Point de vue

Table des matières :

Comprendre l'IA agentique, c'est d'abord saisir la notion d'« agentivité » - cette capacité à agir et décider de manière autonome. Tout comme un jeune adulte qui devient maître de ses décisions et de ses actes, l'IA agentique opère de façon indépendante, sans supervision humaine constante.

Contrairement aux solutions d'IA classiques qui se contentent de formuler des recommandations, les agents IA disposent d'une véritable autonomie d'action. À l'image d'une voiture autonome naviguant dans le trafic, ces systèmes orchestrent des processus complexes de bout en bout. Une évolution qui soulève autant d'espoirs que de questions sur la capacité des organisations à déléguer leur pouvoir décisionnel à des machines.

Le véritable défi ne réside pas tant dans la confiance accordée à un robot - bien que peu d'entreprises soient prêtes à laisser une IA envoyer des emails ou signer des contrats sans validation humaine. L'enjeu majeur, qui représente également la plus grande opportunité, se situe au niveau de l'intégration des systèmes. Pour fonctionner efficacement, l'IA agentique nécessite deux éléments fondamentaux : des données pertinentes pour alimenter ses décisions et la capacité technique d'agir sur ces décisions. Sans une intégration parfaite entre les différents systèmes, l'autonomie réelle reste impossible.

Chatbots, copilotes, et maintenant agents IA : qu'est-ce qui change vraiment ?

Dans le sillage de l'IA générative, le concept d'agents IA est rapidement devenu un nouveau buzzword marketing. Salesforce, par exemple, a lancé Agentforce, un produit coexistant avec Einstein Copilot, capable de gérer automatiquement des tâches comme l'envoi d'emails de suivi.

Au-delà du marketing, il est crucial de comprendre les distinctions réelles entre les différentes solutions d'IA pour évaluer leur véritable valeur ajoutée et leur retour sur investissement.

Prenons l'exemple concret de l'organisation d'un mariage pour comprendre le fonctionnement d'un agent IA :

1. Compréhension et collecte d'informations
   L'agent reçoit les paramètres initiaux : liste d'invités, préférences, contraintes budgétaires.
   
   
2. Décomposition en sous-tâches
   L'agent décompose le projet en étapes actionnables.
   
   
3. Exécution via les systèmes externes
   C'est ici que réside la vraie valeur ajoutée : l'agent IA interagit avec différents systèmes pour réserver le lieu, le traiteur, etc.
   
   
4. Répéter le processus pour chaque sous-tâche
   L'agent poursuit ce processus jusqu'à l'accomplissement de toutes les tâches.
   
   
5. Fournir le plan complété à l'utilisateur
   Une fois les étapes complétées, l'agent IA présente le plan de mariage finalisé à l'utilisateur. Il a su comprendre la mission, diviser les tâches, collaborer avec des systèmes externes et achever le projet sans intervention humaine directe.

Les chatbots, copilotes et agents IA illustrent les différentes étapes de l'évolution de l'intelligence artificielle. À la base, les chatbots exécutent des fonctions simples, tandis que les copilotes offrent une assistance plus interactive. Au sommet de cette hiérarchie, les agents IA se distinguent par leur capacité à agir de manière autonome. Toutefois, les distinctions ne sont pas toujours nettes : un chatbot sophistiqué peut remplir des rôles de copilote, et certains copilotes s'approchent de l'autonomie des agents. Bien que ces nuances soient importantes, les intersections entre ces technologies sont inévitables.

Bien que les chatbots et les copilotes progressent rapidement, nous ne sommes qu'aux prémices d'une utilisation généralisée d'agents IA capables de prendre des décisions stratégiques en totale autonomie.

Pour les dirigeants d'entreprise, il ne s'agit pas seulement de savoir quand cette autonomie sera atteinte, mais pourquoi s'en préoccuper dès maintenant.

