Qu’est-ce que le tool calling ? Guide complet de l’intégration de l’IA

Les modèles IA s’appuient sur leurs données d’entraînement et les extrapolent pour répondre aux utilisateurs. Mais que se passe-t-il lorsqu’une demande dépasse le cadre de ces informations initiales ?

L’appel d’outil est une fonctionnalité qui comble ces lacunes en matière de connaissances et de fonctions. Il permet à un modèle de solliciter une aide supplémentaire auprès d’outils et de systèmes externes, qu’il s’agisse de déclencher une action, comme l’envoi d’une mise à jour, ou d’extraire du contenu depuis un tableau de bord de données.

Dans cet article, nous expliquons ce qu’est l’appel d’outil, en quoi il diffère de l’appel de fonction et comment ElevenAgents met l’appel d’outil au service des workflows d’IA conversationnelle.

En résumé

• L’appel d’outil permet à un modèle IA de déclencher des actions et de demander des informations à des outils externes et à des API.
• Un modèle IA n’exécute pas activement un outil. C’est une couche applicative qui exécute la demande.
• L’appel d’outil suit un processus en cinq étapes, plusieurs outils pouvant être activés dans une même demande.
• L’appel d’outil peut servir à la récupération d’informations, à l’exécution de code, au contrôle d’appareils ou à l’interaction avec des workflows et des processus.
• ElevenAgents prend en charge l’appel d’outil dans les agents vocaux, afin que votre assistant d’IA conversationnelle puisse accomplir des tâches pour vous.

Qu’est-ce que l’appel d’outil ?

L’appel d’outil est une fonctionnalité d’un modèle IA qui lui permet d’interagir avec un autre système. Il peut s’agir d’une base de données, d’une API, d’un logiciel ou de tout élément lui permettant d’exécuter une fonction au-delà de ses données d’entraînement. 

L’appel d’outil génère une requête destinée à un système tiers afin d’exécuter une tâche, généralement au format JSON. Un système IA utilise l’appel d’outil pour interroger des systèmes externes, obtenir des informations en temps réel, exécuter des commandes ou réaliser des opérations. La capacité à appeler des outils permet à l’IA agentique d’accomplir des tâches plus complexes ou en plusieurs étapes en accédant à des ressources externes et en utilisant dynamiquement des systèmes tiers.

La capacité à appeler des outils distingue les assistants d’IA agentique des LLM qui ne peuvent répondre qu’à partir de ce qu’ils savent déjà.

Pourquoi l’appel d’outil est-il important ?

Les grands modèles de langage s’entraînent sur d’immenses volumes de données historiques afin de développer leurs capacités. Cela en fait des systèmes puissants pour répondre aux utilisateurs et fournir des informations, mais ils peinent à dépasser le contexte et le corpus d’informations de leur entraînement initial. Lorsqu’on demande aux LLM des informations hors de leur champ ou de leurs capacités, ils ont besoin d’une aide externe pour répondre.

L’appel d’outil constitue cette aide externe : il permet aux LLM d’extraire des données récentes depuis d’autres sources ou de s’intégrer aux systèmes actifs qu’une entreprise utilise déjà, tels que des API tierces ou des bases de données internes.

L’appel d’outil offre de nombreux avantages aux systèmes IA :

• Moins d’hallucinations : un système qui s’appuie sur des appels d’outil directs pour vérifier les informations travaille à partir de preuves et de données, plutôt que d’inventer potentiellement des informations ou d’extrapoler à partir des données d’entraînement.
• Plus d’autonomie et de possibilités : un LLM avec appel d’outil peut réaliser des actions qui vont au-delà de la simple fourniture d’informations. 
• Réponses en temps réel : en interrogeant des sources actives, un LLM peut obtenir des données en temps réel provenant de bases de données ou d’appels API, et vous fournir des informations à jour, indisponibles avec les seules données d’entraînement.
• Processus automatisés en plusieurs étapes : une tâche qui vous obligerait à interagir avec plusieurs systèmes se résume à un seul prompt avec un LLM doté de l’appel d’outil. Il peut interroger d’autres systèmes et obtenir des informations pour vous, sans que vous ayez à quitter la fenêtre d’interaction.

Gartner prévoit que 40 % des applications d’entreprise seront intégrées à des agents IA spécialisés par tâche d’ici fin 2026, contre moins de 5 % en 2025. Un modèle capable d’appeler l’outil approprié pour une tâche améliore ses capacités et permet aux utilisateurs d’en faire plus grâce à des prompts en langage naturel.

