil d'exécution de code pour calculer les taux de croissance et générer un graphique, puis renvoie un résumé formaté. Ce qui aurait pris 30 minutes de requêtes manuelles et de travail sur tableur à un analyste se fait en un seul échange conversationnel.

Opérations et surveillance IT

Une équipe d'exploitation déploie un agent qui surveille la santé de l'infrastructure. Lorsque l'utilisation du CPU d'un serveur dépasse un seuil, l'agent appelle un outil de diagnostic pour collecter les journaux système, appelle un outil d'alerte pour informer l'ingénieur d'astreinte et appelle un outil de remédiation pour faire évoluer automatiquement les ressources. L'agent gère le flux de travail de première réponse sans intervention humaine.

Recherche d'entreprise et gestion des connaissances

Un employé interroge un assistant AI interne sur la politique de congé parental de l'entreprise. L'agent appelle un outil de recherche pour explorer la base de connaissances HR, trouve le document de politique pertinent et renvoie une réponse concise avec un lien vers le document complet. Ce modèle remplace l'expérience courante consistant à chercher dans un intranet et à parcourir plusieurs pages pour trouver une réponse spécifique.

Commencez à créer des agents AI avec l'appel d'outils sur Databricks

Databricks fournit une plateforme complète pour créer, déployer et gouverner des agents d'appel d'outils via Agent Bricks. Selon Databricks, les entreprises ont déjà créé plus de 100 000 agents sur la plateforme, traitant plus d'un quadrillion de tokens par an.

Comment Databricks prend en charge l'appel d'outils

Agent Bricks prend en charge nativement le Model Context Protocol (MCP), le nouveau standard ouvert pour l'intégration d'outils. Cela donne aux agents un accès sécurisé aux API, aux bases de données et aux applications SaaS via une interface standardisée. Les outils MCP peuvent être découverts et partagés au sein d'une organisation via un catalogue intégré, chaque intégration étant visible, soumise à autorisation et auditable via Unity Catalog.

Les développeurs peuvent connecter des agents à des outils de plusieurs manières :

• Serveurs MCP gérés pour les sources de données Databricks
• Serveurs MCP externes enregistrés en tant que services MCP gouvernés
• Fonctions Unity Catalog pour la logique personnalisée et les outils spécifiques aux tâches
• Outils personnalisés créés avec l'Agent SDK basé sur Python

L'Agent SDK gère l'exécution des outils, l'appel de fonctions, les flux de travail multi-étapes et la gestion de l'état des conversations. Les développeurs définissent les outils que l'agent peut utiliser et son comportement lors de conversations à plusieurs tours.

Prise en main

Pour les équipes qui découvrent l'appel d'outils, l'AI Playground fournit un bac à sable (sandbox) sans code où vous pouvez sélectionner un LLM, ajouter des outils et tester le comportement de l'agent avant de l'exporter sous forme de code. Agent Bricks prend en charge les frameworks d'agents populaires, notamment LangGraph, CrewAI, Agno, le Claude Code SDK et les SDK d'agent OpenAI, afin que les équipes puissent créer avec les frameworks qu'elles connaissent déjà.

La gouvernance est intégrée dès le départ. La gouvernance des agents et la gouvernance des données sont gérées directement dans Unity Catalog, avec des contrôles d'accès basés sur les rôles appliqués aux modèles, aux outils et aux connexions. Les politiques à l'échelle de l'organisation pour la prévention des injections de prompts, la détection des données sensibles et le filtrage du contenu sont configurées au sein d'un plan de contrôle unique.

Pour commencer à créer et tester des agents d'appel d'outils sur vos propres données, découvrez Agent Bricks et le framework d'outils d'agent Databricks.

Foire aux questions

Que signifie l'appel d'outils dans l'AI ?

L'appel d'outils est la capacité d'un modèle AI à invoquer des outils externes, des API ou des systèmes pour effectuer des tâches au-delà de la génération de texte. Il permet aux modèles de récupérer des données en temps réel, d'exécuter du code et de déclencher des actions dans des applications externes.

Quelle est la différence entre l'appel d'outils et l'appel de fonctions ?

L'appel de fonctions est un sous-ensemble de l'appel d'outils. L'appel de fonctions fait spécifiquement référence à un modèle générant des arguments structurés pour une fonction prédéfinie. L'appel d'outils est le concept plus large qui englobe l'appel de fonctions ainsi que les intégrations d'API, les requêtes de base de données, l'exécution de code et d'autres interactions externes.

Comment fonctionne l'appel d'outils dans les LLM ?

Un LLM prenant en charge l'appel d'outils suit une boucle : il reconnaît quand la demande d'un utilisateur nécessite un outil externe, sélectionne l'outil approprié parmi l'ensemble disponible, génère une requête structurée avec les paramètres corrects, puis intègre la réponse de l'outil dans sa réponse finale. Le modèle n'exécute pas directement les outils. Il produit une sortie structurée qu'une couche applicative exécute.

Quel LLM est le meilleur pour l'appel d'outils ?

Les performances d'appel d'outils varient selon le modèle et le cas d'usage. Le Berkeley Function Calling Leaderboard (BFCL) est le benchmark le plus largement référencé pour évaluer la fiabilité de l'appel d'outils sur différents modèles. Databricks prend en charge plusieurs fournisseurs de LLM, y compris des modèles d'OpenAI, Anthropic, Google et Meta, afin que les équipes puissent sélectionner et comparer les modèles en fonction de leurs besoins spécifiques.

Quelle est la différence entre l'appel d'outils d'AI et le MCP ?

L'appel d'outils est la fonctionnalité. Le MCP (Model Context Protocol) est une couche de standardisation de la manière dont les outils sont décrits, découverts et invoqués. Le MCP fournit une interface cohérente afin que les agents puissent se connecter à n'importe quel outil compatible MCP sans code d'intégration personnalisé. Databricks Agent Bricks prend en charge nativement le MCP pour un accès gouverné aux outils.

Pourquoi l'appel d'outils est-il important pour les agents AI ?

Sans l'appel d'outils, les agents AI se limitent à générer du texte basé sur leurs données d'entraînement. L'appel d'outils donne aux agents la capacité d'agir : interroger des bases de données, appeler des API, envoyer des messages, exécuter du code et déclencher des flux de travail. C'est le mécanisme central qui transforme un modèle de langage en un agent AI autonome capable de réaliser des tâches concrètes.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original