Agents d’IA et assistants d’IA

Un agent, c’est différent. Il utilise son expertise jour et nuit pour maximiser vos opportunités et vos revenus. Il peut agir en fonction de vos prompts (par exemple, un produit que vous aimeriez promouvoir), mais il n’a pas besoin d’autres indications pour continuer à faire son travail. En fait, votre agent hollywoodien vous soutient probablement d’une manière que vous n’imagineriez même pas demander.

La différence principale entre un assistant d’intelligence artificielle (IA) et un agent d’IA est similaire. Les assistants d’IA sont réactifs et exécutent des tâches à votre demande. Les agents d’IA sont proactifs et travaillent de manière autonome pour atteindre un objectif spécifique par tous les moyens à leur disposition.

Ensemble, les assistants et les agents soutiennent les progrès de leurs talents : ils en font des stars ou ils en maintiennent le statut. De la même manière, les assistants IA et les agents IA peuvent améliorer les performances des travailleurs et des entreprises en effectuant des tâches simples et plus complexes.

Un assistant IA est une application intelligente qui comprend les commandes en langage naturel et utilise une interface d’IA conversationnelle pour effectuer les tâches à la place de l’utilisateur. De nombreux assistants virtuels modernes, tels qu’Alexa d’Amazon et Siri d’Apple, s’appuient sur ces capacités pour améliorer les interactions des utilisateurs.¹

Les premiers assistants d’IA reposaient essentiellement sur des instructions basées sur des règles, des réponses préprogrammées et des tâches prédéfinies. Aujourd’hui, les assistants d’IA sont presque entièrement basés sur le machine learning (ML) ou sur des modèles de fondation.

Les assistants IA sont créés à partir d’un modèle de fondation (par exemple, IBM Granite, les modèles Llama de Meta ou les modèles d’OpenAI). Les grands modèles de langage (LLM) sont un sous-ensemble de modèles de fondation spécialisés dans les tâches textuelles. Ils permettent aux assistants de comprendre les requêtes envoyées par les utilisateurs humains et de proposer des informations, des suggestions ou des étapes suivantes pertinentes, permettant aux organisations de simplifier l’accès à l’information, d’automatiser les tâches répétitives et de rationaliser les workflows complexes. Dans les entreprises, les assistants d’IA aident également à l’analyse des données, permettant aux utilisateurs d’extraire efficacement des informations.

• IA conversationnelle : les assistants d’IA basés sur LLM peuvent utiliser le traitement automatique du langage naturel (NLP) pour communiquer avec les utilisateurs via une interface de chatbot. Citons comme exemples de chatbots IA Microsoft Copilot, ChatGPT et IBM watsonx Assistant. Ces assistants s’intègrent aux API pour étendre leurs capacités.
  
  
• Prompts : les assistants d’IA ont besoin d’un problème bien défini ou d’une requête concise pour démarrer. Ils nécessitent des entrées continues de la part de l’utilisateur.
  
  
• Recommandations : un assistant d’IA peut suggérer des informations ou des actions à partir des données auxquelles il a accès. Les utilisateurs doivent examiner les résultats pour en vérifier l’exactitude.
  
  
• Réglage : les utilisateurs peuvent adapter les modèles d’IA à des tâches plus spécifiques grâce au réglage, ce qui évite d’avoir à réentraîner le modèle. Grâce au réglage fin, ils peuvent fournir aux modèles des exemples étiquetés afin de les adapter à la tâche cible. Le prompt-tuning, ou réglage des prompts, permet aux spécialistes de fournir aux modèles un contexte spécifique à la tâche.

Les assistants d’IA présentent certaines limites :

• Des prompts (instructions) doivent être définis au préalable pour la prise de décision. Bien que les assistants d’IA puissent utiliser des outils pour effectuer des tâches, leurs capacités se limitent à des fonctions prédéfinies pour lesquelles ils ont été équipés et entraînés. Par exemple, un assistant d’IA peut utiliser une feuille de calcul pour générer un tableau comparant « x à y », mais il ne peut pas décider de créer ce type de comparaison de manière autonome sans prompt.
  
