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 en extrapolent des informations pour répondre aux utilisateurs. Mais que se passe-t-il lorsqu'une demande dépasse le cadre de ces informations initiales ?

L'appel d'outils est une capacité qui comble ces lacunes en matière de connaissances et de fonctionnalités. Il permet à un modèle de solliciter l'aide 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 d'un tableau de bord de données.

Dans cet article, nous examinons ce qu'est l'appel d'outils, en quoi il diffère de l'appel de fonctions et comment ElevenAgents met l'appel d'outils au service des workflows d'IA conversationnelle.

En résumé

• L'appel d'outils 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 lui-même un outil. C'est une couche applicative qui exécute la demande.
• L'appel d'outils suit un processus en cinq étapes, plusieurs outils pouvant être activés dans une même demande.
• L'appel d'outils peut servir à récupérer des informations, exécuter du code, contrôler des appareils ou interagir avec des workflows et processus.
• ElevenAgents prend en charge l'appel d'outils dans les agents vocaux, permettant à votre assistant d'IA conversationnelle d'effectuer des tâches pour vous.

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

L'appel d'outils est une capacité 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'outils génère une demande à destination d'un système tiers afin d'exécuter une tâche, généralement au format JSON. Un système IA l'utilise pour interroger des systèmes externes, récupérer des informations en temps réel, exécuter des commandes ou effectuer 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'outils est-il important ?

Les grands modèles de langage s'entraînent sur d'immenses volumes de données historiques pour développer leurs capacités. S'ils constituent ainsi des systèmes puissants pour répondre aux utilisateurs et fournir des informations, ils peinent à dépasser leur contexte d'entraînement initial et leur corpus d'informations. Lorsque vous demandez à des LLM des informations hors de leur champ ou de leurs capacités, ils ont besoin d'une aide externe.

L'appel d'outils fournit cette aide externe : il permet aux LLM d'extraire des données récentes 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'outils offre de nombreux avantages aux systèmes IA :

• Moins d'hallucinations : un système qui s'appuie sur des appels d'outils directs pour vérifier les informations se fonde sur des preuves et des données, plutôt que d'inventer potentiellement des informations ou d'extrapoler à partir des données d'entraînement.
• Davantage d'autonomie et de possibilités : un LLM avec appel d'outils peut effectuer des actions qui vont au-delà de la simple fourniture d'informations. 
• Réponses en temps réel : en interrogeant des sources en direct, un LLM peut obtenir des données en temps réel depuis des bases de données ou des appels d'API et vous fournir des informations à jour, indisponibles à partir des seules données d'entraînement.
• Processus automatisés en plusieurs étapes : une tâche qui vous demanderait d'interagir avec plusieurs systèmes se réduit à un seul prompt avec un LLM doté de l'appel d'outils. Il peut interroger d'autres systèmes et récupérer des informations pour vous, sans que vous quittiez la fenêtre d'interaction.

Gartner prévoit que 40 % des applications d'entreprise intégreront des agents IA spécifiques à certaines tâches d'ici fin 2026, contre moins de 5 % en 2025. Un modèle capable d'appeler l'outil adapté à une tâche renforce ses capacités et permet aux utilisateurs d'en faire davantage avec des prompts en langage naturel.

Appel d'outils et génération augmentée par récupération (RAG)

La génération augmentée par récupération et l'appel d'outils visent tous deux à rechercher des données au-delà du contexte fourni par les données d'entraînement d'un modèle, mais ils répondent à des besoins différents. Le RAG concerne principalement les contenus statiques, notamment les articles, documents et bases de connaissances que vous connectez à un modèle. Il fournit à un LLM un contexte supplémentaire pour générer des réponses plus complètes.

L'appel d'outils permet d'accéder dynamiquement à des informations, y compris dans des systèmes en temps réel qui évoluent constamment. Le RAG peut récupérer un PDF de tarifs d'une année donnée, tandis que l'appel d'outils peut récupérer instantanément les tarifs en direct depuis un système connecté. La plupart des systèmes de LLM utilisent ces capacités conjointement, car les bases de connaissances et les outils en direct sont tous deux importants dans de nombreux cas d'usage.

Comment fonctionne l'appel d'outils ?

L'appel d'outils suit un schéma assez standard, qu'un agent IA appelle une application interne ou un modèle externe. 

Voici un aperçu général du fonctionnement de l'appel d'outils :

1. Identifier le besoin d'un appel d'outil
2. Sélectionner l'outil adapté parmi les systèmes connectés
3. Créer et envoyer une demande
4. La demande est exécutée et un résultat est renvoyé
5. Le modèle répond ou effectue une action supplémentaire

Examinons ces étapes plus en détail.

