Tool Calls — Comment les AI Agents prennent des actions

Qu'est-ce qu'un Tool Call

Un tool call est une invocation de fonction structurée qu'un modèle AI émet pendant son raisonnement. Au lieu de générer du texte, le modèle génère une requête pour exécuter une fonction spécifique avec des paramètres spécifiques. Le système hôte exécute cette fonction et renvoie le résultat. Le modèle continue de raisonner avec les nouvelles données.

C'est le mécanisme qui transforme un modèle de langue en système capable d'agir.

L'analogie du coup de fil

Imagine : un Agent AI raisonne sur une tâche. Il arrive à un point où il a besoin d'info qu'il n'a pas — ou doit prendre une action qu'il ne peut pas faire avec du texte seul. Alors il décroche le téléphone, appelle un système spécifique, pose une question précise ou donne une instruction précise, obtient la réponse, raccroche, et continue de travailler.

Ce coup de fil, c'est un tool call.

Anatomie d'un Tool Call

Chaque tool call a trois composants :

1. Function name — quel système ou capacité invoquer
2. Parameters — les inputs spécifiques requis
3. Result — les données retournées par le système

Exemple — recherche de candidats :

Exemple — création d'une job requisition :

Read Tools vs. Write Tools

Les tool calls se répartissent en deux catégories avec des implications de gouvernance très différentes :

Principe de gouvernance : la plupart des organisations commencent par donner aux agents un accès read-only et exigent une approbation humaine pour les actions write. Au fur et à mesure que la confiance s'établit, des permissions write spécifiques sont accordées avec audit trails.

Chaînes de Tool Calls

La vraie puissance des tool calls apparaît quand ils s'enchaînent. Une seule tâche agent peut impliquer 5, 10 ou 50 tool calls en séquence :

1. get_role_profile("Senior Data Engineer") → récupère tasks, skills, proficiency targets
2. get_pay_band(role: "Senior Data Engineer", level: 4, location: "Munich") → récupère la fourchette compensation
3. search_candidates(skills: [...], min_proficiency: 3) → trouve les candidats matchant
4. score_candidates(candidates: [...], role_profile: {...}) → classe par fit
5. generate_shortlist_report(top_n: 5, include_reasoning: true) → crée le livrable

Chaque étape informe la suivante. L'agent raisonne entre les appels, décidant quoi faire selon les résultats intermédiaires. C'est ce qui rend les agents fondamentalement différents des chatbots — ils composent des actions en workflows.

Sécurité et gouvernance

Les tool calls créent des conséquences réelles. Un agent mal configuré avec accès write au HRIS pourrait modifier des enregistrements employés, changer la compensation ou soumettre des requisitions non autorisées. La gouvernance n'est pas optionnelle.

Best practices :

• Principe du moindre privilège — les agents ne reçoivent que les outils nécessaires à leur tâche spécifique
• Human-in-the-loop pour les actions write — exiger une approbation avant que le système n'exécute des changements
• Audit logging — chaque tool call est loggé avec timestamp, paramètres, résultat et raisonnement de l'agent
• Rate limiting — empêcher les agents runaway de faire des milliers d'appels
• Sandboxing — tester les agents en environnements non-production avant d'accorder l'accès live

Ce que ça implique pour les RH

Les tool calls sont le mécanisme qui relie le raisonnement AI aux systèmes RH. Quand un agent a accès à des outils qui lisent et écrivent dans le HRIS, l'ATS, le LMS et les systèmes compensation — il peut exécuter les processus RH décrits dans cette catégorie de documentation.

Le moyen standardisé d'exposer ces outils aux agents passe par MCP — le Model Context Protocol. Couvert dans l'article suivant.