  
• Ils n’ont pas nécessairement de mémoire persistante. Les assistants d’IA peuvent être adaptés aux besoins d’un utilisateur, mais ils n’ont pas la capacité de conserver les informations des interactions passées de l’utilisateur. Les modèles d’IA qui alimentent les assistants n’apprennent pas ou n’évoluent pas en continu en fonction de l’utilisation ; les améliorations ne sont apportées que lorsque les développeurs publient des versions mises à jour. Cependant, certains assistants d’IA peuvent se reporter à des conversations antérieures pendant une session en conservant les détails pertinents dans leur fenêtre contextuelle ou en utilisant une fonctionnalité appelée « mémoire » pour rappeler les informations sélectionnées et améliorer les réponses futures. 

Pour citer Elvis Presley, « A little less conversation, a little more action, please » (moins de paroles et plus d’action, s’il vous plaît). Tel est le rôle des agents d’IA.

Un agent d’IA désigne un système ou un programme capable d’effectuer des tâches de manière autonome pour le compte d’un utilisateur ou d’un autre système, en concevant son propre workflow et en utilisant les outils disponibles.

Plus autonomes, connectés et sophistiqués que les assistants d’IA, les agents d’IA peuvent couvrir un large éventail de fonctions qui vont au-delà du NLP. Citons notamment la prise de décision, la résolution de problèmes, les interactions avec des environnements externes et l’exécution d’actions. 

Alors que les assistants d’IA ont besoin que les utilisateurs fournissent des prompts pour chaque action, les agents d’IA peuvent opérer indépendamment après un premier prompt. Ils évaluent les objectifs qui leur sont attribués, décomposent les tâches en sous-tâches et développent leur propre workflow pour atteindre des objectifs spécifiques.

Ces agents sont déployés dans diverses applications d’entreprise, de la conception logicielle et l’automatisation aux outils de génération de code et aux assistants conversationnels. Grâce au traitement automatique du langage naturel (NLP) avancé des LLM, les agents d’IA comprennent les entrées des utilisateurs étape par étape, élaborent leurs actions et déterminent quand faire appel à des outils externes.

• Plus d’autonomie : après un prompt initial, les agents d’IA peuvent continuer à travailler sans autre entrée, ce qui réduit la nécessité d’une intervention humaine à chaque étape. Contrairement aux assistants qui suggèrent des actions que les utilisateurs doivent approuver, les agents d’IA fonctionnent par autonomie multidimensionnelle qui leur permet de raisonner, de prendre des décisions et de résoudre les problèmes de manière indépendante en s’appuyant sur des ensembles de données et des outils externes. Leur capacité à s’affranchir d’un cadre exclusivement basé sur le chat permet une prise de décision et un apprentissage proactifs, et font gagner du temps aux employés en gérant eux-mêmes des workflows complexes. Les modèles plus récents améliorent les capacités de raisonnement pour cette prise en charge étendue.²
  
  
• Connectivité : les agents d’IA unifient diverses capacités en un seul workflow, éliminant ainsi les goulets d’étranglement qui résultent de systèmes déconnectés. En s’intégrant de façon fluide aux applications externes, aux sources de données et à d’autres modèles d’IA, ils améliorent la productivité tout en réduisant les frictions entre les différents composants d’un processus.
  
  
• Prise de décision et action : la capacité des LLM à faire appel à des outils ne fait pas d’eux des agents. Les agents d’IA peuvent également agir de manière autonome et décider quels outils utiliser et quand. Basés sur des modèles de fondation, les agents d’IA vont au-delà du chat pour accomplir des tâches par eux-mêmes, en fonction d’un objectif spécifique. Ils dépassent également le modèle de fondation en fournissant des informations et des capacités supplémentaires. Ils analysent les problèmes, les subdivisent en sous-tâches et planifient les étapes suivantes de manière autonome. Ils sont ainsi capables de gérer des problèmes complexes et ambigus de façon efficace. Certains agents, comme Claude d’Anthropic, sont même capables d’utiliser un ordinateur, où un LLM clique et tape au clavier pour effectuer des tâches.³
  
  
• Mémoire persistante et apprentissage adaptatif : par rapport aux assistants d’IA, les agents d’IA ont une plus grande capacité d’apprentissage. Ils conservent les actions, les conversations et les expériences antérieures, ce qui leur permet d’affiner leur approche au fil du temps. Avec une mémoire persistante, les agents d’IA peuvent rappeler les interactions passées pour améliorer les réponses futures, tandis que l’apprentissage adaptatif leur permet d’ajuster leur comportement en fonction des commentaires et des résultats. Comme ils s’intègrent à des applications et des outils externes, ils peuvent agir sur la base de données en temps réel plutôt que de s’appuyer uniquement sur leur entraînement initial. Au fil des interactions répétées, ils deviennent plus efficaces, plus sensibles au contexte et mieux adaptés aux besoins de l’utilisateur.
  