Appel d’outil et génération augmentée par récupération (RAG)

La génération augmentée par récupération et l’appel d’outil consistent tous deux à rechercher des données au-delà du contexte fourni par les données d’entraînement d’un modèle, mais répondent à des objectifs différents. Le RAG sert principalement aux contenus statiques, notamment aux articles, documents et bases de connaissances connectées à un modèle. Il fournit à un LLM un contexte supplémentaire qui l’aide à générer des réponses plus complètes.

L’appel d’outil permet d’accéder dynamiquement à des informations, y compris depuis des systèmes en temps réel qui évoluent constamment. Un RAG peut récupérer un PDF de tarifs d’une année donnée, tandis que l’appel d’outil peut obtenir instantanément les tarifs actuels depuis un système connecté. La plupart des systèmes de LLM combinent ces capacités, car les bases de connaissances comme les outils actifs sont importants dans de nombreux cas d’usage.

Comment fonctionne l’appel d’outil ?

L’appel d’outil suit un schéma relativement standard, qu’un agent IA appelle une application interne ou un modèle externe. 

Voici un aperçu général du fonctionnement de l’appel d’outil :

1. Déterminer si un appel d’outil est nécessaire
2. Sélectionner l’outil approprié parmi les systèmes connectés
3. Créer et envoyer une requête
4. La requête est exécutée et un résultat est renvoyé
5. Le modèle répond ou effectue une action supplémentaire

Examinons ces étapes plus en détail.

Étape 1 : déterminer si un appel d’outil est nécessaire

Après avoir saisi une demande en langage naturel, un modèle lit votre prompt et détermine s’il a besoin d’une aide externe fournie par un outil. Une question correspondant à ses données d’entraînement ne nécessite pas d’aide externe, contrairement à certaines questions qui dépassent le contexte du modèle.

Des questions comme « Quels étaient nos chiffres de ventes au deuxième trimestre dans Salesforce ? » et « Quel est le nombre actuel d’utilisateurs actifs sur notre boutique Shopify ? » nécessiteraient toutes deux un appel d’outil.

Étape 2 : sélectionner l’outil approprié parmi les systèmes connectés

Chaque outil auquel un modèle a accès possède un schéma : un nom, une description en langage naturel de son fonctionnement et les paramètres qu’il accepte. Le modèle compare votre demande à chacune de ces descriptions pour trouver l’outil adapté. Lorsqu’un agent dispose d’un vaste catalogue d’outils, il exécute un processus interne pour les filtrer et identifier ceux qui sont pertinents, car parcourir manuellement des centaines d’outils ralentirait considérablement la recherche de l’outil adéquat.

Étape 3 : créer et envoyer une requête

Après avoir sélectionné l’outil adéquat, le modèle construit un appel structuré, souvent au format JSON. Cet appel définit l’outil à appeler et le contenu de la requête. Par exemple, une requête pour connaître la météo à Bogota pourrait ressembler à {"name": "get_weather", "arguments": {"city": "Bogota"}}. Le modèle génère cet appel, puis la couche applicative l’exécute à l’étape suivante.

Étape 4 : la requête est exécutée et un résultat est renvoyé 

La couche applicative reçoit la demande du modèle et exécute l’outil ou appelle une API pour traiter la requête. La réponse est ensuite transmise au modèle d’origine comme contexte supplémentaire, afin qu’il puisse élaborer sa réponse à l’utilisateur. 

Étape 5 : le modèle répond ou effectue une action supplémentaire

À partir des données ou informations issues de l’appel d’outil, le modèle répond à l’utilisateur en langage courant ou confirme qu’une action précise a été effectuée. Cette seconde réponse intervient lorsque la tâche demandée par l’utilisateur est orientée action, par exemple publier un message sur une plateforme donnée ou saisir des données dans une base de données.

Si la tâche nécessite davantage d’étapes, le modèle répète les étapes 1 à 4 en conséquence. Les demandes plus complexes peuvent exiger l’appel de plusieurs outils avant de générer une réponse finale pour l’utilisateur. Par exemple, si un utilisateur souhaite connaître un taux de change actuel, puis convertir des devises, le modèle doit exécuter plusieurs étapes successives pour atteindre cet objectif. 

