Descriptif du poste: Les systèmes agentiques, basés sur les LLM, visent à automatiser la prise de décision et?d'action dans le monde?réel?grâce à l'IA. L'émergence de protocoles standardisés accélère l'intégration de ces outils. Toutefois, les IA génératives restent sujettes à l'erreur, ce qui limite leur adoption industrielle [1]. Pour Orange, fiabiliser ces systèmes est stratégique : cela renforce la confiance, différencie l'offre et ouvre de nouveaux marchés.? La criticité correspond au niveau d'importance d'un risque, d'un incident, d'un équipement ou d'une situation, en fonction de ses conséquences et de sa probabilité d'occurrence. Elle doit permettre de guider les choix des systèmes agentiques qui interagissent avec le monde réel, afin de limiter les erreurs et d'anticiper les conséquences (sécurité, environnement, coût) et d'adapter dynamiquement le comportement de l'agent au niveau de risque associé à son contexte d'action.  La problématique est de réussir à la modéliser et l'exploiter. ?   Les travaux viseront en particulier à : proposer une définition de la criticité dans le contexte de l'IA agentique développer des méthodes permettant d'évaluer dynamiquement cette criticité, par exemple à l'aide de simulations, d'apprentissage par renforcement ou de modèles hybrides intégrer cette mesure dans l'architecture des agents, que ce soit au niveau du guidage de la planification, de la spécialisation de LLM, de la sélection d'outils, ou de la conception de planificateurs dédiés valider expérimentalement l'approche sur des cas d'usage industriels, tels que l'orchestration ou des environnements de type workspace produire des résultats valorisables sous forme de publications scientifiques ou de brevets En s'appuyant sur la bibliographie existante, les travaux s'articuleront en trois étapes : la définition d'un cadre théorique définissant la criticité pour les systèmes agentiques, son évaluation expérimentale sur des données réelles et des cas d'usage représentatifs, puis la généralisation des résultats en recommandations et méthodes réutilisables dans d'autres contextes opérationnels. [1] F. Lei et al., "MCPVerse: An Expansive, Real-World Benchmark for Agentic Tool Use, 2025. [2] Y. Wu, et al., "?SELP: Generating Safe and Efficient Task Plans for Robot Agents with Large Language Models?",  ICRA 2025. [3] J. Fan, et al., "?SafeGen-LLM: Enhancing Safety Generalization in Task Planning for Robotic Systems?", 2026. Profil recherché: Le ou la candidate devra disposer de solides connaissances en intelligence artificielle et en machine learning, ainsi que de bonnes compétences en algorithmique et en programmation Python. Une appétence pour la recherche, de la curiosité scientifique, de la rigueur et une capacité à travailler de manière autonome seront particulièrement appréciées. Le poste s'adresse à un ou une candidate titulaire d'un Master 2 Recherche ou d'un diplôme d'ingénieur dans le domaine de l'IA, du machine learning ou d'un domaine proche. Une première expérience en recherche ou R&D (par exemple sous la forme d'un stage ou d'une participation à la rédaction d'un article scientifique) constituera un atout. Une expérience préalable sur les systèmes agentiques sera également appréciée.