Dans le cadre de nos travaux sur la collaboration entre agents hétérogènes, nous avons étudié l'interaction entre un agent humain et un service de recherche d'informations. Nous avons proposé d'introduire un agent médiateur dont le rôle est de formaliser la requête d'un utilisateur, selon son profil et selon l'environnement, puis de lui donner un nombre restreint de réponses pertinentes. Nous cherchons à déterminer la meilleure stratégie de médiation (donc une séquence d'interactions) avec un modèle stochastique (MDP) dont les états sont construits sur un référentiel d'attributs et sur la capacité de la source de répondre à la requête en cours de formalisation. Les actions permettent de poser une question à l'utilisateur ou de sonder la source. Les récompenses reflètent la satisfaction de l'utilisateur, la longueur du dialogue et la quantité de résultats. Nous avons implanté un prototype de médiateur utilisant un apprentissage par renforcement (Q-Learning) car il permet une adaptation en ligne, sans modèle a priori. || In the framework of our works on collaboration between heterogeneous agents, we studied the interaction between a human agent and an information search service. We proposed to introduce a mediator agent to formalize the request of a user, according to his