Types d’appel d’outil

L’appel d’outil désigne toute situation dans laquelle un modèle appelle un système externe pour obtenir des données allant au-delà de son entraînement sous-jacent. Le processus peut faire appel à plusieurs systèmes différents, et de nombreux cas d’usage nécessitent différents types d’outils.

• Récupération d’informations : consiste à extraire des données depuis une source externe, telle qu’une API, une base de données d’entreprise connectée ou un index de recherche, afin de répondre à une question dépassant le contexte d’entraînement initial du modèle.
• Exécution de code : exécution d’un script, d’un processus de transformation de données ou d’un calcul dans un environnement de code. Elle sert généralement à analyser des données plutôt qu’à simplement décrire comment une analyse pourrait fonctionner en pratique.
• Automatisation des processus : décrit le cas où un appel API déclenche un workflow spécifique dans un autre système, par exemple en interagissant avec un CMS, en planifiant une réunion, en mettant à jour des enregistrements, en envoyant des notifications ou en transformant des demandes en actions réalisées. Cette approche est particulièrement courante dans les systèmes agentiques qui effectuent des tâches pour l’utilisateur.
• Contrôle des appareils et des systèmes : les appels d’outil qui interagissent avec un autre appareil, un système de téléphonie, un assistant de maison connectée et plus encore relèvent tous de cette catégorie.

Souvent, l’appel d’outil ne relève pas clairement d’une seule de ces catégories. Vous pouvez avoir des appels en plusieurs étapes et chaînés qui combinent plusieurs des catégories ci-dessus dans une séquence continue. Par exemple, vous pouvez récupérer le statut de commande d’un client, déclencher ensuite un remboursement, puis mettre à jour votre CRM interne et transmettre ces informations à un agent humain.

Appel d’outil et appel de fonction : principales différences

L’appel d’outil est une catégorie plus large que l’appel de fonction : il couvre un champ d’application plus vaste et un éventail plus diversifié de capacités potentielles. L’appel de fonction intervient lorsqu’un modèle génère un appel structuré, avec des arguments, vers une fonction prédéfinie.

Voici un tableau détaillant les différences entre un appel d’outil et un appel de fonction. 

Quelle est la fiabilité de l’appel d’outil ? 

La fiabilité de l’appel d’outil dépend entièrement du modèle qui effectue les appels. De même, les échecs peuvent se manifester différemment selon les systèmes. Par exemple, après l’échec d’un appel d’outil, un modèle IA peut simplement halluciner une réponse, tandis qu’un autre peut inviter l’utilisateur à réessayer. 

Le Berkeley Function Calling Leaderboard est un classement fréquemment cité qui compare les performances de différents modèles en matière d’appel d’outil. Bien qu’il soit présenté comme un classement d’appels de fonction, il mesure en pratique l’efficacité des appels d’outil en testant les modèles sur des appels API, la collecte d’informations via des requêtes de bases de données, l’exécution d’appels parallèles ou les réponses dans des conversations à plusieurs tours.

Les modèles sont évalués sur des critères tels que le coût total, la capacité à effectuer des recherches sur le web, la précision dans les conversations à plusieurs tours, la mesure des hallucinations, la latence, etc. Si vous exécutez des workflows complexes ou en plusieurs étapes, savoir quels modèles disposent des capacités d’appel d’outil les plus complètes est utile. 

Utiliser ElevenAgents pour l’appel d’outil

Avec ElevenAgents, vous pouvez choisir parmi plusieurs modèles et adapter votre charge de travail au meilleur modèle sous-jacent possible. Les agents vocaux font appel à des outils, recherchent des commandes, vérifient des enregistrements, mettent à jour des bases de données et collectent des informations via des API.

Vous pouvez faire appel à plusieurs types d’outils, notamment des outils webhook pour appeler des API externes, des outils client pour déclencher des actions dans des applications ou dans un navigateur, des outils de code pour une logique personnalisée côté serveur, des outils MCP qui se connectent à des serveurs d’outils externes et des outils système pour des actions intégrées, comme le transfert vers un agent humain.

ElevenLabs propose également des connecteurs natifs prêts à l’emploi vers des services tels que Zendesk, HubSpot, Salesforce et bien d’autres, afin de vous éviter de configurer des intégrations personnalisées. En savoir plus sur ElevenAgents ou S’inscrire pour commencer dès aujourd’hui à créer des agents vocaux avec appel d’outil.

FAQ