Étape 1 : identifier le besoin d'un appel d'outil

Après avoir saisi une demande en langage naturel, un modèle lit votre prompt et évalue s'il a besoin d'une aide externe par l'intermédiaire d'un outil. Une question correspondant à ses données d'entraînement ne nécessite pas d'aide externe, mais certaines questions, notamment celles qui dépassent le contexte du modèle, en nécessitent une.

Des questions comme « Quels ont été nos chiffres de vente au deuxième trimestre dans Salesforce ? » ou « Combien d'utilisateurs actifs notre boutique Shopify compte-t-elle actuellement ? » nécessiteraient toutes deux un appel d'outil.

Étape 2 : sélectionner l'outil adapté parmi les systèmes connectés

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

Étape 3 : créer et envoyer une demande

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

Étape 4 : la demande 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 cette demande. La réponse est ensuite renvoyée au modèle d'origine comme contexte supplémentaire, afin qu'il puisse formuler 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 naturel ou confirme qu'une action précise a été effectuée. Cette seconde réponse intervient lorsque la tâche demandée est orientée vers l'action, par exemple publier un message sur une plateforme donnée ou saisir des données dans une base de données.

Si la tâche exige davantage d'étapes, le modèle répète les étapes 1 à 4 en conséquence. Les demandes plus complexes peuvent nécessiter l'appel de plusieurs outils avant de produire une réponse finale à l'utilisateur. Par exemple, si un utilisateur souhaite connaître un taux de change actuel puis convertir des devises, le modèle devra exécuter plusieurs étapes de manière séquentielle pour atteindre cet objectif. 

Types d'appel d'outils

L'appel d'outils désigne toute situation où un modèle appelle un système externe pour obtenir des données qui dépassent son entraînement sous-jacent. Ce processus peut faire appel à plusieurs systèmes, et les différents cas d'usage mobilisent différents types d'outils.

• Récupération d'informations : consiste à extraire des données d'une source externe, comme une API, une base de données d'entreprise connectée ou un index de recherche, afin de répondre à une question qui dépasse le contexte d'entraînement initial d'un 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 fonctionnerait en pratique.
• Automatisation des processus : décrit le cas où un appel d'API déclenche un workflow spécifique dans un autre système, par exemple pour interagir avec un CMS, planifier une réunion, mettre à jour des enregistrements, envoyer des notifications ou transformer des demandes en actions réalisées. C'est particulièrement courant dans les systèmes agentiques qui accomplissent des tâches pour l'utilisateur.
• Contrôle des appareils et systèmes : les appels d'outils qui interagissent avec un autre appareil, un système de téléphonie, un assistant domestique intelligent et plus encore relèvent tous de cette catégorie.

Souvent, l'appel d'outils 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 d'une commande client, déclencher un remboursement, mettre à jour votre CRM interne, puis transmettre ces informations à un agent humain.

Appel d'outils et appel de fonctions : principales différences

L'appel d'outils est une catégorie plus large que l'appel de fonctions : il couvre un périmètre plus vaste et un éventail de capacités potentielles plus diversifié. L'appel de fonctions consiste pour un modèle à générer un appel structuré, avec des arguments, vers une fonction prédéfinie.

Voici un tableau qui présente les différences entre un appel d'outil et un appel de fonction. 

Quelle est la fiabilité de l'appel d'outils ? 

La fiabilité de l'appel d'outils dépend entièrement du modèle qui effectue les appels. De même, un échec peut 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 souvent cité qui compare les performances de différents modèles en matière d'appel d'outils. Bien qu'il soit présenté comme un classement d'appel de fonctions, il mesure en pratique l'efficacité de l'appel d'outils en testant les modèles sur des appels d'API, la collecte d'informations par requêtes de base 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 de capacités d'appel d'outils plus complètes constitue une information utile. 

Démarrez avec ElevenAgents pour l'appel d'outils

Dans ElevenAgents, vous pouvez choisir parmi plusieurs modèles afin d'adapter votre charge de travail au modèle sous-jacent le plus adapté. 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 utiliser plusieurs types d'outils, notamment des outils webhook pour appeler des API externes, des outils client pour déclencher des actions dans des applications ou un navigateur, des outils de code pour une logique serveur personnalisée, 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 préconfigurés vers des services tels que Zendesk, HubSpot, Salesforce et bien d'autres, ce qui vous évite de configurer des intégrations personnalisées. Découvrez ElevenAgents ou inscrivez-vous pour commencer dès aujourd'hui à créer des agents vocaux avec appel d'outils.

FAQ