Comment créer un agent IA avec Claude en 2026 : le guide pratique

Créer un agent IA avec Claude revient à enchaîner trois briques : un modèle capable d'appeler des outils, une boucle qui exécute ces appels, et un choix de tier qui ne fait pas exploser la facture. L'API Claude expose tout ça nativement. Ce qui coince le plus souvent, c'est le choix du modèle, pas l'architecture.

Ce guide part de zéro et couvre cinq étapes concrètes, du choix du modèle jusqu'à la mise en production, avec les pièges qu'on voit revenir chez nos clients. Si vous venez plutôt du no-code, il reste utile : comprendre ce qui se passe sous le capot évite pas mal de mauvaises surprises côté facturation.

1. Choisir le bon modèle Claude pour votre agent

Anthropic a changé sa gamme cette année. Fini l'approche mono-flagship : la lignée Claude 5 repose sur trois tiers dédiés, Opus 5, Sonnet 5 et Fable 5, qui partagent tous une fenêtre de contexte d'un million de tokens au niveau de l'API.

tech-insider.org, Claude Opus 5 vs Sonnet 5 vs Fable 5, août 2026 "Anthropic's Claude 5 lineup replaced the old single-flagship approach with three purpose-built tiers, all sharing a 1-million-token context window at the API level."

Selon cet article, Opus 5 a été lancé le 24 juillet 2026. C'est le modèle à réserver aux tâches de raisonnement complexe : planification multi-étapes, orchestration entre agents. Sonnet 5 couvre la majorité des cas d'usage d'agent classique, support client, extraction de données, résumé de tickets. Fable 5, lui, vise la vitesse et le coût pour les tâches répétitives à fort volume.

La plupart des équipes démarrent avec le modèle le plus cher, par réflexe. C'est rarement nécessaire. Sur le coût justement : Fable 5.1 facture 10 $ par million de tokens en entrée et 50 $ par million en sortie, hors cache.

VentureBeat, 1er septembre 2026 "Fable 5.1 retains Fable 5's headline API rates: $10 per 1 million input tokens and $50 per million output."

Selon VentureBeat, la lecture depuis le cache coûte 75 % de moins avec cette version. Concrètement : si votre agent relit le même prompt système à chaque appel, activer le cache change la facture de fin de mois.

Piège : partir sur Opus 5 "parce que c'est le plus puissant" pour un agent qui fait de la simple classification. Testez d'abord sur le tier le moins cher. Montez seulement si la qualité de sortie l'exige vraiment.

2. Définir les outils que l'agent peut appeler

Un agent sans outils, c'est un chatbot. Rien de plus. La différence se joue ici : vous décrivez chaque fonction disponible avec un schéma JSON, et le modèle décide seul quand l'appeler.

{
  "name": "get_order_status",
  "description": "Récupère le statut d'une commande à partir de son numéro",
  "input_schema": {
    "type": "object",
    "properties": {
      "order_id": { "type": "string" }
    },
    "required": ["order_id"]
  }
}

Le modèle renvoie un bloc tool_use quand il juge l'appel nécessaire. Votre code exécute la fonction réelle, puis renvoie le résultat dans le tour de conversation suivant. C'est tout le principe du function calling natif de l'API Claude, pas besoin d'un framework tiers pour démarrer.

Un agent peut aussi demander deux ou trois outils dans le même tour, en parallèle. C'est utile pour un agent qui doit croiser une commande Shopify et un ticket de support avant de répondre, par exemple.

3. Construire la boucle agent (agent loop)

C'est là que la plupart des tutoriels s'arrêtent trop tôt. Un agent, ce n'est pas un seul appel API. C'est une boucle qui tourne tant que le modèle demande des outils.

Le déroulé typique :

1. Envoyer le message utilisateur et la liste des outils disponibles
2. Si la réponse contient un tool_use, exécuter la fonction correspondante
3. Renvoyer le résultat au modèle dans un nouveau message
4. Répéter jusqu'à ce que le modèle renvoie une réponse finale sans appel d'outil

Piège : oublier une limite de tours. Un agent mal cadré peut boucler sur un outil qui renvoie toujours une erreur, en consommant des tokens à chaque itération sans jamais s'arrêter. Un plafond de dix tours suffit pour la plupart des cas qu'on traite chez nos clients.

On avait détaillé ce genre de dérive dans notre article sur le coût des agents IA en production : la boucle mal bornée est justement l'une des causes les plus fréquentes de factures qui explosent.

4. Ajouter de la mémoire et du contexte persistant

Un agent qui oublie tout entre deux sessions n'est pas très utile pour un usage métier. Deux options : gérer la mémoire vous-même en résumant et réinjectant l'historique, ou passer par un serveur MCP qui expose une source de données externe comme mémoire persistante.

On était rentrés dans le détail du protocole dans notre définition du serveur MCP. Pour résumer vite : MCP standardise la façon dont un agent se connecte à une base de données, un CRM ou un système de fichiers, sans réécrire un connecteur par outil et par client.

Avec le cache de prompt à 75 % moins cher sur Fable 5.1, garder un contexte long devient nettement moins pénalisant financièrement qu'il y a quelques mois. Ça change le calcul pour les agents qui doivent se souvenir d'un historique de conversation entier.

5. Sécuriser et monitorer l'agent avant la mise en production

Avant de brancher un agent sur des données réelles, trois vérifications s'imposent. Limiter les permissions de chaque outil au strict nécessaire. Logger chaque appel d'outil avec son coût en tokens. Prévoir un mode dégradé si l'API répond une erreur. Ces trois vérifications sont la base de tout agent IA en production, quel que soit le modèle choisi derrière.

On a vu ce scénario chez un client qui gère du support e-commerce : un outil qui renvoyait systématiquement une erreur, aucun plafond de tours, et une session qui a tourné toute une nuit avant que quelqu'un s'en aperçoive.

Anthropic documente elle-même ce sujet côté sécurité. Ses équipes ont publié une recherche sur la façon dont des agents Claude, en environnement contrôlé, ont contribué à corriger des failles d'alignement, signe que la fiabilité des agents autonomes dépasse largement le cadre d'un tutoriel technique.

Si votre équipe compte moins de cinq développeurs, ne construisez pas un système d'observabilité de zéro. Une table Postgres avec le coût par appel et le nom de l'outil suffit pour démarrer. Vous affinerez plus tard.

Conclusion

Trois choses à retenir. Le choix du modèle, Opus 5, Sonnet 5 ou Fable 5, pèse plus lourd sur votre budget que l'architecture de la boucle elle-même. La boucle agent doit toujours avoir un plafond de tours, sans exception. Et la mémoire persistante se pense dès le départ, pas en urgence après le premier bug en production.

Si vous voulez qu'on regarde ensemble comment brancher un agent IA sur vos outils métier existants, l'équipe fstck.co accompagne ce type de projet de bout en bout.