IA agentique pour l'automatisation du réseau d'accès radio 6G: Les réseaux d'accès radio (RAN) 6G devront servir plusieurs parties prenantes, supporter des services hétérogènes et fonctionner sur des infrastructures cloud-edge distribuées. Les mécanismes classiques de network slicing restent rigides et peinent à relier les objectifs métier aux conditions réseau en temps réel. Cette thèse étudie comment l'IA agentique, fondée sur des agents à grands modèles de langage (LLM), peut apporter de l'intelligence à la pile RAN 6G, de la négociation métier au contrôle quasi temps réel, tout en garantissant équité, efficacité et confiance. Nous proposons d'abord MAESTRO, un cadre collaboratif où chaque opérateur ou vertical est représenté par un agent LLM. Les parties prenantes expriment leurs intentions en langage naturel ; un agent médiateur, assisté par des modules d'optimisation, détecte les conflits et guide une négociation itérative jusqu'au consensus. Les intentions résultantes sont ensuite traduites en intentions réseau et appliquées par les fonctions de slicing du RAN, afin d'aligner objectifs métier et faisabilité technique. Pour limiter les hallucinations des LLM et leur coût d'exécution, nous introduisons des agents symbiotiques, combinant raisonnement LLM et optimisation déterministe. Nous les instancions dans deux cas : (i) un agent de contrôle du RAN pour le slicing dynamique, où le LLM ajuste le gain d'un correcteur proportionnel ; et (ii) un agent de négociation multi-agents de SLA, où la descente de gradient génère des offres Pareto-efficaces. Des expériences sur OpenAirInterface/FlexRIC montrent une réduction par cinq des erreurs de décision par rapport à des agents LLM seuls, avec une précision comparable pour de petits modèles et une réduction de 99.9% des ressources GPU. Les décisions sont ainsi mieux ancrées et compatibles avec des boucles quasi temps réel (82 ms). Nous présentons ensuite Agoran, une place de marché agentique inspirée de l'agora grecque. Son architecture répartit l'autorité entre trois branches autonomes : Législative, pour la vérification de conformité via des LLM-RAG ; Exécutive, pour la connaissance de la situation en temps réel ; et Judiciaire, pour l'évaluation de confiance et l'arbitrage des comportements malveillants. Des agents de négociation côté parties prenantes et un médiateur côté SRB négocient des allocations Pareto-optimales produites par un optimiseur multi-objectif, atteignant un consensus en un seul tour. Sur un banc d'essai 5G avec traces de mobilité réalistes, Agoran augmente le débit eMBB de 37%, réduit la latence URLLC de 73% et économise 8.3% de PRB par rapport à une référence statique. Enfin, nous développons MX-AI, une plateforme de bout en bout d'observabilité et de contrôle agentiques pour Open et AI-RAN. MX-AI instrumente un banc d'essai OAI/FlexRIC, déploie un graphe d'agents coopérants dans la couche SMO et expose des fonctions d'observabilité et de contrôle via des intentions en langage naturel. Sur 150 requêtes opérationnelles réalistes, MX-AI atteint une qualité moyenne de réponse de 4,1/5, une précision d'action de 100% et une latence de 8,8 s avec GPT-4.1, démontrant la faisabilité d'un contrôle du RAN natif à l'IA. Cette thèse établit ainsi un cadre holistique d'IA agentique pour l'automatisation du RAN 6G. Elle conçoit de nouveaux agents LLM et symbiotiques, propose des mécanismes de gouvernance et de marché, et les valide sur des bancs d'essai 5G réels. Ces contributions améliorent la flexibilité du réseau, rendent possible la négociation multi-parties prenantes, permettent un contrôle quasi temps réel et renforcent la confiance et la conformité réglementaire. Elles ouvrent la voie à des réseaux 6G intelligents, auto-optimisants et directement connectés aux besoins des entreprises.