IA agentique : la prochaine révolution dans la recherche IA pour 4 raisons

Si l’IA générative a été le sujet en vogue chez les technologues ces dernières années, un nouveau terme est récemment apparu dans les communautés de développement de l’intelligence artificielle (IA). « Agentique » est le dernier mot à la mode en matière d’IA, et dans ce cas précis, cet engouement devrait être pris au sérieux. L’IA agentique allie la polyvalence et la flexibilité des grands modèles de langage (LLM) à la précision de la programmation traditionnelle.

L’IA agentique désigne un système ou un programme capable d’exécuter des tâches de manière autonome pour le compte d’un utilisateur ou d’un autre système, en concevant son workflow et en utilisant les outils disponibles. Le système dispose d’une « capacité d’action » pour prendre des décisions, prendre des mesures, résoudre des problèmes complexes et interagir avec des environnements externes au-delà des données sur lesquelles les modèles de machine learning (ML) du système ont été entraînés.

Les agents d’IA s’appuient non seulement sur les bases de données et les réseaux, mais peuvent également apprendre du comportement des utilisateurs, s’améliorant au fil du temps. L’adaptabilité des agents leur permet de gérer des applications d’IA complexes à plusieurs étapes que l’IA conventionnelle ne serait pas en mesure de gérer, ce qui en fait un élément clé de la stratégie d’automatisation des processus des entreprises modernes.

Si vous deviez demander à un chatbot LLM à usage général tel que ChatGPT quelle machine à glace acheter, les capacités de traitement automatique du langage naturel (NLP) de ce modèle lui permettraient de donner des recommandations basées sur ses données d’entraînement, probablement issues d’informations extraites de l’Internet. Cependant, vous avez besoin de conseils qui s’appuient sur des informations en temps réel et non de recommandations d’ordre général tirées du passé.

Une plateforme d’IA agentique se compose d’un LLM qui orchestre le comportement de plusieurs agents, lesquels peuvent être déployés sur diverses applications. Ces agents peuvent être d’autres modèles d’IA ou de simples outils de recherche capables de récupérer rapidement des informations dans une base de connaissances ou en ligne. Pour reprendre l’exemple précédent, imaginez qu’un LLM tel que GPT ait également accès à des données du e-commerce en temps réel et à vos informations de paiement.

Une plateforme d’IA agentique comme celle-ci pourrait non seulement vous indiquer un modèle de sorbetière particulièrement apprécié des clients en vente chez un certain détaillant, mais elle pourrait aussi, en théorie, effectuer l’achat à votre place. L’IA agentique nous permet de nous rapprocher des cas d’utilisation que nous considérions jusqu’à récemment comme de la science-fiction, dans lesquels des machines peuvent effectuer des tâches complexes impliquant des workflows complexes, des prises de décision fondées sur les données et des actions avec un minimum d’intervention humaine.

Il y a de bonnes raisons de penser que l’engouement autour de l’IA agentique est justifié. En voici quatre :

Les LLM excellent dans le traitement et la génération de texte de type humain, ce qui permet aux utilisateurs d’interagir plus facilement avec l’IA à l’aide de commandes en langage naturel. Cela réduit le besoin de connaissances explicites en programmation. Les LLM peuvent générer des réponses ou des actions basées sur une compréhension nuancée et contextuelle, ce qui est utile dans des scénarios où la programmation traditionnelle pourrait avoir du mal à couvrir tous les cas particuliers. De plus, les LLM font preuve de créativité dans des tâches telles que la génération de contenu, la synthèse de code, etc. Cette capacité générative est difficile à reproduire avec une programmation traditionnelle basée sur des règles.

En revanche, la programmation traditionnelle est hautement structurée, déterministe et fiable, ce qui la rend idéale pour les tâches qui exigent précision, répétabilité et vérifiabilité. Les langages de programmation traditionnels offrent un contrôle précis sur l’exécution des tâches, permettant ainsi de garantir que les workflows complexes, les algorithmes ou les exigences spécifiques du système peuvent être explicitement définis et optimisés. La programmation traditionnelle est souvent plus efficace pour les tâches qui nécessitent des performances élevées ou des fonctions uniques.

Les systèmes d’IA agentique offrent le meilleur des deux mondes : ils utilisent des LLM pour gérer les tâches en profitant de leur flexibilité et de réponses dynamiques, tout en combinant ces capacités d’IA avec une programmation traditionnelle pour ses règles strictes, sa logique et ses performances. Cette approche hybride permet à l’IA d’être à la fois intuitive et précise. Les agents peuvent effectuer des tâches de manière autonome tout en s’adaptant à de nouvelles données ou à des environnements dynamiques, difficile à réaliser pour un code statique. Dans le même temps, les processus critiques (tels que la sécurité ou les calculs) peuvent s’appuyer sur des algorithmes traditionnels déterministes.

Un système agentique alimenté par l’IA peut contenir des agents réflexes simples qui effectuent une tâche simple de manière efficace et cohérente. Les agents plus complexes basés sur des règles peuvent utiliser la perception actuelle et faire appel à la mémoire, ce qui leur permet de recevoir et de stocker de nouvelles informations et effectuer ainsi un plus large éventail de tâches. Les agents d’apprentissage peuvent également ingérer de nouvelles données et les utiliser pour éclairer les décisions ultérieures, améliorant ainsi la précision au fil du temps. Une puissante plateforme d’IA agentique peut impliquer des dizaines, voire des centaines d’agents aux capacités diverses, travaillant ensemble.