  
• Enchaînement des tâches : les agents d’IA n’exécutent pas les tâches de manière isolée, mais fractionnent les workflows complexes en étapes plus petites et plus faciles à gérer. Les agents d’IA identifient les dépendances entre les tâches de façon à s’assurer que chaque étape se déroule de manière logique. Cette capacité permet une exécution structurée des processus en plusieurs étapes et une automatisation plus dynamique.
  
  
• Travail d’équipe : les agents d’IA se spécialisent souvent dans des tâches spécifiques ; l’un peut exceller dans la vérification des faits, alors qu’un autre sera meilleur dans la recherche. Ces agents peuvent collaborer, formant des équipes pour relever ensemble des défis complexes. IBM prend actuellement en charge les agents d’IA écrits en LangChain. L’intégration de LlamaIndex sera bientôt disponible. Léger pour les développeurs, le framework IBM permet aux utilisateurs de composer et de modifier des agents d’IA dans un environnement low code ou no-code.

Les agents d’IA et assistants d’IA offrent de nombreux avantages, allant de l’optimisation des workflows à l’amélioration de l’expérience utilisateur. 

Solutions d’IA complémentaires : les agents d’IA sont spécialisés dans l’exécution de tâches spécifiques ou complexes de manière autonome, tandis que les assistants d’IA excellent dans la compréhension et l’interaction naturelles avec les utilisateurs. Ensemble, ils constituent des solutions d’IA plus puissantes et plus intuitives.

Workflows optimisés et productivité accrue : les outils d’IA et l’IA générative rationalisent les workflows, automatisent les tâches de routine et aident les humains à résoudre les problèmes, améliorant ainsi l’efficacité globale.

Amélioration de l’expérience utilisateur : les assistants d’IA fournissent une assistance interactive, s’adaptent aux besoins des utilisateurs et apprennent des commentaires et de l’historique des conversations pour offrir des interactions plus personnalisées.

Opérations autonomes et évolutivité : les agents d’IA peuvent fonctionner de manière indépendante, gérer plusieurs tâches simultanément et évoluer pour gérer des processus complexes sans intervention humaine directe.

Gestion des tâches et collaboration améliorées : Les agents d’IA peuvent interpréter les besoins des utilisateurs et assigner des tâches aux assistants d’IA. Les assistants peuvent utiliser les données générées par les agents pour créer des résultats plus intuitifs. Ces capacités améliorent la coordination.

Potentiel d’intégration amélioré : à mesure que les modèles d’IA évoluent, ils peuvent mieux intégrer des composants conversationnels et autonomes, ce qui permet de transférer les tâches de façon fluide et de fournir des réponses de meilleure qualité en moins de temps.

Les assistants d’IA améliorent l’expérience client en fournissant une assistance en temps réel et en conditions réelles par le biais du chat, de la voix et de l’e-mail. Ils traitent les demandes courantes des clients, guident les utilisateurs à travers les options en libre-service et font remonter les problèmes complexes si nécessaire. Grâce au NLP, ils personnalisent les interactions, recommandent des produits et aident les clients à effectuer rapidement des transactions. Leur disponibilité à tout moment améliore la satisfaction des clients et réduit les coûts.

Les agents d’IA améliorent l’expérience client et le support client en s’adaptant au comportement des utilisateurs en temps réel. Contrairement aux assistants d’IA dont les réponses sont scénarisées, les agents d’IA apprennent et améliorent les interactions, qu’il s’agisse de simuler des entretiens d’embauche ou de gérer des demandes d’assistance complexes de manière autonome. Ils fonctionnent sur les sites Web, les applications et les appareils IdO pour créer des expériences utilisateur fluides et hautement personnalisées.

Les assistants d’IA fournissent une assistance bancaire sécurisée en temps réel en traitant les demandes de solde, les alertes de fraude et les demandes de prêt. Ils aident également les clients à gérer leurs finances en analysant les habitudes de dépenses et en offrant des conseils budgétaires personnalisés.

