Des workflows aux workflows agentiques : une taxonomie
Workflow traditionnel, augmenté ou agentique : une taxonomie pour comprendre à qui confier le contrôle du flux.
L'automatisation n'est pas nouvelle. Depuis des années, les équipes tech s'appuient sur des workflows pour orchestrer des tâches répétitives, et des outils comme n8n ont démocratisé cette pratique à grande échelle.
Mais avec l'essor des LLMs, une nouvelle catégorie est apparue : les workflows agentiques. Le terme est partout, souvent mal défini. Voici une taxonomie pratique proposée pour cet article. Ce découpage en trois catégories est notre convention : Anthropic distingue, pour sa part, workflows et agents au sein des systèmes agentiques.
Le workflow traditionnel : un flux explicitement programmé
Un workflow classique, c'est trois éléments :
- un Trigger (déclencheur)
- une séquence de nœuds, chaque nœud exécutant une fonction prédéfinie
- un output
Structurellement, un workflow est un graphe orienté. Certains sont des DAG (Directed Acyclic Graphs), sans cycle ; d'autres comportent des boucles, comme le permet n8n. Une source unique et une sortie unique ne sont pas des propriétés générales des workflows ni des DAG. Les branches et conditions d'itération sont définies par le code, mais les résultats des nœuds peuvent dépendre de données externes, d'API ou de l'état de l'environnement.
C'est le modèle qui a automatisé des pans entiers de l'industrie. Il reste souverain pour tout ce qui est prévisible et répétable.
Ce qui est fixé ici : les règles de contrôle du flux. La trajectoire effectivement suivie dépend des entrées et des résultats intermédiaires ; un graphe programmé ne garantit pas à lui seul des résultats déterministes.
Le workflow augmenté
n8n a introduit un nœud Agent : un LLM connecté à des outils, éventuellement relié à une mémoire, embarqué dans le workflow comme n'importe quel autre nœud.
On peut en mettre plusieurs. La structure d'orchestration reste explicitement programmée, qu'elle soit acyclique ou qu'elle comporte des boucles ; certains nœuds utilisent désormais un modèle de langage. Ils raisonnent, décident localement, appellent des outils.
Des patterns bien établis opèrent à ce niveau : le prompt chaining (enchaînement de LLM calls où chaque output alimente le suivant), le routing (classification de l'input vers un sous-workflow spécialisé), ou la parallelization (exécution simultanée de sous-tâches indépendantes). L'intelligence est injectée dans le graphe, mais le flux reste contrôlé par la structure.
C'est puissant. C'est aussi la limite : si la tâche sort du graphe prévu, le système ne s'adapte pas.
Le workflow agentique
C'est la rupture qualitative.
Dans ce que nous appelons ici un workflow agentique, davantage de contrôle dynamique est confié au modèle, dans les limites du harnais. À partir d'un objectif, il peut choisir les actions et leur séquence à l'exécution, tout en restant représenté et contraint par un graphe ou une boucle programmée. Il peut itérer et tenter de corriger ses erreurs jusqu'à l'accomplissement de la mission ou une condition d'arrêt (timeout, nombre maximum d'itérations, validation externe). L'auto-correction est une possibilité, pas une garantie.
Le Trigger reste. L'output reste. Mais entre les deux, la séquence n'est plus préécrite, elle est choisie à l'exécution parmi les actions autorisées par le harnais, à partir du "ground truth" renvoyé par l'environnement à chaque étape (résultats d'outils, exécution de code, retour utilisateur).
Les frameworks comme LangGraph, AutoGen ou CrewAI peuvent servir à construire ce type d'architecture, mais aussi des enchaînements davantage prédéfinis. Leur présence ne suffit pas à qualifier le degré d'autonomie du système. Les nœuds déterministes ne disparaissent pas pour autant (validation, formatting, routing), mais le locus de contrôle a changé de camp.
Pourquoi cette distinction compte
Le tableau ci-dessous décrit des tendances d'architecture, pas des garanties de comportement. Ni le nombre de nœuds LLM ni la présence d'une boucle ne suffisent à distinguer un workflow d'un agent.
| Workflow traditionnel | Workflow augmenté | Workflow agentique | |
|---|---|---|---|
| Contrôle du flux | Règles codées | Règles codées, contrôle local délégué | Contrôle dynamique davantage délégué au modèle |
| Adaptation | Cas prévus par le code | Adaptation locale déléguée | Choix d'actions plus flexible, dans les limites du harnais |
| Prévisibilité | Règles explicites ; résultats dépendants des entrées | Résultats dépendants des modèles et outils | Variabilité accrue possible, non nécessaire |
| Cas d'usage | Répétable, structuré | Semi-structuré | Ouvert, complexe |
Une délégation plus large peut accroître la flexibilité et rendre les trajectoires moins faciles à anticiper ; ce n'est pas une loi universelle. Ce n'est pas un progrès linéaire, c'est un trade-off à assumer en fonction du contexte.
Un workflow de facturation ? Traditionnel. Un agent de recherche qui synthétise des sources variables ? Agentique. Entre les deux, il y a une large zone où l'augmenté fait sens.
Ce qu'on retient
La vraie question n'est pas "faut-il utiliser des agents ?" mais "à qui confie-t-on le contrôle du flux ?"
Répondre à cette question correctement, c'est choisir la bonne architecture, et éviter de mettre un LLM là où un IF node suffit. Notre article Des machines déterministes aux machines probabilistes prolonge la réflexion : lorsqu'un système peut modifier son harnais, il faut préciser non seulement qui contrôle le flux, mais aussi qui peut changer les règles de ce contrôle. Anthropic le formule clairement : n'augmenter la complexité que si elle améliore les résultats de façon mesurable¹.
¹ Anthropic distingue workflows et agents comme deux sous-catégories des "agentic systems". Source : "Building effective agents", Anthropic Engineering, déc. 2024 — https://www.anthropic.com/engineering/building-effective-agents
Lire aussi sur LinkedIn.