La délégation est au cœur du fonctionnement de l'entreprise - qu'il s'agisse d'employés, de prestataires externes ou, désormais, de systèmes d'IA. Chaque décision de déléguer repose sur trois critères fondamentaux :

• Rentabilité (rapport valeur/coût)
• Fiabilité (qualité d'exécution)
• Risque (conséquences en cas d'échec)

Les agents IA promettent une optimisation des processus, une réduction des coûts et une meilleure réactivité opérationnelle.

Prenons un exemple concret : imaginez un agent capable non seulement d'orienter efficacement les demandes, mais aussi d'interagir en temps réel avec les clients pour résoudre leurs problèmes. Une IA qui analyse votre dossier, comprend votre problématique et propose des solutions sur mesure - transformant ainsi l'expérience client grâce à des réponses plus rapides et plus pertinentes.

La transformation digitale des entreprises en est un autre exemple parlant. Nous avons déjà pu constater l'impact de l'IA sur l'optimisation du marketing, l'accélération du développement logiciel et la modernisation du service client. Ce ne sont pas de simples concepts théoriques, mais des solutions concrètes que nous avons déjà mises en œuvre.

Avec la bonne approche, l'IA agentique peut apporter une réelle valeur ajoutée si elle est déployée stratégiquement. En utilisant des techniques axées sur les données, les organisations peuvent améliorer les capacités des agents IA pour analyser de vastes ensembles de données clients et générer des insights pour des interactions plus efficaces. Cette convergence entre transformation digitale et IA agentique dépasse l'optimisation des processus : elle permet à l'IA de prendre des décisions éclairées, parfaitement alignées sur les besoins des clients, pour offrir une expérience plus personnalisée et impactante.

Contrairement à leurs cousines génératives, ces agents IA ne peuvent opérer en vase clos. Leur efficacité dépend d'une connexion fluide avec l'ensemble des systèmes d'information de l'entreprise. Il s'agit d'un défi technique majeur pour les organisations.

Prenons l'exemple d'un agent IA dédié à la supply chain : sans accès en temps réel aux données d'inventaire, de commandes et de logistique, ses décisions risquent d'être déconnectées de la réalité du terrain. Si ces systèmes ne sont pas correctement intégrés, les décisions de l'agent IA risquent de se baser sur des informations obsolètes ou incomplètes, entraînant des erreurs coûteuses. Une intégration partielle peut s'avérer plus dangereuse qu'une absence d'automatisation.

Au-delà de la complexité d'intégration, plusieurs autres défis et risques font obstacle à un avenir piloté par l'IA agentique :

1. Corruption des données : à mesure que les systèmes d'IA gagnent en autonomie et s'intègrent aux processus décisionnels, le risque de corruption des données s'intensifie. Des acteurs malveillants pourraient injecter des données biaisées ou trompeuses pour manipuler les réponses et actions de l'IA, avec des conséquences potentiellement graves. Pour atténuer ce risque, il est crucial d'assurer l'intégrité des données, de valider les sources et de mettre en place une surveillance continue.
   
   
2. Optimisation aveugle : les agents IA, particulièrement ceux basés sur l'apprentissage par renforcement, sont susceptibles de détourner leur système de récompense. Ils peuvent découvrir des moyens inattendus de maximiser leurs indicateurs de performance sans atteindre les objectifs visés. Par exemple, un agent IA chargé d'optimiser le trafic web pourrait recourir à des tactiques racoleuses ou générer du contenu trompeur pour gonfler artificiellement les métriques. Ce comportement peut s'avérer difficile à anticiper et à maîtriser.
   
   
3. Coûts cachés : la vitesse par utilisateur et les prix par token peuvent être trompeurs, car le passage à l'échelle des grands modèles de langage (LLM) nécessite une infrastructure plus coûteuse. OpenAI, et son ChatGPT, devrait enregistrer des pertes d'environ 5 milliards d'euros en 2024. Une approche pour maîtriser les coûts consiste à affiner les grands modèles en utilisant des méthodes comme l'Adaptation de Rang Faible (Low-Rank Adaptation : LoRA), qui permet aux utilisateurs d'entraîner des modèles sur des jeux de données spécifiques et de les partager sur des marketplaces.

