Join Médicis

Agentique & émergent

Appel de fonction (function calling)

Function calling

L'appel de fonction permet à un modèle d'IA de demander l'exécution d'un outil (API, CRM, agenda). Fonctionnement, lien avec le MCP, exemples et risques.

Qu'est-ce que l'appel de fonction ?

L'appel de fonction est la capacité d'un modèle d'IA à demander l'exécution d'un outil externe : interroger une base de données, consulter un agenda, créer une fiche dans un CRM. Le modèle ne l'exécute pas lui-même. Il produit une demande structurée, l'application l'exécute, puis lui renvoie le résultat pour qu'il réponde. C'est ce qui permet à un agent IA d'agir au lieu de seulement écrire.

Aussi connu sous : function calling, tool use, tool calling, utilisation d'outils.

D'où ça vient

OpenAI ajoute le function calling à son API en juin 2023. Anthropic parle de « tool use » pour Claude, Google de « function calling » pour Gemini. Le principe est le même chez tous les éditeurs.

Comment ça marche, étape par étape

  1. Le développeur décrit les fonctions disponibles : un nom, une description en langage naturel et les paramètres attendus, dans un format JSON.
  2. L'utilisateur fait sa demande : « Réserve-moi un créneau jeudi après-midi. »
  3. Le modèle choisit la fonction utile et produit l'appel : chercher_creneaux(date: "jeudi", periode: "après-midi").
  4. L'application exécute vraiment la fonction et renvoie le résultat au modèle.
  5. Le modèle répond à l'utilisateur, ou enchaîne un autre appel, comme reserver_creneau.

La description de chaque fonction compte autant que le code : c'est elle qui aide le modèle à choisir le bon outil et à remplir les bons paramètres.

Appel de fonction, API et MCP

L'appel de fonction passe le plus souvent par l'API des outils branchés. Le MCP va plus loin : un serveur MCP décrit lui-même ses outils, et n'importe quelle IA compatible peut les appeler, sans que chaque développeur les redéclare. Un connecteur IA de Claude ou de ChatGPT repose sur ce mécanisme.

Exemples marketing

  • Un agent vocal consulte l'agenda, propose deux créneaux et réserve celui choisi par l'appelant.
  • Un assistant lit les statistiques d'une campagne dans l'outil d'emailing, puis rédige la synthèse.
  • Un agent de prospection enrichit une fiche prospect, puis l'ajoute au CRM après validation.
  • Chez Assurly, un chatbot vérifie dans le CRM si le contrat d'un client est actif avant de répondre à sa question.

Risques et bonnes pratiques

  • Le modèle propose, l'application exécute : c'est à elle de vérifier les paramètres avant d'agir.
  • Donnez à chaque fonction le moins de droits possible : la lecture seule quand elle suffit.
  • Demandez une validation humaine avant toute action irréversible, comme un envoi, un paiement ou une suppression.
  • Un contenu lu par le modèle (un e-mail, une page web) peut contenir une injection de prompt qui le pousse à appeler un outil à tort.
  • Gardez un journal des appels pour comprendre ce que l'agent a fait.

À quoi ressemble la description d'une fonction

Voici, simplifiée, la description qu'un développeur donne au modèle pour une fonction de recherche de créneaux :

{
  "name": "chercher_creneaux",
  "description": "Liste les créneaux libres d'un conseiller pour un jour donné",
  "parameters": {
    "date": "jour souhaité, au format AAAA-MM-JJ",
    "periode": "matin ou après-midi"
  }
}

Le modèle ne voit que ce texte, jamais le code qui se trouve derrière. S'il est précis, il sait quand utiliser la fonction et comment la remplir. S'il est vague, il se trompe d'outil ou invente un paramètre. Un bon réflexe : écrire la description comme on expliquerait l'outil à un nouveau collègue, avec un exemple de valeur pour chaque paramètre.

L'appel de fonction sans coder

Les étapes « agent » de n8n et de Make reposent sur ce mécanisme : on y branche des outils, et le modèle décide lequel appeler. Les connecteurs de Claude et de ChatGPT aussi : quand vous demandez « quelles sont mes dernières campagnes ? », l'assistant appelle l'outil de la plateforme connectée.

Questions fréquentes

Quelle différence entre function calling et tool use ?

Aucune sur le fond. OpenAI et Google parlent de function calling, Anthropic de tool use. Les deux désignent la capacité d'un modèle à demander l'exécution d'un outil.

Le modèle exécute-t-il le code lui-même ?

Non. Il produit seulement la demande d'appel. C'est l'application ou le serveur MCP qui exécute la fonction et renvoie le résultat.

Faut-il coder pour utiliser l'appel de fonction ?

Pour créer ses propres fonctions, oui. Pour s'en servir, non : les connecteurs de Claude ou de ChatGPT et les étapes IA de n8n ou Make l'utilisent sans code.

Pourquoi le modèle choisit-il parfois la mauvaise fonction ?

Souvent parce que les descriptions des fonctions sont floues ou se ressemblent. Des noms clairs et des descriptions précises réduisent ces erreurs.

L'appel de fonction fonctionne-t-il avec tous les modèles ?

Les grands modèles d'OpenAI, d'Anthropic, de Google et de Mistral le proposent. Les petits modèles, notamment ceux qui tournent en local, le gèrent de façon plus inégale.

L'appel de fonction rend-il un modèle plus fiable ?

Il le rend plus juste sur les faits, puisque le modèle lit des données réelles au lieu de les deviner. Il ajoute en revanche un risque d'action erronée : d'où la validation humaine avant les actions importantes.

Une erreur, un lien cassé, un souci de sécurité ? Dis-le-nous, on corrige.

Dernière mise à jour : 16 novembre 2026

La bibliothèque IA gratuite et open-source pour les marketeurs

Retrouve facilement des ressources gratuites telles que des Skills, des MCP, des workflows et des agents IA. Fait pour les marketeurs par des marketeurs !

  • Skills, MCP, workflows et agents IA prêts à l'emploi
  • 100 % gratuit, sans paywall ni conditions cachées
  • Open-source : Skills sous licence MIT, contenu CC BY 4.0
Contribuer