Les LLM sont généralement entraînés sur des ensembles de données statiques qui représentent un instantané d’informations jusqu’à un certain point dans le temps. Les LLM ne peuvent pas collecter activement de nouvelles informations sur le Web après leur période d’entraînement. Ils ne peuvent générer des réponses que sur la base de ce qu’ils « savent » déjà. Ils ne peuvent pas accéder à des données en temps réel provenant de sources externes ni les mettre à jour.

Les LLM ne peuvent pas interagir directement avec des outils externes ou des systèmes de traitement de données (tels que les feuilles de calcul, les plateformes cloud ou les logiciels d’analytique) ni configurer des systèmes de manière autonome pour surveiller et collecter des données en continu (comme les capteurs IdO, les processus métier ou les journaux système), car ils ne sont pas conçus pour effectuer des tâches en continu.

L’IA agentique peut être conçue pour effectuer des recherches sur le Web à l’aide d’interfaces de programmation d’applications (API) ou interroger des bases de données. Les agents peuvent récupérer des informations en temps réel, récupérer des mises à jour ou extraire des points de données spécifiques critiques pour la prise de décision. Les agents peuvent initier et gérer des tâches telles que l’enregistrement de données, la surveillance en temps réel et l’analyse des tendances. Ils peuvent suivre et collecter de manière proactive les flux de données provenant d’appareils IdO, de flux de réseaux sociaux ou d’autres systèmes, fournissant ainsi aux LLM de nouvelles entrées pour une prise de décision plus éclairée et des réponses contextuelles.

L’IA agentique peut utiliser des boucles de rétroaction pour la recherche dynamique de nouvelles données afin d’affiner ses modèles ou ses processus décisionnels. Il peut s’agir d’interroger périodiquement de nouvelles sources, de recueillir des commentaires ou d’analyser les résultats concrets pour mettre à jour et améliorer sa compréhension ou ses stratégies. De cette façon, le LLM peut être optimisé au fil du temps à partir de données enrichies en constante évolution.

Grâce à la puissance des LLM et aux capacités ciblées des agents, l’IA agentique peut fonctionner de manière indépendante et autonome, effectuer des tâches spécifiques sans avoir besoin d’une supervision humaine constante. Cela permet un fonctionnement continu dans des environnements où la supervision humaine est limitée ou inutile. Les systèmes autonomes peuvent maintenir des objectifs à long terme, gérer les tâches en plusieurs étapes et suivre les progrès au fil du temps.

Par exemple, une IA agentique peut être chargée de gérer une campagne marketing, de surveiller les performances en continu, d’ajuster les stratégies et d’optimiser les résultats en fonction des commentaires sans nécessiter l’intervention humaine à chaque étape.

Dans le domaine de la santé, les agents peuvent surveiller les données des patients, ajuster les recommandations de traitement en fonction des nouveaux résultats d’examen et fournir des commentaires en temps réel aux cliniciens via des chatbots.

Dans le cadre de la cybersécurité, les agents peuvent surveiller en permanence le trafic réseau, les journaux système et le comportement des utilisateurs pour détecter des anomalies susceptibles d’indiquer des menaces de sécurité, telles que des logiciels malveillants, des attaques par hameçonnage ou des tentatives d’accès non autorisées. Dans les chaînes d’approvisionnement, l’IA peut passer des commandes de manière autonome auprès des fournisseurs ou ajuster les calendriers de production afin de maintenir des niveaux de stock optimaux.

Dans le domaine des ressources humaines, les agents peuvent analyser le rôle et les antécédents des nouvelles recrues pour créer des parcours de formation d’intégration personnalisés. Ils peuvent ajuster le contenu et les supports de formation en fonction de l’expérience antérieure de la personne, des exigences liées à son poste et de son rythme de formation.

On peut imaginer que de nombreuses fonctions métier actuellement exécutées à l’aide de produits SaaS (logiciel en tant que service) soient remplacées ou optimisées par des systèmes agentiques, qui permettent aux employés d’interagir avec les données et d’effectuer des tâches plus efficacement grâce à des entrées en langage naturel et des interfaces utilisateur simplifiées.

Imaginez par exemple un système de tickets que les développeurs de logiciels utilisent pour suivre l’avancement des projets. Un tel système nécessite de nombreux tableaux, onglets et workflows qui ne sont pas toujours faciles à comprendre au premier coup d’œil. Pour trouver des informations utiles, les utilisateurs doivent rechercher les bonnes données, naviguer dans un ensemble complexe de menus pour obtenir les informations dont ils ont besoin. Ensuite, ils pourraient avoir besoin d’utiliser ces informations pour créer une présentation.

Et si, au lieu de classer toutes ces données dans des tableaux et des onglets, l’utilisateur n’avait qu’à demander les informations dont il a besoin en langage humain ?

Par exemple, imaginez pouvoir générer une diapositive de présentation qui affiche 5 graphiques à barres représentant chaque ticket renseigné par employé pour le mois en cours, sur une période de 5 ans, le tout sans avoir à trier manuellement des ensembles de données complexes.

Cela demanderait une demi-heure pour récupérer ces données manuellement et une demi-heure supplémentaire pour les afficher dans un format ordonné pour une présentation fluide. Or, les agents sont capables de réaliser tout cela en quelques secondes.

Pour les entreprises qui peinent à percevoir les avantages de l’IA générative, les agents d’IA pourraient bien être la clé pour trouver une valeur métier tangible. Les LLM monolithiques impressionnent, mais leurs cas d’utilisation sont limités dans le domaine de l’IA d’entreprise. Il reste à voir si les sommes colossales actuellement investies dans une poignée de grands projets LLM seront rentabilisées par des applications concrètes. Toutefois, l’IA agentique représente un cadre prometteur qui intègre les projets LLM dans le monde réel, ouvrant la voie à un avenir davantage axé sur l’IA.