Heureusement, chercheurs et entreprises développent déjà des solutions pour atténuer ces défis majeurs.

Supervision humaine

De nombreux décideurs IT soulignent la nécessité de maintenir un contrôle humain sur les décisions critiques Les dispositifs de supervision humaine (Human-in-the-loop) permettent aux opérateurs d'intervenir dans les processus décisionnels de l'IA, offrant ainsi une couche de contrôle et de surveillance essentielle.

Utilisation de données synthétiques

Pour surmonter la difficulté d'accéder aux données sensibles des entreprises en début de processus, les entreprises peuvent utiliser des données synthétiques qui reproduisent les caractéristiques des données réelles. Cette approche permet de démontrer le potentiel des solutions dès les premières phases de développement, sans soulever de problèmes de conformité.

Pour minimiser les risques d'incidents et éviter tout retour négatif des consommateurs, les entreprises devraient concentrer leurs investissements en 2025 sur des cas d'usage à faible risque.

En 2025, les premiers cas d'usage se dessinent déjà, non pas en transformant les stratégies des entreprises, mais en automatisant les tâches quotidiennes répétitives et chronophages.

Où peut-elle être la plus utile ? Dans la précision, le pragmatisme et la collaboration avec l'humain.

Imaginez réduire un projet de 5 ans à 2,5 ans et de 40 millions d'euros à 16 millions. Des économies qui libèrent du capital pour de nouveaux investissements. La réduction des erreurs humaines, la diminution des défauts et une livraison plus rapide démultiplient ces avantages, transformant la modernisation en atout stratégique.

L'argument en faveur d'un agent de modernisation d'applications IA devient encore plus convaincant, car l'usage de cette technologie exige une connectivité fluide entre les systèmes, permettant des prises de décisions en temps réel avec un minimum d'intervention humaine.

Aussi, l'IA agentique peut non seulement révolutionner la modernisation des applications, mais elle dépend aussi de cette modernisation pour bien fonctionner.

L'IA agentique représente une opportunité majeure de création de valeur pour les entreprises. Toutefois, le marketing autour des outils d'IA a souvent semé la confusion en mélangeant les termes. Par exemple, l'IA de nos fils d'actualités sociaux est déterministe, pas agentique. Il est essentiel d'évaluer le type d'IA utilisé et son adéquation aux défis de l'entreprise, surtout à mesure que ces outils deviennent essentiels en interne.

L'essor de l'IA générative met en lumière que certaines terminologies séduisent parfois plus les actionnaires que les clients. Les entreprises utilisent ce terme pour améliorer leur image ou valoriser leurs actions, mais les bénéfices pour les clients ne répondent pas toujours aux attentes suscitées par l'effet d'annonce.

La plupart des entreprises n'ont pas encore établi d'indicateurs de performance précis pour leurs projets d'IA générative. En conséquence, 89% d'entre elles se tournent vers des outils publics ou préconçus. Le défi technique explique pourquoi seulement 11% des groupes développent des solutions sur mesure, d'après une étude de Publicis Sapient.

Si 2025 sera probablement un tournant pour l'adoption des agents IA, les entreprises doivent se préparer à un marathon plutôt qu'un sprint. Gérer les attentes quant à l'IA agentique est crucial, car les délais de déploiement interne pourraient être longs, même si l'implémentation elle-même est relativement simple. L'intégration technique avec les systèmes existants, la sécurisation des données et la gestion du changement sont des projets de fond nécessitant temps et ressources. La gouvernance et des années de dette technique ne doivent pas être sous-estimées, impliquant de nombreuses réunions et un développement considérable.

Des solutions comme Sapient Slingshot émergent pour faciliter la transition vers l'IA, en combinant génération de code et agents IA pour accélérer le développement logiciel et simplifier l'intégration des systèmes. Cette plateforme propriétaire inclut une bibliothèque de code de niveau entreprise, utilisée par nos ingénieurs pour améliorer la productivité, la rapidité et la qualité, générant ainsi des résultats à forte valeur ajoutée pour votre entreprise.