Les agents d’IA préviennent la fraude de manière proactive en surveillant les transactions en temps réel, en détectant les activités suspectes et en bloquant les menaces avant qu’elles ne s’intensifient. Contrairement aux assistants qui envoient simplement des alertes de fraude, les agents d’IA ajustent les protocoles de sécurité, affinent les modèles de risque et se coordonnent avec les systèmes de détection des fraudes pour devancer les menaces émergentes. Dans le trading et l’investissement, les agents d’IA analysent les tendances du marché, exécutent des transactions et ajustent les portefeuilles sans intervention humaine.

Les assistants d’IA aident les organisations à rationaliser le recrutement en générant les descriptions d’offres d’emploi, en triant les CV et en rédigeant des messages personnalisés. Au-delà du recrutement, ils facilitent l’intégration en guidant les nouveaux employés à travers les politiques, les avantages sociaux et les documents de formation.

Les agents d’IA vont encore plus loin dans l’automatisation des ressources humaines en gérant et en optimisant l’acquisition de talents, l’engagement des employés et la planification du personnel. Ils sélectionnent les candidats, programment les entretiens et affinent les stratégies de recrutement en utilisant les données antérieures. Pour la performance, les agents d’IA analysent les commentaires, détectent les tendances et recommandent des programmes de formation. Ils automatisent également l’intégration, la gestion des avantages sociaux et le suivi de la conformité, rendant ainsi les opérations RH plus efficaces et fondées sur les données.

Les assistants d’IA jouent un rôle clé dans l’automatisation des processus de ressources humaines (RH) en améliorant l’expérience des patients et en rationalisant les tâches administratives. Ils répondent aux questions des patients en temps réel, aident à la prise de rendez-vous, à la facturation et au renouvellement des ordonnances et fournissent un accès en libre-service aux dossiers médicaux. Les assistants d’IA aident les médecins en résumant les antécédents des patients et en signalant les cas urgents. Les assistants d’IA aident également à organiser la documentation, ce qui permet d’assurer la cohérence de la mise en forme pour une meilleure accessibilité.

Les agents d’IA soutiennent la prise de décision médicale dans des environnements complexes. Dans les services d’urgence, des systèmes multiagents aident au tri des patients en ajustant les priorités en fonction des données de capteurs en temps réel. Les agents d’IA optimisent également la gestion de l’approvisionnement en médicaments, prédisent les ruptures de stock et ajustent les plannings de soins en fonction des réponses des patients.

Les technologies alimentées par l’IA présentent des risques et des limites qu’il convient de prendre en compte. Les LLM sont fragiles, c’est-à-dire qu’ils sont sensibles aux moindres changements de prompts à l’origine de structures non valides, de charge utile incorrecte ou d’hallucinations. En d’autres termes, les agents d’IA et les assistants d’IA pourraient dysfonctionner si, par exemple, le modèle de fondation sous-jacent avait une hallucination ou s’il s’effondrait. 

Pour les agents d’IA, ce sont encore les débuts. S’ils rencontrent des difficultés à créer des plans complets ou s’ils ne parviennent pas à tirer des conclusions de leurs résultats, les agents d’IA se retrouvent coincés dans des boucles de rétroaction infinies. Et comme ils tiennent comptent d’environnements et d’outils externes, ils doivent s’adapter aux modifications qui leur sont apportées. Au fil du temps, ces modifications peuvent entraîner l’effondrement de la configuration de l’agent. Les assistants d’IA, en revanche, peuvent être utilisés de manière fiable dans la plupart des cas, car ils n’utilisent pas d’outils externes.

Pour les tâches plus difficiles, les agents d’IA ont besoin d’être longuement entraînés, et malgré cela, ces tâches peuvent leur prendre beaucoup de temps. De plus, ils sont souvent coûteux.

Les modèles de fondation d’aujourd’hui ne sont pas suffisamment intelligents pour agir de manière fiable en tant qu’agents, mais les progrès en termes de capacité de raisonnement des modèles amélioreront la situation. Par conséquent, nous ne pouvons pas encore tout à fait comprendre et voir ce dont les agents d’IA sont vraiment capables. À l’avenir, des applications entièrement autonomes issues de la technologie de l’IA pourraient voir le jour. Mais à ce stade de développement, une intervention humaine est encore souvent nécessaire pour donner des conseils ou suggérer une orientation.